2. 农业农村部鄱阳湖流域农业资源与生态重点实验室(江西农业大学), 南昌 330045
2. Key Laboratory of Agricultural Resources and Ecology in Poyang Lake Watershed of Ministry of Agriculture and Rural Affairs in China, Jiangxi Agricultural University, Nanchang 330045, China
土壤是地球表面最大的有机碳储库,在陆地生态系统功能中发挥着重要作用[1]。土壤有机碳(Soil Organic Carbon,SOC)能够影响土壤中的生物、化学和物理过程[2],决定着耕地土壤质量和作物产量。鉴于对精准制定农业管理措施及评估耕地土壤健康的需求,详细了解耕地SOC的含量及空间分布至关重要。
数字土壤制图(Digital Soil Mapping,DSM)已被学者证明是一种效率高、成本低的制图方法[3]。DSM主要通过地理统计模型或机器学习模型建立。机器学习模型由于包含算法较多且自适应性较强,被广泛应用于不同尺度的土壤属性预测制图中[4-6],如多元线性回归,人工神经网络、随机森林、支持向量机等。其中,随机森林算法(RF)具有稳定性强、超参数少、处理多元非线性数据能力好等特点[5],逐渐成为研究土壤属性制图的主要方法[7-8]。然而机器学习在预测过程中,只考虑了土壤环境之间的关系,忽略了相邻观测数据的影响(空间自相关)。所以有研究[9]将机器学习所建立的趋势项与含有空间自相关信息的预测残差项相结合,来提升空间分布的预测精度,但在国内DSM应用的较少。
提高空间分布的预测精度,模型选择仅一方面,从scorpan模型可知,引入更多有效的环境协变量也能提升预测精度[3-5]。在以往SOC空间分布预测中,通常将遥感指数和气候变量视为相对静止,即使用某个时段或时点的(平均)值作为输入变量[4-8],而地物信息和气候特征是动态变化的过程,如果未考虑时间特性和事件对SOC空间变异的影响,可能无法充分体现气候、生物等因素在土壤形成过程中的作用与强度。为此引入物候参数描述植被长期生长的特征[10],探究其与土壤功能的关系,归一化植被指数(NDVI)是植物生长状态以及植被空间分布密度的最佳指示因子,与植被分布密度呈线性相关[11],因此采用NDVI时间序列提取物候参数。朱丹瑶[12]研究表示植被物候变化与气候模式变化密切相关,并可能对生态系统的生态过程产生重要影响,如陆地表面-大气的水和碳交换等。然而气候变化不仅包括平均值的变化,还包括极端气候的变化[13]。目前,全球持续变暖,极端气候事件发生的频率和幅度逐渐增强[14],极端气候预计会增加未来对生态系统的非生物胁迫,进而影响土壤生态,但至今关于极端天气对土壤属性的响应机制仍然知之甚少。世界气象组织委员会(WMO)为有效推动世界对极端气候事件的研究,共定义27个极端气候指数,大致可分为:特征量的极值、特征量超某阈值的天数、特征量的持续天数等。该指标综合考虑了极端气候事件的强度和持续时间,弥补部分气候特征的缺失。因此,将极端气候指数和物候参数纳入环境协变量,深入研究气候事件、植被生长周期对耕地SOC空间变异的响应特性及预测研究区耕地SOC空间分布的可行性。
为验证该假设,本文以江西省上高县为研究区域,采用随机森林模型,选取遥感数据、DEM衍生变量、物候参数、气候特征因子等作为环境协变量引入模型中,并用普通克里格(Ordinary Kriging,OK)对模型结果进行残差修正,对比不同类型变量组合下模型的预测效果及预测精度。
1 材料与方法 1.1 研究区概况上高县位于江西省西北部,位置处于赣江支流的锦江流域中段,东部与高安相毗邻,南邻新余,西接宜春市万载县,北连宜春市宜丰县,如图 1所示。地理坐标介于28°02′N~28°25′N和114°28′E~ 115°10′E之间,东西长68 km,南北宽45 km,总面积1350.25 km2。气候温暖湿润,雨量充沛,日照充足,无霜期长,全年平均气温为17.6℃,年平均降水量为1 718mm。境内地势平缓,以低丘区为主,由西南向东北倾斜,具有西南高、中部平、东北部低的特征,地貌以山地、丘陵、平原为主,分别占全县总面积的1.76%、65.79%、32.45%。上高县土壤类型多样,共分为6个土类,14个亚类,40个土属,72个土种,适宜各种农作物的栽种,主要有水稻土、红壤、草甸土、紫色土、石灰石土和山地黄壤六种土壤类型。研究区主要的土地利用类型为林地、耕地和建设用地,其中主要的农业作物包括水稻、油菜和花生,农作物种植制度为一年一季和两季种植。
本研究采用随机布点法布设了108个耕地土壤采样点,样点分布如图 1所示,于2021年7月完成实地采样。每个采样点使用五点采样法,收集分布在采样位置周围五个点的土样,将其混合,获得1kg左右的土壤样品。土壤样品经剔除杂物、自然风干、研磨和过筛后采用氧化还原体积法[15]测定土壤样品的有机碳含量。
1.3 环境协变量及数据来源将不同类别的变量分为四组,以验证物候变量和极端气候变量在耕地SOC预测中的有效性。(1)地形变量、气候变量和遥感变量(模型1);(2)地形变量、气候变量和时序遥感变量(模型2);(3)地形变量、气候变量、时序遥感变量和物候变量(模型3);(4)地形变量、气候变量、时序遥感变量、物候变量和极端气候变量(模型4)。本研究所采用的耕地范围数据为2019年哥白尼全球土地覆盖层CGLS-LC100系列(分辨率为100 m),由于不同分辨率尺度可能会给制图带来不确定性,所以选取空间分辨率最低的100 m作为标准进行重采样。
地形变量的数据源为ALOS PALSAR数据,分辨率为12.5 m。使用ArcGIS软件得到数字高程模型(DEM)、地形湿度指数(TWI)、坡度(Slope)、坡向(Aspect)、平面曲率(Plan)、剖面曲率(Profile)。
遥感数据为基于GEE平台下载的2020年3月—2021年2月Sentinel-2 L2A产品数据。由于研究区属亚热带季风气候型,降水充沛,云覆盖率较大,致使部分数据无法使用,采用QA60质量波段去云方法,对去云的影像进行月度中值合成。由于6月份数据缺失严重,所以舍弃6月份遥感数据。随后通过波段计算提取归一化植被指数(NDVI)、归一化绿度指数(GNDVI)、修正土壤调整植被指数(MSAVI)、增强型植被指数(EVI)。遥感变量为8月份遥感指数,时序遥感变量为1—12月份遥感指数。遥感数据受到多种因素影响会出现异常点等现象,物候参数又易受异常值干扰,因此提取前需对植被指数时间序列进行平滑处理。Savitzky-Golay滤波法是一种基于局域多项式最小二乘法拟合的多项式平滑滤波算法,在消除噪声和异常值的同时,可以保证时间序列的形状和宽度不变,能够较好地保持原始数据的真实性[16],因此采用Savitzky-Golay滤波法重新构建植被指数时间序列,为避免过度平滑,将移动窗口宽度设置为1,多项式拟合阶数设置为2。通过参考相关文献研究[10,17-18]并反复试验后,采用动态阈值法(阈值为0.2)提取物候变量。物候变量通过基于Matlab开发的Timesat3.3实现,具体定义见表 1。
气象数据来源于国家气象中心网站提供的全国地面气候资料日值数据集。极端气候变量为2010—2019年均极端气候指数(表 2),为探究极端气候变量与耕地土壤有机碳的关系,对极端气候变量与研究区耕地SOC进行Pearson相关性分析。气候变量为2010—2019年均最高气温(Maxt)、年最低气温(Mint)、年均气温(Meant)、年降水(Rainfall)。气候数据均采用反距离权重法插值获得[19]。极端气候变量通过加拿大气象研究中心基于R开发的RclimDex计算得到,反距离权重法通过ArcGIS实现,Pearson相关性分析通过SPSS实现。
衍生变量易存在多重共线性,增加过拟合的风险。采用递归特征消除法(RFE)寻找四组预测模型的最佳变量组合。该算法的优点是能够指定某个模型进行训练的,例如,使用RF进行预测可基于RFE-RF指定变量。为验证剩余变量间是否存在多重共线性,计算方差膨胀因子(VIF)。流程为:采用RFE方法运行10次,将选择次数最多的环境变量作为最佳的变量数据集,随后计算各变量间的方差膨胀因子,忽略VIF值大于10的变量。
RFE算法通过Python scikit-learn库中的RFE包实现,计算方差膨胀因子通过SPSS软件实现。
1.5 预测模型RF是一种基于树状结构的集成学习方法[3]。利用训练集构建决策树,然后组成多棵决策树进行预测,最终预测结果基于所有决策树投票确定。参数直接影响预测模型的精度,RF模型中n_estimators和max_depth两个参数最为重要[20],分别代表决策树的数量和决策树的最大深度。采用网格搜索法选择最佳参数,得到最优参数用来建立模型。最终筛选出最优参数模型1为(n_estimators=500,max_depth=7)、模型2为(n_estimators=200,max_depth=9)、模型3为(n_estimators=200,max_depth=10)和模型4为(n_estimators=100,max_depth=11)。
采用普通克里格(OK)残差修正。根据已知点位数据进行半方差函数分析拟合预测残差的最优插值模型,利用最优插值模型生成残差分布图并与预测结果进行叠加求和,以达到提高模型精度的目的。
RF模型通过Python scikit-learn库中Random Forest Regressor包实现,OK插值通过ArcGIS实现,半方差函数分析通过GS+实现。
1.6 模型精度评估为衡量不同类型变量组合下模型的表现,采用留一交叉验证评估模型性能。采用决定系数(R2)、平均绝对误差(MAE)和均方根误差(RMSE)3个模型精度指标评价模型预测结果。其中,MAE、RMSE越小,R2越大,预测精确度越高。
为评估预测模型的稳定性,利用标准差(Standard deviation,SD)的空间变化来表示预测的不确定性[3]。基于环境变量的最佳组合预测生成100幅SOC图,计算每个栅格像素的标准差。
2 结果 2.1 土壤有机碳的统计特征上高县耕地土壤SOC的描述性统计结果表明,土壤SOC含量最小值为6.11 g·kg–1,最大值为30.65 g·kg–1,平均值为18.79 g·kg–1,标准差为5.28 g·kg–1,偏度系数为0.30,峰度系数为–0.78,变异系数为28.10%,属于中等程度的空间变异。
2.2 极端气候变量与耕地有机碳的相关性按照特征量的极值、特征量超某阈值的天数、特征量的持续天数分类,挑选部分变量进行Pearson相关性分析。年尺度视角下,研究区耕地SOC含量与极端降雨事件的极值、天数及持续天数(CWD 0.233*、R95p 0.288**、Rx5day 0.094),极端高温事件的极值、持续天数(TXx 0.342**、WSDI 0.130)呈正相关;与极端低温事件的极值、持续天数(TNx-0.142、CSDI-0.077)呈负相关;与极端高、低温事件的天数(SU 0.275**、TR-0.087、ID0-0.192*、FD0 0.119)呈不确定性。
将气候事件分类后,可以发现热、冷事件的天数并不总为正、负相关,说明极端气候指数综合考虑了极端气候事件的强度和持续时间,当气候超过某阈值时,研究区耕地SOC呈反向相关。总体而言,极端气候事件与研究区耕地SOC具有显著的相关性,说明极端气候指数能够很好地反映气候对研究区耕地SOC的响应机制,极端气候的响应方式及强度直接或间接(例如植被覆盖)地影响耕地SOC含量。当研究区气候多热湿润时,耕地SOC含量越高。
2.3 模型精度与不确定性评价为消除变量间的多重共线性,采用RFE筛选出模型所使用的变量。通过共线性分析,四组模型的方差膨胀因子均小于10,说明RFE方法能够有效剔除变量间的多重共线性。基于不同变量组合的RF模型在预测SOC含量方面的性能。模型1中R2为0.30,MAE为4.58 g·kg–1,RMSE为5.32 g·kg–1;模型2中R2为0.35,MAE为4.24 g·kg–1,RMSE为4.98 g·kg–1;模型3中R2为0.36,MAE为4.21 g·kg–1,RMSE为4.95 g·kg–1;模型4中R2为0.44,MAE为4.03 g·kg–1,RMSE为4.87 g·kg–1。结果表明,基于不同环境变量类型构建的模型,预测精度存在差异。例如:以模型1作为基线,其余三组模型精度得到显著提升。说明时序变量、物候变量和极端气候变量含有未利用信息,对于SOC的有效建模和预测具有一定的价值。
经过残差修正后精度获得进一步提升。模型1_OK中R2为0.42,MAE为2.04 g·kg–1,RMSE为2.52 g·kg–1;模型2_OK中R2为0.50,MAE为1.99 g·kg–1,RMSE为2.43 g·kg–1;模型3_OK中R2为0.52,MAE为1.93 g·kg–1,RMSE为2.39 g·kg–1;模型4_OK中R2为0.57,MAE为1.88 g·kg–1,RMSE为2.28 g·kg–1。总体来看,残差修正将R2提升至0.4以上,并且均改善了最小值偏大、最大值偏小的预测区间,与实测值更为接近。其中,模型4仍可以获得最高的精度,模型4_OK,相较于模型4将R2、MAE和RMSE提升了29.54%、53.35%和53.18%;相较于模型1将R2、MAE和RMSE提升了90.00%、58.95%和57.14%。
计算100幅SOC预测值标准差评估模型预测的不确定性,如图 2所示。模型1和模型4具有最高和最低的不确定性,模型2和模型3的精度与不确定性呈负相关,说明拥有更好精度的模型在制图过程中并不总是最稳定的模型。不确定性主要出现在研究区的中部、东北部、西南部,可能是因为该地区的SOC空间变异性较强,采样点数量较少且缺乏代表性,所以预测此区域SOC含量出现明显波动。因此量化预测的不确定性对未来指导采样具有重要意义。
四组模型变量的相对重要性排序,如图 3所示。环境协变量的重要性会在不同变量组合下发生变化,此外每组模型的主要协同因子均有不同。以地形变量为标准,在模型1中综合重要性最高,而在其余模型中重要性基本处于末位。模型2中,时序变量部分变量重要性稍弱,但累积贡献率最高。模型3中,虽NDVI在其他模型中仅一次纳入,但由NDVI时序数据提取的物候变量a3在模型中贡献第二,说明物候变量能够捕捉到植被的特定信息。模型4中,重要协同因子Mint和Rainfall被极端气候变量所代替,并解释了SOC变化的36.12%,其中SU为单个贡献率最高的因子,是模型的主导因子。表明物候变量和极端气候变量具有预测研究区耕地SOC空间分布的应用潜力。
为探究环境变量对SOC的响应变化关系,绘制SOC与环境变量的局部依赖性图,该曲线代表变量与SOC的变化关系,如图 4所示。SOC含量与植被指数、a3、R95p总体呈正相关关系;与Mint、Profile、SU和TXx表现为波动变化趋势,部分变量当达到临界值时,变量与SOC含量之间显著响应,例如TXx超过38.68,SOC含量急剧下降。但Pearson相关性分析显示,SU、TXx与SOC含量呈正相关关系,说明变量与SOC之间并非只是简单的线性关系,而是存在复杂的非线性关系,且响应关系差异较大。
将筛选出来的最优协变量组合及最优参数运行100次,绘制出100张SOC结果进行平均,生成最终的SOC空间分布图,如图 5所示。模型1至模型4预测研究区SOC的变化范围分别为10.00~26.71、12.90~28.34、12.92~28.34和11.54~28.68 g·kg–1,均值分别为19.00±0.71、21.44±0.67、20.74±0.69和20.64±0.65 g·kg–1。四组模型预测的整体趋势相似,均呈现中部高值区,东北部、中西部低值区。研究区中部地形复杂,耕地景观格局存在多样化,因此微生物群体的多样性可能很高,多物种能够有效地将C从地表输送至土壤当中,并且该区域人为扰动较弱,具有较好的连通性,连通的景观有利于物种和属性的移动,因而SOC含量较高[21]。研究区东北部和西部SOC含量偏低,可能是该区域地势平坦且耕地集中连片,农业生产强度高,频繁耕作加剧了对农业生态系统的扰动,导致土壤的生物种群遭受破坏,致使SOC含量较低。四组模型虽然预测的整体趋势相似,但值域区间范围和空间变异存在明显差异。模型4相较其他模型,在研究区中部高值区、中西部低值区,分级区间与实测值更为接近,且拥有最宽的预测区间。说明模型4无论在模型精度还是空间变异性表达上均为最优模型,证明RF模型预测研究区耕地SOC空间分布格局的可行性和合理性。
通过变量贡献率分析显示,遥感变量GNDVI、EVI在模型中具有较好的贡献。因为作物地上部及根系凋落物是土壤碳输入的重要部分,当在高生物量条件下或生物物理参数达到极值时,EVI和GNDVI能够有效监测作物状态及其覆盖度[22-23],并且计算两个指数中的近红外波段也能有效反映土壤水分和作物健康[24],因此植被指数通过反映植被覆盖度、土壤水分等差异间接解释SOC空间变化。通常植被覆盖度较高、土壤水分较多处,SOC含量较高[25],所以植被指数与SOC呈正相关关系。值得注意的是,所选多时相遥感变量中春季、秋季占绝大部分,春季可能是此时气温回暖,降雨集中,使得土壤温度、含水量提升,影响净初级生产力以及微生物代谢[26-27],进而影响SOC含量,此外正值农耕时节,施肥量等因素影响植被生长速率,通常SOC含量累积的越多生长速率越快[18]。秋季可能是间接反映秸秆还田状况,影响土壤碳输入,从而反映SOC含量。总体而言,相较单时相,多时相数据可以更好地反馈地表动态变化[28-29],为scorpan模型提供潜在信息。
地形变量中,Profile虽在四组模型中贡献率较低,但对预测研究区SOC含量是不可或缺的变量。从响应曲线中可以看出,当Profile<8时与SOC呈负相关关系,可能是因为地形会对区域小气候特征产生一定影响,海拔随曲率提升逐渐降低,气温、降雨也随之增加或减少,致使微生物活性提升,土壤碳矿化率变快,SOC含量下降;当Profile>9时呈正相关关系,是因为Profile能够影响排水的流速并影响侵蚀和沉积[30],通常地势低洼处土壤水分含量较多,植物生长茂盛,归还量高,因而SOC含量较高。由此也解释了气候变量Mint与SOC间先负后正的响应特性。
物候变量中,a3描述生长季结束日期和生长季开始日期的差值。朱丹瑶[12]研究表示温度与降水量的增加可为植被提供有效的辐射能、热量和水分,致使植被物候期提前或推迟。此时作物的生长特性体现水热条件的差异,水热条件的改变可以影响农田微生物结构功能进而影响SOC组分特征[31]。这与以往研究得出相似结果[32],说明植被生长周期特征的生物学机制包含SOC含量的重要信息。
气候变量在土壤属性制图中的应用已有探索,但关于极端气候变量与土壤属性反映特性的研究较为缺失。通过贡献率发现,极端气候的贡献率显著大于年均气候,这表明SOC含量受极端气候的变化影响更大。其中极端高温事件SU、TXx在模型中均存在积极作用,因为研究区降水充沛地区,高温能够促进水分蒸发,防止植被水分过多,避免因土壤水分过多造成缺氧,根系呼吸作用减弱,产生多种有毒物质,造成土壤养分流失[12,33-34],进而影响SOC含量。但由响应曲线可知,当极端高温事件的强度、持续时间达到临界值,SOC含量急剧下降,可能是水分蒸发,致使真菌以及其他微生物活性提高,繁殖加快,矿化率加速,导致SOC含量降低。极端降水事件R95p与SOC含量呈正相关关系,有研究表示[35]在植被稀疏等地区,短时强降水极易加剧水土流失,不利于植被生长,而研究区强降雨通常发生在春夏两季,此时作物覆盖度较高,能够削减雨滴动能,减少了雨滴对地面的打击,降低对表土层的冲击侵蚀作用[36]。与SOC呈正相关关系,可能是因为短时强降雨在土壤的中上层形成滞水,导致土壤中微生物厌氧类菌种和数量增加,使SOC的腐殖化程度降低,难氧化有机碳的含量增加,SOC稳定性增大,所以SOC的含量较高[37]。值得注意的是,以往研究[5]发现部分年均气候与SOC含量呈负相关,而某些极端气侯事件对SOC含量却有促进作用,例如极端高温、降雨事件。说明基于年平均气温进行预测,会损失强度、持续时间等气候特征信息,当气候特征不断完善,年均气候在模型中的贡献率就会逐渐下降。
3.2 不同类型环境变量组合下的模型表现精度分析结果表明,SOC空间分布的预测精度受模型及环境变量的组合影响较大。此前已有研究证明,随机森林残差克里格(RFRK)要优于部分数字土壤制图方法。Szatmári和Pásztor [38]预测匈牙利的SOC储量,发现RFRK的准确度最高,优于OK、序列高斯模拟法和分位数回归森林。Guo等[9]预测橡胶种植园SOM的空间分布发现,RFRK相较逐步线性回归、RF拥有更低的预测误差(ME、MAE和RMSE)和更高的R2,并表明RFRK对捕捉土壤属性与环境因素之间的非线性和层次关系具有优势。但采用OK插值可能会出现不确定性因素(比如平滑效应等)导致精度降低,所以未来还需深入探讨残差克里格法在特定情况(比如随机因素为主要作用的研究区等)是否会产生更大的误差。
此前研究已经证明了时序变量和物候变量预测土壤属性的有效性。Zhou等[29]以中国西北部黑河中上游流域地区为研究区;刘焕军等[39]以黑龙江省农垦总局胜利农场耕地范围为研究区,表明多时相遥感数据能够提升预测模型的精度。He等[18]在安徽省宣州市利用物候参数和遥感因子通过RF模型进行农田SOC空间分布预测研究,结果显示,基于物候参数和遥感因子的模型(R2为0.38)提高了SOC的可预测性(R2提升了171%,RMSE降低了14%),值得注意的是,其预测变量对SOC空间变异的解释程度为38%低于以往DSM研究精度[40],因为耕地常处农业生产较便利的低海拔区域,致使所选变量差异不显著,导致耕地较其他土地利用更难预测,精度更低,但文中表示在同一地区的农田SOC预测,预测精度略高于类似研究。由于缺少针对极端气候变量作为输入集的土壤属性制图研究案例,无法得到有效的精度评价结果。本研究显示,极端气候变量在RF模型中累积解释度最高,且随极端气候变量的加入能够显著提升预测精度。研究表明[41]小尺度内大气候对土壤形成基本为均质,更多受小气候影响,因此极端气候在更大尺度下应该能够得到更好的解释度。
3.3 预测的不确定性及影响因素结果的不确定性可归因于数据、模型和环境协变量等因素[42]。用于模型训练的样本应代表地表生物物理特征的异质性[43],但外业时可能会遇到无法采样的情况,这会降低样本的代表性和数量,影响模型在预测时的稳定性。此外,不同的模型也会对不确定性造成显著影响,Fathololoumi等[43]和Zeraatpisheh等[44]对比RF、Cubist发现,RF显示出更低的不确定性,而Cubist可能存在过拟合的情况,所以拥有更好的模型精度。本研究显示,相同预测模型下,包含较高预测潜力的环境协变量可以降低部分结果的不确定性。
影响SOC制图精度主要有四个部分。第一,未考虑人为活动因素的影响,有研究表明耕地SOC受人为影响因素较大,比如耕作制度、施肥方式等因素[45]。第二,未考虑灌排条件的影响,极端气候作用强度可能会受到灌排条件的部分影响,比如极端降雨事件。第三,研究区春夏季降水充沛,导致部分影像缺失,对提取物候变量和时序变量造成不确定影响。第四,所用的气候数据是来自国家气象中心网站提供的全国地面气候资料日值数据集,其站点密度较稀疏,导致数据精细化较低。
4 结论本文以江西省上高县为研究区域,采用随机森林模型,选取遥感数据、DEM衍生变量、物候参数、气候特征因子等作为环境协变量引入模型中,并用普通克里格对模型结果进行残差修正,最后对比不同类型变量组合下模型的预测效果及预测精度。结果表明,时序变量、物候变量及极端气候变量能够改善SOC预测的性能,结合时序变量、物候变量、极端气候变量、地形变量和残差的组合拥有最高的预测精度,相较于地形变量、遥感变量和气候变量的组合,将R2、MAE和RMSE提升了90.00%、58.95%和57.14%,且预测SOC分布更接近实测值。其中,SU、a3和TXx是影响研究区耕地SOC分布的重要变量。因此,本文认为物候变量和极端气候变量具有较好的应用前景,未来还需验证极端气候变量作为环境变量在不同土地利用、大尺度研究区下预测土壤属性的有效性。
[1] |
Lal R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623-1627. DOI:10.1126/science.1097396
(0) |
[2] |
McBratney A, Field D J, Koch A. The dimensions of soil security[J]. Geoderma, 2014, 213: 203-213. DOI:10.1016/j.geoderma.2013.08.013
(0) |
[3] |
Zhou Y, Zhao X M, Guo X. Prediction of total nitrogen distribution in surface soil based on multi-source auxiliary variables and random forest approach (In Chinese)[J]. Acta Pedologica Sinica, 2022, 59(2): 451-460. [周洋, 赵小敏, 郭熙. 基于多源辅助变量和随机森林模型的表层土壤全氮分布预测[J]. 土壤学报, 2022, 59(2): 451-460.]
(0) |
[4] |
Wei Y C, Lu X L, Zhu C D, et al. High-resolution digital mapping of soil organic carbon at small watershed scale using landform element classification and assisted remote sensing information (In Chinese)[J]. Acta Pedologica Sinica, 2023, 60(1): 63-76. [魏宇宸, 卢晓丽, 朱昌达, 等. 基于地形与遥感辅助信息的小流域尺度高分辨率有机碳空间分布预测研究[J]. 土壤学报, 2023, 60(1): 63-76.]
(0) |
[5] |
Yuan Y Q, Chen H Y, Zhang L M, et al. Prediction of spatial distribution of soil organic carbon in farmland based on multi-variables and random forest algorithm—A case study of a subtropical complex geomorphic region in Fujian as an example (In Chinese)[J]. Acta Pedologica Sinica, 2021, 58(4): 887-899. [袁玉琦, 陈瀚阅, 张黎明, 等. 基于多变量与RF算法的耕地土壤有机碳空间预测研究——以福建亚热带复杂地貌区为例[J]. 土壤学报, 2021, 58(4): 887-899.]
(0) |
[6] |
Hao C K, Sun X L, Wang H L. Application of generalized linear geostatistical model for digital soil mapping in a typical subtropical hilly area (In Chinese)[J]. Acta Pedologica Sinica, 2023, 60(4): 993-1006. [郝辰恺, 孙孝林, 王会利. 广义线性地统计模型在典型亚热带丘陵区数字土壤制图中的应用[J]. 土壤学报, 2023, 60(4): 993-1006.]
(0) |
[7] |
Jiang S P, Zhang H Z, Zhang R L, et al. Research on spatial distribution of soil organic matter in Hainan Island based on three spatial prediction models (In Chinese)[J]. Acta Pedologica Sinica, 2018, 55(4): 1007-1017. [姜赛平, 张怀志, 张认连, 等. 基于三种空间预测模型的海南岛土壤有机质空间分布研究[J]. 土壤学报, 2018, 55(4): 1007-1017.]
(0) |
[8] |
Zhang Y, Sui B, Shen H O, et al. Mapping stocks of soil total nitrogen using remote sensing data: A comparison of random forest models with different predictors[J]. Computers and Electronics in Agriculture, 2019, 160: 23-30. DOI:10.1016/j.compag.2019.03.015
(0) |
[9] |
Guo P T, Li M F, Luo W, et al. Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach[J]. Geoderma, 2015, 237: 49-59.
(0) |
[10] |
Araya S, Lyle G, Lewis M, et al. Phenologic metrics derived from MODIS NDVI as indicators for plant available water-holding capacity[J]. Ecological Indicators, 2016, 60: 1263-1272. DOI:10.1016/j.ecolind.2015.09.012
(0) |
[11] |
Testa S, Soudani K, Boschetti L, et al. MODIS-derived EVI, NDVI and WDRVI time series to estimate phenological metrics in French deciduous forests[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 64: 132-144. DOI:10.1016/j.jag.2017.08.006
(0) |
[12] |
Zhu D Y. Land surface phenology characteristics and its response to extreme climate in Xiaoxing'an mountains[D]. Harbin: Harbin Normal University, 2021.[朱丹瑶. 小兴安岭地表物候特征及其对极端气候的响应[D]. 哈尔滨: 哈尔滨师范大学, 2021.]
(0) |
[13] |
Donat M G, Alexander L V, Yang H, et al. Updated analyses of temperature and precipitation extreme indices since the beginning of the twentieth century: The HadEX2 dataset[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(5): 2098-2118. DOI:10.1002/jgrd.50150
(0) |
[14] |
Lin E D, Xu Y L, Jiang J H, et al. National assessment report of climate change(Ⅱ): Climate change impacts and adaptation (In Chinese)[J]. Advances in Climate Change Research, 2006, 2(2): 51-56. DOI:10.3969/j.issn.1673-1719.2006.02.001 [林而达, 许吟隆, 蒋金荷, 等. 气候变化国家评估报告(Ⅱ): 气候变化的影响与适应[J]. 气候变化研究进展, 2006, 2(2): 51-56.]
(0) |
[15] |
Bao S D. Soil and agricultural chemistry analysis (In Chinese). Beijing: China Agriculture Press, 1999. [鲍士旦. 土壤农化分析[M]. 北京: 中国农业出版社, 1999.]
(0) |
[16] |
Bian J H, Li A N, Song M Q, et al. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter (In Chinese)[J]. Journal of Remote Sensing, 2010, 14(4): 725-741. [边金虎, 李爱农, 宋孟强, 等. MODIS植被指数时间序列Savitzky-Golay滤波算法重构[J]. 遥感学报, 2010, 14(4): 725-741.]
(0) |
[17] |
Zu J X, Yang J. Temporal variation of vegetation phenology in northeastern China (In Chinese)[J]. Acta Ecologica Sinica, 2016, 36(7): 2015-2023. [俎佳星, 杨健. 东北地区植被物候时序变化[J]. 生态学报, 2016, 36(7): 2015-2023.]
(0) |
[18] |
He X, Yang L, Li A, et al. Soil organic carbon prediction using phenological parameters and remote sensing variables generated from Sentinel-2 images[J]. Catena, 2021, 205: 105442. DOI:10.1016/j.catena.2021.105442
(0) |
[19] |
Cai F, Yu G R, Zhu Q L, et al. Comparison of precisions between spatial methods of climatic factors: A case study on mean air temperature (In Chinese)[J]. Resources Science, 2005, 27(5): 173-179. DOI:10.3321/j.issn:1007-7588.2005.05.027 [蔡福, 于贵瑞, 祝青林, 等. 气象要素空间化方法精度的比较研究——以平均气温为例[J]. 资源科学, 2005, 27(5): 173-179.]
(0) |
[20] |
Ließ M, Glaser B, Huwe B. Uncertainty in the spatial prediction of soil texture: Comparison of regression tree and Random Forest models[J]. Geoderma, 2012, 170: 70-79. DOI:10.1016/j.geoderma.2011.10.010
(0) |
[21] |
Zhang J. Effects of farmland landscape pattern on soil organic carbon in lower Liaohe plain[D]. Shenyang: Shenyang Agricultural University, 2020.[张俊. 下辽河平原农田景观格局对土壤有机碳的影响[D]. 沈阳: 沈阳农业大学, 2020.]
(0) |
[22] |
Lillesand T, Kiefer R W, Chipman J. Remote sensing and image interpretation[M]. John Wiley & Sons, 2015.
(0) |
[23] |
Sabetizade M, Gorji M, Roudier P, et al. Combination of MIR spectroscopy and environmental covariates to predict soil organic carbon in a semi-arid region[J]. Catena, 2021, 196: 104844. DOI:10.1016/j.catena.2020.104844
(0) |
[24] |
Aldana-Jague E, Heckrath G, MacDonald A, et al. UAS-based soil carbon mapping using VIS-NIR(480-1000 nm) multi-spectral imaging: Potential and limitations[J]. Geoderma, 2016, 275: 55-66. DOI:10.1016/j.geoderma.2016.04.012
(0) |
[25] |
Wen L N, Zhou B, Wang L, et al. Analysis of vegetation cover, land utilization and soil moisture in the controlled area of check dam in loess gully region (In Chinese)[J]. Grassland and Turf, 2021, 41(3): 41-47. [温丽娜, 周波, 王立, 等. 淤地坝沟道植被覆盖/土地利用和土壤水分的分析[J]. 草原与草坪, 2021, 41(3): 41-47.]
(0) |
[26] |
Hu Y G, Wang Z R, Wang Q, et al. Climate change affects soil labile organic carbon fractions in a Tibetan alpine meadow[J]. Journal of Soils and Sediments, 2017, 17(2): 326-339. DOI:10.1007/s11368-016-1565-4
(0) |
[27] |
Qi R, Li J, Lin Z, et al. Temperature effects on soil organic carbon, soil labile organic carbon fractions, and soil enzyme activities under long-term fertilization regimes[J]. Applied Soil Ecology, 2016, 102: 36-45. DOI:10.1016/j.apsoil.2016.02.004
(0) |
[28] |
Yang R M, Guo W W. Modelling of soil organic carbon and bulk density in invaded coastal wetlands using Sentinel-1 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 82: 101906. DOI:10.1016/j.jag.2019.101906
(0) |
[29] |
Zhou T, Geng Y, Chen J, et al. Mapping soil organic carbon content using multi-source remote sensing variables in the Heihe River Basin in China[J]. Ecological Indicators, 2020, 114: 106288. DOI:10.1016/j.ecolind.2020.106288
(0) |
[30] |
Kimerling A J, Buckley A R, Muehrcke P C, et al. Map use: Reading, analysis, interpretation[M]. 7th ed. Redlands, California: Esri Press Academic, 2016.
(0) |
[31] |
Zhang P. Spatial mapping of soil organic matter in Jiangsu Province based on hydrothermal conditions[D]. Huainan, Anhui: Anhui University of Science & Technology, 2019.[张平. 基于水热条件的江苏省土壤有机质空间制图[D]. 安徽淮南: 安徽理工大学, 2019.]
(0) |
[32] |
Yang L, Cai Y, Zhang L, et al. A deep learning method to predict soil organic carbon content at a regional scale using satellite-based phenology variables[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102428. DOI:10.1016/j.jag.2021.102428
(0) |
[33] |
Ni M, Zhang X Y, Jiang C, et al. Responses of vegetation to extreme climate events in southwestern China (In Chinese)[J]. Chinese Journal of Plant Ecology, 2021, 45(6): 626-640. [倪铭, 张曦月, 姜超, 等. 中国西南部地区植被对极端气候事件的响应[J]. 植物生态学报, 2021, 45(6): 626-640.]
(0) |
[34] |
Chen W Z, Huang C J, Wang L C, et al. Climate extremes and their impacts on interannual vegetation variabilities: A case study in Hubei Province of central China[J]. Remote Sensing, 2018, 10(3): 477. DOI:10.3390/rs10030477
(0) |
[35] |
Wang X, Wang M T, Feng Y, et al. Variation characteristics of normalized difference vegetation index in Northwestern Sichuan Plateau and its response to extreme climate during 2001-2020 (In Chinese)[J]. Chinese Journal of Applied Ecology, 2022, 33(7): 1957-1965. [王鑫, 王明田, 冯勇, 等. 2001—2020年川西北高原归一化植被指数演变特征及其对极端气候的响应[J]. 应用生态学报, 2022, 33(7): 1957-1965.]
(0) |
[36] |
Hua D W. Investigation and study on soil erosion under extreme sub-rainfall events (In Chinese)[J]. Agriculture and Technology, 2017, 37(19): 50-52. [花东文. 极端次降雨事件下的土壤侵蚀调查研究[J]. 农业与技术, 2017, 37(19): 50-52.]
(0) |
[37] |
Xu H J. Effects of hydrothermal conditions on soil organic carbon distribution in northern slope of middle Tianshan Mountains[J]. Journal of Xinjiang University: Natural Science Edition, 2020, 37(4): 534—542, 550.
(0) |
[38] |
Szatmári G, Pásztor L. Comparison of various uncertainty modelling approaches based on geostatistics and machine learning algorithms[J]. Geoderma, 2019, 337: 1329-1340.
(0) |
[39] |
Liu H J, Zhang M W, Yang H X, et al. Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm (In Chinese)[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(10): 134-140. [刘焕军, 张美薇, 杨昊轩, 等. 多光谱遥感结合随机森林算法反演耕作土壤有机质含量[J]. 农业工程学报, 2020, 36(10): 134-140.]
(0) |
[40] |
Odebiri O, Mutanga O, Odindi J. Deep learning-based national scale soil organic carbon mapping with Sentinel-3 data[J]. Geoderma, 2022, 411: 115695.
(0) |
[41] |
Liang Z Z. Research and application of high-resolution digital mapping of soil key attributes at national scale[D]. Hangzhou: Zhejiang University, 2019.[梁宗正. 国家尺度土壤关键属性高分辨率数字制图研究及应用[D]. 杭州: 浙江大学, 2019.]
(0) |
[42] |
Oduor C O, Karanja N K, Onwonga R N, et al. Enhancing soil organic carbon, particulate organic carbon and microbial biomass in semi-arid rangeland using pasture enclosures[J]. BMC Ecology, 2018, 18(1): 1-9.
(0) |
[43] |
Fathololoumi S, Vaezi A R, Alavipanah S K, et al. Improved digital soil mapping with multitemporal remotely sensed satellite data fusion: A case study in Iran[J]. Science of the Total Environment, 2020, 721: 137703.
(0) |
[44] |
Zeraatpisheh M, Garosi Y, Owliaie H R, et al. Improving the spatial prediction of soil organic carbon using environmental covariates selection: A comparison of a group of environmental covariates[J]. Catena, 2022, 208: 105723.
(0) |
[45] |
Wang Y, Yang D L, Wang L L, et al. Effects of farmland management measures on soil organic carbon turnover and microorganisms (In Chinese)[J]. Journal of Agricultural Resources and Environment, 2020, 37(3): 340-352. [汪洋, 杨殿林, 王丽丽, 等. 农田管理措施对土壤有机碳周转及微生物的影响[J]. 农业资源与环境学报, 2020, 37(3): 340-352.]
(0) |