《Soil and Tillage Research》:Integrating soil spectral libraries with laboratory hyperspectral imaging for profile organic carbon prediction in paddy soils
编辑推荐:
土壤有机碳(SOC)全剖面精细分层映射研究:整合全球土壤光谱图书馆(GSSL)与高光谱成像(HSI)技术,通过光谱相似性分析(SS-CR)和多种匹配方法(ED、MD、SAM),结合随机森林(RF)与Cubist模型,验证本地化模型在精度(R2=0.80,RMSE=0.78%)和全剖面映射能力上的优势。
作者列表:邵莉(Shuo Li)、周宇伟(Yuwei Zhou)、阿卜杜勒·穆内姆·穆阿赞(Abdul Mounem Mouazen)、陈松超(Songchao Chen)、拉斐尔·A·维斯卡拉·罗塞尔(Raphael A. Viscarra Rossel)、阿西姆·比斯瓦斯(Asim Biswas)、纪文军(Wenjun Ji)、周石(Zhou Shi)、王山琴(Shanqin Wang)
中国华中师范大学城市与环境科学学院,湖北省地理过程分析与模拟重点实验室,武汉 430079
摘要
为了促进土壤有机碳(SOC)的储存,并在土地有限的情况下满足日益增长的粮食需求,了解水稻土整个剖面中SOC的空间分布特征至关重要。在各种地理尺度上建立土壤光谱库(SSLs)使得近红外(NIR:700–1100 nm)和短波红外(SWIR:1100–2500 nm)高光谱成像(HSI)技术能够更快速、更经济地估算SOC。本研究旨在将SSLs与HSI结合,实现高空间分辨率(每像素1 mm)的元素浓度精细映射,光谱范围为900–1700 nm。我们应用全球土壤光谱库(GSSL)中的SOC-反射率校准数据,对一个独立的本地田地的水稻土剖面(深度达1米)进行建模,并结合了光谱相似性分析(SS-CR)、三种光谱匹配方法(例如欧几里得距离[ED]、马氏距离[MD]和光谱角度映射器[SAM])以及两种建模算法(例如随机森林[RF]和Cubist)。此外,我们还比较了不同全球模型和本地模型在描述整个剖面SOC分布方面的性能。结果表明,尽管Cubist-Local模型具有较高的预测准确性(R2 ≥ 0.77,RMSE ≤ 0.77%,RPIQ ≥ 1.90),但其对剖面SOC的精细映射能力有限。相比之下,基于ED光谱匹配方法的RF-Local模型不仅取得了最佳性能(R2 = 0.80,RMSE = 0.78%,RPIQ = 1.86),而且还成功地对整个土壤剖面进行了SOC映射。该模型使用的样本量仅为全球模型的五分之一。本研究的结果为使用HSI技术和GSSL在田间尺度及整个土壤剖面上进行SOC预测和映射提供了宝贵的参考,强调了在高垂直分辨率下的水稻土预测潜力。
引言
根据《2024年世界粮食安全与营养状况》的统计数据,2023年可能有9.1%的人口面临饥饿问题,而2019年这一比例为7.5%(FAO等,2024年)。考虑到仅用世界9%的耕地来养活超过20%的世界人口所面临的挑战,迫切需要关注粮食短缺问题。量化土壤有机碳(SOC)对于调节土壤肥力、保持水分、维持团聚体稳定性以及发挥其在全球碳循环中的关键作用至关重要(Oliveira等,2024年;Zhao等,2023年)。因此,通过提高土壤肥力和土地生产力来增加SOC储量是实现粮食安全的重要策略(Lal,2004年;Moinet等,2023年;Chen等,2024年)。在中国,水稻是日常消费的重要主食,主要在淹水条件下种植于水稻土中。与其他耕地类型相比,水稻土有利于SOC的积累,因为淹水引起的厌氧环境减缓了有机物的分解(Wang等,2015年;Wei等,2021年)。这在长江三角洲和中国南部的集约化水稻田中尤为明显。管理这些农田的第一步是能够监测这些地区不同地理尺度上的SOC含量变化。
水稻土是重要的碳库,其管理方式会显著影响水稻土中SOC储量的变化。例如,在免耕管理下,较低深度的SOC损失可能会部分抵消上层土壤中的SOC增益,从而降低土壤储存SOC的能力(Baker等,2007年)。因此,为了更好地估算水稻土的SOC储存潜力并努力解决粮食不安全问题,越来越需要了解整个剖面中SOC的空间分布。SOC的空间和垂直特征分析需要使用实验室常规测量方法来分析大量相关现场数据,但这些方法通常耗时且劳动密集,同时对环境不友好,还会向环境中释放有害化学物质。因此,需要比传统技术更快、更经济、更环保、更准确的SOC分析方法,以进行空间和垂直剖面的评估。
基于实验室的高光谱成像(HSI)技术覆盖可见光(VIS:400–700 nm)、近红外(NIR:700–1100 nm)和短波红外(SWIR:1100–2500 nm)波段,具备上述特点。高光谱成像(HSI)通过三维图像提供详细的空间和光谱信息(Ben-Dor等,2009年)。土壤性质在垂直和水平方向上都具有空间变异性。该技术能够快速评估整个土壤剖面的空间变化,还便于绘制诊断层和评估大尺寸、未受干扰样品中的土壤斑点和元素浓度(Steffens和Buddenbaum,2013年;Steffens等,2014年)。过去几十年来,多项研究报道了使用VIS–NIR光谱范围成功预测和绘制水稻土中SOC的方法(Xu等,2020年;Zheng等,2023年)。然而,一些研究指出,1200 nm以上的波长可能是预测SOC最可靠的指标。由于基态振动和组合效应,SWIR波段与SOC含量和土壤光谱特征之间存在强相关性(Li等,2015a;Stenberg等,2010年;Tekin等,2012年;Wu等,2024年)。因此,NIR–SWIR光谱学在土壤科学中得到了广泛应用,并取得了令人满意的结果(Li等,2015b;Liu等,2023年;Mouazen等,2010年;Qi等,2024年)。然而,目前尚缺乏使用NIR–SWIR预测和绘制0–100 cm深度水稻土剖面中SOC的研究,这些研究可以为改进SOC封存潜力以及提高土壤肥力、进而提升粮食安全提供依据。
为应对环境监测、建模和制图所需的土壤信息匮乏问题,人们越来越需要建立大规模土壤光谱库(SSLs),从区域级(Terra等,2015年)到国家级(Shi等,2015年),再到大陆级(Stevens等,2013年)和全球级(Viscarra Rossel等,2016年)。这些光谱库被视为提高NIR–SWIR技术效率的理想工具。这些数据库包含了长期收集的各种土壤性质、土壤类型、农业实践等数据,所有这些因素都会影响土壤光谱。然而,这些SSLs往往无法准确捕捉现场的土壤性质特征。挑战不在于使用这些SSLs建立大规模通用模型,而在于将其作为特定环境和土壤学领域内局部校准的信息来源。当前的研究和持续探索表明,SSLs结合“本地化”方法同样重要,因为它们可以为局部田间尺度上的SOC含量预测开发出统一的校准方法(Guerrero等,2014年;Lobsey等,2017年;Seidel等,2019年;Luce等,2022年;Zhou等,2024年)。据我们所知,科学文献中尚未报道过将SSLs与机器学习建模结合,用于预测和绘制整个水稻土剖面(深度达1米)中的SOC。
本研究旨在将全球土壤光谱库(GSSL)与HSI结合,开发准确的校准模型,以预测和绘制测试地点水稻土整个剖面(深度达1米)中的SOC。分析方法包括光谱相似性分析(SS-CR)、三种光谱匹配方法(例如欧几里得距离[ED]、马氏距离[MD]和光谱角度映射器[SAM]以及两种建模算法(例如随机森林[RF]和Cubist)。为实现这一目标,设置了以下目标:(1)比较全球模型和本地模型在预测SOC含量方面的准确性;(2)比较多变量模型的性能;(3)研究HSI(980–1650 nm)在精细SOC映射方面的可行性。通过评估结合先进HSI和GSSL进行SOC预测和绘制的预测能力,本研究旨在为碳封存和土壤肥力评估提供新的关键见解。
研究地点和土壤采样
采样地点位于中国湖北省朝阳(30.36°N,112.69°E)的一个水稻田。该地区属于亚热带季风气候,年平均降水量在800至1100 mm之间。地形多样,包括平原、丘陵和山脉,形成了多种土壤类型,如黄棕土和红土。当地的水稻土主要来源于这些土壤类型,为研究土壤提供了代表性背景。
光谱模型的预测性能
实验室测量结果显示,这六个土壤样本中SOC的最小值和最大值分别为0.23%和1.94%。SOC含量随深度的增加而逐渐减少:0–10 cm为1.83%,10–20 cm为1.94%,20–30 cm为1.51%,30–40 cm为0.37%,40–60 cm和60–100 cm均为0.23%。
1总结了使用所有全球和本地多变量回归模型预测SOC含量的性能。三种基于距离匹配的模型得出了不同的结果
不同模型对SOC含量的预测准确性
HSI的可靠预测能力可能归因于其光谱活性,它能在离散的能量水平上吸收入射能量,并在NIR–SWIR区域展现出宽泛而微弱的吸收特征(Ben-Dor等,2009年)。虽然NIR–SWIR光谱学已被广泛用于快速SOC预测,但不同研究中光谱模型的准确性差异显著。影响光谱模型准确性的因素包括SOC与光谱特征之间的一致性等
结论
本研究结合GSSL和HSI技术,预测并绘制了整个土壤剖面(深度达1米)中的SOC。使用SS-CR方法从GSSL中选取代表性样本用于开发本地模型。同时,还开发了使用GSSL中所有样本的全球模型,并将其与本地模型进行了比较。然后,我们比较了三种光谱匹配方法(ED、MD和SAM)和两种建模算法(RF和Cubist),以确定最可靠的模型
CRediT作者贡献声明
周宇伟(Yuwei Zhou):撰写初稿、进行正式分析、数据整理。
邵莉(Shuo Li):撰写初稿、制定方法论、开展调查。
陈松超(Songchao Chen):撰写、审稿与编辑。
阿卜杜勒·穆内姆·穆阿赞(Abdul Mounem Mouazen):撰写、审稿与编辑、撰写初稿。
阿西姆·比斯瓦斯(Asim Biswas):撰写、审稿与编辑。
拉斐尔·维斯卡拉·罗塞尔(Raphael Viscarra Rossel):撰写、审稿与编辑。
周石(Zhou Shi):撰写、审稿与编辑。
纪文军(Wenjun Ji):撰写、审稿与编辑。
王山琴(Shanqin Wang):撰写、审稿与编辑、项目监督。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
作者感谢中国国家自然科学基金(编号:41601370、41471179、42201054、42471060)以及佛兰德斯(FWO)对Odysseus I SiTeMan项目的资助(编号:G0F9216N)。