《CATENA》:The Brazilian soil total available water (TAW) acquired by remote sensing and machine learning techniques
编辑推荐:
莱蒂西亚·瓜达尼宁·沃格尔|费利佩·阿尔坎塔拉·德·奥利维拉·梅洛|若泽·亚历山大·梅洛·德马特|基里恩·德容·范·利尔|豪尔赫·塔德乌·芬姆·罗萨斯|莱昂纳多·因福尔萨托|梅里琳·泰纳拉·阿科西·阿莫林|尼古拉斯·奥古斯托·罗辛|米歇尔·杜阿尔特·德·梅内塞斯|马塞洛·恩里克·
莱蒂西亚·瓜达尼宁·沃格尔|费利佩·阿尔坎塔拉·德·奥利维拉·梅洛|若泽·亚历山大·梅洛·德马特|基里恩·德容·范·利尔|豪尔赫·塔德乌·芬姆·罗萨斯|莱昂纳多·因福尔萨托|梅里琳·泰纳拉·阿科西·阿莫林|尼古拉斯·奥古斯托·罗辛|米歇尔·杜阿尔特·德·梅内塞斯|马塞洛·恩里克·普罗科皮奥·佩莱格里诺|达尼洛·塞萨尔·德·梅洛|雷南·法尔西奥尼
- •
在巴西全国范围内,TAW预测的准确率达到了66%。
- •
土壤质地、土地利用和生物群落的变化导致了TAW最大的变化幅度(99–182毫米/立方米)。
- •
在采样较为完善的地区,TAW的不确定性最低(10毫米/立方米)。
引言
巴西的农业生产是国际市场上商品的重要供应来源,运用研究和技术对于提高产量、降低成本以及保护自然资源,尤其是水资源而言至关重要(Camargo等人,2017;Calil和Ribera,2019)。巴西境内有41%的土地用于农业种植(3.51亿公顷)(Teixeira,2019)。在过去的三十年里,为满足不断增长的全球需求,农业和养牛业的发展面积增加了7100万公顷(Souza Jr等人,2020)。为了满足这些需求,需要提高作物产量,而这又进一步加剧了对水文和生物地球化学循环的环境压力,尤其是通过森林砍伐、化学物质排放以及土地退化等方式(Webb等人,2017;Zhang等人,2018;Lawrence和Vandecar,2015)。
虽然扩大农业种植面积十分重要,但它也会增加灌溉及相关活动的水资源消耗,这就凸显出可持续资源管理的重要性(Howell,2001;Pimentel等人,1997;Pereira,2017)。目前,巴西的农业用水量占总用水量的半数以上,其中40%用于灌溉。土壤能够吸附和过滤水分,并与地下水位相互关联(Pennock等人,2014),而植物生长所需的水分也取决于土壤状况。土壤的物理性质决定了水分的入渗过程(Cleophas等人,2022;Assouline,2013),进而影响水分是形成径流还是被土壤吸收。
土壤中可供植物利用的总水量(TAW)是指储存在土壤孔隙中且植物能够吸收的那部分水量(de Jong van Lier等人,2023)。TAW通常定义为介于两个临界含水量水平——田间持水量(FC)和永久萎蔫点(PWP)之间的土壤中所含水量(Cassel和Nielsen,1986;Ratliff等人,1983)。田间持水量是指在排水速率降至可忽略水平后土壤仍能保留的水量(Veihmeyer和Hendrickson,1931)。永久萎蔫点则是指土壤含水量低到植物无法存活数小时就会因永久性萎蔫而死亡的水平(Veihmeyer和Hendrickson,1928;Brady和Weil,2013)。
要合理运用土地利用和管理措施并保持土壤功能,就需要考虑TAW的空间变异性(Western等人,2001;Western等人,2004)。由于TAW受多种土壤因素的影响,如土壤质地、结构、土壤有机质含量、容重、阳离子交换容量、土壤深度、排水状况以及孔隙度等,因此仅凭现有的土壤信息很难绘制出TAW的空间变异图(Western等人,2003;Ceddia等人,2009)。
目前已有大量关于预测和确定TAW空间分布的方法的研究,这些方法结合了科学的土壤采样、遥感与近地感测技术、土壤传递函数以及机器学习算法(Sayde等人,2014;Gooley等人,2014;Zhou等人,2024)。Lavarenne和Leroux(2024)将历史土壤数据与水文模型相结合,用于预测塞内加尔的土壤可用水量,结果发现该国不同地区的可用水量差异很大。Zhou等人(2024)则将地面穿透雷达技术与随机介质模型结合,用来描述TAW的异质性,其相对误差仅为7.39%,并且发现免耕区域与深翻区域的TAW差异显著。Lee等人(2024)将高光谱无人机数据与土壤样本相结合来预测TAW,得到的R2值为0.872。Zhu等人(2023)测试了多种数据集,包括实地土壤数据、神经网络以及MODIS卫星提供的气候数据,他们认为将遥感数据与实地数据相结合可以构建更可靠的TAW模型,该模型的R2值为0.69。
数字土壤制图(DSM)似乎是一种能够生成精确的大规模TAW地图的有效工具。通过将历史土壤数据、隐性知识以及相关的环境变量整合到定量模型中,DSM能够实现对TAW的空间和时间特征分析,从而减少土壤属性测绘所需的时间和成本(Lagacherie等人,2006;McBratney等人,2003)。据我们所知,巴西目前还缺乏高空间分辨率的DSM地图,用以了解不同土壤类型、生物群落、土地利用方式及土地覆盖下的TAW整体情况(Teixeira等人,2021)。Mello等人(2023)在巴西面积为863,577.9平方公里的区域进行了土壤采样和遥感分析,以确定该地区的湿土类型,这体现了DSM技术在土壤水分研究中的潜力。Gómez等人(2023)在巴西圣保罗州的一个区域内开发了一种计算土壤可用水量的方法,取得了不错的效果,这些成果有望为农民提供帮助,并为相关公共政策的制定提供依据,该方法的R2值为0.72。
由于TAW受多种土壤与环境因素的影响,且存在垂直和水平的各向异性,因此DSM面临着如何开发出可互操作的建模流程的挑战,这样的流程既要能够实现自动化建模,又要确保模型的准确性和适用性。为了丰富现有相关知识,将其应用于支持农业生产和可持续农业管理实践,以及为土地保护政策的制定提供依据,本研究的目标为:(i)开发一种用于空间预测TAW的方法,并将其应用于巴西全国范围;(ii)分析巴西不同生物群落、土壤质地类别、土地利用类型及土地覆盖下的TAW变化情况。我们假设可用水量与光谱反射率之间存在密切关联,因此可以利用多光谱卫星数据来绘制巴西全国范围内的土壤可用水量分布图。
章节要点
研究区域
巴西的国土面积约为8,515,759平方公里(见图1)。巴西境内环境极为多样,气候类型也多种多样(根据Alvares等人2013年的研究,可分为三大K?ppen气候带:A型——热带气候,B型——干旱气候,C型——湿润亚热带气候),土壤母质受不同的地质背景影响,还存在未固结的沉积物,同时地形也有很大差异。这些形成土壤的因素也会影响
环境协变量
研究结果表明,在建模过程中,与土壤光谱特征相关的协变量具有最高的相对重要性(见图3a)。其中,从SWIR2波段得出的SySVI值被认定为预测TAW的最重要指标,其次是海拔高度。在反映植被光谱特征的变量中,改良后的近红外(mNIR)波段最为重要,其重要性数值为0.22(见图3a)。相比之下,其他光谱波段则
土壤含水量
土壤-植物-大气系统是一个复杂的动态系统,其中土壤水的可用性在调节植物吸水方面起着关键作用,这一过程受到根系结构、土壤水力特性以及大气条件的影响(de Jong van Lier等人,2015)。要准确掌握田间持水量、永久萎蔫点以及TAW的值,对于理解这一系统至关重要。不过,直接在野外测量这些参数需要专业的设备、大量的时间,还要有良好的
结论
模型性能指标(R2值为0.66)表明,土壤光谱信息与TAW之间存在关联,这一结果证实了遥感数据在国家级尺度上表示和预测土壤水分可用性方面的潜力。SWIR波段和海拔高度被证明是最重要的预测因子,这显示出地形特征与光谱特性在调控土壤水分保持能力方面的协同作用。
本研究生成的的高分辨率(30米)TAW地图
生成式AI使用声明
在撰写本文的过程中,作者们使用了GPT 5.0(一种由生成式AI辅助的语言模型)来重新表述和翻译自己撰写的文本,以提高文章的可读性。作者们对内容进行了必要的审阅和修改,并对使用该工具后的文章内容承担全部责任。
CRediT作者贡献说明
莱蒂西亚·瓜达尼宁·沃格尔:写作——初稿撰写,可视化,软件应用,方法设计,正式分析,数据整理,概念构思。费利佩·阿尔坎塔拉·德·奥利维拉·梅洛:写作——审稿与编辑,可视化,正式分析,数据整理,概念构思。若泽·亚历山大·梅洛·德马特:写作——审稿与编辑,可视化,监督工作,资源协调,项目管理,方法设计,数据整理,概念构思。基里恩·德容·范·利尔:写作——审稿与编辑,
伦理声明
不适用:本手稿不涉及任何人类或动物实验研究。
利益冲突声明
作者声明,他们不存在任何已知的可能会影响本文研究结果的财务利益关系或个人关系。
致谢
本研究得到了圣保罗州研究支持基金会(FAPESP)的支持,相关项目编号为2014-22262-0、2021-05129-8,同时还得到了高等教育人员发展协调机构(CAPES)的支持,项目编号为88887.823854/2023-00。本材料中所表达的所有观点、研究发现、结论或建议均为作者个人观点,并不一定代表FAPESP或CAPES的立场。F.A.O. Mello感谢RCGI——研究中心给予的支持