在欧洲 (2000-2022年) 使用地球观测和机器学习进行土壤有机碳密度的时空预测
Xuemeng Tian1,2, Sytze de Bruin2, Rolf Simoes1
1OpenGeoHub, Doorwerth, Netherlands.
PeerJ
|July 18, 2025
概括
这项研究开发了一个框架,利用先进的建模技术在欧洲绘制土壤有机碳密度图. 由此产生的地图为土壤碳分布和不确定性提供了宝贵的见解,有助于环境研究.
科学领域:
- 环境科学 环境科学
- 土壤科学 土壤科学
- 地理空间分析是什么
背景情况:
- 土壤有机碳密度 (SOCD) 是土壤健康和生态系统功能的一个关键指标.
- 准确的SOCD建模和绘图对于环境监测和管理至关重要.
- 现有的方法往往缺乏全面评估所需的时间空间分辨率和不确定性量化.
研究的目的:
- 开发和验证一个全面的框架来建模和绘制整个欧盟的土壤有机碳密度 (SOCD).
- 制作高分辨率 (30米) 的SOCD地图,每十年间隔,用于各种土壤深度.
- 提供每个像素的不确定性估计,并评估不同土地覆盖类型和土壤深度的预测准确性.
主要方法:
- 使用时空随机森林 (RF) 和量子力回归森林 (QRF) 进行SOCD建模.
- 整合了45,616个SOCD观测与多种地球观测 (EO) 功能层.
- 在四个土壤深度间隔 (0-20厘米,20-50厘米,50-100厘米,100-200厘米) 中为2000-2022年生成了30米分辨率的地图.
主要成果:
- 在独立测试中获得了良好的整体模型准确性 (R2 = 0.63,CCC = 0.76).
- 确定土壤深度是最有影响力的特征,其次是植被,生物气候和地形.
- 根据土地覆盖面和土壤深度量化预测准确度的变化,注意灌木和深层土壤的准确度较低.
结论:
- 开发的框架为欧洲的SOCD绘图和不确定性估计提供了可靠的基准.
- 空间聚合显著降低了不确定性,尽管像素级不确定性仍然很大.
- 地图最适合用于耕地,草地和林地应用,强调用户需要考虑不确定性和当地知识.
