東北地理所建立了具有高時空可遷移性的土壤有機碳含量預測模型
土壤有機碳（SOC）含量的量化是陸地生態系統長期監測的關鍵環節。在過去的十年中，已經提出了許多模型并取得了很好的SOC含量預測結果。然而，這些研究大多局限于特定的時間或空間背景，忽視了模型的時空可轉移性。時間、空間可轉移性分別指模型在不同時期、不同地理位置的預測能力。
為了解決上述問題，中國科學院東北地理與農業生態研究所農業遙感學科組研究人員選擇了兩個大型洲際研究區，獲取了3個時期的表層土壤（0-20 cm）SOC含量數據、27059景無云Landsat 5/8圖像、數字高程模型和氣候數據。在此基礎上，計算了月平均氣候數據、反映土壤性質的月平均數據和地形數據作為原始輸入（OI）變量。結合注意機制、圖神經網絡和長短期記憶網絡模型（A-GNN-LSTM）的優勢，建立了具有高時空可轉移性的多元深度學習模型。此外，還比較了A-GNN-LSTM與常用預測模型的時空可轉移性。最后，探討了OI和經過特征工程處理的變量（FEI）對SOC含量預測的能力。
結果表明：（1）以OI為輸入變量的A-GNN-LSTM是獲得了最高的預測精度，并且具有最高的時空可轉移性。（2）與其他的預測模型相比，A-GNN-LSTM在時間、空間可轉移性都是最高的。這些結果表明，通過融合GNN和LSTM模型提取的地理空間背景和時間依賴信息的融合，有效增強了模型的時空可轉移性。（3）通過引入注意機制，可以計算不同輸入變量的權重，提高深度學習模型的物理可解釋性。不同數據權重大小排序是氣候（39.55%）>土壤（20.52%）>地形（19.97%）>植被（19.96%）。（4）深度學習模型需要OI，而線性和傳統機器學習模型需要FEI來達到更高的預測精度。該研究為整合多個深度學習模型構建高時空可轉移性SOC預測模型邁出了重要的一步。
該研究發表在遙感領域國際頂級期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（影響因子10.60），由東北地理所特別研究助理孟祥添（第一作者）、劉煥軍研究員（通訊作者）共同完成。研究得到國家重點研發計劃項目（2021YFD1500100）、中國博士后基金博士后資助計劃項目（GZB20240737）共同資助。
圖1 利用A-GNN-LSTM模型進行SOC含量預測流程
圖2 中國東北地區、美國中部的SOC含量制圖結果
附件下載：
吉公網安備22017302000214號
