東北地理所建立了具有高時(shí)空可遷移性的土壤有機(jī)碳含量預(yù)測模型
土壤有機(jī)碳（SOC）含量的量化是陸地生態(tài)系統(tǒng)長期監(jiān)測的關(guān)鍵環(huán)節(jié)。在過去的十年中，已經(jīng)提出了許多模型并取得了很好的SOC含量預(yù)測結(jié)果。然而，這些研究大多局限于特定的時(shí)間或空間背景，忽視了模型的時(shí)空可轉(zhuǎn)移性。時(shí)間、空間可轉(zhuǎn)移性分別指模型在不同時(shí)期、不同地理位置的預(yù)測能力。
為了解決上述問題，中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所農(nóng)業(yè)遙感學(xué)科組研究人員選擇了兩個(gè)大型洲際研究區(qū)，獲取了3個(gè)時(shí)期的表層土壤（0-20 cm）SOC含量數(shù)據(jù)、27059景無云Landsat 5/8圖像、數(shù)字高程模型和氣候數(shù)據(jù)。在此基礎(chǔ)上，計(jì)算了月平均氣候數(shù)據(jù)、反映土壤性質(zhì)的月平均數(shù)據(jù)和地形數(shù)據(jù)作為原始輸入（OI）變量。結(jié)合注意機(jī)制、圖神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)模型（A-GNN-LSTM）的優(yōu)勢，建立了具有高時(shí)空可轉(zhuǎn)移性的多元深度學(xué)習(xí)模型。此外，還比較了A-GNN-LSTM與常用預(yù)測模型的時(shí)空可轉(zhuǎn)移性。最后，探討了OI和經(jīng)過特征工程處理的變量（FEI）對SOC含量預(yù)測的能力。
結(jié)果表明：（1）以OI為輸入變量的A-GNN-LSTM是獲得了最高的預(yù)測精度，并且具有最高的時(shí)空可轉(zhuǎn)移性。（2）與其他的預(yù)測模型相比，A-GNN-LSTM在時(shí)間、空間可轉(zhuǎn)移性都是最高的。這些結(jié)果表明，通過融合GNN和LSTM模型提取的地理空間背景和時(shí)間依賴信息的融合，有效增強(qiáng)了模型的時(shí)空可轉(zhuǎn)移性。（3）通過引入注意機(jī)制，可以計(jì)算不同輸入變量的權(quán)重，提高深度學(xué)習(xí)模型的物理可解釋性。不同數(shù)據(jù)權(quán)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(xué)習(xí)模型需要OI，而線性和傳統(tǒng)機(jī)器學(xué)習(xí)模型需要FEI來達(dá)到更高的預(yù)測精度。該研究為整合多個(gè)深度學(xué)習(xí)模型構(gòu)建高時(shí)空可轉(zhuǎn)移性SOC預(yù)測模型邁出了重要的一步。
該研究發(fā)表在遙感領(lǐng)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(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFD1500100）、中國博士后基金博士后資助計(jì)劃項(xiàng)目（GZB20240737）共同資助。
圖1 利用A-GNN-LSTM模型進(jìn)行SOC含量預(yù)測流程
圖2 中國東北地區(qū)、美國中部的SOC含量制圖結(jié)果
附件下載：
吉公網(wǎng)安備22017302000214號
