土壤有機碳（SOC）含量預測已成為數字土壤制圖研究的熱點。SOC含量取決于植被、土壤類型、地形特征、氣候條件和人類活動等多因素的相互作用。我校李新國教授團隊選擇干旱區(qū)典型湖濱綠洲—博斯騰湖湖濱綠洲為研究區(qū)，針對有限樣本量的狀況，采用五種機器學習模型，應用于耕地、林地、未利用地的SOC含量的主要驅動變量的對比分析，構建基于不同土地利用類型的SOC含量預測模型，為推進干旱區(qū)湖濱綠洲土地高質量發(fā)展提供科學參考，為推動可持續(xù)利用與合理保護干旱區(qū)湖濱綠洲土壤有機碳提供理論依據。

近日，該研究成果“Prediction and Mapping of Soil Organic Carbon in the Bosten Lake Oasis Based on Sentinel-2 Data and Environmental Variable”發(fā)表于國際學術期刊International Soil and Water Conservation Research（中科院一區(qū)Top，IF=7.3），我校地理科學與旅游學院地圖學與地理信息系統(tǒng)碩士研究生李少天為該論文的第一作者，李新國教授為該論文的通訊作者，新疆大學副教授葛翔宇博士為該論文的第三作者。該研究成果得到新疆維吾爾自治區(qū)自然科學基金面上項目（2022D01A214）的資助。 

研究工作的流程示意圖

該研究利用五種不同的模型預測研究區(qū)的耕地、林地、未利用地的SOC含量。研究結果表明，采用RF模型具有最低的RMSE值（2.72）和最高的r2值（0.79），表現(xiàn)出最高的精度。在未利用地上，RF模型的表現(xiàn)優(yōu)于XGBoost模型；在耕地上，ET模型精度更高，RMSE值為6.66，r2值為0.82；在林地中，ET模型精度更高，RMSE值為7.72，r2值為0.86，優(yōu)于XGBoost模型的精度。 

五種不同模型的SOC含量的空間分布

研究結果表明，XGBoost和RF模型的SOC含量預測精度最高，研究區(qū)SOC含量變化的主要驅動變量為EVI、EVI2和SAVI，未利用地有機碳含量變化的主要驅動變量為SATVI，耕地和林地有機碳含量變化的主要驅動變量分別為DFI和CI。與AdaBoost、ET、SVM和XGBoost模型相比，RF模型在預測SOC含量方面表現(xiàn)出更好的效果。基于研究區(qū)的預測模型，區(qū)分不同土地利用類型的預測模型模擬精度更高。

李新國，教授，博士，我校地理科學與旅游學院地圖學與地理信息系統(tǒng)專業(yè)碩士生導師，先后主持國家自然科學基金項目、自治區(qū)自然科學基金項目、自治區(qū)高校本科教育教學研究和改革項目等項目；在國內外學術期刊發(fā)表論文50余篇；主要從事干旱區(qū)環(huán)境遙感、土壤高光譜變化等方面的教學研究工作。

葛翔宇，副教授，博士，2016年7月本科畢業(yè)于我校地理信息科學專業(yè)，現(xiàn)為新疆大學地理與遙感科學學院教師，地圖學與地理信息系統(tǒng)專業(yè)碩士生導師；主要從事土壤鹽漬化、農業(yè)遙感和資源遙感的研究。

圖文來源：地理科學與旅游學院    編審：宣傳部