Cross-Regional Digital Soil Mapping of OpenLandMap-Derived USDA Soil Texture Classes Using Remote Sensing and Machine Learning
Umair Maqsood · Fatima Iftikhar · Kashif Sattar 等 5 人
用Landsat光谱与地形特征结合集成学习，实现马来西亚与巴基斯坦跨区域USDA土壤质地分类。
Landsat光谱波段、光谱指数与SRTM高程，RF/XGBoost/CatBo
RF精度最高71.45%，高程、BSI、NDWI、NDVI为关键预测因子，跨区域可行但精度受限。
可探索多源遥感融合与类别不平衡校正，提升跨气候区土壤质地制图精度与迁移能力。
跨区域遥感与集成学习土壤质地分类研究，方法扎实、结论有参考价值，但精度有限，属细分领域进展。
土壤是支撑粮食生产和可持续农业系统的基础环境资源。土壤质地是影响土壤持水能力、入渗速率、肥力、侵蚀风险和作物生产力的关键土壤属性。传统上，土壤质地采用比重计法或吸管法测定。这些实验室方法成本高、耗时长，通常需要约两个工作日，限制了其在大规模评估中的实用性。本文提出了一种基于遥感数据和机器学习的跨区域数字土壤质地分类系统，研究区域为马来西亚和巴基斯坦。选择这两个国家是因为它们代表了截然不同的环境条件：马来西亚属于湿润热带条件，巴基斯坦属于干旱和半干旱条件。以OpenLandMap提供的美国农业部（USDA）土壤质地类别作为参考标签，以Landsat光谱波段、光谱指数和航天飞机雷达地形测绘任务（SRTM）高程数据作为预测变量。评估了三种集成模型，包括随机森林（RF）、XGBoost和CatBoost，用于USDA土壤质地的多类分类。基于Landsat的马来西亚—巴基斯坦主数据集取得了最佳结果，RF达到最高精度71.45%，XGBoost为71.31%，CatBoost为67.33%。使用2025年Landsat 8/9和Sentinel-2影像的额外实验分别取得了较低的精度，为63.00%和56.10%，而五折空间块交叉验证产生的平均精度为59.27 ± 1.84%。为增强数据集可靠性，使用PCRWR砂—粉—黏粒比例绘制在USDA土壤质地三角图上，并结合独立的马来西亚土壤资源参考资料，对具有代表性的OpenLandMap衍生土壤质地类别进行了外部验证。特征重要性分析结果表明，高程、裸土指数（BSI）、归一化差异水体指数（NDWI）和归一化差异植被指数（NDVI）是分类OpenLandMap衍生USDA土壤质地类别的重要预测因子。这些结果表明，基于Landsat的光谱和地形特征与集成学习结合使用时，可辅助USDA的跨区域土壤质地分类。然而，类别不平衡、土壤质地类别之间的光谱重叠、时间变异性以及卫星预测因子与s之间的分辨率不匹配