Spatial Modeling of Topsoil Total Carbon and Texture from Spectral Characteristics of Bare Soil Surface Images of Landsat 5/8 Using Machine Learning

本研究探讨了利用遥感数据检测裸露土壤表面（BSS）的可能性，并将该方法应用于表层土壤质地和总碳的建模。研究区包括位于斯塔夫罗波尔高地东北支脉的北高加索联邦农业研究中心内的农田。利用Landsat 5/8影像和光谱指数（NDVI、NBR2和BSI）对BSS进行分类。当BSI阈值>0.18时，实现了BSS与绿色植被及非光合植被的最优区分（F1分数=0.98）。通过比较五种回归模型（线性回归、K近邻、随机森林、极端梯度提升和Cubist）对表层土壤属性进行了空间建模。线性回归模型表现出最高的性能；关键预测变量包括SWIR2的均值和标准差。该模型对砂粒、粉粒、黏粒和总碳表现出较强的预测能力（调整R²分别为0.82、0.75、0.78和0.74）。表层土壤的黏粒含量范围为5%至30%，粉粒含量为15%至60%，砂粒含量为20%至80%，总碳含量为0.5%至3%。基于BSS生成的质地和总碳预测图揭示了显著的局部异质性，土壤由黑钙土和暗色始成土组成，受母岩变异性的影响。建模结果凸显了BSS光谱特征的高预测能力，即使仅作为数字土壤制图的单一预测变量使用亦然。