Где прячется гумус? Картографирование черноземов из космоса

Точное прогнозирование содержания органического вещества в почве (ОВП) важно для устойчивого ведения сельского хозяйства и эффективного управления почвенными ресурсами. Эта задача является особенно сложной из-за изменчивости факторов, влияющих на распределение ОВП на различных типах сельскохозяйственных угодий, а также из-за специфической реакции ОВП на данные дистанционного зондирования и экологические ковариаты в зависимости от местоположения. Это особенно актуально для региона черноземов северо-восточного Китая, где содержание ОВП демонстрирует значительную пространственную изменчивость.

В данном исследовании оценивались вариации значимости различных данных дистанционного зондирования и экологических ковариат в разных зонах сельскохозяйственных угодий. Всего было отобрано 180 почвенных образцов (с глубины 0–20 см) в уезде Юи провинции Хэйлунцзян, Китай, и получены многолетние синтезированные изображения обнаженной почвы за 2014–2022 годы (с акцентом на апрель и май) с использованием платформы Google Earth Engine. На основе комбинации трех типов экологических ковариат (дренаж, климат и топография) район исследования был разделен на суходольные поля и рисовые поля (пашни). Затем была построена модель прогнозирования содержания ОВП с использованием метода случайного леса, и точность различных стратегий была оценена с помощью 10-кратной перекрестной проверки. Результаты показали, что: (1) в общем регрессионном анализе комбинация переменных дренажа и климата с многолетними синтезированными изображениями дистанционного зондирования за май позволила достичь наивысшей точности прогнозирования, при этом важность экологических ковариат ранжировалась следующим образом: дистанционное зондирование > климат > дренаж > топография. (2) Зональный регрессионный анализ был выполнен с высокой степенью точности, о чем свидетельствует R² 0,72 и исключительно низкая среднеквадратическая ошибка (RMSE) 0,73%. Временное окно для дистанционного мониторинга ОВП различалось для суходольных и рисовых полей. Более конкретно, оптимальные временные промежутки для прогнозирования содержания ОВП на суходольных полях были определены как апрель и май, в то время как для рисовых полей они были сосредоточены в мае. (3) Кроме того, наблюдалось, что важность различных экологических ковариат меняется в зависимости от типа сельскохозяйственных угодий. В регионах со сложной топографией, таких как суходольные поля, вклад данных дистанционного зондирования и климатических переменных приобретал повышенное значение. И наоборот, на рисовых полях с равнинным рельефом роли климатических и дренажных переменных играли более существенную роль в влиянии на результаты. Полученные результаты подчеркивают важность выбора соответствующих экологических входных данных для повышения точности прогнозирования содержания органического вещества почвы.

Содержание органического вещества в почве (СОВ), представляющего собой богатый углеродом органический материал, играет жизненно важную роль в поддержании плодородия почв, хранении углерода и регулировании глобального углеродного цикла [1]. Будучи неотъемлемым компонентом почвенного углеродного пула, даже небольшие изменения в содержании СОВ могут привести к значительным сдвигам в концентрации CO2 в атмосфере, влияя тем самым на климатическую динамику [2,3]. В сельскохозяйственных системах, особенно в регионах с интенсивным землепользованием, СОВ служит ключевым индикатором здоровья и продуктивности почвы. Это особенно справедливо для черноземов — ценного почвенного ресурса на северо-востоке Китая, где содержание СОВ напрямую отражает плодородие почвы и сельскохозяйственный потенциал [4,5]. Однако за последние несколько десятилетий регион черноземов северо-восточного Китая подвергся существенной деградации из-за чрезмерной эксплуатации и неустойчивых методов ведения сельского хозяйства [6,7]. Они включают интенсивную вспашку, неправильное внесение удобрений и недостаточные меры по защите почв, что привело к значительному истощению запасов СОВ и других необходимых питательных веществ [8,9]. В результате деградация почв стала все более острой проблемой, угрожая как долгосрочной устойчивости сельского хозяйства, так и экологическому балансу региона. Следовательно, точное прогнозирование содержания СОВ в черноземном регионе важно для содействия устойчивому развитию сельского хозяйства, оценки потенциала секвестрации углерода в почвах и прогнозирования глобального изменения климата.

За последние три десятилетия, благодаря непрерывному развитию технологий сбора экологических данных и моделей машинного обучения, цифровое картографирование почв (ЦКП) постепенно стало эффективным и точным методом составления почвенных карт [10]. Благодаря эффективному процессу картографирования и точному пространственному прогнозированию, ЦКП постепенно вытеснило традиционные методы почвенных обследований, став важным средством получения информации о почвах [11,12,13]. Основной принцип ЦКП заключается в построении прогностических моделей на основе взаимосвязи между данными почвенных образцов и экологическими ковариатами, что позволяет прогнозировать пространственное распределение свойств почвы на обширных территориях [14]. Несмотря на свои преимущества, цифровое картографирование почвенных свойств, особенно содержания СОВ с высоким разрешением, представляет многочисленные проблемы. Одним из основных препятствий является пространственная неоднородность почв, которая значительно варьируется на больших площадях. Точное отражение пространственной изменчивости свойств почвы, таких как СОВ, остается сложной задачей, особенно в регионах со сложными экологическими условиями и структурами землепользования [15]. Для решения этих проблем в рамках методов ЦКП широкое распространение получил метод кокригинга. Этот геостатистический подход делает прогнозы путем моделирования пространственной автокорреляции между свойствами почвы [16]. Кокригинг — это типичный геостатистический метод, который может эффективно охарактеризовать пространственное распределение свойств почвы; однако этот метод предъявляет высокие требования к распределению и качеству данных и должен удовлетворять определенным статистическим допущениям [17]. Таким образом, хотя метод кокригинга показал свою эффективность во многих ситуациях, требования к количеству и качеству почвенных образцов значительно возрастают при столкновении с областями высокой пространственной неоднородности, особенно на крупномасштабных территориях исследования, что может привести к неопределенности результатов прогнозирования.

Для преодоления ограничений традиционных методов отбора почвенных проб технологии дистанционного зондирования все чаще становятся важным инструментом в прогнозировании и картографировании свойств почвы [18]. Дистанционное зондирование предоставляет обширные данные о динамике земной поверхности, эффективно восполняя пространственные и временные пробелы традиционного сбора почвенных образцов, особенно на больших и труднодоступных территориях. Одним из ключевых преимуществ дистанционного зондирования является его способность обеспечивать высокое пространственное разрешение, что помогает улавливать пространственную неоднородность свойств почвы в различных ландшафтах [19]. В процессе прогнозирования технология дистанционного зондирования может выявить динамические изменения СОВ с помощью многолетних синтезированных изображений. Отражательная способность в диапазоне видимого света обычно коррелирует с ростом наземной растительности и содержанием органического вещества на поверхности почвы [20]. Исследования показали, что почвы с более высоким содержанием СОВ, как правило, демонстрируют более низкую отражательную способность в видимых диапазонах (например, красном и зеленом), поскольку органическое вещество поглощает больше световой энергии [21]. Эта взаимосвязь позволяет данным дистанционного зондирования косвенно оценивать уровни СОВ на основе характера отражения поверхности. Кроме того, долгосрочные многолетние данные, предоставляемые спутниками Landsat, помогают улавливать пространственную неоднородность содержания органического вещества почвы с учетом сезонных колебаний и в различных экологических условиях, что обеспечивает более мощную поддержку данных для точного прогнозирования СОВ [22,23]. Ван и Чжан [24] объединили данные оптического и радарного дистанционного зондирования для прогнозирования содержания почвенного органического углерода (ПОУ) и картографирования его пространственного распределения.

На пространственное распределение СОВ влияет сложное взаимодействие экологических факторов, включая климат, топографию, свойства почвы и растительный покров. Таким образом, использование данных дистанционного зондирования в сочетании с экологическими ковариатами стало эффективным инструментом для прогнозирования СОВ [25]. С ростом доступности географической информации, появление высокоразрешающих данных о климате, рельефе и типах почв также расширило возможности их использования для оценки содержания СОВ [2]. Цзинь и Се [26] улучшили прогнозирование содержания СОВ на суходольных полях, используя для моделирования топографические и спектральные переменные. В то время как топографические и климатические переменные обычно используются в картографировании СОВ, гидрологические факторы, такие как дренаж, часто упускаются из виду, несмотря на их значительное влияние на почвообразование и динамику органического вещества. Эти процессы играют ключевую роль в накоплении и перераспределении СОВ, особенно в регионах с переменным режимом увлажнения. Более того, методы зональной регрессии, как было показано, улучшают точность прогнозирования СОВ, учитывая региональные различия в экологических условиях [14]. Однако влияние различных экологических ковариат на распределение СОВ может существенно различаться в зависимости от типа землепользования, такого как суходольные поля, рисовые поля и леса. Таким образом, оценка роли различных ковариат в специфических зонах землепользования имеет ключевое значение для уточнения картографирования СОВ и повышения точности прогнозов [27,28].

Традиционные модели линейной регрессии (такие как множественная линейная регрессия, МЛР) были широко распространены в исследованиях по прогнозированию СОВ; однако ограничение этих моделей заключается в том, что они игнорируют пространственную автокорреляцию между почвенными атрибутами. Пространственная автокорреляция относится к тенденции, при которой значения переменной схожи в близлежащих местоположениях, что является общей характеристикой свойств почвы [29]. Чтобы преодолеть эту проблему, Брансдон и Фотерингем [30] предложили географически взвешенную регрессию (ГВР) — метод локальной регрессии, который эффективно учитывает пространственную автокорреляцию путем применения отдельных регрессионных моделей к разным местоположениям в пределах исследуемой области. Этот метод позволяет более точно отразить пространственно варьирующие взаимосвязи между свойствами почвы и экологическими ковариатами. Основываясь на успехе ГВР, дальнейшие исследования привели к разработке многомасштабной географически взвешенной регрессии (МГВР), которая учитывает пространственную изменчивость на нескольких масштабах [31]. Включая несколько пространственных масштабов, МГВР расширяет возможности моделирования сложных паттернов взаимодействия почвы и окружающей среды, что ведет к улучшению прогнозов СОВ и других свойств почвы. В последнее время, благодаря своим мощным возможностям нелинейного моделирования и высокой стабильности, модели машинного обучения на основе деревьев решений, такие как Случайный лес (RF) и Градиентный бустинг (GBDT), могут эффективно работать со сложными взаимосвязями в системе "почва-окружающая среда", уменьшать переобучение и предоставлять высокоточные результаты прогнозирования [32,33].

Это исследование объединяет данные дистанционного зондирования с множественными экологическими ковариатами, чтобы предложить новый метод прогнозирования СОВ, основанный на различиях между типами сельскохозяйственных угодий (суходольные и рисовые поля). Этот подход восполняет критический пробел в понимании пространственной изменчивости СОВ на разных типах пахотных земель, аспект, который был упущен из виду в существующих исследованиях. Центральная гипотеза этого исследования заключается в том, что на пространственно-временное распределение СОВ влияют как тип пахотных угодий, так и связанные с ними экологические ковариаты, причем разделение по типам угодий ведет к более точным прогнозам СОВ по сравнению с использованием общей, неразделенной модели. По сравнению с традиционными методами, в данном исследовании были применены алгоритмы машинного обучения для высокоточного прогнозирования регионов, которые обладают более сильными возможностями нелинейного моделирования и широким потенциалом для международного применения. Основные цели этого исследования включали: (1) оценку временного окна для прогнозирования СОВ в регионах с различными типами пахотных угодий; (2) оценку степени влияния различных экологических ковариат в разных зонах, выделенных по типам пахотных угодий; и (3) сравнение эффективности модели прогнозирования, основанной на разделении по типам пахотных угодий, с общей моделью в повышении прогностической способности для содержания СОВ.

2.1. Район исследования

Уезд Юи расположен в городском округе Шуанъяшань провинции Хэйлунцзян, Китай, между 46°28′14′′–46°59′38′′ северной широты и 131°27′50′′–132°15′ восточной долготы (Рисунок 1) [34]. Занимая площадь приблизительно 1696 км², он находится в сердце рисовых полей бассейнов рек Хэйлунцзян (Амур), Сунгари и Уссури [6,35]. Юго-западный регион представляет собой низкие холмистые предгорья, в то время как центральный регион характеризуется обширными холмистыми равнинами с изолированными холмами и блюдцеобразными понижениями. Восточные и северные регионы в основном заняты рисовыми полями и водно-болотными угодьями [36]. В этом районе господствует умеренно-континентальный муссонный климат со среднегодовой температурой 3,1°C и среднегодовым количеством осадков 514 мм. Согласно Мировой реферативной базе почвенных ресурсов (WRB), основными типами почв в регионе являются черноземы (Chernozem), феоземы (Phaeozem) и подзолы (Podzol) [37]. Большая часть территории возделана, с соотношением суходольных и рисовых полей приблизительно 2:1, а также лесными массивами на юге и востоке.

Рисунок 1. Район исследования и точки отбора почвенных проб: (a) географическое положение; (b) местоположение проб и высота над уровнем моря; (c) типы землепользования; (d) реальные фотографии обнаженной почвы в апреле; (e) реальные фотографии обнаженной почвы в мае.

2.2. Данные почвенных проб

В апреле 2021 года мы собрали 180 почвенных образцов (0–20 см) в районе исследования, включая 74 образца с рисовых полей и 106 образцов с суходольных полей (Таблица S1). Чтобы обеспечить репрезентативность отбора проб и точность данных, в пределах каждой единицы отбора мы случайным образом выбирали места отбора вокруг четырех углов и в центральной точке для смешивания собранных почвенных образцов с целью формирования смешанного образца. Точное местоположение и высота каждой точки отбора были определены с помощью портативной системы глобального позиционирования (GPS), чтобы гарантировать точную запись географической информации образца. Собранные почвенные образцы были тщательно запечатаны в тканевые мешки и быстро доставлены в лабораторию для последующей обработки. В лаборатории мы сначала высушили почвенные образцы на воздухе для обеспечения полного испарения воды. Затем образцы были измельчены до однородного мелкого порошка с использованием мельницы и просеяны через сито 2,0 мм для удаления крупных частиц [38]. Наконец, содержание СОВ в 180 почвенных образцах было определено объемным методом с использованием бихромата калия [39].

2.3. Получение и обработка изображений дистанционного зондирования

Данные поверхностной отражательной способности (SR) со спутника Landsat-8 за период с апреля 2014 года по октябрь 2022 года были получены для района исследования с использованием платформы Google Earth Engine (GEE). Семь спектральных каналов изображения Landsat-8, использованные в этом исследовании: прибрежный/аэрозольный (B1, 0.43–0.45 μm), синий (B2, 0.45–0.51 μm), зеленый (B3, 0.53–0.59 μm), красный (B4, 0.64–0.67 μm), ближний инфракрасный (NIR) (B5, 0.85–0.88 μm), коротковолновый инфракрасный 1 (SWIR1) (B6, 1.57–1.65 μm) и коротковолновый инфракрасный 2 (SWIR2) (B7, 2.11–2.29 μm). С начала апреля до середины мая в районе исследования было меньше сельскохозяйственных культур, растительных остатков и снежного покрова. Для поддержания согласованности данных мы отобрали все изображения за апрель и май в пределах района исследования с 2014 по 2022 год и синтезировали данные дистанционного зондирования с помощью облачной платформы GEE [40,41]. В результате были получены два периода многолетних синтезированных изображений: за апрель и за май.

2.4. Экологические ковариаты

2.4.1. Данные о дренаже

Данные о дренаже, использованные в этом исследовании, включали плотность дренажной сети (DD) и частоту дренажной сети (DF), которые были рассчитаны с использованием цифровой модели рельефа (DEM). В частности, DD и DF представляют собой гидрологические характеристики, извлеченные из данных DEM с помощью инструмента Line Density в ESRI ArcGIS 10.6 с пространственным разрешением 30 м (Таблица 1). DD относится к протяженности дренажной сети в пределах единицы площади и отражает влияние гидрологических условий на отток почвенной влаги. DF, с другой стороны, указывает на частоту встречаемости дренажных путей в пределах единицы площади; вместе они влияют на накопление и потерю почвенной влаги и, следовательно, на распределение и изменчивость СОВ [42]. Формулы следующие:

где DD — плотность дренажа; L — общая длина водотоков (км); A — площадь вокруг водотока (км²).

где DF — частота дренажа; N — количество водотоков; A — площадь вокруг водотоков (км²).

Таблица 1. Детальная информация об экологических ковариатах и данных дистанционного зондирования, использованных в качестве предикторов для СОВ.

2.4.2. Климатические данные

Данные о годовом количестве осадков, среднегодовой температуре и типе землепользования, использованные в исследовании, были получены из Центра данных по ресурсам и наукам об окружающей среде Китайской академии наук "https://www.resdc.cn/ (доступ 15 января 2024 г.)" с пространственным разрешением 1000 м. Для улучшения пространственной детализации и точности этих наборов данных для района исследования и пахотных земель, исходные данные с разрешением 1000 м были обрезаны с использованием ArcGIS. Затем данные были интерполированы в растровую карту с разрешением 30 м с помощью обычного кригинга. Обычный кригинг — это геостатистический метод интерполяции, который моделирует пространственную автокорреляцию между известными точками данных для оценки значений в неизвестных местоположениях. Этот метод обеспечивает более надежное и научно обоснованное пространственное распределение, учитывая лежащую в основе пространственную структуру [47]. Хотя интерполяция данных с более низкого разрешения (1000 м) до более высокого (30 м) может внести некоторую неопределенность, этот метод широко используется в экологических исследованиях для преобразования грубых данных в карты более детального масштаба [18,48].

2.4.3. Топографические данные

В этом исследовании использовалась DEM, полученная в результате топографической миссии шаттла (SRTM) с пространственным разрешением 30 м. DEM была предварительно обработана с использованием ArcGIS путем заполнения понижений, сращивания и маскирования в соответствии с границами района исследования и пахотных земель. Площадь водосбора (CA), профильная кривизна (PC), общая кривизна (GC), уклон (SL), индекс пересеченности рельефа (TRI), топографический индекс влажности (TWI), глубина долины (VD) и векторная шероховатость рельефа (VTR) были определены с использованием функции Terrain Analysis в SAGA GIS 7.9 на основе DEM.

2.5. Модель Случайного леса

Модель Случайного леса (Random Forest, RF) — это алгоритм машинного обучения, разработанный Брейманом [49], который использует ансамбль деревьев решений для составления прогнозов. Каждое дерево решений в лесу строится с использованием случайно выбранного подмножества вспомогательных переменных, что помогает уменьшить переобучение и повысить точность прогнозирования [50]. RF генерирует новый набор обучающих выборок с помощью алгоритма бутстрепа, который включает повторную случайную выборку k образцов из исходного обучающего набора N по схеме "с возвращением". На основе этого набора образцов модель строит n деревьев решений, формируя случайный лес [51]. В этом исследовании используется пакет randomForest в среде программирования R для реализации прогнозирования СОВ. В функции randomForest () алгоритма Случайного леса есть два очень важных параметра, которые, в свою очередь, будут влиять на точность модели: mtry и ntree. Выбор mtry обычно осуществляется перебором до нахождения более оптимального значения, а выбор ntree можно приблизительно определить графически, когда ошибка внутри модели стабилизируется. В этом исследовании ntree было установлено на 500, а mtry — на 1/3 от количества входных переменных, при таких значениях ошибки внутри модели стабильны.

2.6. Общая структура метода

В этом исследовании, объединяя информацию спектральных каналов изображений дистанционного зондирования с экологическими ковариатами (включая данные о рельефе, дренаже и климате), общая регрессионная модель и зональная регрессионная модель, основанная на различиях в типах пахотных угодий, были использованы для успешного создания карты пространственного распределения СОВ в уезде Юи. С точки зрения оценки производительности модели, это исследование сравнило эффективность двух регрессионных моделей в прогнозировании содержания СОВ и проанализировало их точность прогнозирования. Кроме того, в этом исследовании были изучены различия в роли экологических ковариат в разных типах пахотных угодий (например, на рисовых и суходольных полях) и оценено их влияние на прогнозирование СОВ. Чтобы лучше продемонстрировать процесс исследования, также предоставлена подробная блок-схема (см. Рисунок 2).

Рисунок 2. Базовая методологическая структура данного исследования.

2.6.1. Общая регрессия

Чтобы оценить эффективность экологических ковариат и изображений дистанционного зондирования в прогнозировании содержания СОВ, мы использовали многолетние синтезированные изображения обнаженной почвы, данные о дренаже, климатические данные и топографические данные в качестве входных переменных, причем последние три рассматривались как экологические ковариаты (Рисунок 2). Для проверки прогностической способности модели мы применили широко используемый метод 10-кратной перекрестной проверки. В частности, 180 почвенных образцов были случайным образом разделены на 10 подмножеств. Для каждой итерации 90% образцов (т.е. 162 образца) использовались в качестве обучающего набора, в то время как оставшиеся 10% (т.е. 18 образцов) использовались в качестве тестового набора для оценки эффективности прогнозирования модели. Решение использовать 90% образцов для обучения и 10% для проверки основано на стандартной практике в машинном обучении, где большая часть данных обычно выделяется для обучения, чтобы модель могла более эффективно обучаться на доступных данных [52]. Оставшиеся 10% резервируются для проверки, чтобы оценить способность модели обобщать на невиданные данные. Эта пропорция обычно используется, так как обеспечивает хороший баланс между достаточным объемом данных для обучения и значимым тестовым набором для оценки точности прогнозов модели. Кроме того, в процессе каждой перекрестной проверки одно подмножество использовалось в качестве тестового набора, в то время как другие подмножества служили обучающим набором, что гарантирует использование каждого образца как для обучения, так и для проверки. Такой ротационный подход помогает улучшить стабильность и надежность результатов оценки.

2.6.2. Зональная регрессия

Чтобы оценить эффективность прогнозирования содержания СОВ на основе экологических ковариат и данных дистанционного зондирования в районах с разными типами пахотных угодий, район исследования был разделен на две подобласти: суходольные поля и рисовые поля. Моделирование выполнялось отдельно для каждого региона. Используя метод 10-кратной перекрестной проверки, 90% из 74 точек проб в зоне рисовых полей использовались в качестве обучающего набора (67 обучающих образцов), а оставшиеся 10% (7 тестовых образцов) — в качестве тестового набора. Аналогично, для 106 точек проб в зоне суходольных полей 90% (95 обучающих образцов) использовались для обучения, а 10% (11 тестовых образцов) — для проверки. Такое разделение позволило нам оценить влияние различных комбинаций экологических ковариат и данных дистанционного зондирования на точность прогнозирования СОВ отдельно для каждого региона и рассчитать соответствующие показатели оценки как для зоны рисовых, так и для зоны суходольных полей.

2.7. Оценка и валидация модели

Мы использовали 10-кратную перекрестную проверку для обучения модели оценки СОВ; процедура разделяла данные на 10 подмножеств, одно подмножество по очереди использовалось для валидации модели, а остальные 9 подмножеств использовались для обучения. Средний результат рассчитывался путем повторения процесса 10 раз для получения стабильной оценки модели [53]. Мы использовали два показателя для оценки модели: RMSE и R². R² используется для оценки стабильности модели, где более высокие значения указывают на более высокую стабильность. RMSE используется для оценки согласованности прогнозируемых значений модели с наблюдаемыми значениями, где чем меньше значение, тем лучше производительность модели. Показатели оценки определяются следующим образом:

где n — общее количество образцов; o_i обозначает наблюдаемое значение образца i, а p_i — соответствующее прогнозируемое значение; o̅ — соответствующее среднее значение наблюдений.

3.1. Сравнение спектральных характеристик на рисовых и суходольных полях

На Рисунке 3 проиллюстрированы различия в спектральных характеристиках содержания СОВ между рисовыми и суходольными полями в разные месяцы. В этом исследовании основное внимание уделялось вариациям содержания СОВ путем извлечения спектральной отражательной способности почвы как из областей рисовых, так и суходольных полей и анализа спектральных паттернов в разное время. Результаты показывают, что, хотя общая тенденция спектральной отражательной способности для содержания СОВ схожа в разные месяцы, отражательная способность более значительно варьируется в каналах B6 и B7, особенно для более высоких уровней содержания СОВ (5–6% и >6%). Как на рисовых, так и на суходольных полях спектральная отражательная способность постепенно увеличивается с длиной волны в видимом и ближнем инфракрасном диапазонах. Однако в области коротковолнового инфракрасного излучения (SWIR1) (B6 и B7) заметный пик появляется для более высоких значений СОВ, что особенно заметно на суходольных полях в апреле и мае. На рисовых полях постоянное присутствие воды может ослаблять спектральный отклик в области SWIR из-за высокого содержания воды, которая поглощает излучение в этих диапазонах. Напротив, на суходольных полях с меньшим содержанием воды наблюдаются более сильные спектральные признаки, связанные с СОВ, что делает каналы B6 и B7 более эффективными для дифференциации СОВ в этих районах.

Рисунок 3. Различия в спектральных характеристиках содержания СОВ в разных регионах в разные периоды. (a, b) представляют характеристики спектральной отражательной способности почвы рисовых полей в апреле и мае. (c, d) представляют характеристики спектральной отражательной способности почвы суходольных полей в апреле и мае.

3.2. Сравнение точности прогнозирования между общей регрессией и зональной регрессией

В Таблице 2 представлена производительность модели RF для прогнозирования содержания СОВ на всей территории исследования, основанная на различных комбинациях входных переменных и оцененная с использованием метода 10-кратной перекрестной проверки. Результаты подчеркивают высокую прогностическую способность модели, причем синтезированное изображение Landsat-8 за май достигло самой высокой общей точности (R² = 0.67, RMSE = 0.79%). Это свидетельствует о том, что изображения Landsat-8, особенно за май, являются высокоэффективными для прогнозирования СОВ в регионе исследования, что делает их ценным инструментом для мониторинга здоровья почв. При рассмотрении экологических ковариат переменные дренажа и климата оказались наиболее влиятельными, обеспечив наивысшую точность (R² = 0.58, RMSE = 0.93%). Это подчеркивает важность климата и дренажа в формировании содержания СОВ, давая представление о роли этих факторов в распределении СОВ.

Таблица 2. Точность моделей прогнозирования СОВ для различных комбинаций входных переменных по всей территории исследования.

В анализе зональной регрессии точность прогнозов значительно варьировалась в зависимости от типа пахотных угодий. Оптимальное окно прогнозирования для рисовых полей было определено как май, с R² 0.69 и RMSE 0.79%, что указывает на период времени, когда данные об окружающей среде и дистанционного зондирования наиболее эффективно прогнозируют содержание СОВ на рисовых полях. Для суходольных полей оптимальное окно прогнозирования охватывало апрель и май, с R² 0.69 и RMSE 0.53%, что демонстрирует, что для более точных прогнозов в этих районах может потребоваться более длительное окно. Что касается экологических ковариат, переменные дренажа и климата были наиболее влиятельными предикторами содержания СОВ на рисовых полях (R² = 0.67, RMSE = 0.82%). Напротив, для суходольных полей было обнаружено, что комбинация переменных дренажа, климата и топографии обеспечивает наивысшую точность прогнозирования (R² = 0.53, RMSE = 0.66%). Эти результаты свидетельствуют о том, что для различных типов пахотных угодий требуются индивидуальные подходы для точного прогнозирования содержания СОВ, причем разные наборы экологических факторов играют ключевую роль в каждом типе.

На Рисунке 4 обобщены результаты точности модели для оптимальных комбинаций переменных как в общей, так и в зональной регрессиях, при этом значения R² и RMSE отображены в правом нижнем углу каждого графика. Результаты наглядно демонстрируют, что подход зональной регрессии, который учитывает различия в типах пахотных угодий, значительно повышает точность прогнозов СОВ. В частности, модель общей регрессии достигла максимального R² 0.68 и RMSE 0.77%, тогда как модель зональной регрессии показала более высокий R² 0.72 и более низкую RMSE 0.73%. С научной точки зрения эти результаты значимы, так как они подчеркивают важность учета пространственной изменчивости при моделировании СОВ. Улучшенная производительность модели зональной регрессии свидетельствует о том, что распределение СОВ не является однородным для разных типов земель, указывая на необходимость индивидуальных подходов для каждого типа пахотных угодий для получения более точных прогнозов. Это понимание углубляет наши знания о пространственной неоднородности СОВ и предлагает более совершенный подход к управлению почвенными ресурсами, особенно в регионах с разнообразным землепользованием и типами пахотных угодий.

Рисунок 4. Точность прогнозирования содержания СОВ для общей и зональной регрессии. (a) Соответствие оптимальной комбинации для общей регрессии. (b) Соответствие общей регрессии с использованием синтезированных изображений за май. (c) Соответствие общей регрессии с использованием данных о дренаже и климате. (d) Соответствие оптимальной комбинации для зональной регрессии. (e) Соответствие оптимальной комбинации на рисовом поле. (f) Соответствие оптимальных комбинаций на суходольном поле.

3.3. Анализ ошибок на основе различных стратегий

В этом исследовании сравнивались ошибки в точности прогнозирования СОВ между общей и региональной регрессиями, основанными на различиях в типах пахотных угодий (Рисунок 5). Результат показал, что при выполнении общей регрессии абсолютные ошибки были выше для содержания СОВ 2–3%, 5–6% и >6%, и это можно было эффективно улучшить, используя зональную регрессию. Это указывает на то, что модель региональной регрессии, которая учитывает пространственную изменчивость СОВ на разных типах пахотных угодий, обеспечивает более точные прогнозы в областях с более высоким содержанием СОВ. Однако абсолютная ошибка увеличилась для содержания СОВ ниже 1%, что свидетельствует о том, что обе модели испытывают трудности с прогнозированием очень низкого содержания СОВ. Улучшение точности прогнозирования с помощью зональной регрессии можно объяснить способностью модели учитывать пространственную неоднородность СОВ на разных типах сельскохозяйственных земель. Включая специфические характеристики и экологические факторы каждого типа пахотных угодий, зональная регрессия лучше улавливает локальные вариации содержания СОВ. В частности, для зональной регрессии средняя ошибка наиболее значительно уменьшилась для содержания СОВ 5–6% и >6%, со снижением на 0.59% и 0.55% соответственно. Это подчеркивает эффективность региональной модели в улавливании лежащих в основе паттернов СОВ в этих областях, что приводит к повышению эффективности прогнозирования.

Рисунок 5. Ящичковые диаграммы точности прогнозирования СОВ для различных стратегий: (a) абсолютная ошибка в точности прогнозирования СОВ при общей регрессии; (b) абсолютная ошибка в точности прогнозирования СОВ при зональной регрессии.

3.4. Важность переменных

На Рисунке 6 представлена производительность каждой переменной в комбинации RS, CLI, DN и TP при прогнозировании СОВ с использованием модели RF для перекрестной проверки, количественно выраженная через % IncMSE. Предыдущие исследования показали значимость интеграции данных дистанционного зондирования с экологическими ковариатами для прогнозирования СОВ, подчеркивая важность экологических переменных и спектральных диапазонов [54]. Производительность каждой переменной в прогнозировании СОВ на всей территории исследования, с ранжированием важности следующим образом: дистанционное зондирование (RS), климат (CLI), дренаж (DN) и топография (TP) (Рисунок 6a). Результаты дополнительно свидетельствуют о том, что значимость экологических ковариат для прогнозов СОВ варьируется в зависимости от типа пахотных угодий. На рисовых полях, где рельеф относительно прост, климатические переменные и переменные дренажа играют более значительную роль в прогнозировании СОВ (Рисунок 6b). Напротив, для суходольных полей с более сложным рельефом данные дистанционного зондирования и климатические переменные более влиятельны (Рисунок 6c). Эти результаты подчеркивают, что включение правильной комбинации экологических ковариат, адаптированной к конкретным типам пахотных угодий, значительно повышает точность прогнозирования СОВ по сравнению с использованием только спектральных каналов изображений.

Рисунок 6. Важность переменных: (a) важность в общей регрессии для каждой входной переменной; (b, c) важность в зональной регрессии для каждой входной переменной в областях рисовых и суходольных полей.

3.5. Пространственное распределение СОВ

В этом исследовании мы проанализировали характеристики пространственного распределения СОВ в общей регрессии и зональной регрессии. Пространственное распределение содержания СОВ в районе исследования показало значительные различия, причем каждый регион демонстрировал разные уровни содержания СОВ. Общая картина распределения СОВ показывает, что области с низким содержанием органического вещества (<2%) сосредоточены в центральном регионе, в то время как другие области демонстрируют средние (2–4%) и более высокие (4–6%) уровни. Области с очень высоким содержанием СОВ (>6%) в целом распределены по северо-восточной части региона (Рисунок 7a). Паттерны распределения содержания СОВ в разных регионах демонстрируют сложную неоднородность, отражающую влияние различных экологических факторов и факторов землепользования (Рисунок 7b). Детальные наблюдения с увеличенных областей выявляют еще более тонкие различия, особенно между областями с высокими и низкими концентрациями СОВ (Рисунок 7a1, a2). Эти более тонкие паттерны наиболее заметны в определенных участках, где содержание СОВ резко варьируется, что позволяет предположить, что локальные экологические условия могут играть ключевую роль во влиянии на распределение СОВ (Рисунок 7b1, b2).

Рисунок 7. Пространственное распределение содержания СОВ: (a) пространственное распределение СОВ в общей регрессии; (b) пространственное распределение СОВ в зональной регрессии; (a1, a2) представляют локализованные увеличенные фрагменты пространственного распределения СОВ для общей регрессии; (b1, b2) представляют локализованные увеличенные фрагменты пространственного распределения СОВ для зональной регрессии.

4.1. Влияние времени получения изображений дистанционного зондирования на СОВ

Корреляционный анализ Пирсона, представленный на Рисунке 8, выявил сильную корреляцию между спектральными каналами изображений дистанционного зондирования. Из семи каналов, использованных в этом исследовании, коэффициенты корреляции между содержанием органического вещества почвы (СОВ) и видимыми каналами (b1–b3) были заметно выше, чем с каналами ближнего инфракрасного диапазона (NIR) (b4–b5). Этот результат согласуется с выводами Мартинеса-Коба [55], который наблюдал, что в области NIR отсутствуют пики поглощения для органического вещества, что делает видимые каналы более эффективными для прогнозирования СОВ [56]. Многочисленные исследования подчеркнули важность временных характеристик изображений дистанционного зондирования для прогнозирования СОВ [54,57]. Фактически, использование многолетних наборов данных дистанционного зондирования позволяет более точно улавливать пространственные и временные вариации СОВ, предоставляя более богатую информацию для его прогнозирования [58]. Учитывая длительный период наличия обнаженной почвы в северо-восточных регионах, изображения дистанционного зондирования, полученные в разное время, демонстрировали существенные экологические различия на разных типах пахотных угодий, дополнительно влияя на характеристики распределения СОВ [40].

Рисунок 8. Матрица коэффициентов корреляции Пирсона, основанная на корреляционном анализе между группами переменных.

Результаты нашего исследования показали, что точность прогнозирования СОВ на суходольных полях была значительно выше при использовании многолетних синтезированных изображений дистанционного зондирования по сравнению с использованием изображений за один месяц. Это согласуется с выводами Луо и Чжана [19], которые предполагают, что увеличение пространственной и временной информации, предоставляемой многолетними изображениями дистанционного зондирования, улучшает прогнозирование СОВ. Кроме того, содержание почвенной влаги в районе суходольных полей было неравномерно распределено в апреле и значительно отличалось от мая (Рисунок 9) [59]. Поэтому объединение изображений дистанционного зондирования за апрель и май может лучше охарактеризовать пространственное распределение содержания СОВ. На рисовых полях точность прогнозирования СОВ была выше при использовании изображений дистанционного зондирования за май, чем за апрель (см. Таблицу 2). Это улучшение может быть связано с более низким содержанием почвенной влаги на рисовых полях в мае, что позволяет изображениям дистанционного зондирования более четко улавливать вариации СОВ (Таблица S2). Таким образом, выбор оптимального временного окна в разных областях с различными типами пахотных угодий может значительно повысить точность прогнозирования СОВ.

Рисунок 9. NDWI для района исследования в разные периоды: (a) NDWI в апреле; (b) NDWI в мае.

4.2. Роль экологических ковариат в картографировании СОВ

Определение точных прогностических карт свойств почвы было в центре внимания исследований [60,61]. Многие исследования использовали климатические данные и данные о рельефе из числа экологических ковариат в качестве входных переменных для прогнозирования почвенных атрибутов, достигая надежных результатов [62,63]. Однако, помимо этих переменных, включение других соответствующих ковариат необходимо для точного прогнозирования свойств почвы [18]. В этом исследовании мы включили данные о дренаже наряду с климатическими и топографическими данными в качестве входных переменных для прогнозирования содержания органического вещества почвы (СОВ) и картографирования его пространственного распределения. Наши результаты показали, что различные экологические ковариаты играют разную роль в областях с разными типами пахотных угодий.

На рисовых полях климатические переменные и переменные дренажа были более важны в прогнозировании СОВ и обеспечили наивысшую точность прогнозов. Напротив, в районах суходольных полей топографические переменные также играли значительную роль, причем комбинация климатических, дренажных и топографических переменных дала наилучшую точность прогнозирования. Влияние топографических параметров на распределение СОВ было продемонстрировано во многих исследованиях [64,65]. Топографическое перераспределение солнечной радиации, влаги и тепла воздействует на физико-химические свойства почвы и, следовательно, на пространственное распределение СОВ (Рисунок 10) [66,67]. Более того, переменные дренажа играли разную роль на различных пахотных площадях. Включение переменных дренажа помогло лучше уловить пространственные различия в эрозии почв, тем самым выявляя распределение содержания СОВ. Это имеет важное значение для последующих исследований, использующих экологические ковариаты для прогнозирования свойств почвы.

Рисунок 10. Процесс пространственной миграции СОВ.

4.3. Преимущества зональной регрессии по типам пахотных угодий по сравнению с общей регрессией

В этом исследовании применялась зональная регрессия для повышения точности прогнозирования содержания СОВ за счет учета различий в типах пахотных угодий. Роли, которые играют различные переменные в прогнозировании содержания СОВ в разных областях пахотных земель, легче различить, выполняя разделенную регрессию по сравнению с общей регрессией. На рисовых полях порядок важности каждой группы переменных в прогнозировании содержания СОВ был CLI > RS > DN > TP, в то время как на суходольных полях соответствующий порядок важности был RS > CLI > DN > TP. Рисовое поле является основной областью возделывания (Рисунок 10), которая имеет равнинный рельеф, плодородные почвы и хорошие условия для сельскохозяйственного развития, с накоплением органического вещества после многих лет интенсивного возделывания. Напротив, суходольные поля демонстрируют более сложный рельеф с более крутыми склонами и значительными летними осадками. Эта область подвержена эрозии почвы, что приводит к потере питательных веществ и более медленному накоплению СОВ [68]. Поэтому мы ввели подходящие экологические ковариаты для областей рисовых и суходольных полей соответственно в модель оценки содержания СОВ, что привело к значительному улучшению точности прогнозирования СОВ [69]. Это также подтвердило необходимость зональной регрессии по типам пахотных угодий в районе исследования.

4.4. Пробелы в исследованиях и направления для будущих работ

В этом исследовании мы спрогнозировали содержание СОВ и нанесли на карту его пространственное распределение в типичном черноземном районе путем введения зонирования по типам пахотных угодий и использования многоисточниковых экологических ковариат. Наши результаты показали, что точность прогнозирования СОВ при зональной регрессии повысилась по сравнению с общей регрессией [70]. Однако эта работа все еще сталкивается с несколькими проблемами и ограничениями. Мы наблюдали, что на СОВ сильно влияет временная фаза изображений дистанционного зондирования. Более того, прогнозирование содержания СОВ — это сложный процесс, и, несмотря на многие преимущества мультиспектральных изображений дистанционного зондирования, на них часто влияет облачность [68]. Чтобы преодолеть это, следует рассмотреть возможность использования других недавно запущенных спутников. Например, Sentinel-1 и Sentinel-2 имеют более высокое пространственное и временное разрешение по сравнению с другими часто используемыми спутниками и, таким образом, могут значительно улучшить прогнозирование содержания СОВ [71]. Также можно рассмотреть возможность использования изображений дистанционного зондирования за более длительные периоды для анализа медленно меняющихся свойств почвы. Кроме того, модели RF в машинном обучении достигли надежных результатов в прогнозировании содержания СОВ во многих исследованиях [72,73], и нам следует рассмотреть возможность использования других методов (например, градиентного бустинга (GBDT), машин опорных векторов (SVM), метода главных компонент (PCA) и т.д.) для сравнения прогностической способности различных моделей для СОВ. В будущем можно рассмотреть возможность использования многолетних и многоисточниковых изображений дистанционного зондирования, а также других методов моделирования для дальнейшего повышения прогностической способности в отношении СОВ.

В этом исследовании мы объединили многолетние синтезированные изображения с экологическими ковариатами — такими как данные о дренаже, метеорологические и топографические данные — в качестве входных переменных, одновременно разделив пахотные земли на рисовые и суходольные поля, чтобы изучить преимущества зональной регрессии перед общей регрессией. Наши результаты продемонстрировали, что зональная регрессия превзошла общую регрессию с точки зрения эффективности картографирования. Этот результат подчеркивает важность выбора оптимального временного окна и соответствующих входных переменных для различных зон пахотных угодий, чтобы значительно повысить точность прогнозирования СОВ. Кроме того, мы наблюдали, что значимость различных экологических ковариат варьировалась в зависимости от региона, что позволяет предположить, что в практических приложениях эти ковариаты должны быть адаптированы и оптимизированы в соответствии с конкретными региональными условиями. Это понимание не только углубляет наши знания о пространственном распределении СОВ, но и предлагает направления для будущих исследований. Результаты этого исследования имеют важное значение для будущего планирования и мониторинга агроэкосистем.

Следующая вспомогательная информация может быть загружена по адресу: https://www.mdpi.com/article/10.3390/agriculture15030339/s1. Таблица S1: Описательная статистика содержания СОВ для всего региона и различных областей с разными типами пахотных угодий; Таблица S2: Вариации NDWI на разных типах пахотных угодий в различные месяцы.

В этой рукописи используются следующие сокращения:

СОВ Содержание органического вещества в почве

ПОУ Почвенный органический углерод

ЦКП Цифровое картографирование почв

ДЗ Дистанционное зондирование

МЛР Множественная линейная регрессия

ГВР Географически взвешенная регрессия

GBDT Градиентный бустинг над деревьями решений

1.    Mirabito, A.J.; Chambers, L.G. Quantifying mineral-associated organic matter in wetlands as an indicator of the degree of soil carbon protection. Geoderma 2023, 430, 116327. [Google Scholar] [CrossRef]

2.    Kumar, S.; Lal, R.; Liu, D. A geographically weighted regression kriging approach for mapping soil organic carbon stock. Geoderma 2012, 189, 627–634. [Google Scholar] [CrossRef]

3.    Zhang, J.; Gan, S.; Yang, P.; Zhou, J.; Huang, X.; Chen, H.; He, H.; Saintilan, N.; Sanders, C.J.; Wang, F.; et al. A global assessment of mangrove soil organic carbon sources and implications for blue carbon credit. Nat. Commun. 2024, 15, 8994. [Google Scholar] [CrossRef]

4.    Adamczyk, B.; Sietio, O.-M.; Strakoya, P.; Prommer, J.; Wild, B.; Hagner, M.; Pihlatie, M.; Fritze, H.; Richter, A.; Heinonsalo, J. Plant roots increase both decomposition and stable organic matter formation in boreal forest soil. Nat. Commun. 2019, 10, 3982. [Google Scholar] [CrossRef] [PubMed]

5.    FAO. World Reference Base for Soil Resources 2006; FAO: Rome, Italy, 2007. [Google Scholar]

6.    Wang, X.; Li, S.J.; Wang, L.P.; Zheng, M.; Wang, Z.M.; Song, K.S. Effects of cropland reclamation on soil organic carbon in China’s black soil region over the past 35 years. Glob. Chang. Biol. 2023, 29, 5460–5477. [Google Scholar] [CrossRef]

7.    Hou, M.; Zhao, X.R.; Wang, Y.; Lv, X.M.; Chen, Y.M.; Jiao, X.G.; Sui, Y.Y. Pedogenesis of typical zonal soil drives belowground bacterial communities of arable land in the Northeast China Plain. Sci. Rep. 2023, 13, 14555. [Google Scholar] [CrossRef] [PubMed]

8.    Wang, C.S.; Zhang, G.H.; Chen, S.Q. Seasonal variations of soil functions affected by straw incorporation in croplands with different degradation degrees. Soil Tillage Res. 2025, 248, 106426. [Google Scholar] [CrossRef]

9.    Li, Y.F.; Zhong, J.F.; Chang, L. Characteristics and Drivers of Soil Ecological Stoichiometry in Saline-Alkali Areas of Western Jilin Province, Northeast China. Land Degrad. Dev. 2024, 35, 5411–5424. [Google Scholar] [CrossRef]

10. Fathololoumi, S.; Biswas, A. A new digital soil mapping approach based on the adjacency effect. Sci. Total Environ. 2024, 957, 177798. [Google Scholar] [CrossRef] [PubMed]

11. Chen, S.; Arrouays, D.; Mulder, V.L.; Poggio, L.; Minasny, B.; Roudier, P.; Libohova, Z.; Lagacherie, P.; Shi, Z.; Hannam, J.; et al. Digital mapping of GlobalSoilMap soil properties at a broad scale: A review. Geoderma 2022, 409, 115567. [Google Scholar] [CrossRef]

12. Grinand, C.; Le Maire, G.; Vieilledent, G.; Razakarnanarivo, H.; Razafimbelo, T.; Bernoux, M. Estimating temporal changes in soil carbon stocks at ecoregional scale in Madagascar using remote-sensing. Int. J. Appl. Earth Obs. Geoinf. 2017, 54, 1–14. [Google Scholar] [CrossRef]

13. Khanal, S.; Nolan, R.H.; Medlyn, B.E.; Boer, M.M. Mapping soil organic carbon stocks in Nepal’s forests. Sci. Rep. 2023, 13, 8090. [Google Scholar] [CrossRef] [PubMed]

14. Liang, H.W.; Japaer, G.; Yu, T.; Zhang, L.C.; Chen, B.J.; Lin, K.X.; Ju, T.W.; Zhao, Y.Y.; Pei, T.; Aizizi, Y. Comparison of global and zonal modeling strategies—A case study of soil organic matter and C:N ratio mapping in Altay, Xinjiang, China. Ecol. Inform. 2024, 84, 102882. [Google Scholar] [CrossRef]

15. Zhou, Y.X.; Zhang, Z.D.; Rao, J.W.; Chen, B. Predicting and mapping soil magnetic susceptibility in an agro-pastoral transitional zone: Influencing factors and implications. Soil Tillage Res. 2022, 219, 105352. [Google Scholar] [CrossRef]

16. Sargin, B.; Alaboz, P.; Karaca, S.; Dengiz, O. Pythagorean fuzzy SWARA weighting technique for soil quality modeling of cultivated land in semi-arid terrestrial ecosystems. Comput. Electron. Agric. 2024, 227, 109466. [Google Scholar] [CrossRef]

17. Goovaerts, P. Geostatistics in soil science: State-of-the-art and perspectives. Geoderma 1999, 89, 1–45. [Google Scholar] [CrossRef]

18. Zhang, M.W.; Sun, X.L.; Zhang, M.N.; Yang, H.X.; Liu, H.J.; Li, H.X. Improved soil organic matter monitoring by using cumulative crop residue indices derived from time-series remote sensing images in the central black soil region of China. Soil Tillage Res. 2025, 246, 106357. [Google Scholar] [CrossRef]

19. Luo, C.; Zhang, W.; Zhang, X.; Liu, H. Mapping of soil organic matter in a typical black soil area using Landsat-8 synthetic images at different time periods. Catena 2023, 231, 107336. [Google Scholar] [CrossRef]

20. Wang, L.P.; Wang, X.; Kooch, Y.; Song, K.S.; Zheng, S.F.; Wu, D.H. Remote estimation of soil organic carbon under different land use types in agroecosystems of Eastern China. Catena 2023, 231, 107369. [Google Scholar] [CrossRef]

21. Xu, X.B.; Chen, Y.H.; Yang, S.T. Improving Soil Organic Matter Mapping Using Transfer Learning and Satellite-Simulated Samples From Bare Soil Hyperspectral Imagery. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2025, 18, 1706–1717. [Google Scholar] [CrossRef]

22. Khaki, M.; Franssen, H.J.H.; Han, S.C. Multi-mission satellite remote sensing data for improving land hydrological models via data assimilation. Sci. Rep. 2020, 10, 18791. [Google Scholar] [CrossRef]

23. Wang, X.; Zhang, Y.; Atkinson, P.M.; Yao, H. Predicting soil organic carbon content in Spain by combining Landsat TM and ALOS PALSAR images. Int. J. Appl. Earth Obs. Geoinf. 2020, 92, 102182. [Google Scholar] [CrossRef]

24. Wang, H.; Zhang, X.; Wu, W.; Liu, H.B. Prediction of Soil Organic Carbon under Different Land Use Types Using Sentinel-1/-2 Data in a Small Watershed. Remote Sens. 2021, 13, 1229. [Google Scholar] [CrossRef]

25. Sreenivas, K.; Dadhwal, V.K.; Kumar, S.; Harsha, G.S.; Mitran, T.; Sujatha, G.; Suresh, G.J.R.; Fyzee, M.A.; Ravisankar, T. Digital mapping of soil organic and inorganic carbon status in India. Geoderma 2016, 269, 160–173. [Google Scholar] [CrossRef]

26. Jin, H.; Xie, X.F.; Pu, L.J.; Jia, Z.Y.; Xu, F. Mapping Soil Organic Matter Using Different Modeling Techniques in the Dryland Agroecosystem of Huang-Huai-Hai Plain, Eastern China. Remote Sens. 2023, 15, 4945. [Google Scholar] [CrossRef]

27. Rossel, R.A.V.; Webster, R.; Bui, E.N.; Baldock, J.A. Baseline map of organic carbon in Australian soil to support national carbon accounting and monitoring under climate change. Glob. Chang. Biol. 2014, 20, 2953–2970. [Google Scholar] [CrossRef]

28. Siewert, M.B.; Hugelius, G.; Heim, B.; Faucherre, S. Landscape controls and vertical variability of soil organic carbon storage in permafrost-affected soils of the Lena River Delta. Catena 2016, 147, 725–741. [Google Scholar] [CrossRef]

29. Li, Y.; Zheng, S.F.; Wang, L.P.; Dai, X.L.; Zang, D.Q.; Qi, B.S.; Meng, X.T.; Mei, X.D.; Luo, C.; Liu, H.J. Systematic identification of factors influencing the spatial distribution of soil organic matter in croplands within the black soil region of Northeastern China across multiple scales. Catena 2025, 249, 108633. [Google Scholar] [CrossRef]

30. Brunsdon, C.; Fotheringham, S.; Charlton, M. Geographically weighted regression—Modelling spatial non-stationarity. J. R. Stat. Soc. Ser. D-Stat. 1998, 47, 431–443. [Google Scholar] [CrossRef]

31. Zeng, C.Y.; Yang, L.; Zhu, A.X.; Rossiter, D.G.; Liu, J.; Liu, J.Z.; Qin, C.Z.; Wang, D.S. Mapping soil organic matter concentration at different scales using a mixed geographically weighted regression method. Geoderma 2016, 281, 69–82. [Google Scholar] [CrossRef]

32. Rao, Y.H.; Liang, S.L.; Wang, D.D.; Yu, Y.Y.; Song, Z.; Zhou, Y.; Shen, M.G.; Xu, B.Q. Estimating daily average surface air temperature using satellite land surface temperature and top-of-atmosphere radiation products over the Tibetan Plateau. Remote Sens. Environ. 2019, 234, 111462. [Google Scholar] [CrossRef]

33. Zhang, Y.; Guo, L.; Chen, Y.; Shi, T.; Luo, M.; Ju, Q.; Zhang, H.; Wang, S. Prediction of Soil Organic Carbon based on Landsat 8 Monthly NDVI Data for the Jianghan Plain in Hubei Province, China. Remote Sens. 2019, 11, 1683. [Google Scholar] [CrossRef]

34. Wu, Z.X.; Wu, Y.; Yu, Y.X.; Wang, L.; Qi, P.; Sun, Y.N.; Fu, Q.N.; Zhang, G.X. Assessment of groundwater quality variation characteristics and influencing factors in an intensified agricultural area: An integrated hydrochemical and machine learning approach. J. Environ. Manag. 2024, 371, 123233. [Google Scholar] [CrossRef] [PubMed]

35. Zhang, L.; Yu, X.; Jiang, M.; Xue, Z.; Lu, X.; Zou, Y. A consistent ecosystem services valuation method based on Total Economic Value and Equivalent Value Factors: A case study in the Sanjiang Plain, Northeast China. Ecol. Complex. 2017, 29, 40–48. [Google Scholar] [CrossRef]

36. Sun, J.X.; Yang, Y.L.; Qi, P.; Zhang, G.X.; Wu, Y. Development and application of a new water-carbon-economy coupling model (WCECM) for optimal allocation of agricultural water and land resources. Agric. Water Manag. 2024, 291, 108608. [Google Scholar] [CrossRef]

37. Liu, X.H.; Zhang, Y.; Dong, G.H.; Jiang, M. Difference in carbon budget from marshlands to transformed paddy fields in the Sanjiang Plain, Northeast China. Ecol. Eng. 2019, 137, 60–64. [Google Scholar] [CrossRef]

38. O’Kelly, B.C. Accurate determination of moisture content of organic soils using the oven drying method. Dry. Technol. 2004, 22, 1767–1776. [Google Scholar] [CrossRef]

39. Jin, X.; Du, J.; Liu, H.; Wang, Z.; Song, K. Remote estimation of soil organic matter content in the Sanjiang Plain, Northest China: The optimal band algorithm versus the GRA-ANN model. Agric. For. Meteorol. 2016, 218, 250–260. [Google Scholar] [CrossRef]

40. Luo, C.; Zhang, W.Q.; Zhang, X.L.; Liu, H.J. Mapping soil organic matter content using Sentinel-2 synthetic images at different time intervals in Northeast China. Int. J. Digit. Earth 2023, 16, 1094–1107. [Google Scholar] [CrossRef]

41. Wu, J.; Li, Y.; Zhong, B.; Zhang, Y.; Liu, Q.; Shi, X.; Ji, C.; Wu, S.; Sun, B.; Li, C.; et al. Synergistic Coupling of Multi-Source Remote Sensing Data for Sandy Land Detection and Multi-Indicator Integrated Evaluation. Remote Sens. 2024, 16, 4322. [Google Scholar] [CrossRef]

42. Mello, F.A.O.; Demattê, J.A.M.; Rizzo, R.; de Mello, D.C.; Poppiel, R.R.; Silvero, N.E.Q.; Safanelli, J.L.; Bellinaso, H.; Bonfatti, B.R.; Gomez, A.M.R.; et al. Complex hydrological knowledge to support digital soil mapping. Geoderma 2022, 409, 115638. [Google Scholar] [CrossRef]

43. Strahler, A.N. Dynamic basis of geomorphology. Geol. Soc. Am. Bull. 1952, 63, 923–938. [Google Scholar] [CrossRef]

44. Luo, C.; Zhang, X.L.; Meng, X.T.; Zhu, H.W.; Ni, C.P.; Chen, M.H.; Liu, H.J. Regional mapping of soil organic matter content using multitemporal synthetic Landsat 8 images in Google Earth Engine. Catena 2022, 209, 105842. [Google Scholar] [CrossRef]

45. Yang, L.; Song, M.; Zhu, A.X.; Qin, C.; Zhou, C.; Qi, F.; Li, X.; Chen, Z.; Gao, B. Predicting soil organic carbon content in croplands using crop rotation and Fourier transform decomposed variables. Geoderma 2019, 340, 289–302. [Google Scholar] [CrossRef]

46. Shahriari, M.; Delbari, M.; Afrasiab, P.; Pahlavan-Rad, M.R. Predicting regional spatial distribution of soil texture in floodplains using remote sensing data: A case of southeastern Iran. Catena 2019, 182, 104149. [Google Scholar] [CrossRef]

47. Xu, J.H.; Zhang, F.F.; Ruan, H.H.; Hu, H.D.; Liu, Y.; Zhong, K.W.; Jing, W.L.; Yang, J.; Liu, X.L. Hybrid modelling of random forests and kriging with sentinel-2A multispectral imagery to determine urban brightness temperatures with high resolution. Int. J. Remote Sens. 2021, 42, 2174–2202. [Google Scholar] [CrossRef]

48. Meng, X.T.; Bao, Y.L.; Luo, C.; Zhang, X.L.; Liu, H.J. A new methodology for establishing an SOC content prediction model that is spatiotemporally transferable at multidecadal and intercontinental scales. ISPRS J. Photogramm. Remote Sens. 2024, 218, 531–550. [Google Scholar] [CrossRef]

49. Breiman, L. Random Forests. Mach. Learn. 2001, 45, 5–32. [Google Scholar] [CrossRef]

50. Geng, J.; Tan, Q.Y.; Lv, J.W.; Fang, H.J. Assessing spatial variations in soil organic carbon and C:N ratio in Northeast China’s black soil region: Insights from Landsat-9 satellite and crop growth information. Soil Tillage Res. 2024, 235, 105897. [Google Scholar] [CrossRef]

51. Peerbhay, K.; Mutanga, O.; Lottering, R.; Ismail, R. Mapping Solanum mauritianum plant invasions using WorldView-2 imagery and unsupervised random forests. Remote Sens. Environ. 2016, 182, 39–48. [Google Scholar] [CrossRef]

52. Bao, Y.L.; Meng, X.T.; Liu, H.J.; Meng, X.L.; Xing, M.M.; Cao, D.; Zhang, J.H.; Yao, F.M. Assessing the improvement potentials of climate model partitioning and time-variant feature extraction for soil organic carbon prediction. Catena 2024, 241, 108014. [Google Scholar] [CrossRef]

53. Okazaki, Y.; Okazaki, S.; Asamoto, S.; Yamaji, T.; Ishige, M. Estimator for generalization performance of machine learning model trained by biased data collected from multiple references. Comput.-Aided Civ. Infrastruct. Eng. 2023, 38, 2145–2162. [Google Scholar] [CrossRef]

54. Zhou, T.; Geng, Y.; Chen, J.; Pan, J.; Haase, D.; Lausch, A. High-resolution digital mapping of soil organic carbon and soil total nitrogen using DEM derivatives, Sentinel-1 and Sentinel-2 data based on machine learning algorithms. Sci. Total Environ. 2020, 729, 138244. [Google Scholar] [CrossRef] [PubMed]

55. MartinezCob, A. Multivariate geostatistical analysis of evapotranspiration and precipitation in mountainous terrain. J. Hydrol. 1996, 174, 19–35. [Google Scholar] [CrossRef]

56. Lazaar, A.; Mouazen, A.M.; El Hammouti, K.; Fullen, M.; Pradhan, B.; Memon, M.S.; Andich, K.; Monir, A. The application of proximal visible and near-infrared spectroscopy to estimate soil organic matter on the Triffa Plain of Morocco. Int. Soil Water Conserv. Res. 2020, 8, 195–204. [Google Scholar] [CrossRef]

57. Chang, N.J.; Chen, D. Prediction of soil organic matter using Landsat 8 data and machine learning algorithms in typical karst cropland in China. Eur. J. Agron. 2024, 160, 127323. [Google Scholar] [CrossRef]

58. Zhou, T.; Geng, Y.; Chen, J.; Liu, M.M.; Haase, D.; Lausch, A. Mapping soil organic carbon content using multi-source remote sensing variables in the Heihe River Basin in China. Ecol. Indic. 2020, 114, 106288. [Google Scholar] [CrossRef]

59. Pan, M.X.; Zhao, F.; Ma, J.Y.; Zhang, L.J.; Qu, J.P.; Xu, L.L.; Li, Y. Effect of Snow Cover on Spring Soil Moisture Content in Key Agricultural Areas of Northeast China. Sustainability 2022, 14, 1527. [Google Scholar] [CrossRef]

60. Chen, D.; Chang, N.; Xiao, J.; Zhou, Q.; Wu, W. Mapping dynamics of soil organic matter in croplands with MODIS data and machine learning algorithms. Sci. Total Environ. 2019, 669, 844–855. [Google Scholar] [CrossRef]

61. Helfenstein, A.; Mulder, V.L.; Heuvelink, G.B.M.; Hack-ten Broeke, M.J.D. Three-dimensional space and time mapping reveals soil organic matter decreases across anthropogenic landscapes in the Netherlands. Commun. Earth Environ. 2024, 5, 130. [Google Scholar] [CrossRef]

62. Wang, S.; Xu, L.; Adhikari, K.; He, N. Soil carbon sequestration potential of cultivated lands and its controlling factors in China. Sci. Total Environ. 2023, 905, 167292. [Google Scholar] [CrossRef] [PubMed]

63. Zeraatpisheh, M.; Garosi, Y.; Owliaie, H.R.; Ayoubi, S.; Taghizadeh-Mehrjardi, R.; Scholten, T.; Xu, M. Improving the spatial prediction of soil organic carbon using environmental covariates selection: A comparison of a group of environmental covariates. Catena 2022, 208, 105723. [Google Scholar] [CrossRef]

64. Tian, H.W.; Zhang, J.H.; Zhu, L.Q.; Qin, J.T.; Liu, M.; Shi, J.Q.; Li, G.D. Revealing the scale- and location-specific relationship between soil organic carbon and environmental factors in China’s north-south transition zone. Geoderma 2022, 409, 115600. [Google Scholar] [CrossRef]

65. Wiesmeier, M.; Barthold, F.; Blank, B.; Koegel-Knabner, I. Digital mapping of soil organic matter stocks using Random Forest modeling in a semi-arid steppe ecosystem. Plant Soil 2011, 340, 7–24. [Google Scholar] [CrossRef]

66. Suleymanov, A.; Abakumov, E.; Suleymanov, R.; Gabbasova, I.; Komissarov, M. The Soil Nutrient Digital Mapping for Precision Agriculture Cases in the Trans-Ural Steppe Zone of Russia Using Topographic Attributes. ISPRS Int. J. Geo-Inf. 2021, 10, 243. [Google Scholar] [CrossRef]

67. Ma, Y.Y.; Liu, H.J.; Jiang, B.W.; Meng, L.H.; Guan, H.X.; Xu, M.Y.; Cui, Y.; Kong, F.C.; Yin, Y.; Wang, M.P. An Innovative Approach for Improving the Accuracy of Digital Elevation Models for Cultivated Land. Remote Sens. 2020, 12, 3401. [Google Scholar] [CrossRef]

68. Hu, W.; Shen, Q.S.; Zhai, X.Y.; Du, S.L.; Zhang, X.Y. Impact of environmental factors on the spatiotemporal variability of soil organic matter: A case study in a typical small Mollisol watershed of Northeast China. J. Soils Sediments 2021, 21, 736–747. [Google Scholar] [CrossRef]

69. Wang, W.J.; Duan, M.Q.; Zhang, X.G.; Song, X.Y.; Liu, X.W.; Cui, D.J. Determining Optimal Sampling Numbers to Investigate the Soil Organic Matter in a Typical County of the Yellow River Delta, China. Appl. Sci. 2022, 12, 6062. [Google Scholar] [CrossRef]

70. Bao, Y.L.; Meng, X.T.; Ustin, S.; Wang, X.; Zhang, X.L.; Liu, H.J.; Tang, H.T. Vis-SWIR spectral prediction model for soil organic matter with different grouping strategies. Catena 2020, 195, 104703. [Google Scholar] [CrossRef]

71. Castaldi, F.; Hueni, A.; Chabrillat, S.; Ward, K.; Buttafuoco, G.; Bomans, B.; Vreys, K.; Brell, M.; van Wesemael, B. Evaluating the capability of the Sentinel 2 data for soil organic carbon prediction in croplands. ISPRS J. Photogramm. Remote Sens. 2019, 147, 267–282. [Google Scholar] [CrossRef]

72. Peng, L.; Wu, X.B.; Feng, C.C.; Gao, L.L.; Li, Q.Q.; Xu, J.W.; Li, B. Assessing the potential of multi-source remote sensing data for cropland soil organic matter mapping in hilly and mountainous areas. Catena 2024, 245, 108312. [Google Scholar] [CrossRef]

73. He, X.L.; Yang, L.; Li, A.Q.; Zhang, L.; Shen, F.X.; Cai, Y.Y.; Zhou, C.H. Soil organic carbon prediction using phenological parameters and remote sensing variables generated from Sentinel-2 images. Catena 2021, 205, 105442. [Google Scholar] [CrossRef]

Zhang Y, Luo C, Zhang W, Wu Z, Zang D. Mapping Soil Organic Matter in Black Soil Cropland Areas Using Remote Sensing and Environmental Covariates. Agriculture. 2025; 15(3):339. https://doi.org/10.3390/agriculture15030339

Перевод статьи «Mapping Soil Organic Matter in Black Soil Cropland Areas Using Remote Sensing and Environmental Covariates» авторов Zhang Y, Luo C, Zhang W, Wu Z, Zang D., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: freepik