土壤有机碳（SOC）含量预测已成为数字土壤制图研究的热点。SOC含量取决于植被、土壤类型、地形特征、气候条件和人类活动等多因素的相互作用。我校李新国教授团队选择干旱区典型湖滨绿洲—博斯腾湖湖滨绿洲为研究区，针对有限样本量的状况，采用五种机器学习模型，应用于耕地、林地、未利用地的SOC含量的主要驱动变量的对比分析，构建基于不同土地利用类型的SOC含量预测模型，为推进干旱区湖滨绿洲土地高质量发展提供科学参考，为推动可持续利用与合理保护干旱区湖滨绿洲土壤有机碳提供理论依据。
近日，该研究成果“Prediction and Mapping of Soil Organic Carbon in the Bosten Lake Oasis Based on Sentinel-2 Data and Environmental Variable”发表于国际学术期刊International Soil and Water Conservation Research（中科院一区Top，IF=7.3），我校地理科学与旅游学院地图学与地理信息系统硕士研究生李少天为该论文的第一作者，李新国教授为该论文的通讯作者，新疆大学副教授葛翔宇博士为该论文的第三作者。该研究成果得到新疆维吾尔自治区自然科学基金面上项目（2022D01A214）的资助。
研究工作的流程示意图
该研究利用五种不同的模型预测研究区的耕地、林地、未利用地的SOC含量。研究结果表明，采用RF模型具有最低的RMSE值（2.72）和最高的r²值（0.79），表现出最高的精度。在未利用地上，RF模型的表现优于XGBoost模型；在耕地上，ET模型精度更高，RMSE值为6.66，r²值为0.82；在林地中，ET模型精度更高，RMSE值为7.72，r²值为0.86，优于XGBoost模型的精度。
五种不同模型的SOC含量的空间分布
研究结果表明，XGBoost和RF模型的SOC含量预测精度最高，研究区SOC含量变化的主要驱动变量为EVI、EVI2和SAVI，未利用地有机碳含量变化的主要驱动变量为SATVI，耕地和林地有机碳含量变化的主要驱动变量分别为DFI和CI。与AdaBoost、ET、SVM和XGBoost模型相比，RF模型在预测SOC含量方面表现出更好的效果。基于研究区的预测模型，区分不同土地利用类型的预测模型模拟精度更高。
李新国，教授，博士，我校地理科学与旅游学院地图学与地理信息系统专业硕士生导师，先后主持国家自然科学基金项目、自治区自然科学基金项目、自治区高校本科教育教学研究和改革项目等项目；在国内外学术期刊发表论文50余篇；主要从事干旱区环境遥感、土壤高光谱变化等方面的教学研究工作。
葛翔宇，副教授，博士，2016年7月本科毕业于我校地理信息科学专业，现为新疆大学地理与遥感科学学院教师，地图学与地理信息系统专业硕士生导师；主要从事土壤盐渍化、农业遥感和资源遥感的研究。
图文来源：地理科学与旅游学院 编审：宣传部
