基于遙感數據產品的亞熱帶地區土壤有機碳儲量評估以長株潭綠心區為例

2025-05-21 00:00:00陳鑄肖海思湘強

安徽農業科學 2025年7期

關鍵詞：模型

ssessent ofSoil Organic Carbon Storage in Subtropical Regins Based on Remote SensingData Products：A Case Studyof Chang sha-Zhuzhou-Xiangtan Green Heart Region

CHEN Zhu123，XIAOHai23，QUAN Si-xiang12etal（1.HunanSecond SurveyingandMaping Institute，Changsha，Hunan 41000；2.HunaEgineingReseachCnterfitgofturalEosteCarboSinks，anshaunan3Kbto ofNaturalResoucsoitogandSupervsinoutHlleasofteistryofaturalResoucs，Cangsha，Hun4

AbstractTakingthecoreareaofChangsha-Zhuzhou-XiangtanGren HeartCentralParkastheresearchobject，basedonon-sitecoleted dataincludingslnicarbodatultispetralotesigdataigialatioodels（E），eteorologicaldata（iiati andtemperatre），landaalchangesureydataandothruiliarydtautiplelinearegresionmodels，tepwseregressioodels andrandom forest models were selected to invert and evaluate the organic carbon density and storage in the cm surface and profile，respectivelyTecuacfecsofetiatioesulsofdfetodeletoseompredndepoceofchlue cingfactorwasanalyzed.Teresultshowedthatherandomforestmodeldemonstratedtheighestaccracyiestimatingteorganicarbon density of 0-20 cm surface soil （），with significant factors including surface reflectance in the blue light band，elevation，water flow intensityindexteiditydededulaestepsegodelowdestccacyiiatinghe file soil organic carbon density（），with significant factors including elevation，water flow intensity index，terrain undulation，greennessindex，oldgetatiodex，soladstedgeatiodedeagtmperature.eatialdistrtioaef 0- 20cm surfacesoiloganiarbonensityoincidewiththspatialdistribtionoftudulatidicatingsignificantiueneft topographyontedistrbutionofsurfacesoilrganicarboneseves.Teorderofufacesoilorganicarbondnsityfromhighesttolowestamong different land use types in the study area was forest land gt; paddy field gt; orchard land gt; grassland gt; dry land.

Key WordsRemote sensing data products；Soil organic carbon density；Soil organic carbon storage；Subtropical region

陸地生態系統中，土壤是最大的碳庫，約 81.2% 的碳貯存在土壤中[1]，全球 1m 深度的土壤中儲藏的有機碳量約1500Gt ，相當于大氣二氧化碳中碳的2＼～3倍[2]，土壤對碳固持有很大的潛力。土壤碳庫包含無機碳庫和有機碳庫2個部分，其中土壤有機碳庫是陸地生態系統中變化快、體量大的碳庫之一，受自然因素以及人類活動的影響程度高，在很大程度上影響了土地生產力及其穩定性[3]。加強對土壤有機碳儲量的研究對于當前開展生態系統碳匯監測與核算、實施“碳達峰碳中和”戰略具有十分重要的意義。

目前，土壤有機碳儲量研究方法有土壤類型法、生命帶法、模型估算法、GIS估算法等。以往核算土壤有機碳含量與空間分布往往通過大量的地面調查數據，根據土壤類型或土地利用類型，將土壤有機碳儲量平均分配給每個土壤類型或土地利用類型圖斑，這些方法受制于采樣數量、頻率以及時間，往往成本高、耗時長且數據更新不及時，無法準確反映每個圖斑土壤有機碳的含量、空間異質性以及時間動態變化[4]。隨著衛星遙感與測繪地理信息技術的飛速發展，各類自然資源大數據已成功應用于不同比例尺的土壤有機碳的估算研究中。模型估算法能夠通過已有樣點數據，將其類推至相似土壤類型中，可以較好地解決由樣點數據向大尺度轉換、碳庫數據變化趨勢的預測等難題。目前，模型估算法已被廣泛使用在高寒地區[5]、高緯度沼澤濕地[、三江平原[7]遼河流域[8]、干旱盆地地區[9]等國內多個不同區域尺度、不同地理位置與環境條件區域的土壤有機碳估算。但由于沒有統一的采樣或分析方法或因為環境變量的分辨率不一，導致相同區域計算結果出現了較大的差異[10]。因此，尋找并優化準確評估土壤有機碳含量的方法具有重要的現實意義。

該研究選擇亞熱帶地區的湖南省長株潭綠心中央公園核心區（以下簡稱長株潭綠心區）為研究對象，以該地區數字高程模型數據、多光譜遙感影像數據、國土年度變更調查數據、氣象數據以及實地土壤采樣數據等為基礎數據源，生成水流強度指數、地形濕度指數、地形起伏度、綠度指數、歸一化植被指數、土壤調節植被指數等遙感數據產品，選擇多元線性回歸、逐步回歸和隨機森林等不同的機器學習算法，對研究區范圍內 0～20cm 表層土壤和剖面土壤有機碳密度進行反演估算，并根據部分實測數據檢驗不同方法的精度差異，分析各類影響因素，形成最優的基于多源遙感數據產品和機器學習算法土壤有機碳估算模型，估算研究區范圍內0～20cm 表層和剖面土壤有機碳儲量。

1材料與方法

1.1研究區概況長株潭綠心中央公園位于湖南省長沙、株洲和湘潭3市交界處，是長株潭城市群生態綠心的核心區域，全區域面積共計，其中核心區面積為，地處亞熱帶季風氣候區，雨熱同期，降水充沛，四季分明。區域內地形豐富，植被種類多元，總體海拔較低，是典型的低山-丘陵地貌。湘江、瀏陽河等水系穿越長株潭綠心區，形成了丘崗、山塘、村落、耕地共存的景觀空間格局。長株潭綠心區是“長株潭都市圈”的中心地區，是我國現有都市圈內少有的大型綠色空間。在“雙碳”建設背景下，厘清碳儲發展脈絡與空間格局，對于實現綠心區生態與經濟共同發展十分重要[]

1.2研究思路該研究根據長株潭綠心區土地利用和地形分布特點，結合土壤采樣點空間分布的總體均衡性原則，布設土壤采樣點450個，采樣點空間分布如圖1所示。詳細調查長株潭綠心區450個采樣點的環境信息，開展各個樣點的土壤樣品采集與有機碳含量檢驗；結合測繪地理信息技術，多途徑整合區域環境變量，分析 0～20cm 表層和剖面土壤有機碳的空間分布數據，探索并建立土壤有機碳密度與環境變量之間的關系模型，同時進行精度驗證，評價并選擇評估結果較優的模型，計算土壤有機碳儲量。

圖1研究區采樣點空間分布Fig.1Spatialdistributionof samplingpointsinthestudyarea

1.3 研究方法

1.3.1土壤樣品采集。采樣點的布設基于2022年度國土變更數據，選取數據中的林地、水田、旱地、園地和草地等不同土地利用方式圖斑，按照空間分布總體均衡性原則布設土壤采樣點450個（包括表層樣品和剖面樣品）。在采集表層容重樣品時，在每塊樣地選取鄰近的3個土壤樣點，取過100自篩烘干后的土壤樣品，采用碳氮元素分析儀分析測定每個樣品的土壤有機碳含量；采用環刀法測定土壤容重；另取約1/3采樣土壤置于烘箱烘干 5h 后稱土壤總重量，然后磨碎過 2mm 篩留取大顆粒于水中清洗掉泥土后再于

烘箱烘干 2h ，稱取礫石重量。

土壤有機碳密度計算公式如下：

式中：為第 i 個格點土壤有機碳密度（）；為第i 個格點土壤有機碳含量（ g/kg）：為第 i 個格點土壤容重L ，土壤容重（P）= 烘干土樣質量/環刀容積； H 為土層厚度 τ（m）。

土壤有機碳儲量計算公式如下：

（2）式中：SOCS為土壤有機碳儲量為第 i 個格點的面積為礫石含量（%），礫石含量礫石重量/土壤總重量 ×100%；n 為總格點數。

1.3.2環境變量預處理。選取哨兵二號（Sentinel-2）Level-2A級別遙感影像數據，時相為2023年4月7日，數據覆蓋整個長株潭綠心區，包括13個光譜波段，分辨率包括10、20和60m ；直接輸出長株潭綠心區范圍紅、綠、藍和近紅外4個波段（分辨率為 10m ）的地表反射率；基于地表反射率數據計算長株潭綠心區范圍內的歸一化植被指數（NDVI）綠度指數（GLI）、土壤調節植被指數（SAVI）、土壤調整比值植被指數（SARVI）這4種植被指數與土壤指數[12]，計算公式如下：

式中：NIR為近紅外波段（Band8）反射率；Red為可見光紅波段（Band4）反射率；Green為可見光綠波段（Band3）反射率； Blue為可見光藍波段（Band2）反射率； L 為土壤調節系數。

基于數字高程模型（DEM），計算得到地形起伏度（Slope）。水流強度指數（SPI）是衡量徑流集中程度的物理指標，地形濕度指數（TWI）是地形對徑流流向和蓄積影響的物理指標，SCA為單位面積的匯流量[13]。SPI和 TWI的計算公式如下：

選取湖南省氣象局提供的與影像時點一致的氣象站點數據（氣溫和降水數據），使用克里金插值法獲得 10m 分辨率的月降水量與月均氣溫數據。選取來源于2022年國土變更調查的土地利用數據，提取并融合該數據的林地、水田、旱地、草地、園地等分類，開展不同土地利用方式的土壤有機碳密度和碳儲量分析。

1.3.3土壤碳儲量的多模型反演。將上述獲取處理的解釋變量數據（地表反射率、植被指數和土壤指數、高程、地形起伏度、水流強度指數、地形濕度指數、降水量和氣溫等）分別作為多元線性回歸模型、逐步回歸模型、隨機森林模型的輸入參數，選取400個樣點作為模型的訓練樣本，樣點要求覆蓋林地、水田、旱地、草地、園地等不同土地利用類型，通過模型自動選擇方式，篩選出這些解釋變量中對樣本中土壤碳儲量的解釋度更高的變量，并使用這些變量分別反演全域連續柵格土壤有機碳密度。

多元線性回歸是評估一個因變量與多個自變量的線性關系較基礎的方式。通過多元線性回歸，可以設法找出最能代表自變量與因變量之間關系的數學表達形式。輸入解釋變量與樣品土壤碳儲量，構建并查看每一種解釋變量與土壤有機碳密度的相關性關系，手動選擇解釋度高的解釋變量，構建多元線性回歸模型[14]

逐步回歸是一種篩選變量的模型，從所有的解釋變量中構建回歸模型，按一定順序添加或刪除變量，最終得到由該順序確定的自變量組合，由系統自動判斷哪些變量應該保留，哪些需要移除。將解釋變量與樣品土壤有機碳密度作為輸入數據，逐步回歸模型會逐步分析每一個解釋變量的相關性，并將這些變量自動排序篩選，最終確定選取前幾個解釋度較高的自變量，構建逐步回歸模型[15]

隨機森林是一種基于決策樹的集成學習算法，可以在多個訓練樣本中尋找多個解釋變量對因變量的解釋度排序，并預測回歸精度與解釋度。將解釋變量與樣品土壤有機碳密度數據輸人隨機森林模型，模型會自動將所有自變量的解釋度進行排序，并根據模型輸出的擬合誤差折線圖，確定選取前幾個解釋度較高的自變量，構建隨機森林模型[6]

在3種模型對解釋變量的多種選擇后，將每種模型選定的自變量與因變量進行擬合，得出自變量與因變量的擬合方程的系數與截距，最終獲得土壤碳儲量與多個自變量的擬合方程，使用上述獲取的方程分別計算，得到每種模型反演下的全域連續柵格土壤有機碳密度。

選取樣點的余下50個樣點數據作為模型精度驗證樣本，將這些樣點的反演值與計量值進行比較，將不同模型反演的土壤有機碳密度作為橫坐標、實測的樣點土壤有機碳密度的計量值作為縱坐標分別進行線性擬合，查看并比較不同算法模型的擬合優度，用決定系數）來衡量。

2 結果與分析

2.1數據精度驗證將使用不同模型反演土壤有機碳密度（SOCD）的結果與土壤有機碳密度測試樣點進行擬合分析，驗證評估模型的精度。總體評估結果（圖2）顯示，無論表層還是剖面結果的決定系數均在0.50以上，但是不同模型的評估結果差異較明顯。3種模型對 0～20cm 表層土壤有機碳密度比剖面土壤有機碳密度評估精度更高。 0～20cm 表層土壤有機碳密度反演評估的決定系數為 0.86～ 0.88；剖面土壤有機碳密度反演評估的為 0.50～0.54 。

不同模型對土壤有機碳密度評估結果的數據精度有一定差異。對表層土壤有機碳密度反演的擬合優度最佳模型是隨機森林模型（，該模型選擇地表反射率藍光波段、高程、水流強度指數、地形濕度指數、地形起伏度這5個解釋變量。對剖面土壤有機碳密度反演的擬合優度最佳模型是逐步回歸模型（，該模型選擇高程、水流強度指數、地形起伏度、綠度指數、歸一化植被指數、土壤調節植被指數和平均氣溫這7個解釋變量。

2.2長株潭綠心區土壤碳儲量總體特征根據多元線性回歸、逐步回歸、隨機森林3種模型確定的土壤有機碳密度計算土壤有機碳儲量，結果發現（圖3），3種模型反演的長株潭綠心區 0～20cm 表層土壤有機碳密度分別為4.34、4.37和，表層土壤有機碳儲量分別為，評估精度最高的隨機森林模型的計算結果顯示，表層土壤有機碳密度為，表層土壤有機碳儲量為；剖面土壤有機碳密度分別為11.45、

，剖面土壤有機碳儲量分別為、 t，評估精度最高的逐步回歸模型計算結果顯示，剖面土壤有機碳密度為，剖面土壤有機碳儲量為 L

根據數據精度評估結果，對 0～20cm 表層土壤碳儲量的評估分析將選用隨機森林模型計算結果，對剖面土壤碳儲量的評估分析將選用逐步回歸模型計算結果。

te： and aremultiple linear regression models； and are stepwise regression models； and are random forest model：

Fig.2Results of threealgorithmmodels for inverting soil organiccarbon densityinsurface（a）and profile（b）layers

圖23種算法模型反演表層（a）和剖面（b）土壤有機碳密度的結果圖3長株潭綠心區土壤碳儲量總量（a）與平均碳密度（b）

Fig.3Totalsoil carbon storage（a）and averagecarbon density（b）inthe Changsha-Zhuzhou-Xiangtan green heartregion

2.3長株潭綠心區土壤有機碳密度空間分布隨機森林模型計算結果（圖4a）顯示，長株潭綠心區 0～20cm 表層土壤有機碳密度為。土壤有機碳密度較高的區域分布在長株潭綠心區昭山鎮，綠心區西南部學林街道和井南街道部分區域、綠心區南部清水塘街道與井龍街道交界處部分區域，綠心區中部昭山鎮與跳馬鎮交界處部分區域；土壤有機碳密度較低的區域分布在長株潭綠心區西部暮云街道，綠心區西北部同升街道和暮云街道交界處，跳馬鎮東部區域。與環境變量空間分布相比，表層土壤有機碳密度空間分布情況與地形起伏度空間分布十分吻合，這與隨機森林模型計算的土壤有機碳密度與地形起伏度等解釋變量存在極顯著相關關系相一致。

逐步回歸模型計算結果（圖4b）顯示，長株潭綠心區剖面土壤有機碳密度為。對比 0～20cm 表層土壤有機碳密度與剖面土壤有機碳密度，二者在同一地理空間分布上的特征差異較大，如長株潭綠心區的昭山鎮與跳馬鎮交界處的剖面土壤有機碳密度明顯較低，因為此處大多為海拔較高的林地，且土層淺薄；在長株潭綠心區的東南部及西部區域水田分布較多，剖面土壤有機碳密度較高。

圖4長株潭綠心區表層（a）和剖面（b）土壤有機碳密度空間分布Fig.4Spatialdistrbutionofsoilorganiccarbondensityinthesurfacea）andprofile（b）of te Changsh-ZuzouXiangtangreeheartre gion

2.4不同土地利用方式土壤有機碳密度與碳儲量差異從表1可以看出， 0～20cm 表層土壤有機碳密度表現為林地和水田較高，分別為4.85和4.66kg/m2，其次為園地0 ），而草地和旱地的土壤有機碳密度較低，分別為3.54和。長株潭綠心區 0～20cm 表層土壤有機碳密度的均值為，顯著高于全國平均水平）[17]。結合研究區域內不同土地利用類型的面積，計算得出該區域5種土地利用方式 0～20cm 表層土壤有機碳總儲量為，其中林地土壤有機碳儲量為種土地利用方式的 0～20cm 表層土壤有機碳儲量從大到小依次為林地 gt; 水田 gt; 園地 gt; 草地 gt; 旱地，林地和水田 0～20cm 表層土壤有機碳儲量占比較高，分別為 84.12% 和 10.76% 。

各類土地利用方式的剖面土壤有機碳密度從大到小依次為水田 gt; 園地 gt; 旱地 gt; 草地 gt; 林地。因為長株潭綠心區的有效土層較淺，所以剖面有機碳密度不高。結合研究區域內不同土地利用類型的面積，計算得出剖面土壤有機碳總儲量為，其中林地土壤有機碳儲量為種土地利用方式的土壤有機碳儲量從大到小依次為林地 gt; 水田 gt; 草地 gt; 旱地 gt; 園地。林地和水田的剖面土壤有機碳儲量占比較高，分別為 84.29% 和 10.69% ，這2類土地利用方式剖面土壤有機碳儲量占比與表層土壤有機碳儲量占比特征一致，草地的剖面土壤有機碳儲量占比明顯高于草地的 0～ 20cm 表層土壤有機碳儲量占比，主要是因為草地的剖面有機碳密度明顯高于 0～20cm 表層土壤有機碳密度。

表15類主要土地利用方式土壤有機碳密度與儲量統計Table 1Statistics of soil organic carbon density and storage for five major land use types

3討論

3.1土壤有機碳分布的主要影響因素在選擇多元線性回歸、逐步回歸、隨機森林等機器學習算法計算土壤有機碳儲量的過程中，數字高程模型（DEM）有關的解釋變量對土壤碳儲量計算結果的解釋度較高，表層土壤有機碳密度空間分布情況與地形起伏度空間分布十分吻合。研究結果顯示，土壤有機碳受地形地貌等因素的影響較大，這個結果與以往研究的成果基本吻合[18-19]。這是因為不同的地形地貌能夠決定土壤所處區域的水熱條件，并且隨著海拔的變化，土壤群落的時空格局及理化性質也有所差異；另外，土壤有機碳的輸入主要來源于動植物殘體，而地形地貌在土壤有機碳的形成期間對其進行再分配，能夠直接影響土壤有機碳的演變與累積

除此之外，對土壤有機碳儲量分布結果解釋度較高的變量還有地表反射率、水流強度指數、地形濕度指數、綠度指數、氣溫等，這表明土壤有機碳的空間分布特征也與地表多種環境因素息息相關[20]。該研究重點關注了環境因素對長株潭綠心區土壤有機碳儲量的影響，而人類活動也應該是影響土壤有機碳空間分布的重要因素，后續可加強該方面數據的收集，綜合分析長株潭綠心區土壤有機碳儲量空間分布的關聯環境因子。同時也可以根據不同的土地利用方式，采用不同機器學習模型對土壤有機碳密度和儲量進行精度評估與分析，最終確定最優模型。

3.2剖面層土壤有機碳評估結果分析相關研究結果顯示， 100cm 深剖面土壤中約有 50% 以上的有機碳儲存在20cm 以下的底土層[21]，因此，估算區域土壤有機碳庫時，需要對涵蓋底土的土壤剖面有機碳庫進行有效評估。該研究僅對長株潭綠心區的 0～20cm 表層和剖面土壤有機碳密度進行了評估，結果顯示，剖面土壤有機碳的評估總體精度明顯低于 0～20cm 表層土壤有機碳密度評估精度。一方面，出現這種結果的原因是該研究選取的樣點有效土層厚度不均，長株潭綠心區林地只有極少數的有效土層厚度超過 100cm 絕大多數林地有效土層厚度為 14～73cm ，這使得算法模型在對剖面土壤有機碳密度估算時的準確性不高。另一方面，機器學習算法在對剖面土壤有機碳因子的選擇中，所有因變量除了解釋度較高的地形起伏度外，其他因子的解釋度普遍不高。以往研究也有類似發現，相比于表層土壤有機碳，100cm 剖面有機碳密度的空間變異更大、影響因素更為復雜，技術上更難準確評估[22，也有可能存在環境因素潛在的間接影響，或多個因子之間的協同或拮抗作用。

4總結

該研究采用多元線性回歸、逐步回歸、隨機森林3種不同的算法模型，結合多源遙感數據、數字高程模型（DEM）和氣象數據，計算了長株潭綠心核心區的土壤有機碳儲量，并分析了長株潭綠心區土壤有機碳的空間分布和不同土地利用方式土壤有機碳密度的差異。研究結果顯示：隨機森林模型對 0～20cm 表層土壤碳儲量的評估精度最高（，反演的表層土壤平均碳密度為，表層土壤有機碳儲量為；逐步回歸模型對剖面土壤碳儲量的評估結果精度最高（），反演的剖面土壤平均碳密度為，剖面土壤有機碳儲量為 t。

長株潭綠心區林地、水田、旱地、園地和草地5種土地利用方式 0～20cm 表層土壤有機碳密度以林地和水田較高，而草地和旱地較低。相反，剖面土壤有機碳密度則以水田最高，其次為園地，林地最低。該區域5種土地利用方式 0～ 20cm 表層土壤有機碳總儲量為 t，其中林地土壤有機碳儲量為 t；剖面土壤有機碳總儲量為 19.73× ，其中林地土壤有機碳儲量為 t。長株潭綠心區為典型南方丘陵地貌，地形起伏大、斑塊破碎化程度較高，該區域影響土壤有機碳密度分布的重要環境因素主要為地形起伏度、土地利用類型、海拔和坡度。從土壤有機碳密度空間分布來看，中部昭山鎮一帶為林地集中區域，且海拔相對較高，土壤有機碳密度也較高；東南部有機碳密度分布較高主要與水田的集中連片分布有關；而東部和西部由于旱地相對分布較多，且土壤斑塊破碎程度較高，導致該區的土壤有機碳密度較少。