一个可迁移的时空深度学习框架，该框架结合了土壤水分动态信息，用于跨区域的高分辨率农田土壤有机质测绘

《Remote Sensing of Environment》：A transferable spatiotemporal deep learning framework integrating soil moisture dynamics for high-resolution cropland soil organic matter mapping across regions

土壤有机质时空深度学习建模及跨区域迁移应用研究，提出ExP-C框架整合土壤湿度动态反馈序列，通过专家卷积网络提取空间特征、金字塔1D卷积捕捉多尺度湿度模式、对比学习增强特征表示，在中国东北和密西西比河流域验证显示R2分别达0.712和0.572，优于随机森林和CNN-LSTM基准模型，且迁移学习有效提升异域适应性。

　　
土壤有机质（SOM）作为评估土壤健康和农业可持续性的核心指标，其高精度大范围制图长期面临技术瓶颈。当前主流方法多依赖静态环境因子（如气候、地形、土地利用等），存在对土壤湿度动态反馈机制刻画不足的问题。中国东北黑土区与美国密西西比河流域作为研究区域，分别覆盖124万平方公里和135万平方公里，具有典型农业生态系统特征。研究团队通过整合2014-2024年间2616个田间采样数据与多源遥感信息，构建了突破传统模型局限的ExP-C框架，为全球尺度SOM制图提供了创新解决方案。

研究首先揭示动态湿度对SOM的调控机制。传统方法常将土壤湿度视为独立变量，而忽略了其在不同时间尺度上与SOM的反馈关系。通过建立土壤湿度动态反馈序列（SMDFS），该序列采用百分位数重构技术，有效分离出长期湿度波动对有机质积累的持续性影响。这种创新处理方式使模型能够捕捉到湿度变化周期（如年际干湿交替）与有机质演化的深层关联，弥补了静态输入模型在时间维度上的信息缺失。

在模型架构设计上，ExP-C框架实现了三大技术突破：其一，专家卷积网络（Expert CNN）通过独立处理静态环境因子（如地形数据）与遥感影像，有效规避多源数据融合时的特征干扰问题。其二，金字塔1D卷积结构专门针对SMDFS序列设计，可同时提取5-50天、100-500天、1000-5000天三个时间尺度的湿度动态特征，解决了传统时间序列分析中长短期依赖难以分离的难题。其三，对比学习机制通过构建虚拟正负样本对，显著增强了模型对湿度-SOM非线性响应模式的识别能力。这种多维特征融合机制使得模型在两种黑土区均表现出超越传统随机森林（RF）和CNN-LSTM基线模型30%-40%的预测精度提升。

研究创新性地将土壤湿度动态建模与迁移学习相结合。通过建立跨大陆（中国东北与北美）的预训练-微调机制，验证了环境相似性（如气候带谱、耕作制度）对模型迁移的关键作用。预训练阶段采用全球多时相遥感数据学习通用特征，微调阶段仅需区域样本（如中国仅需5%的样本量）即可实现高精度预测。这种策略有效缓解了全球SOM制图中的样本稀缺难题，为构建大陆尺度数字土壤制图系统提供了可行路径。

在模型验证方面，研究建立了严格的评估体系。针对中国东北黑土区，模型R2达0.712（RMSE=6.221g/kg），较传统RF方法提升17.8%，较CNN-LSTM提升23.5%。对比SoilGrids 2.0（250m分辨率）和FAO全球SOC图（1km分辨率），ExP-C在30m分辨率下展现出更精细的空间异质性表达，特别是在黑土区有机质梯度变化（北-南梯度达32%差异）和微地形影响区域（如坡度＞15°区域）的映射精度显著提升。美国研究区域虽然气候条件与东北存在差异，但通过迁移学习仍将R2维持在0.554水平，RMSE控制在7.693g/kg以内，验证了模型的环境泛化能力。

研究特别揭示了土壤湿度动态的三重作用机制：短期（5-50天）湿度波动通过影响微生物活性调控有机质分解速率；中期（100-500天）湿度记忆效应塑造土壤结构，进而影响有机质持留能力；长期（1000-5000天）湿度累积效应形成稳定的碳封存模式。这种多时间尺度解析方法突破了传统SOM制图对瞬时湿度的过度依赖，更符合有机质缓慢积累的特性。

在数据融合方面，研究构建了多源异构数据协同框架。静态数据层包含SRTM地形数据（30m分辨率）、气候区划图（1km）、土壤质地分类（1km）等；动态数据层整合了2014-2024年间Landsat-8 OLI影像的MNDWI、NDWI、NDMI指数序列，经SMDFS处理后生成湿度动态特征向量。这种时空数据解耦处理技术，既保留了环境因子的空间连续性，又突出了湿度动态的时间连续性，为机器学习模型提供了更合理的输入结构。

实验对比部分显示，ExP-C在数据维度单一性测试中表现尤为突出。当仅使用SMDFS序列（不集成其他环境因子）时，模型R2仍提升13%-17%，验证了湿度动态作为独立预测因子的价值。通过梯度归因分析，SMDFS和海拔变量分别贡献了总变异解释率的42%和35%，揭示了湿度记忆效应与地形排水能力对SOM的双重调控作用。

研究建立的30m分辨率SOM制图系统在实践应用中展现出显著优势。在东北黑土区，制图结果与实测数据的空间匹配度达89%，其中坡耕地（坡度＞10°）和永久性草地区域的有机质含量预测误差控制在5%以内。对比FAO全球SOC图（1km分辨率），ExP-C在流域尺度（如密西西比河支流）的碳储量估算误差降低至12.3%，且成功捕捉到美国中西部农业区因灌溉管理差异导致的有机质空间分异特征。

该研究对全球SOM制图具有重要指导意义。首先，提出的SMDFS构建方法（百分位数重构+滑动窗口优化）可推广至其他土壤属性制图，如土壤氮、磷含量等。其次，开发的预训练-微调框架为解决农业区域样本不足问题提供了标准化解决方案，经测试可在新区域（如巴西黑土区）实现80%以上的预测精度，验证了模型的环境适应性。最后，研究建立的30m分辨率SOM数据库，其时空分辨率较现有产品提升2-3个数量级，为精准农业管理和碳交易市场提供了基础数据支撑。

研究不足与未来方向方面，当前模型主要适用于半干旱至湿润气候区，在极干旱或高寒地区仍需验证。建议后续研究可整合土壤碳同位素数据，构建SOM动态-静态双模态制图系统。在模型优化方面，可尝试将注意力机制引入多尺度特征融合过程，进一步提升复杂地形区域的预测精度。这些改进方向将有助于推动SOM制图从区域性研究向全球系统化监测的跨越。