《Remote Sensing Applications: Society and Environment》：Satellite-Based Soil Texture Mapping Using GLOBAL–LOCAL Spectral Libraries for Flood Hazard Assessment in Arid Regions
编辑推荐：
基于卫星遥感与土壤光谱库融合技术，本研究首次在阿拉伯联合酋长国实现荒漠地区土壤质地高精度反演，并构建融合地形、水文和土地利用的洪水风险结构模型。验证显示该模型与2024年4月Landsat 9观测数据在沿海城市和主要河流网络区域具有良好空间一致性，为干旱区灾害评估提供可扩展方法论。
阿卜杜勒·拉赫曼·S·阿尔萨利赫|玛丽亚姆·阿尔西巴希|德拉尔·E·阿尔莫马尼|哈梅德·阿尔哈希米|阿里·A·阿尔哈马迪|卡莱德·阿尔阿瓦迪|拉克马尔·塞内维拉特内|玛丽亚姆·R·阿尔谢希
阿联酋哈利法大学土木与环境工程系
摘要
由于城市扩张迅速和极端降雨事件频发，干旱和半干旱地区的洪水问题日益严重。然而，由于现场数据稀缺和高分辨率土壤信息有限，准确的洪水风险制图仍然十分困难。据我们所知，本研究是首次利用GLOBAL–LOCAL土壤光谱库融合技术进行卫星土壤质地制图，以评估干旱地区的洪水风险。融合模型在预测沙土（R2 = 0.72，RMSE = 8%）方面表现优异，在预测粉土（R2 = 0.44，RMSE = 2.8%）和粘土（R2 = 0.55，RMSE = 5.4%）方面也表现良好。同时，使用Sentinel-2卫星进行土地覆盖分类后，非土壤表面的识别准确率达到93.75%（κ = 0.90）。通过将预测的USDA土壤质地分类结果与高程、坡度、水文和土地覆盖数据结合，生成了洪水风险地图，突出显示了低海拔沿海地区和底层土壤质地较细的城市的易受灾区域，而不仅仅是预测特定洪水的范围或水深。2024年4月一次重大洪水事件的Landsat 9卫星观测数据验证表明，高风险和极高风险区域的分布与沿海城市及主要河流网络的淹没情况高度吻合。本研究证明了将实验室训练的土壤光谱模型应用于卫星传感器并嵌入洪水风险制图中的可行性，为全球干旱和半干旱地区提供了一种可扩展且可转移的方法，这些地区的土壤数据匮乏限制了风险评估的准确性。由此产生的洪水风险和道路脆弱性地图将科学建模框架转化为可用于决策的产品，支持城市分区规划、排水和交通基础设施设计以及应急响应规划。
引言
洪水是全球最严重的自然灾害之一，对基础设施、经济和人类安全造成严重影响，尤其是在阿联酋（UAE）等快速城市化的干旱地区以及中东、北非和中亚的其他干旱地区（Ceresa等人，2025；Dhanhani等人，2010a）。气候变化（Abdelrahman等人，2021）加上城市扩张加速和降雨强度增加，加剧了洪水的频率和规模（Abdelrahman等人，2021），给有效的洪水风险制图和管理带来了更多挑战（AbdelRahman等人，2023；Ali等人，2016；Okacha等人，2024）。在干旱环境中，地形、土地覆盖和土壤特性的强烈空间差异，以及高分辨率现场水文和土壤数据的稀缺（Ali等人，2016；Dhanhani等人，2010；Misra等人，2025；Okacha等人，2024），进一步加剧了这些挑战。
洪水动态通常基于历史洪水记录、降雨-径流关系和地形驱动的流动过程来确定。尽管自20世纪末以来，包括亚洲、非洲、欧洲和中东在内的许多地区都经历了多次洪水事件，但湿润环境和干旱环境中的洪水生成机制存在显著差异。在中国和南亚进行的多尺度研究表明，干旱地区的洪水发生主要受降雨强度、径流集中度和地表特征的影响（Zhou等人，2025）。在阿联酋等干旱和半干旱地区，洪水主要由短时强对流降雨引发，这些降雨会在不透水的城市表面、压实的土壤和短暂的排水系统中产生快速地表径流，因此即使年降雨量相对较低，也可能发生严重洪水。
传统的洪水风险制图方法主要依赖历史洪水记录、简化的水文假设和低分辨率的环境数据。如FAO和Harmonized World Soil Database（HWSD）等全球土壤数据集通常以公里级分辨率提供（Lovat等人，2019），不适合用于城市和基础设施规模的洪水风险评估。因此，许多先前的洪水风险研究要么使用泛化的土壤信息，要么完全忽略土壤质地，尽管土壤质地直接影响渗透能力、径流生成和洪水传播（Gutmann & Small，2007a；Yoshe，2025）。在阿联酋等干旱地区，这种限制尤为突出，因为洪水行为受到地形、土地覆盖和土壤质地在沿海平原、内陆沙漠和山区之间的局部相互作用的影响（Subraelu等人，2023）。
遥感（RS）、地理信息系统（GIS）和机器学习（ML）的最新进展显著提高了洪水风险评估的能力，实现了高分辨率的土地覆盖、地形和水文特征制图（Abdelrahman等人，2016；Hussain等人，2025；Siddique & Ahmed，2025）。多光谱光学传感器（如Landsat和Sentinel-2）被广泛用于划定洪水范围和地表水动态，而合成孔径雷达（SAR）传感器（特别是Sentinel-1）能够在云层覆盖和极端天气条件下可靠地检测洪水。结合光学和SAR数据的多源卫星方法，包括知识转移策略和基于云的处理平台，进一步改进了洪水淹没的检测和验证（Zhao等人，2024）。尽管取得了这些进展，但由于数据可用性和将土壤信息与水文模型结合的方法学挑战，土壤质地在操作性洪水风险评估中的整合仍然不足。
土壤质地对渗透能力、径流生成和洪水范围具有根本性影响，但通常使用泛化或粗略的数据集进行表示，这些数据集无法捕捉局部差异，尤其是在干旱和半干旱地区（Gutmann & Small，2007；Yoshe，2025）。在阿联酋，年降雨量通常在80至160毫米之间，洪水主要与极端降雨强度有关，而非降雨量。当降水强度超过渗透能力时，城市地区、沙丘表面和细粒或压实的土壤会产生快速径流（AbdelRahman，2025），导致即使年降雨量较低也会发生突发性洪水。
高光谱卫星传感器（如PRISMA）提供了从可见光到短波红外范围内的连续光谱覆盖，能够直接区分与水文行为相关的土壤矿物学和质地特性。粗粒土壤通常促进快速渗透和排水，而细粒土壤则保持水分并增加地表径流，在强降雨事件中增加洪水范围和淹没持续时间。虽然高光谱数据已广泛用于土壤特性制图，但它们在洪水风险评估中的直接整合仍然有限。
与以往仅关注洪水风险制图或仅关注土壤质地制图的研究不同，本研究明确将卫星获取的土壤质地与洪水风险分析相结合。采用了一种新颖的GLOBAL–LOCAL土壤光谱库（SSL）融合策略，将全球分布的土壤光谱与实验室测量的局部土壤样本结合，以提高模型在数据稀缺的干旱环境中的稳健性、泛化能力和可转移性。实验室校准的模型直接应用于PRISMA高光谱图像，实现了适用于洪水风险评估的空间明确的土壤质地制图。该框架有望推广到其他干旱地区，前提是具备合适的高光谱图像和至少具有代表性的局部土壤采样数据集用于校准或适应。
本研究是首次在干旱国家应用GLOBAL–LOCAL SSL融合方法进行基于卫星的土壤质地预测，并将其直接整合到洪水风险制图中。与之前未结合空间分辨土壤质地的阿联酋洪水制图研究以及未评估水文影响的的高光谱土壤研究相比，本研究直接评估了土壤质地整合对洪水风险表示和验证的影响。
因此，本研究旨在评估使用GLOBAL–LOCAL土壤光谱库融合框架从PRISMA高光谱图像预测的土壤质地是否可以改善阿联酋的洪水风险表示和验证，并将这些科学进展转化为应用地理空间产品，包括道路脆弱性制图、分区支持层和应急规划工具，同时为干旱和半干旱地区的风险评估和基础设施韧性提供可转移的方法。
文献综述
遥感、GIS和计算建模的进步极大地推动了洪水风险制图的发展，提高了空间分辨率、时间覆盖范围和预测能力（Nazzareno等人，2014；Okacha等人，2024）。光学卫星传感器（如Landsat和Sentinel-2）被广泛用于绘制洪水范围、持续时间和土地覆盖动态，特别是在地面观测有限的地区（Hussain等人，2025；Siddique & Ahmed，2025；Uddin等人，
数据与方法
该方法论框架结合了实验土壤质地分析、RS数据和ML技术，为阿联酋生成了高分辨率的洪水风险地图（图1）。该过程包括几个阶段，包括野外采样和实验室土壤质地分析、局部和全球土壤光谱数据的融合、高光谱和多光谱卫星图像的获取和预处理、开发用于土壤质地预测的PLSR模型（Metwaly等人，2024）以及基于GIS的
土壤质地特征和模型性能
图2中的粒径分布（PSD）曲线显示了粘土（0–2 μm）、粉土（2–50 μm）和沙土（50–2000 μm）粒级的累积占比。沙土粒级范围内的PSD曲线显示出明显的过渡，表明粗粒颗粒占主导地位。这种粗粒质地的优势意味着在典型条件下具有较高的渗透潜力，但水分保持能力较低，而细粒部分的局部增加可能会增强地表径流生成
土壤质地特征和模型性能
结果证实，阿联酋的地表土壤主要是粗粒质地，平均和中位沙粒含量超过90%（图2），这与沙漠地貌一致。这种主导地位意味着较高的渗透潜力，但水分保持能力较低，这是干旱环境中洪水建模、径流分配和风险预测的关键因素。然而，粉土（9.49%）和沙土（11.40%）的相对较高标准差，以及USDA质地分类标准，
结论与建议
本研究通过融合GLOBAL–LOCAL土壤光谱库，将高光谱卫星获取的土壤质地整合到洪水风险评估中，实现了干旱国家中罕见的应用。将实验室校准的模型转移到PRISMA高光谱图像中，并将得到的USDA土壤质地分类结果嵌入基于GIS的水文风险框架中，取得了良好的预测性能（沙土：验证R2 = 0.72；RMSE = 8%）
作者贡献声明
阿卜杜勒·拉赫曼·阿尔萨利赫：撰写——审阅与编辑、原始草稿撰写、可视化、验证、软件开发、方法论设计、调查、数据分析、数据管理。卡莱德·阿尔阿瓦迪：撰写——审阅与编辑、监督、调查、概念化。哈梅德·阿尔哈希米：项目管理、资金获取。玛丽亚姆·拉谢德·阿尔谢希：撰写——审阅与编辑、监督、资源管理、项目管理、资金获取、概念化。拉克马尔·塞内维拉特内：项目支持
未引用的参考文献
Ali等人，2016a；Ali等人，2016b；Al-Omari等人，2024a；Al-Omari等人，2024b；Dhanhani等人，2010b；Gutmann和Small，2007b；Innocent Maruza等人，2024；Misra等人，2025a；Misra等人，2025b；Okacha等人，2024a；Okacha等人，2024b；阿联酋政府官方网站，2025；联合国减灾办公室，2025。
知情同意
由于本研究未涉及人类参与者，因此不适用。
伦理批准
本研究未涉及人类参与者、动物或社交媒体数据，因此不需要伦理批准。
数据可用性和责任使用
本研究中使用的卫星数据和辅助数据集可从公认的存储库（如Sentinel、Landsat）公开获取。所有数据均按照科学研究的伦理准则和期刊政策进行处理。
利益冲突
作者声明没有可能影响本文报告结果的财务或个人利益冲突。利益冲突声明
作者声明没有已知的财务或个人利益冲突可能影响本文的工作。致谢
作者感谢哈利法大学，特别是ACBC实验室和阿联酋核技术中心（ENTC）提供的实验室设施。该项目由阿联酋航天局（United Arab Emirates Space Agency）资助，属于Space Analytics and Solution（SAS）计划的一部分，该计划旨在基于卫星数据创建商业上可行的应用，并促进空间下游应用，增加需求
