一种高分辨率反演框架，用于利用集成机器学习方法估算农田土壤有机碳含量

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A High-Resolution Inversion Framework for Cropland Soil Organic Carbon Estimation Using an Ensemble Machine Learning Approach

　　

农田土壤有机碳（SOC）是决定土壤肥力、农业生产力、粮食安全以及通过碳生物地球化学循环缓解气候变化和维持生态系统健康的关键土壤成分。传统的土壤采样方法具有较低的空间密度和较少的更新频率，因此无法实现高分辨率、大范围的SOC监测。同时，单一的机器学习模型在异质农业生态条件下的泛化能力较弱，且在精细尺度上的SOC反演精度有限。为了解决这些问题，本研究开发了一个针对天津农田的堆叠集成元模型框架，以实现高精度的10米分辨率地表SOC反演和制图。从Sentinel-2影像中提取了36个生物物理和光谱协变量作为预测因子，包括归一化植被指数（NDVI）、增强植被指数（EVI）和绿色归一化植被指数（GNDVI）。训练并验证了四种基础学习器，分别是随机森林（RF）、支持向量回归（SVR）、极端梯度提升（XGBoost）和弹性网络回归（ElasticNet），并以岭回归（Ridge Regression）作为元学习器。通过SHapley加性解释（SHAP）分析来量化各特征对模型解释性的贡献。该集成模型的R2值为0.7816，比表现最好的基础模型SVR（R2 = 0.6747）高出0.1069，并将均方根误差（RMSE）降低了18.0%