在全球碳循环中，土壤有机碳（SOC）是最大的陆地碳库，约占陆地总碳的50-80%，其含量是大气或植被的三倍以上，并决定了景观的碳源、碳汇能力。了解土壤有机碳含量对环境可持续性和碳中和至关重要。随着遥感数据和预测模型的发展，融合多源遥感数据预测SOC含量是一个有趣而富有挑战性的课题。为此，中国科学院东北地理与农业生态研究所农业遥感学科组的科研人员基于区域能量权重的离散小波变换和谱带分割方法，融合了2009-2019年10个场景的陆地卫星多光谱图像数据的时相信息、地形数据的空间信息和高分5号高光谱图像的光谱信息。然后，利用偏最小二乘回归、随机森林和卷积神经网络算法，开发一种提取时-空-谱（TSS）融合信息的新方法，验证TSS信息是否能够更好地代表土壤信息，提高土壤有机碳含量预测的准确性，并验证模型的可移植性，评估时相、空间和光谱信息在预测SOC含量中的作用。 

　　 结果表明：当TSS信息作为输入且CNN作为预测模型时，获得了最优的SOC含量预测模型（均方根误差（RMSE）为2.49 g kg-1，决定系数（R2）为0.86，性能与四分位间距之比（RPIQ）为1.91）。其次，不同信息影响SOC含量预测精度的顺序是光谱>时相>空间信息。此外，无论使用哪种输入量，CNN都比PLSR和RF具有更高的预测精度。CNN的RMSE比RF低0.42 g kg-1，R2和RPIQ分别比RF高9.25%和0.14%。上述结论在验证区域得到证明。该研究的意义在于，利用了数据挖掘技术，集成了土壤光谱库、多源遥感数据和深度学习算法，以获得大规模和高空间分辨率的土壤有机碳含量预测模型，为今后综合利用多源遥感数据和深度学习算法预测土壤性质提供了新思路。 

　　图1基于多时相多光谱、高光谱、地形及其融合数据预测SOC含量的流程图 

　　图2基于区域能量加权离散小波变换的图像融合过程 

　　图3基于不同输入量的实验室实测与预测SOC含量之间的散点图 

　　 研究成果于近期发表在国际期刊Remote Sensing of Environment（IF=13.85）上，由刘焕军研究员（通讯作者）和孟祥添博士（第一作者）共同完成。该研究得到了中国国家重点研发计划（2021YFD1500100）资助。 

　　文章信息：Meng, X.T., Bao, Y.L., Wang, Y.A., Zhang, X.L., Liu, H.J. 2022. An advanced soil organic carbon content prediction model via fused temporal-spatial-spectral (TSS) information based on machine learning and deep learning algorithms. Remote Sens. Environ. 280, 113166. https://doi.org/10.1016/j.rse.2022.113166