全球碳循环是指在若干生态系统中为维持生物多样性而持续进行的碳物质-能量交换，这对减缓气候变化和可持续发展至关重要。高空间分辨率精确绘制土壤有机碳(SOC)含量有助于明确每个区域的固碳能力，促进农业生态系统的量化，并有助于全球粮食安全。然而，全球各地区环境变量的高度异质性，加上小样本任务带来的挑战，为获得可靠的SOC含量数据集造成了重大障碍。 

　　为解决上述问题，中国科学院东北地理与农业生态研究所农业遥感学科组研究人员在遥感大数据和云计算平台（Google Earth Engine）的支持下，收集了191465幅Landsat TM和OLI影像以及高程模型数据，计算了基于土壤成土模型、表征土壤形成信息的光谱指数。其次，提出了局部策略(LS)，以降低土壤有机碳含量的高异质性和环境变量对预测结果的影响。更重要的是，首次构建了元学习卷积神经网络(ML-CNN)模型，为小样本任务提供了更高的预测精度，并用于生成高空间分辨率全球黑土区域SOC含量数据集(GMR-MCNN)。 

　　GMR-MCNN结果表明，全球黑土区SOC含量呈下降趋势，并可分为快速下降(1984-2000年)和缓慢下降(2001-2021年)两个阶段。四大黑土区SOC含量下降速率由大到小的顺序：俄罗斯-乌克兰平原、南美潘帕斯平原、我国东北、北美密西西比河流域。 

　　该研究发表在遥感领域国际顶级期刊《Remote Sensing of Environment》（影响因子13.50），由东北地理所2021级博士生孟祥添（第一作者）、刘焕军研究员（通讯作者）共同完成。研究得到国家重点研发计划项目(2021YFD1500100)、吉林省与中国科学院科技合作高技术产业化专项基金项目(2021SYHZ0013)共同资助。 

　　图1 用于SOC含量预测的ML-CNN模型结构 

　　图2 基于ML-CNN模型的2016-2021年SOC含量空间分布图 　    

　　论文信息及链接如下： 

　　Meng X, Bao Y, Luo C, et al. SOC content of global Mollisols at a 30 m spatial resolution from 1984 to 2021 generated by the novel ML-CNN prediction model[J]. Remote Sensing of Environment, 2024, 300: 113911. 

　　https://www.sciencedirect.com/science/article/pii/S0034425723004625