东北黑土区是我国粮食安全的压舱石。然而，该区域并非整片均质的黑土，而是黑土（Mollisol）与非黑土（Non-Mollisol）交错分布。准确识别黑土与非黑土的空间边界，是进行土壤资源精准管理和有机质（SOM）高精度制图的前提。传统的FAO土壤分类分区由于分辨率低且更新滞后，往往难以捕捉黑土在复杂地形下的破碎化分布特征。

针对上述问题，中国科学院东北地理与农业生态研究所农业遥感学科组的研究人员提出了一种基于“遥感分区-特征选择优化-随机森林（RSZ-FSO-RF）”的制图框架。研究利用谷歌地球引擎（GEE）平台获取了2014-2023年多年平均的Landsat-8裸土期合成影像，结合地形和气候协变量，构建了高精度的黑土与非黑土遥感分区模型，并对比了其与传统FAO分区的差异。

研究发现，基于多时相遥感影像与环境协变量构建的分区模型，在识别黑土与非黑土区域方面表现优异，总体精度达到92.13% 。研究定量揭示了遥感分区与FAO分区在黑土面积识别上的显著差异：FAO分区划定的耕地黑土区面积为154.071 km²（占比37.21%）；相比之下，遥感分区识别出的耕地黑土区面积为140.805 km²（占比34.01%）。差异分析表明，FAO分区倾向于“泛化”处理，忽略了过渡带的细节，导致黑土面积被高估；而遥感分区能更敏锐地识别出地形破碎、边缘退化区域的非黑土斑块，从而更真实地反映土壤类型的空间异质性 。在此基础上，研究团队进一步在不同分区内利用递归特征消除（RFE）算法优选预测变量。结果表明，基于遥感分区的分层建模策略（RSZ-FSO-RF）显著提升了土壤有机质的预测精度（R²=0.627，RMSE=6.781 g kg⁻¹），优于基于FAO分区的建模结果。研究还发现，黑土区的有机质含量较高且分布相对均一，而非黑土区的空间变异性更强，受地形和气候的联合调控更为显著。

图1 黑土与非黑土SOM含量差异。A、黑土与非黑土区域中土壤有机质(SOM)含量的浓度值；B、黑土与非黑土区域中土壤有机质含量的均值与标准差；C、基于粮农组织(FAO)分区结果的局部地图；D、基于遥感分区结果的局部地图。

该研究成果明确指出，高精度的遥感分区能够纠正传统土壤图在面积统计和空间边界上的偏差，为东北黑土区在复杂地形条件下的土壤资源精准管理提供了更可靠的数据支撑。

相关成果发表在农业综合性Top期刊Journal of Integrative Agriculture（中科院1区）上。本研究由农业遥感学科组联合培养研究生李雪（第一作者）、助理研究员罗冲（通讯作者）与刘焕军研究员等人共同完成。本研究得到国家自然科学基金（42401460）及国家重点研发计划（2021YFD1500100）的共同资助。

论文信息如下：Li, X., B. Jiang, D. Kong,D. Zang, Y. Chen, C. Wang , H. Liu, C. Luo. 2026. A zoning-based machine learning framework for accurate soil organic matter prediction across Mollisol and non-Mollisol regions. Journal of Integrative Agriculture.https://doi.org/10.1016/j.jia.2026.01.016.