An Improved Remote-Sensing Mapping Framework for Soil Total Nitrogen in Fog-Prone Regions: Integrating SST Covariates with the XGBoost Model

方法

多源遥感数据构建SST协变量，PCC-VIF筛选，XGBoost建模。

发现

模型R²达0.82、RPIQ为3.03，精度较传统方法提升0.16–0.52。

机会点

可探索多雾区时序SAR与光学融合、迁移学习提升跨区域土壤属性制图泛化性。

监测土壤全氮（TN）状况及其空间变异对于防止土地退化和支持精准农业至关重要。遥感（RS）波段及其衍生的光谱指数是土壤TN制图的重要协变量。然而，基于光学遥感的土壤制图在雾多发地区可能效果不佳，因为水汽会干扰光谱信息。本研究获取了多源地球观测数据，包括合成孔径雷达（SAR）、多光谱和地形数据。系统构建了与土壤TN相关的光谱指数、SAR衍生指数和地形指数。随后，采用PCC-VIF方法评估基于遥感的指数的重要性并筛选最优协变量，将其称为SST协变量。最后，以SST协变量和实测土壤TN值分别作为自变量和因变量，构建了基于XGBoost的持续雾覆盖区域土壤TN制图模型。结果表明：（1）SST协变量包括Ela、TWI、SOS、VHplusVV、VHdiffVV、B2和NDGI；（2）所提出的基于遥感的土壤TN制图模型取得了令人满意的精度，R²为0.82，RPIQ为3.03。与传统方法开发的模型相比，R²提高了约0.16–0.52；（3）土壤TN含量较高的区域主要位于研究区南部，而TN值较低的区域位于北部。土壤TN含量及其空间分布主要受农业种植活动和微地形条件的影响。本研究为雾多发地区基于遥感的土壤TN制图提供了新见解。基于SST协变量和XGBoost算法的稳健土壤TN制图框架可支持粮食安全并有助于防止环境退化。