土壤有机质是全球碳库的重要组成部分，也是植物营养的主要来源之一，准确快速的监测土壤有机质空间分布对全球碳循环与耕地质量评价都具有重要意义。传统土壤有机质监测主要依靠大量的人工采样与定点观测，这些方法费时费力，而且通常只能得到土壤有机质点状分布数据，不能反映区域土壤有机质分布的整体情况，结合空间信息技术来获取土壤有机质精细的空间分布信息是未来发展的方向。

　　中国科学院东北地理所农业遥感学科组基于Google Earth Engine云平台结合机器学习算法与实地采样数据，分别从多时相影像合成、时间窗口选择、输入量优选、局部回归等多角度提升土壤有机质的制图精度，研发了一系列适用于东北黑土区的高鲁棒性土壤有机质制图方法（图1&2）。 

　　研究表明：1）使用中值合成影像进行土壤有机质（SOM）制图具有较高的精度和鲁棒性；2）松嫩平原SOM预测的最佳时间窗为5月，但降水会影响SOM的预测精度；3）Sentinel-2 合成图像在SOM制图方面并不优于Landsat 8合成图像，尽管Sentinel-2具有更好的时空分辨率；4）与全局回归模型相比，基于两种划分方法的局部回归方法可以提高SOM映射的准确性，但基于土壤类型划分算法的实际绘图效果受土壤样本分布的影响；5）使用波段优选算法会提高SOM制图精度，但提升幅度很小。 

　　相关文章发表在国际期刊CATENA与Soil and Tillage Research上，特别研究助理罗冲为第一作者，刘焕军研究员为通讯作者。相关工作得到中科院先导专项（XDA28100000）、王宽诚率先人才计划“产研人才扶持项目”、中科院先导专项（XDA23070501）、中科院先导专项（XDA23060405）等项目联合资助。 

　　图1 使用多时相合成影像结合Google Earth Engine进行SOM制图技术路线 

　　图2 使用不同时相合成影像进行SOM制图结果 

　　[1] Luo, C., Wang, Y., Zhang, X., Zhang, W., & Liu, H.* (2022). Spatial prediction of soil organic matter content using multiyear synthetic images and partitioning algorithms. CATENA, 211, 106023.  

　　https://doi.org/10.1016/j.catena.2022.106023  

　　[2] Luo, C., Zhang, X., Meng, X., Zhu, H., Ni, C., Chen, M., & Liu, H.* (2022). Regional mapping of soil organic matter content using multitemporal synthetic Landsat 8 images in Google Earth Engine. CATENA, 209, 105842. 

　　https://doi.org/10.1016/j.catena.2021.105842  

　　[3] Luo, C., Zhang, X., Wang, Y., Men, Z., & Liu, H.* (2022). Regional soil organic matter mapping models based on the optimal time window, feature selection algorithm and Google Earth Engine. Soil and Tillage Research, 219, 105325. 

　　https://doi.org/10.1016/j.still.2022.105325