土壤有机碳（SOC）含量的量化是陆地生态系统长期监测的关键环节。在过去的十年中，已经提出了许多模型并取得了很好的SOC含量预测结果。然而，这些研究大多局限于特定的时间或空间背景，忽视了模型的时空可转移性。时间、空间可转移性分别指模型在不同时期、不同地理位置的预测能力。

为了解决上述问题，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选择了两个大型洲际研究区，获取了3个时期的表层土壤（0-20 cm）SOC含量数据、27059景无云Landsat 5/8图像、数字高程模型和气候数据。在此基础上，计算了月平均气候数据、反映土壤性质的月平均数据和地形数据作为原始输入（OI）变量。结合注意机制、图神经网络和长短期记忆网络模型（A-GNN-LSTM）的优势，建立了具有高时空可转移性的多元深度学习模型。此外，还比较了A-GNN-LSTM与常用预测模型的时空可转移性。最后，探讨了OI和经过特征工程处理的变量（FEI）对SOC含量预测的能力。

结果表明：（1）以OI为输入变量的A-GNN-LSTM是获得了最高的预测精度，并且具有最高的时空可转移性。（2）与其他的预测模型相比，A-GNN-LSTM在时间、空间可转移性都是最高的。这些结果表明，通过融合GNN和LSTM模型提取的地理空间背景和时间依赖信息的融合，有效增强了模型的时空可转移性。（3）通过引入注意机制，可以计算不同输入变量的权重，提高深度学习模型的物理可解释性。不同数据权重大小排序是气候（39.55%）>土壤（20.52%）>地形（19.97%）>植被（19.96%）。（4）深度学习模型需要OI，而线性和传统机器学习模型需要FEI来达到更高的预测精度。该研究为整合多个深度学习模型构建高时空可转移性SOC预测模型迈出了重要的一步。

该研究发表在遥感领域国际顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（影响因子10.60），由东北地理所特别研究助理孟祥添（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）、中国博士后基金博士后资助计划项目（GZB20240737）共同资助。

图1 利用A-GNN-LSTM模型进行SOC含量预测流程

图2 中国东北地区、美国中部的SOC含量制图结果