一种滨海湿地土壤有机碳储量估算方法

本发明属于有机碳储量估算，具体涉及一种滨海湿地土壤有机碳储量估算方法。

背景技术：

1、滨海湿地是重要的蓝碳生态系统，在区域碳循环、气候调节和生态安全维护中具有重要作用。土壤有机碳是滨海湿地碳储量的重要组成部分，准确获取滨海湿地土壤有机碳密度及其空间分布，对于评估湿地碳汇能力、支撑湿地保护修复和碳汇管理具有重要意义。

2、现有滨海湿地土壤有机碳储量估算方法主要包括野外采样统计、空间插值、遥感反演和传统机器学习建模等方法。但上述方法在滨海湿地应用中仍存在以下不足：

3、第1、滨海湿地区域地物类型复杂，芦苇、柽柳、碱蓬、光滩、潮沟等地物交错分布，存在明显的“异物同谱”和“同物异谱”现象。基于中分辨率遥感影像开展湿地分类时，小面积植被斑块和地物边界容易被误分，进而影响不同湿地类型土壤有机碳储量的分区统计精度；

4、第2、滨海湿地野外采样受潮汐、地形、水文条件和保护区管控等因素限制，土壤样点数量通常较少，属于典型的小样本建模场景。随机森林（random forest，rf）、支持向量机（support vector machine，svm）、极限梯度提升（extreme gradient boosting，xgboost）等传统机器学习方法虽然能够融合多源环境变量，但在样本量有限、空间异质性较强的条件下容易出现模型不稳定、泛化能力不足以及高值区低估等问题；

5、第3、土壤有机碳的空间分布受总氮、ph、电导率等土壤化学属性影响，但这些土壤化学属性通常仅在有限采样点处具有实测值，难以直接形成覆盖全区的栅格输入变量。现有方法多采用克里金插值、反距离权重插值或简单线性插值进行补全，主要依赖空间距离关系，难以充分利用遥感光谱、地形、植被物候等环境协变量，容易造成关键输入变量表达不足，从而限制土壤有机碳预测精度。

6、因此，有必要提出一种能够在小样本条件下融合遥感、地形、植被物候及土壤化学属性信息的滨海湿地土壤有机碳储量估算方法，以提高滨海湿地复杂场景下土壤有机碳密度空间预测和储量估算的稳定性与准确性。

技术实现思路

1、针对滨海湿地区域样点获取困难、样本数量有限、土壤化学属性空间分布不完整以及传统机器学习模型在小样本条件下预测精度较低的问题，本发明提供一种滨海湿地土壤有机碳储量估算方法。 该方法利用多源遥感数据、地形数据构建环境协变量体系，通过第一阶段tabpfn模型实现土壤化学属性的空间补全，再利用第二阶段tabpfn模型建立土壤有机碳密度预测模型，最终结合湿地类型空间分布结果计算研究区土壤有机碳储量，从而实现小样本条件下滨海湿地土壤有机碳储量的高精度估算。

2、本发明采用的技术方案具体如下：

3、一种滨海湿地土壤有机碳储量估算方法，包括以下内容，

4、（1）获取目标区的遥感影像、地形数据和土壤采样点实测数据，并构建环境协变量体系；

5、（2）获取所述目标区的湿地类型空间分布数据；

6、（3）构建第一阶段预测模型，将所述土壤采样点中实测的土壤化学属性作为训练标签，以所述环境协变量体系作为输入，对目标区未采样区域进行逐像元预测，生成连续的土壤化学属性空间分布特征；

7、（4）构建第二阶段预测模型，将所述土壤化学属性空间分布特征与所述环境协变量体系进行特征融合作为输入特征，以所述土壤采样点中实测的土壤有机碳密度作为训练标签，预测生成目标区土壤有机碳密度空间分布结果；

8、（5）将所述土壤有机碳密度空间分布结果与所述湿地类型空间分布数据进行空间叠加分析，计算得出不同湿地类型及目标区的土壤有机碳储量。

9、作为本发明一种优选的技术方案，内容（1）中，构建环境协变量体系的具体内容包括，

10、获取目标区的多时相遥感影像，进行预处理之后，提取光谱波段并计算植被指数和水体指数，形成遥感光谱特征集；

11、利用多时相遥感影像构建植被指数时间序列，提取所述植被指数时间序列的傅里叶频域特征；

12、将所述遥感光谱特征集、傅里叶频域特征以及地形数据融合，构建覆盖整个目标区的环境协变量体系；

13、其中，提取所述植被指数时间序列的傅里叶频域特征的内容包括：

14、对所述植被指数时间序列进行滤波平滑处理；

15、对平滑处理后的植被指数时间序列进行快速傅里叶变换，至少提取一阶谐波和二阶谐波的实部、虚部、振幅及相位特征，用于表征植被的物候特征。

16、作为本发明一种优选的技术方案，内容（2）中，获取所述目标区的湿地类型空间分布数据的内容包括，

17、构建包含残差结构和注意力机制的语义分割模型；

18、将包含原始光谱特征和物候特征的分类特征集输入所述语义分割模型，提取湿地类型的空间特征；

19、结合物候阈值规则生成初始样本训练所述语义分割模型，并利用预测置信度筛选伪标签样本进行迭代训练，最终输出所述研究区的湿地类型空间分布数据，其中，所述语义分割模型以u-net网络为基础架构；在所述u-net网络的编码器中嵌入残差特征提取模块，并在特征提取阶段嵌入通道注意力机制和空间注意力机制，同时减少下采样次数以保留小面积湿地植被斑块的空间细节。

20、作为本发明一种优选的技术方案，内容（3）中，所述第一阶段预测模型为基于上下文学习的tabpfn先验网络模型；

21、所述第一阶段预测模型的推理过程表示为，

22、

23、其中，为待预测像元的土壤化学属性，为环境协变量体系，为实测土壤化学属性的训练样本集，表示所述第一阶段预测模型所学习的条件分布。

24、作为本发明一种优选的技术方案，内容（3）中，待预测像元的土壤化学属性包括：总氮、ph值和电导率。

25、作为本发明一种优选的技术方案，内容（4）中，所述第二阶段预测模型同样为基于上下文学习的tabpfn先验网络模型；

26、所述第二阶段预测模型的推理过程表示为：

27、

28、其中，为待预测像元的土壤有机碳密度；为环境协变量体系；为第一阶段预测模型补全得到的土壤化学属性；为具有实测土壤有机碳密度的训练样本集；表示多源环境协变量体系与补全得到的土壤化学属性的融合特征。

29、作为本发明一种优选的技术方案，在内容（5）中，

30、针对第j类湿地类型的土壤有机碳储量的计算公式为，

31、

32、其中，为第j类湿地类型的土壤有机碳储量，为第j类湿地中第k个像元的土壤有机碳密度,为该像元面积；

33、针对目标区土壤有机碳总储量的计算公式为，

34、

35、其中，为目标区土壤有机碳总储量。

36、本发明的有益效果：

37、1.构建了湿地类型精细提取、土壤化学属性空间补全、土壤有机碳密度预测、碳储量分区统计的一体化技术流程，能够同时解决滨海湿地类型边界不清、土壤化学属性空间缺失和小样本土壤有机碳预测不稳定等问题；

38、2.通过残差结构解决了梯度消失问题，通过注意力机制强化了对判别性光谱特征的感知，通过缩减下采样次数保留了小目标空间细节，显著提升复杂滨海湿地场景下的分类精度；

39、3.采用两阶段小样本跨变量预测方法，先基于遥感、地形和物候特征补全总氮、ph、电导率等土壤化学属性，再将补全后的土壤化学属性引入土壤有机碳密度预测模型，该方法避免了直接忽略关键土壤变量或采用简单空间插值补全所带来的信息损失，提高了土壤有机碳空间预测结果的可靠性；

40、4.可迁移应用于黄河口、盐城湿地、辽河三角洲等类似滨海湿地区域的土壤有机碳储量评估。