农业资源与环境学报

作者：肖二龙,夏迎新,李道诚,宁立新

单位：山东农业大学信息科学与工程学院, 山东 泰安 271018,山东农业大学信息科学与工程学院, 山东 泰安 271018,山东农业大学信息科学与工程学院, 山东 泰安 271018,山东农业大学信息科学与工程学院, 山东 泰安 271018,山东农业大学农业大数据研究中心, 山东 泰安 271018

关键词：土壤有机质，数字土壤制图，CNN-LSTM，环境协变量，MODIS物候数据，时空特征融合，禹城市,

基金：2021年山东省高等学校“青创人才引育计划”项目；山东省高等学校青创科技支持计划项目（2024KJH092）

当前数字土壤制图（DSM）研究在环境变量选择中对物候信息系统考量不足，现有模型时空多维特征融合能力有限。为探索融合MODIS长时间序列物候数据的新方法，提升耕地土壤有机质（SOM）的预测精度，本研究以山东省禹城市为研究区，整合环境协变量与2011—2020年MODIS物候数据，通过卷积神经网络（CNN）提取空间特征，结合长短期记忆网络（LSTM）捕捉时序动态规律，创新性构建CNN-LSTM时空特征耦合模型以实现耕地SOM的高精度预测。结果表明：融合物候特征使CNN-LSTM模型预测精度显著提升（R2=0.523），较未使用物候数据的CNN模型（R2=0.492）和随机森林模型（R2=0.467）精度分别提高6.3%和12.0%；SOM空间分布呈中南部高、北部及东南部低格局，与地形特征和耕作模式高度吻合；风速、水汽压和地形位置指数与SOM显著相关，物候变量中生长季中期的植被指数对预测贡献度最高。通过将MODIS长时间序列物候数据与CNN-LSTM时空融合模型相结合，本研究不仅揭示了物候动态对SOM预测的增强作用，同时有效突破了传统方法在土壤属性时空特征融合中的技术瓶颈，所生成的30 m分辨率SOM数字土壤制图可为区域耕地质量提升和土壤固碳潜力评估提供科学数据支持。

来源：2026年第3期

《农业资源与环境学报》期刊编辑部

查看农业资源与环境学报杂志2026年第3期