《Soil and Tillage Research》：Contribution of Sentinel-1 radar backscatter/coherence and Sentinel-2 optical data to digital mapping of soil organic carbon in the Iberian Peninsula
编辑推荐：
本研究针对光学遥感监测土壤有机碳（SOC）易受云层干扰的瓶颈，创新性联合Sentinel-1雷达后向散射/相干性与Sentinel-2光学数据，通过机器学习模型揭示雷达时序配置对SOC预测精度的影响。结果表明：月间隔后向散射与18天基线相干性数据组合预测精度（R2=0.42）优于单一光学数据（R2=0.38），多源遥感协同传统环境变量可将模型R2提升至0.53，为多云区域碳循环研究提供可复制的技术范式。
在全球碳循环与农业可持续发展的背景下，土壤有机碳（SOC）作为衡量土壤肥力和生态系统健康的关键指标，其精确监测已成为环境科学领域的焦点。传统依赖光学遥感的SOC制图方法虽较为成熟，却常受制于云层覆盖导致数据缺失的瓶颈。合成孔径雷达（SAR）因其全天候观测能力被视为潜在解决方案，但现有研究多聚焦后向散射特征，忽略了干涉相干性这一重要雷达观测量的应用潜力。
发表于《Soil and Tillage Research》的这项研究，首次系统评估了Sentinel-1后向散射/相干性与Sentinel-2光学数据协同反演SOC的效能。研究团队以伊比利亚半岛为实验区，整合LUCAS 2018土壤数据库，通过机器学习模型揭示了雷达数据时序配置对预测精度的规律性影响：月间隔后向散射复合影像（R2=0.40）优于长周期复合数据，18天基线相干性观测（R2=0.31）显著优于长基线数据。更引人注目的是，双雷达指标联合使用可使预测精度提升至R2=0.42，超越单一光学数据模型（R2=0.38），而多源遥感与传统环境变量融合模型更将R2推升至0.53。
关键技术方法包括：基于谷歌地球引擎（GEE）云平台获取Sentinel-1后向散射时序数据与相干性产品，结合Sentinel-2光学影像及地形气候数据；采用Boruta特征选择算法优化变量组合；运用随机森林（RF）、支持向量机（SVM）和极端梯度提升（XGBoost）三类机器学习算法，通过十折交叉验证评估模型性能。
研究结果通过多维度验证了雷达遥感在SOC制图中的独特价值：
- 1.
雷达数据时序配置的优化规律表明，月间隔后向散射能有效捕捉地表动态变化，而短基线相干性对植被变化更敏感，这为雷达数据在数字土壤制图（DSM）中的参数设置提供了实证依据。
- 2.
多源数据协同效应分析显示，交叉极化（VH）后向散射重要性持续优于同极化（VV），升轨道观测累计贡献度超越降轨道，证实雷达偏振与观测几何对SOC预测的差异化影响。
- 3.
变量重要性分析揭示，相干性特征虽总体贡献率低于后向散射，但其部分个体特征位居关键变量前列，说明二者存在互补性。卫星衍生特征在融合模型中重要性超越传统环境变量，凸显新兴遥感数据源的潜力。
- 4.
空间制图结果对比表明，基于雷达数据的SOC空间格局与光学数据结果高度一致，但能提供更精细的空间细节，尤其在传统环境变量难以刻画的异质性地表区域表现突出。
讨论部分深入阐释了雷达观测机理与SOC的关联性。研究者指出，相干性通过表征地表散射体相位稳定性，可间接反映植被覆盖度与土壤扰动状态，而后向散射对土壤湿度、粗糙度及生物量的敏感性共同构成SOC预测的物理基础。相较于既往研究仅用短期雷达数据，本研究通过GEE平台整合多年时序观测，并首次系统量化时序配置影响，为长时序SAR数据在DSM中的应用树立新范式。值得注意的是，该研究提出的云计算工作流完全基于免费开放的Sentinel数据，使大尺度SOC制图具备成本效益与可复现性优势。
该研究的创新性在于突破了光学遥感主导的SOC制图范式，证实相干性作为独立雷达观测量在碳循环监测中的应用价值。通过揭示偏振模式、轨道方向与时序基线等雷达参数对模型性能的调控机制，为多云多雨区域的土壤碳储量评估提供了技术储备。随着NISAR等双频SAR卫星的发展，多波段雷达协同反演SOC有望成为未来研究方向，为全球碳收支估算提供更 robust 的技术支撑。
