使用哨兵产品和地形信息结合机器学习模型对苏丹稀树草原进行土壤分类

了解脚下土地为何重要

在西非半干旱的腹地，农民依赖高粱等主食作物，种植在降雨不稳定、土壤在数百米尺度上就会发生显著变化的景观中。然而，决定种植作物和管理方式所需的详尽土壤图往往缺失。本研究展示了如何将免费卫星影像与现代计算学习相结合，为布基纳法索的苏丹稀树草原绘制更清晰的土壤图，为提高产量和土地管理提供实用工具。

表面下隐藏的格局

研究聚焦于布基纳法索中部的杜卢流域，这是一片起伏缓和的高原，伴有小丘陵、浅谷和短促但强烈的雨季。先前的实地工作表明，本区主要土壤类型与坡位高度相关：高原上部为浅薄多石的土壤；中坡为中等深度土壤；下坡为更深、更肥沃的土壤；河床则常有积水土壤。这些差异影响作物根系、生水储和肥力。但直到现在，农民和规划者只能使用非常粗糙的国家或大陆级土壤图，无法反映这种细尺度的变化。

从太空观测土壤

为捕捉这一隐含格局，团队结合了三类信息。第一，使用欧洲哨兵‑2卫星影像，记录了包括对土壤矿物和含水敏感波段在内的多波段反射光谱。第二，加入了哨兵‑1的雷达数据，雷达可在云层下感知地表粗糙度和含水状况。第三，从高分辨率数字高程模型计算出一个“湿润度”指数，实质上是地形的三维图像，用以估算雨水在哪些位置易于积聚或径流，从而与沿坡位的土壤形成过程直接关联。实地科学家之前已挖掘或采样了141个土壤剖面，并将其归为四大类土壤，为训练和测试计算模型提供了地面真实数据。

教机器识别土地

研究人员随后测试了三种常用的机器学习方法——随机森林（Random Forest）、极端梯度提升（XGBoost）和支持向量机（Support Vector Machines），以评估哪一种最能将卫星衍生特征与已知土壤类型匹配。他们尝试了多种输入组合，例如仅使用雷达数据、仅使用光学数据，或将这些与基于地形的湿润度指数混合使用。表现最好的组合是以哨兵‑2光学信息加上湿润度指数作为输入的XGBoost，整体准确率约为五分之四。随机森林表现略逊一筹，支持向量机则落后。团队在分析各输入变量重要性时发现，湿润度指数位居首位，强调了水流与积聚如何主导该稀树草原的土壤格局。哨兵‑2的某些短波红外波段也排名靠前，因为它们对土壤质地和含水量敏感。

为农民绘制更清晰的地图

借助表现最佳的模型，科学家制作了流域的详细土壤图。结果显示上部高原以浅薄砾石土为主，中坡为中等深度土壤，靠近河道处为更深、更肥沃的土壤，低洼通道则分布有湿润、排水不良的土壤。与大陆级产品和全球土壤格网相比，该图更清晰地界定了土壤带的边界并纠正了广泛的错误分类。这些细节更符合实地调查和地方知识的观察，也与暴雨期间水和沉积物向下移动的过程相一致。这类信息可以指导在哪些地方种植高粱或其他作物、在哪里可能发生积水，以及在哪些地段土壤保护或植树更为紧迫。

对粮食与未来规划的意义

对非专业读者而言，关键结论是：在数据匮乏的地区，如今能够在田块尺度上绘制实用的土壤图，而无需耗费多年昂贵的调查。通过让卫星“读取”土地并利用机器学习辨识坡位、湿度与土壤之间的模式，本研究提供了一种工具，能帮助农民更明智地选择作物、精准施肥并保护易受侵蚀的脆弱区域。尽管该方法仍依赖一定数量的地面采样且需在更大范围内验证，但它指向了一个前景：曾散落于洞穴与专家报告中的土壤知识，可在苏丹稀树草原及类似干旱地区更广泛地被获取和应用。

引用: Maung, W.S., Kenta, I., Toru, S. et al. Soil classification in the Sudan Savanna using sentinel products and topographic information with machine learning models. Sci Rep 16, 10880 (2026). https://doi.org/10.1038/s41598-026-46259-6

关键词: 数字土壤制图, 遥感, 机器学习, 苏丹稀树草原, 农业规划