土壤有机质（SOM）是衡量土壤健康和农业可持续发展的关键指标。然而，由于环境驱动因素（特别是土壤水分动态）的复杂相互作用，在大空间尺度上实现高分辨率的SOM制图仍然面临巨大挑战。当前主流的SOM制图方法仍然严重依赖于空间信息，而对时间维度的特征考虑不足。特别是，现有研究很少将土壤水分的长期动态变化及其与SOM含量的复杂物理反馈机制纳入考量。

针对上述局限性，中国科学院东北地理与农业生态研究所农业遥感学科组以中美两大典型黑土区（中国东北和美国密西西比河流域）的耕地为研究对象，创新性地提出了一种融合土壤水分动态反馈序列（SMDFS）的新型时空深度学习框架（ExP-C）。研究团队收集了2014-2024年间的2616个表层（0-20厘米）土壤实测样本，并深度融合了Landsat-8裸土合成影像、SRTM地形变量以及ERA5气象等多源数据。研究通过对多时相水分相关光谱指数（MNDWI、NDWI、NDMI）进行百分位重构生成了SMDFS，从而精准捕捉了不同SOM水平与土壤水分保持能力之间的动态反馈特征。在此基础上构建的ExP-C模型，融合了用于提取静态协变量空间上下文特征的“专家卷积网络”，以及用于挖掘多尺度SMDFS时间序列模式的“金字塔1D卷积网络”，并结合对比学习策略进一步增强了模型的特征表示能力。

图1 SOM差异影响土壤水分动态反馈机理图

研究发现，在整合SMDFS与空间特征后，ExP-C模型的预测性能显著优于传统的随机森林和CNN-LSTM基线模型。在中国和美国研究区，该模型分别取得了R²=0.712（RMSE为6.221 g/kg）和R²=0.554（RMSE为7.693 g/kg）的高精度验证结果。基于梯度归因分析的机制解释进一步证实，SMDFS和高程是主导预测结果的核心贡献因子，这突显了水分动态变化在解释SOM空间变异中的关键物理机制作用。此外，研究团队还引入了跨区域迁移学习策略（在中国数据上预训练，在美国数据上微调并部分冻结空间分支），成功将美国地区的预测精度（R²）提升至0.572，有效克服了异地样本稀缺带来的瓶颈。最终生成的30 m高分辨率SOM地图清晰揭示了两个黑土区均存在明显的南北梯度分布规律，其中中国东北和美国密西西比河流域耕地的平均SOM含量分别为32.0 g/kg和36.8 g/kg。

图2融合多源数据与ExP-C模型的中美典型黑土区SOM制图流程

该研究通过对水分-SOM反馈机制的显式深度学习建模，不仅极大推进了数字土壤制图技术的发展，更为全球尺度下的耕地碳动态监测及可持续农业管理提供了一种稳健且具有强可迁移性的全新范式 。

相关研究成果近期发表在国际遥感领域顶级期刊Remote Sensing of Environment上。论文由东北地理所罗冲项目副研究员、联合培养研究生耿家乐、黑龙江大学陆军教授以及刘焕军研究员共同完成。本研究得到了国家自然科学基金（42401460）和国家重点研发计划（2021YFD1500100）的资助。

论文信息及链接如下： Chong Luo, Jiale Geng, Jun Lu, Depiao Kong, Xiangtian Meng, Huanjun Liu. A transferable spatiotemporal deep learning framework integrating soil moisture dynamics for high-resolution cropland soil organic matter mapping across regions. Remote Sensing of Environment 338 (2026) 115365.

链接: https://doi.org/10.1016/j.rse.2026.115365