DOI: https://doi.org/10.1038/s41598-026-38386-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41622311
تاريخ النشر: 2026-02-02
المؤلف: Zhengyuan Xu وآخرون
الموضوع الرئيسي: الجيوديسيا التربة ورسم الخرائط
نظرة عامة
تدرس هذه الدراسة ديناميات الكربون العضوي في التربة (SOC) في مقاطعة جيلين، وهي منطقة زراعية حيوية في الصين، باستخدام بيانات الاستشعار عن بعد عبر الأقمار الصناعية. على مدار السنوات السبع الماضية، انخفض SOC في الأراضي الزراعية بنحو 5.14%، مع حدوث أكبر الخسائر في المناطق الغربية، بينما ظلت المناطق الوسطى والشرقية مستقرة. أظهرت طرق تقدير SOC التقليدية، التي تعتمد بشكل أساسي على التعلم الآلي، قابلية تفسير مادية وإعادة إنتاج محدودة. بالمقابل، حققت نماذج الانحدار باستخدام المربعات الصغرى الجزئية (PLSR) قيم تحقق $R^2$ تتراوح بين 0.40 و0.61، مع أخطاء جذر متوسط المربعات (RMSEs) تتراوح من 0.30 إلى 0.38 عبر مستشعرات الأقمار الصناعية المختلفة.
تقدم الدراسة مؤشر التربة النسبي (RSI)، وهو مؤشر طيفي عريض النطاق مستمد من بيانات الأقمار الصناعية بدقة 30 مترًا، والذي يرتبط ارتباطًا قويًا مع SOC المقاس في الحقل (معاملات 0.72 و0.74 و0.77 لـ MODIS Terra وLandsat OLI وSentinel-2 MSI، على التوالي). تتماشى الأنماط المكانية لـ RSI مع الملاحظات الأرضية، مما يظهر إمكانيته كمقياس موثوق وقابل للتفسير لمراقبة SOC. مقارنة بنماذج PLSR، يظهر RSI قوة أكبر للتطبيقات على مستوى المقاطعة ويعكس بفعالية تغيرات SOC بمرور الوقت. بالإضافة إلى ذلك، تشير العلاقة السلبية لـ RSI مع مؤشر الفرق النباتي المعدل (NDVI) إلى فائدته في تحديد التربة العارية. بشكل عام، تضع النتائج RSI كأداة قابلة للتوسع لمراقبة SOC، مما يدعم إدارة التربة الدقيقة والممارسات الزراعية المستدامة في المناطق المزروعة بكثافة.
طرق البحث
تم هيكلة الإطار المنهجي لهذه الدراسة في أربعة مكونات رئيسية: جمع البيانات، المعالجة المسبقة، التحليل الطيفي، والرسم الخرائطي. تلعب كل مكونة دورًا حاسمًا في عملية البحث العامة، مما يضمن أن البيانات التي تم جمعها يتم تحويلها وتحليلها بفعالية لتوليد رؤى ذات مغزى. يتم تمثيل سير العمل بصريًا في الشكل 9، الذي يوضح الخطوات المتتابعة المتضمنة في منهجية الدراسة. يسهل هذا النهج المنظم فهمًا شاملاً للبيانات ويعزز موثوقية النتائج.
النتائج
تشير النتائج من الدراسة حول محتوى الكربون العضوي في التربة (SOC) في مناطق الأراضي الزراعية في مقاطعة جيلين، المستمدة من مؤشر التربة النسبي (RSI) بناءً على بيانات Landsat OLI، إلى انخفاض كبير في SOC من 2017 إلى 2024. انخفض الوسيط الإقليمي لـ RSI من 1.36 إلى 1.29، مما يعكس انخفاضًا قدره 5.14%. ومن الجدير بالذكر أن أكبر الانخفاضات لوحظت في المناطق الغربية، وخاصة بايتشينغ وسونغيوان، حيث انخفضت قيم الوسيط RSI بنسبة 6.22% و6.19%، على التوالي. بالمقابل، أظهرت منطقة التربة السوداء الوسطى استقرارًا في قيم RSI، بينما شهدت مدينة جيلين زيادة طفيفة في SOC.
كشف التحليل المكاني أن تغييرات RSI اتبعت نمطًا مقسمًا يتماشى مع نظام نهر سونغوا، مما يشير إلى أن تغير SOC مرتبط ارتباطًا وثيقًا بعمليات تآكل التربة المتأثرة بالديناميات المائية. على الرغم من الاتجاه العام المتناقص في SOC، أظهرت بعض المواقع المحددة، مثل دونغفينغ ودونهوا، زيادة في قيم RSI، مما يتناقض مع الانخفاض في SOC الذي لوحظ في عينات التربة. قد يُعزى هذا التباين إلى تباين الغطاء السطحي، مما يستدعي مزيدًا من التحقيق في الأقسام التالية من الورقة.
المناقشة
في هذه الدراسة، تم تطوير نموذج عكس الكربون العضوي في التربة (SOC) باستخدام بيانات الانعكاس الطيفي من MODIS وLandsat وصور Sentinel-2 عبر 34 موقع عينة في مقاطعة جيلين، الصين. تم استخدام خوارزمية الانحدار باستخدام المربعات الصغرى الجزئية (PLSR)، مما أسفر عن درجات متفاوتة من الدقة بين مجموعات البيانات. حقق نموذج Sentinel-2 MSI أعلى دقة في المعايرة ($R^2_c = 0.869$) والتحقق ($R^2_v = 0.614$)، بينما أظهرت نماذج MODIS وLandsat أداءً أقل. كما قامت الدراسة بحساب مؤشرات طيفية مختلفة، مما كشف أن مؤشرات النسبة، وخاصة تلك التي تتضمن الأشعة تحت الحمراء القصيرة (SWIR) والأطياف المرئية، أظهرت علاقات قوية مع محتوى SOC. أثبت مؤشر التربة النسبي (RSI) المستمد من هذه المؤشرات فعاليته في رسم توزيع SOC، على الرغم من أنه أظهر تقديرات منخفضة منهجية في مناطق حقول الأرز بسبب التداخل الطيفي من القش والرطوبة.
تشير النتائج إلى أن RSI هو أداة واعدة لمراقبة SOC على مستوى المقاطعة، تلتقط بفعالية أنماط التوزيع المكاني على الرغم من بعض القيود المتعلقة بحجم العينة وتباين الغطاء السطحي. تسلط الدراسة الضوء على انخفاض SOC عبر أراضي جيلين الزراعية من 2017 إلى 2024، مع أكبر الانخفاضات في السهول الغربية. علاوة على ذلك، تشير العلاقة العكسية لـ RSI مع NDVI إلى إمكانيته في تحديد التربة العارية. يجب أن تركز الأبحاث المستقبلية على تعزيز قوة RSI من خلال تقنيات التطبيع والتحقق الأوسع عبر أنواع وظروف التربة المتنوعة، مما يحسن من قابليته للتطبيق في الممارسات الزراعية المستدامة وإدارة التربة الدقيقة.
DOI: https://doi.org/10.1038/s41598-026-38386-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41622311
Publication Date: 2026-02-02
Author(s): Zhengyuan Xu et al.
Primary Topic: Soil Geostatistics and Mapping
Overview
This study investigates soil organic carbon (SOC) dynamics in Jilin Province, a crucial agricultural area in China, utilizing satellite remote sensing data. Over the past seven years, SOC in croplands has declined by approximately 5.14%, with the most significant losses occurring in the western regions, while central and eastern areas remained stable. Traditional SOC estimation methods, primarily based on machine learning, demonstrated limited physical interpretability and reproducibility. In contrast, Partial Least Squares Regression (PLSR) models yielded validation $R^2$ values between 0.40 and 0.61, with root mean square errors (RMSEs) ranging from 0.30 to 0.38 across various satellite sensors.
The study introduces the Ratio Soil Index (RSI), a new broadband spectral index derived from satellite data at a 30-meter resolution, which correlates strongly with field-measured SOC (coefficients of 0.72, 0.74, and 0.77 for MODIS Terra, Landsat OLI, and Sentinel-2 MSI, respectively). The RSI’s spatial patterns align with ground observations, demonstrating its potential as a reliable and interpretable metric for SOC monitoring. Compared to PLSR models, the RSI exhibits greater robustness for provincial-scale applications and effectively captures SOC variations over time. Additionally, the RSI’s negative correlation with the Normalized Difference Vegetation Index (NDVI) suggests its utility in identifying bare soil. Overall, the findings position the RSI as a scalable tool for SOC monitoring, supporting precision soil management and sustainable agricultural practices in intensively cultivated regions.
Methods
The methodological framework of this study is structured into four key components: data acquisition, preprocessing, spectral analysis, and mapping. Each component plays a critical role in the overall research process, ensuring that the data collected is effectively transformed and analyzed to yield meaningful insights. The workflow is visually represented in Figure 9, which illustrates the sequential steps involved in the study’s methodology. This structured approach facilitates a comprehensive understanding of the data and enhances the reliability of the findings.
Results
The results from the study on soil organic carbon (SOC) content in the cropland regions of Jilin Province, derived from the Ratio Soil Index (RSI) based on Landsat OLI data, indicate a significant overall decline in SOC from 2017 to 2024. The provincial median RSI decreased from 1.36 to 1.29, reflecting a reduction of 5.14%. Notably, the most pronounced declines were observed in the western regions, particularly Baicheng and Songyuan, where median RSI values dropped by 6.22% and 6.19%, respectively. In contrast, the central black soil region exhibited stability in RSI values, while Jilin City experienced a slight increase in SOC.
Spatial analysis revealed that RSI changes followed a banded pattern aligned with the Songhua River system, suggesting that SOC variation is closely linked to soil erosion processes influenced by fluvial dynamics. Despite the overall declining trend in SOC, some specific sites, such as Dongfeng and Dunhua, showed increasing RSI values, which contradicts the SOC decline observed in soil samples. This discrepancy may be attributed to surface cover heterogeneity, warranting further investigation in subsequent sections of the paper.
Discussion
In this study, a Soil Organic Carbon (SOC) inversion model was developed using spectral reflectance data from MODIS, Landsat, and Sentinel-2 imagery across 34 sample sites in Jilin Province, China. The Partial Least Squares Regression (PLSR) algorithm was employed, yielding varying degrees of accuracy among the datasets. The Sentinel-2 MSI model achieved the highest calibration ($R^2_c = 0.869$) and validation ($R^2_v = 0.614$) accuracy, while MODIS and Landsat models demonstrated lower performance. The study also computed various spectral indices, revealing that ratio indices, particularly those involving shortwave infrared (SWIR) and visible bands, exhibited strong correlations with SOC content. The Ratio Soil Index (RSI) derived from these indices proved effective in mapping SOC distribution, although it showed systematic underestimations in paddy field areas due to spectral interference from straw and moisture.
The findings indicate that the RSI is a promising tool for SOC monitoring at a provincial scale, effectively capturing spatial distribution patterns despite some limitations related to sample size and surface cover variability. The study highlights a decline in SOC across Jilin’s croplands from 2017 to 2024, with the most significant reductions in the western plains. Furthermore, the RSI’s inverse relationship with NDVI suggests its potential utility in identifying bare soil. Future research should focus on enhancing the RSI’s robustness through normalization techniques and broader validation across diverse soil types and conditions, thereby improving its applicability for sustainable agricultural practices and precision soil management.