OpenLandMap-soildb：基于时空机器学习与统一整合的历史土壤样本和观测数据的2000–2022+年30米空间分辨率全球土壤信息数据库
本文最后更新于 2026年4月8日 上午
论文信息速览
- 文章标题：OpenLandMap-soildb: global soil information at 30 m spatial resolution for 2000-2022+ based on spatiotemporal Machine Learning and harmonized legacy soil samples and observations
- 期刊名称：Earth System Science Data
- 期刊级别：JCR Q1；中科院 1 区
- 影响因子：11.6
- 原文链接：https://essd.copernicus.org/articles/18/989/2026/essd-18-989-2026.html
- DOI：10.5194/essd-18-989-2026
这篇文章解决了什么问题
土壤是粮食生产、水过滤、生态系统服务和气候缓解的基础，但现有全球土壤图在两个维度上都偏“慢”：
- 空间分辨率往往不够高，难支撑地块尺度分析；
- 时间维度更新不足，难跟上 10-30 m 全球遥感产品的节奏。
同时，全球 SOC（土壤有机碳）总量和变化估计在关键区域仍不稳定，尤其是高纬冻土、热带泥炭地、半干旱区。论文的核心意义在于：把全球土壤信息拉到 30 m、并且做成可跟踪时间变化的动态产品，为退化监测、碳核算和修复评估提供更可用的基础图层。
不是“再做一版全球土壤图”，而是把全球土壤制图推进到与现代遥感产品同尺度、同时序。
研究做法
1) 研究目标
作者围绕四个问题展开：
- Landsat 30 m 数据是否显著提升预测精度，关键指数是什么？
- 全球模型在空间外推位置上的误差水平如何？
- SOC 变化受哪些驱动因子主导？
- 全球 SOC 热点分布在哪里？
2) 建模框架
- 框架：EO-SoilMapper
- 核心算法：Quantile Regression Random Forest（QRF）
- 建模思路：3D+T（空间 + 深度 + 时间）
- 输出形式：均值 + 68% 预测区间（下限/上限）
目标变量包括：SOC 含量、SOC 密度、土壤 pH（H2O）、黏粉砂组分、容重、USDA 亚群土壤类型。
3) 数据与协变量
- 土壤样本来源：多源历史土壤项目，统一标准化与谐调处理。
- 样本规模：
- SOC 密度：216000
- SOC 含量：408000
- pH（H2O）：272000
- 黏粉砂含量：363000
- 烘干容重：134000
- 质量控制：对实验方法差异进行系统校正（如 SOC 实验法统一转换），并插入伪观测（裸岩、流沙、永久冰雪）来约束特征边界。
- 协变量体系：Landsat 时序、地形多尺度参数、CHELSA 气候、MODIS 等，候选变量共 363 层。
4) 验证策略
论文同时报告三类验证结果：
- 分层测试集
- 空间分块交叉验证
- 留一年（LOYO）时间交叉验证
并评估不确定性覆盖表现（PICP/QCP）。
主要结果
1) 产品层面
研究构建了覆盖 2000-2022+ 的 30 m 全球动态土壤产品。SOC 和土壤 pH 以 5 年间隔制图；质地组分、容重和土壤类型主要针对近年制图。
2) 精度表现
- SOC 密度：RMSE 17.7 kg m−3（log 0.486），CCC 0.88
- SOC 含量：RMSE 51.3 g kg−1（log 0.574），CCC 0.87
- 容重：RMSE 0.15 t m−3，CCC 0.92
- pH：RMSE 0.51，CCC 0.91
- 黏粒：RMSE 8.4%，CCC 0.87
- 粉粒：RMSE 9.9%，CCC 0.87
- 砂粒：RMSE 12.6%，CCC 0.84
不同深度（0-30、30-60、60-100 cm）间精度变化总体有限，SOC 在表层略优。空间和时间交叉验证结果比分层测试更保守，提示常规测试可能偏乐观。
3) 驱动因素与变化
- SOC 密度关键协变量：土层深度、Landsat-GPP、NDVI、CHELSA 生物气候指标。
- 土壤 pH 关键因子：干旱指数、降水、盐渍化等级。
- 土地覆被转换中，树木覆盖转为耕地/草地等类型与 SOC 下降显著相关。
4) 全球碳库估计
- 2020-2022+ 时段，0-30 cm 全球 SOC 约 461 Pg。
- 与早期相比，2000-2022+ 期间全球表土至少损失 11 Pg SOC。
主要图表
图1：EO-SoilMapper 总体处理流程
展示了循环模块化流程（标准化样本、协变量层、计算引擎、前后端基础设施等关键步骤）。
图2：导入土壤实验室数据集比较
展示 SOC 含量与 SOC 密度关系、SOC-深度关系、转移函数及 SOC
与容重的双峰分布。 
图3：全球谐调后的 SOC 和土壤 pH 密度图
显示 SOC 与容重双峰分布、不同土壤类型分离效果，以及 SOC 时间趋势。
图4：土壤属性数据集分割方案
说明校准、训练和分层测试集划分（1:8:1）及验证流程。 
图5：时空预测块方案
演示从四个时空点生成预测，并汇总得到均值与预测区间。 
图6：训练点密度
- SOC 和/或 pH 样本分布；(b) 含土壤分类信息图层；(c)
主要数据集时间覆盖。
图7：SOC 密度、SOC 含量和 pH 精度图
展示分层测试、空间交叉验证、时间交叉验证三类精度对比。 
图8：沙粒、粉粒、黏粒精度图
按相同三类验证方式组织，便于横向比较。 
图9：30 m 预测 SOC 与土壤 pH
给出示例区域放大图与对应卫星影像，并展示 68% 概率预测区间。 
数据与代码可用性
- 结果数据：10.5281/zenodo.15470431、world.soils.app
- 训练数据：10.5281/zenodo.4748499
- 代码（MIT 许可）：10.5281/zenodo.15608971
受 Zenodo 存储限制，Zenodo 提供的是分桶与分辨率压缩版本（文中说明包含关键时期 120 m 不确定性产品）；完整 30 m 全球镶嵌可通过 Google Earth Engine 资产访问。
文章引用信息
Hengl, T., Consoli, D., Tian, X., Nauman, T. W., Nussbaum, M., Isik, M. S., Parente, L., Ho, Y.-F., Simoes, R., Gupta, S., Samuel-Rosa, A., Zborowski Horst, T., Safanelli, J. L., & Harris, N. (2026). OpenLandMap-soildb: global soil information at 30 m spatial resolution for 2000-2022+ based on spatiotemporal Machine Learning and harmonized legacy soil samples and observations. Earth System Science Data, 18(2), 989-1036. https://doi.org/10.5194/essd-18-989-2026
小结
这项工作的价值不只在于“分辨率更高”，更在于它把时间维度和不确定性表达一起带进了全球土壤产品体系：
- 能看见细节，不代表就该直接拿像元值做硬阈值决策；
- 预测区间应该和均值一起使用，避免“只看一张均值图”；
- 长期监测网络（永久样点）仍是降低不确定性的基础设施。