“粮食安全是‘国之大者’，耕地是粮食生产的命根子”。快速准确的获取土壤属性空间分异、估测作物产量、是识别耕地土壤障碍因子，实现作物土壤精准管理，保障耕地安全和粮食安全的关键。现有方法的数据来源于采样后进行插值，但其精度往往难以满足实际需求。遥感技术和机器学习可解释性方法农田管理分区的优化提供了新的机遇。本研究以中国黄淮海平原为研究区域，运用机器学习技术，开展数字土壤制图与产量估测研究。通过结合产量数据和土壤属性信息，我们利用机器学习可解释性方法划分了管理分区，为精准农业提供技术支持。首先，我们采集了高精度遥感影像，无人机影像和田块尺度的表层土壤样本，利用特征选择和数据融合方法逐步构建最优特征子集，分别训练了随机森林，SVR，LightGBM和集成学习模型，绘制了3m分辨率的SOC、TN、PH、AP和AK的空间分布图，其中构建的SOC和PH最优模型R2均大于0.85，TN，AP和AK的最优模型R2高于0.9。其次，本研究基于Google Earth Engine，整合了多源数据（卫星、气象和前期估测的土壤数据），并使用LightGBM、RF 和 LASSO 方法估算了中国黄淮海平原 469 个县 2010 年至 2020 年的夏玉米产量。本研究提出了一种从遥感图像中提取特征的新方法，称为区域地理统计（RGS）方法，本研究R²相比传统县级平均方法提升了0.14。通过逐步增加气象和土壤变量，模型得到进一步改进，R2分别提高了0.03和0.20。利用所有数据作为特征的综合因子模型取得了最佳结果（R² = 0.76，RMSE = 629.33 kg/ha，NRMSE = 10.08%）。在土壤属性监测与产量估测结果的基础上，进一步分析土壤-作物之间的关系，建立作物土壤管理分区，数据驱动实现智能决策，助力智慧农业，为提升耕地质量、保障粮食安全奠定基础。
 

耕地质量,土壤障碍因子,产量估测