王辰怡，高秉博*，Sukhbaatar Chinzorig，馮權(quán)瀧，馮愛萍，姜傳亮，張中浩，及舒蕊

數(shù)據(jù)論文

2022年克魯倫河流域土壤全氮含量與土壤全磷含量數(shù)據(jù)集

王辰怡1，高秉博1*，Sukhbaatar Chinzorig2，馮權(quán)瀧1，馮愛萍3，姜傳亮1，張中浩4，及舒蕊1

1.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100083，中國；2.蒙古科學(xué)院地理與生態(tài)地質(zhì)研究所，烏蘭巴托 15170，蒙古；3.生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心，北京 100094，中國；4.上海師范大學(xué)環(huán)境與地理科學(xué)學(xué)院，上海 200234，中國

克魯倫河流域生態(tài)環(huán)境安全在中蒙兩國受到越來越多關(guān)注，掌握流域土壤全氮（STN）和土壤全磷（STP）含量對于準(zhǔn)確估算流域面源污染（NPS）負(fù)荷、研究流域資源環(huán)境狀況與可持續(xù)發(fā)展具有重要意義。傳統(tǒng)采樣方法在獲取大范圍的STN和STP含量時耗時耗力、STN與STP存在空間異質(zhì)性、STN和STP與輔助變量間的關(guān)系也存在空間異質(zhì)性等。單一的全局模型無法擬合復(fù)雜的異質(zhì)性關(guān)系，而局部建模方法難以克服維度災(zāi)難問題，因此本文引入了兩點(diǎn)機(jī)器學(xué)習(xí)（TPML）方法。該方法首先基于點(diǎn)對差異建立全局模型，然后基于全局模型的預(yù)測差異構(gòu)建局部模型，能夠?qū)颖玖繌膎擴(kuò)充至n2，可利用有限的采樣點(diǎn)數(shù)據(jù)實(shí)現(xiàn)高精度大范圍的STN和STP含量預(yù)測。本文結(jié)合地形、氣候、土壤屬性、植被及空間位置等共18個輔助變量，采用TPML方法，制作了流域STN和STP含量分布數(shù)據(jù)集。并基于十折交叉驗(yàn)證方法證實(shí)了TPML方法相較于普通克里格（OK）方法，預(yù)測精度提高超過10%。TPML方法預(yù)測STN含量的平均絕對誤差（MAE）均值和平均均方根誤差（RMSE）分別為0.309%、0.456%，隨機(jī)森林（RF）、反距離加權(quán)（IDW）與OK方法預(yù)測STN含量的平均MAE分別為0.329%、0.247%與1.864%，平均RMSE分別為0.468%、0.387%、1.976%。TPML方法預(yù)測STP含量的平均MAE和平均RMSE分別為0.640%和0.861%，RF、IDW與OK方法預(yù)測STP含量的平均MAE分別為0.643%、0.396%與1.357%，平均RMSE分別為0.862%、0.523%與1.651%。

克魯倫河流域；兩點(diǎn)機(jī)器學(xué)習(xí)；土壤全氮；土壤全磷

1 引言

克魯倫河發(fā)源于蒙古國肯特山并最終注入我國北方第一大淡水湖——呼倫湖。近年來，呼倫湖水質(zhì)污染形勢嚴(yán)峻，嚴(yán)重影響區(qū)域生態(tài)安全與飲用水安全?？唆攤惡恿饔蛲寥乐械牡⒘滓灶w粒態(tài)和溶解態(tài)的形式進(jìn)入水體，成為流域面源污染（Non-point sources, NPS）的主要來源之一。因此掌握流域內(nèi)土壤全氮（Soil total nitrogen, STN）、土壤全磷（Soil total phosphorus, STP）含量的空間分布對于理清NPS負(fù)荷分布模式，探究污染來源和數(shù)量至關(guān)重要。由于流域土壤全氮、全磷含量采樣化驗(yàn)成本高、耗時長，樣本量有限[1]。需要采用先進(jìn)的空間預(yù)測方法估算未采樣點(diǎn)土壤的STN和STP含量。目前，基于有限采樣點(diǎn)數(shù)據(jù)進(jìn)行STN和STP含量的空間預(yù)測已有較多研究。Shen等[2]利用反距離加權(quán)（Inverse distance weighted, IDW）、普通克里金（Ordinary kriging, OK）、多元線性回歸（Multiple linear regression, MLR）、地理加權(quán)回歸克里金（Geographically weighted regression kriging, GWRK）等共8種方法預(yù)測STN含量，探究了最優(yōu)的預(yù)測方法。但是傳統(tǒng)的空間預(yù)測方法往往不能充分利用目標(biāo)變量和環(huán)境變量間的相關(guān)關(guān)系，無法得到精確的目標(biāo)變量的局部預(yù)測結(jié)果[3-5]。

為能充分利用土壤屬性與環(huán)境變量間關(guān)系建立高精度土壤屬性預(yù)測模型，大量研究開始引入機(jī)器學(xué)習(xí)建模方法[6-8]。彭濤等[9]采用無人機(jī)高光譜波段和偏最小二乘回歸（Partial least squares regression, PLSR）、嶺回歸（Ridge regression, RR）和隨機(jī)森林（Random forest, RF）方法進(jìn)行STN含量的預(yù)測建模，預(yù)測高精度的STN含量的空間分布。Hengl等[10]使用RF和梯度提升（Gradient boosting）機(jī)器學(xué)習(xí)技術(shù)的集合，預(yù)測非洲撒哈拉以南地區(qū)0～30 cm的STN和STP等土壤屬性含量，并進(jìn)行土壤數(shù)字制圖。機(jī)器學(xué)習(xí)方法采用全局建模和局部建模兩種方式。Gomez等[11]利用PLSR方法建立全局模型，預(yù)測突尼斯的土壤有機(jī)碳和土壤無機(jī)碳含量。但是全局模型在處理土壤屬性與環(huán)境變量的局部異質(zhì)性關(guān)系上存在局限性。因此局部預(yù)測模型被開發(fā)以提高預(yù)測精度，Ramirez-Lopez等[12]建立了一種預(yù)測土壤屬性的局部模型，基于光譜的學(xué)習(xí)器（Spectrum-based learner, SBL），結(jié)果表明其在利用大量豐富的Vis-NIR數(shù)據(jù)集預(yù)測土壤屬性含量方面具有巨大的潛力。但是隨著輸入局部預(yù)測模型變量數(shù)目的增加，難以獲得用于局部模型構(gòu)建的鄰近點(diǎn)，從而造成維度災(zāi)難?？唆攤惡恿饔驒M跨中蒙兩國，流域面積遼闊，不僅STP和STN含量的空間分布上具有異質(zhì)性，且它們與輔助變量之間的關(guān)系也存在異質(zhì)性。僅使用全局模型將無法擬合復(fù)雜的異質(zhì)性關(guān)系，同時由于樣點(diǎn)稀少，局部模型難以克服維度災(zāi)難問題。因此本文采用兩點(diǎn)機(jī)器學(xué)習(xí)（Two-point machine learning, TPML）方法[13]（https://github.com/Bingbo- Gao/TPML），首先利用兩點(diǎn)之間土壤屬性以及輔助變量的差值建立全局模型，然后基于預(yù)測差異建立局部模型。該方法能夠有效地處理土壤屬性含量自身及其與輔助變量間關(guān)系的復(fù)雜異質(zhì)性問題。同時，TPML方法基于點(diǎn)對構(gòu)建預(yù)測模型，能夠?qū)⒃緉的采樣點(diǎn)數(shù)量擴(kuò)充至n2，達(dá)到樣本容量擴(kuò)充的目的，破解維度災(zāi)難，解決土壤采樣點(diǎn)稀缺的問題。Gao等[13]證實(shí)TPML方法可以有效融合空間位置變量和環(huán)境變量，并提供預(yù)測結(jié)果的不確定性估計(jì)，在地球變量觀測領(lǐng)域具有廣闊的應(yīng)用前景。王雨雪等[14]使用TPML方法預(yù)測黑龍江省海倫市土壤有機(jī)質(zhì)含量，結(jié)果表明不同的樣本量條件下，TPML方法能夠顯著提高預(yù)測精度。

因此本文基于TPML方法，預(yù)測克魯倫河流域的STN和STP含量，并基于十折交叉檢驗(yàn)將其與RF、IDW和OK方法進(jìn)行對比分析，最后進(jìn)行克魯倫河流域STN和STP含量的空間分布制圖，獲得流域250 m STN和STP含量的空間分布數(shù)據(jù)。

2 數(shù)據(jù)采集與處理方法

數(shù)據(jù)采集地位于克魯倫河流域（107°25′—117°24′E，46°2′—49°40′N），共有覆蓋全流域的STN、STP采樣點(diǎn)73個，樣方為100 m×100 m。其中有效點(diǎn)71個，50個位于蒙古國區(qū)域，21個位于中國境內(nèi)。STN和STP的采樣年份是2022年，單位均為%。

為充分利用STN與STP的空間分布異質(zhì)性及其與環(huán)境變量關(guān)系間的異質(zhì)性[15-16]，本文選取了包括地形、氣候、土壤屬性、植被及空間位置在內(nèi)的共18個輔助變量，如表1所示。

表1 數(shù)據(jù)類型與來源

除土壤有機(jī)碳儲量外，分別計(jì)算其他0～5 cm、5～15 cm土壤屬性柵格的均值。接下來將所有輔助變量數(shù)據(jù)重采樣至250 m，并將所有輔助變量的值提取到采樣點(diǎn)上，作為TPML方法中的訓(xùn)練數(shù)據(jù)集。最終根據(jù)柵格數(shù)據(jù)分辨率生成同尺度的預(yù)測點(diǎn)數(shù)據(jù)，共1855073條數(shù)據(jù)。

3 數(shù)據(jù)內(nèi)容

使用TPML方法得到的250 m克魯倫河流域STN含量預(yù)測結(jié)果如圖1所示，STN含量的最大值、最小值和平均值分別為2.1463%、0.0013%和0.4086%。STN含量的高值和低值在流域中部呈穿插分布，且從西到東呈現(xiàn)低高低的空間分布模式。STN含量低值主要分布在流域的上游和下游。

250 m克魯倫河流域的STP含量空間分布如圖2所示?；赟TP含量的最大值、最小值和平均值分別為6.2736%、0.00001%和1.6236%。STP含量的高值主要位于流域的西南部，流域的西部、北部、中部及東部的STP含量較低。

4 質(zhì)量控制與技術(shù)驗(yàn)證

基于71個土壤采樣點(diǎn)數(shù)據(jù)，選取平均絕對誤差（Mean absolute deviation, MAE）和均方根誤差（Root mean squared error, RMSE）作為模型評價指標(biāo)，使用TPML方法進(jìn)行十折交叉驗(yàn)證，并將其與RF、IDW和OK方法的預(yù)測結(jié)果進(jìn)行對比分析，如表2所示。TPML方法預(yù)測STN含量的平均MAE和平均RMSE分別為0.309%和0.456%，預(yù)測STP含量的平均MAE和平均RMSE分別為0.640%和0.861%。且相較于OK方法，TPML方法預(yù)測精度提升超過10%。

圖1 基于TPML方法的克魯倫河流域STN含量預(yù)測結(jié)果

圖2 基于TPML方法的克魯倫河流域STP含量預(yù)測結(jié)果

結(jié)合18個輔助變量，分別使用RF、IDW和OK方法，得到STN含量在克魯倫河流域的空間分布結(jié)果，如圖3所示。在三種方法中，OK方法的預(yù)測精度較低（圖3c），RF方法的預(yù)測精度優(yōu)于OK方法（圖3a），但是在克魯倫河上游地區(qū)呈現(xiàn)塊狀分布。雖然IDW方法交叉檢驗(yàn)結(jié)果的平均MAE和平均RMSE值低于其他方法，但其對于STN含量空間局部細(xì)節(jié)的預(yù)測能力明顯較弱，且該方法僅考慮了點(diǎn)對之間的距離，導(dǎo)致出現(xiàn)圍繞樣點(diǎn)環(huán)狀變化的不合理空間分布（圖3b）。

三種不同算法預(yù)測STP含量的空間分布結(jié)果如圖4所示，與STN含量的預(yù)測情況大致相同，RF方法的預(yù)測精度優(yōu)于IDW與OK方法。RF方法預(yù)測STP含量的結(jié)果在流域內(nèi)呈現(xiàn)明顯的塊狀分布（圖4a）。且由于IDW方法考慮采樣點(diǎn)與待預(yù)測點(diǎn)間的距離，所以離采樣點(diǎn)較遠(yuǎn)地區(qū)的預(yù)測值較低且相近，造成其擁有最低的平均MAE和平均RMSE值，再次證明其利用有限采樣點(diǎn)進(jìn)行大范圍土壤屬性含量預(yù)測時具有局限性（圖4b）。

表2 基于十折交叉驗(yàn)證的不同方法預(yù)測結(jié)果

圖3 基于不同方法的STN含量預(yù)測結(jié)果

圖4 基于不同方法的STP含量預(yù)測結(jié)果

5 數(shù)據(jù)價值與使用建議

本數(shù)據(jù)集包含250m分辨率的克魯倫河流域STN含量空間分布數(shù)據(jù)與STP含量空間分布數(shù)據(jù)，相較于常規(guī)的地統(tǒng)計(jì)預(yù)測方法和機(jī)器學(xué)習(xí)預(yù)測方法，數(shù)據(jù)集使用的TPML方法能充分利用空間位置信息和輔助變量信息，克服空間異質(zhì)性關(guān)系并提高預(yù)測精度。因此本數(shù)據(jù)集有助于探究精細(xì)的克魯倫河流域NPS負(fù)荷分布細(xì)節(jié)，以厘清其來源和數(shù)量，同時為流域相關(guān)生態(tài)環(huán)境研究和應(yīng)用提供數(shù)據(jù)支撐。

6 數(shù)據(jù)可用性

中國科技資源標(biāo)識碼（CSTR）：17058.11.sciencedb. agriculture.00018；

數(shù)字對象標(biāo)識碼（DOI）：10.57760/sciencedb.agriculture.00018。

允許公開訪問。

7 代碼可用性

本文所用代碼存儲于：https://github.com/Bingbo- Gao/TPML。

作者分工與貢獻(xiàn)

王辰怡，數(shù)據(jù)的整理匯總與論文撰寫。

高秉博，概念化與方法設(shè)計(jì)。

Sukhbaatar Chinzorig，項(xiàng)目管理與項(xiàng)目監(jiān)管。

馮權(quán)瀧，總體方案設(shè)計(jì)與論文撰寫指導(dǎo)。

馮愛萍，數(shù)據(jù)質(zhì)量控制與實(shí)驗(yàn)方案設(shè)計(jì)。

姜傳亮，數(shù)據(jù)的整理匯總與質(zhì)量控制。

張中浩，論文架構(gòu)指導(dǎo)與方法設(shè)計(jì)。

及舒蕊，數(shù)據(jù)收集與可視化。

利益沖突聲明

作者聲明，全部作者均無會影響研究公正性的財(cái)務(wù)利益沖突或個人利益沖突。

[1] Shen Z, Chen L, Ding X, et al. Long-term variation (1960–2003) and causal factors of non-point-source nitrogen and phosphorus in the upper reach of the Yangtze River [J]. Journal of Hazardous Materials, 2013, 252: 45-56. DOI:10.1016/j.jhazmat.2013.02.039.

[2] Shen Q, Wang Y, Wang X, et al. Comparing interpolation methods to predict soil total phosphorus in the Mollisol area of Northeast China [J]. Catena, 2019, 174: 59-72. DOI:10.1016/j.catena.2018.10.052.

[3] Kumar S, Lal R, Liu D. A geographically weighted regression kriging approach for mapping soil organic carbon stock [J]. Geoderma, 2012, 189: 627-634. DOI:10.1016/j.geoderma.2012.05.022.

[4] Wang K, Zhang C, Li W. Predictive mapping of soil total nitrogen at a regional scale: A comparison between geographically weighted regression and cokriging [J]. Applied Geography, 2013, 42: 73-85. DOI:10.1016/j.apgeog.2013.04.002.

[5] Song X-D, Brus D J, Liu F, et al. Mapping soil organic carbon content by geographically weighted regression: A case study in the Heihe River Basin, China [J]. Geoderma, 2016, 261: 11-22. DOI:10.1016/j. geoderma.2015.06.024.

[6] Khaledian Y, Miller B A. Selecting appropriate machine learning methods for digital soil mapping [J]. Applied Mathematical Modelling, 2020, 81: 401-418. DOI:10.1016/j.apm.2019.12.016.

[7] Wadoux A M-C, Minasny B, McBratney A B. Machine learning for digital soil mapping: Applications, challenges and suggested solutions [J]. Earth-Science Reviews, 2020, 210: 103359. DOI:10.1016/j.earscirev. 2020.103359.

[8] 王銘鑫, 范超, 高秉博, 等. 融合半變異函數(shù)的空間隨機(jī)森林插值方法 [J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文), 2022, 30(3): 451-457. DOI:10.12357/cjea.20210628.

[9] 彭濤, 趙麗, 張愛軍, 等. 土壤全氮的無人機(jī)高光譜響應(yīng)特征及估測模型構(gòu)建 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2023, 39(4): 92-101. DOI:10. 11975/j.issn.1002-6819.202211021.

[10] Hengl T, Leenaars J G, Shepherd K D, et al. Soil nutrient maps of Sub-Saharan Africa: assessment of soil nutrient content at 250 m spatial resolution using machine learning [J]. Nutrient Cycling in Agroecosystems, 2017, 109: 77-102. DOI:10.1007/s10705-017-9870-x.

[11] Gomez C, Chevallier T, Moulin P, et al. Prediction of soil organic and inorganic carbon concentrations in Tunisian samples by mid-infrared reflectance spectroscopy using a French national library [J]. Geoderma, 2020, 375: 114469. DOI:10.1016/j.geoderma.2020.114469.

[12] Ramirez-Lopez L, Behrens T, Schmidt K, et al. The spectrum-based learner: A new local approach for modeling soil vis–NIR spectra of complex datasets [J]. Geoderma, 2013, 195: 268-279. DOI:10.1016/j. geoderma.2012.12.014.

[13] Gao B, Stein A, Wang J. A two-point machine learning method for the spatial prediction of soil pollution [J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 108: 102742. DOI:10. 1016/j.jag.2022.102742.

[14] 王雨雪, 楊柯, 高秉博, 等. 基于兩點(diǎn)機(jī)器學(xué)習(xí)方法的土壤有機(jī)質(zhì)空間分布預(yù)測 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2022, 38(12): 65-73. DOI:10. 11975/j.issn.1002-6819.2022.12.008.

[15] 霍明珠, 高秉博, 喬冬云, 等. 基于APCS-MLR受體模型的農(nóng)田土壤重金屬源解析 [J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào), 2021, 40(05): 978-986.

[16] Wang Q, Xie Z, Li F. Using ensemble models to identify and apportion heavy metal pollution sources in agricultural soils on a local scale [J]. Environmental Pollution, 2015, 206: 227-235. DOI:10. 1016/j.envpol.2015.06.040.

Dataset of Soil Total Nitrogen Content and Soil Total Phosphorus Content of the Kherlen River Basin in 2022

WANG ChenYi1, GAO BingBo1*, Sukhbaatar Chinzorig2, FENG QuanLong1, FENG AiPing3, JIANG ChuanLiang1, ZHANG ZhongHao4, JI ShuRui1

1College of Land Science and Technology, China Agricultural University, Beijing 100083, China;2Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar 15170, Mongolia;3Ministry of Ecology and Environment Center for Satellite Application on Ecology and Environment, Beijing 100094, China;4College of Environmental and Geographical Sciences, Shanghai Normal University, Shanghai 200234, China

The ecological and environmental security of the Kherlen River Basin has attracted more and more attention in China and Mongolia. It is of great significance to investigate the contents of soil total nitrogen (STN) and soil total phosphorus (STP) in the basin for accurately estimating the load of non-point sources (NPS) and studying the state of resources and environment and sustainable development. It is time-consuming and labor-intensive to obtain a wide range of STN and STP contents using traditional sampling methods, while STN and STP not only have spatial heterogeneity, but also have heterogeneity in their relationships with auxiliary variables. Moreover, a single global model cannot fit complex heterogeneous relationships, and it is difficult for the local modeling method to overcome dimensional disaster problems. Therefore, the two-point machine learning (TPML) method is introduced in this paper. The TPML method first establishes a global model based on the difference of paired points, and then constructs a local model based on the prediction difference of the global model. It can expand the sample size from n to n2, achieving the prediction of high-precision and large-scale STN and STP contents using limited sampling points. Based on 18 auxiliary variables of topography, climate, soil properties, vegetation and spatial location, etc, the study produced the distribution dataset of STN and STP contents in the basin using the TPML method. Futhermore, using the ten-fold cross-validation method, the study confirmed that the prediction accuracy of TPML model is more than 10% higher than that of Ordinary Kriging (OK) model. The mean absolute deviation (MAE) and mean root mean squared error (RMSE) of STN content predicted by the TPML method are 0.309% and 0.456% respectively. The mean MAE of STN content predicted by random forest (RF), inverse distance weighted (IDW) and OK methods is 0.329%, 0.247% and 1.864%, and the mean RMSE is 0.468%, 0.387% and 1.976%, respectively. The mean MAE and mean RMSE of STP content predicted by TPML method are 0.640% and 0.861%. The mean MAE of STP content predicted by RF, IDW and OK methods is 0.643%, 0.396% and 1.357%, and the mean RMSE is 0.862%, 0.523% and 1.651%, respectively.

Kherlen River Basin; two-point machine learning; soil total nitrogen; soil total phosphorus

Data summary:

ItemDescription Dataset nameDataset of Soil Total Nitrogen Content and Soil Total Phosphorus Content of the Kherlen River Basin in 2022 Specific subject areaLand resources and information technology Research topicPrediction of soil total nitrogen content and soil total phosphorus content Time range2022 Geographical scopeKherlen River Basin Spatial resolution250 m Data types and technical formats250 m high resolution distribution map of soil total nitrogen content250 m high resolution distribution map of soil total phosphorus content Dataset structureThe dataset is soil total nitrogen (STN) and soil total phosphorus (STP) content at 250 m resolution in the Kherlen River Basin in 2022 Volume of data32.84 MB Key index in datasetSoil total nitrogen content, Soil total phosphorus content Data accessibilityCSTR：17058.11.sciencedb.agriculture.00018DOI：10.57760/sciencedb.agriculture.00018 Financial supportResearch and development on remote sensing monitoring and assessment technology of non-point source pollution in Kherlen River Basin under the National Key Research and Development Program（2021YFE0102300）

王辰怡, 高秉博, Sukhbaatar Chinzorig, 馮權(quán)瀧, 馮愛萍, 姜傳亮, 張中浩, 及舒蕊. 2022年克魯倫河流域土壤全氮含量與土壤全磷含量數(shù)據(jù)集[J]. 農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào), 2023, 5(3):104-111.

WANG ChenYi, GAO BingBo, Sukhbaatar Chinzorig, FENG QuanLong, FENG AiPing, JIANG ChuanLiang, ZHANG ZhongHao, JI ShuRui. Dataset of Soil Total Nitrogen Content and Soil Total Phosphorus Content of the Kherlen River Basin in 2022 [J]. Journal of Agricultural Big Data, 2023, 5(3): 104-111.

數(shù)據(jù)摘要：

項(xiàng)目描述 數(shù)據(jù)庫（集）名稱2022年克魯倫河流域土壤全氮含量與土壤全磷含量數(shù)據(jù)集 所屬學(xué)科土地資源與信息技術(shù) 研究主題土壤全氮含量與土壤全磷含量預(yù)測 數(shù)據(jù)時間范圍2022年 數(shù)據(jù)地理空間覆蓋克魯倫河流域 空間分辨率250 m 數(shù)據(jù)類型與技術(shù)格式250 m高分辨率土壤全氮含量分布（TIF格式）250 m高分辨率土壤全磷含量分布（TIF格式） 數(shù)據(jù)庫（集）組成數(shù)據(jù)集為2022年克魯倫河流域250 m分辨率的土壤全氮（STN）與土壤全磷（STP）含量. 數(shù)據(jù)量32.84 MB 主要數(shù)據(jù)指標(biāo)土壤全氮含量、土壤全磷含量 數(shù)據(jù)可用性CSTR：17058.11.sciencedb.agriculture.00018DOI：10.57760/sciencedb.agriculture.00018 經(jīng)費(fèi)支持國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目克魯倫河流域面源污染遙感監(jiān)測與評估技術(shù)研發(fā)（2021YFE0102300），國家自然科學(xué)基金項(xiàng)目（42271428）