耕地是保障国家粮食安全的根本，开展大尺度耕地质量的精准监测与动态评价，是落实耕地保护战略的重要基础。传统耕地质量与土壤有机质监测依赖地面调查，存在数据获取效率低、更新周期长、覆盖范围有限等问题，难以适配当前精准农业精细化管理的现实需求。近期，我所绿肥综合利用团队围绕大尺度耕地质量精准反演与驱动因子解析研究方向，在多源数据融合、耕地质量与土壤有机质时空分异特征解析等方面取得新进展，为安徽省耕地质量提升与土壤碳汇精细化管理提供了可靠的技术方法与科学支撑。

　　团队将遥感技术与机器学习相结合，利用Landsat 8遥感数据提取光谱与植被指数，结合实地土壤样本构建基于机器学习算法的耕地质量遥感评价模型，研发出一套高效、精准的耕地质量智能监测与分区管理方法。应用此研究方法，预测研究区2024年耕地质量空间分布状况，分析耕地生态景观格局与质量空间集聚特征，划分限制建设区、综合整治区、重点改良区三类管理分区，精准识别耕地质量的主要障碍因子，提出差异化的农田建设与管理分区建议。该方法为宏观尺度的耕地质量精准监管与差异化改良策略制定提供了高效、可靠的技术手段。相关研究结果以《Spatial aggregation trends of cultivated land quality and landscape patterns: A remote sensing analysis》为题发表在《Applied Soil Ecology》（影响因子5.6）。

　　土壤有机质（SOM）是耕地质量评价与碳循环研究的核心指标，传统地面采样监测难以支撑大尺度连续SOM观测。针对这一问题，团队以安徽省为研究区，整合多源遥感数据、气象与地形因子，结合合成少数类过采样技术（SMOTE）优化样本分布，构建融入多源环境变量的随机森林SOM反演模型，开展区域尺度耕地SOM时空格局分析。研究结果表明，该模型可满足区域SOM制图精度要求，反演结果显示，2019-2024年安徽省耕地SOM均值整体上升，呈南高北低、西高东低的聚集分布特征，地形与降水的交互作用是SOM空间分异的主导驱动j9.com因素。本研究为区域耕地质量提升与土壤养分精细化管理提供了重要的方法参考和数据支撑。相关研究结果以《Multi-Source Remote Sensing Collaboration RevealsSpatiotemporal Differentiation and Driving Mechanisms of SoilOrganic Matter in Cultivated Land of Anhui Province》为题发表在《Agriculture-Basel》（影响因子4.5）。