煤炭开采对区域农田植被碳库储量的影响评价

在人类煤炭开采活动的干预下,农田生态系统中碳储量迅速变化。这种变化不仅改变了土壤肥力及农田作物产量,而且对区域及全球环境具有很大影响,事实上稳定保持其碳库是农业减缓温室气体的主要途径。该文的研究目的就是从煤炭开采对区域农田植被碳库储量影响的角度来研究煤炭开采对农田生态系统碳储量的影响,以徐州九里矿区为研究区,通过区域内农田植被碳库采样与试验、区域植被碳库储量估算模型的构建以及碳储量估算得到九里矿区煤炭开采沉陷区农田植被的碳储量和碳密度分布图,然后与情景模拟得出的该区未受到煤炭开采影响情况下,经过几十年变化后农田植被的碳储量和碳密度分布图进行对比,得出煤炭开采对沉陷区范围的农田植被碳库的扰动影响,发现与不受到煤炭开采的影响相比,在沉陷区域外围地势较高的坡地煤炭开采对农田植被碳密度的影响很小,在沉陷区地势较低的季节性积水区和常年积水湿地区煤炭开采对农田植被碳密度的影响较大。在整个煤炭开采沉陷区范围内,与不受到煤炭开采的影响相比,煤炭开采沉陷区域农田植被碳库碳储量减少2.4万t。煤炭开采对区域农田植被碳库储量的影响属于失碳效应。     

煤炭矿区耕地土壤有机质无人机高光谱遥感估测

为监测煤炭矿区不同沉陷阶段耕地土壤质量状况,实现矿区土地复垦和耕地质量保护,以山西省长治王庄煤矿周边3种处于不同沉陷阶段的耕地为例,使用无人机搭载高光谱相机进行影像获取,并在研究区内进行土壤样品采集及室内光谱测定。通过对光谱反射率进行倒数、一阶微分、二阶微分、多元散射校正4种不同形式的变换,分析转换后的光谱反射率和实测有机质含量的相关性,筛选出相关系数较高的敏感波段。利用多元线性回归（Multiple Linear Regression,MLR）、偏最小二乘回归（Partial Least Squares Regression,PLSR）和BP神经网络（BP Neural Network,BPNN）3种模型对有机质含量建立预测模型,并对模型预测结果进行精度评价,选用较优模型代入无人机高光谱影像进行有机质含量填图,得到耕地范围内的土壤有机质分布情况,并对处于不同沉陷阶段的耕地土壤有机质空间分布差异及其驱动因子进行分析讨论。结果表明：1）采煤沉陷区耕地土壤有机质含量与经过多元散射校正变换的光谱曲线相关性最高,敏感波段为463.75～492.45 nm,870.79～932.58 nm处,最大相关系数为0.63。2）经过多元散射校正处理的光谱曲线运用偏最小二乘回归模型和BP神经网络模型预测有机质含量精度要明显高于多元线性回归模型,预测精度分别达到0.863和0.884,可以用于有机质含量的估测。3）采煤沉陷区耕地土壤有机质分布情况表现为煤炭开采未扰动区耕地土壤有机质分布较为均一,均值为26.94 g/kg,总体上处于中上等水平;煤炭开采扰动稳沉区耕地土壤有机质高低值分化明显,整体分布呈现较大空间分异性;煤炭开采扰动区介于二者之间。矿区有机质含量大小关系为煤炭开采未扰动区耕地>煤炭开采扰动区耕地>煤炭开采扰动稳沉区耕地。     

黄土丘陵区小流域尺度上土壤有机碳空间异质性

通过对上黄试区小流域不同土地利用类型下的60个样点的采样分析,结合地统计学原理对小流域土壤有机碳的空间异质性进行研究。试验结果表明,土壤有机碳含量随土层深度的增加而减少,不同土地利用类型下的土壤有机碳存在显著性差异。表层0-10cm的土壤有机碳含量为9.544g/kg,明显高于10-30cm的7.10g/kg和30-60cm的4.63g/kg。通过Kriging插值法估算,其结果也表现出相同的规律。由土壤有机碳含量分布图可知,0-10cm,10-30cm和30-60cm 3层土壤的有机碳含量均表现出天然草地和柠条纯林高于川台地和河滩地。土壤有机碳含量在空间分布上表现出的特征,与动植物在土体中的垂直分布格局、人类社会活动及区域气候条件等因素有关。     

基于温度植被干旱指数的兖州煤田煤炭开采影响边界遥感提取

为识别植被覆盖区煤炭开采的生态影响边界,该文以兖州煤田为研究区域,应用温度植被干旱指数TVDI(temperature vegetation drought index)反演沉陷积水区外围的土壤湿度空间分布特征,利用MATLAB拟合TVDI变化趋势并依据其趋于稳定的渐近线,反解煤炭开采活动对矿区生态的影响边界,将其与采用MSCS(mining subsidence prediction system,MSCS)软件预计获得的下沉10 mm沉陷边界进行对比。结果表明:不同距离的TVDI中位数随距积水区边缘距离的变化表现为先增加后趋于平稳、呈指数变化特征;基于TVDI分析得到的煤炭开采的非积水影响范围,仅相当于沉陷积水面积的2.07倍,预计沉陷非积水面积与预计沉陷积水面积之比为4.63倍。通过模型拟合遥感指数随距离的变化特征,能够获得煤炭开采的影响边界;兖州煤田基于TVDI获取的煤炭开采影响面积,相对小于预计的开采沉陷面积。该研究可为确定煤炭开采对生态影响的边界提供参考。     

人为作用对土壤有机碳空间分布规律的影响

为了研究人为长期培肥及生产活动对农田土壤有机碳库空间变异性的影响,在关中农田开展了0~100 cm土体范围内的土壤有机碳含量、有机碳密度及碳库活度等研究。结果表明:土壤有机碳含量变化在7.00~23.39 g kg-1,土壤有机碳含量呈明显分布与变异特征,变异性大且变异程度均属中等水平。有机碳、活性有机碳含量在0~100 cm范围内从上到下逐渐递减,而不是"T"型分布,碳库活度从呈递增趋势;土壤有机碳水平上是以村庄为中心向外辐射递减,尤其在0~20 cm土层规律性更加明显;0~100 cm土壤有机碳密度的水平分布呈随距村庄距离的增加先增加后减少的分布规律。由此得出,关中农田土壤有机碳库的空间变异明显地印记着长期人为作用土壤的历史痕迹,也是关中地区农业文明发展史的有效佐证之一。     

下辽河平原区农田土壤有机碳含量时空变异研究

以1980年第二次土壤普查数据和2010年下辽河平原区耕地地力评价数据为基础,采用GIS空间分析的方法,对该地区耕地土壤有机碳的含量随时间和空间的变化特征进行分析和研究。分析结果表明,上世纪80年代,下辽河平原耕地土壤有机碳分布的差异越来越小,该地区耕地土壤中有机碳的整体呈减少的趋势。农田土壤有机碳含量空间分布总体而言呈现东高西低、南高北低的趋势。从土壤有机碳含量空间分布的变化看,下辽河平原区农田土壤有机碳含量呈南部增加、北部降低的趋势。30年来,在人类活动的干预下,土壤有机碳含量分布相同的趋势在慢慢减小,小范围内的变化非常明显并且变化幅度较大,整个地区的含量分布变得错综复杂。     

煤炭开采对"矿-农"复合区农田质量影响评价

农田质量的内涵应包括本底质量、经济质量和生态环境质量3部分。煤炭开采导致农田严重受损,科学合理评价煤炭开采对矿-农复合区农田质量的影响,对制定区域土地复垦规划和综合整治有着重要的意义。以山西省泽州县长河流域为研究区,该研究首先建立了煤炭开采沉陷区农田质量评价的指标体系,选取农田自然质量、农业生产条件、区位条件、农田环境条件来表征农田质量,对并依据这些指标进行空间可视化,利用多因素加权求和的方法对农田质量进行综合评价。研究结果表明:与煤炭开采非扰动区相比,位于煤矿区井田边界内的农田自然质量、农业生产条件、区位条件、农田生态环境条件评价分值均较低;煤矿井田边界范围内的农田质量(平均值为0.37)低于非矿区农田(平均值为0.55)。应结合煤炭开采扰动影响区农田质量区域分布特点,制定科学合理的矿-农复合区土地复垦规划和土地综合整治方案。     

区域绿洲农田土壤有机碳分布及其影响因子研究

以干旱区典型绿洲农田区——玛纳斯县中部农田为研究区,以土壤有机碳为研究对象,结合野外土壤调查及实验室分析数据研究了土壤有机碳的垂直分布特征,并分析土壤质地、地形、土地利用、作物类型等不同因子对农田土壤有机碳的影响。结果表明:玛纳斯县中部农田土壤有机碳是自然环境综合因素的结果,土壤有机碳含量随着土壤深度的增加不断减小;不同土壤质地土壤有机碳含量的特征为:粘壤土粉壤土沙壤土;不同地形因子中坡向与农田0~30、30~60 cm层的土壤有机碳含量呈显著正相关,海拔与农田60~100 cm层的土壤有机碳含量呈显著正相关;不同土地利用方式下土壤有机碳含量有较大差异,果园的土壤有机碳含量最高,荒地的土壤有机碳含量最低;不同作物类型土壤有机碳含量特征为:玉米地酒葡萄地棉花地,且差异显著。     

黄土丘陵区县域农田土壤有机碳空间变异性————-以甘肃省庄浪县为例

运用地统计学和GIS相结合的方法,研究了黄土丘陵区县域尺度农田土壤有机碳空间变异性及其影响因素。结果表明,1）研究区土壤有机碳含量处于较低水平,平均值为8.28g/kg,变异系数为18.8%,属于中等变异强度。2）有机碳变异函数的理论最佳模型为指数模型,块金值与基台值之比为9%,表明有机碳含量具有强烈的空间相关性,空间相关距离为2250 m,大于采样间距400 m。普通Kriging插值表明土壤有机碳含量整体上呈现东部比西部高、北部比南部高,西部区域呈现出斑块状的分布。3）影响该区域土壤有机碳空间变异的主要因素是海拔和土壤类型,坡向及土壤侵蚀程度等,海拔对有机碳空间变异性的贡献率为82.27%,土壤类型为13.10%,坡向和土壤侵蚀程度为4.54%。     

菜地旱地交错分布区土壤有机碳和有效态微量元素的空间变异性—以山东寿光古城镇为例

基于GIS和地统计学方法,以山东寿光古城镇为例,分析了两种利用方式下（大棚蔬菜和小麦玉米轮作）表层（020 cm）土壤有机碳的空间变异特征及其影响因素,并分析了土壤有机碳含量与有效态微量元素含量之间的相关性。结果表明,研究区内大棚菜地有机碳平均含量高于小麦玉米轮作农田,两者变异程度均为中等,受施肥、温度、灌溉、翻耕等人为因素的影响显著。菜地耕层土壤有机碳的变程（749 m）小于农田（1460 m）,说明菜地有机碳空间变异程度高,这与菜地中施肥管理措施变异度更大有关。轮作区土壤有机碳空间分布模拟结果表明,研究区中部土壤有机碳含量较高,中东部和西部较低。大棚菜地土壤有机碳空间模拟结果表明,土壤有机碳较高值分布于研究区的东北、西北和东南区域,较低值分布在中西部北边位置。小麦玉米轮作农田中有机碳存储量与有效Fe、Cu、B含量呈极显著正相关,与有效Mn呈极显著负相关;菜地土壤有机碳与微量元素有效态之间的相关性不明显。     

基于地形属性使用回归, 克里格和人工神经网络方法估算饱和导水率空间分布

Several methods,including stepwise regression,ordinary kriging,cokriging,kriging with external drift,kriging with varying local means,regression-kriging,ordinary artificial neural networks,and kriging combined with artificial neural networks,were compared to predict spatial variation of saturated hydraulic conductivity from environmental covariates.All methods except ordinary kriging allow for inclusion of secondary variables.The secondary spatial information used was terrain attributes including elevation,slope gradient,slope aspect,profile curvature and contour curvature.A multiple jackknifing procedure was used as a validation method.Root mean square error (RMSE) and mean absolute error (MAE) were used as the validation indices,with the mean RMSE and mean MAE used to judge the prediction quality.Prediction performance by ordinary kriging was poor,indicating that prediction of saturated hydraulic conductivity can be improved by incorporating ancillary data such as terrain variables.Kriging combined with artificial neural networks performed best.These prediction models made better use of ancillary information in predicting saturated hydraulic conductivity compared with the competing models.The combination of geostatistical predictors with neural computing techniques offers more capability for incorporating ancillary information in predictive soil mapping.There is great potential for further research and development of hybrid methods for digital soil mapping.     

克里格插值在区域土壤有机碳空间预测中的应用

基于河北省第二次全国土壤普查数据,对比了常用土壤有机碳相关因子土地利用和土壤类型与普通克里格插值结合前后对土壤有机碳密度空间预测精度的差异,探讨了普通克里格插值在区域土壤有机碳空间预测中的应用。研究结果表明,土地利用能够独立解释土壤有机碳密度总方差的19.0%,与普通克里格插值结合以后能够将对土壤有机碳密度总方差的解释程度显著提高到30.2%。低级土壤分类土属能够独立解释土壤有机碳密度总方差的45.0%,但与普通克里格插值结合以后对土壤有机碳密度总方差的解释程度为44.8%,两者相差不大。因此区域空间上能否进一步应用普通克里格插值优化土壤有机碳的空间预测与所选用的土壤有机碳相关因子有关。     

基于环境变量的渭干河-库车河绿洲土壤盐分空间分布

土壤属性的数字制图对精准农业生产和环境保护治理至关重要。为了在大尺度上尽可能精确的监测土壤盐分空间变异性,该文使用普通克里格(ordinary kriging,OK)、地理加权回归(geographically weighted regression,GWR)和随机森林(random forest,RF)方法,结合地形、土壤理化性质和遥感影像数据等16个环境辅助变量,绘制渭干河-库车河绿洲表层土壤盐分分布图。基于决定系数(R^2)、均方根误差(RMSE)和平均绝对误差(MAE)验证模型精度。结果表明:不同方法预测的盐分分布趋势没有显著差异,大体上从研究区的西北向东南部方向增加;结合辅助变量的不同预测方法中,RF方法预测精度最高,R^2为0.74,RMSE和MAE分别为9.07和7.90 mS/cm,说明该模型可以有效地对区域尺度的土壤盐分进行定量估算;RF方法对电导率(electric conductivity,EC)低于2 mS/cm时预测精度最高,RMSE为3.96 mS/cm,很好的削弱了植被覆盖对电导率EC的影响。     

基于各向异性的区域土壤有机碳三维模拟与空间特征分析

为探索更加科学的土壤属性三维空间模拟方法,以各项同性三维普通克里格法为对比方法,采用均方根误差（root mean squared errors,RMSE）和标准化克里格方差（mean squared deviation ratio,MSDR）以及空间模拟方差图等,评价比较了各项同性和顾及各项异性的三维模拟方法的模拟效果。结果显示：三种方法模拟的土壤有机碳三维空间分布格局基本一致。随着土壤深度的不断增加,土壤有机碳含量较高的斑块逐渐减少,垂直方向上总体呈现出土体上部高下部低的格局。顾及各向异性能在一定程度上克服普通克里格法常出现的牛眼和趋中效应等缺陷问题。顾及各向异性基于Markov 的同位置协同格里格法模拟效果最佳。该法的 RMSE 值最小（1.6215）,相比于各项同性三维普通克里格法 RMSE提高将近50%,特异值覆盖比率最大（76.15%）,模拟精度最高,能够更好地突出波动性,体现特异值;该方法的 MSDR最接近1（1.4409）,且模拟的土壤有机碳质量分数总体方差均值最小（2.08）。研究成果将为区域土壤属性三维空间有效模拟提供方法参考。     

地学环境变量支持的土壤全钾含量自适应曲面建模——以青海湖流域典型地区为例

土壤属性空间分布受地学环境要素影响,空间分异特征十分明显,单一的全局插值模型在应用中常受到一定条件的限制。对复杂地貌类型区土壤属性插值所面临的空间不连续、全局插值模型精度有限以及适应性差的缺点,提出了一种融合地学环境信息的土壤属性自适应曲面建模方法（Adaptive surface modeling for soil properties,ASM-SP）。利用2013年采集的110个样点数据,以土壤全钾含量为例,利用ASM-SP、普通克里格法（Ordinary Kriging,OK）、回归克里格法（Regression Kriging,RK）、地理加权回归克里格法（Geographically Weighted Regression Kriging,GWRK）和协同克里格（Ordinary Co-Kriging,OCK）5种插值方法,分别模拟了青海湖流域典型地区土壤全钾含量的空间分布。采用平均误差（Mean Error,ME）、平均相对误差（Mean Relative Error,MRE）、均方根误差（Root Mean Square Error,RMSE）、准确度（Accuracy,AC）、相关系数、回归系数和决定系数7类指标系统评价不同插值方法的预测效果。结果表明:（1）利用常规插值（OK）得到的插值曲面较为平滑,具有弱“牛眼”效应,在刻画土壤全钾含量的空间变异性方面存在明显不足,精度有待提高。（2）在融合地学环境信息的插值方法中,RK,OCK,GWRK和ASM-SP模拟精度较OK有不同程度提高,其中ASM-SP在刻画土壤全钾含量的空间变异和局部细节信息方面表现突出,精度较其他插值方法有较大程度提高,其准确度较OK,RK,GWRK和OCK分别提高9.27%,6.29%,2.66%和7.74%。ASM-SP尤其适合复杂地貌类型区,因其考虑了地学环境变量与土壤属性的非线性关系,并融合了多个模型的适应性优势,其在刻画土壤属性空间分异的复杂性方面也更加符合实际情况,为土壤属性的空间模拟提供了新思路。     

基于三种空间预测方法的安庆市耕地土壤速效钾空间分布预测

以安徽省安庆市为研究区,选取环境变量因子(空间位置变量因子、地形变量因子、土壤变量因子、气候变量因子)作为变量因素,通过构建随机森林(Random Forest,RF)模型对研究区耕地土壤速效钾含量进行预测,并与普通克里金(Ordinary Kriging,OK)和反距离权重(Inverse Distance Weighting,IDW)这两种传统空间预测方法作对比。结果表明:研究区内速效钾空间分布的3种方法的预测精度高低顺序为RF>OK>IDW,其中RF模型的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)分别为30.93 mg·kg^-1、41.31 mg·kg^-1和0.58,相较于OK和IDW分别高出了3.36%、5.95%,6.71%、11.86%和18.37%、23.40%;3种空间分布预测方法整体趋势一致,呈东南高西北低分布。综合而言,RF模型能较好地预测安庆市耕地土壤速效钾含量,且纬度、年平均温度、成土母质、高程、经度、年平均降水量是影响RF模型精度的主要因素。     

Predictive soil mapping with limited sample data

Existing predictive soil mapping (PSM) methods often require soil sample data to be sufficient to represent soil–environment relationships throughout the study area. However, in many parts of the world with only a limited quantity of soil sample data to represent the study area, this is still an issue for PSM application. This paper presents a method, named ‘individual predictive soil mapping’ (iPSM), which can make use of limited soil sample data for PSM. With the assumption that similar environmental conditions have similar soils, iPSM uses the soil–environment relationship at each individual soil sample location to predict soil properties at unvisited locations and estimate prediction uncertainty. Specifically, the environmental similarities of an unvisited location to a set of soil sample locations are used in a weighted average method to integrate the soil–environment relationships at sample locations for prediction and uncertainty estimation. As a case study, iPSM was applied to map soil organic matter (SOM) content (%) in the topsoil layer using two sets of soil samples. Compared with multiple linear regression (MLR), iPSM produced a more accurate SOM map (root mean squared error ( RMSE) 1.43, mean absolute error ( MAE) 1.16) than MLR (RMSE 8.54, MAE 7.34) the ability of the sample set to represent the study area is limited and achieved a comparable accuracy (RMSE 1.10, MAE 0.69) with MLR (RMSE 1.01, MAE 0.73) when the sample set could represent the study area better. In addition, the prediction uncertainty estimated by iPSM was positively related to prediction residuals in both scenarios. This study demonstrates that iPSM is an effective alternative when existing soil samples are limited in their ability to represent the study area and the prediction uncertainty in iPSM can be used as an indicator of its prediction accuracy.     

黄土高原不同地貌区农田土壤有机质预测方法研究

  【目的】  开展黄土高原不同地貌区农田土壤有机质 (SOM) 预测方法研究,探讨不同预测方法在不同区域的适用性及不确定性,以便更准确地估算农田SOM空间分布特征,对土壤资源高效利用和农田精细化管理具有重要意义。  【方法】  在黄土高原3种典型地貌区进行试验,包括丘陵沟壑区 (庄浪县)、高塬区 (宁县) 和平原区 (武功县),分别布设样点3788、4048和3860个,分析农田土壤0—20 cm SOM含量。运用地统计学理论,分析各典型区SOM空间分布特征。提取原始样本75%为建模点,其余25%为验证点,利用普通克里格 (OK)、随机森林 (RF) 和随机森林+普通克里格 (RF + OK) 等方法,结合土壤类型、地形、气候、植被、人类活动等多源影响因子,对SOM分布进行空间预测,并对预测结果进行误差分析和空间结构检验,明确各方法的不确定性。  【结果】  丘陵沟壑区、高塬区、平原区SOM平均含量分别为14.29、13.15、14.48 g/kg,均属于较低水平;变异系数分别为18.96%、19.54%、26.71%,呈中等变异;块金效应分别为8.60%、17.41%和10.01%,受随机性和结构性因子共同作用,且受后者影响更大;丘陵沟壑区和平原区SOM含量的Moran’s I分别为0.26和0.14,Z[I]分别为26.56和13.51,存在显著空间自相关性,而高塬区SOM含量Moran’s I为0.02,Z[I]为1.55,不存在空间自相关性。丘陵沟壑区、高塬区、平原区SOM含量空间分布分别受温度、海拔、降水影响最大。在平原区,RF + OK法较RF法和OK法,MSE、RMSE、MAE等误差均最小,实测值与预测值的相关系数 (r) 最高,预测值的空间结构与实测值更接近。高塬区SOM空间分布无规律,OK法在该区域不适用,RF法和RF+OK法的各项误差无明显差异,但RF法的r更高,且预测值的空间结构更符合宁县实际特征。在平原区,OK法预测结果的不确定性较大,RF和RF + OK方法各项误差和r均无明显差异,但RF方法预测值的空间结构与实测值更接近,且较其它两个地区,其SOM变异性及建模点和验证点的各项误差均最大。  【结论】  在不同地貌区,环境要素、空间结构不同,同一预测方法的预测精度存在差异,平原区较丘陵沟壑区和高塬区,其空间预测结果的不确定性更大。在同一地貌区,3种预测方法的预测结果存在差异,丘陵沟壑区使用RF + OK法预测SOM空间分布效果较好,而高塬区和平原区则用RF法较好。当区域SOM存在显著空间相关性,且半方差函数的拟合度较高、残差较小时,采用RF + OK方法可显著提高模型预测精度。     

Effect of sampling density on regional soil organic carbon estimation for cultivated soils

An extensive knowledge of how sampling density affects soil organic C (SOC) estimation at regional scale is imperative to reduce uncertainty to a meaningful confidence level and aid in the development of sampling schemes that are both rational and economical. Using kriging prediction, this paper examined the effect of sampling density on regional SOC‐concentration estimations in cultivated topsoils at six scales in a 990 km² area of Yucheng County, a typical region in the N China Plain. Except the original data set (n = 394), five other sampling densities were recalculated using grids of 8 km × 8 km (n = 28), 8 km × 4 km (n = 44), 4 km × 4 km (n = 82), 4 km × 2 km (n = 142), and 2 km × 2 km (n = 257), respectively. Experimental SOC semivariances and kriging interpolations at six sampling density scales were calculated and modeled to estimate regional SOC variability. Accuracy of the effects of the five sampling densities on regional SOC estimations was assessed using the indices of mean error (ME) and root mean square error (RMSE) with 100 independent validation samples. By comparison with the kriged grid map derived from the 394 samples data set, the relative error (RE,%) was spatially calculated to highlight the spatial variability of prediction errors at five sampling‐density scales due to the intrinsic limitations of ME and RMSE in accuracy assessment. The results indicated that sampling density significantly affected the estimation of regional SOC concentration. Particularly when the sampling density was < 4 km × 4 km, the large spatial variation of SOC was concealed. Semivariance analysis indicated that different sampling density had significant effect on reasonable detection of the dominant factors which influenced SOC spatial variation. Greater sampling density could more exactly reveal regional SOC variation caused by human management. The prediction accuracy for regional SOC estimation increased with the increasing of sampling density. The critical areas with larger RE values should be intensified in the future sampling scheme, and the areas of lower RE values should be decreased relatively. A specific sampling scheme should be considered in accordance with the demand to the estimation accuracy of regional SOC stock at a certain confidence level. Our results will facilitate a better understanding of the effect of sampling density on regional SOC estimation for future sampling schemes by providing meaningful confidence levels.