EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 3: 736 - 752

DOI: https://doi.org/10.12082/dqxxkx.2024.230267

遥感科学与应用技术

基于无人机遥感的盐渍化土壤有机质反演方法研究

  • 王玮莹 , 1, 2 ,
  • 彭金榜 1, 2 ,
  • 朱婉雪 1 ,
  • 杨斌 4 ,
  • 刘振 1, 3 ,
  • 公华锐 1, 3 ,
  • 王俊栋 1, 2 ,
  • 杨婷 1, 3 ,
  • 娄金勇 1, 3 ,
  • 孙志刚 , 1, 2, 3, *
展开
  • 1.中国科学院地理科学与资源研究所，北京 100101
  • 2.中国科学院大学资源与环境学院，北京 100049
  • 3.中科山东东营地理研究院，东营 257000
  • 4.长光禹辰信息技术与装备（青岛）有限公司，青岛 266000
*孙志刚（1976— ）,男,江苏盐城人,博士,研究员,研究方向为生态遥感与区域生态。E-mail:

王玮莹（1998— ）,女,山东德州人,硕士,研究方向为农业遥感与农业生态。E-mail:

Copy editor: 蒋树芳

收稿日期: 2023-05-14

  修回日期: 2023-09-24

  网络出版日期: 2024-03-31

基金资助

国家重点研发计划项目(2021YFD1900902)

中国科学院A类战略性先导科技专项(XDA23050102)

国家自然科学基金面上项目(42271349)

国家自然科学基金创新研究群体科学基金(72221002)

泰山产业领军人才工程资助。

收起

Study on Retrieval Method of Soil Organic Matter in Salinity Soil Using Unmanned Aerial Vehicle Remote Sensing

  • WANG Weiying , 1, 2 ,
  • PENG Jinbang 1, 2 ,
  • ZHU Wanxue 1 ,
  • YANG Bin 4 ,
  • LIU Zhen 1, 3 ,
  • GONG Huarui 1, 3 ,
  • WANG Jundong 1, 2 ,
  • YANG Ting 1, 3 ,
  • LOU Jinyong 1, 3 ,
  • SUN Zhigang , 1, 2, 3, *
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Shandong Dongying Institute of Geographic Sciences, Dongying 257000, China
  • 4. Yusense Information Technology and Equipment (Qingdao) Co., Ltd., Qingdao 266000, China
*SUN Zhigang, E-mail:

Received date: 2023-05-14

  Revised date: 2023-09-24

  Online published: 2024-03-31

Supported by

National Key Research and Development Program of China(2021YFD1900902)

Strategic Priority Research Program of the Chinese Academy of Sciences(XDA23050102)

General Program of National Natural Science Foundation of China(42271349)

Science Fund for Creative Research Groups of the National Natural Science Foundation of China(72221002)

The Taishan Industrial Experts Program.

Fold

摘要

土壤有机质含量是衡量土壤肥力的重要指标，对粮食生产具有重要影响。我国滨海盐碱地分布广阔，土壤有机质呈现显著的空间异质性。传统的“实地采集-实验测量”的方法费时费力，难以快速描绘盐碱地区土壤有机质含量的空间分布特征。因此，采用遥感技术对土壤有机质含量进行高效且精准地反演，可以快速了解土壤肥力，从而调整与优化农业生产与管理。本研究以黄河三角洲典型滨海盐碱地裸土（0~10 cm土层）为研究对象，通过提取土壤的无人机遥感光谱与空间纹理信息，构建并筛选遥感指数。分别采用多元线性逐步回归、偏最小二乘以及随机森林模型对土壤有机质含量进行反演，并对比分析耕作与未耕作处理对反演的影响，同时探究融入对土壤盐分含量敏感的遥感信息是否可提高盐碱地区土壤有机质的反演精度。研究结果表明：① 在土壤有机质含量反演中，随机森林模型的反演精度（R2为0.83~0.95）显著高于多元线性逐步回归（R2为0.26~0.69）和偏最小二乘模型（R2为0.37~0.72）；② 与未耕作土壤（R2为0.26~0.95）相比，耕作处理下的土壤有机质的反演精度较高（R2为0.54~0.94），即土壤的耕作处理能提高光谱指数对于土壤有机质含量的响应，从而提升土壤有机质含量的反演精度，为更加精准地监测土壤有机质提供新思路；③ 融入遥感纹理信息或土壤盐分含量信息（盐分实测值和盐分敏感指数）可显著提高土壤有机质反演精度。本研究将为提升田块尺度滨海盐渍化农田的土壤有机质含量反演提供理论与技术支撑，从而促进滨海盐渍化地区现代化农业的发展。

关键词： 土壤有机质反演; 无人机多光谱遥感; 土壤盐分; 光谱指数; 盐碱地; 裸土; 耕作; 未耕作

本文引用格式

王玮莹 , 彭金榜 , 朱婉雪 , 杨斌 , 刘振 , 公华锐 , 王俊栋 , 杨婷 , 娄金勇 , 孙志刚 . 基于无人机遥感的盐渍化土壤有机质反演方法研究[J]. 地球信息科学学报, 2024 , 26(3) : 736 -752 . DOI: 10.12082/dqxxkx.2024.230267

Abstract

Soil Organic Matter (SOM) content is an important indicator for measuring soil fertility and has a significant impact on food production. China's coastal saline-alkali lands are vast, and SOM exhibits significant spatial heterogeneity. The traditional method of “field collection and experimental measurement” is time-consuming and labor-intensive, making it difficult to quickly depict the spatial distribution characteristics of SOM content in saline-alkali areas. Therefore, efficiently and accurately using remote sensing technology to invert SOM content can provide insights into soil fertility, so as to help adjust and optimize agricultural production and management. This study focused on the bare soil (0~10 cm soil layer) in a typical coastal saline-alkali land of the Yellow River Delta and constructed remote sensing indices from the Unmanned Aerial Vehicle (UAV) remote sensing spectral and spatial texture information. The multi-linear stepwise regression model, partial least squares model, and random forest model were employed to quantitatively estimate SOM. We compared and analyzed the impact of cultivated and uncultivated soil on SOM content retrieval through UAV remote sensing methods, and also explored whether the integration of remote sensing information sensitive to soil salt content aids in SOM retrieval in saline-alkali areas. The results show that: (1) In the inversion of SOM content, the accuracy of random forest model (R2 ranging from 0.83 to 0.95) was significantly higher than that of multiple linear stepwise regression (R2 ranging from 0.26 to 0.69) and partial least squares model (R2 ranging from 0.37 to 0.72); (2) Compared to uncultivated soil (R2 ranging from 0.26 to 0.95), the inversion accuracy of organic matter in cultivated soil (R2 ranging from 0.54 to 0.94) was significantly higher. That is to say, cultivation treatment enhanced the response of spectral indices to SOM content, thereby increasing the inversion accuracy of SOM content, which provides new insights for precise monitoring of SOM; (3) Integrating remote sensing texture information or soil salt content information (i.e., salt content and salt sensitivity) can significantly increase the inversion accuracy of SOM. This study provides theoretical and technical support for improving SOM content inversion in salinized coastal farmland at the field scale, ultimately contributing to the development of modern agriculture in salinized coastal areas.

Key words： inversion of soil organic matter; UAV multispectral remote sensing; soil salinity; spectral index; saline-alkali land; bare soil; cultivation; uncultivation

1 引言

我国黄河三角洲地区地势平坦开阔，但由于地下水位较高且地下水矿化度较高，因而导致该地区土壤面临严重的盐渍化问题[1]，且土壤有机质含量也呈现不均匀的分布情况[34]。对土壤有机质含量进行有效、精准、及时的监测，对于确保作物产量与粮食安全具有重要意义[2]。
土壤有机质的成分复杂、功能团多样；在近红外光谱范围内，尚未有效匹配和验证遥感光谱对土壤有机质中官能团的响应特征。但目前的研究认为，土壤有机质含量的增加往往会导致整个光谱范围内的反射率降低[3]。遥感技术作为一种无损且高效的土壤有机质反演技术，已经在广泛的实际应用中得到了肯定。这是由于不同地物反射的电磁波信息存在差异，光谱特征能反映出不同的土壤属性特征，从而使得土壤有机质含量的遥感反演成为可能。目前的研究主要是通过地物光谱仪获得土壤的高光谱遥感数据来进行分析；尽管这种方法能获取高空间和光谱分辨率的遥感信息，但它只能表征小范围的土壤属性特征，难以准确描绘土壤有机质含量的空间分布情况。尤其是对具有高度空间异质性的滨海盐碱地农田而言，小范围的土壤有机质含量监测与诊断的意义甚微[4]。此外，高光谱遥感影像的获取成本较高，并且信息量庞大。由于相邻波段之间存在较强的相关，应用过程中会引入冗余数据，增加数据处理成本，因此需要进行复杂的降维、筛选和去噪处理。这些额外的数据处理步骤增加了使用的成本与复杂性，使该方法难以广泛应用于实际的农业生产活动中[5]。相比于地面遥感平台，卫星平台虽然能获取到大范围的农田信息，但其空间分辨率较低（例如Sentinel 2卫星的空间分辨率最高为10 m， MODIS最高为250 m），因此无法实现对田块尺度的土壤属性进行精准监测。此外，卫星遥感观测容易受到云雨天气的影响，可能导致关键时期的数据缺失，难以满足实际农业生产监测的需求。然而近年来，无人机遥感系统兴起提供了一种灵活多变、能及时有效地获取到大范围农田的厘米级空间特征的监测手段[6-7]。无人机遥感不仅可以提供光谱反射率信息，还能通过高清图像计算田块的空间纹理特征，从而提供更为丰富的观测信息；这使得无人机遥感成为提升盐碱地土壤有机质空间特征监测的有效方式[8]。目前，无人机遥感监测土壤有机质的相关研究包括：探索作物不同时期下土壤有机质与植被指数的关系[38]；对比裸土与植被情况下的土壤有机质建模效果[39]；在可见光和多梯度水分图像基础上，加入红光、红边和近红外波段，以提升土壤有机质预测精度[40]；融合无人机高光谱和卫星多光谱进行土壤有机质估算[41]；通过无人机获取超高分辨率地形地貌，探究其对土壤养分浓度的影响[42]；将无人机纹理信息与卫星光谱信息结合，进行土壤属性快速评估[19]等。
目前基于遥感的土壤属性研究中，由于地表多为植被覆盖，基于遥感的土壤属性空间特征监测主要以植被为观测对象[9-10]，通过建立植物生长状况与土壤属性之间的联系来间接诊断土壤属性。然而，对于盐渍化土壤而言，影响植被生长的土壤因素不仅包括土壤养分（例如土壤有机质含量），还包括土壤盐分情况。因此，在盐渍化农田研究中，将植被作为连接土壤属性与遥感信号的桥梁，可能难以区分盐分与养分对于作物生长的影响，从而导致反演结果的偏差。因此，直接利用裸土的遥感观测信息对土壤有机质含量进行反演可能更为精准，但目前相关的研究还较为缺乏，需进一步探索分析。其中，筛选对土壤属性敏感的特定波段[11]，并通过对敏感波段反射率进行数学变换等方式构建特定的光谱指数，是提高土壤有机质含量反演精度的重要方法[12⇓⇓-15]。目前，对土壤有机质含量的遥感反演主要集中在黑土区农田[16]、湿地[17]、草原[18]等生态系统，在盐渍化农田中对土壤有机质含量的监测研究相对较少，即缺乏在盐分胁迫作用下的土壤有机质含量定量反演研究。此外，滨海盐碱地的作物根系主要分布在0~20 cm土层[25]，因此该土层的土壤属性对作物的生长和最终产量具有重要影响。然而，目前研究观测主要集中在表层土壤的光谱特征监测，缺乏对更深土层光谱特征的研究。
本研究旨在利用无人机多光谱遥感数据，以未耕作（即0~10 cm土层的表层土）和耕作（即0~10 cm土层的混合土）裸土为研究对象，对滨海盐碱地的土壤有机质含量进行反演。研究回答的科学问题为：对于滨海盐碱地土壤有机质含量敏感的遥感指标是哪些?在0~10 cm的滨海盐渍化农田土层范围内，表层土和混合土的光谱信息是否存在差异?这些差异是否会导致土壤有机质含量反演精度的差异?通过解释以上科学问题，本研究将为提升田块尺度滨海盐渍化农田的土壤有机质含量反演提供理论与技术支持，从而促进滨海盐渍化地区现代化农业的发展。

2 实验区概况与研究方法

本研究以黄河三角洲地区的盐渍化土壤为研究对象，通过无人机遥感获取耕作与未耕作的土壤光谱信息，实现对0~10 cm土层土壤有机质含量的反演（图1）。研究包括以下步骤：首先，实地采集土壤样品，并测量土壤有机质和盐分含量（详见2.3 土壤样品采集）。其次，利用无人机多光谱遥感系统进行同步观测，获取具有厘米级分辨率的裸土多光谱遥感影像。然后，从无人机多光谱正射影像中提取土壤的光谱信息与纹理信息，构建并筛选出对土壤有机质与盐分敏感的遥感指标。最后，使用筛选出的遥感指标，利用多元线性逐步回归、偏最小二乘以及随机森林模型，实现对盐渍化农田土壤有机质含量的反演。
图1 基于无人机多光谱遥感技术的盐碱地土壤有机质含量反演技术路线

Fig. 1 Flowchart of soil organic matter content inversion in saline-alkali land using Unmanned Aerial Vehicle (UAV)-based multi-spectral remote sensing

2.1 研究区域情况

研究区域位于我国山东省东营市中国科学院黄河三角洲研究中心（图2（a））；该区域位于黄河中下游平原，属于暖温带大陆性季风气候。年平均气温约为12.50 ℃，年平均降水量约为555.90 mm，其中夏季降水集中，约占全年降水量的65.60%。由于受到海水倒灌等因素的影响，该地区的地下水矿化度较高，土壤盐渍化程度严重，盐碱荒地面积较大，这对粮食生产造成了严重的限制。
图2 无人机作业田块及土壤采样点分布

Fig. 2 Distribution of experimental fields for UAV flight missions and soil sampling points

2.2 无人机多光谱遥感影像采集与预处理

无人机多光谱遥感数据的采集时间为2022年6月；研究共采集了82个样点的地面无人机多光谱影像（图2（b））。无人机遥感系统采用的是固定翼无人机大疆M300 RTK飞行器（大疆创新，中国深圳）并搭载MS600 Pro（长光禹辰，中国青岛）多光谱相机；该相机具有蓝光、绿光、红光、红边和近红外波段范围的6个光谱通道；其中心波段分别为450、555、660、720、750和840 nm，对应的波段宽度分别为35、27、23、10（窄带）、10（窄带）和30 nm。无人机飞行高度约为10 m，对应的地面空间分辨率约为 7 mm。样点大小设置为1 m×1 m样框；采用五点拍摄策略，使采样框分别位于拍摄影像片的中心和四角（图3）；每个采样点进行5次拍摄以减少因角度偏差带来的系统误差。
图3 无人机遥感图像中土壤采样框位置分布示意

Fig. 3 Location distribution of soil sampling plot in the UAV remote sensing images

本研究使用Yusense Map软件（长光禹辰，中国青岛）对无人机遥感数据进行预处理；包括多波段配准与辐射校正。多波段配准是通过特征点匹配的方法，将不同波段获取的数据进行配准，主要用于消除镜头物理间距导致的成像范围误差，这样可以确保不同波段数据在共视场内对应的位置一致。辐射校正用于反映目标物真实的光谱反射特性。首先，将影像的数字值（DN值）转化为辐亮度，即将目标辐射能量信息转化为辐射亮度值。然后，通过引入标准反射板，建立辐亮度与反射率之间的线性关系，标准反射板（也称为灰板）的作用是提供一个已知的、稳定的反射率标准。它具有已知的光谱特性和反射率，被用作辐射校正的参考。通过将无人机拍摄到的标准反射板与实地测量的反射率进行对比，可以建立辐射亮度和反射率之间的关系，从而对无人机影像中的其他地物进行辐射校正。

2.3 土壤样品采集

本研究设置了30个未耕作土壤采样点和52个耕作土壤采样点，共82个采样点。采用五点采样法获取土壤样品，采样深度为0~10 cm。土壤有机质含量采用重铬酸钾氧化-硫酸亚铁滴定法进行测定[32]；土壤盐分含量使用电导率仪测定，并选取40个土壤样品通过烘干法测定土壤全盐量，将电导率法和烘干法的测定结果进行拟合。目前，通常采用电导率来计算土壤盐分含量[20]。但由于前人研究的土壤样本含盐量较低，或手持电导率测试仪器精度不足，可能会导致土壤盐分含量测定的误差。因此，目前的土壤盐分含量与电导率转换公式可能并不适用于黄河三角洲重度盐碱地区，亟需在站点尺度上重新建立适用于重度盐碱地区的电导率与盐分的换算关系。本研究中的土壤盐分含量均为采用烘干法测定的全盐量，其与电导率的换算公式如下：
$\text { 含盐量 }=3.88 \times \mathrm{EC}-0.105$
式中：含盐量为每千克土壤中的盐分含量/（g/kg）；EC为土壤溶液的电导率/（ds/m），表示土壤浸出液传导电流的能力，反映土壤盐分含量，通过电导率仪测定。根据测量结果，式（1）的R2为0.992，表明使用该公式的电导率能准确地计算出相应的土壤含盐量。

2.4 遥感指标的提取与构建

首先，使用灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）对遥感影像中的纹理信息进行计算；该过程在Python 3.8中进行。研究共进行了8种纹理信息的批量提取[19]，分别为均值（Mean）、方差（Variance）、对比度（Contrast）、差异性（Dissimilarity）、同质性（Homogeneity）、角二阶矩（Angular Second Moment）、相关性（Correlation）和熵（Entropy）。然后，计算土壤属性特征和遥感纹理指标之间的相关性，对比不同纹理特征与土壤有机质的关系，通过滤除具有较高共线性特征的遥感信息，测试融入土壤纹理信息是否能提高土壤有机质的反演精度。
与单一波段光谱相比，不同波段组合构建的光谱指数能反映出更多地物信息。本研究分别构建了差值指数（式（2））、比值指数（式（3））、归一化指数（式（4））以及对数的倒数变换[35-36]（式（5））4种光谱指数。差值指数可以反映地物在不同波段的光谱特征差异，突出地物的差异性。比值指数可以突出目标地物的光谱差异，有助于目标的识别和分析，但对光照条件、大气干扰和地物结构的影响比较敏感。归一化指数对光照条件和大气干扰相对不敏感，因此可以降低光照条件和大气的干扰，突出地物特定光谱特征。而通过倒数对数变换对光谱进行处理，可以放大原始数据中的较小值，使得光谱反射率之间的差异更显著，从而增强可见光区域内的光谱差异。同时，还可以通过对较大范围光谱值的压缩，减少光照条件和地形差异对光谱的影响。
$D_{i j}=b_{i}-b_{j}$
$R_{i j}=b_{i} / b_{j}$
$N D D_{i j}=\left(b_{i}-b_{j}\right) /\left(b_{i}+b_{j}\right)$
$T \_b_{i}=\log _{10}\left(1 / b_{i}\right)$
式中：bi和bj（i ≠ j）分别表示研究所使用的无人机多光谱相机的波段i和波段j的光谱反射率；b1、b2、… 、b6分别为中心波段为450、555、660、720、750和840 nm的波段反射率。

2.5 土壤有机质含量反演模型与模型精度评价

2.5.1 土壤有机质含量反演模型及五种建模策略

本研究采用多元线性逐步回归[21]、偏最小二乘[22]和随机森林模型[23,30]进行土壤有机质含量反演。多元线性逐步回归模型采用向后逐步回归的方法，通过引入新变量与剔除非显著性变量的组合，最终得到所有解释变量均显著的最优变量集合。由于样本量较小且剩余的遥感指数与土壤有机质和盐分敏感性有关，采用偏最小二乘模型进行土壤有机质含量的反演。偏最小二乘可以在自变量存在多重共线性的情况下建模，并通过保留所有自变量的结果，使得对土壤有机质的解释更加完整。该模型利用R语言中的pls包实现。采用R语言中的randomForest包实现随机森林模型；随机森林通过构建多个决策树进行不偏差的估计，保留所有输入因子，同时对缺失或非平衡数据表现出较高的稳定性，可用于解决高维数据和非线性关系的问题。
为探究土壤盐分含量和不同遥感指标对于盐渍化土壤有机质含量反演的影响，本研究共采用了5种建模策略，分别为：单波段反射率、单波段反射率 + 纹理、对土壤有机质敏感的光谱指数 + 纹理、对土壤有机质和盐分敏感的光谱指数 + 纹理、土壤盐分含量 + 对土壤有机质敏感的光谱指数 + 纹理，作为土壤有机质含量反演模型的输入。

2.5.2 精度评价

本研究采用留一法交叉验证，每次选择m个样本中的m-1个样本作为训练集，留出剩余1个样本作为测试集，并循环m次，使得每次留出的测试集均不同，进行交叉验证。此方法不受训练集与测试集划分的影响，适用于样本量较小的情况[24]。本研究采用R2（式（6））、RMSE（式（7））、MAPE（式（8））作为模型精度评估参量。
$R^{2}=1-\sum_{i=1}^{n}\left(M_{i}-E_{i}\right)^{2} / \sum_{i=1}^{n}\left(M_{i}-\bar{M}\right)^{2}$
$ R M S E=\sqrt{\sum_{i=1}^{n}\left(M_{i}-E_{i}\right)^{2}} / n$
$ M A P E=\sum_{i=1}^{n}\left|\left(M_{i}-E_{i}\right) / M_{i}\right| / n$
式中：i表示第i个采样点数据；表示第i个采样点的土壤有机质的实测值/（g/kg）；表示第i个采样点的土壤有机质的反演值/（g/kg）；表示所有采样点土壤有机质的平均实测值/（g/kg）。

3 结果与讨论

3.1 土壤反射率特征分析

3.1.1 土壤有机质特征分析

研究区域内土壤有机质含量的均值为11.94 g/kg，变异系数为36.15%，具有明显的空间异质性。具体而言，如图4（a）所示，约89.02%的土壤有机质含量位于5.5~17.5 g/kg区间范围；与此相比，土壤有机质含量低于5 g/kg和高于20 g/kg的土壤样点所占比例相对较小。根据采样点土壤有机质含量差异，将其划分为五个梯度，进行土壤光谱反射特性分析。对比不同有机质含量条件下的土壤波段反射率发现，各波段的反射率随着土壤有机质含量的升高而呈现降低趋势（图4（c））。腐殖质是土壤有机质的主体；腐殖质是由植物和动物残体或微生物代谢产物等有机物质在土壤中经过分解和转化形成，其中胡敏酸和富里酸是腐殖质的主要组成部分。胡敏酸在整个可见光和近红外波段范围内对光具有较强的吸收作用，因此其反射率较低且变化较小[3]。此外，富含有机质的土壤通常具有较高的颗粒积聚程度和更多的微观表面结构，这些特征会引起光的散射，导致反射率下降。同时，由于土壤有机质的高度孔隙性和负电性，它可以吸附并保持土壤中的水分，缓解水分的流失，从而增加土壤的水分保持能力。另一方面，土壤有机质可与矿物颗粒结合形成团聚体和土壤团粒，增加土壤孔隙度和渗透性，从而改善土壤结构。因此，土壤有机质会对土壤水分含量产生重要影响。然而，土壤水分含量的增加会填充土壤颗粒间隙，减少光线在土壤颗粒间的反射和表面的散射，从而吸收更多辐射，导致光谱反射率的下降[7]。此外，图4（c）显示，在不同的土壤有机质含量条件下，波段3、波段4和波段5，即红光、红边波段的反射率变化较蓝、绿和近红外波段更为明显，这表明红光和红边波段对土壤有机质更为敏感，即波长范围为660~750 nm的波段对土壤有机质含量较为敏感，这与前人的研究结果相符[26]。
图4 土壤有机质和盐分含量分布情况及不同有机质和盐分含量条件下的土壤对应的波段反射率

Fig. 4 Soil organic matter and salt content and reflectance of corresponding band under different organic matter and salt content

3.1.2 土壤盐分特征分析

研究区域内土壤盐分含量分布情况如图4（b）所示，约70.73%和19.51%的土壤盐分含量分布在0~5.0 g/kg和5.0~10.0 g/kg范围。不同盐分含量条件下的土壤波段反射率显示，从波段1至波段6，反射率值逐渐增加。与有机质含量情况相反，各波段的反射率与土壤盐分含量呈现正相关关系（图4（d））；而图5结果也表明土壤有机质和盐分含量呈现负相关关系。因此两种土壤属性与波段反射率的相关性相反。盐分含量和土壤反射率之间的关系是非线性的，并且会受到盐分浓度、土壤类型、盐类组成等因素的影响。盐分会增加土壤导电率从而改变土壤的折射率和透射率，使得土壤反射率升高；但土壤中盐类颗粒的存在会增加土壤对光的吸收和散射，导致反射率下降。此外，高盐土壤中的盐类离子也具有吸收特性，能够吸收特定波长范围内的光线，进一步降低土壤的反射率。在本研究中，黄河三角洲滨海盐碱地地下水埋藏较浅，有助于增加蒸发过程进而加速盐的沉积[33]，同时盐分结晶呈现白色积聚于土壤表面。因此，本研究中的土壤盐分含量增加导致了土壤反射率的增加。
图5 未耕作土壤与耕作土壤光谱反射率与纹理特征相关性与显著性

Fig. 5 Correlations between spectral reflectance and texture characteristics of uncultivated soil and cultivated soil

3.2 遥感光谱指标与土壤有机质相关性分析

不同耕作方式的土壤有机质和遥感指标的相关性分析显示（图5），耕作处理的土壤各波段光谱反射率与土壤有机质的相关性为-0.14到-0.48 （n = 52），而未耕作土壤的相关性值为-0.19到-0.44（n = 30）。该结果表明耕作处理下的土壤遥感信息对于土壤有机质含量更为敏感。研究使用的多光谱相机的波段波长较小（450~840 nm），无法穿透土壤表层获取下层土壤信息，只能获取表层土壤信息；然而研究测量的是0~10 cm土层的平均有机质含量情况，这造成了土壤有机质与对应点位的光谱信息匹配偏差。因此，未耕作土壤的无人机遥感图像只能反映表层土壤的信息，从而降低了土壤有机质含量和遥感光谱信息的相关性。土壤耕作使得上层土壤混合趋向均匀，因此获取的无人机遥感信息能在一定程度上反映出下层土壤属性信息，即纠正了土壤有机质含量和对应点位的光谱信息匹配偏差，进而提升土壤有机质含量与遥感光谱信息的相关性。
此外，与未耕作土壤相比，耕作处理下的土壤遥感纹理特征与有机质含量的相关性更高。遥感纹理特征能反映观测对象的空间属性。例如，均值能反映纹理的规则程度；方差反映像元值与均值偏差的程度；对比度反映图像局部灰度变化总量；角二阶矩可以衡量局部结构特征的均质性；相关性可以描述GLCM中元素在行或列方向上的相似性；熵能反映每个区块内像元的多样性，并且对像元积聚非常敏感[27-28]。因此，对于具有较强空间异质性的盐渍化土壤，遥感纹理指标表现出较好的表征能力。

3.3 遥感指标筛选

通过光谱指数与土壤有机质和盐分含量的相关性与显著性，进行敏感光谱指数的筛选。在未耕作土壤采样点（n = 30），按照显著性（有机质：p < 0.05；盐分：p < 0.01）大小分别筛选出对土壤有机质与盐分含量敏感的遥感指数。在耕作土壤采样点（n = 52），按照相关性（|r| > 0.5）且显著性（p < 0.001）；仅显著性（p < 0.01）分别筛选对土壤有机质与土壤盐分敏感的遥感指数。然后，对筛选出的光谱指数进行皮尔森相关分析，去除共线性强（|r| > 0.95）的光谱指数[19]，最终筛选保留的光谱指数如表1和表2所示。结果显示，对土壤有机质敏感的光谱指数大多与红光波段有关。相对于波长较短的其它可见光，红光波段更容易被土壤中的有机质吸收；因为有机质分子通常含有多重键和芳香环结构，这些分子结构能够吸收红色光的能量，从而导致该波段的反射率降低。因此，土壤中有机质含量较高的地区往往会在红光波段显示出较低的反射率。虽然红光波段对土壤有机质含量具有一定的敏感性，但由于其它因素的影响，如土壤湿度、矿物质含量等，单独使用红光波段可能难以准确地估算土壤有机质含量，在实际应用中，往往利用数学变换方法结合其它光谱波段，以提高土壤有机质含量估算的准确性。因此，相比于单波段反射率，筛选出的光谱指数对土壤有机质和盐分的相关性更高，即具有更强的土壤盐分和有机质表征能力。另外，8种纹理特征经过共线性筛选，未耕作条件下保留mean、variance、ASM、correlation共4种纹理特征，耕作条件下保留mean、variance、correlation、entropy共4种纹理特征。
表1 基于未耕作土壤光谱筛选的对土壤有机质与盐分敏感的光谱指数及对应的相关性与显著性值

Tab. 1 Selected spectral indices (with their corresponding correlation coefficients and signiciant values) sensitive to soil organic matter and salinity in uncultivated soil

光谱指数 r p
有机质敏感光谱指数 D23 0.533 0.002
D31 -0.426 0.019
T_b1 0.388 0.034
T_b3 0.439 0.015
T_b6 0.389 0.034
盐分敏感光谱指数 NDD21 -0.468 0.009
NDD34 0.521 0.003
NDD61 -0.483 0.007
T_b1 -0.475 0.008
表2 基于耕作土壤光谱筛选的对土壤有机质和盐分敏感的光谱指数及对应的相关性和显著性值

Tab. 2 Selected spectral indices (with their corresponding correlation coefficients and signiciant values) sensitive to soil organic matter and salinity in cultivated soil

光谱指数 r p
有机质敏感光谱指数 D43 0.51 1.32E-04
D45 -0.54 3.32E-05
D53 0.59 3.33E-06
D64 0.57 1.11E-05
R34 -0.63 6.49E-07
R52 0.60 3.04E-06
R53 0.72 2.08E-09
R61 0.53 6.22E-05
T_b1 0.48 3.21E-04
T_b3 0.49 2.35E-04
盐分敏感光谱指数 R13 -0.35 9.84E-03
NDD12 -0.37 6.73E-03

3.4 未耕作土壤有机质反演

对比3种回归模型的未耕作土壤有机质含量反演精度（表3、图6和图7），多元线性逐步回归、偏最小二乘回归和随机森林的R2值分别为0.26~0.62、0.37~0.72和0.83~0.95， RMSE值分别为2.11~2.93 g/kg、1.80~2.71 g/kg和1.07~1.69 g/kg，MAPE值分别为15.40%~22.55%、12.45%~20.66%和8.08%~13.00%。结果表明，随机森林模型具有最佳的反演精度，其次是偏最小二乘回归，而多元线性逐步回归的反演精度较低，尤其是在策略（1）~策略（4）中。前人研究也证明，随机森林模型具有较高的反演精度，尤其适用于小样本的反演[29]。
表3 不同输入参量的未耕作土壤有机质反演精度比较

Tab. 3 Comparison of estimation accuracy of uncultivated soil organic matter with different input parameters

策略 土壤因子输入参量 评价指标 多元线性逐步回归 偏最小二乘回归 随机森林回归
1 土壤光谱反射率 R2 0.26 0.37 0.83
RMSE/(g/kg) 2.93 2.71 1.69
MAPE/% 22.55 20.66 13.00
2 土壤光谱反射率与纹理特征 R2 0.45 0.55 0.92
RMSE/(g/kg) 2.53 2.30 1.30
MAPE/% 20.53 17.90 9.74
3 土壤有机质敏感光谱指数与纹理特征 R2 0.42 0.54 0.93
RMSE (g/kg) 2.59 2.31 1.22
MAPE/% 20.69 17.71 9.33
4 土壤有机质和盐分敏感光谱指数与纹理特征 R2 0.42 0.61 0.93
RMSE (g/kg) 2.60 2.12 1.26
MAPE/% 19.59 15.75 9.55
5 土壤有机质敏感光谱指数和盐分实测值与纹理特征 R2 0.62 0.72 0.95
RMSE/ (g/kg) 2.11 1.80 1.07
MAPE/% 15.40 12.45 8.08
图6 基于光谱与纹理特征的未耕作土壤有机质反演结果

Fig. 6 Estimation results of organic matter in uncultivated soil based on spectral and texture characteristics

图7 基于光谱纹理特征与盐分信息的未耕作土壤有机质反演结果

Fig. 7 Estimation results of soil organic matter in uncultivated soil based on spectral texture characteristics and salt information

基于不同遥感输入变量策略构建的模型的未耕作土壤有机质含量反演精度存在显著差异（表3和图6）。对比策略（1）和策略（2）的土壤有机质反演精度，融入纹理信息后，模型的R2显著提升，RMSE和MAPE值显著下降，其中随机森林模型的RMSE值从1.69 g/kg下降至1.30 g/kg，下降了23.08%， MAPE值从13.00%下降至9.74%，下降了25.08%。纹理信息能反映土壤的局部空间特征，其与土壤的光谱反射率具有较低的相关性（图5），因此可以作为光谱信息的有力补充，进而提升模型的反演精度[31]。对比策略（2）和策略（3），用有机质敏感光谱指数代替波段反射率， 2种策略的土壤有机质含量反演精度相似，这表明在融合了纹理信息的条件下，光谱指数和单一波段反射率对土壤有机质含量的表征能力相近。造成该现象的原因可能是在盐渍化土壤中，遥感纹理信息比光谱信息对于土壤有机质含量的反演贡献更大，因为纹理信息能反映土壤局部特性，尤其是能反映盐渍化斑块。而光谱信息是区域内所有像元的均值，难以反映土壤的局部特性。因此，即使使用对土壤有机质敏感的光谱指数，其对盐渍化土壤有机质含量的反演精度的提升效果并不显著。
对比策略（3）和策略（4），加入盐分敏感光谱指数后（图7），只有偏最小二乘模型R2显著提升，RMSE和MAPE显著下降，其中RMSE值从2.31 g/kg下降至2.12 g/kg，下降了8.23%，MAPE值从17.71%下降至15.75%，下降了11.07%。说明筛选出的土壤盐分敏感指数可以提升土壤有机质的反演精度，但提升效果受反演模型限制。考虑到田块尺度土壤盐分数据的易获得性，将盐分敏感光谱指数替换为盐分实测值，对比策略（4）和策略（5）发现，3种模型的反演精度均有提升，说明加入土壤盐分实测数据，对提升土壤有机质的反演精度效果较明显，同时也说明3种模型均适用于盐碱地的土壤有机质反演。

3.5 耕作土壤有机质反演

对比3种回归模型的耕作土壤有机质含量反演精度（表4、图8和图9），多元线性逐步回归、偏最小二乘回归和随机森林的R2值分别为0.54~0.69、0.58~0.72和0.90~0.94，RMSE值分别为2.54~3.11 g/kg、2.45~2.98 g/kg和1.30~1.74 g/kg， MAPE值分别为20.20%~25.48%、19.55%~24.43%和10.38%~14.47%。该结果表明，在耕作土壤的有机质估算中，不同模型按照反演精度高低排序依次为随机森林模型、偏最小二乘回归和多元线性逐步回归。
表4 不同输入参量的耕作土壤有机质反演精度比较

Tab. 4 Comparison of estimation accuracy of cultivated soil organic matter with different input parameters

策略 土壤因子输入参量 评价指标 多元线性逐步回归 偏最小二乘回归 随机森林回归
1 土壤光谱反射率 R2 0.54 0.58 0.90
RMSE/(g/kg) 3.11 2.98 1.74
MAPE/% 25.48 24.43 14.47
2 土壤光谱反射率与纹理特征 R2 0.67 0.69 0.94
RMSE/(g/kg) 2.66 2.57 1.45
MAPE/% 21.01 19.55 12.29
3 土壤有机质敏感光谱指数与纹理特征 R2 0.69 0.71 0.94
RMSE/ (g/kg) 2.56 2.49 1.36
MAPE/% 20.64 19.79 10.84
4 土壤有机质与盐分敏感光谱指数与纹理特征 R2 0.69 0.72 0.94
RMSE/ (g/kg) 2.54 2.45 1.32
MAPE/% 20.20 20.10 10.38
5 土壤有机质敏感光谱指数和盐分实测值与纹理特征 R2 0.69 0.71 0.94
RMSE/ (g/kg) 2.56 2.48 1.30
MAPE/% 20.64 19.75 10.43
图8 基于光谱与纹理特征的耕作土壤有机质反演结果

Fig. 8 Estimation results of organic matter in cultivated soil based on spectral and texture characteristics

图9 基于光谱纹理特征与盐分信息的耕作土壤有机质反演结果

Fig. 9 Estimation results of soil organic matter in cultivated soil based on spectral texture characteristics and salt information

对比耕作土壤有机质反演策略（1）和策略（2），再次验证纹理信息的加入可以提高土壤有机质的反演精度。对比耕作土壤有机质反演策略（2）和策略（3），多元线性逐步回归和偏最小二乘模型的拟合度和精度都提高，其中多元线性逐步回归模型R2从0.67提高到0.69，偏最小二乘模型从0.69提高到0.71；随机森林模型的R2没有变化，精度略有上升。这是由于光谱指数比单一波段反射率更能反映土壤有机质含量的高低；这与土壤有机质含量与光谱指数的相关性大于与单一波段反射率的相关性的分析结果相符。
对比耕作土壤有机质反演策略（3）和策略（4），只有偏最小二乘模型的精度略有提升，其R2值从0.71提高到0.72，而另外2个模型的精度几乎不变；该结果表明，筛选出的对土壤盐分敏感的遥感指数对于土壤有机质的反演精度的提升收效甚微。将土壤盐分敏感光谱指数替换为土壤盐分实测值，对比耕作土壤有机质反演策略（4）和策略（5）， 3种模型拟合程度几乎不变，偏最小二乘模型的精度略有下降。对比耕作土壤有机质反演策略（3）和策略（5），尽管精度略有提升但拟合度变化不显著，这说明加入土壤盐分实测数据，对提升耕作土壤有机质的反演精度效果不明显（图9）。
对比耕作和未耕作土壤的有机质反演精度，除随机森林模型外，总体而言耕作土壤的有机质含量估算精度高于未耕作土壤。例如，在所有策略中，未耕作和耕作土壤的偏最小二乘回归的R2值分别为0.37~0.72和0.58~0.72；这验证了耕作对提高土壤有机质反演精度的正向作用。此外，耕作对于盐渍化土壤有机质含量的提升作用还受到不同的有机质反演策略的显著影响。例如在策略（1）中，未耕作土壤的R2值为0.26~0.83，低于耕作土壤的R2值（0.54~0.90）； 2种耕作方式的精度存在显著区别，即耕作条件下，盐渍化土壤的有机质含量估算精度更高。然而在策略（5）中，耕作与未耕作土壤的估算精度相似，这表明耕作与否对盐渍化土壤有机质含量的估算没有显著影响。这可能是由于策略（5）已经能达到很高的土壤有机质估算精度，因此耕作带来的更为丰富的土壤信息对模型精度的提升效果不显著。然而策略（1）由于包含的土壤遥感信息有限，因此耕作所带来土壤补充信息能提升盐渍化土壤的有机质估算精度。

4 结论与讨论

4.1 结论

本研究基于黄河三角洲无人机多光谱遥感数据，对未耕作（即0~10 cm土层的表层土）与耕作（即0~10 cm土层的混合土）的盐渍化土壤有机质含量进行了反演估算。研究发现，融入丰富的遥感信息和土壤盐渍化信息、实施土壤的耕作策略、使用适宜的回归模型，均会对盐渍化土壤有机质含量的估算产生积极作用。① 非线性模型的反演精度高于线性模型，其中随机森林模型的反演精度最高。 ② 与未耕作处理相比，耕作能显著提高基于无人机遥感的土壤有机质含量反演精度，为更加精准地监测土壤有机质提供新思路。③ 在模型的输入参量方面，增加纹理信息会显著提高耕作与未耕作土壤有机质的反演精度。考虑到土壤盐渍化情况，未耕作条件下加入盐分实测值比盐分敏感指数的模型反演精度高，而耕作条件下加入盐分敏感指数比盐分实测值的模型反演精度略高；同时，耕作后加入土壤盐分实测信息与盐分敏感光谱指数的精度差异很小，也证明了耕作措施提升了光谱指数对于土壤有机质含量的响应。

4.2 讨论

研究结果表明耕作土壤的有机质反演精度较高，因此，在田块尺度的研究中，为提升土壤有机质含量的反演精度，可采集耕作后的土壤遥感光谱信息；同时，这也为提升大尺度土壤有机质反演精度提供了筛选适宜遥感影像时段的新思路。但是本研究也存在一定的不足，例如不同光谱指数的物理含义以及与土壤有机质响应的机理尚未明晰。另外，除土壤质地、结构、含水量等属性外，有机质中的部分官能团以及重要化学键的类型与含量也会影响土壤有机质的光谱响应。因此，未来研究需进一步探索不同波段以及波段组合对土壤有机质的响应机理。例如，有机质中的C-H、S-H、N-H、O-H、C-N和C-O具有吸水特性[37]，因此土壤有机质具有保肥保水性，土壤水分与有机质具有一定的依存关系。但本研究采样点的土壤水分含量基本稳定在20%左右，因此本文中并未将土壤水分作为参考因素。其次，在估算模型的选择上，本研究选取了3种经验回归模型，对比选择最优模型。而近年研究中，深度学习算法较为广泛的应用于图像处理与预测评估方面，以实现对土壤属性更加精准的估算。与之相比，经验模型的机理性存在不足，未考虑土壤与有机质的发育累积过程，以及与大气、水文、生物等的相互作用。因此，后续研究可以结合土壤形成过程，进行土壤有机质的机理性估算模型探索。此外，今后的研究可使用多源、多时空数据对本研究结果进行验证，进一步评估本研究方法的适宜性和模型的泛化能力。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
马玉蕾, 王德, 刘俊民, 等. 黄河三角洲典型植被与地下水埋深和土壤盐分的关系[J]. 应用生态学报, 2013, 24(9):2423-2430.

[ Ma Y L, Wang D, Liu J M, et al. Relationships between typical vegetations, soil salinity, and groundwater depth in the Yellow River Delta of China[J]. Chinese Journal of Applied Ecology, 2013, 24(9):2423-2430. ] DOI:10.13287/j.1001-9332.2013.0487

[2]
Masoud A A, Koike K, Atwia M G, et al. Mapping soil salinity using spectral mixture analysis of landsat 8 OLI images to identify factors influencing salinization in an arid region[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 83:101944. DOI:10.1016/j.jag.2019.101944

[3]
Chang C W. Near-infrared reflectance spectroscopic measurement of soil properties[D]. Iowa State University, Doctor of Philosophy, 2000. DOI:10.31274/rtd-180813-13586

[4]
乔璐. 哈尔滨城区土壤高光谱特性与TM遥感的定量反演[D]. 哈尔滨: 东北林业大学, 2010.

[ Qiao L. Hyperspectral characteristics of soil and quantitative remote sensing inversion on TM data in Harbin[D]. Harbin: Northeast Forestry University, 2010. ]

[5]
顾晓鹤, 王堃, 潘瑜春, 等. 基于HJ1AHSI超光谱影像的耕地有机质遥感定量反演[J]. 地理与地理信息科学, 2011, 27(6):69-73.

[ Gu X H, Wang K, Pan Y C, et al. Remote sensing quantitative retrieval of farmland organic matter based on HJ1AHSI image[J]. Geography and Geo-information Science, 2011, 27(6):69-73. ]

[6]
刘焕军, 张美薇, 杨昊轩, 等. 多光谱遥感结合随机森林算法反演耕作土壤有机质含量[J]. 农业工程学报, 2020, 36(10):134-140.

[ Liu H J, Zhang M W, Yang H X, et al. Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(10):134-140. ] DOI: 10.11975/j.issn.1002-6819.2020.10.016

[7]
刘焕军, 潘越, 窦欣, 等. 黑土区田块尺度土壤有机质含量遥感反演模型[J]. 农业工程学报, 2018, 34(1):127-133.

[ Liu H J, Pan Y, Dou X, et al. Soil organic matter content inversion model with remote sensing image in field scale of blacksoil area[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(1):127-133. ] DOI: 10.11975/j.issn.1002-6819.2018.01.017

[8]
黄静, 赵庚星, 奚雪, 等. 光谱与纹理信息结合的黄河三角洲土壤盐渍化信息提取——以垦利区为例[J]. 农业资源与环境学报, 2022, 39(3):594-601.

[ Huang J, Zhao G X, Xi X, et al. Extraction of soil salinization information by combining spectral and texture data in the Yellow River Delta: A case study in Kenli District, Shandong Province[J]. Journal of Agricultural Resources and Environment, 2022, 39(3):594-601. ] DOI:10.13254/j.jare.2021.0025

[9]
Chen M, Willgoose G R, Saco P M. Investigating the impact of leaf area index temporal variability on soil moisture predictions using remote sensing vegetation data[J]. Journal of Hydrology, 2015, 522:274-284. DOI:10.1016/j.jhydrol.2014.12.027

[10]
Demattê J A M, Sayão V M, Rizzo R, et al. Soil class and attribute dynamics and their relationship with natural vegetation based on satellite remote sensing[J]. Geoderma, 2017, 302:39-51. DOI:10.1016/j.geoderma.2017.04.019

[11]
He T, Wang J, Lin Z J, et al. Spectral features of soil organic matter[J]. Geo-Spatial Information Science, 2009, 12(1):33-40.

DOI

[12]
贺军亮, 蒋建军, 周生路, 等. 土壤有机质含量的高光谱特性及其反演[J]. 中国农业科学, 2007, 40(3):638-643.

[ He J L, Jiang J J, Zhou S L, et al. The Hyperspectral characteristics and retrieval of soil organic matter content[J]. Scientia Agricultura Sinica, 2007, 40(3):638-643. ] DOI: 10.3321/j.issn:0578-1752.2007.03.030

[13]
郑立华, 李民赞, 潘娈, 等. 基于近红外光谱技术的土壤参数BP神经网络预测[J]. 光谱学与光谱分析, 2008, 28(5):1160-1164.

[ Zheng L H, Li M Z, Pan L, et al. Estimation of soil organic matter and soil total nitrogen based on NIR spectroscopy and BP neural network[J]. Spectroscopy and Spectral Analysis, 2008, 28(5):1160-1164. ] DOI: 10.3964/j.issn.1000-0593.2008.05.047

PMID

[14]
陈德宝, 陈桂芬. 基于Landsat8遥感图像的黑土区土壤有机质含量反演研究[J]. 中国农机化学报, 2020, 41(6):194-198.

DOI

[ Chen D B, Chen G F. Inversion of soil organic matter content in black soil region based on landsat8 remote sensing image[J]. Journal of Chinese Agricultural Mechanization, 2020, 41(6):194-198. ] DOI:10.13733/j.jcam.issn.2095-5553.2020.06.031

[15]
马驰. 基于Landsat8吉林中北部地区土壤有机质定量反演研究[J]. 干旱区资源与环境, 2017, 31(2):167-172.

[ Ma C. Study on the quantitative retrieval of soil organic matter in the north and middle part of Jilin based on Landsat 8[J]. Journal of Arid Land Resources and Environment, 2017, 31(2):167-172. ] DOI:10.13448/j.cnki.jalre.2017.062

[16]
刘焕军, 赵春江, 王纪华, 等. 黑土典型区土壤有机质遥感反演[J]. 农业工程学报, 2011, 27(8):211-215.

[ Liu H J, Zhao C J, Wang J H, et al. Soil organic matter predicting with remote sensing image in typical blacksoil area of Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(8):211-215. ] DOI: 10.3969/j.issn.1002-6819.2011.08.036

[17]
Wang X P, Zhang F, Kung H T, et al. New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China[J]. Remote Sensing of Environment, 2018, 218:104-118. DOI: 10.1016/j.rse.2018.09.020

[18]
关文昊, 刘志刚, 何国兴, 等. 三江源高寒退化草原土壤有机质含量的光谱模拟估算[J]. 草原与草坪, 2022, 42(5):28-36.

[ Guan W H, Liu Z G, He G X, et al. Estimation of soil organic matter content of degradated alpine grassland in Three Rivers Headwater region by spectral simulation[J]. Grassland And Turf, 2022, 42(5):28-36. ] DOI:10.13 817/j.cnki.cyycp.2022.05.004

[19]
Zhu W X, Rezaei E E, Nouri H, et al. Quick detection of field-scale soil comprehensive attributes via the integration of UAV and Sentinel-2B remote sensing data[J]. Remote Sensing, 2021, 13(22):4716. DOI:10.3390/rs13224716

[20]
Wang Z R, Zhao G X, Gao M X, et al. Spatial variability of soil salinity in coastal saline soil at different scales in the Yellow River Delta, China[J]. Environmental Monitoring and Assessment, 2017, 189(2):80. DOI:10.1007/s106 61-017-5777-x

PMID

[21]
张新乐, 窦欣, 谢雅慧, 等. 引入时相信息的耕地土壤有机质遥感反演模型[J]. 农业工程学报, 2018, 34(4):143-150,315.

[ Zhang X L, Dou X, Xie Y H, et al. Remote sensing inversion model of soil organic matter in farmland by introducing temporal information[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(4): 143-150,315. ] DOI:10.11975/j.issn.1002-6819.2018.04.017

[22]
武彦清, 张柏, 宋开山, 等. 松嫩平原土壤有机质含量高光谱反演研究[J]. 中国科学院研究生院学报, 2011, 28(2):187-194.

[ Wu Y Q, Zhang B, Song K S, et al. Retrieval of soil organic matter content from hyper-spectra in Songnen Plain[J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2011, 28(2):187-194. ]

[23]
郑淼, 王翔, 李思佳, 等. 黑土区土壤有机质和全氮含量遥感反演研究[J]. 地理科学, 2022, 42(8):1336-1347.

DOI

[ Zheng M, Wang X, Li S J, et al. Remote sensing inversion of soil organic matter and total nitrogen in black soil region[J]. Scientia Geographica Sinica, 2022, 42(8): 1336-1347. ] DOI:10.13249/j.cnki.sgs.2022.08.002

[24]
Qader S H, Dash J, Atkinson P M. Forecasting wheat and barley crop production in arid and semi-arid regions using remotely sensed primary productivity and crop phenology: A case study in Iraq[J]. Science of the Total Environment, 2018, 613/614:250-262. DOI:10.1016/j.scitotenv.2017.09.057

[25]
Ordóñez R A, Castellano M J, Danalatos G N, et al. Insufficient and excessive N fertilizer input reduces maize root mass across soil types[J]. Field Crops Research, 2021, 267:108142. DOI:10.1016/j.fcr.2021.108142

[26]
Zhou J P, Xu Y P, Gu X H, et al. High-precision mapping of soil organic matter based on UAV imagery using machine learning algorithms[J]. Drones, 2023, 7(5):290. DOI:10.3390/drones7050290

[27]
Kuplich T M, Curran P J, Atkinson P M. Relating SAR image texture to the biomass of regenerating tropical forests[J]. International Journal of Remote Sensing, 2005, 26(21):4829-4854. DOI:10.1080/01431160500239107

[28]
Fu Z P, Yu S S, Zhang J Y, et al. Combining UAV multispectral imagery and ecological factors to estimate leaf nitrogen and grain protein content of wheat[J]. European Journal of Agronomy, 2022, 132:126405. DOI:10.1016/j.eja.2021.126405

[29]
吴国明, 范文义, 司国玉. 全极化合成孔径雷达高维小样本数据在森林地上生物量估算中的应用[J]. 东北林业大学学报, 2022, 50(8):74-82.

[ Wu G M, Fan W Y, Si G Y, et al. Application of High-dimensional small sample data of fully polarized synthetic aperture radar in forest aboveground biomass estimation[J]. Journal of Northeast Forestry University, 2022, 50(8):74-82. ] DOI:10.13759/j.cnki.dlxb.2022.08.011

[30]
邢晓语, 杨秀春, 徐斌, 等. 基于随机森林算法的草原地上生物量遥感估算方法研究[J]. 地球信息科学学报, 2021, 23(7):1312-1324.

DOI

[ Xing X Y, Yang X C, Xu B, et al. Remote sensing estimation of grassland aboveground biomass based on random forest[J]. Journal of Geo-information Science, 2021, 23(7):1312-1324. ]

[31]
Zhu W X, Rezaei E E, Nouri H, et al. UAV-based indicators of crop growth are robust for distinct water and nutrient management but vary between crop development phases[J]. Field Crops Research, 2022, 284:108582. DOI: 10.1016/j.fcr.2022.108582

[32]
鲍士旦. 土壤农化分析[M]. 3版. 北京: 中国农业出版社, 2000.

[ Bao S D. Soil and agricultural chemistry analysis[M]. 3rd ed. Beijing: China Agriculture Press, 2000. ]

[33]
Youssef A M, Pradhan B, Sabtan A A, et al. Coupling of remote sensing data aided with field investigations for geological hazards assessment in Jazan area, Kingdom of Saudi Arabia[J]. Environmental Earth Sciences, 2012, 65(1):119-130. DOI:10.1007/s12665-011-1071-3

[34]
张小美, 高春瑞, 闫晓斌, 等. 典型山西黄土高原区土壤有机质的空间异质性及空间插值预测[J]. 山西农业科学, 2023, 51(7):785-792.

[ Zhang X M, Gao C R, Yan X B, et al. Spatial heterogeneity and spatial interpolation prediction of soil organic matter in the typical loess plateau area of Shanxi Province[J]. Journal of Shanxi Agricultural Sciences, 2023, 51(7):785-792. ] DOI:10.3969/j.issn.1002-2481.2023.07.10

[35]
Peng X T, Shi T Z, Song A H, et al. Estimating soil organic carbon using VIS/NIR spectroscopy with SVMR and SPA methods[J]. Remote Sensing, 2014, 6(4):2699-2717. DOI:10.3390/rs6042699

[36]
张霄羽, 姚艳敏, 颜祥照. 光谱变换和光谱分辨率对土壤有机质含量估测精度的影响[J]. 中国土壤与肥料, 2023(3):184-193.

[ Zhang X Y, Yao Y M, Yan X Z. Effects of spectral transformation and spectral resolution on the estimation accuracy of soil organic matter content[J]. Soil and Fertilizer Sciences in China, 2023(3):184-193. ] DOI:10.11838/sfsc.1673-6257.22085

[37]
Jin X L, Song K S, Du J, et al. Comparison of different satellite bands and vegetation indices for estimation of soil organic matter based on simulated spectral configuration[J]. Agricultural and Forest Meteorology, 2017, 244/245:57-71. DOI:10.1016/j.agrformet.2017.05.018

[38]
夏晨真, 姜艳艳, 张星宇, 等. 基于无人机高光谱影像的黑土区玉米农田土壤有机质估算[J]. 光谱学与光谱分析, 2023, 43(8):2617-2626.

[ Xia C Z, Jiang Y Y, Zhang X Y, et al. Estimation of soil Organic Matter in maize field of black soil area based on UAV hyperspectral image[J]. Spectroscopy and Spectral Analysis, 2023, 43(8):2617-2626. ]

[39]
王曦, 李玉环, 王瑞燕, 等. 基于无人机的冬小麦拔节期表层土壤有机质含量遥感反演[J]. 应用生态学报, 2020, 31(7):2399-2406.

DOI

[ Wang X, Li Y H, Wang R Y, et al. Remote sensing inversion of surface soil organic matter at jointing stage of winter wheat based on unmanned aerial vehicle multispectral[J]. Chinese journal of Applied Ecology, 2020, 31(7):2399-2406. ] DOI:10.13287/j.1001-933 2.202007.023

[40]
杨玮, 于滈, 李浩, 等. 基于多光谱图像的土壤有机质含量预测系统与APP设计[J/OL]. 农业机械学报, 2023:1-13.(2023-07-12).https://kns.cnki.net/kcms/detail/11.1964.s.20230711.1322.008.html.

[ Yang W, Yu H, Li H, et al. Prediction system and APP development of soil organic matter content based on multispectral images[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2023:1-13. (2023-07-12).https://kns.cnki.net/kcms/detail/11.1964.s.20230711.1322.008.html.

[41]
Sun M Y, Li Q A, Jiang X Z, et al. Estimation of Soil Salt Content and Organic Matter on Arable Land in the Yellow River Delta by Combining UAV Hyperspectral and Landsat-8 Multispectral Imagery[J]. Sensors, 2022, 22(11):3990. DOI:10.3390/s22113990

[42]
Menzies Pluer E G, Robinson D T, Meinen B U, et al. Pairing soil sampling with very-high resolution UAV imagery: An examination of drivers of soil and nutrient movement and agricultural productivity in southern Ontario[J]. Geoderma, 2020, 379:114630. DOI:10.1016/j.geoderma.2020.114630

Options
文章导航

/

〈 〉