Landsat 8与国产卫星数据在表层土壤有机质反演中的对比研究

王 琼 ，陈 兵 ，戴建国 ，肖春华 ，杨秀春 ，王方永 ，刘 娜

（1新疆农垦科学院，新疆 石河子 832000；2石河子大学信息科学与技术学院，新疆 石河子 832000；3石河子大学/兵团绿洲生态农业重点实验室，新疆 石河子 832000；4中国农业科学院农业资源与农业区划研究所，北京 100081）

0 引言

有机质含量多的土壤能为作物生长提供丰富的营养，具有较强的保水保肥能力，能减少土壤养分流失，在一定程度上提高肥料的利用率。利用多光谱卫星数据进行土壤有机质的遥感监测，能够及时获取大范围内土壤肥力的信息[1]，很好地解决常规土壤有机质田间调查费时费力等问题。已有研究表明，遥感数据作为土壤有机质监测的辅助参数，在提高监测精度等方面具有明显优势[2-3]；对于区域性土壤动态变化研究和精准农业的发展也具有重要意义[4-6]。

传统土壤有机质获取的方法主要基于土壤的实验室分析，从大量土壤样本的采集、烘干、称重、研磨到理化测试，需耗费大量的人力、物力和财力[7]；同时由于整个测试过程所需时间较长，并且采样点数量有限，难以真实反映土壤属性的空间分布特征，不能满足现代农业的发展需求[8]。多光谱遥感影像在土壤属性信息获取中应用，能通过少量采样点实现对区域土壤变异性的宏观监测。Chen等[9]研究表明，裸露地表的遥感影像能定量化分析土壤表层有机碳含量的空间变异性，由于方法简便，结果较准确，也可以应用于实际的农业生产管理。目前关于不同卫星多光谱数据在土壤有机质含量预测中的应用研究较多，如张法升等[10]利用Landsat TM遥感影像反演了辽宁省阜新镇表层土壤有机质的空间格局；刘焕军等[11]对黑龙江省黑土带土壤有机质含量与光谱反射率相关关系进行分析，建立了基于TM影像的有机质反演模型；程彬等[12]用ASTER遥感影像光谱值对土壤有机质含量及空间分布特征进行研究，建立了有机质预测模型；李春蕾[13]使用 MODIS遥感图像，对北疆土壤有机质含量进行了反演；丁美青等[14]利用SPOT 5遥感数据对土地开发整理区土壤有机质含量进行定量反演，建立模型的预测精度较好；王琼等[15]利用国产HJ卫星数据对新疆北部农场土壤有机质含量进行了监测，实现了土壤有机质含量快速、经济监测。

Landsat 8卫星搭载的陆地成像仪（Operational Land Imager，OLI）2013年开始获取数据，该数据与Landsat系列其他卫星相比，在扫描方式、波段、辐射分辨性能等方面都有所改进[16]，有学者研究认为，Landsat 8卫星数据能够提供更好的地表温度反演精度，对陆面及大型水体热环境、温度场的监测具有重要价值[17-18]，还可进行草原光合有效辐射吸收比率反演[19]、构造分析[20]、土壤盐分反演[21]、土地变化监测[22]、森林监测[23]、种植结构提取[24]等。但是利用Landsat 8/OLI数据进行土壤有机质含量监测的报道还相对较少，特别是针对西北干旱半干旱区，因此需要更多的研究来支持。

本研究分别使用Landsat 8/OLI数据和国产卫星HJ-1/CCD数据对北疆绿洲农田土壤有机质空间布局进行遥感反演，并对比分析不同卫星数据反演的敏感波段、参数，以及反演模型和反演结果的差异，探讨landsat 8/OLI与HJ-1/CCD多光谱数据对表层土壤有机质含量反演的差异性及适宜性，为遥感技术在土壤参数监测中更好的发挥作用提供理论支持。

1 材料与方法

1.1 研究区概况

研究区为新疆生产建设兵团第七师一三○团场，地处北疆绿洲农耕区（44°2′31″—44°3′4″N，84°7′6″—85°3′8″E），年均温度 6.4—7.1 ℃，≥10℃积温为3 617—3 599.8℃，无霜期159—186 d，日照量2 611 h—2 697 h，平均降水量为160.7—182.1 mm，年蒸发量为1 761.9—1 709.7mm。常年有效耕地面积约2×104hm2，其中棉花种植面积约占总作物面积的80%。全区除局部略有起伏外，地势平坦；土壤类型以灰漠土为主，有小部分属于草甸土和潮土。

1.2 土样采集与处理

于2014年10月下旬至11月上旬对土壤样品进行采集。此时大部分作物已收获完毕，连续无降水时间大于1周，除少数灌水地块外，其余耕地土壤相对较干燥。以5点取样法[25]取0— 20 cm耕层土壤样品（图1），共采集土壤样本91个，按照尽可能均匀分布在研究区的原则随机将采样点分为建模样本（65个）和验证样本（26个）。

取样同时利用手持GPS获取采样点地理位置等信息；并将土样带回实验室进行风干、研磨、过筛等预处理后用重铬酸钾容量法测定有机质含量。根据其描述性统计量（表1）可知，研究区土壤有机质含量差异性较明显，最大值与最小值之间相差 26.6 g/kg。

1.3 遥感数据获取与处理

分别获取2014年土样采集时间附近，云量低于10%的HJ-1/CCD数据和Landsat 8/OLI数据各1期，数据时间分别为2014年11月3日和10月25日，影像轨道号分别为44/60和145/29。通过波长范围和数据空间分辨率对比 （表2）可知，Landsat 8/OLI数据 b2—b5波段与 HJ-1/CCD数据B1—B4波段具有较好的一致性。

使用ENVI 5.0软件的ToolBox/Radiometric Correction/Radiometric Calibration模块对影像数据进行辐射校正，利软件中FLAASH模块对几何校正后的数据进行大气校正，得到地面采样时间一致的裸土反射率数据，具体步骤如下：Toolbox/Ra diometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction，打开FLAASH大气校正工具，从相应区域的DEM获得平均值0.5 km，大气模型选择“mid— latitude winter”，气溶胶模型选择“Urban”，气溶胶反演选择“2—Band（K-T）”，初始能见度为40 m。多光谱设置中选择 “Over-Land Retrieval Standard（660：2 100）”，波谱响应文件选择ldcm_oli.sli文件。Advence setting系数为系统自动设置。并以UTM，WGS-84投影及坐标系统，利用ENVI软件中的Registration/warp from GCPs工具对遥感影像数据进行几何校正，并以研究区矢量数据为边界对影像进行裁剪。使用“band math”工具，分别对 HJ-1/CCD数据 4个波段：B1、B2、B3、B4 的反射率，以及 Landsat8/OLI数据排除了全色波段b8和图像噪声较大的卷云波段b9的b1—b7，7个波段的反射率数值（R）进行光谱指数计算，包括：倒数运算（1/R）、对数运算（LOG（R））、差 值运算 （R1-R2）、比值运 算（R1/R2）等。

图1 采样点分布图（左）及标准假彩色遥感影像（右）Figure 1 Distribution of sample points （left） and false color image （right）

表2 Landsat 8 OLI数据与波段对比HJ-1A/1B CCD数据波段对比Table 2 Comparison of band features for Landsat 8/OLI data and HJ-1/CCD

1.4 模型建立与检验

利用SPSS统计分析软件对光谱指数与对应土壤有机质含量进行相关分析，得到相关性显著的光谱反射率及其变换形式，并基于SPSS软件分别构建单波段和多波段回归方程。其中单波段回归方程包括线性回归模型、对数回归模型、倒数回归模型、二次回归模型、三次回归模型、幂函数回归模型、S型回归模型、生长回归模型和指数回归模型。

利用采样获取的验证样本（26个）对建立的模型进行检验。采用统计量F值、修正自由度的可决定系数（R2）、均方根误差（RMSE）评价估算模型的有效性[26]。当F值大于理论临界值Fa时，估算方程显著；R2越大模型越稳定；RMSE越小模型精度越高[20]。

1.5 空间分布格局反演

使用ENVI5.0软件的Band math模块，将采样点对应的光谱参数代入回归方程，得到研究区土壤有机质含量灰度图；根据全国第二次土壤普查推荐的土壤肥力分级和新疆棉田土壤主要养分含量分级指标[27]将土壤有机质含量范围划分为4个等级：0— 12 g/kg范围为四级，有机质含量“低”，12— 15 g/kg范围为三级，有机质含量 “较低”，15 g/kg-18 g/kg范围为二级，有机质含量“中等”，有机质含量＞18 g/kg时等级为十级，有机质含量“较高”。使用密度分割方法按照4个等级对有机质含量灰度图进行分级，得到不同级别有机质含量的空间分布图。

2 结果与分析

2.1 反射率对比分析

计算在HJ-1/CCD数据和Landsat 8/OLI数据中对应的反射率值，绘制反射率折线图，由图2可知，HJ-1/CCD数据4个波段反射率折线与Land sat 8/OLI数据对应波段的变化趋势较为一致，均呈现随着波长的增加，反射率值上升的趋势，说明对光谱的吸收、反射过程也是相近的，即随波长的增加，对光谱的吸收作用逐渐减弱，反射作用逐渐增强。

不同有机质含量的土壤，其光谱反射率值整体相差不大，其中HJ-1/CCD数据以B3波段差异较大，Landsat 8/OLI数据以b5、b6波段差异相对明显。有机质含量＞20 g/kg（＞2%）的土壤光谱反射率变化特性与＜20g/kg（＜2%）的土壤光谱反射率变化趋势一致，即呈现随着有机质含量的增加，反射率值减小的趋势。

虽然Landsat8/OLI数据在波长为475—860nm范围内与HJ-1/CCD数据的反射率折线图变化一致，但Landsat 8/OLI数据在中心波长为2.2 μm处（b7）光谱反射率值达到最高，0.59 μm 处（b8）反射率值迅速下降。这也表明Landsat 8/OLI数据在可见光和近红外波段范围对土壤有机质反射光谱具有强烈的吸收作用，当波长大于2.2 nm时对土壤有机质光谱反射作用增强。两种卫星数据相比，Landsat 8/OLI数据具有明显的光谱波段优势。

图2 不同采样点SOM含量HJ-1/CCD数据（左）Landsat 8/OLI数据（右）反射率折线图（单位 克/千克）Figure 2 HJ-1/CCD reflectance （left） and Landsat 8/OLI reflectance （right） with different SOM sample （unit g/kg）

2.2 反演模型构建

由于研究区为农田土壤，受人为活动影响大，无论在实地调研还是采集的土壤样本，有机质含量均呈现出较为明显的差异性。由表3可知，HJ-1/CCD数据4个波段反射率均与土壤有机质含量存在显著的负相关性，其中B3波段负相关系数为-0.693，相关性最为显著，其次为第2波段；不同的反射率变换形式中，也以B3波段进行倒数变换后得到的参数相关性最为显著。

由表 4可知，Landsat 8/OLI数据 7个波段反射率均与土壤有机质存在较为显著的相关性，最大相关系数在b5波段，为-0.835。对比不同的反射率变换形式，仍然为b5波段的变换形式得到的相关系数最大，其中b5波段反射率值与对应点土壤有机质含量相关性高。

2.2.1 单波段回归模型

分别以相关系数较高的HJ-1/CCD数据B3波段和Landsat 8/OLI数据b5波段的光谱反射率为自变量，以土壤有机质含量为因变量进行回归分析，得到线性回归模型、对数回归模型等9种预测模型。

由表5可知，对HJ-1/CCD数据基于B3波段反射率建立的有机质单波段遥感预测模型中，稳定性较好的为二次和三次回归模型，R2分别为0.523和 0.525，均大于0.5，但是对比 RMSE发现二次回归模型为6.637，与三次回归模型的6.93相比，精度明显较高。

与HJ-1/CCD数据相比，基于Landsat 8/OLI数据的回归模型（表 6），R2整体偏高，其中 R2最大的为三次回归模型，达到0.699，二次回归模型和线性回归模型R2略低，均为0.688。可见三种模型稳定性相差不大。对比RMSE结果发现二次回归模型模型RMSE值最小，说明精度较高的仍为二次回归模型。

表3 有机质含量与HJ-1/CCD数据各波段反射率相关系数（n=65）Table 3 Correlation coefficient between SOM and HJ-1/CCD reflectance at different bands

表4 有机质含量与Landsat 8/OLI数据各波段反射率相关系数（n=65）Table 4 Correlation coefficient between SOM and Landsat 8/OLI reflectance at different bands

表5 基于单波段HJ-1/CCD光谱指数的农田土壤有机质遥感反演模型Table 5 Reversing models of Farmland SOM based on HJ-1/CCD spectral indices

2.2.2 多波段回归模型

分别对HJ-1/CCD数据和Landsat 8/OLI数据波段间的相关性进行对比分析，发现HJ-1/CCD数据B4波段与其他波段相关系数最小，B3波段信息量最丰富；Landsat 8/OLI数据前4个波段以及第7、8波段相关系数在0.85以上，为极显著相关关系，b5波段与其他波段相关系数最小，为0.371；故选取 HJ-1/CCD数据 B3、B4波段，Land sat 8/OLI数据b4、b5、b7波段作为自变量建立多波段回归模型（表7）。由构建的多元回归模型发现，虽然增加了自变量，但是反演模型的精度并没有明显提高，为了操作的便捷性，仅选用单波段回归模型对农田表层土壤有机质含量进行遥感反演。

表6 基于单波段Landsat 8/OLI光谱指数的农田土壤有机质遥感反演模型Table 6 Reversing models of Farmland SOM based on Landsat 8/OLI spectral indices

表7 基于多波段光谱指数的农田土壤有机质遥感回归模型Table 7 Reversing models of Farmland SOM based on multi-spectral indices

2.3 反演结果对比分析

2.3.1 模型验证及对比

与模型选择、光谱数据预处理方法相比，模型预测精度主要取决于土壤理化参数数值范围和土壤属性间的自相关程度[26]。为了能够更好的揭示北疆农田土壤裸土光谱反射率与土壤有机质含量之间的相关关系，通过野外实测样点数据对理论得到的模型进行验证。图3为实测值与预测值间的线性关系，可知HJ-1/CCD数据和Landsat 8/OLI数据反演得到的土壤有机质实测值与预测值斜率分别为 1.028 1 （R2=0.72，P<0.001）和1.033 4（R2=0.73，P<0.001），表明预测结果与实测结果具有较好的线性相关性，通过遥感估测数值，能够反演研究区农田表层土壤有机质的空间分布格局。

表8 研究区土壤有机质含量实测值与反演数值统计分析表Table 8 Statistical analysis of inversion and measured value of SOM in the study area

对实测数据进行对比分析（表8），发现基于HJ-1/CCD数据的反演结果中，土壤有机质含量预测值的极小值、极大值均略高于实测值，虽然均值大致相同，但是变异系数存在差异性；而基于Landsat 8/OLI数据的土壤有机质含量预测值和实测值的极值、均值以及变异系数基本一致，预测值能够再现研究区土壤有机质含量的变化范围、空间变异程度等属性。

2.3.2 空间格局填图分析

将采样点对应多光谱数据的光谱参数R分别带入Landsat 8/OLI和HJ-1/CCD数据反演的最优回归方程中，分别进行基于HJ-1/CCD数据和Landsat 8/OLI数据的表层土壤有机质空间分布填图（图4）。可知两种卫星数据的反演填图中，有机质含量＞18 g/kg的斑块所占面积均最大，分别为4 154 hm2和4 376 hm2，占研究区总面积的39.9%和42.0%；其次是12—15 g/kg，面积分别3 024 hm2、2 995 hm2，占研究区总面积的 29.0%和28.7%；有机质含量在0—12 g/kg的部分最少，只有1 154 hm2和 1 103 hm2，分别占研究区总面积的11.1%和10.6%。

3 结论与讨论

本研究探讨不同卫星多光谱数据对北疆绿洲农田表层土壤有机质空间布局进行遥感反演的差异性，结论如下：（1）国产 HJ-1/CCD 数据 B1、B2、B3、B4 4个波段反射率折线图与Landsat 8/OLI数据对应 b2、b3、b4、b5 4个波段变化趋势较为一致，就反射率值来看，不同土壤采样点在HJ-1/CCD数据上对应的反射率值略高于Landsat 8/OLI数据上对应的反射率值；Landsat 8/OLI影像数据较HJ-1/CCD具有明显的光谱波段优势。（2）不同卫星数据得到的光谱指数均与有机质含量显著相关，其中HJ-1/CCD数据单波段显著性最强的为B3波段，Landsat 8/OLI数据显著性最强的是b5波段。（3）不同卫星数据得到的反演模型中，精度最高的为一元二次回归模型，通过实地采样检测发现模型预测精度高、稳定性好，可以用于揭示西北绿洲农田土壤有机质含量的空间分布特征。（4）由于波谱范围较大，Landsat 8/OLI数据在监测精度上优于国产HJ-1/CCD影像数据。

图4 研究区表层土壤有机质含量空间格局图（左：HJ-1/CCD；右：Landsat 8/OLI）Figure 4 Distribution of the result for surface SOM in the study area （left：HJ-1/CCD，right：Landsat 8/OLI）

研究通过将Landsat8/OLI数据与国产卫星多光谱数据（HJ-1/CCD数据）进行对比，并分别对不同有机质含量的裸土光谱反射率特征进行对比分析，在此基础上基于不同卫星数据分别对绿洲区农田裸土有机质含量进行反演，探讨Landsat 8/OLI数据与国产卫星多光谱数据在进行土壤有机质反演的差异，以及Landsat 8/OLI数据和国产卫星多光谱数据在绿洲区农田土壤属性监测中相互补充的可能性，为遥感技术在土壤参数监测中更好的发挥作用提供理论支持。

致谢：感谢中国资源卫星应用中心和USGS提供论文所用卫星数据。

[1]赵英时.遥感应用分析原理与方法.北京：科学出版社，2003：280-326.

[2]Wu C F，Wu J P，Luo Y M，et al.Spatial prediction of soil organic matter content using cokriging with remotely sensed data.Soil Science Society of America Journal，2009，73（4）：1202-1208.

[3]Luo Y Y，Liu T X，Wang X X，et al.Influences of landform as a confounding variable on SOM-NDVI association in semiarid Ordos Plateau.Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE），2012，4（4）：450-456.

[4]Moran M S，Inoue Y，Barnes E M.Opportunities and limita tions for image-based remote sensing in precision crop management.Remote Sensing of Environment，1997，61（3）：319-346.

[5]H Croft，N J Kuhn，K Anderson.On the use of remote sens ing techniques for monitoring spatio-temporal soil organic carbon dynamics in agricultural systems.CATENA，2012，94：64-74.

[6]吴才武，夏建新，段峥嵘.土壤有机质预测性制图方法研究进展.土壤通报，2015，46（1）：239-247．Wu C W，Xia J X，Duan Z R.Technologies of Predictive Mapping for Soil Organic Matter.Chinese Journal of Soil Science，2015，46（1）：239-247.（in Chinese）

[7]Ben-Dor E.Quantitative remote sensing of soil propertie.Ad vances in Agronomy，Academic Press，2002，75：173-243.

[8]刘焕军，张柏，杨立，等.土壤光学遥感研究进展.土壤通报，2007，38（6）：1 196-1 202.Liu H J，Zhang B，Yang L，et al.Review of soil optical re mote sensing.Chinese Journal of Soil Science，2007，38（6）：1 196-1 202.（in Chinese）

[9]Chen F，Kissel D E，Larry T W，et al.Field-scale mapping of surface soil organic carbon using remotely sensed im agery.Soil Science Society of America Journal，2000，64：746-753.

[10]张法升，曲威，尹光华，等.基于多光谱遥感影像的表层土壤有机质空间格局反演.应用生态学报，2010，21（4）：883-888.Zhang F S，Qu W，Yin G H，et al.Spatial pattern of sur face soil organic matter based on remotely sensed multi spectralimage.Chinese JournalofApplied Ecology，2010，21（4）：883-888.（in Chinese）

[11]刘焕军，赵春江，王纪华，等.黑土典型区土壤有机质遥感反演.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 black soil area ofNortheastChina.Transactions ofthe CSAE，2011，27（8）：211-215.（in Chinese）

[12]程彬，姜琦刚，陈凤臻，等.松辽平原黑土有机质含量的遥感反演研究.水土保持研究，2012，8（1） 264-267，275.Cheng B，Jiang Q G，Chen F Z，et al.Study of surface soil organic matter using remotely sensed imagery in northeast China.Research of Soil and Water Conservation，2011，18（1）：264-267.（in Chinese）

[13]李春蕾.新疆北疆裸土土壤有机质与机械组成遥感反演研究.乌鲁木齐：新疆师范大学，2011.Li C.The research of retrieving exposed soil organic matter and soil mechanical composition by remote sensing in North Xinjiang Province，China，The Master Degree Dis sertation of Xinjiang Normal University，2011.（in Chi nese）

[14]丁美青，肖红光，陈松岭，等.基于BP神经网络的土地开发整理区土壤有机质含量遥感定量反演.湘潭大学自然科学学报，2012，34（2）：103-106.Ding M Q，Xiao H G，Chen S L，et al.Remote sensing quantitative retrieval of soil organic matter content in the land development and consolidation region based on BP neural network.Natural Science Journal of Xiangtan Uni veraity，2012，34（2）：103-106.（in Chinese）

[15]王琼，陈兵，王方永，等.基于 HJ卫星的棉田土壤有机质空间分布格局反演.农业工程学报，2016，32（1）：174-180.Wang Q，Chen B，Wang F Y，et al.Inversion for spatial distribution pattern of soil organic matter based on HJ im age in oasis cotton field.Transactions of the Chinese Soci ety of Agricultural Engineering，2016，32 （1）：174-180.（in Chinese）

[16]徐涵秋，唐菲.新一代Landsat系列卫星：Landsat 8遥感影像新增特征及其生态环境意义.生态学报，2013，33（11）：3249-3257.Xu H Q，Tang F.Analysis of new characteristics of the first Landsat8 image and their eco-environmental significance.Acta Ecologica Sinica，2013，33 （11）：3249-3257.（in Chinese）

[17]Yu Y F，Xing L X ，Pan J，et al.Study of high temperature targets identification and temperature retrieval experimental model in SWIR remote sensing based Landsat8.Interna tional Journal of Applied Earth Observation and Geoinfor mation，2016，46：56-62.

[18]宋挺，段峥，刘志军，等.Landsat 8数据地表温度反演算法对比.遥感学报，2015，19（3）：451-464.Song T，Duan Z，Liu Z J，et al.Comparision of four algo rithms to retrieve land surface temperature using Landsat 8 satellite.Journal of Remote Sensing，2015，19 （3）：451-464.（in Chinese）

[19]李晓宇，包玉海，吴琼，等.HJ-1CCD与Landsat8 OLI呼伦贝尔草原区FPAR反演中的比较分析.草业科学，2015，32（2）：151-159.Li X Y，Bao Y H，Wu Q，et al.Comparative analysis in re trieved FPAR from HJ-1CCD and Landsat8 OLI Data in Hulunber grassland.Pratacultural Science，2015，32 （2）：151-159.（in Chinese）

[20]Shi Z J，Wen X P，Ma W，et al.Quantitative and statistics analysis of lineament from Landsat-8 OLI imagery.Interna tional Industrial Informatics and Computer Engineering Conference （IIICEC 2015）.

[21]陈实.干旱区膜下滴灌棉田土壤盐分遥感反演研究—以新疆石河子垦区为例.芜湖：安徽师范大学，2014.Chen Shi.The remote sensing inversion study of soil salini ty of the drip irrigation cotton fields under the membrane in arid areas--a case study over Shihezi reclamation area of Xinjiang.Wuhu City：Anhui Normal University，2014.（in Chinese）

[22]Cristina Tarantino，Maria Adamo，Richard Lucas，et al.De tection of changes in semi-natural grasslands by cross cor relation analysis with WorldView-2 images and new Land sat 8 data.RemoteSensingofEnvironment，2016，175（15）：65-72.

[23]徐婷，曹林，佘光辉.基于 Landsat8 OLI的特征变量优化提取及森林生物量反演.遥感技术与应用，2015，30（2）：226-234.Xu T，Cao L，She G H.Feature extraction and forest biomass estimation based on Landsat 8 OLI.Remote Sens ing Technology and Application，2015，30 （2）：226-234.（in Chinese）

[24]谢登峰，张锦水，潘耀忠，等.Landsat 8和 MODIS融合构建高时空分辨率数据识别秋粮作物.遥感学报，2015，19（5）：791-805.Xie D F，Zhang J S，Pan Y Z，et al.Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolu tion data for mapping autumn crop distribution.Journal of Remote Sensing，2015，19（5）：791-805.（in Chinese）

[25]中国科学院南京土壤研究所.土壤理化分析.上海：上海科学技术出版社，1978：62-136．

[26]Volkan Bilgili A，vanes H M，Akbas F，Durak A and Hively W D.2010.Visible-near infrared reflectance spec troscopy for assessment of soil properties in a semi-arid area of Turkey.Journal of Arid Environments，74（2），229-238.（in Chinese）

[27]张炎，王讲利，付明鑫，等.新疆棉田土壤养分评价指标的建立.中国科协2005年学术年会“新疆现代农业论坛”论文专集.Zhang Y，Wang J L，Fu M X，et al.The establishment of the Xinjiang cotton soil nutrient evaluation index.China Association for Science and Technology.2005 Academic Convention “BBS”Modern Agriculture in Xinjiang Thesis Album.（in Chinese）

[28]侯艳军，塔西甫拉提·特依拜，买买提·沙吾提，等.荒漠土壤有机质含量高光谱估算模型.农业工程学报，2014，30（16）：113-120.Hou Y J，Tiyip T，Sawut M，et al.Estimation model of desert soil organic matter content using hyperspectral data.Transactions of the Chinese Society of Agricultural Engi neering （Transactions of the CSAE），2014，30（16）：113-120.（in Chinese）