遥感技术获取耕地质量评价指标的研究进展分析

张 超 高璐璐 郧文聚 李 俐 纪文君 马佳妮

(1.中国农业大学土地科学与技术学院， 北京 100083； 2.自然资源部农用地质量与监控重点实验室， 北京 100083；3.自然资源部国土整治中心， 北京 100035)

0 引言

耕地是粮食生产的根基，粮食安全是国家安全的重要基础。我国人多地少，在耕地保护与利用方面面临着更大挑战。目前，我国耕地质量整体水平不高，中低产田占全国总耕地的2/3以上；我国部分地区土地退化严重，东北黑土有机质含量下降，北方土壤干旱盐碱化，南方红黄壤土壤酸化，障碍退化耕地高达约40%；我国部分区域耕地出现了环境污染问题，耕地健康状况下降[1-2]。如何节约集约用地，严守耕地红线，提升耕地质量与生产力，加强耕地数量、质量、生态“三位一体”保护，是耕地资源领域的重要议题。

加强耕地管控和建设，需全面了解耕地数量、质量、生态状况及其空间分布。国家提出了加强耕地质量调查评价与监测，建立健全耕地质量和耕地产能评价制度，完善评价指标体系和评价方法[3]。耕地质量评价各指标的信息获取，尤其是土壤属性基础数据，主要依赖于各部门历史积累数据，结合人工实地调查，整个过程费时费力，不利于快速、大面积的获取信息。遥感以其覆盖面积大、实时性强等优势广泛应用于耕地资源信息提取，特别在地理环境恶劣，交通条件不便，常规手段难以获取数据的区域。对耕地资源进行全天候、全覆盖、多分辨率、多尺度的遥感监测，有利于精准实施“藏粮于地，藏粮于技”战略。随着我国对地观测技术的快速发展，遥感数据已广泛应用于耕地资源调查监测工作中。2017年开展的第三次全国国土调查(三调)，充分利用遥感、互联网、云计算等技术，细化耕地资源调查。目前，遥感技术主要用于耕地数量调查、耕地利用情况及变化监测、农作物精准识别及产量估算、干旱灾害预警等方面，能够快速获取耕地信息和实现耕地利用长时间动态监测[4-6]。耕地质量评价中，遥感数据主要用于反映作物长势或生物量等信息，间接描述耕地质量状况[7-8]。除了耕地坡度坡向外，目前尚未形成大规模、大面积基于遥感的耕地质量评价信息提取技术体系[9-10]。

为了深入分析遥感技术在获取耕地质量评价指标方面的应用潜力，本文从耕地的“生产、生态、生活”多重功能出发，梳理基于遥感技术的耕地质量评价框架与指标体系，分析耕地质量评价指标获取手段的应用进展和发展方向，探讨现有的国产遥感数据与处理平台在耕地质量评价工作中存在的挑战和发展方向，以期为耕地质量评价工作提供数据支撑，促进遥感技术在耕地质量评价方面的应用和发展。

1 耕地质量概述

界定耕地质量内涵是耕地质量评价的基础。耕地是自然要素构成的自然经济综合体，具有多功能性，其提供了人类生活和生产需要的基础资料，也为生物和非生物之间提供了能量流动、物质循环的场所和载体，同时为人类生活提供了承载空间，充分体现了耕地的生产、生态、生活特性，具有生产、支撑、物质循环、能力流动等功能[11-12](图1)。随着社会发展，人们对耕地功能的认识逐渐深入，逐步从生产单一特性向综合性特性发展。对于耕地质量内涵的相关研究，国外学者主要从土壤质量、土壤健康的角度切入研究。土壤质量被广泛认为是土壤在生态系统和土地利用范围内，维持生物生产力、保持环境质量以及促进动植物和人类健康的能力[13-16]。土壤是耕地的基础，耕地质量和土壤质量评价两者之间相互交叉，各有侧重。在国内，为满足耕地资源科学管理的需求，学者们普遍认为耕地质量是多功能需求的综合体，是生产、生态、生活“三生融合”，需要综合考虑立地条件、土壤特性、利用状况、生态环境状况等各方面[17-20]。

图1 耕地主要特性-功能-服务框架Fig.1 Framework of cultivated land feature, function and service

综上，耕地质量内涵是多样化的，选取的耕地质量评价指标要对特定评价目标具有敏感性，可以有效地反映耕地质量和功能的差异性[21-23]。2018年ELSE等[25]分析了65篇与土壤质量相关的文献，总结出使用频率大于10%的评价指标，包含了土壤物理、化学、生物3方面(表1)。本文利用文献计量法对我国近5年耕地质量评价指标相关研究现状进行统计分析，文献来源于中国知网文献库，总结了56篇文献，其中使用频率大于10%耕地质量评价指标及其使用频率如图2所示，将其归纳为土壤物理、土壤化学、土壤生物、地形特征、田间利用状况等5个维度。综上可以看出国内外同时重点关注土壤容重、质地、土体构型、土层厚度、土壤有机质/碳含量、pH值、土壤养分、电导率、阳离子交换量(CEC)、重金属含量、盐渍化程度、有益微量元素、土壤呼吸、微生物量、蚯蚓等指标，此外，耕地质量还需衡量耕地的坡度地形、灌溉排水、田块状况等耕地利用情况[26-41]。

表1 使用频率大于10%土壤质量指标[25]Tab.1 Soil quality index with frequency more than 10%

2 遥感信息获取手段研究进展

2.1 基于遥感的耕地指标体系构建及技术流程

表1和图2中耕地质量评价指标的基础数据主要通过历史积累数据库、文献资料、实地调研和遥感技术等途径获取，其中遥感数据可用于提取地形条件中的田面坡度和坡向等指标数据[42]；其他数据主要以实地调研为主，综合定点观测、现场调查、原地采样和传统实验室测定等，得到样点的数据，更新和补充历史积累数据和文献资料等现有数据。整个数据调查过程耗时费力，且较难从面上获取指标监测信息，迫切需要引入新技术提高数据调查和获取效率。遥感为相关指标提供了一种快速、大面积、无损的获取方式。本文对通过遥感手段获取的表1和图2中耕地质量评价指标进行总结，如表2所示。土壤蚯蚓、土壤微生物、土壤呼吸强度等土壤生物指标的获取方法分别是样点徒手分离、培养液测定、静态气室等方法，由于这类指标具有微观与纵深分布特性，目前仍难以通过遥感技术获取这些指标的信息。

图2 耕地质量指标使用频率Fig.2 Using frequency of cultivated land quality index

表2 基于遥感监测的耕地质量评价指标体系Tab.2 Evaluation index system of cultivated land quality based on remote sensing

目前可用的遥感数据种类很多，按电磁波的光谱段，可分为光学多光谱和高光谱、热红外、微波雷达等数据；按传感器的工作方式，可以分为主动遥感和被动遥感数据；按获取信息尺度不同，可以分为近地面原位或车载、航空、航天等遥感数据。尺度不同影响耕地质量的主导因素差异显著，评价指标和方法选择也不同。基于遥感的基础数据包括点位、田块、区域及国家等尺度。在点位尺度，需积累原位实地调查的遥感和非遥感数据，为大尺度遥感数据的信息提取，提供建模和验证的相对真值；通过无人机、航空飞机等飞行设备搭载相应传感器，为耕地质量评价提供田块尺度的基础数据；区域、国家尺度需要通过高分系列、Landsat系列、Sentinel系列或MODIS等卫星遥感传感器，提供亚米级到千米级的遥感数据[43-49]。

基于遥感的耕地质量评价指标信息提取应用技术流程如图3所示。在明确耕地质量评价需求的基础上，收集整理已有数据，科学布设调查样点更新和补充数据，获取天空地遥感及非遥感协同数据，根据工作需要进行遥感及非遥感数据的预处理，最后实施遥感分类提取土地覆被信息(植被、土壤、道路、沟渠等)和定量分析(土壤有机质含量、土壤质地、植被覆盖度等)(图3)。遥感分类研究大致可分为：基于目视解译；基于频谱纹理特征；面向对象分析；基于大数据、人工智能技术的智能化提取与分析等阶段[50-51]。遥感影像分类经典算法包括监督分类和非监督分类。近年来，深度学习方法在遥感分类中发展迅速，深度信念网络(DBN)、卷积神经网络(CNN)、自动编码器(AE)等算法应用广泛，可有效地提取影像特征，实现信息提取[52]。遥感数据定量化建模过程中，数据预处理主要包括：通过平滑处理、微分变换、去包络线和小波变换等方法提取特征光谱信息；对比室内外干湿土壤光谱信息，采用外部参数正交化法(EPO)、直接标准化法(DS)、分段直接标准化法(PDS)等算法，减弱土壤水分等环境影响；通过研究代表性样本，优化土壤光谱库数据模型，提高模型预测精度[53-55]。建模方法主要包括经验回归、物理模型和深度学习等。经验回归模型分为线性和非线性回归，简单易用，但局限于特定的时空范围，普适性较差；物理模型参数多，建模困难，普适性强；深度学习依赖于训练样本，物理机理不明确，可以实现多维度空间的自适应拟合；作物生长模型与遥感同化是一种比较新的方法，通过耦合两者之间的关系，可实现耕地质量评价指标信息的提取[56-59]。

图3 遥感技术在耕地质量评价指标计算中的应用流程Fig.3 Application process of remote sensing in calculation of cultivated land quality evaluation indexes

2.2 地形条件指标信息提取

2.2.1坡度坡向

坡度和坡向是评价耕地地形条件的重要指标，对作物生长具有一定影响。在评价过程中，一般基于DEM数据提取研究区的坡度和坡向信息，该数据具有明显的尺度效应，测量方法主要包括：高程点或等高线差值法，成本低，操作简单，受数据源限制比较大；激光雷达法(LiDAR)适于采集坡面尺度的高精度地形数据，尚处于起步阶段；航空摄影测量法，尤其是无人机载荷，适宜用在小流域尺度，操作便捷；光学卫星遥感(受天气影响)和干涉雷达(不受天气影响)适合较大流域及区域尺度，受空间分辨率的影响，较难获取大比例尺DEM数据[60]。目前，全国范围1 km、90 m和30 m空间分辨率的DEM数据产品可从地理国情监测云平台获取，满足不同尺度的耕地质量评价需求。

2.2.2地形部位

在耕地质量评价中，数字化的地形部位提取研究较少，主要通过实地调研、地形地貌图等确定地形部位[41,61]。基于遥感数据获取地形部位信息，主要利用DEM和遥感影像等，实现自动/半自动化提取。方法主要包含地形因子提取法、特征要素分析法、波谱分析法、纹理分析法、地貌分类与制图等。其中，地形因子提取法最常用，该方法基于DEM计算地形因子，结合已有的地质地貌资料、实地调查、专家先验知识等解译地形部位。已有100多种地形因子，如坡度、坡向、地面曲率、地形起伏度、地形粗糙度、地形湿度指数等[62]。目前，由于地貌形态的复杂性，数字化地形部位分析研究主要集中于定性或半定量阶段，定量化研究主要在流域范围，尚未推广到大尺度区域范围[63-64]。

2.3 土壤属性指标信息提取

土壤是气候、母质、生物、地形和时间等诸多成土因素综合作用下的产物，具有高度的空间异质性。从20世纪70年代以来，国内外开展了土壤属性的空间制图，主要包括：

(1)基于地统计学的土壤属性空间制图。该方法是利用土壤调查样点数据，分析土壤属性空间分布特征及其变异规律最为有效的方法之一[65-66]，有普通克里格、协同克里格、回归克里格等插值方法，此外也有辅助环境变量来提高土壤属性的空间预测精度[67-68]。近地遥感或光谱测量可为该类方法提供精准的点位上的土壤属性数据。

(2)基于土壤-景观模型的土壤属性遥感制图。遥感数据可为模型提供气候、地形、生物、人为利用等变量因子，耦合土壤属性与环境变量的内在联系，实现空间制图。环境变量包括气候维度的地表气温、蒸散量，地形维度的坡度、坡向，生物维度的归一化差值植被指数(NDVI)、叶面积指数(LAI)，人类活动维度的土地覆被分类等[69-71]。张甘霖等和史舟等分别用第二次全国土壤调查样点数据作为土壤输入数据，结合土壤-景观模型，实现了全国土壤有机碳的三维制图，虽然总体精度不高，但可以得出全国土壤有机碳含量的空间变化趋势[72-74]。遥感数据提高了大尺度或复杂地形地区土壤属性制图精度，可以得出土壤属性空间变化趋势，但对小区域尺度的土壤属性空间差异性的表达仍不够精细。

(3)基于遥感信息的土壤属性遥感定量预测。地表错综复杂，遥感信息是地表覆盖信息的综合反映。耕地表面经常由作物或作物秸秆所覆盖，卫星遥感数据多用于区域土壤退化评价、障碍性因子识别，或提供相关环境因子辅助土壤制图，而直接用于土壤属性预测一般需要选择农闲的裸土期[75-76]。航空或无人机遥感具有时间的灵活性，可以有效补充土壤属性预测的数据[77]。地球上不同元素、不同地物均有独特的光谱特征，遥感图像提取到的光谱被视为辨别物质的“指纹”[78]。高光谱遥感光谱波段可达几十至几千，可有效反映各种土壤属性的细微差异，目前可用星载和机载的高光谱遥感数据较少，费用较高，限制了高光谱数据的应用，关键技术环节仍需深入研究。可综合利用实验室、原位或车载的近地面多种传感器，建立土壤属性与对应的光谱信息间的原理模型，为土壤属性遥感预测提供理论依据，可较精准地预测土壤多种属性，但是作业面积相对有限[79-81]。

(4)基于植被遥感信息的间接土壤属性预测。受天气、卫星过境周期、地表覆盖物等影响，难以直接获得裸土期遥感影像数据时，可以通过地表植被间接估算土壤属性，常用的植被指数如NDVI、增强植被指数(EVI)、土壤调节植被指数(SAVI)等，应用便捷，但精度较低，普适性较差[82]。此外，最近有研究将土壤养分遥感反演预测结果作为作物生长模型的输入项，耦合遥感同化技术，不断迭代优化反演预测数据，使模型输出值更拟合实际作物长势或产量信息，从而逆向实现土壤属性的预测。

各个土壤属性的遥感获取研究进展总结概括如下：

2.3.1土层厚度

土层厚度是三调耕地资源质量分类中土壤物性参数的一个重要指标，相似的评价指标有障碍层距地表深度、有效土层厚度、耕层厚度等，这些指标是对0～150 cm深度的土壤进行分析。传统的土层厚度获取方法有土壤剖面法、插钎法、钻孔法、透度计法等。电磁感应法、地震折射法、大地电磁、伽马射线监测法、探地雷达等地球物理学方法也用于土层厚度信息提取。所用仪器设备包括电导率仪和探地雷达(GPR)等。微波遥感技术测量的土层深度偏浅(小于0.1 m)，难以直接探测土层厚度，GPR可以实现土壤剖面的监测，通过测定土壤的电磁特性，来定位土壤中的物体或界面，实现对土壤结构、质地或植物根系的高精度探测。GPR已经在土层厚度的研究中取得一些进展[83]，李俐等[84]利用GPR采集回波信号探测了土壤分层位置和层厚信息。

2.3.2土壤质地

传统的土壤质地测定方法有比重计法、吸管法、密度计法和激光粒度仪分析法等。土壤质地对土壤光谱信息的影响，一方面是质地影响土壤的持水能力，另一方面是由于土壤颗粒大小的影响。一般来说，土壤颗粒越小，土壤反射率越大；但在相同温度条件下，粘粒吸持水分能力超过粒径较粗的颗粒，使土壤反射率降低[85]。诸多研究发现粘土与土壤光谱反射率呈显著性负相关，沙土和壤土与反射率相关性较差。土壤质地近地面遥感预测模型的决定系数R2可达0.8以上；航空遥感研究较少，R2只有0.6左右；卫星遥感研究在起步阶段，R2只有0.4左右，现在预测结果还不能满足应用要求[86]。土壤中的粘粒含量也可以通过GPR监测，随着粘粒含量的增加，GPR谱频率峰值向低频区域偏移[87-88]。

2.3.3土壤有机质/碳含量

土壤有机质/碳含量(SOM/SOC)作为土壤健康诊断的重要指标，是第三次全国国土调查耕地资源质量分类工作中的一个重要土壤性质。基于光学遥感技术，土壤有机质含量对整个可见光-近红外-中红外光谱范围有影响，尤其在可见光波段。一般来说，土壤光谱反射率与土壤有机质含量呈负相关关系[89]。土壤有机质的光谱特征是土壤理化参数的综合反映，BAUMGARDNER等[90]认为当土壤有机质含量大于2%时，其对土壤光谱特征有主要的影响作用；当土壤有机质含量小于2%时，掩盖其它土壤组成物质光谱特征的能力减弱。大量研究是利用地物光谱仪在近地面小尺度测定土壤光谱，实现SOM定量化预测。史舟等[91]在全国采集了16种土壤类型1 581个土壤样本(有机质含量1.66～74.84 g/kg)，在室内用地物光谱仪获取不同土壤类型的反射光谱，反演建模精度R2达0.90。随着无人机的发展，越来越多用于获取较大面积田块的厘米级遥感图像，协助农业精细化管理，SOM反演建模精度R2高达0.90。在大尺度上为了减弱其他土壤属性和外界环境的影响，利用多时期或者不同遥感卫星的裸土期影像进行SOM提取。刘焕军等[92]基于Landsat 8和Sentinel-2A两期影像，针对东北黑土区的裸土，进行土壤有机质含量遥感反演，基于单期影像的R2达到0.68，基于两期影像的R2达到0.79。

2.3.4土壤盐渍化程度

我国有大概1/5耕地存在不同程度的盐渍化和次生盐渍化，土壤盐渍化程度监测是盐渍土改良和治理的重要基础。耕地质量评价一般是通过土壤盐分含量、电导率(EC)等指标量化土壤盐渍化程度。传统的获取方法，如基于电磁感应计，无法满足区域评价的需求。2000年以来，遥感技术用于土壤盐渍化程度监测，可以通过光学和微波传感器获取信息。对于光学遥感，通过构建盐分光谱指标，如盐度指数(SI)和归一化差异盐度指数(NDSI)监测土壤盐分[93-94]。当土壤含水量较高或表面结皮时，土壤光谱信息受到影响。通过土壤表面生长的植被受盐分胁迫程度间接反映土壤盐渍化状况，间接监测盐分的指标包括NDVI、SAVI等[95]。利用微波雷达遥感监测土壤盐渍化的研究起步较晚，目前还以定性分析为主，分析土壤盐渍化程度与雷达数据后向散射系数的关系，确定盐渍化程度的空间分布，可有效弥补光学遥感数据的缺失[96]。土壤盐渍化程度也可用GPR估算，反射系数随盐分的增加而增加，结合3D建模方法获取盐分的分布面积和渗透深度[97]。

2.3.5土壤pH值

土壤酸碱度对作物根系活动和根际微生物活动具有重要影响。pH值主要取决于土壤溶液中H+的浓度，而H+的浓度与光谱相关性小。pH值对土壤光谱没有直接的影响，但土壤pH值与植被长势、土壤水分、土地利用类型等存在着很强的相关性，pH值间接与光谱反射率之间存在相关关系，遥感可在较大区域实现pH值预测。有研究表明，土壤pH值的遥感预测模型具有区域差异性，可能与土壤类型等有关[98]。ZHANG等[99]分析了光谱指数、环境指标与pH值之间的关系，结果表明比值植被指数(RVI)、NDVI、归一化差异水分指数(NDWI)、土地利用等因子与pH值相关性较强，这些因子组合建立的预测模型R2为0.50，可以较好地估计区域尺度上的土壤pH值。

2.3.6土壤重金属含量

重金属污染是我国部分耕地当前突出的土壤环境问题之一。常用的光谱监测技术有紫外-可见分光光度法(UV)、原子吸收光谱法(AAS)、原子荧光光谱法(AFS)、电感耦合等离子体-原子发射光谱法(ICP-OES)、X荧光光谱法(XRF)等。近些年来，土壤重金属分析测试技术逐渐与信息技术、遥感技术相互交叉发展[100]。高光谱分析技术被应用于土壤重金属含量监测，其中预测效果比较好的元素包括：铬、铜、镍、铝、硅、镁、铁、锰、铅、锌、镉、钴、砷和汞等[101]。预测模型分为两类：一类是根据土壤重金属与土壤粘土矿物、铁锰氧化物、碳酸盐和植被之间的关系，构建间接预测模型；另一类是分析不同尺度的高光谱数据与重金属元素的相关关系，直接建立模型。目前，近地面的土壤重金属含量遥感反演效果较好，R2在0.8左右[102]。

2.4 田间利用状况信息提取

田间设施建设对于耕地质量提升和农业增收具有显著的提升效益。田间利用信息指标可转化为遥感影像分类或地物识别问题。基于遥感数据可以提取田块、水利设施、道路、行政村、防护林等地物的边界[103-104]，从而为田块状况、田块规模、地块破碎度、田块形状、田块规整度、灌溉保证率、排水条件、田间道路通达度、耕作距离、林网化程度等指标计算提供基础数据。根据遥感分类的基本单元，可分为基于像元、面向对象等类型。传统基于像元的分类方法，未充分考虑地物之间的关联关系，存在“同物异谱”和“同谱异物”问题，严重影响耕地田块和线状地物边界提取的精度和完整性[105]。采用面向对象方法可获得更符合实际的地物边界数据。田间利用信息多来自于对高空间分辨率遥感影像、专题图的矢量化，需要专业人员结合先验知识对遥感影像目视解译各地类的边界信息[106](表3)。数据真实可靠，但耗费大量的人力物力。影像自动化分割技术为边界提取提供了一种快速方式。依据遥感影像的颜色、亮度、纹理等特征信息，明确地物的对比度和异质性，选择最优分割尺度，可较为准确地提取地物边界[107-108]。目前已有1 000多种分割算法，包括基于阈值聚类、边缘检测和区域提取。近年来，基于深度学习的算法越来越受到重视，在土地覆被分类方面取得显著成效[109]。但是最优分割尺度的选取受地域、地物类型、周围环境的影响，因此自动化分割得到的边界结果一般需要手动进一步修正[110]。此外，有研究表明，利用MODIS蒸散发产品，可获取农田灌溉保证率[111]。

表3 田间利用状况维度评价数据来源Tab.3 Data sources of field utilization dimension

3 基于遥感技术耕地质量评价指标获取存在的挑战和发展方向

耕地质量评价指标中，地形条件的地形部位、土壤属性指标、田间利用状况指标的遥感分类提取或定量化预测均已开展了大量研究，结合不同尺度的DEM、可见光近红外、热红外、微波雷达数据，取得了不同程度的进展。但遥感应用于耕地质量评价指标获取，还有如下问题值得继续研究。

(1)挖掘耕地质量评价指标的不同尺度遥感特征。耕地覆被类型、土壤含水率、表面粗糙度等在像元尺度都非均匀，导致地面、航空和航天多尺度遥感观测数据存在着尺度效应。为了充分利用不同尺度的遥感数据优势，需要确定耕地质量各指标与不同空间分辨率对应的“相对真值”，实现实地观测“点”数据与遥感影像像元“面”之间的转化。需要进一步研究：地表样本点的合理布设；遥感数据、遥感产品的尺度转换；合理利用“天空地”一体数字化遥感监测网络，得到更加符合真实情况的监测结果；建立更为有效的遥感分类提取与定量化预测模型。

(2)加强耕地质量评价指标遥感信息的自动化提取研究。我国幅员辽阔，耕地地表覆盖和土壤理化性质的空间差异性大，对遥感数据产生较大的影响。遥感信息如何客观地表示耕地质量指标信息，需要进一步明确不同指标的空间分布规律与时间演变规律。基于全国不同区域均开展了耕地质量相关指标的遥感提取研究和成果，应用大数据、云计算、物联网等技术，结合共享的先验知识、标定样本，对不同时间、不同区域、不同地表覆盖、不同土壤类型下的遥感信息响应规律进行持续学习，得到演变机理和知识经验库，实现基于海量多源、多尺度遥感数据的耕地质量评价指标信息自动化提取。

(3)建设耕地质量评价的遥感大数据平台。我国农业和国土资源遥感经过多年探索，建立了全国航空、航天遥感和地面物联网的“天空地”一体数字化遥感监测网络。自然资源部充分利用国产卫星开展耕地利用情况监测工作，计划每年对耕地完成两次全覆盖监测。尚未在耕地质量评价中形成工程化的遥感数据平台，为耕地质量年度变更快速、大面积提供基础数据。需要加强对耕地质量指标的遥感大面积监测研究，逐步形成工程化的遥感数据获取平台。

综上所述，在今后研究工作中，需进一步加强遥感理论、技术、方法普适性的探索研究，从而确定更具实际应用意义的耕地质量评价指标提取技术流程，形成可快速、大面积的工程化指标信息获取，实现耕地质量评价结果的快速更新，此外，需要开展土壤生物指标的遥感获取研究，间接监测土壤的微生物状态和动物活动，为耕地质量数量、质量、生态“三位一体”保护提供支撑。