基于多时相遥感影像的农安县土壤有机质含量估算

摘 要： 精准获取农田土壤碳储量对确保国家粮食安全及应对气候变化具有重要意义。土壤有机质（Soil OrganicMatter，SOM）作为土壤碳库的重要组成部分，采用遥感影像估算SOM的精度受单时相、多时相影像的影响程度，及究竟选取多少景影像进行SOM的估算较为合适尚不清楚。本研究以吉林省长春市农安县为研究区，以2013-2018 年Landsat 8 遥感影像作为数据源，选取归一化植被指数（Normalized Difference Vegetation Index， NDVI）、比值植被指数（Ratio Vegetation Index ，RVI）、有机碳指数（Soil Organic Carbon Index ，SOCI）等光谱指数，并提取高程、坡度、坡向、地形湿度指数（Topographic Wetness Index ，TWI）等地形因子，及粮食产量、化肥施用量等农田管理措施，采用随机森林算法筛选后的指示因子作为模型的输入变量，构建SOM估算模型。结果表明：相较于使用单时相卫星影像提取的指示因子，使用多时相卫星影像能更好的利用影像多时相信息，对SOM的估算精度较高。随着使用影像年份的增加，模型反演精度会达到上限，本研究中使用数据年限为3 年，后续增加使用影像的数量，反演精度基本不变。使用3 年影像进行SOM反演的模型验证集精度R2为0.682，RMSE为3.152 g/kg。本研究成果不仅对应用多时相遥感影像进行SOM精准估算具有重要意义，也对农田土壤质量的提升及农业可持续发展具有重要意义。

关键词： 土壤有机质；多光谱影像；多时相；随机森林；贡献率

中图法分类号： S127 文献标识码： A 文章编号： 1000-2324（2024）03-0304-10

土壤是地球表层系统的重要组成物质，是人类赖以生存的资源。土壤有机质（Soil OrganicMatter， SOM）是组成土壤的主要成分之一，尽管其在土壤中的占比仅有5%左右，但其对土壤结构的形成，土壤肥力的提升以及土壤的物理、化学特征具有重要影响［1］。此外，SOM是大气二氧化碳潜在的碳源和碳汇，在全球碳循环中扮演着重要角色［2］。我国作为一个人口大国，农业一直关乎国民经济发展。随着我国人口增涨和城镇化进程不断加快，粮食生产压力与日俱增。这对SOM的定量估算提出了新的要求。传统的SOM获取主要在田间尺度，依靠野外采样、室内化学分析等过程得到采样点的SOM含量［3］，该方法采样时间较长，且室内分析较为费时费力。随着遥感技术不断发展，所获取的卫星影像在时空分辨率及幅宽等方面获得重大突破，具有覆盖度广、周期短、受天气条件影响小等特点，为大规模SOM预测提供了有力的数据支持［4， 5］。因此，多光谱遥感已成为大区域SOM定量估算的有效途径。

近年来，学者们以卫星多光谱影像为数据源在SOM反演方面进行了大量研究，部分学者将某一景，或几景多光谱影像作为数据源对SOM进行反演。王锐［6］等以Landsat 8 的单景遥感影像和SOM实测样本为数据源，采用多元回归分析的方法，建立了SOM 反演模型，精度为R2=0.741，但使用单景遥感影像作为数据源，结果受影像质量影响较大，对建模的准确性有一定的干扰。刘焕军［7］等以黑龙江省胜利农场耕地范围为研究区，获取Sentinel-2A 和Landsat 8 的两期裸土影像作为数据源，构建光谱反射率差与反射率比光谱指数，以随机森林算法筛选出的波段和光谱指数作为输入量，构建SOM反演模型。秦发侣［8］等基于杞麓湖盆地四个时相的密集土壤采样数据，应用普通克里格方法预测该区域四个时相耕作表层的SOM 空间分布。Yang［9］等从NDVI 时间序列中提取物候指数并用于农田SOC含量预测。目前，有研究使用单时相影像、多时相影像为数据源进行土壤属性反演，鲜有对比单时相影像，年内多时相影像，以及多年多时相遥感影像对SOM反演精度影响的研究，因此本研究旨在探究使用遥感影像的时间长度对SOM反演精度的影响，以期用较少的影像获得较高的SOM含量估算精度。

传统的多光谱遥感反演SOM的方法，主要是利用光谱数据建模，即将传感器的不同波段进行数学运算组合，通过线性建模方法构建SOM反演模型，以此预测研究区SOM含量以及空间分布情况。但土壤属性与指示因子间多为复杂的非线性关系，仅用线性模型进行SOM反演可能会存在解释不足的问题。鲁梅［10］等分别以多光谱影像的单波段、多波段为数据源，对比了线性回归与随机森林方法对SOM的反演精度，发现随机森林方法在建立模型数据集时的精度和稳定性高于线性回归方法。Curtis［11］等使用逐步回归法、偏最小二乘法、主成分分析法、随机森林等8种统计学与机器学习算法对玉米种植区的土壤氮素需求量进行了预测，结果发现机器学习模型的预测精度更高，上述研究表明，大多数情况下使用机器学习方法，可以得到更稳定、精确的反演结果。

因此，本研究基于多时相遥感影像，并结合土壤属性、光谱数据、地形因子、农田管理措施，采用随机森林算法，构建吉林省农安县的SOM含量反演模型。通过将年内单时相影像，年内多时相影像，以及多年多时相影像作为数据源，进行SOM估算，以期通过较少的影像年份获得较高的SOM估算精度，研究对东北黑土区SOM含量的精准估算具有重要意义。

1 数据和研究区

1.1 研究区概况

研究区位于吉林省中部的农安县（图1），地理位置东经124°31-125°45′，北纬43°55′-44°55′，属中温带大陆性气候，地带性土壤类型主要为黑土、黑钙土，地方性土壤类型主要有草甸土、冲积土等。四季分明，年均气温6 ℃ ，年均降雨量507.7 mm，年平均日照时数2 590 h。有效积温2 800 ℃；无霜期145 d［12， 13］。

1.2 土壤数据

土壤样本数据包含2013-2018 年分别实地采集1 016、954、934、981、598、991个，采样时间分别为：2013 年10 月初、2014 年10 月中旬、2015 年10月中旬、2016 年10 月下旬、2017 年10 月中旬、及2018 年10 月下旬，6 年共获取点位数量为5 474 个，各年样点空间分布见图2。土壤样品的采集方法为五点采样法［14］，将采样土壤混匀后用四分法保留土样；采样深度为20 cm；采样点基本均匀分布在整个研究区内。SOM含量通过重铬酸钾容量法测得土壤中二氧化碳含量，求得土壤有机碳含量后换算；土种数据来自于全国第二次土壤普查；土壤pH值采用电位法测得。

1.3 影像获取及光谱指数构建

本研究采用的遥感影像为Landsat 8 多光谱影像数据，下载自谷歌地球引擎（https：//developers. google. cn /earth-engine/，GEE），获取2013-2018 年间3-10 月农安县无云影像，其中每年裸土期影像约1-2 景，植被覆盖影像3-4 景，每年间各月份影像数量见图3。其中，陆地成像仪（Operational Land Imager， OLI）包含9 个波段：8 个多光谱波段，分辨率30 m；1 个全色波段，分辨率15 m［15］，数据下载时已通过GEE 平台进行过影像拼接、大气校正与辐射校正等预处理。本研究的目标是估算2018 年农安县的SOM含量，通过对比单时相、年内多时相、年际多时相影像为数据源的建模精度，探讨不同时间长度的影像对估算SOM含量精度的差异。

根据前人文献研究，选择土壤有机碳指数（Soil Organic Carbon Index ，SOCI）以及常用的估算SOM含量的14 种指数，通过Envi 5.3 软件进行提取，各光谱指数的公式见表1。

1.4 地形数据获取

地形数据来自于91 卫图企业版，下载吉林省ALOS 12.5 m精度高程数据，通过Arc gis 10.2软件，进行重采样得到30 m精度的高程数据，随后用农安县县界按掩膜提取农安县DEM数据，并提取农安地区地形相关指示因子，即坡度、坡向、坡长、平面曲率、剖面曲率、地形湿度指数（Topographic Wetness Index，TWI）数据，TWI 指数［21］提取公式如下：