機(jī)器學(xué)習(xí)在土壤無機(jī)碳高光譜反演模型中的應(yīng)用進(jìn)展

郝夢潔 張麗 魯新新

摘 要：土壤無機(jī)碳庫作為陸地生態(tài)系統(tǒng)中第二大碳庫，在吸收大氣中CO2以維持陸地生態(tài)系統(tǒng)碳循環(huán)穩(wěn)定方面發(fā)揮著重要作用。高光譜數(shù)據(jù)具有維度大、強(qiáng)冗余性等特點(diǎn)，不利于土壤無機(jī)碳快速反演建模，而使用機(jī)器學(xué)習(xí)方法可實(shí)現(xiàn)對土壤無機(jī)碳的快速、高效測定。該文綜述了利用機(jī)器學(xué)習(xí)方法對土壤無機(jī)碳高光譜反演建模的研究現(xiàn)狀，以期為土壤無機(jī)碳在全球碳循環(huán)中的研究提供參考。

關(guān)鍵詞：機(jī)器學(xué)習(xí);土壤無機(jī)碳;高光譜;反演模型;應(yīng)用進(jìn)展

中圖分類號 S153.6+1文獻(xiàn)標(biāo)識碼 A文章編號 1007-7731（2021）04-0108-04

Abstract： As the second largest carbon pool in terrestrial ecosystems， soil inorganic carbon pool plays an important role in absorbing CO2 from the atmosphere to maintain the stable carbon cycle in terrestrial ecosystems. The hyperspectral data are characterized by large dimension and strong redundancy， which is not conducive to the rapid inversion modeling of soil inorganic carbon. The machine learning method can be used to realize the rapid and efficient determination of soil inorganic carbon. In this paper， the research status of soil inorganic carbon hyperspectral inversion modeling by machine learning method is reviewed， which can provide theoretical reference for the research of soil inorganic carbon in the global carbon cycle.

Key words： Machine learning; Soil inorganic carbon; Hyperspectral; Inversion model; Application progress

溫室效應(yīng)的加劇加速了全球變暖進(jìn)程，導(dǎo)致全球大氣中二氧化碳濃度不斷增加，加重了人類維持陸地生態(tài)系統(tǒng)碳循環(huán)穩(wěn)定的負(fù)擔(dān)。土壤無機(jī)碳庫作為陸地生態(tài)系統(tǒng)中僅次于土壤有機(jī)碳庫的第二大碳庫，主要存儲于干旱、半干旱地區(qū)，在吸收大氣中CO2以維持陸地生態(tài)系統(tǒng)碳循環(huán)穩(wěn)定方面發(fā)揮著重要作用[1，2]。干旱、半干旱地區(qū)生態(tài)系統(tǒng)普遍脆弱，因此土壤無機(jī)碳極易受到人類活動影響而產(chǎn)生碳失匯現(xiàn)象，導(dǎo)致大氣中CO2濃度增加、陸地生態(tài)系統(tǒng)碳平衡遭到破壞，最終不利于延緩全球變暖的步伐[3]。長期以來，眾多研究主要集中于土壤有機(jī)碳庫對維持土壤肥力、調(diào)節(jié)全球碳循環(huán)的作用以及其隨環(huán)境變化的動態(tài)演變過程，忽視了土壤無機(jī)碳庫在吸收干旱、半干旱地區(qū)大氣CO2以調(diào)節(jié)氣候的作用。已有研究表明，土壤無機(jī)碳在干旱、半干旱地區(qū)的碳循環(huán)中發(fā)揮著至關(guān)重要的作用[4]。高光譜數(shù)據(jù)具有維度大、強(qiáng)冗余性的特點(diǎn)，不利于土壤無機(jī)碳快速反演建模，使用機(jī)器學(xué)習(xí)方法可極大提高反演建模速率，有效提升建模精度，實(shí)現(xiàn)對土壤無機(jī)碳的快速高效測定[5]。采用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)土壤無機(jī)碳高光譜數(shù)據(jù)反演模型已成為近年來的研究熱點(diǎn)。為此，筆者對采用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)土壤無機(jī)碳高光譜數(shù)據(jù)反演建模的研究現(xiàn)狀進(jìn)行了綜述，以期為土壤無機(jī)碳在全球碳循環(huán)中的研究提供參考。

1 土壤無機(jī)碳特征及研究現(xiàn)狀

1.1 土壤無機(jī)碳儲量 土壤無機(jī)碳主要包含原生碳酸鹽和次生碳酸鹽，次生碳酸鹽的形成是土壤無機(jī)碳積累的主要途徑[6，7]。土壤無機(jī)碳在土壤碳庫中的儲量遠(yuǎn)低于土壤有機(jī)碳，但我國干旱、半干旱地區(qū)總面積約占國土面積的50%以上，因此掌握土壤無機(jī)碳含量有利于科研人員加深對荒漠生態(tài)系統(tǒng)碳固存行為的認(rèn)識與理解[8]。研究發(fā)現(xiàn)，天然土壤表層中的無機(jī)碳含量遠(yuǎn)高于有機(jī)碳[9，10]。人類一系列的農(nóng)業(yè)土地開發(fā)利用方式在一定程度上會加速土壤無機(jī)碳發(fā)生淋失或淋溶，這會對當(dāng)?shù)厣鷳B(tài)系統(tǒng)的穩(wěn)定和土壤無機(jī)碳庫造成極大的不利影響[11]。

1.2 土壤無機(jī)碳測定方法 土壤無機(jī)碳存在3種形式，即固相、液相和氣相，固相主要由石灰性母質(zhì)和風(fēng)積灰塵構(gòu)成，液相的來源是CO2和H2O反應(yīng)所產(chǎn)生的HCO[_3]與H2CO3溶液，氣相則是土壤呼吸所釋放的CO2[12]。通常采用氣量法、CO2吸收法和總有機(jī)碳分析儀法測定土壤無機(jī)碳的含量[13]。

1.3 土壤無機(jī)碳的影響因素 土壤無機(jī)碳是土壤碳庫的一部分，陸地生態(tài)系統(tǒng)中所有的生物因素（土壤生物中的植物、動物、微生物）、物理化學(xué)因素（土壤容重、土壤鹽度、pH值）和人為因素（土地利用方式）都會對其造成直接或間接影響。其中，土壤容重、土壤鹽度、pH值等物理化學(xué)因素會作用于CaCO3溶解度而對溶解平衡常數(shù)造成影響，進(jìn)而改變CaCO3沉淀機(jī)制[14]。研究發(fā)現(xiàn)，東北表層土壤（0～50cm）中的土壤無機(jī)碳隨土壤容重、pH值的增加而增加，不同的土地利用方式會導(dǎo)致土壤無機(jī)碳儲量發(fā)生明顯變化[15-17]。一般來說，某研究區(qū)域內(nèi)的土壤無機(jī)碳含量高，則該研究區(qū)域內(nèi)的土壤有機(jī)碳含量會偏低。但研究發(fā)現(xiàn)，新疆艾比湖濕地自然保護(hù)區(qū)的土壤無機(jī)碳和土壤有機(jī)碳之間存在正相關(guān)關(guān)系[18，19]。由于土壤生物中的植物、動物生理活動以及微生物具備形成碳酸鹽的能力，因此生物因素也是影響土壤無機(jī)碳的重要因素。研究表明，土壤中的草酸鹽會通過生物氧化來提高土壤pH值，進(jìn)而對土壤無機(jī)碳造成影響;熱帶地區(qū)白蟻會對土壤次生碳酸鹽的形成產(chǎn)生影響[20，21]。由此可見，研究土壤次生碳酸鹽的形成時忽視生物因素會對土壤無機(jī)碳形成和變化造成認(rèn)識偏差。人為因素中土地利用方式對土壤無機(jī)碳的影響巨大，如更改作物類型、轉(zhuǎn)變土壤所在的生態(tài)系統(tǒng)類型、改變耕作方式、改變施肥方式、改變灌溉方式等都會對土壤無機(jī)碳造成顯著影響。通過比較黃土地區(qū)不同土地利用方式下的土壤無機(jī)碳分布差異發(fā)現(xiàn)，荒地的土壤無機(jī)碳分布高于草地和林地，林地的無機(jī)碳分布最少[22]。

2 機(jī)器學(xué)習(xí)方法建模過程

2.1 高光譜數(shù)據(jù)來源 采集土樣研磨過篩后使用波長在350～2500nm的FieldSpec Pro FR型光譜儀測量土樣，獲得高分辨率且連續(xù)的地物光譜曲線，將曲線進(jìn)行處理即可得到高光譜數(shù)據(jù)。

2.2 高光譜數(shù)據(jù)特征選擇 特征選擇是為了解決數(shù)據(jù)間存在的相關(guān)性和冗余性而對原始數(shù)據(jù)進(jìn)行特征選取以滿足給定特征標(biāo)準(zhǔn)的過程[23]。高光譜數(shù)據(jù)因其維度大增加了建模過程的工作量并減緩了模型的運(yùn)行時間，不利于研究人員開展后續(xù)研究工作。在領(lǐng)略了機(jī)器學(xué)習(xí)方法處理高維數(shù)據(jù)的快速便捷后，諸多研究人員開始使用機(jī)器學(xué)習(xí)中的支持向量機(jī)、遺傳算法和連續(xù)投影算法等進(jìn)行土壤理化性質(zhì)高光譜數(shù)據(jù)的特征選取工作[24，25]。為了實(shí)現(xiàn)算法結(jié)構(gòu)風(fēng)險最小化，支持向量機(jī)方法通過核函數(shù)將非線性可分樣本數(shù)據(jù)映射到高維線性可分空間，使用優(yōu)化法求解超平面，獲取決策函數(shù)的參數(shù)。遺傳算法是一種隨機(jī)搜索算法，依賴于生物進(jìn)化機(jī)制，通過比較、選擇、交換等操作來進(jìn)行多次迭代，即可在保留目標(biāo)函數(shù)值較優(yōu)的變量前提下，剔除其中較差的變量，獲得該算法的最優(yōu)參數(shù)[26]。連續(xù)投影算法（SPA）將變量投影操作用于數(shù)據(jù)矩陣，可在大量高光譜數(shù)據(jù)中提取小部分變量數(shù)據(jù)的過程中，有效提取關(guān)鍵光譜信息的同時概括大部分的光譜信息[25]。

2.3 模型構(gòu)建 在構(gòu)建高光譜數(shù)據(jù)反演模型時，模型因變量是選取土壤無機(jī)碳含量，自變量是不同波段的高光譜數(shù)據(jù)。建模結(jié)果可用于模型評價，參考模型評價來選取最優(yōu)反演建模方法。土壤理化性質(zhì)高光譜數(shù)據(jù)建模主要以機(jī)器學(xué)習(xí)方法為主[27-29]。機(jī)器學(xué)習(xí)中，BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)構(gòu)和大小取決于土壤光譜數(shù)據(jù)的復(fù)雜程度，它將高光譜數(shù)據(jù)作為網(wǎng)絡(luò)的輸入層，土壤無機(jī)碳含量作為輸出層，在隱含層中進(jìn)行訓(xùn)練，可實(shí)現(xiàn)對土壤無機(jī)碳高光譜數(shù)據(jù)的反演建模。使用隨機(jī)森林算法在解決回歸問題建立反演模型時，遵循算法中每一棵決策樹之間不存在關(guān)聯(lián)性并且模型的最終輸出取決于算法中所有決策樹的共同制訂的原則。支持向量機(jī)是一種受監(jiān)督的模式識別模型，能夠較好地解決在研究土壤無機(jī)碳高光譜數(shù)據(jù)反演模型中出現(xiàn)的非線性、小樣本等問題。

2.3.1 BP神經(jīng)網(wǎng)絡(luò)算法建立反演模型流程 BP神經(jīng)網(wǎng)絡(luò)算法流程等同于非線性映射，算法結(jié)果實(shí)現(xiàn)了一個多層反饋模型用來學(xué)習(xí)有用知識，再對算法進(jìn)行訓(xùn)練，熟悉訓(xùn)練集的模式后，按照已經(jīng)學(xué)習(xí)得出的模式對數(shù)據(jù)進(jìn)行預(yù)測，同時為了提高模型精度需適時調(diào)整算法參數(shù)[30]。算法流程如下：（1）輸入訓(xùn)練數(shù)據(jù)集，調(diào)整參數(shù)設(shè)置，如交叉驗(yàn)證次數(shù)、初始權(quán)值閾值、激活函數(shù)等，即可構(gòu)建網(wǎng)絡(luò)的基本結(jié)構(gòu);（2）對網(wǎng)絡(luò)初始化，確定參數(shù)設(shè)置;（3）確定模型隱含層的節(jié)點(diǎn)數(shù)和計(jì)算輸出（見公式1、2）;（4）計(jì)算輸出層的輸出;（5）誤差計(jì)算;（6）更新權(quán)值后更新閾值;（7）確定算法迭代是否結(jié)束或者預(yù)測的目標(biāo)精度是否已經(jīng)達(dá)到預(yù)測目標(biāo)精度，若算法尚未結(jié)束迭代過程，則需要到算法流程的第二步繼續(xù)進(jìn)行算法訓(xùn)練;（8）待訓(xùn)練完成，將測試集數(shù)據(jù)放入已經(jīng)調(diào)試好的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測或反演，可得到最終的預(yù)測或反演結(jié)果。

2.3.2 隨機(jī)森林算法建立反演模型流程 隨機(jī)森林算法是為了解決決策樹算法所存在的過擬合或無法保證取得全局最優(yōu)的問題而加以改進(jìn)的算法。它立足于重采樣方法來抽取樣本并對這些樣本進(jìn)行決策樹建模，再組合多棵決策樹以期實(shí)現(xiàn)預(yù)測并構(gòu)建反演模型[31]。算法流程如下：（1）訓(xùn)練數(shù)據(jù)樣本集需要進(jìn)行有放回抽樣，即可獲得M個樣本子集;（2）對樣本子集進(jìn)行特征子集選取;（3）根據(jù)數(shù)據(jù)樣本子集和獲得的特征子集訓(xùn)練單棵決策樹;（4）組合已經(jīng)訓(xùn)練完畢的決策樹，用投票的方式對數(shù)據(jù)進(jìn)行預(yù)測。

2.3.3 支持向量機(jī)算法建立反演模型流程 支持向量機(jī)算法可以在建立高光譜反演模型時實(shí)現(xiàn)非線性回歸。借助映射將非線性的原函數(shù)轉(zhuǎn)化成線性可分的高維特征空間中的樣本函數(shù)，在降低計(jì)算復(fù)雜度的同時有效提升算法的魯棒性[32]。算法流程如下：（1）高維空間中尋找超平面用作決策邊界，使所有數(shù)據(jù)滿足到達(dá)該平面距離最近的要求;（2）計(jì)算預(yù)測值和實(shí)際值之間的差值，并與設(shè)置好的預(yù)測誤差作比較，當(dāng)差值小于預(yù)測誤差時可不計(jì)算損失，當(dāng)不滿足該條件時需要引入松弛變量和拉格朗日函數(shù)求解該問題，即可獲得反演結(jié)果。

3 機(jī)器學(xué)習(xí)在土壤無機(jī)碳反演建模中的應(yīng)用

隨著人工智能的蓬勃發(fā)展和計(jì)算機(jī)技術(shù)的高效應(yīng)用，研究人員發(fā)現(xiàn)使用率極高的線性建模方法中偏最小二乘法并不能獲得較好的土壤理化性質(zhì)反演建模精度，因此逐漸轉(zhuǎn)向了運(yùn)用機(jī)器學(xué)習(xí)來進(jìn)行土壤理化性質(zhì)的反演建模。史楊[33]發(fā)現(xiàn)非線性建模方法可以對土壤成分進(jìn)行建模精度更高的預(yù)測研究。Patrick Filippi等[34]通過隨機(jī)森林模型實(shí)現(xiàn)了對新南威爾士州西南部拉克蘭河河谷下游的半干旱灌溉棉花種植區(qū)0.3～0.5m土壤無機(jī)碳含量建模，可以用來預(yù)測整個研究區(qū)域的0.3～0.5m地下土層土壤無機(jī)碳的存在。Kandrika Sreenivas等[35]使用隨機(jī)森林模型構(gòu)建印度無機(jī)碳密度的估測模型，發(fā)現(xiàn)采樣點(diǎn)的數(shù)據(jù)分布對隨機(jī)森林模型的預(yù)測結(jié)果沒有顯著影響。L. Wang等[36]采用統(tǒng)計(jì)技術(shù)和機(jī)器學(xué)習(xí)技術(shù)相組合的增強(qiáng)回歸樹對土壤受到雨水侵蝕后沉積物中的無機(jī)碳含量實(shí)現(xiàn)優(yōu)化預(yù)測。由此可知，運(yùn)用機(jī)器學(xué)習(xí)對土壤無機(jī)碳反演建模精度更高，適用范圍更廣。高光譜遙感技術(shù)在土壤理化性質(zhì)定量反演中的不斷拓展也加快了機(jī)器學(xué)習(xí)在高光譜遙感技術(shù)中的進(jìn)步。

4 小結(jié)

及時了解干旱、半干旱地區(qū)生態(tài)系統(tǒng)土壤無機(jī)碳的動態(tài)變化對于了解全球碳循環(huán)極其重要，可為今后精確估算某一研究區(qū)域碳儲量提供可靠依據(jù)，快速高效實(shí)現(xiàn)土壤無機(jī)碳的反演建?？梢詾橥寥罒o機(jī)碳在全球碳循環(huán)中的研究提供理論依據(jù)?？萍嫉呐畈l(fā)展推動了機(jī)器學(xué)習(xí)方法的進(jìn)步，研究人員應(yīng)根據(jù)研究內(nèi)容因地制宜對現(xiàn)有學(xué)習(xí)方法進(jìn)行諸多模型耦合，有效提升反演模型精度，并實(shí)現(xiàn)具備創(chuàng)新性的模型耦合。相比于傳統(tǒng)的線性建模方法，機(jī)器學(xué)習(xí)方法對土壤無機(jī)碳反演建模精度更高，適用范圍更廣，更有利于實(shí)現(xiàn)土壤理化性質(zhì)的定量反演。

參考文獻(xiàn)

[1]張謙，張建國，王麗梅，等.塔克拉瑪干沙漠公路防護(hù)林不同咸水滴灌下土壤有機(jī)碳與無機(jī)碳垂直分布特征[J].西北林學(xué)院學(xué)報，2019，34（4）：1-7.

[2]李巧玲，閻欣，吳秀芝，等.荒漠草原沙漠化對土壤無機(jī)碳和有機(jī)碳的影響[J].水土保持學(xué)報，2019，33（1）：98-103，110.

[3]李小涵，李富翠，劉金山，等.長期施氮引起的黃土高原旱地土壤不同形態(tài)碳變化[J].中國農(nóng)業(yè)科學(xué)，2014，47（14）：2795-2803.

[4]Hui An，Qiao-Ling Li，Xin Yan，et al.Desertification control on soil inorganic and organic carbon accumulation in the topsoil of desert grassland in Ningxia，northwest China[J].Ecological Engineering，2019，127：348-355.

[5]孫俊，金夏明，毛罕平，等.基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J].農(nóng)業(yè)工程學(xué)報，2014，30（10）：167-173.

[6]孫向陽.土壤學(xué)[M].北京：中國林業(yè)出版社，2005：96-97.

[7]BUGHIO M A，WANG P，MENG F，et al. Neoformation of pedogenic carbonates by irrigation and fertilization and their contribution to carbon sequestration in soil[J]. Geoderma，2016，262：12-19.

[8]孟延，周建斌，郝平琦，等.土壤無機(jī)碳研究進(jìn)展及意義[J].北方農(nóng)業(yè)學(xué)報，2017，45（3）：54-57.

[9]Suleiman S. Tagiverdiev，Sergei N. Gorbov，et al.The content and distribution of various forms of carbon in urban soils of southern Russia on the example of Rostov agglomeration[J].Geoderma Regional，2020，21：e00266.

[10]雒瓊，王玉剛，鄧彩云，等.干旱區(qū)土壤剖面無機(jī)碳分布及其與鹽堿性的關(guān)系[J].水土保持學(xué)報，2017，31（5）：240-246.

[11]雒瓊，王玉剛，鄧彩云，等.不同農(nóng)業(yè)土地利用年限干旱區(qū)土壤剖面碳存儲動態(tài)變化[J].農(nóng)業(yè)工程學(xué)報，2017，33（19）：287-294.

[12]于天仁，陳家坊.土壤發(fā)生中的化學(xué)過程[M].北京：科學(xué)出版社，1989.

[13]王蓮蓮，楊學(xué)云，楊文靜.土壤碳酸鹽幾種測定方法的比較[J].西北農(nóng)業(yè)學(xué)報，2013，22（5）：144-150.

[14]隋曉敏.膠州灣典型河口濕地土壤無機(jī)碳儲量分布特征及影響因素[D].青島：青島大學(xué)，2019.

[15]祖元剛，李冉，王文杰，等.我國東北土壤有機(jī)碳、無機(jī)碳含量與土壤理化性質(zhì)的相關(guān)性[J].生態(tài)學(xué)報，2010，31（18）：5207-5216.

[16]王恒俊，張淑光，蔡風(fēng)岐.黃土高原地區(qū)土壤資源及其合理利用[M].北京：中國科學(xué)技術(shù)出版社，1991.

[17]劉哲，陳懂懂，李奇，等.土地利用方式對高寒草甸生態(tài)系統(tǒng)土壤無機(jī)碳的影響[J].水土保持通報，2016，36（5）：73-79.

[18]Pan G X.Some features of carbon cycling in humid subtropical karst region：an example of Guilin Yaji Karst experiment site[J].China Geography，1997，7（3）：48-57.

[19]張雪妮，呂光輝，貢璐，等.新疆艾比湖濕地自然保護(hù)區(qū)不同土壤類型無機(jī)碳分布特征[J].中國沙漠，2013，33（4）：1084-1090.

[20]Cailleau G，Braissant O，Dupraz C，et al. Biologically induced accumulations of CaCO3 in orthox soils of Biga，Ivory Coast[J]. Catena，2005，59（1）：1-17.

[21]Cowie R H.Tropical ecology and physical edaphology[J].Trends in Ecology & Evolution，1988，3（5）：120-120.

[22]崔麗峰，劉叢強(qiáng)，涂成龍，等.黃土地區(qū)不同覆被下土壤無機(jī)碳分布及同位素組成特征[J].生態(tài)學(xué)雜志，2013，32（5）：1187-1194.

[23]黃鉉.特征降維技術(shù)的研究與進(jìn)展[J].計(jì)算機(jī)科學(xué)，2018，45（S1）：16-21，53.

[24]楊愛霞，丁建麗.新疆艾比湖濕地土壤有機(jī)碳含量的光譜測定方法對比[J].農(nóng)業(yè)工程學(xué)報，2015，31（18）：162-168.

[25]朱建偉，劉玉學(xué)，吳超凡，等.施用生物炭后土壤有機(jī)碳的近紅外光譜模型研究與應(yīng)用[J].生態(tài)學(xué)報，2020，40（20）：7430-7440.

[26]于雷，洪永勝，周勇，等.高光譜估算土壤有機(jī)質(zhì)含量的波長變量篩選方法[J].農(nóng)業(yè)工程學(xué)報，2016，32（13）：95-102.

[27]章海亮，羅微，劉雪梅，等.應(yīng)用遺傳算法結(jié)合連續(xù)投影算法近紅外光譜檢測土壤有機(jī)質(zhì)研究[J].光譜學(xué)與光譜分析，2017，37（2）：584-587.

[28]白婷，丁建麗，王敬哲.基于機(jī)器學(xué)習(xí)算法的土壤有機(jī)質(zhì)質(zhì)量比估算[J].排灌機(jī)械工程學(xué)報，2020，38（8）：829-834.

[29]曹肖奕，丁建麗，葛翔宇，等.基于光譜指數(shù)與機(jī)器學(xué)習(xí)算法的土壤電導(dǎo)率估算研究[J].土壤學(xué)報，2020，57（4）：867-877.

[30]何宇峰.基于改進(jìn)PCA-MEA-BP神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測研究[D].西安：西安科技大學(xué)，2020.

[31]喬黎偉，王靜怡，郭煒，等.基于隨機(jī)森林算法的中短期用電量預(yù)測[J].電力科學(xué)與技術(shù)學(xué)報，2020，35（2）：150-156.

[32]邊澤山.基于SVM的溫室大棚溫濕度預(yù)測預(yù)警系統(tǒng)研究[D].包頭：內(nèi)蒙古科技大學(xué)，2020.

[33]史楊.基于可見光近紅外光譜的土壤成分預(yù)測模型研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2018.

[34]Patrick Filippi，Stephen R. Cattle，Matthew J. Pringle，et al.A two-step modelling approach to map the occurrence and quantity of soil inorganic carbon[J].Geoderma，2020，371：114382.

[35]Kandrika Sreenivas，V.K. Dadhwal，Suresh Kumar，et al.Digital mapping of soil organic and inorganic carbon status in India[J].Geoderma，2016，269：160-173.

[36]L.Wang，X.Huang，N.F.Fang，et al.Selective transport of soil organic and inorganic carbon in eroded sediment in response to raindrop sizes and inflow rates in rainstorms[J].Journal of Hydrology，2019，575：42-53.

（責(zé)編：徐世紅）