東北農牧交錯帶耕地土壤有機質遙感反演研究①

王麗萍，劉煥軍，鄭樹峰,3*，王 翔，孟令華，馬雨陽，官海翔

東北農牧交錯帶耕地土壤有機質遙感反演研究①

王麗萍1，劉煥軍2，鄭樹峰1,3*，王 翔2，孟令華2，馬雨陽4，官海翔4

(1 黑龍江大學政府管理學院，哈爾濱 150080；2 中國科學院東北地理與農業(yè)生態(tài)研究所，長春 130012；3 哈爾濱師范大學地理科學學院，哈爾濱 150025；4 東北農業(yè)大學公共管理與法學院，哈爾濱 150030)

農牧交錯帶是農耕區(qū)與草原牧區(qū)的過渡帶，土壤有機質(SOM)的精確估算與變化監(jiān)測對碳庫估算與農業(yè)生產具有重要研究意義。以東北典型農牧交錯帶為研究區(qū)，Landsat 8 OLI影像和ALOS 12.5m DEM為數(shù)據(jù)源，基于波段反射率、反射率對數(shù)、亮度指數(shù)與相關地形因子，分別利用多元線性逐步回歸(MLSR)模型、隨機森林(RF)模型和BP神經網絡(BPNN)模型，構建農牧交錯帶SOM多光譜反演模型。結果表明：①根據(jù)重要性排序，選擇Landsat8 OLI第4波段的對數(shù)、第5波段、第6波段和亮度指數(shù)作為輸入量，RF和BPNN模型的精度優(yōu)于MLSR模型。②引入高程()與坡向變率(SOA)后，3種模型的預測精度提高，BPNN模型精度提高最多，2提高了0.22，RMSE降低了0.40 g/kg。3種模型最優(yōu)反演精度由高到低為：BPNN模型(2=0.82，RMSE=1.4 g/kg)>RF模型(2=0.71，RMSE=1.9 g/kg)>MLSR模型(2=0.66，RMSE=8.8 g/kg)。研究結果可為農牧交錯帶SOM時空變化研究提供方法支撐。

農牧交錯帶；土壤有機質；隨機森林；BP神經網絡；地形因子

土壤有機質(soil organic matter，SOM)是土壤碳庫的重要組成部分，它不僅能夠為植物生長提供養(yǎng)分，而且能夠改善土壤的物理條件和溫度[1-2]，是土壤肥力分析與耕地質量評價的重要指標，對全球碳估算意義重大[3]。農牧交錯帶是防風固沙的天然屏障，是半干旱區(qū)向干旱區(qū)的過渡地帶，是集農、林、牧于一體的最佳產業(yè)區(qū)。我國東北農牧交錯帶分布在內蒙古、黑龍江、吉林、遼寧4省，其生態(tài)環(huán)境脆弱，土地退化嚴重，準確地監(jiān)測SOM對農業(yè)可持續(xù)發(fā)展具有重要意義。

傳統(tǒng)SOM化學分析方法費時費力[4]。20世紀70年代起，遙感技術的快速發(fā)展為SOM反演提供了新思路。在350 ～ 2 500 nm光學遙感范圍，SOM具有獨特的光譜響應區(qū)域，其與土壤光譜反射率呈顯著負相關關系[5]。但農牧交錯帶區(qū)域內SOM含量相對較低，這可能增加SOM遙感預測的不確定性。當前，針對低SOM含量反演主要采用高光譜技術。例如，王延倉等[6]采用室內高光譜數(shù)據(jù)，利用連續(xù)小波變換對含量為14.2 g/kg的北京東部潮土SOM進行反演，其驗證集2最高為0.69；李陽等[7]對采集于南疆地區(qū)的荒漠土樣采用3種不同建模方法和6種數(shù)據(jù)處理方式構建SOM高光譜反演模型，其最優(yōu)模型2可達0.76。這些研究主要采用室內高光譜數(shù)據(jù)，無法反映連續(xù)區(qū)域內的野外監(jiān)測結果[5]。光學遙感影像數(shù)據(jù)源眾多，特別是多光譜影像，其成像周期短、空間分辨率高，更容易獲取，探索其適用于農牧交錯帶低SOM含量反演，具有重要意義。

目前已有大量研究使用多種方法用于SOM制圖，主要有克里格插值模型(Kriging)、多元線性逐步回歸模型(MLSR)、隨機森林模型(RF)、BP神經網絡模型(BPNN)等[4,8-11]。不同方法具有不同的優(yōu)勢與不足，Kriging方法需要較多樣品來揭示SOM空間相關性實現(xiàn)區(qū)域預測；MLSR模型通過篩選最優(yōu)輸入量，可以解決輸入量間的多元共線問題[12]。BPNN和RF模型已經廣泛用于SOM反演，李耀翔等[13]基于近紅外光譜與BPNN模型對森林土壤有機碳進行了預測；劉煥軍等[14]引入多時相信息，建立基于BP神經網絡的SOM遙感反演模型。張歡[15]利用隨機RF預測了華東沿海灘涂圍墾區(qū)土壤有機碳分布；Nabiollahi等[16]利用RF模型對不同土地利用背景下的土壤有機碳進行了預測。

本研究以典型農牧交錯帶內蒙古自治區(qū)赤峰市敖漢旗耕地為研究區(qū)，結合Landsat 8 OLI多光譜遙感數(shù)據(jù)與野外調查采樣，提取了波段反射率、波段反射率對數(shù)、亮度指數(shù)與相關地形因子，分別采用多元線性逐步回歸(MLSR)、隨機森林(RF)和BP神經網絡(BPNN)模型，分別構建農牧交錯帶SOM多光譜反演模型，為農牧交錯帶低SOM區(qū)域的多光譜遙感反演提供借鑒。

1 材料與方法

1.1 研究區(qū)概況

敖漢旗位于內蒙古自治區(qū)赤峰市東南部(圖1)，地理位置41°69′～ 43°03’N，119°53′ ～ 120°89′E，地處燕山山脈東段努魯爾虎山北麓、科爾沁沙地南緣，屬于典型的半干旱區(qū)農牧交錯帶，溫帶大陸性季風氣候，年降水量374 ～ 524 mm，年平均氣溫6 ℃，面積約8 316.2 km2，土壤以褐土、栗鈣土和風沙土為主。地形和SOM空間差異較大，地勢南高北低，平均高程517 m，SOM總體含量較低。耕地以旱地為主，主要種植作物為玉米和谷子。敖漢旗大部分秸稈可以實現(xiàn)機器還田。

(該圖基于國家測繪地理信息局標準地圖服務網站下載的審圖號為GS(2016)2923 的標準地圖制作，底圖無修改)

1.2 數(shù)據(jù)獲取與處理

1.2.1 土壤數(shù)據(jù)獲取與處理 2018年5月14日，沿公路兩側采集102個裸土樣本，采樣深度為0 ～ 20 cm，每個樣點設置3次重復，將3個土樣混合，作為一個土壤樣品，包含的土壤類型主要有褐土、栗鈣土、風沙土等。在室內對土壤樣品進行研磨、風干和過2 mm篩，采用重鉻酸鉀容量法測定SOM含量[17]，結果如表1。2018年研究區(qū)SOM均值為10.20 g/kg，處于較低水平，輕度右偏離，基本符合正態(tài)分布，變異系數(shù)離散程度較高。本文隨機選取SOM樣本，按照2︰1比例建模，其中，建模集68個樣本，預測集34個樣本(表1)。建模集與驗證集的樣本含量分布比較均勻，均值相近，因此，建模集與驗證集樣本合理，具有代表性。

表1 采樣點有機質數(shù)據(jù)描述統(tǒng)計(n = 102)

1.2.2 遙感、地形、降水數(shù)據(jù)獲取與處理 從美國地質調查局(USGS，https://glovis.usgs.gov/)中獲取2018 年3月25日的Landsat 8 OLI影像，影像在研究區(qū)無云覆蓋，由于敖漢旗氣候干旱，2018年3月1日—4月30日平均降水量為0.30 mm(http://data. cma.cn/)，2018年3月降水數(shù)據(jù)由澳大利亞插值軟件auspline得到(圖2)，空間分辨率為0.1° × 0.1°。且本研究選取的影像處于裸土期，植被覆蓋與降水對影像的影響可以忽略不計。SOM隨時間短期變化不大，故2018年3月25日的影像可以用于研究區(qū)SOM遙感反演研究。影像預處理過程包括采用ENVI 5.3進行輻射定標、大氣校正(大氣校正后的結果為擴大了10 000倍的反射率)等，經過穗帽變換獲取亮度指數(shù)。從美國國家航空航天局(https://search.asf.alaska. edu/#/)獲取ALOS 12.5m DEM，利用ArcGIS 10.6提取高程()、坡度()、坡向()、坡向變率(sope of aspect，SOA)、坡度變率(slope of slope，SOS)。敖漢旗耕地范圍數(shù)據(jù)來源于中國科學院資源環(huán)境科學數(shù)據(jù)中心數(shù)據(jù)注冊與出版系統(tǒng)(http://www.resdc. cn/DOI)。

圖2 2018年3月降水量分布圖

1.3 最佳輸入量的篩選與SOM反演模型

本文使用Landsat 8 OLI B1 ～ B7波段反射率、波段反射率對數(shù)、亮度指數(shù)和地形因子(高程、坡度、坡向、坡度變率、坡向變率)共計20個因子作為建模輸入變量(表2)，按照2︰1的比例隨機選取68個建模集，根據(jù)RF重要性，首先選擇4個重要性較大的影像輸入變量，然后增加2個地形輸入變量以便探究地形因子對模型精度的影響，并分別構建MLSR、RF、BPNN模型。

表2 輸入變量列表

1.3.1 MLSR模型 MLSR通過優(yōu)化自變量的組合來解釋與因變量的線性關系，根據(jù)前饋方式輸入和刪除自變量，確定了輸入量滿足選擇標準時應包括在回歸模型中的最佳子集[18]。該模型還避免了自變量的多重共線性。選取SOM的實測值作為因變量，設置變量方差的顯著性水平0.05作為進入與剔除的標準，選擇B6、作為自變量，利用SPSS Statistics 22中多元線性逐步回歸分析建立預測模型，SOM與自變量的顯著性均小于0.001。

1.3.2 RF模型 Breiman[19]將多個決策樹模型與套袋算法結合提出了RF模型。本文使用R語言平臺開發(fā)的Random forest包構建模型，主要涉及3個參數(shù)：決策樹的數(shù)量(mtree)，分割節(jié)點的隨機變量的數(shù)量(mtry)，自變量對SOM影響的重要性(importance)[10]。從訓練樣本中采用隨機有放回的抽樣方式構建每一個樹模型，使用袋外數(shù)據(jù)誤差確定最佳回歸樹的數(shù)量和最優(yōu)分裂節(jié)點數(shù)，最終的預測值是所有樹模型預測值的均值，本文mtree設置為500，mtry為6[20]。RF模型可處理高維數(shù)據(jù)，訓練速度快，調解參量少，異常值和噪聲具有較高的容忍度，且不會過度擬合。

1.3.3 BPNN模型 BPNN是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，可以完成復雜的非線性計算。它由輸入層、隱藏層和輸出層組成。在前向傳播過程中，輸入信號通過隱藏層從輸入層處理并傳輸?shù)捷敵鰧?。一層神經元的狀態(tài)只影響下一層的神經元。如果在輸出層中無法獲得期望的輸出，則誤差值隨后通過網絡向后傳播，并對每層中的權重進行更改[21]。利用Matlab 2014b建立BP神經網絡SOM預測模型，采用3層BP神經網絡，選用反向傳播算法進行訓練，隱含層為雙曲正切S型函數(shù)，3層輸出層節(jié)點均為16，輸出層為線性傳遞函數(shù)，1個輸出層節(jié)點，學習效率為0.01，迭代次數(shù)為100次。

1.4 精度評價

隨機選取68個訓練樣本構建SOM預測模型，使用決定系數(shù)(2)和均方根誤差(RMSE)對預測結果進行精度評價[22]。2越高、RMSE越低，模型預測精度越高。

2 結果與分析

2.1 土壤反射光譜特征分析

水分對土壤反射率具有很強的干擾作用，持續(xù)的干旱天氣，降低了水分對土壤反射率的影響。去除SOM樣點的極大值和極小值，選取有代表性的3個樣點。從Landsat 8 OLI影像提取不同SOM含量的土壤反射光譜曲線(圖3)，從整體上看，隨著SOM含量增加，光譜反射率整體降低，B1 ～ B3波段數(shù)值均較小，說明SOM吸收作用強烈，而反射率差異較大的波段可以作為特征波段，B4 ～ B7波段差異明顯，因此，Landsat 8 OLI 的4 ～ 7波段能較好地反映SOM信息，是敖漢旗SOM遙感反演的特征波段。

圖3 Landsat 8 OLI不同SOM含量土壤反射率光譜曲線

2.2 地形特征分析

圖4A為研究區(qū)高程圖，南部丘陵區(qū)高程較高，為1 200 m左右；低高程地區(qū)為300 m左右，主要分布在北部平原、沙漠區(qū)，南北部高程差約700 m (圖4B)。隨著高程的升高，SOM含量逐漸升高后不變(表3)。圖5為研究區(qū)坡度圖與不同坡度下的SOM含量圖，根據(jù)不同坡度將敖漢旗耕地分為0° ～ 3°、3° ～ 4°、4° ～ 5°、5° ～ 6°、>6°五級(圖5A)。坡度在0° ～ 3° 的SOM含量最低，4° ～ 5° 的SOM含量最高(圖5B)。結合研究區(qū)坡度分析(圖5A)，坡度在0° ～ 3° 的地區(qū)主要分布在沙漠區(qū)和山腳下，因此該區(qū)域SOM含量相對較低；而從4° ～ 5° 開始，隨著坡度的增加，受土壤侵蝕影響，SOM含量降低。

圖4 研究區(qū)高程分析

2.3 反演輸入量與SOM的重要性篩選結果

本文使用Landsat 8 OLI B1 ～ B7波段反射率、波段反射率對數(shù)、亮度指數(shù)和地形因子作為建模輸入量，按照與SOM的重要性排序，結果如表4。

表3 不同高程下的SOM平均值

圖5 研究區(qū)坡度分析

表4 最佳輸入量重要性排序

注：lgB4表示Landsat 8第4波段反射率的對數(shù)；B5表示Landsat 8第5波段反射率；B6表示Landsat 8第6波段反射率；BI代表Landsat 8亮度指數(shù)；表示高程；SOA表示坡向變率。

2.4 有機質預測結果

2.4.1 預測精度評價 選取Landsat 8 OLI lgB4、B5、B6、BI與地形因子(、SOA)作為輸入量，利用MLSR、RF、BPNN構建SOM多光譜反演模型，通過2、RMSE兩個指標評價SOM反演模型的精度(表5)。

未加入地形因子之前，所有模型中BPNN模型的2最高，為0.60，RMSE最小，為1.80 g/kg，說明BPNN模型的精度最好。加入地形因子、SOA后，3種預測模型精度均有所提高，其中BPNN模型精度提高最大，2為0.82，提高了0.22，RMSE為1.40 g/kg，下降了0.40 g/kg，2與文獻[23]的研究結果相近(2=0.86)，而RMSE明顯優(yōu)于文獻[23] (RMSE=2.29 g/kg)，原因是RMSE與樣本數(shù)成反比，本文較文獻[23]樣本數(shù)較多，所以RMSE較低。本研究構建的模型能夠較好地預測農牧交錯帶SOM的變化。

表5 MLSR、RF、BPNN模型驗證結果

2.4.2 有機質反演結果 lgB4、B5、B6、BI與、SOA共同作為輸入變量時，BPNN模型反演精度最高(2：0.82，RMSE：1.40 g/kg)，因此，選擇該模型進行SOM制圖(圖6)。敖漢旗地區(qū)的SOM含量基本低于20 g/kg，北部及其中部地區(qū)的SOM含量基本低于10 g/kg，東部地區(qū)的SOM含量較高，多集中于15 ～ 20 g/kg。SOM表現(xiàn)出南高北低的特點，其中，高值區(qū)均分布在南部高高程地區(qū)，低值區(qū)分布在北部風沙土區(qū)，這與李龍等[24]空間插值的研究結果一致。

圖6 2018年SOM遙感反演圖

3 討論

研究聚焦于農牧交錯帶區(qū)域SOM多光譜反演，以Landsat 8 OLI為數(shù)據(jù)源，構建適于該地區(qū)的SOM反演模型。結果表明，lgB4、B5、B6和BI可作為農牧交錯帶SOM反演的主要輸入變量。SOM對可見光–近紅外–短波紅外(400 ～ 2 500 nm)比較敏感，已經被廣泛用于土壤理化參數(shù)反演。王延倉等[25]利用反射光譜與TM5模擬光譜反演北方潮土的SOM，發(fā)現(xiàn)室內實測原始光譜與SOM的最大相關系數(shù)為0.608 (433 nm)；經吸收峰深度變換后，最大相關系數(shù)為0.748(791 nm)。王海峰等[26]探究了以色列南部不同土壤類型下的SOM反演模型，發(fā)現(xiàn)砂質土SOM的光譜響應區(qū)間為820 ～ 860 nm和940 ～ 970 nm，黏壤土SOM光譜響應區(qū)間為730 ～ 790 nm和800 ～ 820 nm。SOM與土壤顏色有關，BI 可以表征遙感影像中的土壤顏色和反射率大小，SOM含量越低，反射率越大，BI值越高，圖像越亮[27]，對研究區(qū)低SOM具有很好的適用性。BPNN和RF模型的反演精度高于MLSR模型(表5)。這是因為SOM與土壤光譜之間存在著某些線性或非線性關系，而BPNN模型和RF模型具有強大的非線性擬合能力和數(shù)據(jù)挖掘能力，能更好地模擬SOM與遙感光譜信息及地形因子之間的復雜多元非線性關系。通過反復訓練的BPNN模型具有更強的預測效果，可以實現(xiàn)區(qū)域SOM更高精度的反演。

敖漢旗SOM空間分布呈南高北低的趨勢，與地形和降水有關。南部海拔高的地區(qū)有機質含量高，這與Teng等[28]的研究結果一致。原因是南部丘陵地區(qū)植被茂盛，SOM容易積累。北部沙漠區(qū)氣候干旱，土壤質地差，SOM很難積累。但本文中，高程大于700 m后，坡度的增加加劇了土壤侵蝕，水土流失會帶走一部分SOM，SOM含量不再持續(xù)升高。降水與高程基本呈現(xiàn)一致趨勢，降水可以影響區(qū)域土壤濕潤程度，濕潤程度越高，SOM含量越高[14]。而坡度主要影響土壤侵蝕程度，有研究表明[29]，隨著坡度的增加，SOM減少。但研究區(qū)的SOM隨坡度的增大出現(xiàn)先增加后減少的趨勢。因為0° ～ 3°主要分布在北部沙漠區(qū)和南部耕地(圖5A)，沙漠區(qū)環(huán)境條件差，坡度不起主導作用，南部耕地和3° ～ 4° 部分主要分布在山腳下，SOM隨雨水沖刷等作用在山腳沉積，故0° ～ 4° 研究區(qū)有機質隨著坡度的增大出現(xiàn)一定程度的增加。從4° ～ 5° 開始，隨著坡度的增加，SOM含量降低(圖5B)。坡度大的地區(qū)，土壤侵蝕較嚴重，水土流失加快，造成SOM的損失，SOM含量較低。

以往研究多基于波段反射率構建SOM反演模型，如陳思明等[5]對比全波段與顯著波段，構建了基于不同機器學習方法的SOM反演模型，最高2可達0.74；王瓊等[30]通過比較不同波段反射率、波段反射率變換形式得到的回歸模型2最高可達0.72。本研究在對前人SOM反演研究的基礎上進行了改進，構建了針對農牧交錯帶耕地的SOM反演模型。雖然地形因子和SOA的加入在敖漢旗對SOM預測精度有明顯提高，但應用于其他區(qū)域是否可行，還需要進一步驗證。未來的研究應主要集中于：①多種地形因子在農牧交錯帶對SOM遙感反演精度提高的作用；②運用最優(yōu)模型分析農牧交錯帶SOM的時空變化特征。

4 結論

受裸土窗口期較短的影響，針對農牧交錯帶區(qū)域SOM遙感反演研究相對較少。本文以典型農牧交錯帶內蒙古自治區(qū)赤峰市敖漢旗為例，分別利用MLSR、RF、BPNN模型進行SOM反演，BPNN模型的精度最高(2：0.82，RMSE：1.40 g/kg)，表明BPNN模型在SOM預測中更具有優(yōu)勢，可以得到較高的預測精度。地形因子對SOM反演精度提升明顯，增加了SOM預測模型的精度。研究表明，lgB4、B5、B6、BI、、SOA適用于作為農牧交錯帶低SOM反演的輸入變量。研究成果可以為農牧交錯帶SOM遙感制圖提供借鑒。

[1] Wang J, He T, Lv C, et al. Mapping soil organic matter based on land degradation spectral response units usingimages[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12: S171–S180.

[2] Wood S A, Tirfessa D, Baudron F. Soil organic matter underlies crop nutritional quality and productivity in smallholder agriculture[J]. Agriculture, Ecosystems & Environment, 2018, 266: 100–108.

[3] Gu X H, Wang Y C, Sun Q, et al. Hyperspectral inversion of soil organic matter content in cultivated land based on wavelet transform[J]. Computers and Electronics in Agriculture, 2019, 167: 105053.

[4] 楊順華, 張海濤, 郭龍, 等. 基于回歸和地理加權回歸Kriging的土壤有機質空間插值[J]. 應用生態(tài)學報, 2015, 26(6): 1649–1656.

[5] 陳思明, 毛艷玲, 鄒小興, 等. 基于不同建模方法的濕地土壤有機質含量多光譜反演[J]. 土壤通報, 2018, 49(1): 16–22.

[6] 王延倉, 張?zhí)m, 王歡, 等. 連續(xù)小波變換定量反演土壤有機質含量[J]. 光譜學與光譜分析, 2018, 38(11): 3521– 3527.

[7] 李陽, 劉新路, 彭杰, 等. 基于可見光近紅外光譜的南疆荒漠土壤有機質反演研究[J]. 土壤通報, 2018, 49(4): 767–772.

[8] Dou X, Wang X, Liu H J, et al. Prediction of soil organic matter using multi-temporal satellite images in the Songnen Plain, China[J]. Geoderma, 2019, 356: 113896.

[9] Alloa M, Todoroffa P, Jameuxa M, et al. Alain albrechtc science-soil science and hydrology; researchers at French Agricultural Research Center for International Development (CIRAD) release new data on soil science and hydrology (prediction of tropical volcanic soil organic carbon stocks by visible-near- and mid-infrared spectroscopy) [J]. Agriculture Week, 2020: 189.

[10] 劉煥軍, 張美薇, 楊昊軒, 等. 多光譜遙感結合隨機森林算法反演耕作土壤有機質含量[J]. 農業(yè)工程學報, 2020, 36(10): 134–140.

[11] 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.

[12] 侯艷軍, 塔西甫拉提·特依拜, 買買提·沙吾提, 等. 荒漠土壤有機質含量高光譜估算模型[J]. 農業(yè)工程學報, 2014, 30(16): 113–120.

[13] 李耀翔, 汪洪濤, 耿志偉, 等. 基于近紅外光譜及BP神經網絡分析法預測森林土壤有機碳含量[J]. 西部林業(yè)科學, 2014, 43(3): 1–6.

[14] 劉煥軍, 潘越, 竇欣, 等. 黑土區(qū)田塊尺度土壤有機質含量遙感反演模型[J]. 農業(yè)工程學報, 2018, 34(1): 127– 133.

[15] 張歡. 華東沿海灘涂圍墾區(qū)土壤有機碳動態(tài)及其模型預測[D]. 南京: 南京大學, 2017.

[16] Nabiollahi K, Eskandari S, Taghizadeh-Mehrjardi R, et al. Assessing soil organic carbon stocks under land-use change scenarios using random forest models[J]. Carbon Management, 2019, 10(1): 63–77.

[17] 吳才武, 夏建新, 段崢嶸. 土壤有機質測定方法述評與展望[J]. 土壤, 2015, 47(3): 453–460.

[18] Zare S, Fallah Shamsi S R, Abtahi S A. Weakly-coupled geo-statistical mapping of soil salinity to Stepwise Multiple Linear Regression of MODIS spectral image products[J]. Journal of African Earth Sciences, 2019, 152: 101–114.

[19] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5–32.

[20] Liaw A, Wiener M, Classification and regression by randomforest[J]. The Newsletter of the R Project, 2002(2): 18–22.

[21] Xiao H F, Tian Y L. Prediction of mine coal layer spontaneous combustion danger based on genetic algorithm and BP neural networks[J]. Procedia Engineering, 2011, 26: 139–146.

[22] ?alasan M, Abdel Aleem S H E, Zobaa A F. On the root mean square error (RMSE) calculation for parameter estimation of photovoltaic models: A novel exact analytical solution based on Lambert W function[J]. Energy Conversion and Management, 2020, 210: 112716.

[23] 馬馳. 基于Landsat8吉林中北部地區(qū)土壤有機質定量反演研究[J]. 干旱區(qū)資源與環(huán)境, 2017, 31(2): 167–172.

[24] 李龍. 赤峰市敖漢旗土壤有機碳時空變異研究[D]. 呼和浩特: 內蒙古農業(yè)大學, 2017.

[25] 王延倉, 顧曉鶴, 朱金山, 等. 利用反射光譜及模擬多光譜數(shù)據(jù)定量反演北方潮土有機質含量[J]. 光譜學與光譜分析, 2014, 34(1): 201–206.

[26] 王海峰, 張智韜, Arnon Karnieli, 等. 基于灰度關聯(lián)-嶺回歸的荒漠土壤有機質含量高光譜估算[J]. 農業(yè)工程學報, 2018, 34(14): 124–131.

[27] Gholizadeh A, ?i?ala D, Saberioon M, et al. Soil organic carbon and texture retrieving and mapping using proximal, airborne and Sentinel-2 spectral imaging[J]. Remote Sensing of Environment, 2018, 218: 89–103.

[28] Teng M J, Zeng L X, Xiao W F, et al. Spatial variability of soil organic carbon in Three Gorges Reservoir area, China[J]. Science of the Total Environment, 2017, 599/600: 1308–1316.

[29] 張枝枝, 張福平, 燕玉超, 等. 渭河兩岸緩沖帶的土壤有機質含量分布特征及其影響因子[J]. 土壤, 2017, 49(2): 393–399.

[30] 王瓊, 陳兵, 王方永, 等. 基于HJ衛(wèi)星的棉田土壤有機質空間分布格局反演[J]. 農業(yè)工程學報, 2016, 32(01): 174–180.

Soil Organic Matter Inversion in Agro-pastoral Ecotone of Northeast China

WANG Liping1, LIU Huanjun2, ZHENG Shufeng1,3*, WANG Xiang2, MENG Linghua2, MA Yuyang4, GUAN Haixiang4

(1 School of Government, Heilongjiang University, Harbin 150080, China; 2 Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130012, China; 3 School of Geographical Sciences, Harbin Normal University, Harbin 150025, China; 4 School of Public Administration and Law, Northeast Agricultural University, Harbin 150030, China)

The agro-pastoral ecotone is a transitional zone between farming areas and grassland pastoral areas. Accurate estimation and monitoring of soil organic matter (SOM) has important significance for carbon pool estimation and agricultural production. Taking the typical agro-pastoral ecotone in northeast China as the study area, Landsat 8 OLI and ALOS 12.5m DEM as the data sources, the input variables included band reflectivity, reflectivity logarithm, brightness index and terrain factors. The multi-spectral inversion model of SOM in the agro-pastoral ecotone was constructed by using multiple linear stepwise regression (MLSR) model, random forest (RF) model and BP neural network (BPNN) model, respectively. The results showed that: 1) According to the order of importance, the logarithm of band 4, band 5, band 6 and brightness index of Landsat 8 OLI were selected as input variables, and the accuracies of RF and BPNN models were better than that of MLSR model. 2) After adding elevation (E) and slope of aspect (SOA), the prediction accuracies of the three models all improved, and the accuracy of BPNN model improved most, with2increased by 0.22 and RMSE decreased by 0.40 g/kg. The optimal inversion accuracies of the three models from high to low was: BPNN model (2=0.82, RMSE=1.4 g/kg) > RF model (2=0.71, RMSE=1.9 g/kg) > MLSR model (2=0.66, RMSE=8.8 g/kg). The research can provide methodological support for the study of SOM spatial and temporal changes in agro-pastoral ecotone.

Agro-pastoral ecotone; Soil organic matter; Random forest; BP neural network; Terrain factors

王麗萍, 劉煥軍, 鄭樹峰, 等. 東北農牧交錯帶耕地土壤有機質遙感反演研究. 土壤, 2022, 54(1): 184–190.

S156.8

A

10.13758/j.cnki.tr.2022.01.024

國家自然科學基金項目(41671438)和吉林省科技發(fā)展計劃項目(20170301001NY)資助。

(zsf7415@163.com)

王麗萍(1996—)，女，山東煙臺人，碩士研究生，主要從事農業(yè)遙感研究。E-mail: 17854223290@163.com