摘要
土壤有机质（SOM）在全球碳循环中起着非常重要的作用，而高光谱遥感已被证明是一种快速估算SOM含量的有前景方法。然而，由于忽略了土壤物理性质的光谱响应，SOM预测模型的准确性和时空可迁移性较差。本研究旨在通过减少土壤物理性质对光谱的耦合作用来提高SOM预测模型的时空可迁移性。基于卫星高光谱图像和土壤物理变量，包括土壤湿度（SM）、土壤表面粗糙度（均方根高度，RMSH）和土壤容重（SBW），建立了基于信息解混方法的土壤光谱校正模型。选取中国东北的两个重要粮食产区作为研究区域，以验证光谱校正模型和SOM含量预测模型的性能和可迁移性。结果表明，基于四阶多项式和XG-Boost算法的土壤光谱校正具有优异的准确性和泛化能力，几乎所有波段的残余预测偏差（RPD）均超过1.4。基于XG-Boost校正光谱的SOM预测精度最 高，决定系数（R2）为0.76，均方根误差（RMSE）为5.74 g/kg，RPD为1.68。迁移后模型的预测精度、R2值、RMSE和RPD分别为0.72、6.71 g/kg和1.53。与模型直接迁移预测相比，采用基于四阶多项式和XG-Boost的土壤光谱校正模型，SOM预测结果的RMSE分别降低了57.90%和60.27%。 这种性能比较凸显了在区域尺度 SOM 预测中考虑土壤物理特性的优势。
Figure 1. Framework of the proposed SOM estimation model.
研究区域
试验点1位于中国东北黑龙江省黑土耕地保护区，如图2所示，面积为1095 km2。该地区属温带大陆性季风气候，年降水量为450–650 mm，降水主要集中在6–9月，占全年降水量的80%。研究区地势南高北低，西高东低，大部分地区为堆积平原。该研究区是全球仅有的四个黑土区之一，耕层深厚，土壤肥沃，含腐殖质的土层厚度为25–80 cm，适合种植玉米、大豆等作物。
图 2. 研究区域概览。（a）研究区域的地理位置；（b、c）分别为站点 1 和站点 2 的土壤采样点；（d、e）“裸土期”的土壤表面。
试验点2 位于中国吉林省黑土耕地保护区，如图 2 所示，面积为 713 km2。站点地势平坦，海拔在 189 至 237 m 之间。该区域为东部湿润山区与西部半干旱平原区的过渡地带。研究区属温带大陆性半湿润季风气候，年平均气温 4.6 ℃，年降水量 600—700 mm。该区域河流水系丰富，农业水资源相对丰富，地表土壤空间异质性强。该区域土壤主要为黑土，腐殖质层厚度为 0.6—1.0 m。试验点2的土壤类型、地表特征等环境因素与试验点1有明显差异，可以验证本研究中SOM含量预测模型的时空可迁移性。
2022 年 10 月 29 日至 30 日，共从试验点 1 采集了 104 个表层土壤样品（图 2b）。2023 年 4 月 14 日至 15 日，从试验点 2 采集了 40 个表层土壤样品（图 2c），用于测试模型的时空可迁移性。
图3. 样区内土壤样品采集与参数测量示意图。(a)象限采样示意图；(b)土壤表面点云数据测量。
研究过程
样品运回实验室后，通过称重、烘干等方法获得每个象限9个子样本的SM和SBW，并计算子样本的平均值。然后，将9个子样本混合成复合样本，在实验室内使用（ASD FieldSpec 4地物光谱仪）进行光谱测量（取十次测量的平均值）和使用重铬酸钾加热法测定SOM含量。为保证每个样品的SBW相同，将土壤样品装入一次性培养皿中进行光谱测量。对每个测量点的土壤表面点云数据进行拼接、裁剪和滤波。利用处理后的点云数据建立三维相对坐标系（图3b），提取所有点云数据的Z坐标，计算该象限的RMSH。
资源一号02D（ZY1-02D）高光谱图像数据来自中国科学院空天信息创新研究院，图像生成时间与土壤采样时间同步，所有图像的云量均小于1%。本研究选取450~1290nm、1408~1828nm和1963~2460nm波段作为光谱波段。
为了验证ZY1-02D高光谱图像的可靠性，将土壤像素光谱与土壤地面光谱进行了比较（图4）。尽管土壤像素光谱的形状与土壤地面光谱相似，但在可见光-近红外（VNIR）波段范围内存在一些噪声和平滑度较低的情况。此外，土壤像素的光谱反射率略低于实验室测量的反射率。计算了像素反射率与地面反射率之间的斯皮尔曼相关系数（SCCs）和皮尔逊相关系数（PCCs）。结果表明，大多数波长范围内的PCCs低于0.5，而在480至680nm和2000至2500nm波长范围内的SCCs基本大于0.5，表明可能存在非线性关系。为了揭示影响像素光谱的因素，比较了不同物理属性梯度下土壤反射率的差异。随着SM的增加，土壤光谱反射率显著下降，尤其是在500至1300nm和1450至1700nm波长范围内（图5）。随着SBW的增加，土壤光谱反射率的下降幅度相对较小。RMSH对土壤光谱的影响最为显著，反射率随着RMSH的增加显著下降。综上所述，SM、SBW和RMSH对光谱的耦合效应是导致两组光谱数据偏差的重要原因，严重限制了成像光谱仪对土壤“纯光谱”的获取。因此，有必要在像素光谱数据中分离土壤的物理和化学信息，以提高高光谱遥感对土壤有机质（SOM）预测的准确性。
图4. 成像光谱、实验室光谱及其相关系数。
图5. 不同物理性质土壤的光谱特征。
图6. 基于多参数估计模型的土壤物理参数与土壤像素光谱拟合的R²值。
图 7. 使用试验点 1 数据建立的 XG-Boost 模型，基于 (a) 原始像素光谱、(b) 地面光谱、(c) 四阶多项式校正光谱和 (d) XG-Boost 校正光谱和站点 2 数据测量和预测的 SOM 含量的散点图。
结论
本研究利用卫星和地面高光谱数据以及土壤物理参数数据，分别基于四阶多项式和XG-Boost构建了两种土壤光谱校正模型，以缓解土壤物理性质对像素光谱的耦合效应。通过使用来自两个试验点的数据，评估了土壤光谱校正模型的性能及其对SOM预测模型精度和时空可迁移性的影响。主要结论如下：
土壤像素光谱反射率与土壤地面光谱反射率呈非线性关系。表面物理性质的差异是导致这两种光谱数据类型偏差的主要因素。RMSH对土壤像素光谱的影响最为显著，其次是SM和SBW。
四阶多项式和XG-Boost模型具有良好的土壤光谱校正精度。基于XG-Boost的土壤光谱校正模型精度更高，时空可转移性更强，因为它考虑了所有特征，持续调整树的权重，防止结果陷入局部最优。
土壤光谱校正显著缓解了土壤物理性质对土壤像素光谱的耦合效应，有效提高了SOM预测模型的准确性，更重要的是，大大增强了基于像素光谱的SOM预测模型的时空可转移性。未来，通过充分考虑更多土壤特性，可以获得更准确的SOM预测结果。本研究为预测其他区域的土壤性质参数提供了一种新的研究范式。
点击下方链接，阅读原文：
https://mp.weixin.qq.com/s/ZYmGOq5nFvFWCCkUrVmllQ