土壤有机质（SOM）含量及其空间分布特征是耕地质量评价、土壤碳氮循环研究的重要土壤属性，快速准确地监测SOM含量对精准施肥、培肥地力等方面也具有重要意义。常规SOM含量测定方法，虽然测定结果准确，但耗时较长且工作繁琐，无法满足大量样本快速监测SOM含量的需求。高光谱遥感光谱分辨率高，光谱波段在350～2500nm的可见光-近红外范围可达几百个甚至上千个，具有探测土壤表层属性细微差异的优势，已逐渐成为实时动态监测SOM含量的重要技术手段^[1-2]。

国内外学者在利用便携式高光谱仪测量室内或野外土壤光谱，预测SOM含量方面开展了较多研究，达到了低成本、无损、快速的农田SOM含量监测目的^[3-6]。航空机载高光谱SOM含量反演和制图方面的研究，使大面积、实时动态监测SOM含量成为可能^[7-10]。与地面光谱测量和机载高光谱遥感相比，星载高光谱数据具有幅面宽、可重复覆盖以及“图谱合一”的优势，基于星载高光谱遥感的土壤属性估测和制图应用潜力成为当前热点研究。由于缺乏商业星载高光谱遥感数据，星载高光谱SOM含量估测的研究为数不多。Gomez等^[2]采用星载Hyperion高光谱影像（242个波段， 400～2500nm，光谱分辨率10nm，空间分辨率30m），基于偏最小二乘回归法（PLSR）估测澳大利亚农区SOM含量，验证精度决定系数（R²）为0.493，均方根误差（RMSE）为0.8%，相对分析误差（RPD）为1.42，认为通过改进星载高光谱遥感技术，可以提高SOM含量估测精度。Nowkandeh等^[11] 基于星载Hyperion高光谱数据，建立了伊朗农田MLSR、PLSR、最小一乘回归（MinR）和主成分分析（PCA）的SOM含量预测模型，结果表明MLSR的SOM含量验证精度较高，R²=0.69， RMSE=0.18%。刘焕军等^[12] 基于我国星载高分5号（GF-5）高光谱遥感影像，以黑龙江省黑土区明水县为研究对象，建立了采用离散小波变换 （DWT）降噪方式，以随机森林（RF）为预测模型的SOM含量估测，R²=0.69，RMSE=2.26%。赵瑞等^[13]基于GF-5高光谱遥感影像，以哈尔滨与兴安盟交界处的平原土壤为研究对象，运用PLSR建立土壤沙化指数、土壤退化指数、归一化亮度指数和土壤盐分指数的SOM含量估算模型，认为基于土壤指数建立的反演模型预测精度最高，预测集验证中相关系数（ρ）为0.816，RMSE 为1.73%。

以上研究都是采用研究区域的全部土样参与SOM含量建模，没有考虑不同土壤类型在估测SOM含量上的精度差异。研究表明，不同成土条件、成土过程以及土壤属性会导致土壤类型光谱响应较大的差异，并影响SOM的估测精度^[4，14]。因此，本研究利用涵盖黑龙江省建三江农垦区的国产GF-5高光谱卫星影像，研究不同土壤类型的GF-5高光谱反射特性，构建研究区土壤全样本、不同土壤类型的敏感波段和全波段SOM含量估测模型，评价GF-5高光谱影像估测SOM含量的潜力，以及不同土壤类型对SOM含量高光谱估测精度的影响，以期为高光谱遥感监测土壤肥力变化提供技术和数据支撑。

1 材料与方法

1.1 研究区概况

研究区域为黑龙江省建三江农垦区的兴隆岗镇 （图1）。该区域地处黑龙江省富锦、同江、抚远、饶河交界处，是乌苏里江、松花江和黑龙江冲积而成的三江平原腹地，经纬度范围为132°19′00′′～132°40′00′′E和46°50′00′′～47°07′00′′N，总面积约1000km²。该区域属寒温带湿润季风气候区，年平均气温1～2℃，10℃及以上活动积温2300～2500℃，日照时数为2260～2449h，平均降水量为550～600mm，无霜期为110～135d。作物生长期为一年一熟制，主要种植玉米、豆类、水稻3种作物，其中玉米和豆类种植面积约占耕地面积的70%，水稻种植面积约占30%，是我国重要商品粮基地之一。区域地势平坦，平均海拔50～60m，成土母质以冲积粘质土为主^[15]，主要土壤类型为草甸土、沼泽土、黑土等（图2）。按照水文地质状况、中小地形差异、土壤属性等因素细分，草甸土包括平地草甸土、平地碳酸盐草甸土和低地沼泽化草甸土3个土属，沼泽土包括草甸沼泽土和泥炭沼泽土2个土属，黑土包括粘底黑土和粘底草甸黑土2个土属。

1.2 数据来源与处理

1.2.1 GF-5 高光谱卫星数据

本研究采用的是我国GF-5卫星搭载的可见短波红外高光谱相机（AHSI）探测的高光谱影像。 AHSI是国内光谱分辨率最高的传感器，也是国际上首台兼顾宽覆盖、宽谱段并具备高定量化水平的星载高光谱相机。AHSI具体参数见表1^[16]。本研究获取了2019年4月27日覆盖研究区域的AHSI高光谱影像（图1），并进行了高光谱影像预处理，将波长信息写入高光谱数据，对可见光-近红外 （VNIR）和短波红外（SWIR）波段两部分数据合并存储成400～2500nm波段范围连续的高光谱数据，去掉了VNIR和SWIR重合部分的波段（光谱通道151～153）。使用ENVI 5.5辐射校准工具和GF-5头文件中的增益和偏差比对影像数据进行了辐射校正，利用光谱超立体快速视线大气分析（FLAASH） 模块进行了大气校正。

1.2.2 土样采集数据

在采样前根据覆盖研究区域的GF-5卫星影像、1∶25万土地利用现状图和1∶5万土壤分布图，设计了采样范围和样点布设。2019年5月4日至5月9日到实地进行农田土样采集。此时采样区域前茬为玉米和大豆的农田多已翻耕准备播种，地表裸露土壤干燥，只存在少量的秸秆残茬；而水稻田已灌满水，等待适时插秧。因此将预设水稻田的样点去掉，再根据道路的通达性进行了样点的增补和位置微调。每个样点采用五点采样法采集土样，采样深度0～10cm，去除土样中的残茬、小石块等杂物，取约0.5kg放入土袋内。采集土样的同时利用手持GPS记录样点的经纬度。在中国农业科学院农业资源与农业区划研究所采用重铬酸钾容量分析法测定SOM含量^[17]。

1.2.3 样点GF-5 高光谱数据提取与预处理

利用ENV I5.5和ArcGIS 10.6提取样点的GF-5光谱反射率数据。将反射率（R）为0或负值以及受大气中水蒸气吸收影响的29个波段通道去除，剩余301个波段作为本次研究的光谱区间。利用OriginPro8软件对样点土壤反射率光谱曲线进行Savitzky-Golay平滑处理（10点窗口，二次多项式），去除光谱曲线出现的细小毛刺。对样点GF-5光谱反射率数据进行9种数学变换，包括反射率倒数1/R、反射率对数LnR、反射率倒数对数Ln（1/R）、反射率对数倒数1/（LnR）、反射率一阶微分R′、反射率倒数一阶微分（1/R）′、反射率对数一阶微分（LnR）′、反射率倒数对数一阶微分（Ln1/R）′、反射率对数倒数一阶微分 （1/LnR）′，来突出光谱曲线的某些特征。

1.2.4 敏感波段选择

经预处理的GF-5高光谱数据包含301个光谱波段，其中有些波段与SOM含量相关性较小。为了减少模型构建工作量和运行时间，一般选择光谱敏感波段参与SOM含量估测建模，达到与全波段SOM含量估测相当或更高的精度^[18]。本研究采用相关系数法，计算样点SOM含量与光谱反射率及数学变换的相关系数，选择泊森检验P<0.05的波段作为敏感波段，参与SOM含量高光谱模型构建，并与全波段SOM含量估测模型进行精度对比，评价GF-5光谱敏感波段SOM含量估测的优势。计算结果显示，光谱反射率与9个光谱数学变换的SOM敏感波段数分别为：反射率R为84个SWIR， 1/R为37个SWIR，LnR为68个SWIR，Ln（1/R） 为68个SWIR，1/（LnR）为88个SWIR，R′为51个（10个NIR、41个SWIR），（1/R）′为29个（1个NIR、28个SWIR），（LnR）′为39个（2个VIR、8个NIR、29个SWIR），（Ln1/R）′为42个（3个VIR、 8个NIR、31个SWIR）、（1/LnR）′为60个（12个NIR、48个SWIR）。

1.2.5 建模样本和验证样本确定

利用ArcGIS 10.6软件，基于研究区域1∶5万土壤分布图和样点经纬度数据，获取样点所属的土类和土属名称。研究区域主要土壤类型为草甸土、沼泽土和黑土，共获得样本188个。分别对全样本以及不同土壤类型样本按照SOM含量从小到大排序，每隔4个样本选择1个验证样本，确定了建模样本数据（占75%）和模型验证样本数据（占25%）。样本SOM含量描述统计量见表2。

1.3 模型构建方法及精度验证

本研究采用偏最小二乘回归（PLSR）线性建模方法^[19]，通过MATLAB R2016a统计软件实现光谱反射率及其数学变换的SOM含量估测模型构建。模型精度验证指标采用决定系数（R²）和均方根误差（RMSE）。R² 越接近于1，RMSE越接近于0，说明模型预测精度越高。采用相对分析误差（RPD）评价模型的可用性。RPD的计算方法如下：

式中：SD 为验证样本标准差，RMSE 为验证样本均方根误差。RPD≥2.0，说明该模型适用于利用GF-5高光谱数据估算SOM含量；RPD ≤1.4，则说明该模型不可靠；1.4<RPD<2.0，说明该模型较可靠，还可以通过其他的建模方法来提高模型的可靠性^[20]。

2 结果与分析

2.1 不同土壤类型GF-5 光谱反射率特征

将全部的土壤样本按照土类和土属进行划分，同一土类或土属的光谱求取平均后得到其GF-5反射光谱曲线，其中光谱通道193～200（1359～1418nm）和246～262（1805～1940nm）为典型水分吸收带，土壤反射率接近0，将其进行了去除。从图3可见，不同类型土壤反射光谱曲线存在差异，但又有一定的规律性。在第一段曲线 （400～1351nm）中，随着波长的增加，光谱反射率有明显的上升，在1000nm附近出现Fe³⁺ 的吸收谷；第二段曲线（1427～1797nm）中，光谱反射率先显著上升再迅速下降，在1550nm左右产生一个反射率吸收谷，可能是由于AHSI传感器探测地表时受大气水分吸收和仪器信噪比的影响，反射率降低，而在两侧1500和1700nm左右形成两个峰值；第三段曲线（1949～2480nm） 中，土壤反射率先上升后下降，在2100nm左右达到峰值，在2210nm左右又出现一个小的反射率吸收谷。

图3a中SOM平均含量大小顺序为沼泽土> 草甸土> 全样本> 黑土，在1047～2480nm近红外波段范围内，光谱反射率遵循随SOM含量增大而降低的变化规律；但在400～1047nm可见光-近红外波段范围内，光谱反射率并没有完全遵循这个规律，可能与AHSI传感器的信噪比、土壤含水量、地表粗糙度等方面的因素影响有关。图3b中草甸土的3种土属光谱反射率与SOM含量的变化规律与图3a相同。图3c沼泽土的2个土属和图3d黑土的2个土属光谱反射率与SOM含量呈显著负相关，与前人的研究结论相同^[4，21]。草甸土3个土属和沼泽土2个土属同一波段平均光谱反射率相差较小，而黑土2个土属同一波段的平均光谱反射率相差较大。

2.2 土壤有机质含量反演建模与评价

2.2.1 全部土壤样本

本研究通过MATLAB R2016a统计软件对全部土样的142个建模样本光谱反射率及其9个数学变换，建立基于PLSR的敏感波段和全波段SOM含量估测模型，估测模型的精度评价见表3。从表3中可以看出，GF-5高光谱土壤全样本敏感波段SOM含量估测模型精度普遍低于全波段，并没有表现出敏感波段建模精度高于全波段的优势。全波段SOM含量估测模型验证精度不高，相比较而言，全波段反射率对数倒数一阶微分（1/LnR）′的SOM含量估测模型验证精度最高， R²=0.265，RMSE=4.647%，8个主成分，RPD=1.135 （图4）。

2.2.2 草甸土

通过MATLAB R2016a统计软件对草甸土65个建模样本光谱反射率及其9个数学变换，建立基于PLSR的敏感波段和全波段SOM含量估测模型，估测模型的精度评价见表4。从表4中可以看出，草甸土GF-5高光谱敏感波段和全波段SOM含量估测模型验证精度也都较低，甚至低于全部土壤类型的SOM估测精度。全波段反射率对数倒数（1/LnR）的SOM含量估测模型验证精度相对较高，R²=0.052， RMSE=6.224%，9个主成分，RPD=0.840，模型不可用（图5）。

2.2.3 沼泽土

通过MATLAB R2016a统计软件对沼泽土42个建模样本光谱反射率及其9个数学变换分别建立PLSR的敏感波段和全波段SOM含量估测模型，估测模型的精度评价见表5。从表5中可以看出，沼泽土GF-5高光谱敏感波段SOM含量估测模型验证精度略高于全波段，表现出敏感波段建模精度高于全波段的优势。相比较而言，敏感波段反射率对数一阶微分（LnR）’的SOM含量估测验证精度较高，R²=0.376，RMSE=8.543%，7个主成分，RPD=0.905，模型不可用 （图6）。

2.2.4 黑土

通过MATLAB R2016a统计软件对黑土35个建模样本光谱反射率及其9个数学变换分别建立PLSR的敏感波段和全波段SOM含量估测模型，估测模型的精度评价见表6。从表6中可以看出，黑土全波段SOM估测模型验证精度普遍高于敏感波段以及全部类型土壤、草甸土和沼泽土，敏感波段建模精度也没有表现出优于全波段的优势。全波段黑土SOM含量估测模型中，7种反射率数学变换的SOM估测模型 RPD 为1.453～1.850，SOM估测模型基本可用，其中反射率对数一阶微分（LnR）′的SOM含量估测精度最高， R²=0.729，RMSE=1.065%，RPD=1.850，4个主成分（图7）。

3 讨论

星载高光谱数据具有光谱分辨率高、影像覆盖范围广的特点，在土壤理化性质估测和制图方面具有潜在应用价值。目前，许多研究报道SOM含量室内或野外测量光谱预测精度较高，而本研究基于GF-5高光谱卫星影像，按照研究区域全部样本以及不同土壤类型估测的SOM含量精度差异较大。可能的原因主要包括3个方面：一是土壤光谱响应的差异；二是SOM含量光谱估测方法的选择；三是不同土壤类型SOM含量光谱估测差异。

在土壤光谱响应方面，GF-5土壤光谱反射率在1427～1797nm并没有如室内或野外土壤光谱随波长变化呈上升趋势^[21-22]，反而出现了下降，可能是由于受大气和仪器信噪比的影响，卫星成像光谱的数据质量降低；另外，获取的GF-5卫星影像时间正是耕地土壤处于裸露时期，SOM的光谱特征虽然不受植被覆盖的影响，但仍受到土壤水分、表面粗糙度等各种理化性状的综合影响，诸多不确定因素的存在影响了SOM含量估算精度。

在SOM含量光谱估测方法方面，本研究只选择了土壤光谱反射率及9个数学变换参与构建SOM估测模型，今后可以增加土壤光谱指数、水分光谱指数等参与SOM建模^[23-24]，降低土壤水、土壤质地等对SOM估算精度的综合影响；另外，本研究使用PLSR线性模型估测SOM含量，研究表明SOM与土壤光谱特性并非完全呈线性关系^[22]，还需要进一步采用非线性模型估测SOM含量，以期获得精度更高的研究结果。

在不同土壤类型SOM含量光谱估测差异方面，有研究认为不同土壤类型SOM中胡敏酸和富里酸的含量不同，而胡敏酸和富里酸的光谱特性差异很大^[14]，影响土壤属性光谱预测模型的可靠性和普适性^[4，25]。虽然研究区域全部土壤、草甸土、沼泽土的SOM含量高光谱估测精度不高，但全波段黑土SOM含量估测精度较高，因此在采用GF-5光谱估测区域SOM含量时，某个区域的SOM光谱估测精度，并不代表某个土壤类型的SOM光谱估测精度，今后需要加强星载高光谱遥感与野外地面高光谱SOM含量估测结果的对比分析研究，从而进一步剖析部分土壤类型SOM含量估测精度不高的原因。

4 结论

该研究利用黑龙江省建三江农垦区的GF-5高光谱卫星影像，分析了研究区草甸土、沼泽土、黑土3种主要土壤类型及其土属的光谱反射率曲线变化。结果表明，在1047～2480nm近红外波段范围内，SOM含量与反射率呈负相关；但在400～1047nm可见光-近红外波段范围内，可能受到AHSI传感器的信噪比、土壤含水量、地表粗糙度等因素的影响，不同土壤类型光谱反射率并没有完全遵循随SOM含量增大而降低的变化规律。

该研究基于PLSR线性统计模型，估测了研究区全部土壤类型以及草甸土、沼泽土、黑土主要土壤类型敏感波段和全波段光谱数据的SOM含量。结果表明，采用相关系数法结合泊森检验 （P<0.05）确定的敏感波段，在SOM估测精度上并没有表现出高于全波段的优势。虽然研究区全部类型土壤的SOM含量高光谱估测精度均不太理想，但是不同土壤类型SOM含量的估测精度表现出较大的差异，例如，黑土全波段反射率对数一阶微分 （LnR）′的SOM含量估测精度较高，建模精度和验证精度R² 分别为0.967和0.729，RMSE 分别为0.505%和1.065%，RPD 为1.850。因此，按照不同土壤类型估测SOM含量，可以进一步挖掘星载高光谱遥感的应用潜力。

参考文献