張新樂，竇 欣，謝雅慧，劉煥軍,2，王 楠，王 翔，潘 越

?

引入時相信息的耕地土壤有機質遙感反演模型

張新樂1，竇 欣1，謝雅慧1，劉煥軍1,2※，王 楠1，王 翔1，潘 越1

（1.東北農業(yè)大學資源與環(huán)境學院，哈爾濱 150030； 2. 中國科學院東北地理與農業(yè)生態(tài)研究所，長春 130102）

土壤有機質（soil organic matter, SOM）是土壤質量評價的重要指標。監(jiān)測SOM含量及其空間分布對土壤利用與保護、土壤有機碳庫估算等具有重要意義。該文以松嫩平原典型區(qū)為研究區(qū)，采集4種主要土壤類型樣本共147個，獲取裸土期多時相MODIS地表反射率8 d合成產品，以單期、多期影像所構建光譜指數(shù)作為輸入量，構建包含含水量變化與有機質含量信息的多光譜指數(shù)，建立SOM線性回歸遙感反演模型，揭示SOM空間分布規(guī)律。結果表明：由于土壤含水量空間差異隨時間變化，基于單期影像構建的模型主要輸入量發(fā)生規(guī)律性改變，其中年積日137 d裸土條件最好，反演模型最優(yōu)；比值光譜指數(shù)61與SOM顯著相關，而和含水量相關性極小，適于作為反演模型輸入量；基于多期影像構建的模型引入時相信息后，精度與穩(wěn)定性較單期影像模型顯著提高，其中基于年積日137、105 d兩期影像光譜指數(shù)所建立的多元線性模型最優(yōu)；松嫩平原SOM呈現(xiàn)由東北向西南遞減趨勢。

遙感；模型；有機質；MODIS；時相信息；光譜指數(shù)；松嫩平原

0 引 言

土壤有機質（soil organic matter，SOM）是衡量土壤肥力，評價土壤質量的重要指標，SOM可以促進土壤團聚體形成，使土壤疏松，改善土壤的理化性質[1]。SOM也是全球碳循環(huán)的重要指示劑[2]，作為地球陸地表面最大的碳庫[3-4]，土壤碳庫一直以來都是國內外學者關注的對象[5-8]。由于傳統(tǒng)估算土壤有機碳庫的方法仍存在困難，而SOM與土壤有機碳存在定量關系[9]，因此利用遙感手段獲取SOM空間分布規(guī)律可以對土壤有機碳庫的估算提供幫助。

當前對SOM的空間分布預測主要利用地統(tǒng)計法和遙感反演法。然而由于土壤的空間變異顯著，使用地統(tǒng)計法需要大量樣本點的數(shù)據(jù)支撐[10-11]，否則無法保證樣點的代表性。對于空間尺度較大的研究區(qū)，土壤空間分布的復雜程度更高，地統(tǒng)計法誤差會進一步增大。已有研究嘗試將遙感數(shù)據(jù)作為輔助變量和地統(tǒng)計法結合[12-13]，遙感數(shù)據(jù)在研究區(qū)內為地統(tǒng)計法空間插值SOM提供了更多的空間變異信息，這種混合方法建立的SOM預測模型精度相對提高，但在研究區(qū)內仍然需要大量密集采樣點，擴大研究尺度存在困難。

已有研究表明SOM與土壤光譜反射率存在顯著負相關關系[14]，室內及田間高光譜研究已經(jīng)可以準確預測SOM[15-18]，Hill等[19]證明了高光譜、多光譜遙感數(shù)據(jù)均可用于建立SOM定量預測模型，這為利用遙感反演SOM提供了理論依據(jù)。但是由于受到水分變化，秸稈覆蓋，以及地形等因素影響，利用遙感進行SOM空間分布預測的精度受到一定限制。

因此，目前相關SOM空間分布預測研究多為小尺度研究區(qū)范圍。Chen等[20]利用可見光波段亮度值建立土壤有機碳模型，并繪制了田塊尺度的有機碳空間分布圖。Fox等[21]通過構建樣點距離最小亮度像元的紅、近紅外波段亮度值所得的“距離”，建立其與SOM的關系，并據(jù)此對SOM進行預測，但由于該研究條件是含水量變化幅度小，因此只適用于小尺度研究區(qū)。土壤水分會對土壤反射率造成一定影響，進而影響SOM遙感反演的精度。為此，吳才武等[22]利用普通克里格法對土壤水分進行空間插值，將得到的水分信息與MODIS影像紅波段作為輸入量進行多元線性建模，在一定程度上消除了水分影響，但由于使用了地統(tǒng)計法，研究尺度受到大量密集采樣點的限制，該方法研究范圍難以擴大。劉煥軍等[23]基于TM影像2、3、4波段建立了黑土典型區(qū)遙感反演指數(shù)模型，研究區(qū)尺度較大，但其前提條件是研究區(qū)嚴重干旱，表明大尺度SOM空間含量預測仍然受到降水及降水差異所導致的地塊間差異等各種因素限制。

松嫩平原是中國重要的商品糧基地，整體地勢平坦，無較大起伏，且作物一年一熟，裸土時間長，保護性耕作少，秸稈覆蓋小，易獲取多期衛(wèi)星遙感影像，可用于土壤遙感研究。本研究以松嫩平原典型區(qū)裸土期耕地為研究對象，基于多波段光譜反射率及其構建的光譜指數(shù)，選擇單期、多期MODIS影像以加入時相信息（含水量變化信息或SOM含量信息），綜合不同時相影像優(yōu)勢，減小土壤水分及地表覆蓋物對SOM預測的影響，提高區(qū)域反演SOM的精度。利用多元線性回歸模型對SOM進行反演，探討大尺度SOM遙感反演方法，揭示松嫩平原SOM空間分布規(guī)律，為估算土壤有機碳庫提供支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為松嫩平原黑龍江省境內的北半部，位于大小興安嶺、長白山脈及松遼分水嶺之間，范圍介于122°23′～128°15′E，44°3′～49°12′N之間，主要由松花江、嫩江兩江沖積而成，整體地勢相對平坦，耕地面積大，土地肥沃，有機質含量高，作物一年一季，是中國重要的商品糧基地。屬溫帶大陸性半濕潤、半干旱季風氣候，年降水量400～600 mm。土壤主要類型為暗棕壤、黑土、黑鈣土、風砂土、草甸土等，其中黑土、黑鈣土占比超過60%，有機質含量較高，持水能力好。風砂土主要分布于研究區(qū)西南部，有機質含量較低，持水能力差。草甸土位于相對低地勢地區(qū)，分布于其他土類之間。研究區(qū)從4月初到5月末為裸土期，為遙感影像的獲取提供了有利條件。

1.2 土樣采集與處理

2014-5-15—2014-5-20，在作物出苗前后，選取4種典型土壤(黑土、黑鈣土、風砂土、草甸土)于松嫩平原13縣市境內進行樣本采集。由于本研究為區(qū)域尺度，為保證采樣點的有機質含量能夠代表采樣點附近一定空間內的土壤有機質水平，因此選擇地勢相對平坦開闊的耕地區(qū)域采集，認為可以代表該點附近的土壤有機質含量。同時，為了方便獲取不同土類不同有機質含量的土壤樣本，沿垂直土壤帶進行采集。采集時，均勻地采集0～20 cm的耕層土壤，因為其測得的有機質含量不易受耕作時間的干擾，能夠代表足夠長時期內的地表有機質水平。共采集土壤不同土類樣本147個，其中黑土34個，黑鈣土74個，風砂土29個，草甸土10個（樣點分布見圖1），同時利用GPS記錄采樣點經(jīng)緯度及土壤類型，并對樣點進行多角度拍照記錄。根據(jù)4種土類的地理分布特點，樣本中黑土多采集于研究區(qū)東北部的北安、克東、拜泉，風砂土多采集于西南部的杜爾伯特，其余縣市主要采集黑土和草甸土。室內將147個土樣研磨、風干、過2 mm篩，用重鉻酸鉀容量法測定SOM含量（見表1），用于SOM反演。然后從其中挑出不同土類樣本各1個，共計4個樣本，進行水分調配，方法見文獻[24]。最終得到16個草甸土樣本、11個風砂土樣本、11個黑鈣土樣本、15個黑土樣本，共53個不同含水量樣本，然后對其進行反射光譜測試。

圖1 土壤采樣點及氣象站點分布圖

表1 土壤有機質描述統(tǒng)計量

1.3 實驗室反射光譜測試與處理

對4種土類共53個不同含水量樣本進行實驗室反射光譜測試，具體測試條件與數(shù)據(jù)處理方法，以及不同含水量土壤反射光譜曲線圖見文獻[25]及該文獻中圖1。在ENVI 5.1環(huán)境下利用光譜重采樣功能將光譜曲線按照MODIS地表反射率產品波段（1～7）進行重采樣。

1.4 影像處理

MODIS傳感器搭載于Terra，Aqua兩顆太陽同步極軌衛(wèi)星，分別于地方時10:30，13:30過境，兩幅影像在時間上形成互補，易獲得無云影像。研究區(qū)范圍大，而MODIS影像具有高空間、高時間分辨率且圖幅寬度大的優(yōu)勢，同時其光譜分辨率高，共36個波段，其中1~7波段為地表反射率產品（1：620～670 nm，2：841～875 nm，3：459～479 nm，4：545～565 nm，5：1 230～1 250 nm，6：1 628～1 652 nm，7：2 105～2 155 nm)，適于作為本研究的遙感數(shù)據(jù)源。本研究所使用MODIS地表反射率為原始反射率擴大10 000倍后的值。獲取研究區(qū)2014年4月初至5月末研究區(qū)裸土期MODIS數(shù)據(jù)（MOD09A1：Terra衛(wèi)星500 m地表反射率8d合成產品。MYD09A1：Aqua衛(wèi)星500 m地表反射率8d合成產品）共8幅（http://reverb.echo.nasa.gov/reverb），對應年積日（從當年1月1日起開始計算的連續(xù)天數(shù)）分別為89、97、105、113、121、129、137、145 d，具體日期見表2

表2 影像采集時間

1.5 氣象數(shù)據(jù)處理

根據(jù)研究區(qū)覆蓋范圍，選擇北安、富裕、明水、林甸4個主要氣象站點（位置見圖1），從中國氣象局氣象數(shù)據(jù)中心網(wǎng)站（http://data.cma.cn/）獲取研究時段每日20~20時降水數(shù)據(jù)，并對降水數(shù)據(jù)按照相應MODIS 8d合成地表反射率產品日期進行8d累計計算并記錄于表3。

1.6 光譜指數(shù)構建

將MODIS地表反射率數(shù)據(jù)按照波長從小到大重新排列為3<4<1<2<5<6<7?，F(xiàn)有SOM反演研究大多僅以反射率為輸入量建立模型，為了盡可能地探索MODIS地表反射率數(shù)據(jù)反演SOM的潛力，對各波段反射率進行差值、比值等數(shù)學運算，構建一系列光譜指數(shù)，分析SOM與光譜指數(shù)的相關關系，用于反演模型建立。

表3 氣象站點降水數(shù)據(jù)

單期影像光譜指數(shù)構建：定義波段反射率為ρ，對MOIDS數(shù)據(jù)7波段反射率進行數(shù)學變換，得到反射率差D，差值歸一化指數(shù)NDρ，反射率比R，相鄰3個波段反射率夾角正切tan，其中，、、為波段代號（見圖2a）。

多期影像光譜指數(shù)構建：不同時期相同波段差Dρ，不同時期相同波段比Rρ，不同時期某一波段差與另一波段差的差Dρ，不同時期某一波段比與另一波段比的比Rρ（見圖2b）。多期影像光譜指數(shù)可以用于表征含水量變化信息。各光譜指數(shù)具體計算方法如表4所示。

注：D61表示6波段與1波段的差，R61表示6波段與1波段的比，tan412表示4、1、2波段夾角正切。Tm表示年積日m天，Tn表示年積日n天，DTm-Tn_ρ7表示m天與n天7波段的差，RTm-Tn_ρ5表示m天與n天5波段的比，DTm-Tn_ρ64表示m天與n天6波段的差和4波段的差的差，RTm-Tn_ρ21表示m天與n天2波段的比和1波段的比的比。反射率為原始反射率擴大10 000倍后的值，圖3同。

1.7 模型建立與驗證

為避免信息冗余，采用多元線性逐步回歸方法，從采集的147個土壤樣本中按照建模集與驗證集1:1的比例從中隨機選取建模樣本74個，驗證樣本73個，以SOM含量作為因變量，以樣點所在影像像元的反射率及其構建的光譜指數(shù)作為自變量，進行SOM反演建模，將選擇最優(yōu)輸入量組建多元線性模型。使用穩(wěn)定性和精度2個指標評價模型預測SOM的優(yōu)劣。模型穩(wěn)定性用決定系數(shù)（2）檢驗，2越大、模型越穩(wěn)定；精度用均方根誤差（RMSE）檢驗，RMSE越小、模型精度越高。

表4 單期、多期影像光譜指數(shù)計算公式

注：ρ表示波波段反射率，D表示、波段的差，NDρ表示、波段差值歸一化指數(shù)，R表示、波段的比，k表示波段和波段連線的斜率。

Note:ρrepresents the reflectance of band.Drepresents the difference between bandand band. NDρrepresents normalized differential index of the difference between bandand band.Rrepresents the ratio of bandto band.krepresents the slope of the connecting line between bandand band.

2 結果與分析

2.1 MODIS土壤反射率特征分析

不同時期MODIS反射率由于降水等因素，反射率發(fā)生明顯變化，5、6、7變化尤為顯著（見圖3a，樣點采集于林甸縣）。對照氣象數(shù)據(jù)（表3）可以發(fā)現(xiàn)，89～121 d期間林甸降水極少，即土壤水分主要處于殘存融化雪水的蒸發(fā)期，土壤水分逐漸減少、整體土壤反射率逐漸增大，這與土壤實驗室反射率光譜曲線隨含水量變化規(guī)律一致[25-26]。129 d由于出現(xiàn)較大降水，土壤含水量增加，其反射率光譜曲線相比于121 d出現(xiàn)明顯下降。137 d降水量較129 d顯著減小，光譜曲線相比129 d有所上升。此外，由于137 d左右研究區(qū)整體翻耕完畢，完成播種，作物陸續(xù)出芽，反射率曲線中1、2的差值從137 d開始略微增大，即受到綠色植被對紅波段的吸收和對近紅外波段的反射作用影響。

圖3 土壤反射率光譜曲線

以年積日137 d為例，從圖3b可以看出，對于不同SOM含量反射率光譜曲線，雖然受到作物出芽影響，但由于幼苗覆蓋度小，對1紅波段的吸收作用并不明顯。整體反射率、尤其是可見光波段隨著SOM增大而減小的趨勢得以保留。由于5、6、7均位于土壤光譜在1 400、1 900、2 200 nm的3個典型水分吸收帶[27]附近，受水分影響相對較大，光譜曲線并不完全遵循反射率隨SOM增大而降低這一規(guī)律。

2.2 實驗室不同含水量土壤反射率特征分析

圖4為同一土壤樣本進行水分調配后，按照MODIS 1～7波段范圍進行了重采樣的光譜曲線。從圖中可以看出，隨著含水量的增加，土壤反射率出現(xiàn)整體下降趨勢。含水量變化對5、6、7波段反射率值的影響大于3、4、1、2波段。

注： 反射率為原始反射率擴大10倍后的值。

2.3 單期MODIS影像SOM預測模型

如表5所示，單期模型主要輸入量隨日期變化而出現(xiàn)明顯差別。年積日89～121 d，模型主要輸入量為可見光波段，其中89、97兩期主要輸入量為3（藍波段），105、113兩期為3、4所形成光譜指數(shù)43，121d為1（紅波段）。129～145期主要輸入量由單一可見光波段變?yōu)楣庾V指數(shù)61。通過相關性分析（見表6）發(fā)現(xiàn)，89、97兩期的可見光波段（3、4、1）與SOM相關性基本相同，97d3、4相關性略高于1，該時期處于松嫩平原雪水蒸發(fā)階段。105、113期43與SOM相關性高于其他波段。從121d開始，1與SOM相關性開始為各期波段反射率中最高，這與實驗室測得的典型黑土區(qū)裸土SOM響應波段范圍620～810 nm[28]結果一致，表明此時段內裸土信息開始增強。而從129 d開始到145 d，光譜指數(shù)61與SOM相關性高于各波段反射率及其他光譜指數(shù)，通過表3可以發(fā)現(xiàn)，從129 d開始，研究區(qū)各氣象站點均監(jiān)測到較大水量降水，即土壤水分影響增大。而光譜指數(shù)61是基于6、1構建，其中6位于水分吸收帶附近，包含了一定的水分含量信息，1為SOM響應波段，表達SOM含量信息，6、1經(jīng)過比值運算后形成的光譜指數(shù)61表達了在一定土壤含水量水平下的SOM含量。

表5 基于單期影像的反演模型

表6 主要輸入量與SOM相關系數(shù)

注：**表示在0.01水平上顯著相關，=147。

Note:**represents the significant at<0.01 level,=147.

單期影像二元線性模型主要輸入量多為與SOM相關性最高的光譜指數(shù)，次要輸入量多為5、6、7與可見光波段所形成的光譜指數(shù)，分別表征有機質和水分信息。二元模型在一定程度上修復了研究區(qū)土壤含水量空間變異，相較于一元模型，二元模型穩(wěn)定性與精度有所提高，其中以137 d二元模型穩(wěn)定性與精度為各期中最高。

2.4 多期MODIS影像SOM預測模型

由表7可以看出，兩期模型主要輸入量與單期一致，多為和SOM相關性最高的波段反射率或光譜指數(shù)，次要輸入量既有基于兩期影像構建的光譜指數(shù)R145-T121_23，用來表達含水量變化的時相信息，也有基于另一期影像的波段反射率1057，用來表征土壤水分和SOM?；趦善贛ODIS影像所建模型的穩(wěn)定性與精度普遍高于單期模型。其中，最優(yōu)模型2為0.68，較單期模型中最優(yōu)的137期2有所提高，而建模、驗證RMSE分別為0.84、0.84，較單期模型顯著降低。

通過對比單期、多期模型（表5、表7）可以發(fā)現(xiàn)，基于兩期MODIS影像所建立預測模型穩(wěn)定性與精度普遍優(yōu)于單期影像預測模型。

表7 基于兩期影像的SOM遙感反演最優(yōu)模型

注：973左上角標為年積日，即第97天波段3的反射率。

Note:973means the reflectance of band3 on the 97thday and the left superscript represents the days of year.

2.5 模型殘差分析

計算137、105 d一元模型及基于137、105兩期影像所建模型樣本點殘差，分別取殘差最大的15個（10%）樣本點，繪制分布圖（圖5），發(fā)現(xiàn)105期較大殘差空間分布均勻，137 d較大殘差主要分布在松嫩平原西南部SOM含量較低地區(qū)。據(jù)降水數(shù)據(jù)顯示（表3），105 d及以前，研究區(qū)基本無降水，137 d前后各區(qū)域普遍降水。西南區(qū)SOM含量較低，主要分布風砂土，光譜曲線對含水量變化反應較為敏感，受水分影響大，使該區(qū)域出現(xiàn)較大誤差?；?37、105兩期影像構建的模型綜合了137 d主要變量與SOM相關性高的優(yōu)勢，同時105 d土壤水分較少，對5、6、7波段影響小，105 d7作為次要變量，使殘差分布較137 d更為均勻，增強了137、105兩期影像的預測模型穩(wěn)定性與精度，減小了降水造成的空間差異影響。

2.6 松嫩平原土壤有機質空間分布特征

選擇兩期最優(yōu)模型（公式1，2為0.68）反演SOM，為確保反演所用地表反射率均為土壤反射率，利用耕地邊界范圍對影像進行裁剪，并作SOM空間分布圖。從松嫩平原典型區(qū)土壤有機質遙感反演圖（圖6）可以看出，松嫩平原有機質含量東北高、西南低。東北部緯度高，常年嚴寒環(huán)境固定了大量腐殖質，增加了土壤中有機質含量，廣泛分布著有機質含量較高的黑土、黑鈣土等；西南地區(qū)為沖積平原，同時分布著較多牧區(qū)，河水沖擊及過度放牧導致水土流失及土地沙化、鹽堿化嚴重。

圖6 研究區(qū)SOM遙感反演圖

3 討 論

利用MODIS數(shù)據(jù)建立的單期、多期模型，穩(wěn)定性與精度均可達到有機質快速監(jiān)測要求。本文利用1:1的建模與驗證樣本策略，結果顯示RMSE驗證值與建模值差異不大，有的更小，說明模型穩(wěn)定性好，也證明本研究的采樣點布設較合理。盡管SOM反演所使用影像為研究區(qū)裸土期影像，但研究區(qū)土壤實際上經(jīng)歷雪水融化后蒸發(fā)、土壤翻耕、播種出苗等不同階段變化，導致不同時相MODIS影像裸土條件及含水量不盡相同，所建反演模型輸入量也隨之發(fā)生規(guī)律性變化。121 d以前的土壤含水量空間差異小，因為那段時間沒下雨。而129 d以后，降雨加之不同地塊翻耕的時間不同，表層土壤含水量空間差異大，但翻耕后裸土信息更多，秸稈等因素影響小。因此，前期模型輸入量是SOM光譜響應波段，后期模型輸入量為波段比值，比值光譜指數(shù)一定程度上減小了含水量對SOM反演精度的影響。

單期模型中137 d二元模型穩(wěn)定性與精度最高，該時期研究區(qū)范圍內普遍完成翻耕播種，秸稈影響基本消失，即使由于播種時間早晚原因而導致部分地塊優(yōu)先出苗，其裸土條件相比于秸稈覆蓋期仍然最好。如圖7所示，年積日140 d時翻耕播種完成，即使部分地塊作物出苗，但其超低覆蓋度對裸土影響較小。

利用多期不同時相MODIS影像進行建模，模型精度與穩(wěn)定性普遍優(yōu)于單期模型。最優(yōu)模型基于137、105兩期影像構建，主要輸入量為137d61，與SOM相關性最高。計算實驗室不同含水量MODIS波段重采樣光譜反射率數(shù)據(jù)的光譜指數(shù)61及其與土壤含水量的相關系數(shù)，得到其相關系數(shù)為0.24，且二者相關系數(shù)未達到顯著水平，這是因為土壤含水量對近紅外波段反射率的影響顯著大于可見光波段[29]，近紅外波段與可見光波段比值化形成的比值光譜指數(shù)減小了土壤水分的影響，因此，61作為主要輸入量在一定程度上減小了土壤水分對SOM反演的影響。次要輸入量為105 d7（2 105～2 155 nm），105 d單期影像反演模型精度不高，但其地表含水量為各期中較少，地塊間土壤含水量差異小。經(jīng)分析發(fā)現(xiàn)，實驗室水分調配樣本反射率重采樣的7波段與土壤水分含量相關系數(shù)為0.89，且達到顯著相關水平，這和霍艾迪等[30]研究發(fā)現(xiàn)的MODIS的7波段與土壤水分具有較好相關性的結果一致，即7可以表征土壤水分。105d研究區(qū)整體土壤含水量較少，處于雪水蒸發(fā)階段，有機質越高的土壤保水能力越強，因此，7間接表達了SOM信息。105 d7作為次要輸入量為不同時相模型補充了SOM信息，進一步減小了降水對137 d單期模型反演的影響、達到消除水分影響的效果，提高了模型的穩(wěn)定性與精度。多期次優(yōu)模型基于145、121 d兩期影像建立，主要輸入量同樣為61，次要輸入量變?yōu)榛趦善谟跋駱嫿ǖ墓庾V指數(shù)R145-T121_23，表達了兩期間的含水量變化，模型精度與穩(wěn)定性較145、121單期模型同樣顯著提升，消除了水分影響。因此，相比于單期影像，多時相影像的優(yōu)勢在于可以充分利用不同時期影像的優(yōu)勢，一方面裸土條件好的影像可以與地塊間水分少的影像結合，起到減少水分影響，充分表達有機質信息的作用，如137 d與105 d所構建的模型。另一方面，兩期影像可以通過所構建的多期光譜指數(shù)來表征含水量變化，直接作為模型考慮因素，作為次要輸入量，達到消除水分影響的目的，如145與121 d所構建的模型。本研究所進行的室內水分調配樣本的光譜測定與分析，從實驗室角度探尋了水分變化對土壤光譜曲線的影響機理，進一步解釋了水分對土壤光譜曲線的作用結果，并對模型輸入量的選擇起到了解釋作用。

圖7 采樣點照片（年積日140天）

由于數(shù)據(jù)為8d合成，每期影像像元年積日存在差異且研究區(qū)尺度較大，土壤水分等引起的地塊空間差異顯著，以往針對SOM的遙感反演研究僅使用單期遙感影像的可見光波段反射率，反演模型精度會因此受到限制。本研究基于多期影像建立的SOM反演模型相比于前人僅基于波段反射率的單期影像反演模型[20-21,23]，在充分考慮裸土條件隨年積日變化的基礎上，選擇了不同時相遙感影像建立模型，構建了受含水量影響較小的光譜指數(shù)，引入的時相信息表征SOM或含水量變化信息，綜合了不同時期MODIS影像的優(yōu)勢（如137 d土壤裸露條件好，105 d土壤水分含量空間差異?。狗囱菽Ｐ头€(wěn)定性與精度得到提高。

雖然137d遙感反演條件較優(yōu)，單期、多期反演精度較高，但該時段研究區(qū)部分水田已開始注水，導致水田區(qū)域反演精度降低，從圖6中可以看出，少量地塊空間變化異質性明顯，為水田區(qū)域。不同土類光譜曲線仍存在差異，松嫩平原土類眾多，由于采樣點數(shù)量的限制，本研究沒能分土類對有機質進行分別建模，因此引入土壤類型因素，提高反演精度，是下一步研究目標。

4 結 論

本研究基于多時相MODIS影像，構建考慮時相信息的光譜指數(shù)，對區(qū)域土壤有機質SOM含量進行反演，得出如下結論：

1）區(qū)域SOM遙感反演模型主要輸入量隨時間變化而發(fā)生規(guī)律性改變，當土壤含水量空間差異較小時，模型輸入量為SOM光譜響應波段；當土壤含水量空間差異較大時，模型輸入量為6波段與1波段的比值61，比值光譜指數(shù)與土壤水分相關性很低而與SOM極顯著相關，減小了土壤含水量對反射率的影響，能夠減少含水量對SOM反演精度的影響。

2）單期模型中，由于137 d土壤表面覆蓋物最少，其穩(wěn)定性與精度最高（2為0.67，建模、驗證RMSE分別為0.86、0.95），適于SOM反演；基于137與105兩期影像所建模型2為0.68，建模、驗證RMSE分別為0.84、0.84，多時相影像反演SOM，引入了時相信息，進一步消除了土壤含水量的影響，可以顯著提高反演精度，兩期模型精度與穩(wěn)定性優(yōu)于單期模型。

3）松嫩平原SOM由東北向西南呈遞減趨勢。

本研究SOM遙感反演結果可以為松嫩平原土壤退化評估、土地利用保護及土壤碳庫估算提供支持。

[1] Six J, Paustian K. Aggregate-associated soil organic matter as an ecosystem property and a measurement tool [J]. Soil Biology & Biochemistry, 2014, 68(1): A4－A9.

[2] Marchant B P, Villanneau E J, Arrouays D, et al. Quantifying and mapping topsoil inorganic carbon concentrations and stocks: Approaches tested in France[J]. Soil Use & Management, 2015, 31(1): 29－38.

[3] García-Oliva F, Masera O R. Assessment and measurement issues related to soil carbon sequestration in land-use, land-use change, and forestry (LULUCF) Projects under the Kyoto Protocol[J]. Climatic Change, 2004, 65(3): 347－364.

[4] Scharlemann J P, Tanner E V , Hiederer Roland. Global soil carbon: Understanding and managing the largest terrestrial carbon pool[J]. Carbon Management, 2014, 5(1): 81－91.

[5] Guerra-Santos J J, Cerón-Bretón R M, Julia Cerón-Bretón G, et al. Estimation of the carbon pool in soil and above-ground biomass within mangrove forests in Southeast Mexico using allometric equations[J]. Journal of Forestry Research, 2014, 25(1): 129－134.

[6] Abu-Hashim M, Elsayed M, Belal A E.Effect of land-use changes and site variables on surface soil organic carbon pool at Mediterranean Region[J]. Journal of African Earth Sciences, 2016, 114: 78－84.

[7] 王海候，金梅娟，陸長嬰，等. 秸稈還田模式對農田土壤碳庫特性及產量的影響[J]. 自然資源學報，2017，32(5)：755－764.

Wang Haihou, Jin Meijuan, Lu Changying, et al. Effects of patterns of returning straw to field on soil carbon pool and yield in rice-wheat double cropping systems[J]. Journal of Natural Resources, 2017, 32(5): 755－764. (in Chinese with English abstract)

[8] 韓可欣，禹樸家，韓東亮，等. 開墾年限對松嫩堿化草地土壤碳庫的影響[J]. 土壤通報，2017，48(1)：127－133.

Han Kexin, Yu Pujia, Han Dongliang, et al. Effect of cultivation chronosequence on the dynamics of soil carbon pool in songnen alkaline grassland[J]. Chinese Journal of Soil Science, 2017, 48(1): 127－133. (in Chinese with English abstract)

[9] Nelson D W, Sommers L E, Sparks D L, et al.Total carbon, organic carbon, and organic matter[J]. Methods of Soil Analysis Part: Chemical Methods, 1982, 9: 961－1010.

[10] Webster R, Oliver M A. Sample adequately to estimate variograms of soil properties[J]. European Journal of Soil Science, 1992, 43(1): 177－192.

[11] Zhu A X. Measuring uncertainty in class assignment for natural resource maps under fuzzy logic[J]. Photogrammetric Engineering & Remote Sensing, 1997, 63(10): 1195－1202.

[12] Wu C F, Wu J P, Luo Y M. Spatial prediction of soil organic matter content using cokriging with remotely sensed data[J]. Soilence Society of America Journal, 2009, 73(4): 1202－1208.

[13] Mirzaee S, Ghorbani-Dashtaki S, Mohammadi J. Spatial variability of soil organic matter using remote sensing data[J]. Catena, 2016, 145: 118－127.

[14] Bendor E, Banin A. Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties[J]. Soil Science Society of America, 1995, 59(2): 364－372.

[15] Bilgili A V, Es H M, Akbas F, et al. Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey[J]. Journal of Arid Environments, 2010, 74(2): 229－238.

[16] Liu H J, Zhang Y Z, Zhang B. Novel hyperspectral reflectance models for estimating black-soil organic matter in Northeast China[J]. Environmental Monitoring & Assessment, 2009, 154: 147－154.

[17] 張娟娟，田永超，朱艷，等. 不同類型土壤的光譜特征及其有機質含量預測[J]. 中國農業(yè)科學，2009，42(9)：3154－3163.

Zhang Juanjuan, Tian Yongchao, Zhu Yan, et al. Spectral characteristics and estimation of organic matter contents of different soil types[J]. Scientia Agricultura Sinica, 2009, 42(9): 3154－3163. (in Chinese with English abstract)

[18] 何東健，陳煦. 土壤有機質含量田間實時測定方法[J]. 農業(yè)機械學報，2015，46(1)：127－132.

He Dongjian, Chen Xi. Real-time measurement of soil organic matter content in field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 127－132. (in Chinese with English abstract)

[19] Hill J, Schütt B. Mapping complex patterns of erosion and stability in dry mediterranean ecosystems[J]. Remote Sensing of Environment, 2000, 74(3): 557－569.

[20] Chen F, Kissel D E, West L T. Field-scale mapping of surface soil organic carbon using remotely sensed imagery[J]. Soil Science Society of America Journal, 2000, 64(2): 746－753.

[21] Fox G A, Sabbagh G J. Estimation of soil organic matter from red and near-infrared remotely sensed data using a soil line euclidean distance technique[J]. Soil Science Society of America Journal, 2002, 66(6): 1922－1927.

[22] 吳才武，張月叢，夏建新. 基于地統(tǒng)計與遙感反演相結合的有機質預測制圖研究[J]. 土壤學報，2016，53(6)：1568－1575.

Wu Caiwu, Zhang Yuecong, Xia Jianxin. Prediction and mapping of soil organic matter based on geostatistics and remote sensing inversion[J]. Acta Pedologica Sinica, 2016, 53(6): 1568－1575. (in Chinese with English abstract)

[23] 劉煥軍，趙春江，王紀華，等. 黑土典型區(qū)土壤有機質遙感反演[J]. 農業(yè)工程學報，2011，27(8)：211－215.

Liu Huanjun, Zhao Chunjiang, Wang Jihua, et al. Soil organic matter predicting with remote sensing image in typical blacksoil area of Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(8): 211－215. (in Chinese with English abstract)

[24] Liu H J, Zhang Y Z, Zhang X L, et al. Quantitative analysis of moisture effect on black soil reflectance[J]. Pedosphere, 2009, 19(4): 532－540.

[25] 金慧凝，張新樂，劉煥軍，等. 基于光譜吸收特征的土壤含水量預測模型研究[J]. 土壤學報，2016，53(3)：627－635.

Jin Huining, Zhang Xinle, Liu Huanjun, et al. Soil moisture predicting model based on spectral absorption characteristics of the soil[J]. Acta Pedologica Sinica, 2016, 53(3): 627－635. (in Chinese with English abstract)

[26] 于雷，朱亞星，洪永勝，等. 高光譜技術結合CARS算法預測土壤水分含量[J]. 農業(yè)工程學報，2016，32(22)：138－145.

Yu Lei, Zhu Yaxing, Hong Yongsheng, et al. Determination of soil moisture content by hyperspectral technology with CARS algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 138－145. (in Chinese with English abstract)

[27] Bowers S, Hanks R. Reflection of radiant energy from soil[J]. Soil Science, 1965, 100(2): 130－138.

[28] 劉煥軍，張柏，趙軍，等. 黑土有機質含量高光譜模型研究[J]. 土壤學報，2007，44(1)：27－32.

Liu Huanjun, Zhang Bai, Zhao Jun, et al. Spectral models for prediction of organic matter in black soil[J]. Acta Pedologica Sinica, 2007, 44(1): 27－32. (in Chinese with English abstract)

[29] 劉洋，丁瀟，劉煥軍，等. 黑土土壤水分反射光譜特征定量分析與預測[J]. 土壤學報，2014，51(5)：1021－1026.

Liu Yang, Ding Xiao, Liu Huanjun, et al. Quantitative analysis of reflectance spectrum of black soil as affected by soil moisture for prediction of soil moisture in black soil[J]. Acta Pedologica Sinica, 2014, 51(5):1021－1026. (in Chinese with English abstract)

[30] 霍艾迪，康相武，張廣軍，等. 基于MODIS數(shù)據(jù)的毛烏素沙地土壤水分模型的建立[J].干旱地區(qū)農業(yè)研究，2010，28(4)：19－23.

Huo Aidi, Kang Xiangwu, Zhang Guangjun, et al. Study on soil moisture model in Mu Us desert using MODIS image[J]. Agricultural Research in the Arid Areas, 2010, 28(4):19－23. (in Chinese with English abstract)

Remote sensing inversion model of soil organic matter in farmland by introducing temporal information

Zhang Xinle1, Dou Xin1, Xie Yahui1, Liu Huanjun1,2※, Wang Nan1, Wang Xiang1, Pan Yue1

(1,,150030,; 2,,130102,)

Soil organic matter (SOM) is an important index to evaluate soil quality. The monitoring of SOM content and its spatial distribution is of great significance to soil utilization, soil conservation, estimation of soil organic carbon pool, and so on. It is difficult to estimate the reserves of soil organic carbon pool by using traditional methods. Early studies showed that there was a significant negative correlation between SOM and soil spectral reflectance, and there was a quantitative relationship between SOM and soil organic carbon, so we can estimate the SOM content by remote sensing and it will provide help to estimate the soil organic carbon pool. In this paper, 4 main soil types (black soil, chernozem soil, meadow soil and aeolian sand) were collected as sampling points in the typical area of Songnen Plain to construct prediction model for estimating the SOM content in the study area. The number of the soil sampling points was 147. Half of the sampling points (74 samples) were used to serve as calibration set and other sampling points (73 samples) were used to serve as validation set. The remote sensing inversion model was established to reveal the spatial distribution of SOM in the study area. To improve the accuracy and stability of inversion model and find the optimal model, spectral indices based on single MODIS image or multi MODIS images during the bare soil period, which could contain temporal information of the variation of soil moisture content and SOM content, were introduced into the multiple linear regression model. The results showed that the 8-day data of surface reflectance (MOD09A1 and MYD09A1) could be used to estimate the SOM content of different types of soils in Songnen Pain, Northeast China. The primary input variable of the model changed regularly, because the bare soil condition changed with the variation of date. Furthermore, because the condition of bare soil was the optimal, the prediction model based on the MODIS image on the 137thday in the year was the best among the models based on single MODIS image. The ratio of spectral index R61 (the ratio of Band 6 to Band 1) is significantly related to SOM, but it has little correlation with soil moisture, so it can eliminate the influence of soil moisture to a certain degree.61is suitable as a primary input variable for the inversion model to estimate SOM by using remote sensing method. The accuracy and stability of models based on multi MODIS images were generally better than the models based on single MODIS image. The model based on multi MODIS images on the 137thand 105thday in the year is the best among all models, and its2is 0.68, and its RMSE (root mean square error) is 0.84 for calibration set and 0.84 for validation set. The SOM content in Songnen Plain showed a decreasing trend from northeast to southwest. This study provides a rapid and nondestructive method to estimate SOM content in a large scale. Moreover, the results of remote sensing inversion give supports for soil degradation assessment, land use, and estimation of soil carbon pool.

remote sensing; models; organic matter; MODIS; temporal information; spectral index; Songnen Plain

2017-10-13

2018-02-03

國家自然科學基金項目（41501357）；國家自然科學基金項目（41671438）；“中國科學院東北地理與農業(yè)生態(tài)研究所”引進優(yōu)秀人才項目資助

張新樂，副教授，博士，主要研究方向為生態(tài)遙感。Email：xinlezhang@yeah.net

劉煥軍，副教授、研究員，博士，主要研究方向為農業(yè)遙感。Email：liuhuanjun@neigae.ac.com

10.11975/j.issn.1002-6819.2018.04.017

S127; TP79

A

1002-6819(2018)-04-0143-08

張新樂，竇 欣，謝雅慧，劉煥軍，王 楠，王 翔，潘 越. 引入時相信息的耕地土壤有機質遙感反演模型[J]. 農業(yè)工程學報，2018，34(4)：143－150.doi：10.11975/j.issn.1002-6819.2018.04.017 http://www.tcsae.org

Zhang Xinle, Dou Xin, Xie Yahui, Liu Huanjun, Wang Nan, Wang Xiang, Pan Yue. Remote sensing inversion model of soil organic matter in farmland by introducing temporal information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 143－150. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.04.017 http://www.tcsae.org