周倩倩 丁建麗? 唐夢(mèng)迎 楊 斌

（1 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院智慧城市與環(huán)境建模自治區(qū)普通高校重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830046）

（2 綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830046）

（3 武警黃金第八支隊(duì)，烏魯木齊 830057）

土壤有機(jī)質(zhì)是土壤的重要組成部分，是各種營養(yǎng)元素的重要來源，作為土壤肥力的重要指標(biāo)可以影響土壤的其他理化性質(zhì)［1］。因此，土壤有機(jī)質(zhì)的研究成為土壤學(xué)的研究熱點(diǎn)之一［2］。土壤有機(jī)質(zhì)含量快速、高精度的區(qū)域化估測(cè)，對(duì)干旱區(qū)鹽漬地農(nóng)業(yè)的可持續(xù)發(fā)展具有重要意義。如何滿足現(xiàn)代精準(zhǔn)農(nóng)業(yè)和區(qū)域土壤調(diào)查的要求，實(shí)現(xiàn)快速、準(zhǔn)確、實(shí)時(shí)的土壤有機(jī)質(zhì)監(jiān)測(cè)變得十分重要。

國內(nèi)外針對(duì)土壤有機(jī)質(zhì)含量的估算已有大量研究，傳統(tǒng)的土壤化學(xué)分析法是將野外采集的土樣風(fēng)干、研磨、過篩后通過各種儀器和藥品在實(shí)驗(yàn)室內(nèi)進(jìn)行測(cè)定，需要耗費(fèi)巨大的人力、物力、財(cái)力，而遙感技術(shù)具有圖像信息豐富、數(shù)據(jù)獲取方便、成本低等優(yōu)點(diǎn)，可以在短時(shí)間內(nèi)獲取較為完整的土壤反射率信息。國內(nèi)外已有部分研究是利用可見光-近紅外對(duì)有機(jī)質(zhì)含量進(jìn)行估測(cè)［3-5］，研究表明，土壤光譜在可見光部分與有機(jī)質(zhì)含量的相關(guān)性優(yōu)于近紅外部分，可見光-近紅外光譜可以實(shí)現(xiàn)土壤有機(jī)質(zhì)的估算。眾多學(xué)者研究發(fā)現(xiàn)土壤有機(jī)質(zhì)含量和土壤反射率的高低有明顯關(guān)系［6-7］。國內(nèi)外學(xué)者還借助實(shí)測(cè)高光譜對(duì)土壤有機(jī)質(zhì)含量進(jìn)行估算，均取得了較為理想的效果［8-10］?；诙喙庾V數(shù)據(jù)的區(qū)域尺度土壤有機(jī)質(zhì)的估測(cè)主要集中在干旱區(qū)［11-13］、東北黑土區(qū)［14-17］、耕作區(qū)［18-20］、平原區(qū)［21-22］等區(qū)域，大多為縣級(jí)尺度，面積從幾十至幾百平方千米不等，以上研究均實(shí)現(xiàn)了土壤有機(jī)質(zhì)的區(qū)域化監(jiān)測(cè)。通過以上研究發(fā)現(xiàn)，高光譜數(shù)據(jù)具有較高的精度，而遙感影像具有范圍大、空間分辨率高的特點(diǎn)，將高光譜和多光譜結(jié)合，集兩者優(yōu)點(diǎn)于一身，對(duì)土壤有機(jī)質(zhì)進(jìn)行估測(cè)的研究較為少見。

干旱區(qū)生態(tài)環(huán)境脆弱，農(nóng)業(yè)是干旱地區(qū)主要的經(jīng)濟(jì)來源，因此對(duì)有機(jī)質(zhì)的研究至關(guān)重要。以新疆的渭-庫綠洲為研究對(duì)象，利用高光譜的窄波段通過波段平均的方法擬合為L(zhǎng)andsat 8 OLI的7個(gè)波段反射率，并進(jìn)行數(shù)學(xué)變換，建立基于擬合波段的偏最小二乘回歸模型，用比值法對(duì)多光譜波段反射率進(jìn)行校正，將高光譜估算模型應(yīng)用到遙感影像中，以提高區(qū)域尺度條件下土壤有機(jī)質(zhì)的估測(cè)精度，為區(qū)域化土壤質(zhì)量監(jiān)測(cè)、農(nóng)業(yè)的可持續(xù)發(fā)展提供數(shù)據(jù)支撐。

1　材料與方法

1.1　研究區(qū)概況

渭干河-庫車河流域（82°10′～83°40′E、41°06′～41°40′N）位于新疆塔里木盆地北緣、天山南麓，是新疆典型的干旱區(qū)綠洲，研究區(qū)總面積為5 988 km2。該區(qū)年均降水量?jī)H有51.6 mm，而年均蒸發(fā)量高達(dá)2 123 mm，屬于干旱與極端干旱地區(qū)。土壤類型以潮土、棕漠土、灌淤土為主，也有少量草甸土、沼澤土、水稻土、鹽土等。地表植被以小白杏（Rosaeeae）、核桃（Juglansregia）、玉米（Zeamays）、棉花（Gossypiumhirssittum）等農(nóng)田植被以及檉柳（Tamarixramosissima）、鹽爪爪（Kalidiumfoliatum）、鹽穗木（Halostachys caspica）、駱駝刺（Alhagisparsifolia）等荒漠耐鹽植物和鹽生灌叢為主［23］。

1.2　遙感影像的選取與預(yù)處理

文中選取與土壤采樣時(shí)間較為一致的2016年5月30日的Landsat 8遙感影像1景，遙感數(shù)據(jù)來源于地理空間數(shù)據(jù)云（http://www.gscloud.cn/），影像在本研究區(qū)域無云覆蓋，有利于提高土壤有機(jī)質(zhì)含量的反演精度。運(yùn)用ENVI 5.1軟件對(duì)遙感影像進(jìn)行預(yù)處理，主要包括影像的輻射校正、大氣校正、幾何校正（校正誤差小于0.5個(gè)象元）等［24］。

1.3　樣品采集與分析

本實(shí)驗(yàn)室在渭-庫綠洲具有長(zhǎng)期的研究積累，研究基礎(chǔ)扎實(shí)，使得研究工作較為便利。2016年5月，選取具有代表性的39個(gè)采樣點(diǎn)進(jìn)行野外采樣，39個(gè)樣點(diǎn)經(jīng)過研究區(qū)多年驗(yàn)證，覆蓋了該地區(qū)典型的土壤質(zhì)地、土壤類型，遍布整個(gè)綠洲內(nèi)部和外圍，且地勢(shì)平坦。每個(gè)采樣單元按照五點(diǎn)梅花狀采集表層（0～10 cm）土樣，將五個(gè)土樣混合，作為一個(gè)土壤樣品。將采集的土樣帶回實(shí)驗(yàn)室自然風(fēng)干、研磨并剔除土樣中的雜質(zhì)后過篩。采用重鉻酸鉀容量-外加熱法(油浴)測(cè)定過0.25 mm孔徑篩的土壤有機(jī)質(zhì)含量［25］。土壤機(jī)械組成采用激光粒度分析儀(測(cè)試粒徑范圍為0.012 8～2 000 μm)進(jìn)行測(cè)定，參考美國制分級(jí)標(biāo)準(zhǔn)對(duì)土壤質(zhì)地進(jìn)行分級(jí)：砂粒（50～2 000 μm）、粉粒（2～50 μm）、黏粒（＜2 μm）。

1.4　數(shù)據(jù)處理

高光譜數(shù)據(jù)的測(cè)量采用ASD Field spec3便攜式光譜儀在暗室內(nèi)進(jìn)行，光源為50W鹵化燈，探頭視場(chǎng)角為25°，將過0.25 mm篩的土樣裝入直徑12 cm、深1.8 cm盛樣皿內(nèi)，并將土樣用直尺刮平，每個(gè)土樣重復(fù)測(cè)10次，取均值作為該土樣的反射率光譜值［26］。為了更好地突出光譜信息，對(duì)光譜曲線進(jìn)行Savitaky-Golay（2次多項(xiàng)式，5個(gè)點(diǎn)）平滑去噪，并去除噪聲較大的波段（350～399 nm和2 451～2 500 nm），處理后剩余的高光譜波段為400～2 450 nm。李萍［27］、孫俊［28］通過將高光譜數(shù)據(jù)擬合為遙感影像對(duì)應(yīng)的波段，對(duì)土壤水分進(jìn)行了精確地估測(cè)。參考其研究方法，本研究將高光譜數(shù)據(jù)的433～453 nm、450～515 nm、525～600 nm、630～680 nm、845～885 nm、500～800 nm、1 560～1 660 nm、2 100～2 300 nm之間的光譜反射率進(jìn)行平均來擬合Landsat 8 OLI的7個(gè)波段（Band1 Coastal：R433～453; Band2 Blue：R450～515; Band3 Green：R525～600; Band4 Red：R630～680; Band5 NIR：R845～885; Band6 SWIR 1：R1 560～1 660; Band7 SWIR 2：R2 100～2 300）。

研究表明，光譜微分變換能夠有效地去除噪聲和背景的影響，變換之后的光譜曲線，能夠擴(kuò)大光譜特征的差異。為了進(jìn)一步削弱外界因素對(duì)目標(biāo)光譜反射率的影響，查找土壤有機(jī)質(zhì)的敏感波段，對(duì)擬合的7個(gè)波段進(jìn)行倒數(shù)（1/B）、對(duì)數(shù)（lnB）、平方（B2）、反射率一階微分（B′）、倒數(shù)一階微分（1/B）′、對(duì)數(shù)一階微分（lnB）′、反射率平方一階微分（B2）′等數(shù)學(xué)變換作為光譜指標(biāo)。

1.5　模型數(shù)據(jù)及檢驗(yàn)標(biāo)準(zhǔn)

在土壤光譜反射率數(shù)學(xué)變換和相關(guān)性分析的基礎(chǔ)上，采用偏最小二乘回歸的數(shù)學(xué)方法，構(gòu)建土壤有機(jī)質(zhì)的反演模型。模型估測(cè)精度通過決定系數(shù)（R2）、均方根誤差（RMSE）兩個(gè)參數(shù)進(jìn)行檢驗(yàn)，模型的決定系數(shù)R2介于0至1之間，決定系數(shù)R2越大，模型精度越高、模型越穩(wěn)定；RMSE越小，模型的預(yù)測(cè)能力越強(qiáng)、精度越高［29］。

2　結(jié) 果

2.1　土壤有機(jī)質(zhì)含量的統(tǒng)計(jì)特征

表1為渭-庫綠洲建模樣本和驗(yàn)證樣本的統(tǒng)計(jì)特征值，從表中可以看出，建模集與驗(yàn)證集的樣本含量分布較為均勻，均值相近，采樣點(diǎn)的地理位置在空間分布上，兩者均覆蓋整個(gè)研究區(qū)域，因此，無論從含量還是地理位置進(jìn)行分析，該建模集和驗(yàn)證集樣本均合理，且具有代表性。

表1　土壤有機(jī)質(zhì)含量統(tǒng)計(jì)特征Table 1　Statistical characteristics of SOM content

2.2　不同有機(jī)質(zhì)含量的土壤光譜特征

土壤的光譜特征是土壤理化性質(zhì)的綜合反映，各波段反射率與實(shí)測(cè)表層土壤有機(jī)質(zhì)含量之間的相關(guān)系數(shù)反映他們之間的密切程度。分析研究區(qū)域各波段反射率與土壤有機(jī)質(zhì)含量的關(guān)系，發(fā)現(xiàn)隨著土壤有機(jī)質(zhì)含量的變化，每個(gè)波段的反射率均有顯著差異。土壤樣本進(jìn)行剔除雜質(zhì)、風(fēng)干、研磨過篩等預(yù)處理后，基本上消除了土壤濕度、土壤粗糙度等對(duì)光譜反射率的影響。

從研究區(qū)不同含量有機(jī)質(zhì)的室內(nèi)實(shí)測(cè)光譜曲線圖1a（有機(jī)質(zhì)含量為12.35、26.53、19.44 g kg-1的土壤質(zhì)地為粉砂土，有機(jī)質(zhì)含量為7.00、37.21 g kg-1的土壤質(zhì)地為砂質(zhì)壤土）可以看出，不同含量的有機(jī)質(zhì)高光譜曲線形態(tài)較為一致，整體上呈上凸的拋物線形，反射率隨有機(jī)質(zhì)含量的增加而降低，光譜曲線在可見光范圍內(nèi)差異較大。反射率在可見光區(qū)域內(nèi)增加較快，在近紅外區(qū)域較為平緩，1 400、1 900、2 200 nm波段有明顯的水分吸收谷，在840 nm波段有明顯的吸收。在有機(jī)質(zhì)含量分別為12.35、19.44 g kg-1時(shí)，在可見光區(qū)域，光譜曲線出現(xiàn)交叉現(xiàn)象，這與李洪［30］的研究結(jié)果較為一致。圖1b為研究區(qū)不同土壤質(zhì)地和實(shí)測(cè)不同有機(jī)質(zhì)含量的高光譜曲線對(duì)比圖，由此圖可以看出：相同有機(jī)質(zhì)含量，不同土壤質(zhì)地的光譜反射率曲線變化趨勢(shì)一致，反射率值基本無差異; 而相同土壤質(zhì)地，不同有機(jī)質(zhì)含量的土壤光譜曲線差異明顯，可以發(fā)現(xiàn)對(duì)土壤有機(jī)質(zhì)光譜反射率曲線影響較大的為有機(jī)質(zhì)含量的高低，而非土壤質(zhì)地。

結(jié)合Landsat 8 OLI遙感影像的7個(gè)波段對(duì)室內(nèi)實(shí)測(cè)土壤高光譜曲線進(jìn)行分析：433～453 nm之間，曲線斜率較大，表明反射率隨波長(zhǎng)變化較大；450～515 nm之間，曲線斜率先減小，后增大；525～600 nm之間，斜率一直上升；630～680 nm之間反射率上升較緩；845～885 nm之間反射率幾乎無增長(zhǎng)，650 nm波段左右，低有機(jī)質(zhì)含量的曲線具有明顯的反射峰；1 560～1 660 nm之間反射率增長(zhǎng)較為緩慢，不同含量土壤有機(jī)質(zhì)間反射率差異逐漸增大；2 100～2 300 nm之間光譜反射率呈上升、下降再上升的趨勢(shì)。由此可見，高光譜數(shù)據(jù)與Landsat 8 OLI的7個(gè)波段具有相關(guān)性。

圖1　不同有機(jī)質(zhì)含量（a）和土壤質(zhì)地（b）的土壤光譜曲線Fig. 1 Spectral curve of soil relative to SOM content （a） and soil texture （b）

2.3　實(shí)測(cè)高光譜數(shù)據(jù)分析及回歸模型的構(gòu)建和檢驗(yàn)

為避免信息冗余，進(jìn)一步定量化土壤有機(jī)質(zhì)和光譜的關(guān)系，準(zhǔn)確找到有機(jī)質(zhì)的敏感波段，將原始及經(jīng)過數(shù)學(xué)變換的各擬合波段反射率與實(shí)驗(yàn)室實(shí)測(cè)土壤有機(jī)質(zhì)含量進(jìn)行相關(guān)性分析，篩選出最優(yōu)波段及變換形式。結(jié)果如圖2所示，渭-庫綠洲有機(jī)質(zhì)含量與高光譜擬合Landsat 8 OLI遙感影像的各波段反射率均具有較強(qiáng)的相關(guān)性，經(jīng)倒數(shù)、對(duì)數(shù)、平方以及一階微分等數(shù)學(xué)變換后，與有機(jī)質(zhì)含量的相關(guān)性顯著提高。土壤有機(jī)質(zhì)含量與lnB、（lnB）′、B、B′相關(guān)性較好，各波段均通過0.01顯著性檢驗(yàn)，而B2、1/B、（1/B）′、（B2）′相關(guān)性較差，僅有部分波段通過0.01顯著性檢驗(yàn)，不可作為自變量。

在DPS軟件中利用偏最小二乘回歸，建立土壤有機(jī)質(zhì)含量的高光譜回歸模型，結(jié)果如表2所示，利用經(jīng)過不同數(shù)學(xué)變換的反射率建立的土壤有機(jī)質(zhì)估測(cè)模型預(yù)測(cè)精度和穩(wěn)定性存在較大差異。高光譜最優(yōu)估算模型，建模樣本的決定系數(shù)R2為0.852，檢驗(yàn)樣本的決定系數(shù)R2為0.897。

圖2　不同反射率變換與有機(jī)質(zhì)含量的相關(guān)系數(shù)Fig. 2 Correlation coefficient between varying reflectance and organic matter content

表2　土壤有機(jī)質(zhì)含量反演模型及精度驗(yàn)證Table 2　Inversion models of soil organic matter content and precision validation

將高光譜最優(yōu)估算模型的預(yù)測(cè)值聯(lián)合實(shí)測(cè)值繪制散點(diǎn)圖（圖3a），將該模型應(yīng)用于Landsat 8 OLI 遙感影像，提取檢驗(yàn)樣本的反演值聯(lián)合實(shí)測(cè)值繪制散點(diǎn)圖（圖3b）。結(jié)果表明，對(duì)數(shù)反射率一階微分的回歸模型估測(cè)效果最優(yōu)，模型具有較高的精度和穩(wěn)健性。模型自變量少，噪聲因素少，說明通過對(duì)數(shù)一階微分建立估測(cè)土壤有機(jī)質(zhì)含量的模型是有效且可行的。不同數(shù)據(jù)源，土壤有機(jī)質(zhì)含量的預(yù)測(cè)值均高于實(shí)測(cè)值實(shí)測(cè)值越大，與預(yù)測(cè)值的偏差越大。多光譜模型的驗(yàn)證樣本較為分散，高光譜模型應(yīng)用于多光譜數(shù)據(jù)效果明顯低于高光譜模型。

圖3　土壤有機(jī)質(zhì)含量模型預(yù)測(cè)值與實(shí)測(cè)值比較Fig. 3 Comparison between predicted and measured values of soil organic matter

2.4　土壤有機(jī)質(zhì)多光譜模型的校正與檢驗(yàn)

根據(jù)野外采樣記錄的采樣點(diǎn)坐標(biāo)，提取遙感影像上各采樣點(diǎn)的7個(gè)波段的反射率值，作為遙感影像的反射率，與高光譜數(shù)據(jù)擬合的Landsat 8 OLI各波段反射率進(jìn)行對(duì)比分析，結(jié)果如圖4所示。

高光譜擬合波段反射率與遙感影像的波段反射率變化趨勢(shì)一致，由于本研究的高光譜數(shù)據(jù)為室內(nèi)實(shí)測(cè)數(shù)據(jù)，消除了外界環(huán)境的影響，而遙感影像包含植被等信息，因而高光譜擬合波段反射率均低于遙感影像的波段反射率。用SPSS軟件對(duì)其進(jìn)行相關(guān)性分析得出兩者相關(guān)性達(dá)到0.976。因此，將實(shí)測(cè)高光譜估測(cè)模型應(yīng)用于遙感影像反演，具有可行性。為了能夠更好地結(jié)合遙感影像數(shù)據(jù)進(jìn)行分析，計(jì)算實(shí)測(cè)遙感影像各波段反射率與高光譜擬合波段反射率的比值，取其均值作為校正系數(shù)，將遙感影像各波段反射率除以校正系數(shù)，得到校正后的遙感影像反射率。

圖4　高光譜擬合波段平均反射率與遙感影像反射率的對(duì)比Fig. 4 Comparison between mean reflectance of fitted hyperspectral band and remote sensing image reflectance

表3　遙感影像校正系數(shù)Table 3　Correction coefficient result of remote sensing image

Landsat 8 OLI波段反射率經(jīng)過校正后的估測(cè)模型檢驗(yàn)樣本的檢驗(yàn)結(jié)果如圖5所示，可以看出，檢驗(yàn)?zāi)Ｐ偷臎Q定系數(shù)R2得到了較大的提高，由0.711提高至0.849，RMSE為0.116。因此，經(jīng)過實(shí)測(cè)高光譜校正后的Landsat8 OLI遙感影像回歸模型在對(duì)土壤表層有機(jī)質(zhì)含量的估測(cè)精度較高，可以實(shí)現(xiàn)區(qū)域化的有機(jī)質(zhì)反演。

圖5　校正后土壤有機(jī)質(zhì)含量模型預(yù)測(cè)值和實(shí)測(cè)值比較Fig. 5 Comparison of calibrated predicted values and measured ones of SOM

2.5　土壤有機(jī)質(zhì)的反演結(jié)果及影響因素

利用ENVI 5.1的bandmath功能以及ArcGIS 10.3得到反演后的土壤有機(jī)質(zhì)含量空間分布圖（圖6）。由土壤有機(jī)質(zhì)含量反演結(jié)果可以看出，研究區(qū)內(nèi)土壤有機(jī)質(zhì)含量不均，區(qū)域性分布差異較為明顯，表現(xiàn)為條帶狀的分布特征，呈現(xiàn)出中部高、南北低的空間分布格局。綠洲內(nèi)部土壤有機(jī)質(zhì)含量明顯高于綠洲外圍以及荒漠綠洲交錯(cuò)帶，主要原因是由于綠洲中部土地利用多為農(nóng)業(yè)、林業(yè)用地，河流聚集于此，水源豐富，植被覆蓋度高，而綠洲外圍生態(tài)環(huán)境問題和土壤鹽漬化問題較為嚴(yán)重，敏感的生態(tài)環(huán)境和土壤表層的鹽結(jié)皮破壞了土壤養(yǎng)分，掩蓋了土壤中有機(jī)質(zhì)的光譜特征，因而有機(jī)質(zhì)含量反演結(jié)果較低。

（1）土地利用類型 本研究借助奧維地圖軟件對(duì)研究區(qū)地物進(jìn)行辨別，并結(jié)合實(shí)地調(diào)查數(shù)據(jù)，借助ENVI和ArcGIS軟件，采用最大似然分類法將土地利用類型分為6類（分類精度達(dá)80%以上），得到研究區(qū)土地利用分類結(jié)果圖（圖7）。結(jié)合研究區(qū)土地利用分類圖，對(duì)該地區(qū)土壤有機(jī)質(zhì)含量分布狀況進(jìn)行分析。研究區(qū)新和縣北部、庫車縣東部以及沙雅縣南部均為耕地，但有機(jī)質(zhì)含量反演結(jié)果差異明顯。經(jīng)過實(shí)地調(diào)查發(fā)現(xiàn)，由于研究區(qū)內(nèi)有很大一部分經(jīng)濟(jì)作物為核桃、白杏、紅棗等果樹，部分果樹套種小麥、玉米、棉花等農(nóng)作物，在土地利用分類時(shí)，將果樹和農(nóng)作物套種地分為耕地，所以造成了土壤有機(jī)質(zhì)含量差異明顯。而且實(shí)地調(diào)查發(fā)現(xiàn)河流上游以及下游均有斷流現(xiàn)象，而河流中游水流量較為穩(wěn)定，因此造成研究區(qū)南部和北部地區(qū)土壤有機(jī)質(zhì)含量較低。

圖6　研究區(qū)土壤有機(jī)質(zhì)含量反演圖Fig. 6 Inversion of SOM content in the study area

（2）土壤顆粒組成 由表4知，土壤有機(jī)質(zhì)與土壤砂粒含量呈極顯著負(fù)相關(guān)，與粉粒和黏粒含量呈極顯著正相關(guān)。主要原因是黏粒和粉?？梢耘c有機(jī)質(zhì)結(jié)合為團(tuán)聚體，降低了其礦化分解速度，有利于有機(jī)質(zhì)的積累，而砂粒中的有機(jī)質(zhì)較容易礦化分解，除此之外，粉粒含量對(duì)土壤含水量具有影響，從而使得有機(jī)質(zhì)含量較高［31-32］。由于該地區(qū)黏粒最高僅占3%，由其土壤類型可知，粉粒含量也低于砂粒，所以有機(jī)質(zhì)與細(xì)粒土壤的結(jié)合容易達(dá)到飽和，有機(jī)質(zhì)只能在粒徑較粗的砂粒中累積［33］，所以土壤顆粒組成與有機(jī)質(zhì)含量的相關(guān)性強(qiáng)度為：砂粒＞粉粒＞黏粒。

圖7　研究區(qū)土地利用分類圖Fig. 7 Land use classification map of the studied area

表4　土壤有機(jī)質(zhì)含量與土壤顆粒組成的相關(guān)系數(shù)Table 4　Correlation coefficients matrix between SOM and soil particle composition

（3）土壤質(zhì)地 表5為按美國制計(jì)算的土壤質(zhì)地的有機(jī)質(zhì)含量統(tǒng)計(jì)結(jié)果。由表5可知，在研究區(qū)所有樣點(diǎn)中共有4種土壤類型：黏砂壤土、粉砂土、壤質(zhì)砂土、砂質(zhì)壤土。土壤質(zhì)地對(duì)土壤有機(jī)質(zhì)含量具有顯著影響，粉砂土的最高值和均值在四種土壤類型中最高，壤質(zhì)沙土、黏砂壤土次之，砂質(zhì)壤土中有機(jī)質(zhì)的最大值和均值最低。四種土壤類型的機(jī)械組成差異較為明顯，而黏粒含量越高，土壤越細(xì)。而在本區(qū)域，黏粒含量較低（低于5%），所以粉粒含量越高，粒徑越小，有機(jī)質(zhì)含量越高。

表5　不同土壤類型有機(jī)質(zhì)含量統(tǒng)計(jì)特征Table 5　Statistics of organic matter content relative to different soil type （g kg-1）

3　討 論

本文以高光譜窄波段的均值取代對(duì)應(yīng)的實(shí)測(cè)多光譜寬波段，建立有機(jī)質(zhì)含量的估算模型，用高光譜對(duì)多光譜進(jìn)行校正，明顯提高了多光譜的反演精度以及模型的穩(wěn)定性。研究結(jié)果顯示，不同有機(jī)質(zhì)含量的高光譜曲線形態(tài)相似，隨著土壤有機(jī)質(zhì)含量的增加，反射率呈下降趨勢(shì)，這與于雷等［34］、Zheng等［35］的研究結(jié)果一致。宋金紅等［14］研究發(fā)現(xiàn)黑土區(qū)基于Landsat TM數(shù)據(jù)藍(lán)、中紅外波段的土壤有機(jī)質(zhì)預(yù)測(cè)模型效果最好，郭燕等［36］研究發(fā)現(xiàn)河南平原區(qū)利用GF-1數(shù)據(jù)藍(lán)、近紅外波段預(yù)測(cè)土壤有機(jī)質(zhì)效果較好，馬馳［37］對(duì)東北黑土土壤有機(jī)質(zhì)研究發(fā)現(xiàn)紅、近紅、中紅外波段組合所建模型效果最優(yōu)。而本研究中，以Landsat 8 OLI影像的藍(lán)、近紅外、中紅外波段所建模型效果最優(yōu)，無論是同種土壤類型抑或不同土壤類型，敏感波段均具有一致性和不一致性，主要原因是由于土壤類型和傳感器的差異所導(dǎo)致的。將反射率進(jìn)行對(duì)數(shù)、倒數(shù)、平方以及一階微分處理后提高了與土壤有機(jī)質(zhì)含量之間的相關(guān)性，對(duì)數(shù)變換優(yōu)于原始、倒數(shù)、平方的變換，一階微分優(yōu)于土壤原始反射率，與馬馳［15］的研究結(jié)果一致，對(duì)原始反射率進(jìn)行微分變換，可明顯降低環(huán)境因素對(duì)光譜的影響，大大提高了反演模型的精度。以對(duì)數(shù)一階微分建立起來的土壤有機(jī)質(zhì)估算模型作為最優(yōu)模型，實(shí)現(xiàn)了預(yù)期的目標(biāo)，主要原因是：（1）室內(nèi)實(shí)測(cè)高光譜是對(duì)土壤進(jìn)行了處理并且嚴(yán)格控制了光譜的測(cè)試條件，因此未受大氣、植被等因素影響；（2）研究區(qū)內(nèi)土壤采樣點(diǎn)分布均勻，能夠預(yù)測(cè)該樣點(diǎn)周圍的土壤有機(jī)質(zhì)含量；（3）數(shù)學(xué)變換后的反射率明顯提高了模型的估算精度；（4）比值法對(duì)多光譜波段進(jìn)行校正，明顯提高了多光譜模型的反演精度。

耕地中的土壤有機(jī)質(zhì)含量明顯高于其他類型的土地，主要是由于耕地中施肥較多，而且新疆由于獨(dú)特的地理位置，農(nóng)田均為一年一收制，所以改善了土壤的品質(zhì)。不同土壤類型的有機(jī)質(zhì)含量受成土母質(zhì)的影響，與他人研究不同的是，由于該地區(qū)作物的套種模式，該地區(qū)有機(jī)質(zhì)含量與土地利用類型的關(guān)系較小。土壤粒徑越細(xì)，有機(jī)質(zhì)含量越高，這與Carter等［33］和于雷等［34］的研究結(jié)果一致，說明在不同地區(qū)，土壤顆粒組成均為影響土壤有機(jī)質(zhì)含量高低的主要因素之一。

本研究所試土壤樣品為渭-庫綠洲土壤，所建立的模型在其他地區(qū)是否適用，有待于進(jìn)一步驗(yàn)證。而且，研究過程中未考慮其他因素對(duì)實(shí)測(cè)光譜的影響，使得檢驗(yàn)樣本的預(yù)測(cè)值與實(shí)測(cè)值存在一定誤差。進(jìn)一步研究應(yīng)考慮到土壤含水量、鹽分、地形等多種因素對(duì)土壤有機(jī)質(zhì)含量的影響，建立更具有實(shí)際意義的土壤有機(jī)質(zhì)估算模型，從而提高區(qū)域化的土壤有機(jī)質(zhì)估算的效率。

4　結(jié) 論

本研究利用實(shí)測(cè)高光譜以及Landsat 8 OLI遙感影像數(shù)據(jù)，通過數(shù)學(xué)方法，建立土壤有機(jī)質(zhì)的高光譜估算模型，對(duì)遙感影像波段反射率進(jìn)行校正后應(yīng)用最優(yōu)估算模型對(duì)研究區(qū)土壤有機(jī)質(zhì)進(jìn)行反演，利用同步時(shí)間內(nèi)的實(shí)驗(yàn)室實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證，取得了理想結(jié)果。土壤有機(jī)質(zhì)含量和空間分布結(jié)合土地利用類型、土壤顆粒組成、土壤質(zhì)地進(jìn)行分析，進(jìn)一步了解研究區(qū)土壤有機(jī)質(zhì)的空間格局和土壤物理特征之間的關(guān)系。研究區(qū)土壤有機(jī)質(zhì)含量介于3.57～39.22 g kg-1之間，隨著有機(jī)質(zhì)含量的增加，土壤光譜反射率逐漸降低，有機(jī)質(zhì)含量對(duì)土壤高光譜曲線的影響大于土壤質(zhì)地；通過微分變換、波段校正后反演的土壤有機(jī)質(zhì)精度高、穩(wěn)定性強(qiáng)，呈現(xiàn)出中間含量高、邊緣含量低的空間分布格局，有機(jī)質(zhì)含量的反演結(jié)果與實(shí)地勘察結(jié)果一致；有機(jī)質(zhì)的分布受土地利用類型、土壤質(zhì)地的影響小于土壤顆粒組成。該方法實(shí)現(xiàn)了高光譜與多光譜的優(yōu)勢(shì)互補(bǔ)，提高了多光譜的反演精度，將土壤有機(jī)質(zhì)的研究由點(diǎn)尺度擴(kuò)展至面尺度，實(shí)現(xiàn)了區(qū)域尺度土壤有機(jī)質(zhì)的動(dòng)態(tài)監(jiān)測(cè)。

［ 1 ］ 張沛，李毅. 基于光譜反射率的兩種土壤有機(jī)質(zhì)數(shù)學(xué)建模方法對(duì)比. 光譜學(xué)與光譜分析，2016，36（3）：903—910 Zhang P，Li Y. Study on the comparisons of the establishment of two mathematical modeling methods for soil organic matter content based on spectral reflectance（In Chinese）. Spectroscopy and Spectral Analysis，2016，36（3）：903—910

［ 2 ］ 胡克林，余艷，張鳳榮，等. 北京郊區(qū)土壤有機(jī)質(zhì)含量的時(shí)空變異及其影響因素. 中國農(nóng)業(yè)科學(xué)，2006，39（4）：764—771 Hu K L，Yu Y，Zhang F R，et al，The spatial—temporal variability of soil organic matter and its influencing factors in suburban area of Beijing（In Chinese）. Scientia Agricultura Sinica，2006，39（4）：764—771

［ 3 ］ Krishnan P，Alexander J D，Butler B J，et al.Reflectance technique for predicting soil organic matter. Soil Society of American Journal，1980，44（6）：1280—1285

［ 4 ］ Hummel J W，Sudduth K A，Hollinger S E.Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor.Computers and Electronics in Agriculture，2001，32（2）：149—165

［ 5 ］ 彭杰，張楊珠，龐新安，等. 新疆南部土壤有機(jī)質(zhì)含量的高光譜特征分析. 干旱區(qū)地理，2010，33（5）：740—746 Peng J，Zhang Y Z，Pang X A，et al. Hyperspectral features of soil organic matter content in South Xinjiang（In Chinese）. Arid Land Geography，2010，33（5）：740—746

［ 6 ］ 何挺，王靜，林宗堅(jiān)，等. 土壤有機(jī)質(zhì)光譜特征研究.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2006，31（11）：975—979 He T，Wang J，Lin Z J，et al. Spectral features of soil organic matter（In Chinese）. Geomatics and Information Science of Wuhan University，2006，31（11）：975—979

［ 7 ］ 劉煥軍，張柏，劉殿偉，等. 基于反射率模擬模型的黑土有機(jī)質(zhì)含量估測(cè). 光譜學(xué)與光譜分析，2008，28（12）：2947—2950 Liu H J，Zhang B，Liu D W，et al. Black soil organic matter content prediction based on reflectance simulation models（In Chinese）. Spectroscopy and Spectral Analysis，2008，28（12）：2947—2950

［ 8 ］ Xian L X，An B L. Improving spatial estimation of soil organic matter in a subtropical hilly area using covariate derived from VIS—NIR spectroscopy.Biosystems Engineering，2016，152：126—137

［ 9 ］ Lin L，WangY，Teng J，et al. Hyperspectral analysis of soil organic matter in coal mining regions using wavelets，correlations，and partial least squares regression. Environmental Monitoring & Assessment，2016，188（2）：97

［10］ Yeasmin S，Singh B，Johnston C T，et al.Evaluation of pre—treatment procedures for improved interpretation of mid infrared spectra of soil organic matter. Geoderma，2016，304：83—92

［11］ 夏楠，塔西甫拉提·特依拜，丁建麗，等．基于多光譜數(shù)據(jù)的荒漠礦區(qū)土壤有機(jī)質(zhì)估算模型. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（6）：263—267 Xia N，Tashpolat·Tiyip，Ding J L，et al. Estimation model of soil organic matter in desert mining area based on multispectral image data（In Chinese）.Transactions of the Chinese Society of Agricultural Engineering，2016，32（6）：263—267

［12］ 欒福明，張小雷，熊黑鋼，等. 基于TM影像的荒漠—綠洲交錯(cuò)帶土壤有機(jī)質(zhì)含量反演模型. 中國沙漠，2014，34（4）：1080—1086 Luan F M，Zhang X L，Xiong H G，et al. Inversion models of soil organic matter in Oasis—Desert ecotone based on TM image reflectance（In Chinese）. Journal of Desert Research，2014，34（4）：1080—1086

［13］ 南鋒，朱洪芬，畢如田，等. 黃土高原煤礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量的高光譜預(yù)測(cè). 中國農(nóng)業(yè)科學(xué)，2016，49（11）：2126—2135 Nan F，Zhu H F，Bi R T，et al. Hyperspectral prediction of soil organic matter content in the reclamation cropland of coal mining areas in the Loess Plateau（In Chinese）. Scientia Agricultura Sinica，2016，49（11）：2126—2135

［14］ 宋金紅，吳景貴，趙欣宇，等. 基于TM數(shù)據(jù)的黑土有機(jī)質(zhì)含量空間格局反演研究. 土壤學(xué)報(bào)，2015，52（6）：1422—1429 Song J H，Wu J G，Zhao X Y，et al. Inversion of spatial pattern of organic matter contents in black soil based on TM Data（In Chinese）. Acta Pedologica Sinica，2015，52（6）：1422—1429

［15］ 馬馳. 基于Landsat 8遙感圖像的長(zhǎng)春中北部地區(qū)土壤有機(jī)質(zhì)含量反演. 江蘇農(nóng)業(yè)科學(xué)，2016，44（12）：415—419 Ma C.Retrieval of soil organic matter content in North Central Changchun based on Landsat 8 remote sensing images（In Chinese）.Jiangsu Agricultural Sciences，2016，44（12）：415—419

［16］ 吳才武，張?jiān)聟玻慕ㄐ? 基于地統(tǒng)計(jì)與遙感反演相結(jié)合的有機(jī)質(zhì)預(yù)測(cè)制圖研究. 土壤學(xué)報(bào)，2016，53（6）：1568—1575 Wu C W，Zhang Y C，Xia J X，et al. Prediction and mapping of soil organic matter based on geostatistics and remote sensing inversion（In Chinese）. Acta Pedologica Sinica，2016，53（6）：1568—1575

［17］ 張法升，曲威，尹光華，等. 基于多光譜遙感影像的表層土壤有機(jī)質(zhì)空間格局反演. 應(yīng)用生態(tài)學(xué)報(bào)，2010，21（4）：883—888 Zhang F S，Qu W，Yin G H，et al. Spatial pattern of surface soil organic matter based on remotely sensed multispectral image（In Chinese）. Chinese Journal of Applied Ecology，2010，21（4）：883—888

［18］ 向紅英，柳維揚(yáng)，彭杰，等. 基于連續(xù)統(tǒng)去除法的南疆水稻土有機(jī)質(zhì)含量預(yù)測(cè). 土壤，2016，48（2）：389—394 Xiang H Y，Liu W Y，Peng J，et al. Predicting organic matter content in paddy soil using method of continuum removal in southern Xinjiang，China（In Chinese）. Soils，2016，48（2）：389—394

［19］ 張紅麗. 基于TM影像的山西省耕地土壤有機(jī)質(zhì)空間分布與變化特征研究. 山西晉中：山西農(nóng)業(yè)大學(xué)，2013 Zhang H L. Research on the spatial distribution and the variation characteristics of soil organic matter in Shanxi Province based on TM images（In Chinese）.Jingzhong，Shanxi：Shanxi Agricultural University，2013

［20］ 劉津懌. 基于Hyperion數(shù)據(jù)的農(nóng)田土壤有機(jī)質(zhì)含量提取方法. 長(zhǎng)春：吉林大學(xué)，2012 Liu J Y. Approach to extracting farmland soil organic matter content based on Hyperion data（In Chinese）.Changchun:Jilin University，2012

［21］ 王延倉，安健，顧曉鶴，等. 利用模擬寬波段數(shù)據(jù)定量反演關(guān)中平原土壤有機(jī)質(zhì)含量研究. 安徽農(nóng)業(yè)科學(xué)，2016，44（14）：240—244 Wang Y C，An J，Gu X H，et al. The quantitative retrieval of soil organic matter content in Guanzhong Plain by using wide band data（In Chinese）.Journal of Anhui Agricultural Sciences，2016，44（14）：240—244

［22］ 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(jī)質(zhì)含量. 光譜學(xué)與光譜分析，2014，34（1）：201—206 Wang Y C，Gu X H，Zhu J S，et al. Inversion of organic matter content of the north Fluvo—Aquic soil based on hyperspectral and multispectra（In Chinese）. Spectroscopy and Spectral Analysis，2014，34（1）：201—206

［23］ 鄧凱，丁建麗，楊愛霞，等. 基于電磁感應(yīng)技術(shù)的土壤剖面鹽分空間分布建模研究. 生態(tài)學(xué)報(bào)，2016，36（20）：6387—6396 Deng K，Ding J L，Yang A X，et al. Modeling of the spatial distribution of soil profile salinity based on the electromagnetic induction technique（In Chinese）.Acta Ecologica Sinica，2016，36（20）：6387—6396

［24］ 熊春妮. 基于Landsat8的廣州市植被覆蓋度監(jiān)測(cè). 環(huán)境科學(xué)與技術(shù)，2015，38（12Q）：383—386 Xiong C N. Vegetation coverage based on landsat8 images in Guangzhou（In Chinese）. Environmental Science & Technology，2015，38（12Q）：383—386

［25］ 中國土壤學(xué)會(huì)農(nóng)業(yè)化學(xué)專業(yè)委員會(huì).土壤農(nóng)業(yè)化學(xué)常規(guī)分析方法. 北京：科學(xué)出版社，1989 Agricultural Chemical Specialized Committee of China Soil Society. Conventional analytical method of soil agricultural chemistry（In Chinese）. Beijing：Science Press，1989

［26］ Cortes C，Vapnik V. Support vector networks.Machine Learning，1995，20（3）：273—297

［27］ 李萍. 黃河三角洲土壤含水量狀況的高光譜估測(cè)與遙感反演. 山東泰安：山東農(nóng)業(yè)大學(xué)，2016 Li P. Hyperspectral estimation and remote sensing retrieval of soil water regime in the Yellow River delta（In Chinese）. Tai’an，Shandong：Shandong Agricultural University，2016

［28］ 孫俊. 基于環(huán)境一號(hào)衛(wèi)星的那曲地區(qū)青藏鐵路沿線區(qū)域土壤含水量反演研究. 南京：南京信息工程大學(xué)，2011 Sun J. Retrieval soil moisture based on HJ—1 satellite a case study of western region along Qinghai—Tibet railway in Nagqu prefecture（In Chinese）. Nanjing：Nanjing University of Information Science and Technology，2011

［29］ Vaudour E，Gilliot J M，Bel L，et al. Regional prediction of soil organic carbon content over temperate croplands using visible near—infrared airborne hyperspectral imagery and synchronous field spectra.International Journal of Applied Earth Observation and Geoinformation，2016，49：24—38

［30］ 李洪. 官廳水庫消落帶土壤有機(jī)質(zhì)分布特征及其高光譜反演研究. 北京：首都師范大學(xué)，2014 Li H. Guanting reservoir drawdown zone on the distribution of organic matter and soil hyperspectral inversion（In Chinese）. Beijing：Capital Normal University，2014

［31］ 趙明松，張甘霖，李德成，等. 蘇中平原南部土壤有機(jī)質(zhì)空間變異特征研究. 地理科學(xué)，2013，33（1）：83—89 Zhao M S，Zhang G L，Li D C，et al. Spatial variability of soil organic matter and factor analysis in the south of middle Jiangsu Plain（In Chinese）.Scientia Geographica Sinica，2013，33（1）：83—89

［32］ 梁愛珍，張曉平，楊學(xué)明，等. 土壤細(xì)顆粒對(duì)有機(jī)質(zhì)的保護(hù)能力研究. 土壤通報(bào)，2005，36（5）：748-752 Liang A Z，Zhang X P，Yang X M，et al. Review on protection capacity of soil organic matter by fine particles（In Chinese）. Chinese Journal of Soil Science，2005，36（5）：748-752

［33］ Carter M R，Angers D A，Gregorich E G，et al.Characterizing organic matter retention for surface soils in eastern Canada using density and particle size fractions.Canadian Journal of Soil Science，2003，83（1）：11—23

［34］ 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(zhǎng)變量篩選方法. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（13）：95—102 Yu L，Hong Y S，Zhou Y，et al. Wavelength variable selection methods for estimation of soil organic matter content using hyperspectral technique（In Chinese）.Transactions of the Chinese Society of Agricultural Engineering，2016，32（13）：95—102

［35］ Zheng G，Ryu D，Jiao C X，et al. Estimation of organic matter content in coastal soil using reflectance spectroscopy. Pedosphere，2016，26（1）：130—136

［36］ 郭燕，程永政，王來剛，等. 利用高光譜和GF—1模擬多光譜進(jìn)行土壤有機(jī)質(zhì)預(yù)測(cè)和制圖研究. 土壤通報(bào)，2016，47（3）：537—542 Guo Y，Cheng Y Z，Wang L G，et al. Predication and mapping of soil organic matter content using hyperspectra and GF—1 multispectra（In Chinese）.Chinese Journal of Soil Science，2016，47（3）：537—542

［37］ 馬馳. 基于Landsat8吉林中北部地區(qū)土壤有機(jī)質(zhì)定量反演研究. 干旱區(qū)資源與環(huán)境，2017，31（2）：167—172 Ma C. Study on the quantitative retrieval of soil organic matter in the north and middle part of Jilin based on Landsat 8（In Chinese）. Journal of Arid Land Resources and Environment，2017，31（2）：167—172