顏祥照，姚艷敏，張霄羽

（中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點實驗室，北京100081）

0 引言

土壤有機質(zhì)（Soil Organic Matter，SOM）是指以各種形態(tài)和狀態(tài)存在于土壤中的各種含碳有機化合物，包括土壤中的動物、植物及微生物殘體的不同分解與合成階段的各種產(chǎn)物，具有提供作物養(yǎng)分、土壤保水保肥、土壤緩沖、促進(jìn)土壤團粒結(jié)構(gòu)形成等生物、化學(xué)和物理作用［1］。SOM含量是衡量土壤肥力高低的重要指標(biāo)，其空間變異及制圖是了解農(nóng)田土壤肥力的空間分布格局、培肥地力、精準(zhǔn)施肥的基礎(chǔ)；同時，SOM也是耕地質(zhì)量評價、土壤碳循環(huán)、土壤污染治理等研究的重要參數(shù)，因而，快速、準(zhǔn)確地監(jiān)測SOM含量及其空間分布特征對于農(nóng)田合理使用與保護(hù)、保障糧食安全等方面具有重要意義。

遙感技術(shù)的發(fā)展為SOM預(yù)測和制圖提供了有力的數(shù)據(jù)和技術(shù)支持。土壤有機質(zhì)含量和組成對土壤反射率有著重大影響已為各國學(xué)者公認(rèn)［2-4］。20世紀(jì)70年代，國內(nèi)外學(xué)者嘗試開展土壤光譜反射特性與SOM之間的相關(guān)性分析研究［3，5-6］；20世紀(jì)80年代，學(xué)者開始利用多光譜遙感數(shù)據(jù)預(yù)測區(qū)域SOM含量和制圖；20世紀(jì)90年代以來，隨著各國非成像高光譜儀、成像高光譜遙感的技術(shù)發(fā)展，高光譜影像光譜波段數(shù)已從30多個增加到300多個，波段范圍為0.4～12.7 μm，SOM遙感定量反演與制圖研究有了新的突破，為進(jìn)入實用化系統(tǒng)應(yīng)用階段提供了數(shù)據(jù)基礎(chǔ)和技術(shù)支持。目前，利用遙感數(shù)據(jù)預(yù)測SOM含量與制圖可以概括為多光譜遙感法、結(jié)合遙感數(shù)據(jù)的SOM預(yù)測性制圖法和高光譜影像直接法。文章對SOM遙感制圖研究進(jìn)展進(jìn)行綜述，說明各方法的優(yōu)點和局限性，重點對影響SOM高光譜影像制圖精度因素進(jìn)行了分析，提出SOM遙感制圖需要解決的問題和展望。

1 土壤有機質(zhì)遙感制圖研究現(xiàn)狀

1.1 多光譜遙感法

多光譜遙感法主要是建立影像多光譜反射率或指數(shù)與SOM關(guān)系模型，進(jìn)行SOM預(yù)測和制圖，可以分為直接法和間接法。直接法是直接建立遙感影像波段地表反射率與地面樣點實測SOM含量的關(guān)系模型，估算SOM含量與制圖；間接法是利用植被指數(shù)等遙感光譜指標(biāo)與地面實測點SOM構(gòu)建模型，間接估算SOM含量與制圖。

1.1.1 直接法

此方法的原理在于SOM含量不同，其光譜反射率不同，衛(wèi)星傳感器記錄的光譜反射特征即可體現(xiàn)SOM含量的差異性。通過多光譜遙感影像光譜特征與實地樣點SOM數(shù)據(jù)的模型構(gòu)建，直接反演獲得遙感監(jiān)測區(qū)域的SOM空間分布格局。

多個學(xué)者在不同地域、不同尺度和多種土壤類型上運用多光譜遙感影像直接估算法進(jìn)行了SOM空間格局研究。曾志遠(yuǎn)［7］利用Landsat 1陸地資源衛(wèi)星多光譜圖像，借助多元非線性回歸方法，探測了土壤表層（0～20 cm）SOM含量，將SOM含量表示成衛(wèi)星圖像4，5，6，7這4個波段輻射值的函數(shù)，所得的回歸方程在0.01水平上顯著。Frazier等［8］利用TM數(shù)據(jù)1/4、3/4和5/4的波段比值對華盛頓州東部的Palouse地區(qū)休耕地進(jìn)行SOM制圖。Chen等［9］在美國南部喬治亞洲的Crisp縣115 hm2的試驗田，建立了表層SOM含量與航空像片紅、綠、藍(lán)波段的圖像亮度值（DN值）的對數(shù)方程，預(yù)測SOM含量，指出高分辨率遙感影像能夠簡便、較準(zhǔn)確地定量分析裸露地表SOM含量的空間變異性。李欣宇等［10］、張法升等［11］、劉煥軍等［12］、Zaheer Ahmed等［13］分別基于Landsat 5多光譜遙感影像，結(jié)合地面采樣數(shù)據(jù)，建立了研究區(qū)域表層SOM的遙感預(yù)測線性和非線性回歸模型，分析了空間分布格局，為改進(jìn)土壤理化參數(shù)遙感反演、土地質(zhì)量評價以及土壤碳庫估算等工作方法提供了理論與技術(shù)支持。王祥峰等［14］、王瓊等［15］基于HJ-1衛(wèi)星數(shù)據(jù)，采用多元線性回歸法構(gòu)建了SOM遙感監(jiān)測模型，監(jiān)測結(jié)果與地面SOM含量具有良好的線性關(guān)系，實現(xiàn)了SOM快速監(jiān)測。陳思明等［16］基于Landsat 7中的TM1～TM5和TM7，采用線性波譜分離技術(shù)對研究區(qū)的TM影像像元進(jìn)行分解和重建，構(gòu)建SOM含量的反演模型和制圖。王銳等［17］基于Landsat 8遙感影像，定量反演了重慶市江津區(qū)SOM含量和制圖，結(jié)果表明第6波段反射率與SOM相關(guān)性最大為-0.840，以第4，5，6和7波段地表反射率建立的SOM含量多元回歸反演模型結(jié)果較好。

遙感影像直接估算法實施過程簡便，應(yīng)用性較強，但該方法只能局限于裸露土壤的觀測，植被覆蓋影響SOM的直接遙感反演和制圖效果；而且多光譜遙感圖像波段少，光譜分辨率低，對SOM含量微觀差異敏感性不高。因此，基于多光譜遙感影像進(jìn)行SOM估算的應(yīng)用前景有限。

1.1.2 間接法

衛(wèi)星傳感器無法直接獲取植被冠層覆蓋下的土壤理化性質(zhì)信息，但是可以獲取植被狀態(tài)、生物量等指標(biāo)，通過這些指標(biāo)與SOM含量建立相關(guān)關(guān)系，可以間接獲得遙感觀測區(qū)域內(nèi)SOM含量和制圖。常用的植被指數(shù)有歸一化植被指數(shù)（NDVI）、增強植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、比值土壤指數(shù)（RSI）、歸一化土壤指數(shù)（NDSI）等。

連鋼等［18］借助Landsat 7 ETM遙感影像采用多元逐步回歸法（SMLR）建立了SOM與SAVI關(guān)系模型，分析不同土地利用類型、不同地形條件下，SOM空間變異及分布特征，但SOM預(yù)測結(jié)果不理想。周濤等［19］基于1982—1999年8 km分辨率的月AVHRR NDVI數(shù)據(jù)集，結(jié)合反映生態(tài)系統(tǒng)碳循環(huán)動態(tài)變化的CASA模型及Van’t Hoff土壤呼吸模型，估算獲得了8 km分辨率的全國土壤有機碳空間分布圖，但制圖精度不確定性較大。郭燕等［20］選擇模擬GF-1數(shù)據(jù)的第1，4波段構(gòu)建RSI和NDSI，采用偏最小二乘建模方法（PLSR）預(yù)測SOM，結(jié)果顯示，模擬GF-1光譜也可以較好預(yù)測SOM和制圖，但是模型的穩(wěn)定性相對較差。

利用植被指數(shù)等指標(biāo)間接估算土壤有機質(zhì)含量與制圖，具有省時、省力、費用低、應(yīng)用性較強的特點。但是目前研究中SOM遙感預(yù)測結(jié)果和制圖精度不高，需要在不同地域和尺度上進(jìn)一步研究和驗證，并且需要采取各種數(shù)學(xué)手段不斷完善預(yù)測模型，以提高模型的普適性。

1.2 結(jié)合遙感數(shù)據(jù)的土壤有機質(zhì)預(yù)測性制圖法

該方法以土壤—景觀模型理論為基礎(chǔ)，通過易于獲得的植被、地形、氣候等成土環(huán)境因素，采用統(tǒng)計學(xué)（如線性回歸模型、決策樹、神經(jīng)網(wǎng)絡(luò)、模糊聚類等）、地統(tǒng)計學(xué)等數(shù)學(xué)定量方法模擬土壤與成土環(huán)境因素之間的定量關(guān)系，推斷難于測定的土壤屬性值，并在空間上擴展，達(dá)到制圖目的［21］。由于遙感技術(shù)發(fā)展，不同空間分辨率、光譜分辨率的遙感數(shù)據(jù)產(chǎn)品為SOM預(yù)測性制圖提供了豐富的數(shù)據(jù)源，例如多光譜遙感指數(shù)數(shù)據(jù)（NDVI、濕度指數(shù)等）、高光譜遙感產(chǎn)品數(shù)據(jù)（地表溫度、NDVI、葉面積指數(shù)等）、非成像高光譜反射率數(shù)據(jù)等。各國學(xué)者借助3S技術(shù)，充分利用多源遙感數(shù)據(jù)源，采用統(tǒng)計建模、輔助地統(tǒng)計學(xué)開展大區(qū)域范圍的SOM預(yù)測性制圖研究。

在采用統(tǒng)計建模方面，黃興成等［22］以地形（DEM）、土地利用（矢量圖）、植被指數(shù)（Landsat NDVI）為環(huán)境因子，分別采用多元線性回歸模型（MLR）、SMLR和普通克里格方法得到SOM空間分布預(yù)測圖，結(jié)果表明，SMLR法的預(yù)測結(jié)果精度最高，平均誤差為0.167 g·kg-1、RMSE=3.65 g·kg-1、相關(guān)系數(shù)為0.697。周銀等［23］以東北—華北平原為研究區(qū)，以MODIS遙感數(shù)據(jù)產(chǎn)品（晝夜陸地表面溫度LST、凈初級生產(chǎn)力NPP、蒸散發(fā)ET等）、土壤地面高光譜數(shù)據(jù)為預(yù)測因子，基于樹形結(jié)構(gòu)法構(gòu)建SOM-環(huán)境預(yù)測因子模型進(jìn)行SOM制圖，預(yù)測結(jié)果精度RMSE=7.25、R2=0.69、RPD=1.53，制圖結(jié)果與上世紀(jì)80年代第二次土壤普查SOM地圖具有相似的分布規(guī)律。吳才武等［24］將MODIS第1波段反射率與土壤質(zhì)地、土壤水分?jǐn)?shù)據(jù)相結(jié)合，通過回歸分析建立SOM預(yù)測模型和制圖，預(yù)測結(jié)果能反映研究區(qū)SOM空間變異特征。Mojtaba Zeraatpisheh等［25］將DEM與ETM遙感數(shù)據(jù)產(chǎn)品（NDVI、RVI、PVI、SAVI和TM4反射率）作為環(huán)境變量，采用Cubist、隨機森林（RF）、回歸樹等非線性模型和多元線性回歸機器學(xué)習(xí)法，開展伊朗Borujenregion區(qū)域8.6萬hm2的SOM預(yù)測和制圖，結(jié)果顯示RF預(yù)測和制圖效果最好，R2=0.55，RMSE=38.32%。Hamza Keskin等［26］以土壤指標(biāo)（土壤類型、顆粒大小、陽離子交換量CEC等19個因子）、地形指標(biāo)（高程、坡度等10個因子）、生態(tài)區(qū)域（9個因子）、氣候因素（降水、溫度等5個因子）、土地利用（土地覆蓋、土地利用等5個因子）、MODIS遙感數(shù)據(jù)（特征波段、NDVI、EVI、LAI、FPAR、NPP等16個因子）為環(huán)境變量，采用分類回歸樹（CaRT）、包回歸樹（BaRT）、增強回歸樹（BoRT）、RF、支持向量機（SVM）、PLSR、回歸克里格（RK）、普通克里格（OK）等8種機器學(xué)習(xí)方法，開展了美國Florida州0～20 cm表層土壤有機碳預(yù)測和制圖，結(jié)果表明模型估測精度順序為 RF＞SVM＞BoRT＞BaRT＞PLSR＞RK＞CART＞OK，計算獲得了研究區(qū)域的總碳儲量。Di Chen等［27］以氣候（年均溫、年降水量）、地形（高程、坡度等4個因子）、MODIS數(shù)據(jù)（1～7波段、NDVI、EVI、RVI、DVI、SAVI、NDWI等）為環(huán)境變量，采用CaRT、BaRT、RF、BoRT等4個機器學(xué)習(xí)方法，開展了2000—2017年湖北省的SOM預(yù)測和制圖，結(jié)果表明，BoRT的SOM預(yù)測平均誤差最低，SOM制圖精度最好。

在采用地統(tǒng)計學(xué)方面，郭燕等［28］基于野外VIS-NIR高光譜測量，進(jìn)行SOM與全波段和3種光譜指數(shù)（NDVI、差值指數(shù)和RSI）相關(guān)分析，并利用地統(tǒng)計方法和PLSR進(jìn)行SOM建模預(yù)測與制圖研究，結(jié)果表明，與實測SOM克里格預(yù)測誤差相比，不同的指標(biāo)均達(dá)到了較好的預(yù)測效果。劉艷芳等［29］以室內(nèi)高光譜儀測量的土壤反射光譜為輔助變量，采用PLSR、OK、協(xié)同克里格以及RK分別構(gòu)建土壤有機碳密度預(yù)測模型，結(jié)果顯示，結(jié)合高光譜信息且同時考慮殘差空間結(jié)構(gòu)的OK模型表現(xiàn)優(yōu)于其他模型，土壤光譜是土壤有機碳密度空間差值的理想輔助因子。Nastaran Pouladi等［30］在丹麥10 hm2農(nóng)田，基于地形參數(shù)（14個）、土壤電導(dǎo)率、Sentinel-2遙感數(shù)據(jù)指數(shù)（DVI、NDVI、RVI、SAVI）、樣點SOM數(shù)據(jù)，比較RF-kriging、Cubist-kriging、RK-kriging、Kriging 4種SOM制圖方法，結(jié)果顯示，基于Kriging的SOM制圖方法最佳，R2=0.91，RMSE=2.27%。

遙感數(shù)據(jù)為土壤有機質(zhì)預(yù)測性制圖提供了豐富的植被、氣候、土地利用等環(huán)境信息，目前仍是SOM制圖的研究熱點。結(jié)合遙感數(shù)據(jù)的土壤有機質(zhì)預(yù)測性制圖提高了傳統(tǒng)土壤景觀建模制圖方法的精度，是大尺度范圍或復(fù)雜地形地區(qū)SOM制圖的有效方法。但由于SOM制圖精度依賴于土壤發(fā)生環(huán)境信息的數(shù)據(jù)質(zhì)量，反映SOM空間差異特征略顯粗糙，尤其是小區(qū)域尺度的SOM空間分布差異特征反映不夠精細(xì)化。

1.3 高光譜影像直接法

高光譜遙感光譜波段可達(dá)幾十至上千，光譜分辨率較高，可以反映土壤表層屬性細(xì)微差異。例如，我國GF-5高光譜衛(wèi)星搭載的可見短波紅外高光譜相機（AHSI）光譜范圍為0.4～2.5 μm，可見光近紅外（VNIR）光譜分辨率為5 nm，短波紅外光譜分辨率為10 nm，共有330個光譜通道，為充分利用高光譜優(yōu)勢挖掘SOM預(yù)測和制圖潛力提供了豐富的數(shù)據(jù)，利用高光譜遙感開展SOM預(yù)測與制圖成為各國學(xué)者的研究熱點。學(xué)者們進(jìn)行了2個方面的研究：（1）基于便攜式高光譜儀開展室內(nèi)外SOM光譜理論與應(yīng)用研究，采用不同統(tǒng)計建模方法估算SOM含量，并試圖分析及解釋其機理，為SOM制圖提供理論依據(jù)；（2）實現(xiàn)真正的高光譜遙感制圖，利用機載或星載高光譜數(shù)據(jù)開展SOM預(yù)測和制圖。高光譜影像直接法是直接分析從機載或星載高光譜影像提取的可見光—近紅外、中紅外樣點裸土光譜特征與SOM相關(guān)關(guān)系，建立反演模型，進(jìn)行SOM預(yù)測和制圖。

1.3.1 可見光—近紅外機載高光譜SOM制圖

在可見光—近紅外機載高光譜SOM制圖方面，Thomas Selige等［31］、Michael Vohland等［32］基于澳大利亞Hymap成像高光譜儀（128個波段，420～2 480 nm），獲得了德國小區(qū)域的裸土農(nóng)田光譜數(shù)據(jù)，分別構(gòu)建了MLR和PLSR法的SOC（Soil Organic Carbon）高光譜反演模型，結(jié)果顯示，MLR和PLSR都給出較高的SOM建模精度，并獲得較好的SOM空間分布特征。Hively W Dean等［33］使用美國HyperSpecTIR成像高光譜儀（178個波段，400～2 450 nm）獲取了美國Chesapeake Bay區(qū)域6塊已耕作的裸地光譜數(shù)據(jù)，采用PLSR法構(gòu)建了反射率一階微分的SOM模型，模型驗證精度R2=0.77，RMSE=0.3%，獲得了較好的SOM空間分布圖。Susana Fernández等［34］使用AHS傳感器中VIS-NIR的63個波段進(jìn)行了西班牙過火山區(qū)土壤總碳預(yù)測與制圖，基于PLSR的SOM預(yù)測精度，制作了較好的土壤總碳分布圖。Daniel ?í?ala等［35］使用加拿大CASI-1500（72個波段，380～1 050 nm）和SASI-600（100個波段，960～2 440 nm）獲得捷克共和國4個區(qū)域的裸土高光譜影像數(shù)據(jù)，采用PLSR、支持向量機（SVM）、RF、人工神經(jīng)網(wǎng)絡(luò)（ANN）等構(gòu)建SOC反演模型，結(jié)果顯示，基于SVM的SOC高光譜模型驗證精度最高，R2＞0.8，RMSE＜0.16%，獲得了比較精細(xì)的SOC空間分布特征。Fabio Castaldi等［36］使用APEX高光譜成像儀（313個波段，400～2 500 nm）獲得了比利時壤土耕地帶和盧森堡Gutland—Oesling區(qū)域的高光譜影像，構(gòu)建了基于PLSR的SOC反演模型，達(dá)到了較好的SOC預(yù)測和制圖精度，RMSE＜4.9 g·kg-1，RPD＞1.4。

在國內(nèi)，周萍等［37］利用國產(chǎn)航空成像光譜儀OMIS-1（128個波段，450～2 500 nm）數(shù)據(jù)，并結(jié)合ASD FieldSpec FR便攜式光譜儀（350～2 500 nm）獲取野外光譜數(shù)據(jù)，采用MLR模型建立研究區(qū)域農(nóng)田SOM反演模型，驗證精度R2=0.813 4，RMSE=0.379，實現(xiàn)了SOM填圖。張東輝等［38］利用加拿大CASI-1500航空高光譜成像系統(tǒng)（72個波段，380～1 050 nm），基于神經(jīng)網(wǎng)絡(luò)模型（ANN）構(gòu)建了黑龍江建三江地區(qū)黑土地SOM光譜反演模型并進(jìn)行了制圖，回歸系數(shù)達(dá)到0.985，證明了這一方法在理論上的可靠性。汪大明等［39］利用加拿大CASI/SASI（100個波段，950～2 450 nm）航空高光譜數(shù)據(jù)，構(gòu)建了黑龍江建三江PLSR回歸SOM模型與制圖，判定系數(shù)為0.885，RMSE為0.424，制圖結(jié)果揭示了SOM分布的更多細(xì)節(jié)。

1.3.2 可見光—近紅外星載高光譜SOM制圖

在星載高光譜SOM制圖方面，Raffaele Casa等［40］利用CHRIS-PROBA（37個波段，442～1 019 nm，空間分辨率17 m）獲得意大利Maccarese兩個裸土農(nóng)田高光譜影像，基于PLSR建立SOM反演模型，模型驗證精度不太理想，RPD＜1.4，分析可能的原因是研究區(qū)域SOM含量＜3.5%，SOM含量差異較?。?.76%～2.24%），光譜響應(yīng)效果較低。Sina Mallah Nowkandeh等［41］使用地球觀測衛(wèi)星EO-1攜帶的高光譜傳感器Hyperion影像（242個波段，357～2 567 nm，空間分辨率30 m），分別進(jìn)行了伊朗Ivanekey和Uromia plain區(qū)域及澳大利亞農(nóng)區(qū)的SMLR、PLSR、最小一乘回歸（MinR）和主成分分析（PCR）的SOM高光譜預(yù)測和制圖，結(jié)果顯示，SMLR的SOM驗證精度較高，R2=0.69，RMSE=0.18。Cécile Gomez等［42］基于Hyperion預(yù)測澳大利亞農(nóng)區(qū)SOM，獲得較好的預(yù)測和制圖結(jié)果。榮媛等［43］基于Hyperion高光譜影像，采用MLR、最鄰近法、裝袋算法、多元感知器、RF等5種估測模型預(yù)測南京新濟州濕地SOM和制圖，結(jié)果顯示，MLR模型預(yù)測精度最高，相關(guān)系數(shù)為0.766，RMSE=0.292。

1.3.3 中紅外高光譜SOM預(yù)測和制圖

學(xué)者研究顯示，SOM在中紅外光譜（2.5～25 μm）有明顯的光譜特征［44］。McCarty等［45］比較了近紅外和中紅外波段估算土壤有機碳能力，認(rèn)為中紅外波段可以提供更好的SOC信息。Ladoni等［46］總結(jié)了前人估算SOM或SOC的研究成果，認(rèn)為中紅外波段估算精度較高，平均R2=0.89，而近紅外波段平均R2=0.79，可見光波段平均R2=0.74。隨著中紅外高光譜傳感器技術(shù)的發(fā)展，例如美國空間增強寬帶陣列光譜儀系統(tǒng)（SEBASS，120個通道，2.5～13.5 μm）、加拿大Hypercam（2.5～15 μm）、芬蘭AisaOWL（96個波段，7.6～12.4 μm，光譜分辨率100 nm，空間像元384）、TASI-600機載高光譜熱成像系統(tǒng)（64個通道，8～11.5 μm，光譜分辨率55 nm，空間像元600）等光譜儀系統(tǒng)日益增加，基于中紅外高光譜SOM預(yù)測和制圖日益被學(xué)者關(guān)注，出現(xiàn)了少量的研究。

Andreas Eisele等［47］采用傅里葉紅外變換光譜儀室內(nèi)測量了土壤光譜，并光譜重采樣為TASI-600的模擬數(shù)據(jù)，基于PLSR方法構(gòu)建SOC反演模型，開展了SOC含量＜1.5%的澳大利亞西部半干旱農(nóng)業(yè)土地景觀區(qū)SOC預(yù)測研究，結(jié)果顯示，中紅外波段SOC模型驗證精度較高R2=0.90，RMSE=0.08%，并且如果將可見光—近紅外—中紅外光譜組合在一起，SOC預(yù)測精度大大提高R2=0.95，RMSE=0.04%，說明中紅外具有預(yù)測SOC的應(yīng)用潛力。Grinand C等［48］以16 km×16 km格網(wǎng)模式采集了法國0～20 cm表層2 086個典型土樣，基于美國Nicolet 6 700漫反射傅里葉中紅外反射光譜儀（DRFTS，2.5～25 nm）進(jìn)行了SOC的PLSR建模預(yù)測和制圖，結(jié)果顯示，SOC模型預(yù)測精度較好，SOC制圖趨勢與實測SOC分布圖相似。Pascucci S等［49］獲取了意大利南部Pontecagnano地區(qū)裸土機載TASI-600高光譜熱成像系統(tǒng)數(shù)據(jù)，基于PLSR和Cubist回歸模型開展SOC預(yù)測和制圖，并與實驗室條件下采用傅里葉變換紅外光譜（FT-IR）、可見光—近紅外光譜儀的預(yù)測結(jié)果進(jìn)行比較，結(jié)果顯示，實驗室條件下傅里葉變換紅外光譜SOC預(yù)測效果（R2=0.95，RMSE=0.08，RPD=4.51）優(yōu)于可見光—近紅外，而TASI-600機載高光譜數(shù)據(jù)的SOC預(yù)測效果（R2=0.53，RMSE=0.26，RPD=1.46）低于室內(nèi)傅里葉變換紅外光譜，但該試驗進(jìn)一步說明中紅外遙感數(shù)據(jù)具有較好地定量估算表層SOC的應(yīng)用前景。

成像高光譜遙感有較高的光譜分辨率、連續(xù)的地物光譜信息，提高了SOM的探測能力，加強了小區(qū)域尺度SOM空間分布差異精細(xì)化表達(dá)，日益受到人們的關(guān)注。但因受到大氣、地形、植被、地表粗糙度、土壤水分等因素影響，成像高光譜影像SOM估算精度低于室內(nèi)光譜，真正實現(xiàn)SOM遙感的實際應(yīng)用還需要大量研究。

2 高光譜遙感土壤有機質(zhì)定量反演研究現(xiàn)狀

通過分析影響成像高光譜SOM預(yù)測和制圖精度原因，學(xué)者們認(rèn)為SOM高光譜敏感波段優(yōu)選以及適宜的SOM高光譜建模方法，是影響成像高光譜SOM預(yù)測和制圖精度關(guān)鍵，因此，學(xué)者們開展了采用非成像和成像高光譜數(shù)據(jù)解決以上問題的研究。以下將從SOM光譜特征分析、光譜敏感波段確定、定量反演方法等方面進(jìn)行論述。

2.1 土壤有機質(zhì)光譜特征分析

土壤有機質(zhì)在可見光和近紅外區(qū)域有獨特的光譜特性，表現(xiàn)在土壤反射率隨著SOM含量的增加而下降，土壤反射光譜與SOM含量呈顯著負(fù)相關(guān)關(guān)系［3-6］。徐彬彬等［50］發(fā)現(xiàn)SOM含量與可見光波段的反射率、0.62～0.66 μm、0.6 μm弓曲差等均呈高度負(fù)相關(guān)。Krishnan等［6］、Galvao等［51］研究表明，SOM含量決定其在土壤反射光譜中所起的作用，當(dāng)SOM含量＞2%時，其在描述土壤反射特性起主要作用；當(dāng)SOM含量＜2%時，SOM在遮蔽其他土壤組成物質(zhì)的光譜特性（如鐵錳的光譜特性）的能力有所減弱，研究SOM高光譜預(yù)測和制圖時，需選擇SOM含量大于2%的地區(qū)。

2.2 土壤有機質(zhì)光譜敏感波段

2.2.1 SOM光譜敏感波段位置

眾多學(xué)者針對不同土壤類型，利用土壤反射光譜確定SOM最佳敏感波段的研究結(jié)論有所差異，確定的敏感波段范圍可以劃分為4種類型：可見光區(qū)［52-55］、近紅外區(qū)［38，43，56］、可見光—近紅外區(qū)［57-67］以及可見光—近紅外—中紅外區(qū)［16］。

劉煥軍等［68］分析了黑龍江典型黑土區(qū)光譜特征，確定了580 nm、620 nm、630 nm、730 nm等可見光波段為敏感波段。郭燕等［28］分析了紅壤土的光譜特征，認(rèn)為973 nm、983 nm、988 nm、1 907 nm、1 917 nm、2 213 nm以及2 216 nm近紅外區(qū)為SOM的敏感波段。Mathews等［69］發(fā)現(xiàn)可見—近紅外波段（0.5～1.2 μm）反射率與SOM相關(guān)性較好。陳思明等［16］研究認(rèn)為濱海濕地土壤在可見光—近紅外—中紅外區(qū)都有SOM敏感波段。

2.2.2 SOM光譜敏感波段確定方法

SOM光譜敏感波段與采用的選擇方法有關(guān)，常用的方法主要包括相關(guān)性分析、主成分分析（PCA）等。相關(guān)性分析法是研究者采用最多的方法，用于分析SOM與光譜反射率之間的相關(guān)性，選擇相關(guān)系數(shù)較高（顯著）的波段作為敏感波段，用于建立SOM反演模型［28-29，43，52，57，59-61，70］。馬麗等［71］、欒福明等［62］運用 PCA 法，確定了 SOM 光譜敏感波段主成分最佳因子數(shù)。

2.3 土壤有機質(zhì)高光譜建模方法選擇

目前SOM高光譜建模方法主要分為兩類，一類是線性統(tǒng)計模型法，另一類是非線性統(tǒng)計模型法。

2.3.1 線性統(tǒng)計模型法

線性統(tǒng)計模型法一般假設(shè)SOM與光譜特征呈線性關(guān)系，學(xué)者們多采用多元逐步回歸（SMLR）［12］、多元線性回歸（MLR）［37］、偏最小二乘回歸（PLSR）［70-72］等方法構(gòu)建SOM高光譜模型。王祥峰等［14］以HJ-1衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，基于MLR方法構(gòu)建了SOM反演模型。Susana Fernández等［34］基于PLSR法建立了SOM高光譜反演模型，其校正誤差R2=0.970，RMSE=3.10，驗證誤差RMSE=5.85。史舟等［72］基于PLSR法建立了SOM光譜反演模型，取得了較好效果，R2和RPD分別為0.899和3.158。SOM線性模型的優(yōu)點是，數(shù)據(jù)處理簡單快速，基于模型的SOM制圖速度也較快。但SOM與土壤光譜往往呈非線性關(guān)系，因此，該建模方法不能反映SOM與土壤光譜的非線性關(guān)系。

2.3.2 非線性統(tǒng)計模型法

SOM反演非線性模型主要包括人工神經(jīng)網(wǎng)絡(luò)（ANN）、RF、SVM等方法。ANN是一種模仿動物神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，由輸入層、隱含層、輸出層構(gòu)成，模擬任何輸入變量和輸出變量的非線性關(guān)系，在處理非線性問題上表現(xiàn)出較大優(yōu)勢。張東輝等［38］基于航空高光譜影像，采用ANN方法反演SOM和制圖，回歸系數(shù)達(dá)到了0.985，說明了所建神經(jīng)網(wǎng)絡(luò)模型的有效性；葉勤等［60］研究顯示，BP神經(jīng)網(wǎng)絡(luò)模型的SOM反演精度較高，R2=0.893，RMSE=0.118 5%。王茵茵等［73］以陜西榆陽黃土丘陵和風(fēng)沙灘地為研究對象，基于RF對表層SOM進(jìn)行模擬預(yù)測，結(jié)果表明，SOM反演精度平均絕對誤差在1.27～1.57 g·kg-1之間，RF算法對復(fù)雜地貌區(qū)的SOM預(yù)測更有效。齊雁冰等［74］基于MODIS遙感數(shù)據(jù)，采用RF建模方法進(jìn)行陜西省SOM預(yù)測，SOM預(yù)測精度在設(shè)定的不同抽樣百分比條件下，獨立驗證數(shù)據(jù)集的平均誤差不超過3 g·kg-1，預(yù)測值與實測值的相關(guān)系數(shù)在0.7以上。SVM的處理過程可概括為升維和線性化，將非線性轉(zhuǎn)化為線性，解決小樣本情況下的機器學(xué)習(xí)問題。Viscarra等［54］基于SVM建立了SOC的高光譜反演模型，R2達(dá)到0.86。雖然非線性模型符合SOM和土壤光譜反射率的非線性關(guān)系，但非線性模型計算較復(fù)雜，有些SOM反演模型建模精度較高，但驗證精度較低，會產(chǎn)生過擬合現(xiàn)象，同時，基于非線性模型的SOM制圖速度相對較慢。

2.3.3 最優(yōu)模型選擇研究

線性和非線性統(tǒng)計模型都可以用于SOM高光譜建模，選擇何種模型更優(yōu)，學(xué)者們做了大量研究，結(jié)論各不相同［16，43，52，56，58-59，60-62，70］。Hamza Keskin 等［26］采用 CaRT、BaRT、BoRT、RF、SVM、PLSR、RK、OK等8種機器學(xué)習(xí)方法，開展了美國Florida州表層SOC預(yù)測和制圖，結(jié)果表明RF模型精度最高，R2=0.72，RMSE=2.39 kg·m-2，RPD=1.88。袁征等［75］分別采用MLR、BPNN、模糊識別法建立高光譜SOM估測模型，研究結(jié)果表明，模糊識別模型的決定系數(shù)達(dá)到0.973，RMSE為0.046 8%，比MLR和BPNN模型精度都高。李勝男等［52］分別采用PLSR、MLR、SMLR法建立黑土區(qū)SOM反演模型，發(fā)現(xiàn)PLSR的SOM建模效果優(yōu)于其他模型。

2.4 存在的問題

總結(jié)前人的研究成果，基于高光譜影像的直接土壤有機質(zhì)預(yù)測和制圖存在以下問題。

（1）目前機載和星載高光譜傳感器較少，基于高光譜影像的SOM預(yù)測和制圖研究更少，特別是基于我國GF-5高光譜衛(wèi)星影像的研究還未見報道，需要探索研究基于GF-5高光譜衛(wèi)星影像的SOM制圖的可行性和潛力。

（2）SOM光譜敏感波段的位置和數(shù)量是影響SOM反演模型精度的關(guān)鍵，研究者們采用相關(guān)性分析、主成分分析等多種方法優(yōu)選SOM光譜敏感波段。選擇的方法不同，敏感波段位置和數(shù)量不同。采用哪種方法最合適，敏感波段選擇多少，選擇哪些敏感波段，還需要進(jìn)一步研究。

（3）選擇適宜的SOM光譜反演模型構(gòu)建方法，也是另一個影響SOM光譜預(yù)測和制圖精度的關(guān)鍵。研究者們較多基于非成像光譜數(shù)據(jù)，嘗試采用線性、非線性模型或者多種建模方法組合，利用各自優(yōu)勢，相互取長補短，從而提升模型整體預(yù)測性能，建模方法的復(fù)雜度逐漸增強。然而，建模方法的組合不是任意搭配，需充分理解方法的原理及性能，確保形成優(yōu)勢互補。同時，復(fù)雜的模型雖能取得較好的預(yù)測效果，但對模型的可解釋性變?nèi)?，SOM制圖效率降低。另外，基于高光譜影像的SOM非線性建模研究較少。因此，選擇哪些適宜的SOM光譜建模方法，或者創(chuàng)新建模方法和算法，也需要進(jìn)一步研究。

3 結(jié)論與展望

3.1 結(jié)論

遙感技術(shù)的快速發(fā)展和傳感器的多樣化，使得利用多源遙感數(shù)據(jù)的SOM預(yù)測和制圖成為可能，提高了SOM制圖的精度和有效性。高光譜遙感的光譜分辨率高，能夠提供可見光—近紅外—中紅外波段的輻射信息，且連續(xù)的波段信息可以反映土壤表層屬性的細(xì)微變化，為SOM預(yù)測和精細(xì)制圖提供了豐富的光譜信息及空間覆蓋范圍，提高了SOM預(yù)測和制圖精度。雖然高光譜傳感器在獲取地表土壤圖像數(shù)據(jù)過程中，受到植被覆蓋、土壤含水量、土壤表面粗糙度以及大氣衰減和輻射校正的影響，也會影響到SOM預(yù)測和制圖精度，但隨著高質(zhì)量高光譜影像數(shù)據(jù)改進(jìn)技術(shù)的提高，以及加強SOM敏感波段優(yōu)選和確定適宜的SOM高光譜模型方法等研究增強，基于高光譜影像開展SOM預(yù)測和精細(xì)制圖可行性增大，具有更大的發(fā)展空間。

3.2 展望

隨著高光譜遙感技術(shù)的發(fā)展，SOM遙感預(yù)測和制圖需要在以下幾個方面開展深入研究。

（1）結(jié)合高光譜影像的土壤有機質(zhì)預(yù)測性制圖方法的改進(jìn)。遙感數(shù)據(jù)為SOM預(yù)測性制圖提供了豐富的地形、植被、氣候、土地利用等環(huán)境信息，是大尺度范圍或復(fù)雜地形地區(qū)SOM制圖的有效方法。但對于地形變化不明顯或土壤局部變異性較大區(qū)域，限制了其制圖精度。高光譜遙感影像以較高的光譜分辨率區(qū)分出那些具有診斷性光譜特征的地表物質(zhì)，將高光譜遙感影像參與SOM預(yù)測性制圖，提高SOM預(yù)測精度和制圖精細(xì)度，值得進(jìn)一步探索。

（2）高光譜遙感SOM預(yù)測和制圖直接方法的改進(jìn)。由于適宜的SOM光譜敏感波段數(shù)量和位置以及建模方法是影響SOM高光譜反演模型精度的關(guān)鍵，這些問題有待進(jìn)一步探索研究，提高小區(qū)域SOM高光譜預(yù)測和制圖精度。

（3）中紅外光譜土壤有機質(zhì)預(yù)測與制圖研究。研究發(fā)現(xiàn)中紅外高光譜具有預(yù)測和SOM制圖的潛力，盡管目前中紅外高光譜傳感器技術(shù)發(fā)展還不太成熟，但未來該領(lǐng)域的發(fā)展值得期待。

（4）基于深度學(xué)習(xí)的SOM預(yù)測和制圖研究。深度學(xué)習(xí)由于擅長處理多源大量復(fù)雜數(shù)據(jù)，在物體檢測、人臉識別、圖像分類等方面優(yōu)于傳統(tǒng)的、成熟的方法，以其他方法不可比擬的優(yōu)勢為很多研究領(lǐng)域提供了新思路和新方法。深度學(xué)習(xí)是一種深層的機器學(xué)習(xí)模型，主要包括卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、深度置信網(wǎng)絡(luò)（DBN）等［76］。在基于深度學(xué)習(xí)的SOM預(yù)測和制圖研究方面，Alexandre M J-C Wadoux等［77］基于CNN方法，進(jìn)行了澳大利亞Hunter valley area（220 km2）區(qū)域表層（0～10 cm）和亞表層（40～50 cm）土壤總碳制圖，并與RF進(jìn)行了比較研究，使用的數(shù)據(jù)包括2 388個土壤總碳樣點數(shù)據(jù)（645個由室內(nèi)化驗分析法獲得，923個由近紅外光譜法獲得，820個由中紅外光譜法獲得）、DEM、Landsat ETM第5波段和NDVI，結(jié)果顯示，表層土壤總碳含量預(yù)測精度（R2=0.55，RMSE=0.93）高于RF法（R2=0.35，RMSE=1.08），該研究為SOM遙感預(yù)測和制圖提供了新的研究思路。Alexandre M J-C Wadoux［78］還基于CNN，采用2萬個表層（0～10 cm）SOC樣點數(shù)據(jù)，結(jié)合地形、植被、氣候、土壤等其他數(shù)據(jù)，開展了法國SOC制圖，得到了較好的結(jié)果。因此，基于深度學(xué)習(xí)的SOM預(yù)測和制圖研究，也值得進(jìn)一步探索。