楊珺婷 李曉松

(中國科學(xué)院空天信息創(chuàng)新研究院(中國科學(xué)院大學(xué))，北京，100094)

土壤有機(jī)碳(SOC)、土壤總氮(STN)是植物生長的必需養(yǎng)分，同時(shí)也是全球碳和氮循環(huán)的主要組成部分[1-3]。土壤有機(jī)碳、土壤總氮空間分布的高精度制圖，對于準(zhǔn)確評估土壤質(zhì)量、精準(zhǔn)農(nóng)業(yè)和生態(tài)環(huán)境評價(jià)非常重要。錫林郭勒草原作為國家重要生態(tài)屏障和畜產(chǎn)品基地，草原退化和沙漠化面積已占全盟草原面積72.22%，在錫林郭勒盟草地開展土壤有機(jī)碳和土壤全氮的高分辨率制圖對支撐退化監(jiān)控、修復(fù)工作非常重要[4-5]。

傳統(tǒng)的方法預(yù)測土壤有機(jī)碳、土壤總氮的空間分布，通過大量的地面調(diào)查數(shù)據(jù)，根據(jù)土壤類型或土地利用類型分類統(tǒng)計(jì)后，將土壤有機(jī)碳、土壤總氮儲量平均分配給每個(gè)土壤類型或土地利用類型的地圖單位[6]。但是，受到采樣頻率的限制，昂貴且耗時(shí)，無法顯示每個(gè)地圖單元中土壤有機(jī)碳、土壤總氮的較大空間異質(zhì)性和時(shí)間動(dòng)態(tài)變化。徐彬彬等[7]通過分析南疆土壤的光譜反射特性與有機(jī)質(zhì)含量之間的關(guān)系，發(fā)現(xiàn)土壤有機(jī)質(zhì)含量與土壤反射光譜存在一定的相關(guān)關(guān)系，后續(xù)研究又進(jìn)一步發(fā)現(xiàn)整個(gè)近紅外(700～2 500 nm)、可見光(400～700 nm)波長區(qū)域均受土壤有機(jī)質(zhì)含量的控制，利用土壤反射光譜逐漸成為常用的土壤屬性制圖方法[8-10]。隨著遙感數(shù)據(jù)的時(shí)空分辨率不斷提高，數(shù)據(jù)獲取更容易，各種衛(wèi)星傳感器已成功應(yīng)用于不同規(guī)模的數(shù)字土壤制圖，其中最常用的是陸地衛(wèi)星(Landsat)、中分辨率成像光譜儀(MODIS)[10-13]。例如，賈偉等[10]利用陸地衛(wèi)星8號上攜帶陸地成像儀(Landsat 8 OLI)光譜數(shù)據(jù)，成功反演了三江源地區(qū)的土壤氮含量。研究證明，分辨率較高的傳感器很適合捕獲土壤特性的微小空間變化，且遙感的土壤制圖取決于遙感圖像的可用性和質(zhì)量[14]。但是，中分辨率成像光譜儀數(shù)據(jù)只能提供較低的分辨率，而陸地衛(wèi)星盡管具有較高的空間分辨率，但16 d的重訪周期卻增加了選擇無云影像的難度哨兵2號衛(wèi)星(Sentinel-2)數(shù)據(jù)具有很高空間分辨率(10～30 m)和能為研究提供足夠數(shù)據(jù)量的5 d重訪周期，已經(jīng)在土壤屬性估算中初步展現(xiàn)出充分的潛力[6，15-16]，但是在國內(nèi)的相關(guān)應(yīng)用還很少。

土壤的形成過程復(fù)雜，地表信息難以分辨，完全依據(jù)遙感數(shù)據(jù)估算土壤屬性有很大不確定性，所以環(huán)境數(shù)據(jù)(氣候、地形、母質(zhì)等)常和遙感數(shù)據(jù)一起使用，作為估算土壤屬性的指標(biāo)。McBratney et al.[17]根據(jù)土壤發(fā)生理論歸納總結(jié)出了土壤方程(SCORPAN)，將生物、母質(zhì)、地形、氣候、其他土壤屬性相關(guān)的指標(biāo)，通過樣點(diǎn)數(shù)據(jù)，利用數(shù)學(xué)模型建模估算特定土壤屬性的方法定義為數(shù)字土壤制圖，并成為現(xiàn)在主要的土壤制圖方法。當(dāng)前，從簡單的線性統(tǒng)計(jì)模型，地統(tǒng)計(jì)學(xué)到高級和復(fù)雜的機(jī)器學(xué)習(xí)技術(shù)(隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、分類與回歸樹等)等數(shù)字土壤制圖方法，已被用于繪制土壤有機(jī)碳的空間分布圖[10，13]。在眾多建模方法中，隨機(jī)森林(RF)[18]是一種新的數(shù)據(jù)挖掘方法，能夠建模高維非線性關(guān)系，處理分類和預(yù)測評價(jià)目標(biāo)，避免過擬合，具有較強(qiáng)的魯棒性，可提供變量重要性評價(jià)且參數(shù)少，成為很多研究選擇這種方法的原因[19-20]。也有一些研究證明，依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化發(fā)展的支持向量機(jī)(SVM)方法，可以為土壤屬性估測提供更好的支撐[21]。帶有反向傳播算法的多層感知器神經(jīng)網(wǎng)絡(luò)(MLP神經(jīng)網(wǎng)絡(luò))，因?yàn)闃O強(qiáng)的學(xué)習(xí)能力，也被成功應(yīng)用到了土壤屬性制圖中[22-23]。在大量數(shù)字土壤制圖研究中，對機(jī)器學(xué)習(xí)方法的選擇各有不同，同時(shí)對不同機(jī)器學(xué)習(xí)方法的對比研究也沒有定論。

為此，本研究以錫林郭勒草原為研究區(qū)，應(yīng)用谷歌地球引擎(GEE)云計(jì)算平臺、哨兵2號衛(wèi)星遙感數(shù)據(jù)及其他輔助數(shù)據(jù)，選擇隨機(jī)森林、支持向量機(jī)、多層感知器人工神經(jīng)網(wǎng)絡(luò)模型3種機(jī)器學(xué)習(xí)算法，對土壤表層(0～20 cm)30 m分辨率的土壤有機(jī)碳和土壤總氮質(zhì)量分?jǐn)?shù)進(jìn)行估算，比較不同方法的精度差異，分析各影響因素的重要性。旨在為生產(chǎn)高精度高空間分辨率的錫林郭勒草地土壤有機(jī)碳、土壤總氮地圖、掌握其空間分布、監(jiān)控土地變化提供參考。

1 研究區(qū)概況

錫林郭勒盟位于內(nèi)蒙古的東部北側(cè)，地理位置是北緯42°32′～46°41′、東經(jīng)111°59′～120°。根據(jù)30 m分辨率的2010年中國國家土地覆蓋數(shù)據(jù)集，錫林郭勒盟土地覆蓋類型，被分為草地、濕地、耕地、林地、人工表面和其他，通過裁剪確定了研究區(qū)內(nèi)草地區(qū)域作為本研究區(qū)。錫林郭勒盟草地東界在大興安嶺西麓，南界在陰山的北麓，西北界為中蒙邊界山脈，由50多片面積幾百到幾千平方千米的平地小草原以及夾于其間的20多片丘陵小草原組成。錫林郭勒盟草地是我國類型復(fù)雜、生物多樣性豐富，在溫帶草地中具有代表性的草地，是隔斷蒙古沙源與京津冀區(qū)域的重要植被沙障[24]，總面積20.3×104km2。研究區(qū)屬于大陸性半干旱草原氣候，四季分明，年均溫-0.4 ℃，最冷月份(1月份)平均氣溫-22.3 ℃，最熱月份(7月份)平均氣溫18.8 ℃，氣溫由西南到東北遞減，全年降水量200～400 mm，降水量由西向東遞增。

草地類型空間分布與水熱條件密切相關(guān)，具有明顯的水平地帶性。由西南到東北依次為：以小針茅(Stipaklemenzii)建群的荒漠草原；以雜類草相對較少，以大針茅(Stipagrandis)、克氏針茅(Stipakrylouii)、糙隱子草(Cleistogenessquarrosa)建群的典型草原；雜類草比例較大，主要以線葉菊(Filifoliumsibiricum)、貝加爾針茅(Stipabaicalensis)、羊草(Leymuschinensis)為建群種的草甸草原；同時(shí)中西部及南部沙質(zhì)地段，還廣泛分布著小葉錦雞兒(Caraganamicrophylla)灌叢；發(fā)育在溝谷洼地及河流的芨芨草(Achnatherumsplendens)草甸；分布在湖泊周圍的鹽化濕地上的以紅砂(Reaumuriasongarica)、鹽爪爪(Kalidiumfoliatum)為主要植被的鹽化低地草甸。土壤類型，以黑鈣土、栗鈣土、風(fēng)化土、棕鈣土為主。

2 研究方法

2.1 樣點(diǎn)數(shù)據(jù)

2019年8月份在錫林郭勒盟草地野外采樣，共計(jì)采集土壤樣點(diǎn)140個(gè)(見圖1)，從東到西覆蓋了研究區(qū)內(nèi)的不同草地類型，并充分考慮了關(guān)于草地退化、土壤類型等信息。樣方尺寸為30 m×30 m，土壤剖面深度為0～20 cm，水平和垂直方向上每隔10 m采集1次樣品，共9個(gè)樣品。將9個(gè)土壤樣品充分混合，在實(shí)驗(yàn)室進(jìn)行土壤屬性分析。每個(gè)樣本的地理坐標(biāo)是用手持設(shè)備記錄的全球定位系統(tǒng)(GPS)匹配遙感圖像(Trimble GPS，精度<1 m)。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(篩孔直徑2 mm)。采用重鉻酸鉀容量-外加熱法(油浴)測定土壤有機(jī)碳質(zhì)量分?jǐn)?shù)，土壤全氮質(zhì)量分?jǐn)?shù)選擇凱氏定氮法測定。

2.2 數(shù)據(jù)來源與處理

依據(jù)土壤方程[17]和相關(guān)研究成果[25-30]，本研究選擇哨兵2號衛(wèi)星反射率數(shù)據(jù)、歸一化植被指數(shù)(NDVI)、干枯燃料指數(shù)(DFI)、紅邊葉綠素指數(shù)(CI)、倒紅邊葉綠素指數(shù)(IRECI)、高程、坡度、坡向、地形濕度指數(shù)(TWI)及年均溫、年均降水作為環(huán)境評價(jià)指標(biāo)參與建模。具體數(shù)據(jù)來源及數(shù)據(jù)處理見表1。

圖1 研究區(qū)采樣點(diǎn)設(shè)置

表1 數(shù)據(jù)來源及處理

2.2.1 遙感數(shù)據(jù)與預(yù)處理

遙感影像數(shù)據(jù)源選擇高時(shí)空分辨率的哨兵2號衛(wèi)星數(shù)據(jù)，最高空間分辨率可達(dá)10 m，重訪周期為5 d。影像來自于谷歌地球引擎上的天頂反射率數(shù)據(jù)集，影像已經(jīng)進(jìn)行了輻射定標(biāo)與地形校正。在谷歌地球引擎平臺通過時(shí)間篩選函數(shù)進(jìn)行選擇2019年7—8月份生長季影像數(shù)據(jù)，用來提取地面反射率信息以及光譜指數(shù)。所有的影像利用質(zhì)量控制波段(QA)進(jìn)行去云處理，得到云量低于20%的影像數(shù)據(jù)后，再對影像進(jìn)行歸一化植被指數(shù)最大值合成，并根據(jù)研究區(qū)范圍進(jìn)行裁剪。選擇常用的哨兵2號衛(wèi)星的波段2～9和波段11、12，并計(jì)算常用的光譜指數(shù)，包括歸一化植被指數(shù)、干枯燃料指數(shù)、紅邊葉綠素指數(shù)、倒紅邊葉綠素指數(shù)。

歸一化植被指數(shù)[31]和幾個(gè)紅邊指數(shù)，是植被覆蓋度常用且易于計(jì)算的依據(jù)衛(wèi)星圖像的指示指標(biāo)，也經(jīng)常在土壤制圖中作為生物指標(biāo)被選擇為評價(jià)指標(biāo)參與建模[25，27，32]。干枯燃料指數(shù)，是Cao et al.[33]提出的一種依據(jù)中分辨率成像光譜儀生產(chǎn)的可以代表地表非光合植被信息的植被指數(shù)，被認(rèn)為可以很好地反應(yīng)地表非光合植被的覆蓋情況，目前還沒有被應(yīng)用到土壤屬性研究中。但是，根據(jù)Wang et al.[19]在澳大利亞的干旱牧場研究發(fā)現(xiàn)，非光合植被信息對土壤碳含量的估測起了至關(guān)重要的作用。因此，本研究將哨兵2號衛(wèi)星波段與中分辨率成像光譜儀波段信息進(jìn)行對應(yīng)后，計(jì)算并引入了干枯燃料指數(shù)作為評價(jià)指標(biāo)之一，擬提高模型的估測能力。

INV=(NIR-Red)/(NIR+Red)；

IDF=100(1-ISWR1/ISWR2)/(Red/NIR)；

IC=(Red,E3/Red,E1)-1；

IIREC=(Red,E3-Red)Red,E2/Red,E1。

式中：INV為歸一化植被指數(shù)；IDF為干枯燃料指數(shù)；IC為紅邊葉綠素指數(shù)；IIREC為倒紅邊葉綠素指數(shù)；Red、Red,E1、Red,E2、Red,E3、NIR、ISWR1、ISWR2分別對應(yīng)哨兵2號衛(wèi)星數(shù)據(jù)的紅光、紅邊和近紅外波段的4、5、6、7、8、12、11。

2.2.2 輔助數(shù)據(jù)

土壤屬性分布水平受環(huán)境因素及其復(fù)雜相互作用的影響。通常，氣候決定了土壤屬性分布的格局[13，34]。在這項(xiàng)研究中，從谷歌地球引擎獲取了歐洲中期天氣預(yù)報(bào)中心(ECMWF)對全球氣候的第五代大氣再分析數(shù)據(jù)(ERA5)產(chǎn)品2010—2019年10 a的地面2 m處的日均溫、日均降水量信息，并計(jì)算10 a年均溫、年均降水，作為氣候評價(jià)指標(biāo)參與模型訓(xùn)練。

在復(fù)雜的地形中，通常會隨著高度、坡度、坡向、地表匯水能力的變化而觀察到土壤屬性的變化[25，35-36]，這些物理特征也已被用于預(yù)測土壤屬性的空間分布[29，37-38]。本研究選擇了高程、坡度、坡向、地形濕度指數(shù)作為地形因子。從谷歌地球引擎平臺在線數(shù)據(jù)獲取了航天飛機(jī)雷達(dá)地形測繪(SRTM V3)數(shù)據(jù)產(chǎn)品[39]，該數(shù)據(jù)產(chǎn)品由美國國家航空航天局(NASA)、美國國家地理空間情報(bào)局以及德國和意大利航天局共同生產(chǎn)，分辨率達(dá)到了30 m。根據(jù)高程數(shù)據(jù)，通過谷歌地球引擎地形分析命令計(jì)算坡度、坡向；地形濕度指數(shù)數(shù)據(jù)，來自于Hengl[40]利用自動(dòng)化地球科學(xué)分析系統(tǒng)(SAGA)生產(chǎn)的全球地形數(shù)據(jù)集。

2.3 模型選擇

隨機(jī)森林：隨機(jī)森林[18]是一種可用于分類和回歸的集成機(jī)器學(xué)習(xí)方法，在訓(xùn)練時(shí)構(gòu)造大量決策樹，每棵樹都依賴于獨(dú)立采樣的隨機(jī)向量的值；然后將這些決策樹聚合在一起，對數(shù)據(jù)集中的預(yù)測目標(biāo)(土壤屬性)給出一個(gè)單獨(dú)的預(yù)測；最后預(yù)測結(jié)果是所有單棵樹輸出的平均值[41]。模型以其在處理多元非線性數(shù)據(jù)方面的優(yōu)勢，而被嘗試運(yùn)用到土壤屬性的預(yù)測之中[20]，在多項(xiàng)土壤屬性研究中得到了非常好的模型表現(xiàn)[19-20，38]。且模型運(yùn)行時(shí)袋裝(OOB)樣本可用于內(nèi)部交叉驗(yàn)證準(zhǔn)確性和輔助數(shù)據(jù)重要性評估[23]，這提供了對每個(gè)輸入輔助數(shù)據(jù)對預(yù)測過程貢獻(xiàn)的定量測量，即所謂的隨機(jī)森林變量重要性。模型參數(shù)較少，只有子樹個(gè)數(shù)、樹深、最多葉子數(shù)等參數(shù)，使用方便。本研究的隨機(jī)森林模型的實(shí)現(xiàn)與模型參數(shù)優(yōu)化，均在谷歌地球引擎平臺通過調(diào)用應(yīng)用程序接口(API)完成。

支持向量機(jī)：支持向量機(jī)是由Cortes et al.[42]提出的常用的機(jī)器學(xué)習(xí)方法，已經(jīng)被廣泛應(yīng)用于土地覆蓋分類與土壤屬性估測建模中，并且表現(xiàn)出了很好的估測效果。支持向量機(jī)方法原理，主要是通過核函數(shù)將數(shù)據(jù)映射到高維特征空間，然后依據(jù)結(jié)構(gòu)化風(fēng)險(xiǎn)最小化原則，在新的空間中構(gòu)建一個(gè)最佳的超平面。支持向量機(jī)共有4種核函數(shù)類型，線性函數(shù)、多項(xiàng)式函數(shù)、雙曲線正切函數(shù)函數(shù)、徑向基函數(shù)(RBF)[43]。內(nèi)核函數(shù)及其參數(shù)的選擇，會影響支持向量機(jī)模型分析結(jié)果的準(zhǔn)確性，本研究選擇已被廣泛用于土壤制圖研究的徑向基函數(shù)核函數(shù)[43]。對于徑向基函數(shù)核函數(shù)，需要定義2個(gè)參數(shù)，包括懲罰成本(C)和內(nèi)核寬度(sigma)；本研究中支持向量機(jī)參數(shù)選擇格網(wǎng)搜索方法，即按照一定的步長遍歷參數(shù)在一定范圍內(nèi)的所有取值，并根據(jù)五折交叉驗(yàn)證選擇表現(xiàn)最好的模型對應(yīng)的參數(shù)組合作為最終建模的參數(shù)取值。

多層感知機(jī)(MLP)：通過模擬人腦通過大量神經(jīng)元互相作用對信息進(jìn)行處理，是一種分布式并行的處理信息的抽象數(shù)學(xué)模型。在眾多神經(jīng)網(wǎng)絡(luò)算法中，多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型帶有反向傳播算法，是常用的神經(jīng)網(wǎng)絡(luò)算法之一[22-23]。多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)由輸入層、隱藏層、輸出層組成，每個(gè)層都有一組互連的節(jié)點(diǎn)(神經(jīng)元)并行工作(見圖2)。

圖2 多層感知機(jī)模型(MLP)結(jié)構(gòu)圖

2.4 模型評價(jià)

利用谷歌地球引擎平臺上的隨機(jī)分割函數(shù)，將樣本隨機(jī)劃分成7∶3的比例，70%的數(shù)據(jù)作為建模集、30%數(shù)據(jù)作為驗(yàn)證集。選用決定系數(shù)(R2)、均方根誤差(ERMS)、百分比偏差(DRP)、四分位數(shù)間距性能比(RPIQ)作為指標(biāo)，衡量模型的精確度。R2越大，同時(shí)ERMS越小，模型效果越好。

ERMS=[(1/n)∑i(Pi-Oi)2]1/2；

DRP=DS/ERMS；

RPIQ=QI/ERMS。

好的模型預(yù)測應(yīng)該對應(yīng)高的R2、相對DRP和RPIQ[44]值，較低的ERMS值。本研究采用的模型分類標(biāo)準(zhǔn)是依據(jù)RPD值，將RPD分為優(yōu)秀(DRP>2.5)、非常好(2.0

3 結(jié)果與分析

3.1 采樣點(diǎn)基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)

由表2可見：研究區(qū)土壤有機(jī)碳質(zhì)量分?jǐn)?shù)均值為0.82%，土壤全氮質(zhì)量分?jǐn)?shù)均值為0.089%。土壤有機(jī)碳、土壤全氮的變異系數(shù)相對較高(60%、58%)，這是由于研究區(qū)內(nèi)不同的草原類型、植被分布、土地利用等造成的土壤有機(jī)碳與土壤全氮的空間異質(zhì)性，也進(jìn)一步說明了生產(chǎn)高空間分辨率的土壤屬性數(shù)字地圖的必要性。且建模集與驗(yàn)證集的樣本，土壤有機(jī)碳、土壤全氮質(zhì)量分?jǐn)?shù)分布較為均勻，均值相近，并與整體樣本點(diǎn)值的分布相似，樣本劃分合理。

表2 采樣點(diǎn)基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)結(jié)果

3.2 評價(jià)指標(biāo)間的相關(guān)性

由表3可見：遙感評價(jià)指標(biāo)中波段反射率信息，與土壤有機(jī)碳質(zhì)量分?jǐn)?shù)、土壤全氮質(zhì)量分?jǐn)?shù)呈現(xiàn)出了顯著的負(fù)相關(guān)(P<0.05)。土壤有機(jī)碳與土壤全氮質(zhì)量分?jǐn)?shù)，與歸一化植被指數(shù)、干枯燃料指數(shù)之間都表現(xiàn)出顯著正相關(guān)，這是因?yàn)橥寥捞嫉刂浦脖坏纳L，土壤碳氮含量越高，肥力越強(qiáng)，植被生長越旺盛，這也和很多研究的結(jié)果保持了一致。土壤屬性與氣候因子之間的相關(guān)關(guān)系中，土壤有機(jī)碳和土壤全氮，均與年均溫呈負(fù)相關(guān)、與年均降水呈正相關(guān)；地形對土壤屬性的影響不如其他因子顯著；這是由于研究區(qū)(主要是錫林郭勒盟草地)地形較為平緩，不包含一些山地區(qū)域，因此地形對土壤屬性的影響并未體現(xiàn)出來。此外，土壤有機(jī)碳質(zhì)量分?jǐn)?shù)與土壤全氮質(zhì)量分?jǐn)?shù)表現(xiàn)出了極強(qiáng)的相關(guān)性(r=0.81)。

表3 各評價(jià)指標(biāo)間相關(guān)系數(shù)

3.3 2個(gè)模型各評價(jià)指標(biāo)的重要性綜合排序

利用隨機(jī)森林模型計(jì)算各個(gè)評價(jià)指標(biāo)的重要性，圖3顯示了2個(gè)模型之間不同的主要環(huán)境特征。圖3中已剔除重要性小于1%的評價(jià)指標(biāo)，因?yàn)橹匾栽u價(jià)得分小于1%，在統(tǒng)計(jì)學(xué)中沒有任何意義。在土壤有機(jī)碳估算模型中，地形濕度指數(shù)重要性排序第一(得分12%)，其次是年降水量、年均溫(得分10.7%、9.6%)。土壤顏色指數(shù)重要性排序第四，然后是干枯燃料指數(shù)、哨兵2號衛(wèi)星的2個(gè)短波紅外波段。而在土壤全氮模型中，歸一化植被指數(shù)重要性排序排在第一(得分25.2%)，其次依次為年降水量(得分8.9%)、干枯燃料指數(shù)(得分8.3%)、紅邊葉綠素指數(shù)(得分6.7%)；地形因子中，高程(得分6.3%)、地形濕度指數(shù)(得分4.6%)是重要性較高的因子?？傮w看，在2個(gè)模型中遙感評價(jià)指標(biāo)(哨兵2號衛(wèi)星波段與光譜指數(shù))貢獻(xiàn)較大，尤其是土壤全氮模型中(光譜反射率23.2%，光譜指數(shù)46.5%)，地形和氣候?qū)ν寥烙袡C(jī)碳、土壤全氮的空間分布也有一定程度的貢獻(xiàn)。

SOC為土壤有機(jī)碳；STN為土壤全氮；Elevation為高程；Slope為坡度；Aspect為坡向；MAP為年降水量；MAT為年均溫；NDVI為歸一化植被指數(shù)；DFI為干枯燃料指數(shù)；CI為紅邊葉綠素指數(shù)；IRECI為倒紅邊葉綠素指數(shù)；TWI為地形濕度指數(shù)；B1～B12分別對應(yīng)哨兵2號遙感影像的各個(gè)波段反射率。

3.4 3種算法構(gòu)建的模型精度檢驗(yàn)

由圖4可見：隨機(jī)森林模型擬合效果最佳，其次是多層感知機(jī)算法。隨機(jī)森林算法構(gòu)建的土壤全氮模型，決定系數(shù)為0.67、均方根誤差為0.024、百分比偏差為2.09、四分位數(shù)間距性能比為2.14。隨機(jī)森林算法構(gòu)建的土壤有機(jī)碳模型，決定系數(shù)為0.68、均方根誤差為0.17、百分比偏差為2.26、四分位數(shù)間距性能比為2.37。由散點(diǎn)圖可見：在土壤全氮模型中，雖然隨機(jī)森林模型的整體精度最好，但是在土壤全氮的高值區(qū)，多層感知器人工神經(jīng)網(wǎng)絡(luò)模型估測效果更好，而支持向量機(jī)模型在土壤全氮估測中高估和低估現(xiàn)象都比較明顯。在土壤有機(jī)碳模型中，隨機(jī)森林模型在低值區(qū)存在一定的高估，但是模型整體表現(xiàn)優(yōu)異，支持向量機(jī)模型、多層感知機(jī)算法模型則都表現(xiàn)不佳。按照百分比偏差(DRP)的模型分類標(biāo)準(zhǔn)，隨機(jī)森林算法構(gòu)建的土壤有機(jī)碳模型、土壤全氮模型都是非常好的模型；支持向量機(jī)算法、多層感知機(jī)算法構(gòu)建的土壤有機(jī)碳模型與土壤全氮模型，雖然存在一些較為明顯的局部低估和高估現(xiàn)象，但也不失為一個(gè)良好的模型。

圖4 模型精度驗(yàn)證散點(diǎn)圖

3.5 土壤屬性空間分布特征

由效果最好的隨機(jī)森林模型預(yù)測土壤有機(jī)碳、土壤全氮的空間分布(見圖5，土壤有機(jī)碳和土壤全氮的空間分布表現(xiàn)出了很大的一致性，與相關(guān)性分析中兩種土壤屬性的表現(xiàn)一樣。土壤有機(jī)碳與土壤全氮，從西向東增加，在西部西南地區(qū)分布高于西部其他區(qū)域，這和草地類型的變化規(guī)律呈現(xiàn)出一致性。這顯示出草地類型對土壤屬性的影響，自西向東草原類型依次為溫性荒漠草原、典型草原、草甸草原；這種現(xiàn)象在不同草地類型的土壤屬性統(tǒng)計(jì)分析中得到證實(shí)(見表4)?？傮w看，錫林郭勒盟草地土壤有機(jī)碳和土壤全氮質(zhì)量分?jǐn)?shù)很低，處于缺乏狀態(tài)。

圖5 土壤屬性空間分布

表4 不同草原類型土壤屬性特征

4 討論

本研究中不同機(jī)器學(xué)習(xí)模型的精度對比表明，機(jī)器學(xué)習(xí)算法的選擇對土壤屬性預(yù)測模型的性能有很大的影響(見圖4)?？傮w看，隨機(jī)森林模型預(yù)測效果最好，其次為多層感知機(jī)模型。這與Wang et al.[19]用不同機(jī)器學(xué)習(xí)方法在澳大利亞干旱牧場的土壤有機(jī)碳估測研究結(jié)果相似。但是，也有在不同機(jī)器學(xué)習(xí)的土壤屬性制圖研究中，出現(xiàn)不同的結(jié)論，例如：Were et al.[23]在肯尼亞東部森林區(qū)域?qū)Ρ戎С窒蛄繖C(jī)、多層感知機(jī)、隨機(jī)森林方法，用陸地衛(wèi)星8號(Landsat 8)數(shù)據(jù)預(yù)測土壤有機(jī)碳時(shí)，支持向量回歸(SVR)建模優(yōu)于隨機(jī)森林建模、人工神經(jīng)網(wǎng)絡(luò)(ANN)建模。

根據(jù)隨機(jī)森林模型中的評價(jià)指標(biāo)重要性評價(jià)(見圖3)，整體看，遙感指標(biāo)對評價(jià)土壤有機(jī)碳質(zhì)量分?jǐn)?shù)、土壤全氮質(zhì)量分?jǐn)?shù)的空間分布貢獻(xiàn)最多，其總重要性分別為59%、69%。已有研究觀察到了類似的結(jié)果，遙感數(shù)據(jù)通過波段反射率和植被指數(shù)以及一些土壤指數(shù)，可以提供與植被生長和土壤狀況有關(guān)的生物物理特性[6，15-16]。植被是土壤中有機(jī)碳和總氮的重要來源，它與表土中土壤碳和氮的空間格局高度相關(guān)[25，27，32]。本研究中植被指數(shù)的選擇，除了常用的歸一化植被指數(shù)之外，還選擇了被廣泛應(yīng)用于非光合植被信息提取的干枯燃料指數(shù)和使用了哨兵2號衛(wèi)星數(shù)據(jù)的紅邊信息的倒紅邊葉綠素指數(shù)；在因子重要性評價(jià)中，重要性在土壤有機(jī)碳模型中分別排到了第四、第十，在土壤全氮模型中分別排到了第三、第六。這充分證明了，在土壤有機(jī)碳、土壤全氮估測中，代表非光合植被信息干枯燃料指數(shù)的重要性以及哨兵2號衛(wèi)星紅邊信息對土壤屬性建模的貢獻(xiàn)。

環(huán)境指標(biāo)中的地形指標(biāo)被確定為本研究的土壤預(yù)測模型(尤其是土壤有機(jī)碳預(yù)測模型)的重要預(yù)測因子。地形是可以控制景觀尺度水文和土壤過程的關(guān)鍵因素，對土壤形成有重要影響，進(jìn)而影響土壤性質(zhì)的空間分布。在所有地形指標(biāo)中，地形濕度指數(shù)是土壤有機(jī)碳預(yù)測最重要的指標(biāo)，地形濕度指數(shù)捕獲土壤水分分布的能力，它經(jīng)常被用作繪制土壤特性圖的關(guān)鍵因子[23]。氣候也是影響土壤形成過程的5個(gè)基本要素之一，并且已經(jīng)充分證明了其對土壤碳和氮的影響[13，34]。在隨機(jī)森林模型中，年降水量和年均溫分別被確定為土壤有機(jī)碳預(yù)測模型的第二和第三重要的指標(biāo)，是土壤全氮預(yù)測模型中的第二和第八重要的指標(biāo)。很多研究都一致表明了，溫度和降水量是控制土壤碳和氮循環(huán)的最重要的氣候指標(biāo)，它們通過生物或非生物途徑影響土壤的碳和氮庫。例如，溫度和降水會影響凈初級生產(chǎn)力(NPP)、土壤中碳和氮的輸入，并影響生物活性、凋落物的積累和分解速率，從而影響土壤有機(jī)碳、土壤全氮空間分布[34]。

5 結(jié)論

制圖中使用高分辨率的哨兵2號衛(wèi)星及依據(jù)哨兵2號衛(wèi)星數(shù)據(jù)計(jì)算的光譜指數(shù)，是土壤有機(jī)碳模型、土壤全氮模型中的重要預(yù)測因子，尤其是代表非光合植被信息的干枯燃料指數(shù)和倒紅邊葉綠素指數(shù)。

不同的機(jī)器學(xué)習(xí)方法的選擇會影響土壤屬性的估測效果，隨機(jī)森林模型在本研究中的土壤有機(jī)碳、土壤全氮估測中估測效果最佳：(土壤全氮模型，決定系數(shù)為0.67、均方根誤差為0.024、百分比偏差為2.09、四分位數(shù)間距性能比為2.14；土壤有機(jī)碳模型，決定系數(shù)為0.68、均方根誤差為0.17、百分比偏差為2.26、四分位數(shù)間距性能比為2.37。

錫林郭勒草地土壤有機(jī)碳質(zhì)量分?jǐn)?shù)、土壤全氮質(zhì)量分?jǐn)?shù)整體偏低，土壤有機(jī)碳與土壤全氮之間具有一致的空間分布規(guī)律和極強(qiáng)的相關(guān)性(r=0.81)，空間分布保持一致，自西向東逐漸增加。