基于遙感的流域尺度耕地冠層葉綠素、表層土壤有機碳含量估算及分布特征研究

doi：10.15889/j.issn.1002-1302.2024.20.004

摘要：耕地表層土壤有機碳（SOC）和作物冠層葉綠素含量分別是土壤肥力和農(nóng)田作物生長狀態(tài)的重要指標之一。以山東省瀛汶河流域的耕地為研究對象，利用深度學(xué)習(xí)提取耕地地塊，基于Sentinel-2A多光譜遙感數(shù)據(jù)和野外采樣試驗數(shù)據(jù)，運用BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建反演模型，得到研究區(qū)耕地的表層SOC和冠層葉綠素含量的空間分布。結(jié)果表明：（1）秋收時節(jié)的復(fù)雜影像對深度學(xué)習(xí)模型準確識別瀛汶河流域的耕地產(chǎn)生一定的影響，但在平原地區(qū)影響相對較小；（2）冠層葉綠素反演模型在反演葉綠素含量方面雖已達到較高精度（決定系數(shù)r2=0.79），但仍受地表條件復(fù)雜性和植被多樣性因素的制約；（3）研究區(qū)耕地表層SOC含量集中于13.00～16.00 g/kg，且空間分布規(guī)律不顯著。本研究不僅為瀛汶河流域的農(nóng)業(yè)生產(chǎn)和生態(tài)系統(tǒng)管理提供了科學(xué)依據(jù)，還為精準農(nóng)業(yè)管理提供了有力支持。

關(guān)鍵詞：冠層葉綠素；耕地土壤有機碳；深度學(xué)習(xí)；BP神經(jīng)網(wǎng)絡(luò)；遙感技術(shù)；流域尺度；瀛汶河流域

中圖分類號：S127" 文獻標志碼：A

文章編號：1002-1302（2024）20-0025-07

收稿日期：2024-06-19

基金項目：山東省高端人才項目支持計劃（編號：0031504）；國家自然科學(xué)基金青年科學(xué)基金（編號：42107496）。

作者簡介：陳飛勇（1963—），男，湖南益陽人，博士，教授，主要從事水環(huán)境治理研究。E-mail：chenfeiyong@sdjzu.edu.cn。

通信作者：王" 晉，博士，副教授，主要從事水資源可持續(xù)利用規(guī)劃研究。E-mail：wangjin21@sdjzu.edu.cn。

土壤有機碳（soil organic carbon，SOC）作為衡量土壤肥力的核心指標，在維持陸地生態(tài)系統(tǒng)功能以及全球氣候的穩(wěn)定中扮演著舉足輕重的角色［1-3］。特別是在0～20 cm的表層土壤中，由于頻繁的人類活動影響，其有機碳儲量的動態(tài)變化更為顯著。這種變化直接影響禾本科植物的生理活性，特別是氮素獲取能力，進而對植被整體生產(chǎn)力產(chǎn)生顯著的長期影響［4-6］。在土壤與作物分析領(lǐng)域，葉綠素含量是評估農(nóng)作物長勢、養(yǎng)分水平的重要指標［ 7］，研究表明，葉綠素含量與SPAD值（soil and plant analyzer development，即葉色值）之間存在顯著的正相關(guān)關(guān)系，因此SPAD值可以作為表征葉綠素含量的相對指標［8-9］。

在農(nóng)業(yè)管理與生態(tài)監(jiān)測中，傳統(tǒng)實驗室測定方法對于大范圍監(jiān)測葉綠素和SOC含量存在局限性。通過遙感技術(shù)結(jié)合光譜反射率和BP神經(jīng)網(wǎng)絡(luò)，利用其自適應(yīng)學(xué)習(xí)和非線性映射能力［10-11］，能有效提升大范圍農(nóng)作物長勢監(jiān)測和土壤質(zhì)量評估的效率與準確性［12-13］。

近年來，BP神經(jīng)網(wǎng)絡(luò)模型在SOC和冠層葉綠素反演研究中得到了廣泛應(yīng)用。在表層SOC反演方面，研究人員通過引入多時相遙感影像、DEM、農(nóng)地利用方式和植被指數(shù)等輔助變量，顯著提升BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度和穩(wěn)定性［14-16］。國佳欣等采用PLSR-BP復(fù)合模型反演紅壤地區(qū)土壤有機質(zhì)含量，證明復(fù)合模型預(yù)測精度優(yōu)于單一模型，且利用分數(shù)階導(dǎo)數(shù)優(yōu)化光譜特征信息進一步提高了預(yù)測效果［ 17］。同樣地，在冠層葉綠素反演方面，Schlemmer等通過實測光譜數(shù)據(jù)的綠色波段和紅邊波段構(gòu)建植被指數(shù)，證明了利用紅邊波段的植被指數(shù)反演精度較高［ 18］。唐普恩等利用光譜信息、最適光譜指數(shù)和基于PROSAIL輻射傳輸模型的生物協(xié)變量構(gòu)建建模方法，證明三者聯(lián)合的模型對SPAD值具有良好的預(yù)測能力［ 19］。

本研究以山東省瀛汶河流域的耕地為研究區(qū)，結(jié)合Sentinel-2A多光譜遙感數(shù)據(jù)和野外實地調(diào)查采樣數(shù)據(jù)，提取了波段反射率及其波段組合。通過運用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建反演模型，預(yù)測研究區(qū)內(nèi)表層SOC含量和SPAD值，并深入分析其空間分布格局特征，以期為智慧農(nóng)業(yè)和精準施肥提供理論依據(jù)和決策依據(jù)，為實現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展提供有力支撐［20-21］。本研究的技術(shù)路線見圖1。

1" 研究區(qū)與數(shù)據(jù)源

1.1" 研究區(qū)概況

瀛汶河主要位于山東省濟南市萊蕪區(qū)，是黃河在山東省唯一支流大汶河的三大源流之一。瀛汶河流域的地理坐標為117°17′05″～117°46′45″ E，36°09′21″～36°35′58″ N，總面積為973.59 km2。該地區(qū)屬于暖溫帶大陸性季風(fēng)氣候，年平均氣溫 13.6 ℃，年平均降水量614.0 mm，年日照時數(shù) 2 616.8 h 以上。流域地勢由西北向東南呈逐漸降低趨勢，地表高程最高值為902 m，最低值為109 m，地形類型為山地、丘陵和平原組成的混合地形，耕地種植作物以玉米、小麥為主。瀛汶河流域的詳細地形及邊界如圖2所示。

1.2" 數(shù)據(jù)獲取與處理

1.2.1" 樣品數(shù)據(jù)獲取與處理

于2023年8月29—30日進行土壤采樣。通過系統(tǒng)的實地踏勘，確定玉米是當(dāng)?shù)氐闹饕?jīng)濟作物，在耕地植被中占據(jù)顯著比例，據(jù)此選擇以玉米種植地作為主要樣地區(qū)域。在研究區(qū)內(nèi)，綜合考慮采樣點分布的均勻性和采樣的便捷性，共選取了45個具有代表性的土壤樣地。在每個樣地半徑3 m范圍內(nèi)，隨機選擇5個位置采集表層（0～20 cm）土壤，并將其混合，每份土樣約為0.5 kg。采樣點的地理坐標信息通過彩途智圖H60北斗衛(wèi)星專業(yè)工程測繪測量平板電腦精確記錄，確保數(shù)據(jù)的空間準確性。采集的土壤樣本在預(yù)處理階段先剔除小石塊、植物根系和腐殖質(zhì)等雜質(zhì)，隨后在實驗室條件下進行風(fēng)干、研磨， 并通過2 mm

篩進行篩選。最終，采用重鉻酸鉀氧化（K2Cr2O7）-分光光度法精確測定表層SOC含量。

SPAD葉綠素測定儀具有快速、便捷和無損監(jiān)測對象等特點，常被用于測定活體葉片葉綠素相對含量和葉片全氮含量［22-23］。SPAD值測樣點選擇與表層SOC采樣地點相一致的樣地，運用萊恩德葉綠素檢測儀對玉米葉片進行無損測量。具體而言，在每個樣地半徑5 m范圍內(nèi)隨機選取5株玉米秸稈，測量每株葉綠素含量，并取其平均值作為該樣點的SPAD值。

1.2.2" 遙感影像數(shù)據(jù)獲取與預(yù)處理

本研究通過處理歐空局（ESA）的Sentinel-2遙感衛(wèi)星獲取Level-2A地表反射率（surface reflectance，SR）產(chǎn)品，這些產(chǎn)品已完成正射校正和大氣校正。Sentinel-2遙感衛(wèi)星數(shù)據(jù)因其卓越的時空分辨率在科研領(lǐng)域具有顯著優(yōu)勢。本研究受限于天氣、云量等因素，未能獲取采樣時間影像，最終所選影像衛(wèi)星過境時間為2023年9月6日。Sentinel-2A數(shù)據(jù)涵蓋了從可見光到短波紅外的13個光譜波段，空間分辨率包括10、20、60 m?？紤]到60 m分辨率的波段主要用于監(jiān)測氣溶膠、水蒸氣和卷云等大氣成分，這些波段的光譜特性與本研究關(guān)注的表層SOC含量相關(guān)性極低，因此本研究僅選用了10 m和20 m分辨率的波段進行后續(xù)深入分析，在SNAP軟件中將20 m分辨率的B1和B5～B12重采樣至統(tǒng)一的10 m分辨率，再超分辨率合成，最后進行適應(yīng)性裁剪處理［24-26］。

2" 耕地提取與驗證

2.1" 基于深度學(xué)習(xí)提取耕地覆蓋

本研究基于Sentinel-L2A級影像，使用ENVI 5.6軟件中的deep learning（深度學(xué)習(xí)）附加模塊，利用TensorFlow訓(xùn)練深度學(xué)習(xí)模型提取耕地信息。相對于傳統(tǒng)方法，深度學(xué)習(xí)（DL）具備在大量樣本中自適應(yīng)特征學(xué)習(xí)的能力，能夠有效提取遙感影像中更為復(fù)雜、深層的信息特征［27-29］。DL模塊的實施流程主要包括圖像分類、創(chuàng)建樣本、創(chuàng)建模型、訓(xùn)練模型4個關(guān)鍵環(huán)節(jié)，其中樣本作為基石，對于模型性能有至關(guān)重要的影響。首先在研究區(qū)內(nèi)裁剪出典型區(qū)域（又稱為子區(qū)）旨在增強地物識別的清晰度，提高繪制樣本分離度。結(jié)合實地踏勘和天地圖影像數(shù)據(jù)，利用基于規(guī)則的特征提取方法（rule based feature extraction）對子區(qū)進行多尺度分割選取訓(xùn)練樣本，該方法通過整合臨近像元識別耕地的光譜要素、空間信息、紋理信息，實現(xiàn)對耕地的精準分割和分類，從而獲取分類后子區(qū)耕地圖像。運用Deep Learning模塊中的“build label raster from classification”功能，將子區(qū)耕地圖像樣本轉(zhuǎn)為標簽圖像（label raster）。將標簽圖像輸入模型網(wǎng)絡(luò)進行深度學(xué)習(xí)模型訓(xùn)練，通過訓(xùn)練過程使模型學(xué)習(xí)到耕地與非耕地之間的判別特征。訓(xùn)練完成后，利用該模型對整幅遙感影像進行耕地信息的自動提取。

2.2" 深度學(xué)習(xí)提取結(jié)果精度評價方法

為了全面且準確地評估分類結(jié)果的精度，采用混淆矩陣和目視解譯相結(jié)合的方式評估精度。目視解譯用于直接識別并糾正分類結(jié)果中明顯錯誤的目標，而混淆矩陣通過比較分類結(jié)果與實際地面真實情況得到多種指標，包括用戶者精度（users accuracy，UA）、生產(chǎn)者精度（producers accuracy，PA）、總體精度（overall accuracy，OA）、kappa 系數(shù)（kappa coefficient，KC）、漏分誤差（omission），從而定量評價分類精度。通過將目視解譯的直觀性與混淆矩陣的量化性相結(jié)合，對研究區(qū)內(nèi)玉米種植地分布情況進行精度評價［30］。

3" 構(gòu)建反演模型

3.1" 敏感波段選取

為了探究表層SOC和SPAD實測值與遙感影像對應(yīng)像元各波段DN值的相關(guān)性，本研究利用SPSS軟件計算相關(guān)系數(shù)r。分析初期表明，原始光譜反射率與表層SOC含量和SPAD值的相關(guān)性較低，大多數(shù)波段未能通過顯著性水平檢驗。為減小地形、大氣等因素對反射率產(chǎn)生的誤差，提高預(yù)測模型準確性，本研究對波段數(shù)據(jù)進行數(shù)學(xué)變換，以尋找更優(yōu)的自變量。具體來說，波段組合包括Bi+Bj、Bi-Bj、lnBi+lnBj、lnBi-lnBj、Bi/Bj、（Bi-Bj）/（Bi+Bj）6種數(shù)學(xué)類型，共計270種組合方式。分析結(jié)果表明，表層SOC與組合lnB3-lnB6、B11-B12之間相關(guān)性較高，而SPAD值與組合（B8-B12）/（B8+B12）、（B8-B11）/（B8+B11）、lnB2+lnB12、lnB8+lnB5之間相關(guān)性較高。因此，本研究分別選取2個與表層SOC相關(guān)的波段組合、4個與SPAD值相關(guān)的波段組合作為反演模型的輸入因子，以提高模型對SOC和葉綠素含量的預(yù)測精度。

3.2" 構(gòu)建土壤有機碳與冠層葉綠素含量神經(jīng)網(wǎng)絡(luò)反演模型

在各種人工神經(jīng)網(wǎng)絡(luò)架構(gòu)中，BP神經(jīng)網(wǎng)絡(luò)模型是研究較多、應(yīng)用較為廣泛的模型之一，它是一種基于誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，通常簡稱為“BP網(wǎng)絡(luò)”［ 31］。其結(jié)構(gòu)由3個基本層次構(gòu)成：輸入層、隱含層和輸出層。

在本研究中，輸入層選取各波段的反射率組合作為系統(tǒng)的初始輸入變量，用于建模和模型驗證；輸出層則設(shè)置單一節(jié)點，將SOC含量實測值和SPAD實測值作為系統(tǒng)輸出層數(shù)據(jù)，構(gòu)建針對表層SOC含量及SPAD值的反演模型。

在數(shù)據(jù)預(yù)處理階段，對初始的45個樣點進行了嚴格的篩選和剔除，以確保數(shù)據(jù)的質(zhì)量和代表性。經(jīng)過這一步驟，最終保留了33個樣點用于后續(xù)分析。為了合理劃分數(shù)據(jù)集，采用Kennard-Stone算法計算了這些樣點間的歐氏距離，并依據(jù)2 ∶1的比例將其分為建模集和驗證集。

在模型訓(xùn)練過程中，設(shè)定學(xué)習(xí)率為0.01，以確保訓(xùn)練過程的穩(wěn)定性和收斂性。對于隱含層和輸出層的激活函數(shù)，本研究選擇了trainlm函數(shù)和purelin函數(shù)，它們分別適用于隱含層和輸出層的神經(jīng)元激活。此外，迭代次數(shù)被設(shè)定為1 000次，以確保模型能夠充分學(xué)習(xí)數(shù)據(jù)中的特征。

值得注意的是，隱含層節(jié)點數(shù)的選擇對模型的預(yù)測性能具有顯著影響。過多的節(jié)點可能導(dǎo)致模型過擬合，即模型在訓(xùn)練集上表現(xiàn)良好，但在驗證集或?qū)嶋H應(yīng)用中性能下降；而過少的節(jié)點則可能使模型無法充分捕捉數(shù)據(jù)中的復(fù)雜關(guān)系，導(dǎo)致預(yù)測精度不足。因此，在模型構(gòu)建過程中，本研究進行了多次試驗和調(diào)優(yōu)，以找到最佳的隱含層節(jié)點數(shù)。

3.3" 模型效果評價指標

為了評估BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果，決定采用決定系數(shù)（r2）、平均絕對百分比誤差（MAPE）、均方根誤差（RMSE）來衡量實測值與預(yù)測值的一致性。r2越大，模型精度越高；RMSE、MAPE的值越小，模型擬合效果越好［32］。

r2=1-∑ni=1（yi-y＾i）2∑ni=1（yi-yi）2；

RMSE=∑ni=1（yi-y＾i）2n；

MAPE=1n∑ni=1yi-y＾yi×100%。

式中：n表示樣本數(shù)量；yi和y＾i分別表示實測值和預(yù)測；yi表示實測值的平均值。

4" 結(jié)果分析與討論

4.1" 目標地塊提取結(jié)果與精度分析

本研究利用DL模型對研究區(qū)的耕地進行了識別，模型訓(xùn)練耗時107 h。為了剔除噪聲像元和細碎的小多邊形，對提取結(jié)果進行細小斑塊去除等分類后處理［33］。最終得到了研究區(qū)耕地的精確空間分布圖（圖3）。經(jīng)統(tǒng)計分析，耕地面積為 206.24 km2，占瀛汶河流域總面積的21.18%。經(jīng)實地踏勘，選定玉米種植地作為目標樣地，并據(jù)此確定45個土壤樣地為耕地類型。隨即，將這45個土壤樣地就地繪制為感興趣區(qū)，作為驗證樣本。參考天地圖繪制明顯非耕地地物作為對照樣本，用于計算混淆矩陣。研究區(qū)耕地的空間分布的用戶者精度為97.37%，生產(chǎn)者精度為96.61%，總體精度為83.89%，kappa系數(shù)為0.326 2，漏分誤差為3.39%。

由于影像處于秋收時期，部分耕地被作物覆蓋，部分耕地完成收割為裸地形態(tài)，部分表現(xiàn)為植被和裸地的混合狀態(tài)，這種地物特征的復(fù)雜性使得影像分類提取耕地的精度受到影響，難以準確區(qū)分耕地邊界和植被覆蓋區(qū)域，特別是稀疏草地區(qū)域。在分析提取結(jié)果時，觀察到研究區(qū)上下游之間存在顯著差異。受到地形因素影響，在下游平原地區(qū)地勢相對平坦地區(qū)，土地利用類型變化較少，且光譜特征區(qū)別明顯。此外，耕地在土地利用類型中所占比例較高，相較于上游而言，提取難度較低。而上游地形復(fù)雜多變，地形起伏大且坡度較陡，導(dǎo)致捕捉遙感影像的紋理、顏色等地物特征不夠明顯。復(fù)雜的山地地區(qū)還限制了耕地的開發(fā)利用，使得耕地范圍主要集中在人類居住活動區(qū)周圍，且與其他土地利用類型特別是農(nóng)村住地交錯混合分布，形成一種抱團式但分散的分布格局。在坡麓地帶，還存在稀疏草地、裸地和耕地混合現(xiàn)象，這進一步減弱了地物特征的差異，從而降低了耕地提取的精度。

4.2" 冠層葉綠素含量空間分布特征

通過調(diào)整隱含層的節(jié)點數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，確定隱含層節(jié)點數(shù)為10時，即網(wǎng)絡(luò)結(jié)構(gòu)為4-10-1時，冠層葉綠素反演模型的均方根誤差最小，RMSE=4.494 8，決定系數(shù)最大，r2=0.792 05，BP神經(jīng)網(wǎng)絡(luò)模型的估算效果最佳。統(tǒng)計分析預(yù)測結(jié)果，將研究區(qū)耕地冠層葉綠素含量分為十類并賦予不同顏色，繪制研究區(qū)耕地冠層葉綠素含量空間分布圖，如圖4所示。反演結(jié)果顯示，研究區(qū)耕地的冠層葉綠素含量（SPAD值）在5.71～49.58之間，而SPAD實測值為16.06～57.12，反演結(jié)果的最大值和最小值均低于實測值。側(cè)面表明反演結(jié)果的精度尚不理想。

這一差異可能源于模型在復(fù)雜地表條件、多樣化植被類型及農(nóng)作物生長時令差異方面的適應(yīng)性欠缺。此外，研究采樣時間處于多數(shù)農(nóng)作物生長后期或老化階段，此時葉綠素含量顯著下降，對反演結(jié)果也產(chǎn)生了影響。特別地，沿瀛汶河主干道的SPAD值較穩(wěn)定，處于整體反演值的中間區(qū)間。

4.3" 表層土壤有機碳空間分布特征

當(dāng)隱含層節(jié)點數(shù)為10時，表層SOC反演模型的均方根誤差最低，RMSE=2.461 8，r2 = 0.630 81，BP神經(jīng)網(wǎng)絡(luò)模估算效果最好。整體而言，反演模型效果欠佳，采樣時，部分農(nóng)作物尚未收割，綠色植被的密集分布使得裸土面積大幅減少，這一狀況直接影響了分布精度的測定，進而影響反演模型的整體效果。對預(yù)測結(jié)果進行統(tǒng)計分析后，將研究區(qū)耕地表層SOC分為十類并賦予不同顏色，生成研究區(qū)耕地的表層SOC含量空間分布圖，如圖5所示。反演結(jié)果顯示，研究區(qū)耕地的表層SOC含量在6.69～27.23 g/kg之間，而采樣點表層SOC實測值為 7.00～29.70 g/kg，相比之下，反演結(jié)果的最大值和最小值均略低于實測值。

進一步分析反演結(jié)果（圖5）后，可以發(fā)現(xiàn)研究區(qū)表層SOC分布主要集中在13.00～16.00 g/kg的范圍內(nèi)，并在整個區(qū)域內(nèi)呈現(xiàn)不規(guī)則分布，整體而言，研究區(qū)的表層SOC含量相對較低。此外，其他SOC含量值的分布范圍較為有限，這可能與研究區(qū)域以耕地為主，土壤環(huán)境變量較為單一有關(guān)。研究區(qū)的東部和西北部地區(qū)表層SOC含量明顯高于研究區(qū)的其他地區(qū)。其原因可能是這一帶屬于山區(qū)地形，受海拔和坡度的影響，有機物和養(yǎng)分在降雨和重力作用下容易從高處流失并沉積至山腳的耕地地區(qū)，這種過程使得山腳下的耕地表層SOC含量較高。中部偏東南區(qū)域?qū)儆谄皆孛?，該區(qū)域內(nèi)瀛汶河貫穿而過，是研究區(qū)的主要耕地集中區(qū)，也是人口密集分布的地區(qū)。人類活動對有機碳干擾較強，使得部分區(qū)域表層SOC含量較低。沿河地區(qū)濕地指數(shù)較高，有利于有機碳累計，從而在部分沿河區(qū)域表層SOC含量較高。綜合作用下，該區(qū)域表層SOC呈現(xiàn)出多種區(qū)間值均有分布的特征。此外，觀察到一小片耕地的表層SOC含量顯著高于周邊其他耕地區(qū)域。這種異質(zhì)性分布可能是該地土壤類型能更有效地固定有機碳、土壤生物活性較高等有利條件共同作用的結(jié)果。

5" 結(jié)論

本研究選取了山東省瀛汶河流域的耕地作為研究區(qū)域，利用Sentinel-2A多光譜遙感數(shù)據(jù)及野外實地調(diào)查采樣數(shù)據(jù)，提取了不同波段的反射率及其波段組合；基于BP神經(jīng)網(wǎng)絡(luò)模型建立了反演模型，用于預(yù)測該區(qū)域表層土壤的有機碳含量和SPAD值，并對其空間分布格局特征進行了深入分析。得到結(jié)論如下：

（1）基于深度學(xué)習(xí)模型識別瀛汶河流域耕地的總面積為206.24 km2，占總流域面積的21.18%。通過混淆矩陣進行精度評定得到用戶者精度97.37%，生產(chǎn)者精度96.61%，總體精度83.89%，kappa系數(shù)0.326 2。受秋收時節(jié)影像復(fù)雜性影響，下游平坦區(qū)提取難度低，上游地形復(fù)雜提取難度高。

（2）通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)反演耕地冠層葉綠素含量的結(jié)果精度尚不理想，推測受復(fù)雜地表、植被多樣性和作物生長時令等因素制約。

（3）反演研究區(qū)表層SOC的結(jié)果顯示研究區(qū)東部和西北部山區(qū)地形有機碳含量較高，中部偏東南平原地貌耕地有機碳含量較低，沿河部分區(qū)域較高。SCO反演精度受限部分歸因于綠色植被干擾。

參考文獻：

［1］Scharlemann J P，Tannerer E V，Hiederer R，et al. Global soil carbon：understanding and managing the largest terrestrial carbon pool［J］. Carbon Management，2014，5（1）：81-91.

［2］宋立生，趙之重，徐劍波，等. 基于TM遙感影像的瑪多縣草地土壤有機質(zhì)的時空格局反演［J］. 草業(yè)科學(xué)，2011，28（12）：2069-2073.

［3］Wang L J，Sheng M Y，Du J Y，et al. Distribution characteristics of soil organic carbon and its influence factors in the karst rocky desertification ecosystem of Southwest China［J］. Acta Ecological Sinica，2017，37（4）：1358-1365.

［4］何志斌，趙文智，劉" 鵠，等. 祁連山青海云杉林斑表層土壤有機碳特征及其影響因素［J］. 生態(tài)學(xué)報，2006，26（8）：2572-2577.

［5］Schimel D，Melillo J，Tian H，et al. Contribution of increasing CO2 and climate to carbon storage by ecosystems in the United States［J］. Science，2000，287（5460）：2004-2006．

［6］張春華，王宗明，任春穎，等. 松嫩平原玉米帶農(nóng)田土壤有機碳時空格局［J］. 農(nóng)業(yè)工程學(xué)報，2010，26（增刊1）：300-307.

［7］蘇" 偉，趙曉鳳，孫中平，等. 基于Sentinel-2A影像的玉米冠層葉綠素含量估算［J］. 光譜學(xué)與光譜分析，2019，39（5）：1535-1542.

［8］Smeal D，Zhang H. Chlorophyll meter evaluation for nitrogen management in corn［J］. Communications in Soil Science and Plant Analysis，1994，25（9-10）：1495-1503.

［9］繆紳裕，鄧鴻英，王厚麟，等. 50種植物葉片綠色度和葉綠素含量相關(guān)性研究［J］. 安徽農(nóng)業(yè)科學(xué)，2012，40（1）：158-160，181.

［10］Yang W N，Wang Y B，Lu X，et al. Nutrient evaluation of the soil in the Qinghai-Tibet Plateau based on BP neural network［J］. Journal of Glaciology and Geocryology，2019，41（1）：215-226.

［11］何曉群. 多元統(tǒng)計分析［M］. 北京：中國人民大學(xué)出版社，2012：135.

［12］Zhou H Z，Gong Z T. Study on soil spatial variability［J］. Acta Pedologica Sinica，1996，33（3）：232-241.

［13］Henderson T L，Baumgardner M F，F(xiàn)ranzmeier D P，et al. High dimensional reflectance analysis of soil organic matter［J］. Soil Science Society of America Journal，1992，56（3）：865-872.

［14］劉煥軍，潘" 越，竇" 欣，等. 黑土區(qū)田塊尺度土壤有機質(zhì)含量遙感反演模型［J］. 農(nóng)業(yè)工程學(xué)報，2018，34（1）：127-133.

［15］周" 稀，潘洪旭，鄧歐平，等. 基于RS和GIS的西河流域土壤有機碳含量的空間反演［J］. 中國土壤與肥料，2016（4）：32-38.

［16］王趙飛. 基于Sentinel影像融合的表層土壤有機碳含量時空反演研究［D］. 撫州：東華理工大學(xué)，2019：30-35.

［17］Guo J X，Zhao X M，Guo X，et al. Inversion of organic matter content in red soil based on PLSR-BP composite model［J］. Acta Pedologica Sinica，2020，57（3）：636-645.

［18］Schlemmer M，Gitelson A，Schepers J，et al. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels［J］. International Journal of Applied Earth Observation and Geoinformation，2013，25（1）：47-54.

［19］唐普恩，丁建麗，葛翔宇，等. 基于Sentinel-2A影像干旱區(qū)棉花葉片SPAD數(shù)字制圖［J］. 生態(tài)學(xué)報，2020，40（22）：8326-8335.

［20］馬子鈺，馬文林，賈小紅，等. 基于DNDC模型的玉米田土壤有機碳變化模擬預(yù)測［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報，2023，42（4）：192-198.

［21］余蛟洋，常慶瑞，由明明，等. 基于高光譜和BP神經(jīng)網(wǎng)絡(luò)模型蘋果葉片SPAD值遙感估算［J］. 西北林學(xué)院學(xué)報，2018，33（2）：156-165.

［22］薛" 香，吳玉娥. 小麥葉片葉綠素含量測定及其與SPAD值的關(guān)系［J］. 湖北農(nóng)業(yè)科學(xué)，2010，49（11）：2701-2702，2751.

［23］童淑媛，宋鳳斌. SPAD值在玉米氮素營養(yǎng)診斷及推薦施肥中的應(yīng)用［J］. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究，2009，25（2）：233-238.

［24］田" 穎，陳卓奇，惠鳳鳴，等. 歐空局哨兵衛(wèi)星Sentinel-2A/B數(shù)據(jù)特征及應(yīng)用前景分析［J］. 北京師范大學(xué)學(xué)報（自然科學(xué)版），2019，55（1）：57-65.

［25］趙" 成，梁盈盈，馮" 浩，等. 基于Sentinel-2多時相遙感影像的黃土高原覆膜農(nóng)田識別研究［J/OL］. 農(nóng)業(yè)機械學(xué)報，2023：1-16（2023-06-19）［2024-06-19］. https：//kns.cnki.net/kcms/detail/11.1964.S.20230615.1740.006.html.

［26］張錫煜，李思佳，王" 翔，等. 基于Sentinel-2衛(wèi)星影像的黑龍江綏化市土壤全氮定量遙感反演［J］. 農(nóng)業(yè)工程學(xué)報，2023，39（15）：144-151.

［27］Islam A R M T，Talukdar S，Mahato S，et al. Machine learning algorithm-based risk assessment of riparian wetlands in Padma River Basin of Northwest Bangladesh［J］. Environmental Science and Pollution Research International，2021，28（26）：34450-34471.

［28］DeLancey E R，Simms J F，Mahdianpari M，et al. Comparing deep learning and shallow learning for large-scale wetland classification in Alberta，Canada［J］. Remote Sensing，2019，12（1）：2-22.

［29］許" 鑫，耿" 慶，鄭" 凱，等. 基于紋理特征與深度學(xué)習(xí)的小麥圖像中的穗粒分割與計數(shù)［J］. 江蘇農(nóng)業(yè)學(xué)報，2024，40（4）：661-674.

［30］Lewis H G，Brown M. A generalized confusion matrix for assessing area estimates from remotely sensed data［J］. International Journal of Remote Sensing，2001，22（16）：3223-3235.

［31］魏海坤. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法［M］." 北京：國防工業(yè)出版社，2005：94-96.

［32］Hosseini M，Bahrami H，Khormail F，et al. Artificial intelligence statistical analysis of soil respiration improves predictions compared to regression methods［J］. Journal of Soil Science and Plant Nutrition，2021，21（3）：2242-2251.

［33］李丹丹. 基于深度學(xué)習(xí)U-NET模型在冰川信息提取中的應(yīng)用研究［D］. 北京：中國地質(zhì)大學(xué)，2020：28-29.