基于GF-1遙感數(shù)據(jù)預(yù)測區(qū)域森林土壤有機(jī)質(zhì)含量①

李瑩瑩，趙正勇*，楊 旗，丁曉綱，孫冬曉，韋孫瑋

基于GF-1遙感數(shù)據(jù)預(yù)測區(qū)域森林土壤有機(jī)質(zhì)含量①

李瑩瑩1，趙正勇1*，楊 旗1，丁曉綱2，孫冬曉2，韋孫瑋1

(1 廣西大學(xué)林學(xué)院廣西森林生態(tài)與保育重點(diǎn)實(shí)驗(yàn)室，南寧 530004；2 廣東省林業(yè)科學(xué)研究院，廣州 510520)

為探索國產(chǎn)衛(wèi)星GF-1預(yù)測土壤有機(jī)質(zhì)(SOM)的能力，本研究以廣東省云浮市的羅定市為研究區(qū)，以GF-1多光譜遙感影像衍生的9個(gè)遙感變量和DEM提取的9個(gè)地形水文變量為預(yù)測因子，建立2種人工神經(jīng)網(wǎng)絡(luò)模型(A模型：地形水文；B模型：地形水文+遙感)，對(duì)5個(gè)土壤深度(L1: 0 ～ 20 cm，L2: 20 ～ 40 cm，L3: 40 ～ 60 cm，L4: 60 ～ 80 cm，L5: 80 ～ 100 cm) 的SOM進(jìn)行預(yù)測。結(jié)果表明：5個(gè)深度的B模型全都比A模型的精度高，尤其是L1、L2土層，精度提升明顯，其2分別提高了13% 和10%；而深層土壤(L3、L4、L5)的精度提升較小，僅提高了4%、5% 和4%。另外，兩個(gè)評(píng)價(jià)指標(biāo)RMSE和ROA ±10% 也表現(xiàn)出相似的趨勢。總體而言，GF-1遙感數(shù)據(jù)顯著改善了上層(0 ～ 40 cm)森林土壤人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，對(duì)下層(40 ～ 100 cm)森林土壤模型改善尺度較低，是預(yù)測森林土壤SOM含量可觀的新遙感數(shù)據(jù)源。

土壤預(yù)測；人工神經(jīng)網(wǎng)絡(luò)模型；GF-1；遙感數(shù)據(jù)；多層土壤

土壤有機(jī)質(zhì)(SOM)的預(yù)測方法有空間插值法、線性回歸模型和回歸克里格法等，這些方法常需要大量的樣點(diǎn)并假設(shè)空間自相關(guān)。而在多樣化的環(huán)境中進(jìn)行SOM預(yù)測時(shí)，樣點(diǎn)數(shù)據(jù)匱乏，SOM與環(huán)境之間的關(guān)系更多是非線性過程[1]。因此，學(xué)者開始用人工智能技術(shù)來解決難題。例如，Mcbratney等[2]使用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)模型預(yù)測土壤物理性質(zhì)。Henderso等[3]使用決策樹生成各種土壤性質(zhì)圖。這些模型大多是基于數(shù)字高程模型(DEM)衍生的地形和水文變量，模型輸入數(shù)據(jù)源較單一。隨著衛(wèi)星遙感技術(shù)迅速發(fā)展，記錄著更多土壤信息的遙感影像豐富了土壤制圖的數(shù)據(jù)集[4]。以往研究表明， Landsat系列衛(wèi)星的遙感影像最為廣泛運(yùn)用。例如，張法升等[5]利用Landsat 5影像預(yù)測了遼寧省阜新鎮(zhèn)土壤表層的SOM，Wang等[6]使用Landsat 8影像預(yù)測表層土壤有機(jī)碳(SOC)的含量。他們發(fā)現(xiàn)，在森林地區(qū)進(jìn)行土壤成分預(yù)測的關(guān)鍵環(huán)境變量是遙感數(shù)據(jù)。但是，Landsat 5遙感衛(wèi)星早已退役，Landsat 7則由于內(nèi)部故障使遙感影像出現(xiàn)條帶，最新的Landsat 8 的30 m分辨率影像還無法滿足高精度的預(yù)測模型。在小區(qū)域中，Spot、Quick Bird等高分辨率遙感影像也有應(yīng)用，但波段少、幅寬小，并且價(jià)格昂貴[7]，對(duì)大尺度土壤預(yù)測難普及。高分一號(hào)(GF-1)是中國首顆高分辨率對(duì)地觀測遙感衛(wèi)星，對(duì)我國的遙感技術(shù)的發(fā)展具有重要的戰(zhàn)略意義。目前GF-1影像大多用于森林檢測、地物識(shí)別和災(zāi)害監(jiān)測等，用于估測土壤成分的研究非常少，尚處于探索階段。

本文將構(gòu)建2個(gè)ANN模型，即以粗分辨率土壤圖為基礎(chǔ)，A模型的候選輸入變量為DEM衍生出來的9個(gè)地形變量，B模型繼承了A模型篩選出來的預(yù)測能力最強(qiáng)的地形變量，又增加從GF-1影像衍生的9個(gè)遙感變量，建立羅定市0 ～ 100 cm 5個(gè)土層SOM的ANN反演模型，探索GF-1號(hào)遙感影像的4個(gè)波段以及衍生的5個(gè)植被變量在預(yù)測SOM上的反演能力，為今后利用GF-1號(hào)遙感影像預(yù)測其他土壤成分的研究提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)在廣東省云浮市的羅定市(22°25′11″ ～ 22°57′34″N，111°03′08″ ～ 111°52′44″E)，全市面積2 327.5 km2，其中森林面積約1 426.9 km2，森林覆蓋率高達(dá)61.3%。研究區(qū)內(nèi)雨熱同期，具有高溫高濕的特點(diǎn)，有利于植物生長。其中，熱帶季風(fēng)森林類型占主導(dǎo)地位，主要包括天然次生常綠闊葉林、針葉林和混交林。在當(dāng)?shù)貧夂颉⒌匦魏椭脖活愋偷墓餐饔孟?，羅定市主要以紅壤和赤紅壤為主。

1.2 數(shù)據(jù)來源及處理

1.2.1 土壤樣點(diǎn)數(shù)據(jù) 研究區(qū)的260個(gè)土壤樣點(diǎn)數(shù)據(jù)由廣東省林業(yè)科學(xué)研究院提供，具體采樣時(shí)間在2015年11—12月(圖1)。樣點(diǎn)數(shù)據(jù)由隨機(jī)布點(diǎn)、專題布點(diǎn)和林分布點(diǎn)3種采樣方案所得，充分代表了不同地形、植被和土壤類型等條件下的SOM特征。依據(jù)來自中科院南京土壤研究所全國土壤調(diào)查數(shù)據(jù)的SOM圖(http://www.soilinfo.cn/map/index.aspx)，將0 ～ 100 cm土壤剖面分為5層，即L1：0 ～ 20 cm，L2: 20 ～ 40 cm，L3: 40 ～ 60 cm，L4: 60 ～ 80 cm，L5：80 ～ 100 cm，采用重鉻酸氧化–外加熱法測定SOM含量。

1.2.2 粗分辨率的SOM圖 在ArcGIS中將中科院南京土壤研究所1∶100萬比例尺的SOM矢量圖轉(zhuǎn)化成1 000 m分辨率柵格圖，即本研究用的粗分辨率SOM(coarse-resolution soil organic matter, CSOM)圖，再采用傳統(tǒng)的反距離加權(quán)插值法重采樣至10 m分辨率。本文以CSOM代表區(qū)域內(nèi)SOM的平均值，空間上的SOM變化主要由地形水文和植被環(huán)境影響。

1.2.3 DEM衍生的9個(gè)地形水文變量 本研究的DEM數(shù)據(jù)來自廣東省林業(yè)科學(xué)研究院從Cartosat-1 (IRS-P5)獲得的立體圖像，采用反距離加權(quán)插值法重采樣至10 m分辨率。根據(jù)Zhao等[8-9]對(duì)土壤性質(zhì)的研究，坡度(Slope)、坡向(Aspect)、地形位置指數(shù)(topographical position index, TPI)、潛在太陽輻射(potential solar radiation, PSR)、潛在地下水位深(depth to water, DTW)、泥沙輸移比(sediment delivery ratio, SDR)、水流長度(flow length, FL)、水流流向(flow direction, FD)、土壤地形因素(soil terrain factor, STF)是預(yù)測模型較為優(yōu)越的變量。9個(gè)地形水文變量主要參照Meng等[10]和Zhao等[8]的提取方法，利用 ArcGIS 中的空間分析工具和基于ArcGIS的腳本語言Avenue開發(fā)的森林水文工具從DEM獲取。

1.2.4 GF-1號(hào)衍生的9個(gè)遙感變量 綜合考慮影像的能見度和采樣時(shí)間，從地理空間數(shù)據(jù)云網(wǎng)站(http://www.gscloud.cn)選擇覆蓋研究區(qū)的7景8 m分辨率的GF-1多光譜遙感影像，波段范圍為450 ～ 890 nm，成像時(shí)間為2014年10月8日3景，2014年1月23日3景，2013年11月15日1景。雖然，選取影像的成像時(shí)間不一致，某些影像也不在生長季內(nèi)，但是羅定市屬于亞熱帶季風(fēng)氣候，森林植被終年常綠，季節(jié)變化不明顯，不同季節(jié)的影像相差不大。首先，利用ENVI5.3軟件對(duì)遙感影像進(jìn)行預(yù)處理，主要包括在“Radiometric Calibration”模塊中完成輻射定標(biāo)；再對(duì)影像進(jìn)行FLASS大氣校正，以消除圖像中由大氣散射引起的輻射誤差；再選擇“RCP Orthorectification Workflow”模塊進(jìn)行正射校正；最后進(jìn)行鑲嵌、裁剪和重采樣(反距離加權(quán)插值法)至10 m分辨率。模型采用的遙感變量有藍(lán)波段(B)、綠波段(G)、紅波段(R)、近紅外波段(NIR)，旨在探索GF-1影像4波段在預(yù)測SOM上的能力。另外，利用ENVI5.3的Band math 模塊進(jìn)行4種植被指數(shù)NDVI、 DVI、RVI、RDVI的計(jì)算，用于反映植物生長狀況。在遙感科學(xué)領(lǐng)域，這些植被指數(shù)對(duì)土壤背景的變化非常敏感，能較好地反映植被覆蓋度和生長狀況的差異，是植被生長的良好指標(biāo)。

為了提高森林分類的準(zhǔn)確性，在易康(eCognition)軟件中采用分層分類方法對(duì)處理好的8 m分辨率的影像進(jìn)行森林分類。分類樣本數(shù)據(jù)從廣東省林業(yè)科學(xué)研究院提供的森林小班矢量圖的各個(gè)森林類型較大斑塊的幾何中心選取900個(gè)盡可能均勻分布的森林類型樣點(diǎn)。將900個(gè)數(shù)據(jù)樣點(diǎn)隨機(jī)分成兩份，600個(gè)用于分類訓(xùn)練，300個(gè)用于精度檢驗(yàn)。根據(jù)eCognition的“Feature Space Optimization”選擇可分離性最優(yōu)的特征，先區(qū)分植被和非植被，在植被基礎(chǔ)上再分林地和耕地，最后在林地上區(qū)分針葉林、闊葉林和混交林。分類精度評(píng)價(jià)使用eCognition中的基于樣本的誤差矩陣(Error Mateix based on Sample)，針葉林、闊葉林和針葉林的總體精度為0.81，KIA為0.77。分類結(jié)果見圖1。由于森林分類技術(shù)的局限，無法對(duì)研究區(qū)內(nèi)面積很小的灌木、竹林和其他類植被實(shí)現(xiàn)自動(dòng)分類，則依據(jù)小班圖進(jìn)行人工分類[11]，最后采用反距離加權(quán)插值法重采樣至10 m分辨率。

圖1 研究區(qū)采樣點(diǎn)和森林類型圖

1.3 研究方法

1.3.2 評(píng)價(jià)指標(biāo) 為了比較模型的性能，ANN模型采用10-fold Cross Validation(10重交叉驗(yàn)證)評(píng)估模型精度。具體采用 3個(gè)模型精度評(píng)價(jià)指標(biāo)，包括均方根誤差(RMSE)、決定系數(shù)(2) 、相對(duì)整體精度(ROA±10%)。具體公式如下：

2 結(jié)果與分析

2.1 研究區(qū)土壤有機(jī)質(zhì)描述性統(tǒng)計(jì)

研究區(qū)采樣點(diǎn)SOM含量的統(tǒng)計(jì)結(jié)果如表1所示。SOM的變化范圍在0.05 ～ 103.07 g/kg，其中L1土層的變化最大，在0.07 ～ 103.70 g/kg。SOM的平均含量和標(biāo)準(zhǔn)差隨土壤深度增加而下降，深層土壤(L4、L5)的SOM約是表層(L1)的1/2。此外，每一層SOM的變異系數(shù)都比較高，都在50% 以上，研究區(qū)SOM的空間分布屬于中等變異。

2.2 研究區(qū)土壤有機(jī)質(zhì)與預(yù)測變量的關(guān)系

SOM與森林類型(Forest)等19個(gè)變量的Pearson 相關(guān)關(guān)系如表2所示。每層土壤的SOM均與CSOM顯著正相關(guān)。在遙感變量中，每層土壤的SOM與多個(gè)遙感變量之間的相關(guān)性都顯著，特別是與NDVI、RDVI。另外，每層土壤的SOM僅與少數(shù)地形變量的相關(guān)性顯著。統(tǒng)計(jì)表明，本研究區(qū)的SOM與地形變量的線性關(guān)系較弱，與遙感變量線性關(guān)系較強(qiáng)。因此，本研究采用經(jīng)典的機(jī)器學(xué)習(xí)算法——ANN模型來解決非線性的問題。

表1 各土層SOM的描述性統(tǒng)計(jì)(g/kg)

2.3 研究區(qū)土壤有機(jī)質(zhì)預(yù)測模型比較與評(píng)估

2.3.1 模型輸入變量最優(yōu)組合篩選 最優(yōu)模型應(yīng)在繼續(xù)添加變量后精度不會(huì)顯著提高，則該輸入組合才是模型最優(yōu)的變量組合。因此，最佳模型應(yīng)具有較高的2和ROA±10%，較低的RMSE。本研究2種模型的預(yù)測結(jié)果如表3所示。在L1土層中，A模型(地形)逐漸添加地形水文變量后顯著提高了模型的性能，ROA±10% 的值從35% 逐漸增加到47%、50%、56%、63%、72%，但進(jìn)一步添加變量，ROA±10% 不再繼續(xù)增加，甚至在增加到8個(gè)變量時(shí)ROA±10% 降到了63%。模型的RMSE和2也都反映出相同的先改善后降低的趨勢。因此，A模型預(yù)測L1土層SOM的最佳輸入變量為6個(gè)，基于此選擇方案，預(yù)測L2、L3、L4、L5土層SOM的最佳輸入變量為6、7、5、6個(gè)。而對(duì)于B模型，預(yù)測5個(gè)土層SOM的最佳輸入變量個(gè)數(shù)分別為6、4、6、6、7個(gè)。

2.3.2 模型預(yù)測精度比較 從表3可知，B模型與A模型相比普遍具有最低的RMSE，以及最高的2和ROA±10%，因此，B模型的預(yù)測結(jié)果較佳。并且，可以觀察到B模型對(duì)表層土壤(L1、L2)比對(duì)深層土壤(L3、L4、L5)的預(yù)測精度提高尺度更大。相對(duì)于A模型，B模型對(duì)L1、L2土層預(yù)測的2提高了13% 和10%，而L3、L4、L5土層僅提高了4%、5%、4%。同樣地，RMSE和ROA±10% 也表現(xiàn)出相似的趨勢。這表明遙感影像在改善研究區(qū)SOM的預(yù)測能力方面是有一定的局限性，對(duì)于深層土壤改善不夠顯著。

表2 各層土壤SOM與輸入變量的相關(guān)性

注：**表示相關(guān)性在<0.01水平顯著；*表示相關(guān)性在<0.05水平顯著。

表3 SOM的2種ANN模型最優(yōu)變量組合及預(yù)測精度

注：表中A1代表TPI、Slope、STF、SDR、DTW、FL；A2代表TPI、Slope、Aspect、SDR、DTW、PSR；A3代表TPI、Slope、Aspect、STF、SDR、FD、PSR；A4代表 TPI、Slope、Aspect、SDR、FL；A5代表TPI、Slope、Aspect、STF、DTW、FD。

2.4 研究區(qū)土壤有機(jī)質(zhì)空間格局

采用 B模型篩選出的最優(yōu)ANN模型，以10 m× 10 m的分辨率繪制羅定市森林土壤SOM的空間分布(圖2)。SOM的含量隨著土層深度的加深而減少，其中，L1土層SOM含量最高，其空間分布含量普遍高于30 g/kg；L2土層SOM含量主要在20 ～ 30 g/kg；L3土層SOM含量則大多處在10 ～ 20 g/kg和20 ～ 30 g/kg等級(jí)；L4和L5土層SOM含量減少得更明顯，主要在10 ～ 20 g/kg等級(jí)范圍內(nèi)。從水平結(jié)構(gòu)的整體來看，每層土壤較高的SOM主要出現(xiàn)在闊葉林地區(qū)。

圖2 研究區(qū)各土層的SOM空間分布

3 討論

本研究主要探索GF-1的4個(gè)多光譜波段與衍生的5個(gè)植被變量對(duì)傳統(tǒng)的地形水文ANN模型的影響，結(jié)果表明，GF-1衍生數(shù)據(jù)提高了地形水文土壤模型的預(yù)測精度。這一研究結(jié)果與Wang等[12]和Zhou等[13]的報(bào)告一致，他們認(rèn)為全變量模型(地形水文+遙感)比地形水文模型預(yù)測更好。在改善地形水文模型的精度上，遙感數(shù)據(jù)對(duì)上層(0 ～ 40 cm)土壤的預(yù)測提升幅度較大，對(duì)深層(40 ～ 100 cm)土壤提升幅度較小。這與Kempen等[14]和Minasny等[15]的結(jié)果一致，他們都報(bào)道了土壤預(yù)測模型的性能隨深度而下降。這可能是由于輔助環(huán)境變量的映射能力隨著土壤深度加深而降低，所使用的大部分輔助數(shù)據(jù)不能有效地捕獲這些土層(40 ～ 100 cm)的SOM變化，其不確定性隨著土壤深度的增加而增加[9]。

通過最佳模型(B模型)的變量組合來看，所有遙感變量中森林類型(Forest)和NDVI對(duì)SOM含量表現(xiàn)出較強(qiáng)的預(yù)測能力。這與Winowiecki等[16]的研究一致，其發(fā)現(xiàn)有機(jī)碳的空間分布格局與植被類型及密度密切相關(guān)。在森林生態(tài)系統(tǒng)中，SOM的主要來源為植被凋落物，植被越密，凋落物越多。植被凋落物的特征也是影響SOM積累的重要原因，針葉類凋落葉分解速率較慢，不利于SOM的積累，而闊葉樹凋落葉容易分解，促進(jìn)SOM的積累[17]。一些落葉闊葉林還發(fā)生季節(jié)性落葉，增加了SOM的來源。植被指數(shù)廣泛用于評(píng)估植被覆蓋、生物量、作物產(chǎn)量和植物健康等植物狀況。最優(yōu)模型變量組合顯示，NDVI、RDVI、DVI和RVI均有出現(xiàn)在不同土層的最優(yōu)模型中。這些指標(biāo)對(duì)植被覆蓋、植被色素含量和葉片水分的變化最為敏感，已成功用于評(píng)估植被覆蓋狀況、預(yù)測土壤養(yǎng)分和土壤鹽分[18-19]。考慮到土壤性質(zhì)與植被覆蓋狀況的密切關(guān)系，植被指數(shù)可以反映土壤性質(zhì)的變化。因此，可以引入光譜植被指數(shù)作為間接指標(biāo)來了解SOM的狀況。

遙感數(shù)據(jù)是數(shù)字土壤制圖研究中應(yīng)用廣泛的輔助變量。但是，以往研究中極少探索GF-1數(shù)據(jù)在土壤制圖中的應(yīng)用。本研究發(fā)現(xiàn)，GF-1的4個(gè)波段作為ANN模型輸入變量進(jìn)行評(píng)估SOM是有效的。這與馬馳[7]的結(jié)果一致，他應(yīng)用GF-1的4個(gè)波段較好地預(yù)測了SOM的空間分布。另外，以往研究大多數(shù)都是采用了Moidis、Landsat和Sentinel等衛(wèi)星的綠波段、紅波段和近紅外波段等，都未探索藍(lán)波段與土壤性質(zhì)的關(guān)系。而最優(yōu)模型的變量組合顯示GF-1的藍(lán)波段對(duì)L1、L3土層的SOM預(yù)測具有一定的重要性。該結(jié)論與郭燕等[20]研究一致，她們發(fā)現(xiàn)GF-1的4個(gè)波段中，藍(lán)波段與SOM的相關(guān)性最強(qiáng)。Streck等[21]認(rèn)為，土壤電磁光譜可見光區(qū)和近紅外區(qū)等的光譜反射率揭示了大量關(guān)于土壤條件的信息。事實(shí)上，土壤光譜數(shù)據(jù)受到土壤性質(zhì)的影響，包括土壤SOM、植被、土壤質(zhì)地、土壤水分、土壤鹽分和氧化鐵含量等。因此，光譜數(shù)據(jù)是研究和測繪土壤性質(zhì)的一個(gè)很好的工具。

Pouladi等[22]使用遙感數(shù)據(jù)預(yù)測表層土壤有機(jī)碳含量，發(fā)現(xiàn)遙感變量解釋了89% 的有機(jī)碳含量的空間變化，并認(rèn)為當(dāng)采樣點(diǎn)足夠密集時(shí)，無需在模型中引入其他環(huán)境變量。但本研究表明，地形水文變量在預(yù)測土壤性質(zhì)時(shí)起到了很重要的作用，僅地形水文變量就可以解釋70% 左右的SOM含量分布狀況。并且，遙感變量對(duì)表土層的預(yù)測效果較好，對(duì)深層土壤預(yù)測效果較差。因此，地形水文環(huán)境變量是必要的，尤其是在地勢起伏大的森林地區(qū)[23]。從本研究A模型篩選出來的最優(yōu)變量組合來看，預(yù)測SOM含量的代表性地形水文變量是TPI和Slope。TPI 反映的是研究點(diǎn)與其鄰域內(nèi)其他點(diǎn)的相對(duì)高度差[24]。TPI為下坡位和山谷地區(qū)，坡度較小，海拔較低，人類活動(dòng)干擾多，土壤侵蝕嚴(yán)重，容易造成SOM流失。相反，在坡度大的山脊和上坡位地區(qū)，海拔較高，人類活動(dòng)較少，土壤動(dòng)物和微生物活躍，有利于SOM形成。海拔還通過影響小氣候的形成，影響土壤動(dòng)物和微生物的活性，進(jìn)而影響SOM的積累。

從SOM的垂直分布來看，隨著土壤深度的增加，SOM含量呈逐漸下降的趨勢，這與鄧小軍等[25]對(duì)亞熱帶廣西山地紅壤區(qū)域的研究結(jié)果一致。主要原因是凋落物、土壤動(dòng)物和微生物主要分布在土壤表層，且表層土壤通風(fēng)、濕熱條件優(yōu)于深層土壤，使得SOM在表層積累較高[26]。從SOM的水平結(jié)構(gòu)來看，SOM含量高的主要分布在闊葉林。這與最優(yōu)模型的變量組合一致，森林類型(Forest)是5個(gè)土層SOM預(yù)測的最重要的變量。SOM的積累主要受到高等植物凋落物的性質(zhì)，以及土壤動(dòng)物和微生物的影響。闊葉林的凋落物比針葉林凋落物易分解。另外，羅定市主要的針葉樹種是馬尾松、杉木和桉樹林等人工林，受到人類林業(yè)活動(dòng)的影響較多，不利于SOM的積累。

本研究中，加上遙感變量的ANN模型在預(yù)測性能上得到了提高，但是，研究中存在不確定性。首先，數(shù)據(jù)采集和實(shí)驗(yàn)室分析中會(huì)存在一些采樣誤差和實(shí)驗(yàn)誤差。其次，由于地形和云層的影響，高海拔地區(qū)在圖像分割過程中易產(chǎn)生陰影，從而導(dǎo)致衛(wèi)星圖像數(shù)據(jù)中出現(xiàn)較大的反射率誤差[13]。另外，陸地表面特性隨時(shí)間的變化和遙感數(shù)據(jù)采集的時(shí)間也會(huì)影響預(yù)測結(jié)果。最后，本研究只從GF-1提取了9個(gè)遙感數(shù)據(jù)，可能未充分挖掘更好的遙感潛在變量。

4 結(jié)論

本研究利用2種ANN模型預(yù)測了廣東省云浮市羅定市森林土壤5個(gè)土層的SOM含量，結(jié)果表明，國產(chǎn)衛(wèi)星GF-1號(hào)衍生的9個(gè)遙感變量對(duì)研究區(qū)SOM的預(yù)測是有效的，其對(duì)上層(L1和L2)森林土壤SOM的預(yù)測效果較好，遙感數(shù)據(jù)的加入使得基于地形水文數(shù)據(jù)的ANN土壤模型的精度(2)分別提高了13% 和10%，而對(duì)40 cm以下深層土壤的預(yù)測性能提高較小，僅提高了4% 或5%，需要引入更多的遙感變量，如多光譜波段和全色波段的紋理特征等輔助變量來改善深層土壤的預(yù)測。因此，在未來的森林土壤制圖中應(yīng)注重選擇和開發(fā)與植被相關(guān)的變量，進(jìn)一步探索國產(chǎn)遙感衛(wèi)星與土壤制圖技術(shù)的結(jié)合，推動(dòng)其在全國范圍內(nèi)林業(yè)、農(nóng)業(yè)等方面的進(jìn)一步應(yīng)用與發(fā)展。

[1] McBratney A B, Odeh I O A, Bishop T F A, et al. An overview of pedometric techniques for use in soil survey[J]. Geoderma, 2000, 97(3/4): 293–327.

[2] McBratney A B, Mendon?a Santos M L, Minasny B. On digital soil mapping[J]. Geoderma, 2003, 117(1/2): 3–52.

[3] Henderson B L, Bui E N, Moran C J, et al. Australia-wide predictions of soil properties using decision trees[J]. Geoderma, 2005, 124(3/4): 383–398.

[4] 周萍, 王潤生, 閻柏琨, 等. 高光譜遙感土壤有機(jī)質(zhì)信息提取研究[J]. 地理科學(xué)進(jìn)展, 2008, 27(5): 27–34.

[5] 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[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2010, 21(4): 883–888.

[6] Wang S, Gao J H, Zhuang Q L, et al. Multispectral remote sensing data are effective and robust in mapping regional forest soil organic carbon stocks in a northeast forest region in China[J]. Remote Sensing, 2020, 12(3): 393.

[7] 馬馳. 基于GF-1土壤有機(jī)質(zhì)含量估測的研究[J]. 西南農(nóng)業(yè)學(xué)報(bào), 2018, 31(1): 126–130.

[8] Zhao Z, Yang Q, Benoy G, et al. Using artificial neural network models to produce soil organic carbon content distribution maps across landscapes[J]. Canadian Journal of Soil Science, 2010, 90(1): 75–87.

[9] Zhao Z Y, Yang Q, Sun D X, et al. Extended model prediction of high-resolution soil organic matter over a large area using limited number of field samples[J]. Computers and Electronics in Agriculture, 2020, 169: 105172.

[10] Meng F R, Castonguay M, Ogilvie J, et al. Developing a GIS-based flow-channel and wet areas mapping framework for precision forestry planning[EB/OL]. Stellenbosch: IUFRO Precision Forestry Symposium, 2006.

[11] 孫慶林. 基于GF-2的八達(dá)嶺林場主要森林類型分類方法研究[D]. 北京: 北京林業(yè)大學(xué), 2017.

[12] Wang S, Zhuang Q L, Jin X X, et al. Predicting soil organic carbon and soil nitrogen stocks in topsoil of forest ecosystems in northeastern China using remote sensing data[J]. Remote Sensing, 2020, 12(7): 1115.

[13] Zhou T, Geng Y J, Chen J, et al. Mapping soil organic carbon content using multi-source remote sensing variables in the Heihe River Basin in China[J]. Ecological Indicators, 2020, 114: 106288.

[14] Kempen B, Brus D J, Stoorvogel J J. Three-dimensional mapping of soil organic matter content using soil type-specific depth functions[J]. Geoderma, 2011, 162(1/2): 107–123.

[15] Minasny B, McBratney A B, Malone B P, et al. Digital mapping of soil carbon[M]//Advances in Agronomy. Amsterdam: Elsevier, 2013: 1–47.

[16] Winowiecki L, V?gen T G, Huising J. Effects of land cover on ecosystem services in: A spatial assessment of soil organic carbon[J]. Geoderma, 2016, 263: 274–283.

[17] 王薪琪, 王傳寬. 東北5種溫帶人工林表層土壤碳氮含量的分異[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2019, 30(6): 1911–1918.

[18] Rivero R G, Grunwald S, Binford M W, et al. Integrating spectral indices into prediction models of soil phosphorus in a subtropical wetland[J]. Remote Sensing of Environment, 2009, 113(11): 2389–2402.

[19] Taghizadeh-Mehrjardi R, Minasny B, Sarmadian F, et al. Digital mapping of soil salinity in Ardakan region, central Iran[J]. Geoderma, 2014, 213: 15–28.

[20] 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)測和制圖研究[J]. 土壤通報(bào), 2016, 47(3): 537–542.

[21] Streck N A, Rundquist D, Connot J. Spectral signature of selected soils[J]. Agrometeorol, 2015, 11(1): 184.

[22] Pouladi N, M?ller A B, Tabatabai S, et al. Mapping soil organic matter contents at field level with Cubist, Random Forest and kriging[J]. Geoderma, 2019, 342: 85–92.

[23] Li X H, Ding J L, Liu J, et al. Digital mapping of soil organic carbon using sentinel series data: A case study of the ebinur lake watershed in Xinjiang[J]. Remote Sensing, 2021, 13(4): 769.

[24] 李小川, 丁曉綱. 廣東省云浮市森林土壤養(yǎng)分調(diào)查與評(píng)價(jià)[M]. 北京: 中國林業(yè)出版社, 2018.

[25] 鄧小軍, 曹繼釗, 宋賢沖, 等. 貓兒山自然保護(hù)區(qū)3種森林類型土壤養(yǎng)分垂直分布特征[J]. 生態(tài)科學(xué), 2014, 33(6): 1129–1134.

[26] 何林. 汝城縣森林土壤養(yǎng)分含量的垂直分布規(guī)律[J]. 湖南林業(yè)科技, 1988, 15(1): 59–63.

Prediction of Soil Organic Matter Content Based on Artificial Neural Network Model and GF-1 Remote Sensing Data

LI Yingying1, ZHAO Zhengyong1*, YANG Qi1, DING Xiaogang2, SUN Dongxiao2, WEI Sunwei1

(1 Guangxi Key Laboratory of Forest Ecology and Conservation, College of Forestry, Guangxi University, Nanning 530004, China; 2 Guangdong Academy of Forestry, Guangzhou 510520, China)

To explore the capability of GF-1 satellite to predict soil organic matter (SOM), Luoding City of Yunfu City, Guangdong Province was taken as the study area, and 9 multi-spectral remote sensing variables retrieved from GF-1 and 9 terrain variables derived from DEM were used as predictors to establish two kinds of artificial neural network models (Model A: terrain; Model B: terrain & remote sensing) for predicting soil organic matter (SOM) at five soil depths (L1: 0–20 cm, L2: 20–40 cm, L3: 40–60 cm, L4: 60–80 cm, and L5: 80–100 cm). The results showed that the accuracies of SOM full-variable B model at five depths was higher than those of A model with topographic variables only. Especially for the L1 and L2 layers of soil, the accuracy was obviously improved. The2 of the L1 and L2 layers of SOM were increased by 13% and 10% respectively. However, the accuracies of deep soils (L3, L4, L5) were only improved by 4%, 5% and 4%, respectively, and RMSE and ROA±10% also showed a similar trend. The results show that GF-1 remote sensing image can be used as a new data source to predict SOM.

Soil prediction; Artificial neural network model; GF-1; Remote sensing data; Multi-layer soil

李瑩瑩, 趙正勇, 楊旗, 等. 基于GF-1遙感數(shù)據(jù)預(yù)測區(qū)域森林土壤有機(jī)質(zhì)含量. 土壤, 2022, 54(1): 191–197.

S159-3；S714

A

10.13758/j.cnki.tr.2022.01.025

廣西自然科學(xué)基金項(xiàng)目(2018GXNSFBA138035；2018GXNSFAA050135)和廣東省林業(yè)科技計(jì)劃項(xiàng)目(2019-07)資助。

(z.zhao@unb.ca)

李瑩瑩(1996—)，女，廣西南寧人，碩士研究生，主要從事森林土壤制圖研究。E-mail: 228757496@qq.com