基于ZY1E遙感影像的杞麓湖流域耕地土壤有機質含量預測

DOI：10.3969/j.issn.2095-1191.2025.01.006

摘要：【目的】研究杞麓湖流域耕地土壤有機質（SOM）含量和衛(wèi)星影像光譜的關系，明確土壤SOM的光譜特性，建立土壤SOM含量的反演模型，為杞麓湖流域耕地土壤精確施肥提供參考依據(jù)?！痉椒ā炕阼铰春饔騔Y1E高光譜遙感數(shù)據(jù)，選擇原始反射率（RF）、一階微分（FDR）、比值土壤指數(shù)（RSI）和歸一化土壤指數(shù)（NDSI）作為自變量，與SOM含量進行相關分析篩選出敏感波段，分別構建一元線性回歸模型和多元逐步回歸模型，并反演出流域耕地SOM含量?！窘Y果】杞麓湖流域土壤中SOM含量不同光譜反射特性趨勢相近，土壤的光譜反射率在900、1200、1500和2000 nm處出現(xiàn)吸收谷；對光譜進行不同數(shù)學變換，可提高土壤SOM含量與光譜反射率的相關性，其中NDSI和RSI的提升效果最佳；通過對各模型的精確度進行比較，以反射率的RSI構建的多元逐步回歸模型擬合效果最優(yōu)，其決定系數(shù)（R2）為0.80，均方根誤差（RMSE）為6.96，驗證模型SOM實測值和預測值的R2為0.82，RMSE為3.65；運用GIS空間分析功能，根據(jù)最優(yōu)模型反演流域耕地SOM含量，多集中在35～45 g/kg，處于較高水平，且杞麓湖流域耕地土壤的SOM含量從西南向東北表現(xiàn)為低—高—低的分布特征?！窘ㄗh】優(yōu)化耕地土壤SOM含量變化的特征波長提取，可提高預測模型的精度；采用ZY1E高光譜遙感數(shù)據(jù)進行耕地土壤養(yǎng)分監(jiān)測，可解決傳統(tǒng)地理統(tǒng)計的受冗余信息影響問題，并為土壤精確施肥管理提供數(shù)據(jù)支持，提高土壤肥力和作物產量。

關鍵詞：ZY1E；高光譜遙感；土壤有機質；預測模型；杞麓湖流域

中圖分類號：S153.621文獻標志碼：A文章編號：2095-1191（2025）01-0064-10

Prediction of soil organic matter content in cultivated land of Qilu Lake basin based on ZY1E remote sensing images

WU Qi-tao1，ZHENG Yi2，3，LI Xiao-lin1，2*，HOU Lei4，LIANG Qi-bin4，WANG Yan-xia1，ZHANG Cheng-cheng5

（1College of Soil and Water Conservation，Southwest Forestry University，Kunming，Yunnan 650224，China；2Collegeof Plant Protection，Yunnan Agricultural University，Kunming，Yunnan 650201，China；3Yunnan Open University，Kunming，Yunnan 650500，China；4College of Ecology and Environment，Southwest Forestry University，Kunming，Yunnan 650224，China；5Southwest Investigation and Planning Institute，National Forestry andGrassland Administration，Kunming，Yunnan 650021，China）

Abstract：【Objective】To study the relationship between the content of soil organic matter（SOM）in cultivated land within the Qilu Lake basin and the spectra of satellite images，clarify the spectral characteristics of SOM，establish an in-version model for the content of SOM，which could provide reference basis for precise fertilization of cultivated land soil in Qilu Lake basin.【Method】Based on the ZY1E hyperspectral remote sensing data of the Qilu Lake basin，the original reflectance（RF），first order differentiation（FDR），ratio soil index（RSI）and normalized soil index（NDSI）were se-lected as independent variables，and the correlation analysis with SOM content was carried out to screen out the sensitive bands，and the univariate linear regression model and multiple stepwise regression model were constructed respectively，and the SOM content of cultivated land in the basin was inverted.【Result】The spectral reflectance characteristics of soilwith SOM contents in Qilu Lake basin had similar trend，and the spectral reflectance of soil had absorption valley at 900，1200，1500 and 2000 nm.The correlation between SOM content and spectral reflectance could be improved by different mathematical transformations of the spectrum，and NDSI and RSI had the best improvement effects.By comparing the ac-curacy of each model，the stepwise regression model constructed with the reflectance RSI had the best fitting effect，its coefficient of determination（R2）was 0.80，and the root mean square error（RMSE）was 6.96，the R2 of the measured and predicted values of the SOM invalidation model was 0.82，and the RMSE was 3.65.Using GIS spatial analysis function，the SOM content of cultivated land in Qilu Lake basin was retrieved according to the optimal model，and most of the SOM content was concentrated in 35-45 g/kg，which was at a relatively high level.Moreover，the SOM content of culti-vated land soil in Qilu Lake basin showed a low-high-low distribution from the southwest to the northeast.【Suggestion】Optimizing the extraction of characteristic wavelengths for the variation of SOM content in cultivated land soil can im-prove the accuracy of the prediction model；using the hyperspectral remote sensing data of ZY1E to monitor the nutrients in cultivated land soil can solve the problem of being affected by redundant information in traditional geostatistics，and provide data support for the precise fertilization management of soil，thereby enhancing soil fertility and crop yields.

Key words：ZY1E；hyperspectral remote sensing；soil organic matter；prediction models；Qilu Lake basin

Foundation items：Yunnan Agriculture Fundamental Research Joint Special Project（202101BD070001-111）；Yun-nan Applied Basic Research Plan Project（202201AT070051）；Yunnan Postdoctoral Science Foundation Project（2022028）

0引言

【研究意義】杞麓湖是云南九大高原湖泊之一，位于通?？h境內，是滇中經濟區(qū)和玉溪市生態(tài)環(huán)境建設、社會經濟及文化發(fā)展的重要依托和基礎。農業(yè)是杞麓湖流域的基礎產業(yè)，流域蔬菜的種植面積占50%以上。土壤有機質（SOM）作為土壤的重要組成部分，不僅能為農作物生長發(fā)育提供養(yǎng)分，在改善土壤團聚體結構、防治水土流失等方面也起到重要作用（程治允等，2024）。杞麓湖流域內耕地土壤SOM含量較高，水體富營養(yǎng)化嚴重（尹鵬飛等，2023）。由于前期對流域內耕地土壤SOM含量的定量研究不足，導致肥料施用量遠超過蔬菜在輪作或間作過程中的需求量，過度施肥不僅增加農戶生產成本，還造成水環(huán)境的進一步污染等問題。因此，快速、準確獲取流域內耕地土壤SOM含量的分布情況，對于農業(yè)的精確施肥管理、土地資源的合理利用和水資源的保護具有重要意義。傳統(tǒng)的地理統(tǒng)計方法對于樣本密度及編譯程度有很高的要求（劉煥軍等，2018），在大區(qū)域范圍內預測土壤SOM含量需大量的樣本點，不僅耗時、成本高，而且運用難度大，難以獲取大面積的數(shù)據(jù)（王瑋瑩等，2024）。遙感技術為估算大區(qū)域范圍土壤SOM含量提供了低費用、高效率的監(jiān)測渠道（方少文等，2014）。高光譜遙感的成像光譜技術促進地表土壤生化組分定量化監(jiān)測的實現(xiàn)，可大面積、高效、無損地實時動態(tài)監(jiān)測地表土壤理化性質。研究表明，SOM含量與土壤光譜反射率存在顯著關系，當SOM含量發(fā)生變化時，土壤光譜反射率在特定波段會呈現(xiàn)有規(guī)律的波動，利用高光譜技術能快速、精確地測定土壤SOM含量（葉勤等，2017；趙小敏和楊梅花，2018）。因此，利用高光譜遙感技術對杞麓湖流域耕地土壤SOM含量反演，為高原湖泊流域土壤養(yǎng)分高光譜數(shù)據(jù)預處理提供新思路，對高原湖泊流域土壤的精準施肥管理具有重要意義?！厩叭搜芯窟M展】當前，對耕地土壤SOM含量的預測和反演研究多集中于多光譜遙感影像數(shù)據(jù)。王延倉等（2014）利用Landsat TM數(shù)據(jù)篩選敏感波段定量反演北方潮土SOM含量；屈冉等（2019）選取Landsat TM影像反演廣西富川縣表層土壤SOM含量，認為土壤SOM含量與Landsat TM波段5和波段7的灰度值相關性最高；陳德寶和陳桂芬（2020）借助Landsat 8遙感影像對吉林省農安縣黑土區(qū)SOM進行建模反演，結果表明短波紅外B6波段反射率所建模型擬合效果最佳；劉煥軍等（2020）結合Landsat 8影像和Sentinel-2A影像，對黑龍江省典型黑土區(qū)的可見光譜和近紅外光譜反射特征進行分析，篩選出波段3、波段5和波段6為SOM反射光譜響應最佳波段；王麗萍等（2022）以Landsat 8影像為數(shù)據(jù)源，構建了1種線性模型和2種非線性模型，結果表明采用BP神經網(wǎng)絡具有較好的預測能力；Tang等（2022）利用Sentinel-2A影像對黑龍江省大慶市土壤SOM含量進行反演。然而，與高光譜數(shù)據(jù)相比，多光譜影像數(shù)據(jù)存在光譜分辨率低、信息量有限、應用場景受限等問題，導致對SOM反射率變化不敏感，對復雜地物的適應性差，從而影響反演的準確性。近年來，隨著衛(wèi)星遙感技術的快速發(fā)展，高光譜遙感影像數(shù)據(jù)逐步應用于土壤SOM含量的反演研究。邱壑等（2017）基于Hyperion數(shù)據(jù)對福建省三明市土壤SOM含量進行反演，確定在782.95～813.84 nm波段土壤SOM有良好的響應能力；孫浩然等（2020）以珠海一號影像為數(shù)據(jù)源，對淮南市舜耕山表層土壤SOM含量進行反演，得到最大相關波段為656和700 nm；趙瑞等（2020）利用GF-5號影像對哈爾濱與興安盟交界處的平原地表土壤SOM含量進行反演研究；顏祥照等（2021）利用GF-5號影像選擇敏感波段估測黑龍江省建三江農墾區(qū)SOM含量；鄭建樂等（2022）利用珠海一號影像對太行山區(qū)北流河流域表層土壤SOM含量進行反演估測?！颈狙芯壳腥朦c】Hyperion和GF-5高光譜數(shù)據(jù)波段數(shù)量分別為242和330個，大量的波段劃分可獲取豐富的光譜信息，便于精確篩選出對土壤SOM含量變化敏感的波段范圍，但同時帶來與研究對象無關的冗余信息，干擾敏感波段的識別，降低反演效率。ZY1E遙感數(shù)據(jù)具有166個波段，波段數(shù)介于Landsat等多光譜數(shù)據(jù)和GF-5等高光譜數(shù)據(jù)之間，可提供充足的光譜信息，同時避免過多冗余信息。因此，本研究選取ZY1E高光譜遙感數(shù)據(jù)對杞麓湖流域耕地土壤SOM含量進行研究?！緮M解決的關鍵問題】根據(jù)杞麓湖流域土壤點位數(shù)據(jù)和ZY1E高光譜遙感影像，進行光譜特征分析，結合特征光譜和SOM含量構建出光譜與土壤SOM含量的預測模型，利用最優(yōu)模型對流域內耕地土壤SOM含量進行反演，分析其空間分布特征，為杞麓湖流域耕地土壤精確施肥提供參考依據(jù)。

1材料與方法

1.1研究區(qū)概況

杞麓湖流域（24°4′36″N～24°14′22″N，102°33′48″E～102°52′36″E）地處云南省玉溪市通?？h，屬于亞熱帶半濕潤高原季風氣候區(qū)。該流域四季溫差較小，早晚溫差明顯，雨熱同期，干濕季節(jié)區(qū)分明顯，年日照時長2274h，年均氣溫16℃，年均降水量900 mm，5—10月為雨季。流域總面積354.94 km2，灌溉耕地面積達9667ha。區(qū)域內作物以蔬菜、糧食、烤煙、油料及花卉為主。流域地形復雜、溝壑縱橫交錯，屬于典型的高原湖盆地，降雨、氣溫、濕度等方面異質性顯著。地處低緯度地帶，平均海拔1800m，隸屬云貴高原丘陵地區(qū)，為斷陷盆地，地勢四周高，中間低。研究區(qū)位置及土壤養(yǎng)分采樣點分布如圖1所示。

1.2數(shù)據(jù)來源及預處理

影像數(shù)據(jù)源為自然資源部國土衛(wèi)星遙感應用中心提供的2021年4月24日杞麓湖流域ZY1E高光譜遙感一景影像，影像范圍23°55′11″N～24°14′49″N，102°30′25″E～102°52′53″E。光譜預處理采用ENVI 5.3對遙感影像進行壞波段去除、輻射定標、大氣校正、條紋修復、壞線修復后，進行控制點的幾何校正。2024年3月4—11日在研究區(qū)內開展土壤采樣工作，調查樣點為0～20 cm的耕層土壤，采用重鉻酸鉀—硫酸法測定SOM含量。對采樣點的數(shù)據(jù)進行相應處理，利用ArcGIS 10.8將采樣點按其經緯度導入影像，校正樣點的坐標系，使其與幾何校正后的遙感影像相一致，導出點位數(shù)據(jù)，在ENVI 5.3中通過感興趣區(qū)域（Region of interest，ROI）提取點位反射率，然后在杞麓湖流域范圍內篩選出耕地樣點。借助幾何校正后的ZY1E影像進行歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）計算，對篩選出的耕地樣點數(shù)據(jù)提取對應的NDVI，將NDVIlt;0.4的像元選為土壤像元。將供試樣點加載到影像上進行提取，得到110個樣點，其中80個作為建模樣點，30個作為驗證樣點（表1）。

1.3光譜變換與特征譜帶選擇

用Python和ENVI 5.3實現(xiàn)反射率的數(shù)學變換，找出一階微分（First order differential reflectance，F(xiàn)DR）、比值土壤指數(shù)（Ratio soil index，RSI）和歸一化土壤指數(shù)（Normalized differencesoil index，NDSI）對SOM含量敏感的波段。3種數(shù)學變換如表2所示。

1.4耕地土壤SOM含量預測模型建立與驗證

利用80個建模樣本，在對光譜進行原始反射率（Original reflectance，RF）及FDR、RSI和NDSI 3種數(shù)學變換特征光譜篩選的前提下，分別對各指數(shù)的敏感波段構建線性回歸模型；將篩選得到的具有良好相關系數(shù)的波段或波段組合作為變量導入SPSS 22.0，將變量誤差的表征級別設定為95%，以此作為選入和剔除變量的依據(jù)，構建基于不同變量的多元逐步回歸模型。選取決定系數(shù)（R2）和均方根誤差（Root mean square error，RMSE）2個指標，對一元線性模型和多元逐步回歸模型的精度進行對比驗證。

式中，y（?）i表示預測土壤SOM含量，yi表示實測土壤SOM含量，y（ˉ）表示SOM含量平均值，n表示樣本數(shù)。R2用于檢測預測值與實測值變化的程度，RMSE表示預測值與真實值之間的平均偏差程度。

2結果與分析

2.1土壤SOM含量與光譜反射率的相關性

研究區(qū)SOM含量最大值為63.40 g/kg，最小值為7.50 g/kg，均值為34.56 g/kg，變異系數(shù)為39.18%，此變異程度屬于中等強度（表1）。由于所測數(shù)據(jù)集中在30～45 g/kg，根據(jù)SOM含量高低，將測定數(shù)據(jù)分為5個級別，依次為lt;30 g/kg、30～35 g/kg、35～40 g/kg、40～45 g/kg、gt;45 g/kg，對各級別的土壤反射率光譜進行整合，計算平均值，進而獲取各級別土壤光譜反射率的平均曲線。結果（圖2）表明，在不同SOM含量范圍內，土壤反射率曲線的變化范圍大致相同，曲線總體上呈先增后減的變化趨勢。由于研究區(qū)土壤源于相同的母質發(fā)育而成，又在同時期采集土樣，同一影像上獲取光譜數(shù)據(jù)，故可進行縱向對比。由圖2可看出，在可見光（380～760 nm）范圍內，當波長增加時，光譜反射率增大的幅度很高；而在近紅外短波（760～1100 nm）范圍內，隨著波長的增加，光譜反射率先緩慢增加后趨于穩(wěn)定，且在900nm附近出現(xiàn)吸收谷，可能是由于研究區(qū)內土壤大多為紅壤和黃壤，其中含有大量赤鐵礦導致；在近紅外長波（1100～2500 nm）范圍內包括3個吸收谷，分布在1200、1500和2000 nm附近，這些吸收谷主要由土壤含水量與黏土礦物影像導致。

2.2土壤反射光譜與SOM含量的相關性

對土壤SOM含量與RF光譜各波段的相關系數(shù)（圖3-A）進行分析發(fā)現(xiàn)，RF在400～713 nm的波長范圍內與樣點土壤SOM含量有較強的相關性，特別是在400～421 nm、438～662 nm和696～713 nm這3個波長區(qū)間內，與樣點土壤SOM含量呈極顯著正相關（Plt;0.01，下同），且在567 nm特定波長下，相關系數(shù)達最大值（0.36）。從土壤SOM含量與FDR光譜各波段的相關系數(shù)（圖3-B）可以看出，F(xiàn)DR與SOM含量相關系數(shù)起伏較大，在正負值之間波動，在438和490 nm處有較強的相關性，在438nm處相關系數(shù)達最大值（0.38），而在2300nm處有較強的負相關性。對比發(fā)現(xiàn)，F(xiàn)DR光譜與土壤SOM含量的相關性高于RF光譜與土壤SOM含量的相關性，說明對光譜進行FDR處理能較好地降低環(huán)境因素影響。

2.3土壤指數(shù)與SOM含量的相關性

由圖4-A可知，在特定的波長范圍內，RSI與土壤SOM含量之間存在顯著相關性（Plt;0.05，下同）；特別是在730～928 nm和2013～2417 nm波長區(qū)間內，所構建的RSI與土壤SOM的關聯(lián)度尤為顯著，且在730 nm/1023 nm組合下，相關系數(shù)達最大值（0.36）。NDSI與樣點供試土壤SOM含量的相關分析結果（圖4-B）顯示，在868～928 nm和2098～2317 nm波長區(qū)間內，NDSI與土壤SOM含量的相關性較強，且在730nm/1023 nm組合下，相關系數(shù)達最大值（0.35）。

2.4基于不同指數(shù)建立的土壤SOM預測模型

2.4.1土壤SOM含量預測模型由上述分析可知，RF、FDR、RSI和NDSI與土壤SOM含量均存在顯著或極顯著相關性，篩選出相關系數(shù)較大的敏感波段，將這些波段或波段組合作為自變量，土壤SOM含量作為因變量，構建一元線性回歸和多元逐步回歸土壤SOM反演模型（表3），對敏感波段的土壤SOM含量的反演模型進行分析，綜合考慮模型的R2和RMSE，最佳模型應選擇R2相對較大而RMSE相對較小。模型預測效果由高至低的順序為RSIgt;NDSIgt;FDRgt;RF。所以，選擇由RSI建立的方程Y=2323.723+140.327S40/76-199.26S88/93+487.177S121/122+960.844S49/51+102.626S21/156-421.341S54/55-70.894S38/152-801.094S17/18-130.689S118/124-314.554S111/112+15.852S106/162（建模樣本R2=0.80，RMSE=6.96）和NDSI建立的方程Y=60.195+1669.486N56/57+267.868N139/76-1255.174N88/91+912.05N54/55-538.28N144/152+335.112N139/156-296.824N111/124+506.12N64/65-923.953N49/51（建模樣本R2=0.67，RMSE=8.75）進行模擬驗證。

2.4.2土壤SOM含量預測模型驗證對RSI和NDSI構建多元逐步回歸模型的SOM實測值與預測值進行比較，結果顯示，RSI建立模型對土壤SOM含量進行預測，其驗證指標R2為0.82，RMSE為3.65（圖5-A）；而NDSI建立模型對土壤SOM含量進行預測，其驗證指標R2為0.70，RMSE為4.80（圖5-B）。RSI的預測模型得到更高的R2和更低的RMSE，表明利用RSI構建的多元逐步回歸模型具有更好的預測效果。

2.5基于杞麓湖流域高光譜遙感影像的土壤SOM含量反演模型應用

基于經過預處理后的杞麓湖流域高光譜遙感影像，結合RSI-多元逐步回歸模型構建的杞麓湖流域耕地土壤SOM含量的空間分布圖如圖6所示?？梢钥闯鲨铰春饔蚋赝寥繱OM含量從西南到東北呈現(xiàn)低—高—低的分布特征；且杞麓湖流域耕地土壤SOM含量多集中在35～45 g/kg，由于河流分布多在紅旗河北壩區(qū)小流域、紅旗河南壩區(qū)小流域、北片壩區(qū)小流域和南片壩區(qū)小流域，這些子流域內SOM含量高于其他子流域；紅旗河北壩區(qū)小流域（39.51 g/kg）、紅旗河南壩區(qū)小流域（39.19 g/kg）、北片壩區(qū)小流域（37.06 g/kg）、南片壩區(qū)小流域（39.92 g/kg）土壤中高含量的SOM對于作物生長具有極佳的促進作用。例如，在紅旗河北壩區(qū)小流域，充足的SOM含量使得當?shù)胤N植的蔬菜在生長過程中根系發(fā)達，吸收更多的水分和養(yǎng)分，從而提高產量和品質；在杞麓湖南片壩區(qū)小流域，較高的SOM含量為蔬菜種植創(chuàng)造良好條件，蔬菜不僅生長旺盛，而且口感更佳，市場競爭力更強。良好的土壤狀況為當?shù)剞r業(yè)的發(fā)展提供了堅實的基礎，有利于推動農業(yè)產業(yè)發(fā)展。

3討論

基于ZY1E高光譜數(shù)據(jù)和土壤SOM含量數(shù)據(jù)，本研究對不同光譜指數(shù)在土壤SOM含量反演模型中的應用進行對比分析，結果顯示，經過RSI變換的光譜反射率建立的模型預測效果最佳。光譜與土壤SOM含量的相關系數(shù)絕對值最大的波段是RF的567 nm，F(xiàn)DR的438 nm，RSI和NDSI的730 nm/1023 nm。但由于土壤類型及耕地種植作物的不同，使得耕地土壤SOM對于光譜反射率的影響存在一定差異。與前人研究（南鋒等，2016；邱壑等，2017）相比，本研究選取的土壤類型不是黃棕壤，而大多為紅壤，紅壤通常富含鐵、鋁氧化物，這些礦物質在特定波長的光下具有獨特的吸收和反射特性。黃棕壤的礦物質成分相對復雜，包括較多的黏土礦物和不同比例的氧化鐵、氧化鋁等，使其對光的響應在波段上有所區(qū)別（王小攀等，2012；趙瑞等，2020）。杞麓湖流域作為云南省最大的蔬菜種植基地，其蔬菜種植面積達50%以上（王春雪等，2021），不同于水稻等植株含水量相對較高的農作物在近紅外波段的反射率通常較高，蔬菜的含水量因種類和生長階段而異，對近紅外波段的反射率影響較為復雜（邱壑等，2017）。這會導致在不同波長的光照射下，耕地土壤SOM的反射情況有所不同。

本研究利用線性回歸模型對SOM含量進行預測，通過RSI光譜變換的高光譜反射率建立的多元逐步回歸模型精度最高。目前，對于預測模型建立的選擇主要有線性與非線性2種，線性回歸模型包括偏最小二乘回歸（李媛媛等，2014；王薦一等，2022）、主成分回歸（葉勤等，2017）、多元線性回歸（陳德寶和陳桂芬，2020）等，在自變量較多且存在多重嚴重自相關的模擬方面，偏最小二乘回歸的效果最佳。因此，偏最小二乘回歸在土壤SOM含量光譜反演中的應用極為廣泛。機器學習的方法也被大量運用到光譜反演中，如超限學習機（馬偉波等，2016）、支持向量機（孫浩然等，2020；李靖言等，2023）、BP神經網(wǎng)絡（張全旺和郭輝，2023）等。本研究中，多元逐步回歸模型的預測精度最高，可能是因為采集的數(shù)據(jù)未存在大量異常值或極端情況。多元逐步回歸模型在篩選方面更嚴謹精細，能揀選出更為關鍵的自變量，降低冗余信息對預測的干擾。該模型對于變量之間線性關系的把控更精準，對異常值的容忍程度相對較低，能更有效地規(guī)避異常數(shù)據(jù)給預測結果帶來的不良影響。

本研究由GIS的區(qū)域分析工具可得出杞麓湖流域耕地土壤SOM含量的平均值為36.75 g/kg，說明杞麓湖流域的耕地土壤SOM含量處于較高水平，明顯高于全國平均水平（24.65 g/kg），也高于云南省的平均水平（35.37 g/kg）（楊帆等，2017）。秦發(fā)侶等（2020）對杞麓湖盆地SOM的空間分布特征進行研究，結果表明不同年份的總體格局相近，杞麓湖流域土壤SOM含量均從西南向東北呈低—高—低的分布態(tài)勢，本研究得出的SOM含量反演結果與之類似。本研究發(fā)現(xiàn)，杞麓湖流域東部和北部的耕地土壤SOM含量低于西部和南部；在河流分布的子流域中，紅旗河北壩區(qū)小流域、紅旗河南壩區(qū)小流域、北片壩區(qū)小流域和南片壩區(qū)小流域的耕地土壤SOM含量接近我國耕層SOM含量最高的黑龍江省平均水平（40.43 g/kg）。原因可能是由于河流大多分布于紅旗河北壩區(qū)小流域、紅旗河南壩區(qū)小流域、北片壩區(qū)小流域和南片壩區(qū)小流域，這些地方的土壤狀況對于作物的生長有促進作用，為農作物生長提供豐富的養(yǎng)分，使得農作物能夠得到充足的營養(yǎng)，從而長勢良好。而在東部和北部子流域內，大部分耕地屬于坡耕地和梯田，且地形為山地丘陵。復雜的地形和較差的農業(yè)基礎設施，進一步影響了土壤肥力的提升和農作物的生長。相較于其他子流域的耕地，這些坡耕地和梯田更易受到水土流失和土壤侵蝕的影響。因此，東部和北部子流域內的耕地質量相對較低，土壤保水保肥能力較弱。

4建議

4.1優(yōu)化耕地土壤SOM含量變化的特征波長提取

通過提取與土壤SOM含量相關性強的特征波長，可減少無關或冗余信息的干擾，使反演模型更加聚焦于關鍵的光譜信息，從而提高對土壤SOM含量預測的準確性。首先根據(jù)預處理結果，提取土壤反射率，對土壤的全波長進行組合計算RSI，然后通過相關分析確定最終的特征波長，提高RSI與土壤SOM含量的相關性水平，增加模型精度，優(yōu)化反演結果。

4.2采用ZY1E高光譜遙感數(shù)據(jù)進行耕地土壤養(yǎng)分監(jiān)測

高光譜遙感技術以其高分辨率光譜信息、大面積快速監(jiān)測、實時動態(tài)監(jiān)測、無損監(jiān)測等特點和優(yōu)勢在農業(yè)監(jiān)測方面具有重要意義，成為土壤養(yǎng)分監(jiān)測的重要手段；但受冗余信息的影響，在提取敏感波段時會造成波段識別不清的問題。建議采用ZY1E高光譜數(shù)據(jù)，其波段數(shù)介于Landsat等多光譜數(shù)據(jù)和GF-5等高光譜數(shù)據(jù)之間，可提供充足的光譜信息，同時避免過多冗余信息。

4.3實現(xiàn)高原湖泊流域作物種植過程的精確施肥管理

根據(jù)預測的土壤SOM含量，為農戶提供精確的施肥建議。在實際應用中，根據(jù)預測結果，農業(yè)部門可針對SOM含量較低的區(qū)域實施土壤改良措施，增加有機肥料的投入，如腐熟的農家肥、綠肥等，以提高土壤肥力和作物產量。通過這些措施，不僅能顯著提高土壤的肥力水平，為農作物的生長提供更為優(yōu)越的土壤環(huán)境，還能切實有效地提升作物產量，保障農業(yè)生產的穩(wěn)定與高效。

參考文獻（References）：

陳德寶，陳桂芬.2020.基于Landsat8遙感圖像的黑土區(qū)土壤有機質含量反演研究［J］.中國農機化學報，41（6）：194-198.［Chen D B，Chen G F.2020.Inversion of soil organic matter content in black soil region based on Landsat8 remote sensing image［J］.Journal of Chinese Agricultural Mechanization，41（6）：194-198.］doi：10.13733/j.jcam.issn.2095-5553.2020.06.031.

程治允，陳冬勤，朱瑋瑋，張雅瓊，屈冉，熊文成.2024.土壤有機質遙感反演研究進展與展望［J］.農村經濟與科技，35（4）：15-18.［Cheng Z Y，Chen D Q，Zhu W W，Zhang Y Q，Qu R，Xiong W C.2024.Research progress and pros-pect of remote sensing inversion of soil organic matter［J］.Rural Economy and Science-Technology，35（4）：15-18.］doi：10.3969/j.issn.1007-7103.2024.04.005.

方少文，楊梅花，趙小敏，郭熙.2014.紅壤區(qū)土壤有機質光譜特征與定量估算——以江西省吉安縣為例［J］.土壤學報，51（5）：1003-1010.［Fang S W，Yang M H，Zhao X M，Guo X.2014.Spectral characteristics and quantitative esti-mation of SOM in red soil typical of Ji’an County，Jiangxi Province［J］.Acta Pedologica Sinica，51（5）：1003-1010.］doi：10.11766/trxb201303260139.

李靖言，顏安，寧松瑞，孫萌，范君，左筱筱.2023.基于高光譜植被指數(shù)的春小麥LAI和SPAD值及產量反演模型研究［J］.江蘇農業(yè)科學，51（20）：201-210.［Li J Y，Yan A，Ning S R，Sun M，F(xiàn)an J，Zuo X X.2023.Inversion model of LAI and SPAD values and yield of spring wheat based on hyperspectral vegetation index［J］.Jiangsu Agricultural Sciences，51（20）：201-210.］doi：10.15889/j.issn.1002-1302.2023.20.029.

李媛媛，李微，劉遠，郭錫杰，牟蒙，劉長發(fā).2014.基于高光譜遙感土壤有機質含量預測研究［J］.土壤通報，45（6）：1313-1318.［Li Y Y，Li W，Liu Y，Guo X J，Mu M，Liu C F.2014.Study on the prediction of soil organic matter con-tent based on hyperspectral remote sensing［J］.Chinese Journal of Soil Science，45（6）：1313-1318.］doi：10.19336/j.cnki.trtb.2014.06.005.

劉煥軍，潘越，竇欣，張新樂，邱政超，徐夢園，謝雅慧，王楠.2018.黑土區(qū)田塊尺度土壤有機質含量遙感反演模型［J］.農業(yè)工程學報，34（1）：127-133.［Liu H J，Pan Y，Dou X，Zhang X L，Qiu Z C，Xu M Y，Xie Y H，Wang N.2018.Soil organic matter content inversion model withremote sensing image in field scale of blacksoil area［J］.Transactions of the Chinese Society of Agricultural Engi-neering，34（1）：127-133.］doi：10.11975/j.issn.1002-6819.2018.01.017.

劉煥軍，張美薇，楊昊軒，張新樂，孟祥添，李厚萱，唐海濤.2020.多光譜遙感結合隨機森林算法反演耕作土壤有機質含量［J］.農業(yè)工程學報，36（10）：134-140.［Liu H J，Zhang M W，Yang H X，Zhang X L，Meng X T，Li H X，Tang H T.2020.Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm［J］.Transactions of the ChineseSociety of Agricultural Engineering，36（10）：134-140.］doi：10.11975/j.issn.1002-6819.2020.10.016.

馬偉波，譚琨，李海東，閆慶武.2016.基于超限學習機的礦區(qū)土壤重金屬高光譜反演［J］.生態(tài)與農村環(huán)境學報，32（2）：213-218.［Ma W B，Tan K，Li H D，Yan Q W.2016.Hyperspectral inversion of heavy metals in soil of a mi-ning area using extreme learning machine［J］.Journal of Ecology and Rural Environment，32（2）：213-218.］doi：10.11934/j.issn.1673-4831.2016.02.007.

南鋒，朱洪芬，畢如田.2016.黃土高原煤礦區(qū)復墾農田土壤有機質含量的高光譜預測［J］.中國農業(yè)科學，49（11）：2126-2135.［Nan F，Zhu H F，Bi R T.2016.Hyperspectral prediction of soil organic matter content in the reclamation cropland of coal mining areas in the Loess Plateau［J］.Scientia Agricultura Sinica，49（11）：2126-2135.］doi：10.3864/j.issn.0578-1752.2016.11.009.

秦發(fā)侶，郭春平，陳紅，柳德江，田育天，謝新喬，李湘?zhèn)?，王世?2020.杞麓湖盆地土壤有機質多時相空間分布與演變［J］.土壤學報，57（6）：1548-1555.［Qin F L，Guo C P，Chen H，Liu D J，Tian Y T，Xie X Q，Li X W，Wang S H.2020.The multi-phase tempo-spatial distribution and varia-tion of soil organic matter in the Qiluhu Basin［J］.Acta Pedologica Sinica，57（6）：1548-1555.］doi：10.11766/trxb 201911110116.

邱壑，陳瀚閱，邢世和，張黎明，董新宇.2017.基于Hyperion數(shù)據(jù)的耕地土壤有機質含量遙感反演［J］.福建農林大學學報（自然科學版），46（4）：460-467.［Qiu H，Chen H Y，Xing S H，Zhang L M，Dong X Y.2017.Soil organic ma-tter estimation models based on Hyperion data［J］.Journal of Fujian Agriculture and Forestry University（Natural Science Edition），46（4）：460-467.］doi：10.13323/j.cnki.j.fafu（nat.sci.）2017.04.017.

屈冉，張雅瓊，聶憶黃，熊文成，婁啟佳，滕佳華.2019.基于多光譜遙感影像的富川縣表層土壤有機質含量反演［J］.環(huán)境與可持續(xù)發(fā)展，44（1）：154-157.［Qu R，Zhang Y Q，Nie Y H，Xiong W C，Lou Q J，Teng J H.2019.Inversion of surface soil organic matter content in Fuchuan County based on multi spectral remote sensing image［J］.Environ-ment and Sustainable Development，44（1）：154-157.］doi：10.19758/j.cnki.issn 1673-288x.201901154.

孫浩然，趙志根，趙佳星，陳衛(wèi)衛(wèi).2020.珠海一號高光譜遙感的表層土壤有機質含量反演方法［J］.遙感信息，35（4）：40-46.［Sun H R，Zhao Z G，Zhao J X，Chen W W.2020.Inversion of topsoil organic matter content by hyperspec-tral remote sensing of Zhuhai-1［J］.Remote Sensing Infor-mation，35（4）：40-46.］doi：10.3969/j.issn.1673-3177.2020.04.007.

王春雪，岳學文，李坤，李義林，潘志賢，方海東，李建查，史亮濤.2021.高原湖泊杞麓湖流域典型蔬菜地土壤及周邊水質特征［J］.江西農業(yè)學報，33（12）：104-110.［Wang C X，Yue X W，Li K，Li Y L，Pan Z X，F(xiàn)ang H D，Li J C，Shi L T.2021.Characteristics of soil and surrounding water quality of typical vegetable fields in Qilu Lake watershed［J］.ActaAgriculturae Jiangxi，33（12）：104-110.］doi：10.19386/j.cnki.jxnyxb.2021.12.016.

王薦一，楊雯，王玉川，徐鑫鵬，韓春蘭，王秋兵.2022.遼寧省黃土狀母質發(fā)育土壤有機質含量高光譜預測模型的構建［J］.土壤通報，53（6）：1320-1330.［Wang JY，Yang W，Wang Y C，Xu X P，Han C L，Wang Q B.2022.A hyper-spectral prediction model for organic matter content in soil developed from Loess-like parent material in Liaoning Province［J］.Chinese Journal of Soil Science，53（6）：1320-1330.］doi：10.19336/j.cnki.trtb.2022091604.

王麗萍，劉煥軍，鄭樹峰，王翔，孟令華，馬雨陽，官海翔.2022.東北農牧交錯帶耕地土壤有機質遙感反演研究［J］.土壤，54（1）：184-190.［Wang L P，Liu H J，Zheng S F，Wang X，Meng L H，Ma Y Y，Guan H X.2022.Soil organic matter inversion in agro-pastoral ecotone of nor-theast China［J］.Soils，54（1）：184-190.］doi：10.13758/j.cnki.tr.2022.01.024.

王瑋瑩，彭金榜，朱婉雪，楊斌，劉振，公華銳，王俊棟，楊婷，婁金勇，孫志剛.2024.基于無人機遙感的鹽漬化土壤有機質反演方法研究［J］.地球信息科學學報，26（3）：736-752.［Wang W Y，Peng J B，Zhu W X，Yang B，Liu Z，Gong H R，Wang J D，Yang T，Lou J Y，Sun Z G.2024.Study on retrieval method of soil organic matter in salinity soil using unmanned aerial vehicle remote sensing［J］.Jour-nal of Geo-information Science，26（3）：736-752.］doi：10.12082/dqxxkx.2024.230267.

王小攀，鄭曉坡，劉福江，李登朝，李嬋.2012.高光譜遙感土壤有機質含量信息提取與分析［J］.地理空間信息，10（5）：75-78.［Wang X P，Zheng X P，Liu F J，Li D C，Li C.2012.Analysis and extraction soil organic matter informa-tion based on hyperspectral remote sensing［J］.GeospatialInformation，10（5）：75-78.］

王延倉，顧曉鶴，朱金山，龍慧靈，徐鵬，廖欽洪.2014.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質含量［J］.光譜學與光譜分析，34（1）：201-206.［Wang Y C，Gu X H，Zhu J S，Long H L，Xu P，Liao Q H.2014.Inver-sion of organic matter content of the north fluvo-aquic soil based on hyperspectral and multi-spectra［J］.Spectroscopy and Spectral Analysis，34（1）：201-206.］doi：10.3964/j.issn.1000-0593（2014）01-0201-06.

顏祥照，姚艷敏，張霄羽，劉峻明.2021.星載高分五號高光譜耕地主要土壤類型土壤有機質含量估測——以黑龍江省建三江農墾區(qū)為例［J］.中國土壤與肥料，（5）：10-20.［Yan X Z，Yao Y M，Zhang X Y，Liu J M.2021.Estima-tion of soil organic matter content in different soil types of cultivated land based on hyperspectral data of GF-5 satel-lite—A case study of Jiansanjiang reclamation area in Hei-longjiang Province［J］.Soil and Fertilizer Sciences in China，（5）：10-20.］doi：10.11838/sfsc.1673-6257.21095.

楊帆，徐洋，崔勇，孟遠奪，董燕，李榮，馬義兵.2017.近30年中國農田耕層土壤有機質含量變化［J］.土壤學報，54（5）：1047-1056.［Yang F，Xu Y，Cui Y，Meng Y D，Dong Y，Li R，Ma Y B.2017.Variation of soil organic matter content in croplands of China over the last three decades［J］.Acta Pedologica Sinica，54（5）：1047-1056.］doi：10.11766/trxb201703180633.

葉勤，姜雪芹，李西燦，林怡.2017.基于高光譜數(shù)據(jù)的土壤有機質含量反演模型比較［J］.農業(yè)機械學報，48（3）：164-172.［Ye Q，Jiang X Q，Li X C，Lin Y.2017.Comparison on inversion model of soil organic matter content based on hyperspectral data［J］.Transactions of the Chinese Society for Agricultural Machinery，48（3）：164-172.］doi：10.6041/j.issn.10001298.2017.03.021.

尹鵬飛，熊靜，賈雨欣，尹繼清，張文翔.2023.杞麓湖表層沉積物營養(yǎng)鹽和粒度空間分布及評價［J］.環(huán)境科學與技術，46（10）：32-41.［Yin P F，Xiong J，Jia Y X，Yin J Q，Zhang W X.2023.Spatial distribution and evaluation of nutrients and grain size in surface sediments of Qilu Lake［J］.Environmental Scienceamp;Technology，46（10）：32-41.］doi：10.19672/j.cnki.1003-6504.0577.23.338.

張全旺，郭輝.2023.采煤拉張裂隙區(qū)土壤有機質高光譜反演［J］.測繪通報，（5）：78-83.［Zhang Q W，Guo H.2023.Hyperspectral inversion of soil organic matter in tensilefracture zone of coal mining［J］.Bulletin of Surveying and Mapping，（5）：78-83.］doi：10.13474/j.cnki.11-2246.2023.0140.

趙瑞，崔希民，劉超.2020.GF-5高光譜遙感影像的土壤有機質含量反演估算研究［J］.中國環(huán)境科學，40（8）：3539-3545.［Zhao R，Cui X M，Liu C.2020.Inversion estima-tion of soil organic matter content based on GF-5 hyper-spectral remote sensing image［J］.China Environmental Science，40（8）：3539-3545.］doi：10.19674/j.cnki.issn 1000-6923.2020.0396.

趙小敏，楊梅花.2018.江西省紅壤地區(qū)主要土壤類型的高光譜特性研究［J］.土壤學報，55（1）：31-42.［Zhao X M，Yang M H.2018.Hyper-spectral characteristics of majortypes of soils in red soil region of Jiangxi Province，China［J］.Acta Pedologica Sinica，55（1）：31-42.］doi：10.11766/trxb201705220571.

鄭建樂，張家禎，劉微，劉忠寬，許皞，王樹濤.2022.土壤有機質含量高光譜定量反演研究［J］.北方園藝，（16）：83-91.［Zheng J L，Zhang J Z，Liu W，Liu Z K，Xu H，Wang S T.2022.Study on quantitative inversion of soil organic ma-tter content by hyperspectral［J］.Northern Horticulture，（16）：83-91.］doi：10.11937/bfyy.20220460.

Tang S Y，Du C，Nie T Z.2022.Inversion estimation of soil organic matter in Songnen Plain based on multispectralanalysis［J］.Land，11（5）：608.doi：10.3390/land 11050608.

（責任編輯：王暉，羅麗）