黑土區田塊尺度土壤有機質含量遙感反演模型

劉煥軍，潘 越，竇 欣，張新樂※，邱政超，徐夢園，謝雅慧，王 楠

（1. 東北農業大學資源與環境學院，哈爾濱 150030；2. 中國科學院東北地理與農業生態研究所，長春 130012）

0 引 言

土壤有機質(soil organic matter，SOM)是全球碳循環的重要指示劑[1]，作為地球陸地表面最大的碳庫[2-3]，一直以來都是國內外學者研究的重要方向。SOM是表示土壤肥力和質量的一項重要指標[4]，是耕地質量的重要表現[5]。快速、精確地監測SOM含量及其空間差異對于土壤碳庫估算和農田精準施肥有重要意義。

近年來，遙感技術的快速發展和有效應用為SOM預測提供了新的途徑和有利條件，國內外在利用多光譜衛星影像數據估算SOM含量方面已經取得了很好的研究成果。SOM和可見光及近紅外波段之間的響應關系密切[6]。土壤光譜反射率可以在一定程度上反映 SOM 含量[7-8]，利用土壤光譜反射率及其數學變化可以進行SOM含量速測。Feng等構建基于可見光波段的有機碳預測模型，并制作了有機碳空間分布圖[9]。Fox等通過計算所有樣點距最小亮度像元的紅與近紅外波段亮度值得到“距離”，建立“距離”與SOM含量的關系，用于SOM含量的估測[10]。劉煥軍等通過分析波段反射率與 SOM 關系，建立基于Landsat-TM遙感影像綠、紅和近紅外波段的SOM反演模型[11]。王瓊等利用國產HJ-1A/1B衛星數據對SOM空間格局進行研究[12]。吳才武等[13]以通過空間插值法得到的土壤水分和遙感影像紅波段共同作為輸入量建立SOM預測模型，在一定程度上消除了水分影響，不同于地統計法反演水分受采樣點數量、分布和地形的限制,可操作性不強。

以上研究，多是分析基于不同波段反射率建模精度，或不同模型反演精度，且大多數研究區相對較大，對于基于遙感影像結合地形因素反演SOM的研究較少。同時，多光譜遙感預測SOM含量的研究，一般以單期遙感影像為基礎反演SOM含量，未考慮多時項遙感影像所包含的含水量變化信息[14]。土壤反射光譜特征是土壤理化性質的綜合反映[15-16]，加入含水量信息一定程度上會提高SOM反演模型精度。SOM含量越高土壤持水能力越強[17]，不同SOM含量的土壤含水量變化程度不同、光譜曲線變化不同，可以用于SOM的遙感反演。因此，本研究以黑土區田塊為研究對象，考慮兩期影像所表征的含水量變化信息和地形起伏影響，利用兩期影像結合地形因子建立SOM預測模型，探討田塊尺度SOM遙感反演。

1 材料與方法

1.1 研究區概況

研究區位于黑龍江省海倫市東興農機合作社，屬寒溫帶大陸性氣候，四季分明，全年平均降水量 500～600 mm，年活動積溫為2 200～2 400 ℃，平均海拔239 m，地處典型黑土區，漫川漫崗地帶。田塊地形起伏較大，地貌特征顯著，SOM含量空間差異明顯。研究區面積約為 41.3 hm2，地塊中心經緯度為 47°25′31″N、126°55′2″E，4月初至5月末為裸土期。

圖1 研究區及樣點布置Fig.1 Location of study fields and sampling points map

1.2 土壤數據采集

2016年4月21日，在研究區GPS定位，在地形起伏較大區域，兼顧地形特點均勻采集樣點98個，并記錄坐標、地形以及采集照片。室內將土壤質量稱量后研磨、風干，過2 mm篩，用重鉻酸鉀容量法[18]測定SOM含量。通過SPSS Statistics 22軟件對98個采樣點SOM含量數據進行統計分析，有機質最小值為 1.118 6%、最大值8.679 9%、均值4.222 5%，標準差為1.745 2%，方差為3.036%。

1.3 地形數據獲取和處理

使用定位精度為厘米級的海星達iRTK2對研究區地塊進行實地測量，得到 780個精確坐標和高程點，在ArcGIS10.1中生成TIN圖層，并轉成分辨率為4 m的高精度DEM柵格數據，并提取海拔G、坡度S、坡向A、剖面曲率SS、平面曲率AA等地形因子[19-20]。

1.4 影像處理

受限于拍攝周期和天氣原因而未能獲取采樣時間影像，獲取研究區裸土期2016年5月17日Landsat 8影像和 5月 25日 Sentinel-2A影像進行 SOM 反演研究，Sentinel-2A 影像 1、2、3、4、8、11、12波段波長分別對應Landsat 8影像1～7波段（表1）。通過ENVI5.1對Landsat 8影像進行大氣校正(大氣校正后的結果，為擴大了10 000倍的反射率數據)，并將多光譜影像（1～7波段）和8波段（15 m分辨率全色波段）融合成分辨率為15 m的影像[21]。Sentinel -2A影像為經過幾何校正處理過的L1C大氣頂反射率數據，只需要進行大氣校正處理。通過歐洲航天局(european space agency，ESA)提供的SNAP軟件進行影像的大氣校正(大氣校正后的結果，為擴大了10 000倍的反射率數據)。為研究方便，統一將Landsat 8和Sentinel -2A影像空間重采樣為10 m分辨率（Landsat 8通過ENVI完成，Sentinel -2A通過SNAP完成）。

表1 Landsat 8和Sentinel-2A參數信息Table 1 Parameter information of Landsat 8 and Sentinel-2A

1.5 氣象數據處理

對海倫氣象站點2016年5月10日-25日降水量數據進行整理，其中5月12日、13日、15日、16日、24日、25日降水量分別為39、1、25、79、167和13 mm，其他日期降水為0。降水量會影響土壤表層含水量，進而會影響遙感影像反射率變化[22-26]。5月10日-25日之間，降水量波動較大，導致土壤表層含水量變化明顯。所以，5月17日和5月25日遙感影像包含了可以表達土壤含水量變化信息。

1.6 光譜指數構建

基于多光譜各波段反射率進行數學變換，構建光譜指數，可減小由地形、大氣等對反射率產生的誤差，提高預測模型精度[27]。通過構建單期影像光譜指數，增強SOM與Landsat8、Sentinel-2A反射率的相關性；通過構建多期影像光譜指數，表達土壤水分變化信息。基于影像波段反射率（影像第i波段反射率，表示5月17日Landsat 8影像第i波段反射率，表示5月25日Sentinel-2A影像第i波段反射率），構建光譜指數。波段反射率差值歸一化指數

式中NDDijTT表示5月17日Landsat 8影像的第i波段和第j波段反射率的差值歸一化指數，TT表示5月17日Landsat 8影像，TS表示5月25日Sentinel-2A影像。

兩期影像對應波段反射率差值

1.7 模型建立與驗證

利用多光譜影像建立SOM預測模型[28]，主要是基于和SOM相關性比較高的光譜信息；而兩期多光譜影像可以表達土壤表層水分變化信息，通過多期影像數據可減小水分變化引起的反射率誤差，進而提高SOM反演精度；在兩期影像基礎上加入地形因子作為建模輸入量，則將土壤反射光譜關于SOM、水分的信息和地形信息共同考慮到SOM預測模型建立中。

隨機選取64個樣點為建模集，34樣點為測試集，建立BP神經網絡SOM預測模型，通過Matlab2014a編程實現。采用3層BP神經網絡，隱藏層傳遞函數為tansig，12個隱藏層節點，輸出層傳遞函數為pureliln，1個輸出層節點，訓練函數為trainlm[29]。

2 結果與分析

2.1 土壤反射光譜特征分析

將SOM含量數值的偏大和偏小值去掉后，選擇3個具有代表性（SOM值相對等差分布）的樣點，提取其采樣點位置光譜反射率，繪制不同SOM含量土壤反射光譜曲線圖(圖 2a）。選擇光譜曲線趨勢具有代表性（地勢平緩）的樣點，提取其采樣點位置光譜反射率，繪制兩期影像土壤反射光譜曲線圖（圖 2b）。同一時期，SOM 含量上升，光譜曲線整體下降，3～5波段差異明顯（圖2a）。SOM變化時、差異明顯的波段可以作為SOM診斷波段。因此，3～5波段可以作為SOM反演主要參考波段。不同時期，土壤光譜曲線圖（圖2b），在5～7波段曲線變化差異明顯。同理，5～7波段可作為含水量表征波段。

圖2 土壤反射光譜特征Fig.2 Characteristics of soil reflectance spectrum

2.2 地形變化分析

研究區絕大部分區域坡度為0°～5°之間（圖4a），為了研究不同坡度對SOM空間差異的影響，根據采樣點坡度范圍將其分為4級（圖3a），比較其SOM含量差異。研究結果表明，“0°～3°”坡度等級 SOM 含量明顯高于其他坡度等級，這與連綱等[30]的研究一致。坡度對SOM在坡面上分布的影響主要是通過土壤侵蝕，土壤養分主要是以泥沙為載體[31]，坡度越大，泥沙流失量越大，養分流失量越多，SOM流失量越多[32]。

為分析不同坡向（圖4b）SOM含量變化，以正北方向為 0°，將坡向以 45°為間隔劃分為 8類（0°～22.5°和337.6°～360°為北坡，22.6°～67.5°為東北坡，67.6°～112.5°為東坡，112.6°～157.5°為東南坡，157.6°～202.5°為南坡，202.6°～247.5 為西南坡，247.6°～292.5°為西坡，292.6°～337.5°為西北坡），比較各類坡向采樣點SOM含量均值（圖 3b）。結果發現，陰坡（東北坡）SOM 含量略高于陽坡（東南坡和南坡）。這是由于陽坡太陽輻射量高于陰坡，SOM含量通常隨熱量條件的增加而降低，隨濕潤度的增加而增高[33]。

圖3 SOM空間差異地形分析Fig.3 Analysis of SOM spatial difference and terrain factor

為研究坡位（坡底、陽坡、坡頂、陰坡）對SOM空間差異影響，選取6組典型坡位剖面（圖4a）。1～4剖面分析表明：坡底經陽坡到坡頂，SOM含量下降；坡頂經陰坡到坡底，SOM含量上升（圖5）。其中，3號剖面陰坡坡底SOM含量低于坡頂，可能是因為其東側偏北方向的區域坡度驟然增大（圖4a的7號點對應圖5的3號剖面陰坡坡底），導致鄰近區域SOM含量降低；4號剖面陽坡坡底SOM含量低于坡頂，可能是因為其所在區域坡度較大（圖4a的12號點對應圖5的4號剖面陽坡坡底），容易受到侵蝕，導致SOM流失。5、6剖面分析表明：坡底到陽坡，SOM含量下降，陽坡到坡頂，SOM含量上升；坡頂到陰坡，SOM含量下降；陰坡到坡底，SOM含量上升（圖5）。其中，5、6號剖面的4個坡底位置SOM含量低于坡頂，是因為這 4點所在位置和真正的坡底位置還有一定的距離（圖4a的17、13點和22、18點分別對應圖5的5號剖面和6號剖面的陽坡坡底、陰坡坡底）。

2.3 SOM相關性分析

SOM與土壤光譜反射率存在顯著負相關關系[34]。地形起伏變化，影響著土壤侵蝕程度和SOM空間分布。對SOM和兩期影像波段反射率、光譜指數以及地形因子進行相關性分析（表 2），以土壤光譜反射率、光譜指數、地形因子為輸入量，建立BP神經網絡模型，反演SOM空間分布。

圖4 研究區地形特征Fig.4 Terrain feature images of study area

圖5 不同坡位下SOM含量Fig.5 Analysis of SOM content in different slope position

表2 部分影像光譜指數及地形因子與SOM含量相關系數Table 2 Correlation coefficients between spectral index,terrain factors and SOM content

2.4 基于單期影像SOM預測模型

2016年5月17日Landsat8影像，以4波段反射率、5波段反射率以及2波段反射率和3波段反射率的差值歸一化指數 N DDT2T3為輸入量，建立的BP神經網絡 SOM 預測模型精度和穩定性最好。建模決定系數R2為0.652，RMSE為1.071；驗證決定系數R2為0.642，RMSE(root mean square error)為0.967（表3）。5月25日Sentinel-2A影像，以4波段反射率、8波段反射率以及11波段反射率為輸入量，建立的BP神經網絡SOM 預測模型精度和穩定性最好。建模決定系數R2為0.677，RMSE為1.033；驗證決定系數R2為0.664，RMSE為1.079（表3）。

單期影像建立SOM預測模型，兩個時期的兩幅影像均是紅波段（640～680 nm）和785～899 nm波段起到了重要作用。在5月17日影像建模中，可見光波段起到一定作用。在5月25日影像建模中，11波段起到一定作用。是因為11波段為水分敏感波段，而5月17-25日土壤含水量因降雨增加，水分影響增大，導致11波段對建模精度產生影響。

2.5 基于兩期影像SOM預測模型

利用兩期影像建立SOM預測模型，以2016年5月17日Landsat 8影像4波段反射率和1 570～1 650 nm波段反射率、5月25日Sentinel-2A影像4波段反射率、兩期影像的 1 570～1 650 nm波段反射率差值為輸入量，建立的BP神經網絡SOM預測模型精度和穩定性最好。建模決定系數R2為 0.792，RMSE為0.855；驗證決定系數R2為0.797，RMSE為0.898（表3）。相比于單期影像建模，模型精度明顯提高。其中，1 570～1 650 nm波段為水分敏感波段，兩期影像此波段的差值可以很好地表示兩期影像間水分變化信息。因此，以兩期影像考慮土壤含水量變化信息以提高SOM含量預測模型精度。

2.6 基于兩期影像和地形因素的SOM預測模型

在田塊尺度上，特別是地形起伏明顯的田塊，SOM空間分布受地形影響明顯。本文選取與SOM顯著相關的高程和坡度的演變剖面曲率作為地形因素的考慮加入模型輸入量（表2）。其中，以2016年5月17日Landsat8影像4波段反射率和1 570～1 650 nm波段反射率5月25日Sentinel-2A影像4波段反射率兩期影像的1 570～1 650 nm波段反射率差、高程G、剖面曲率SS作為輸入量建立的BP神經網絡SOM預測模型穩定性和精度最高。建模決定系數R2為0.917，RMSE為0.492；驗證決定系數R2為0.928，RMSE為0.499（表3）。加入地形因子作為輸入量，模型穩定性和精度再次有了較大的提高。因此，在兩期影像考慮土壤含水量變化信息的基礎上加入地形因子信息對于提高SOM預測模型精度可行。

2.7 預測制圖與分析

以兩期影像光譜指數、地形因子為輸入量建立的BP神經網絡SOM預測模型，反演研究區SOM含量（圖6）。結果顯示，SOM空間分布受地形影響明顯，地形起伏小SOM變化不明顯，地形起伏大則SOM變化較大。總體上看，從東到西海拔降低，地形起伏變大，SOM含量差異變大。坡底含量最高，其他地方相對較低。地勢平緩的地方，SOM含量較高；地勢落差大的地方，土壤受侵蝕較嚴重，導致SOM含量較低。

表3 BP神經網絡SOM含量預測模型建模和驗證結果Table 3 SOM content predicting modeling and verification results based on BP neural network

具體來看（圖 6），1號區域為坡底且地勢相對較平緩，所以SOM含量較高；2號區域為坡底，其南北兩側地勢起伏較大，導致土壤侵蝕、運移，SOM含量相對較高；3號區域為坡底且受6號區域地形起伏驟變影響，所以SOM含量較高；4號區域為坡頂，但地勢相對平緩，SOM含量較高；5號區域為陽坡，但臨近坡底且地勢落差較大，所以SOM含量相比周圍區域明顯偏低。7號南北條帶狀區域，與兩側區域銜接處出現異常。因為這一區域的DEM數據是與周圍拼接而成的，以至于DEM數據拼接處出現異常。導致其SOM反演結果與兩側區域交接處出現異常（圖6）。

圖6 研究區SOM空間分布圖Fig.6 Study area spatial distribution pattern of SOM

3 討 論

東北黑土區漫川漫崗地帶，地形起伏變化相對較大，不同地形光溫水熱差異較大，且土壤侵蝕程度不同， 所以SOM空間分布差異較大。從研究區SOM反演結果來看，其含量受坡度、坡向和坡位共同影響。此外，土壤持水能力受SOM含量影響，因此不同SOM含量的土壤含水量變化時、對反射率影響的不同可以間接表達有機質信息[14]，而兩期遙感影像可以表征土壤水分變化信息提高SOM含量反演精度。

本文利用研究區裸土期的兩期影像結合地形數據，建立田塊尺度的BP神經網絡SOM預測模型。所選研究區田塊內部有明顯的地形起伏變化，其對SOM空間分布有明顯的影響。因此，所建立的模型精度較高，能夠反映研究區SOM的空間變異規律。

對于因傳感器不同而造成的遙感影像差異問題，本研究通過選取影像覆蓋區域的硬化地面、屋頂和深水區等隨時間反射率幾乎不變化的點，提取其各波段反射率進行比較，發現兩幅影像對應波段的反射率相關系數R普遍達到0.95以上，表示含水量變化的波段（Landsat 8第6波段和Sentinel-2A第11波段）相關系數更是達到了0.99。這證明因傳感器本身而造成的遙感影像差異可以忽略不計，這種細微的差異對建立反演模型幾乎不會有影響，足以滿足建立SOM反演模型要求。此外，本文引入時相信息，以兩個時期影像反演SOM，為下一步的SOM遙感反演研究工作打下了基礎。本研究結果，適用于黑土區漫川漫崗地形地域，對于具有明顯地形起伏的農業田塊具有較好的效果。

4 結 論

以東北黑土區有明顯地形起伏的農業田塊為例，以兩期裸土期遙感影像以及高精度 DEM 為數據源，利用BP神經網絡方法，對研究區進行SOM反演研究，得出以下結論：

1）研究區SOM含量空間分布差異大。“0°～3°”坡度SOM含量明顯高于其他坡度。陰坡SOM含量略高于陽坡。坡底SOM含量高于坡頂。坡底到陽坡，SOM含量下降；陽坡到坡頂，SOM含量上升；坡頂到陰坡，SOM含量下降；陰坡到坡底，SOM含量上升。

2）相同條件下，SOM含量降低，土壤光譜反射率整體下降，且紅波段反射率和785～899 nm波段反射率變化最大，可以作為SOM主要建模輸入量。而不同時期，SOM光譜曲線差異主要是由水分含量變化造成的，兩期影像可以反映含水量變化信息。

3）田塊尺度單期影像 SOM遙感預測模型，以紅波段和 785～899 nm波段為主要輸入量建立的模型精度較高。基于兩期影像，以兩期影光譜指數表征SOM及水分變化信息的建立的模型精度顯著提高(RMSE降低0.18)。

4）綜合兩期影像和地形因子的BP神經網絡模型精度最高，能夠更好揭示研究區SOM空間分布規律。SOM反演結果可以用于耕地質量評價、土壤碳庫估算，為精準農業和農田精準施肥提供理論依據和技術支持。

[1] Marchant B P, Villanneau E J, Arrouays D, et al. Quantifying and mapping topsoil inorganic carbon concentrations and stocks: Approaches tested in France[J]. Soil Use &Management, 2015, 31(1): 29－38.

[2] García-Oliva F, Masera O R. Assessment and measurement issues related to soil carbon sequestration in land-use,land-use change, and forestry (LULUCF) projects under the kyoto protocol[J]. Climatic Change, 2004, 65(3): 347－364.

[3] Scharlemann J P, Tanner 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.

[4] 魯如坤. 土壤農業化學分析方法[M].北京：中國農業科技出版社，2000.

[5] 張玲娥.典型縣域耕地肥力質量時空演變規律及驅動力分析[D].北京：中國農業大學，2014.Zhang Linge. Spatial and Temporal Variability of Ariable Land Fertility Quality and its Driving Factors in Typical County[D]. Beijing: China Agricultural University, 2014.(in Chinese with English abstract)

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

[7] Bendor E, Banin A. Near-Infrared analysis as a rapid method to simultaneously evaluate several soil properties[J]. Soil Science Society of America, 1995, 59(2): 364－372.

[8] Mccarty G W, Reeves J B, Reeves V B, et al. Mid-infrared and near-Infrared diffuse reflectance spectroscopy for soil carbon measurement[J]. Soil Science Society of America Journal, 2002, 66(2): 640－646.

[9] Feng C, Kissel D E, West L T, et al. Field-scale mapping of surface soil organic carbon using remotely sensed imagery[J].Soil Science Society of America Journal, 2000, 64(2): 746－753.

[10] Fox G A, Sabbagh G J. Estimation of soil organic matter from red and near-infrared remotely sensed data using a soil line euclidean distance technique[J]. Soil Science Society of America Journal, 2002, 66(6) : 1922－1929.

[11] 劉煥軍，趙春江，王紀華，等.黑土典型區SOM遙感反演[J].農業工程學報，2011，27(8)：211－215.Liu Huanjun, Zhao Chunjiang, Wang Jihua, et al. Soil organic matter predicting with remote sensing image in typical blacksoil area of Northeast China[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2011, 27(8): 211－215. (in Chinese with English abstract)

[12] 王瓊，陳兵，王方永，等.基于HJ衛星的棉田SOM空間分布格局反演[J].農業工程學報，2016，32(1)：174－180.Wang Qiong, Chen Bing, Wang Fangyong, et al. Inversion for spatial distribution pattern of soil organic matter based on HJ image in oasis cotton field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 174－180. (in Chinese with English abstract)

[13] 吳才武，張月叢，夏建新，等.基于地統計與遙感反演相結合的SOM預測制圖研究[J].土壤學報，2016，53(6)：1568－1575.Wu Caiwu, Zhang Yuecong, Xia Jianxin, et al. Prediction and mapping of soil organic matter based on geostatistics and remote sensing inversion[J]. Acta Pedologica Sinica, 2016,53(6): 1568－1575. (in Chinese with English abstract )

[14] 劉煥軍，寧東浩，康苒，等.考慮含水量變化信息的土壤有機質光譜預測模型[J].光譜學與光譜分析，2017，37(2)：566－570.Liu Huanjun, Ning Donghao, Kang Ran, et al. A study on predicting model of organic matter contend incorporating soil moisture variation[J]. Spectroscopy and Spectral Analysis,2017, 37(2): 566－570. (in Chinese with English abstract)

[15] Stoner E R, Baumgardner M F. Characteristic variations in reflectance of surface soils[J]. Soil Science Society of America Journal, 1981, 45(6): 1161－1165.

[16] Condit H R. Spectral reflectance of American soils[J].Photogrammetric Engineering, 1970, 36: 955－966.

[17] 王淼，潘賢章，解憲麗，等.土壤含水量對反射光譜法預測紅壤土壤有機質的影響研究[J].土壤，2012，4：645－651.Wang Miao, Pan Xianzhang, Xie Xianli, et al. Effects of soil moisture on determining red soil organic matter using VIS-NIR diffuse reflectance spectroscopy[J]. Soils, 2012, 4:645－651. (in Chinese with English abstract)

[18] 吳才武, 夏建新, 段崢嶸. 土壤有機質測定方法述評與展望[J]. 土壤, 2015, 47(3):453－460.Wu Caiwu, Xia Jianxin, Duan Zhengrong. Review on Detection Methods of Soil Organic Matter (SOM)[J]. Soil,2015, 47(3):453－460. (in Chinese with English abstract)

[19] 劉學軍, 王葉飛, 曹志東,等. 基于 DEM 的坡度坡向誤差空間分布特征研究[J]. 測繪通報, 2004(12):11－13.Liu Xuejun, Wang Yefei, Cao Zhidong, et al. A study of error spatial distribution of slope and aspect derived from grid DEM[J]. Bulletin of Surveying and Mapping,2004(12):11－13. (in Chinese with English abstract)

[20] 劉學軍, 王葉飛, 曹志東,等. 基于 DEM 的地形曲率計算模型誤差分析[J]. 測繪科學, 2006, 31(5):50－53.Liu Xuejun, Wang Yefei, Cao Zhidong, et al. Error analysis on DEM-based terrain curvatures models[J]. Science of Surveying and Mapping, 2006, 31(5):50－53. (in Chinese with English abstract)

[21] 翁永玲, 田慶久. 遙感數據融合方法分析與評價綜述[J].遙感信息, 2003(3):49－54.Weng Yongling, Tian Qingjiu. Analysis and evaluation of method on remote sensing data fusion[J]. Remote Sensing Information, 2003(3): 49－54. (in Chinese with English abstract)

[22] Lobell D B, Asner G P. Moisture effects on soil reflectance[J]. Soil Science Society of America Journal, 2002,66(3): 722－727.

[23] Sadeghi M, Jones S B, Philpot W D. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands[J]. Remote Sensing of Environment, 2015, 164: 66－76.

[24] Weidong L, Baret F, Xingfa G, et al. Relating soil surface moisture to reflectance[J]. Remote Sensing of Environment,2002, 81(2): 238－246.

[25] 程街亮，紀文君，周銀，等.土壤二向反射特性及水分含量對其影響研究[J].土壤學報，2011，48(2)：255－262.Cheng Jieliang, Ji Wenjun, Zhou Yin, et al. Soil bi directional reflectance characteristics as affected by soil moisture[J].Acta Pedologica Sinica, 2011, 48(2): 255－262. (in Chinese with English abstract)

[26] 李美婷，武紅旗，蔣平安，等.利用土壤的近紅外光譜特征測定土壤含水量[J].光譜學與光譜分析，2012，32(8):2117－2121.Li Meiting, Wu Hongqi, Jiang Pingan, et al. Measuring soil water content by using near infrared spectral characteristics of soil[J]. Spectroscopy and Spectral Analysis, 2012, 32(8):2117－2121. (in Chinese with English abstract)

[27] Frazier B E, Cheng Y, Frazier B E, et al. Remote sensing of soils in the eastern Palouse region with Landsat Thematic Mapper[J]. Remote Sensing of Environment, 1989, 28(89):317－325.

[28] Hill J, Schutt B. Mapping complex patterns of erosion and stability in dry mediterranean ecosystems[J]. Remote Sensing of Environment, 2000, 74(3): 557－569.

[29] 董長虹.神經網絡與應用[M].北京：國防工業出版社，2005：64－66，99－104.

[30] 連綱，郭旭東，傅伯杰，等.黃土丘陵溝壑區縣域 SOM空間分布特征及預測[J].地理科學進展，2006，25(2)：112－122.Lian Gang, Guo Xudong, Fu Bojie, et al. Spatial variability and prediction of soil organic matter at county scale on the loess plateau[J]. Progress in Geography , 2006, 25(2): 112－122. (in Chinese with English abstract)

[31] Vol N. Nutrient management planning on four Virginia livestock farms: Impacts on net income and nutrient losses[J].Journal of Soil & Water Conservation, 1999, 54(2): 499－505.

[32] 傅濤，倪九派，魏朝富，等.不同雨強和坡度條件下紫色土養分流失規律研究[J].植物營養與肥料學報，2003，9(1)：71－74.Fu Tao, Ni Jiupai, Wei Chaofu, et al. Research on the nutrient loss from purple soil under different rainfall intensities and slopes[J]. Plant Nutrition & Fertilizing Science, 2003, 9(1):71－74. (in Chinese with English abstract)

[33] 黃元仿，周志宇，苑小勇，等.干旱荒漠區SOM空間變異特征[J].生態學報，2004，24(12)：2776－2781.Huang Yuanfang, Zhou Zhiyu, Yuan Xiaoyong, et al. Spatial variabil ity of soil organic matter content in an arid desert area[J]. Acta Ecologica Sinica, 2004, 24(12): 2776－2781.(in Chinese with English abstract)

[34] Bendor E, Banin A. Near-Infrared analysis as a rapid method to simultaneously evaluate several soil properties[J]. Soil Science Society of America, 1995, 59(2): 364－372.