干旱區典型綠洲土壤有機質的反演及影響因素研究*

周倩倩 丁建麗? 唐夢迎 楊 斌

（1 新疆大學資源與環境科學學院智慧城市與環境建模自治區普通高校重點實驗室，烏魯木齊 830046）

（2 綠洲生態教育部重點實驗室，烏魯木齊 830046）

（3 武警黃金第八支隊，烏魯木齊 830057）

土壤有機質是土壤的重要組成部分，是各種營養元素的重要來源，作為土壤肥力的重要指標可以影響土壤的其他理化性質［1］。因此，土壤有機質的研究成為土壤學的研究熱點之一［2］。土壤有機質含量快速、高精度的區域化估測，對干旱區鹽漬地農業的可持續發展具有重要意義。如何滿足現代精準農業和區域土壤調查的要求，實現快速、準確、實時的土壤有機質監測變得十分重要。

國內外針對土壤有機質含量的估算已有大量研究，傳統的土壤化學分析法是將野外采集的土樣風干、研磨、過篩后通過各種儀器和藥品在實驗室內進行測定，需要耗費巨大的人力、物力、財力，而遙感技術具有圖像信息豐富、數據獲取方便、成本低等優點，可以在短時間內獲取較為完整的土壤反射率信息。國內外已有部分研究是利用可見光-近紅外對有機質含量進行估測［3-5］，研究表明，土壤光譜在可見光部分與有機質含量的相關性優于近紅外部分，可見光-近紅外光譜可以實現土壤有機質的估算。眾多學者研究發現土壤有機質含量和土壤反射率的高低有明顯關系［6-7］。國內外學者還借助實測高光譜對土壤有機質含量進行估算，均取得了較為理想的效果［8-10］。基于多光譜數據的區域尺度土壤有機質的估測主要集中在干旱區［11-13］、東北黑土區［14-17］、耕作區［18-20］、平原區［21-22］等區域，大多為縣級尺度，面積從幾十至幾百平方千米不等，以上研究均實現了土壤有機質的區域化監測。通過以上研究發現，高光譜數據具有較高的精度，而遙感影像具有范圍大、空間分辨率高的特點，將高光譜和多光譜結合，集兩者優點于一身，對土壤有機質進行估測的研究較為少見。

干旱區生態環境脆弱，農業是干旱地區主要的經濟來源，因此對有機質的研究至關重要。以新疆的渭-庫綠洲為研究對象，利用高光譜的窄波段通過波段平均的方法擬合為Landsat 8 OLI的7個波段反射率，并進行數學變換，建立基于擬合波段的偏最小二乘回歸模型，用比值法對多光譜波段反射率進行校正，將高光譜估算模型應用到遙感影像中，以提高區域尺度條件下土壤有機質的估測精度，為區域化土壤質量監測、農業的可持續發展提供數據支撐。

1　材料與方法

1.1　研究區概況

渭干河-庫車河流域（82°10′～83°40′E、41°06′～41°40′N）位于新疆塔里木盆地北緣、天山南麓，是新疆典型的干旱區綠洲，研究區總面積為5 988 km2。該區年均降水量僅有51.6 mm，而年均蒸發量高達2 123 mm，屬于干旱與極端干旱地區。土壤類型以潮土、棕漠土、灌淤土為主，也有少量草甸土、沼澤土、水稻土、鹽土等。地表植被以小白杏（Rosaeeae）、核桃（Juglansregia）、玉米（Zeamays）、棉花（Gossypiumhirssittum）等農田植被以及檉柳（Tamarixramosissima）、鹽爪爪（Kalidiumfoliatum）、鹽穗木（Halostachys caspica）、駱駝刺（Alhagisparsifolia）等荒漠耐鹽植物和鹽生灌叢為主［23］。

1.2　遙感影像的選取與預處理

文中選取與土壤采樣時間較為一致的2016年5月30日的Landsat 8遙感影像1景，遙感數據來源于地理空間數據云（http://www.gscloud.cn/），影像在本研究區域無云覆蓋，有利于提高土壤有機質含量的反演精度。運用ENVI 5.1軟件對遙感影像進行預處理，主要包括影像的輻射校正、大氣校正、幾何校正（校正誤差小于0.5個象元）等［24］。

1.3　樣品采集與分析

本實驗室在渭-庫綠洲具有長期的研究積累，研究基礎扎實，使得研究工作較為便利。2016年5月，選取具有代表性的39個采樣點進行野外采樣，39個樣點經過研究區多年驗證，覆蓋了該地區典型的土壤質地、土壤類型，遍布整個綠洲內部和外圍，且地勢平坦。每個采樣單元按照五點梅花狀采集表層（0～10 cm）土樣，將五個土樣混合，作為一個土壤樣品。將采集的土樣帶回實驗室自然風干、研磨并剔除土樣中的雜質后過篩。采用重鉻酸鉀容量-外加熱法(油浴)測定過0.25 mm孔徑篩的土壤有機質含量［25］。土壤機械組成采用激光粒度分析儀(測試粒徑范圍為0.012 8～2 000 μm)進行測定，參考美國制分級標準對土壤質地進行分級：砂粒（50～2 000 μm）、粉粒（2～50 μm）、黏粒（＜2 μm）。

1.4　數據處理

高光譜數據的測量采用ASD Field spec3便攜式光譜儀在暗室內進行，光源為50W鹵化燈，探頭視場角為25°，將過0.25 mm篩的土樣裝入直徑12 cm、深1.8 cm盛樣皿內，并將土樣用直尺刮平，每個土樣重復測10次，取均值作為該土樣的反射率光譜值［26］。為了更好地突出光譜信息，對光譜曲線進行Savitaky-Golay（2次多項式，5個點）平滑去噪，并去除噪聲較大的波段（350～399 nm和2 451～2 500 nm），處理后剩余的高光譜波段為400～2 450 nm。李萍［27］、孫俊［28］通過將高光譜數據擬合為遙感影像對應的波段，對土壤水分進行了精確地估測。參考其研究方法，本研究將高光譜數據的433～453 nm、450～515 nm、525～600 nm、630～680 nm、845～885 nm、500～800 nm、1 560～1 660 nm、2 100～2 300 nm之間的光譜反射率進行平均來擬合Landsat 8 OLI的7個波段（Band1 Coastal：R433～453; Band2 Blue：R450～515; Band3 Green：R525～600; Band4 Red：R630～680; Band5 NIR：R845～885; Band6 SWIR 1：R1 560～1 660; Band7 SWIR 2：R2 100～2 300）。

研究表明，光譜微分變換能夠有效地去除噪聲和背景的影響，變換之后的光譜曲線，能夠擴大光譜特征的差異。為了進一步削弱外界因素對目標光譜反射率的影響，查找土壤有機質的敏感波段，對擬合的7個波段進行倒數（1/B）、對數（lnB）、平方（B2）、反射率一階微分（B′）、倒數一階微分（1/B）′、對數一階微分（lnB）′、反射率平方一階微分（B2）′等數學變換作為光譜指標。

1.5　模型數據及檢驗標準

在土壤光譜反射率數學變換和相關性分析的基礎上，采用偏最小二乘回歸的數學方法，構建土壤有機質的反演模型。模型估測精度通過決定系數（R2）、均方根誤差（RMSE）兩個參數進行檢驗，模型的決定系數R2介于0至1之間，決定系數R2越大，模型精度越高、模型越穩定；RMSE越小，模型的預測能力越強、精度越高［29］。

2　結 果

2.1　土壤有機質含量的統計特征

表1為渭-庫綠洲建模樣本和驗證樣本的統計特征值，從表中可以看出，建模集與驗證集的樣本含量分布較為均勻，均值相近，采樣點的地理位置在空間分布上，兩者均覆蓋整個研究區域，因此，無論從含量還是地理位置進行分析，該建模集和驗證集樣本均合理，且具有代表性。

表1　土壤有機質含量統計特征Table 1　Statistical characteristics of SOM content

2.2　不同有機質含量的土壤光譜特征

土壤的光譜特征是土壤理化性質的綜合反映，各波段反射率與實測表層土壤有機質含量之間的相關系數反映他們之間的密切程度。分析研究區域各波段反射率與土壤有機質含量的關系，發現隨著土壤有機質含量的變化，每個波段的反射率均有顯著差異。土壤樣本進行剔除雜質、風干、研磨過篩等預處理后，基本上消除了土壤濕度、土壤粗糙度等對光譜反射率的影響。

從研究區不同含量有機質的室內實測光譜曲線圖1a（有機質含量為12.35、26.53、19.44 g kg-1的土壤質地為粉砂土，有機質含量為7.00、37.21 g kg-1的土壤質地為砂質壤土）可以看出，不同含量的有機質高光譜曲線形態較為一致，整體上呈上凸的拋物線形，反射率隨有機質含量的增加而降低，光譜曲線在可見光范圍內差異較大。反射率在可見光區域內增加較快，在近紅外區域較為平緩，1 400、1 900、2 200 nm波段有明顯的水分吸收谷，在840 nm波段有明顯的吸收。在有機質含量分別為12.35、19.44 g kg-1時，在可見光區域，光譜曲線出現交叉現象，這與李洪［30］的研究結果較為一致。圖1b為研究區不同土壤質地和實測不同有機質含量的高光譜曲線對比圖，由此圖可以看出：相同有機質含量，不同土壤質地的光譜反射率曲線變化趨勢一致，反射率值基本無差異; 而相同土壤質地，不同有機質含量的土壤光譜曲線差異明顯，可以發現對土壤有機質光譜反射率曲線影響較大的為有機質含量的高低，而非土壤質地。

結合Landsat 8 OLI遙感影像的7個波段對室內實測土壤高光譜曲線進行分析：433～453 nm之間，曲線斜率較大，表明反射率隨波長變化較大；450～515 nm之間，曲線斜率先減小，后增大；525～600 nm之間，斜率一直上升；630～680 nm之間反射率上升較緩；845～885 nm之間反射率幾乎無增長，650 nm波段左右，低有機質含量的曲線具有明顯的反射峰；1 560～1 660 nm之間反射率增長較為緩慢，不同含量土壤有機質間反射率差異逐漸增大；2 100～2 300 nm之間光譜反射率呈上升、下降再上升的趨勢。由此可見，高光譜數據與Landsat 8 OLI的7個波段具有相關性。

圖1　不同有機質含量（a）和土壤質地（b）的土壤光譜曲線Fig. 1 Spectral curve of soil relative to SOM content （a） and soil texture （b）

2.3　實測高光譜數據分析及回歸模型的構建和檢驗

為避免信息冗余，進一步定量化土壤有機質和光譜的關系，準確找到有機質的敏感波段，將原始及經過數學變換的各擬合波段反射率與實驗室實測土壤有機質含量進行相關性分析，篩選出最優波段及變換形式。結果如圖2所示，渭-庫綠洲有機質含量與高光譜擬合Landsat 8 OLI遙感影像的各波段反射率均具有較強的相關性，經倒數、對數、平方以及一階微分等數學變換后，與有機質含量的相關性顯著提高。土壤有機質含量與lnB、（lnB）′、B、B′相關性較好，各波段均通過0.01顯著性檢驗，而B2、1/B、（1/B）′、（B2）′相關性較差，僅有部分波段通過0.01顯著性檢驗，不可作為自變量。

在DPS軟件中利用偏最小二乘回歸，建立土壤有機質含量的高光譜回歸模型，結果如表2所示，利用經過不同數學變換的反射率建立的土壤有機質估測模型預測精度和穩定性存在較大差異。高光譜最優估算模型，建模樣本的決定系數R2為0.852，檢驗樣本的決定系數R2為0.897。

圖2　不同反射率變換與有機質含量的相關系數Fig. 2 Correlation coefficient between varying reflectance and organic matter content

表2　土壤有機質含量反演模型及精度驗證Table 2　Inversion models of soil organic matter content and precision validation

將高光譜最優估算模型的預測值聯合實測值繪制散點圖（圖3a），將該模型應用于Landsat 8 OLI 遙感影像，提取檢驗樣本的反演值聯合實測值繪制散點圖（圖3b）。結果表明，對數反射率一階微分的回歸模型估測效果最優，模型具有較高的精度和穩健性。模型自變量少，噪聲因素少，說明通過對數一階微分建立估測土壤有機質含量的模型是有效且可行的。不同數據源，土壤有機質含量的預測值均高于實測值實測值越大，與預測值的偏差越大。多光譜模型的驗證樣本較為分散，高光譜模型應用于多光譜數據效果明顯低于高光譜模型。

圖3　土壤有機質含量模型預測值與實測值比較Fig. 3 Comparison between predicted and measured values of soil organic matter

2.4　土壤有機質多光譜模型的校正與檢驗

根據野外采樣記錄的采樣點坐標，提取遙感影像上各采樣點的7個波段的反射率值，作為遙感影像的反射率，與高光譜數據擬合的Landsat 8 OLI各波段反射率進行對比分析，結果如圖4所示。

高光譜擬合波段反射率與遙感影像的波段反射率變化趨勢一致，由于本研究的高光譜數據為室內實測數據，消除了外界環境的影響，而遙感影像包含植被等信息，因而高光譜擬合波段反射率均低于遙感影像的波段反射率。用SPSS軟件對其進行相關性分析得出兩者相關性達到0.976。因此，將實測高光譜估測模型應用于遙感影像反演，具有可行性。為了能夠更好地結合遙感影像數據進行分析，計算實測遙感影像各波段反射率與高光譜擬合波段反射率的比值，取其均值作為校正系數，將遙感影像各波段反射率除以校正系數，得到校正后的遙感影像反射率。

圖4　高光譜擬合波段平均反射率與遙感影像反射率的對比Fig. 4 Comparison between mean reflectance of fitted hyperspectral band and remote sensing image reflectance

表3　遙感影像校正系數Table 3　Correction coefficient result of remote sensing image

Landsat 8 OLI波段反射率經過校正后的估測模型檢驗樣本的檢驗結果如圖5所示，可以看出，檢驗模型的決定系數R2得到了較大的提高，由0.711提高至0.849，RMSE為0.116。因此，經過實測高光譜校正后的Landsat8 OLI遙感影像回歸模型在對土壤表層有機質含量的估測精度較高，可以實現區域化的有機質反演。

圖5　校正后土壤有機質含量模型預測值和實測值比較Fig. 5 Comparison of calibrated predicted values and measured ones of SOM

2.5　土壤有機質的反演結果及影響因素

利用ENVI 5.1的bandmath功能以及ArcGIS 10.3得到反演后的土壤有機質含量空間分布圖（圖6）。由土壤有機質含量反演結果可以看出，研究區內土壤有機質含量不均，區域性分布差異較為明顯，表現為條帶狀的分布特征，呈現出中部高、南北低的空間分布格局。綠洲內部土壤有機質含量明顯高于綠洲外圍以及荒漠綠洲交錯帶，主要原因是由于綠洲中部土地利用多為農業、林業用地，河流聚集于此，水源豐富，植被覆蓋度高，而綠洲外圍生態環境問題和土壤鹽漬化問題較為嚴重，敏感的生態環境和土壤表層的鹽結皮破壞了土壤養分，掩蓋了土壤中有機質的光譜特征，因而有機質含量反演結果較低。

（1）土地利用類型 本研究借助奧維地圖軟件對研究區地物進行辨別，并結合實地調查數據，借助ENVI和ArcGIS軟件，采用最大似然分類法將土地利用類型分為6類（分類精度達80%以上），得到研究區土地利用分類結果圖（圖7）。結合研究區土地利用分類圖，對該地區土壤有機質含量分布狀況進行分析。研究區新和縣北部、庫車縣東部以及沙雅縣南部均為耕地，但有機質含量反演結果差異明顯。經過實地調查發現，由于研究區內有很大一部分經濟作物為核桃、白杏、紅棗等果樹，部分果樹套種小麥、玉米、棉花等農作物，在土地利用分類時，將果樹和農作物套種地分為耕地，所以造成了土壤有機質含量差異明顯。而且實地調查發現河流上游以及下游均有斷流現象，而河流中游水流量較為穩定，因此造成研究區南部和北部地區土壤有機質含量較低。

圖6　研究區土壤有機質含量反演圖Fig. 6 Inversion of SOM content in the study area

（2）土壤顆粒組成 由表4知，土壤有機質與土壤砂粒含量呈極顯著負相關，與粉粒和黏粒含量呈極顯著正相關。主要原因是黏粒和粉粒可以與有機質結合為團聚體，降低了其礦化分解速度，有利于有機質的積累，而砂粒中的有機質較容易礦化分解，除此之外，粉粒含量對土壤含水量具有影響，從而使得有機質含量較高［31-32］。由于該地區黏粒最高僅占3%，由其土壤類型可知，粉粒含量也低于砂粒，所以有機質與細粒土壤的結合容易達到飽和，有機質只能在粒徑較粗的砂粒中累積［33］，所以土壤顆粒組成與有機質含量的相關性強度為：砂粒＞粉粒＞黏粒。

圖7　研究區土地利用分類圖Fig. 7 Land use classification map of the studied area

表4　土壤有機質含量與土壤顆粒組成的相關系數Table 4　Correlation coefficients matrix between SOM and soil particle composition

（3）土壤質地 表5為按美國制計算的土壤質地的有機質含量統計結果。由表5可知，在研究區所有樣點中共有4種土壤類型：黏砂壤土、粉砂土、壤質砂土、砂質壤土。土壤質地對土壤有機質含量具有顯著影響，粉砂土的最高值和均值在四種土壤類型中最高，壤質沙土、黏砂壤土次之，砂質壤土中有機質的最大值和均值最低。四種土壤類型的機械組成差異較為明顯，而黏粒含量越高，土壤越細。而在本區域，黏粒含量較低（低于5%），所以粉粒含量越高，粒徑越小，有機質含量越高。

表5　不同土壤類型有機質含量統計特征Table 5　Statistics of organic matter content relative to different soil type （g kg-1）

3　討 論

本文以高光譜窄波段的均值取代對應的實測多光譜寬波段，建立有機質含量的估算模型，用高光譜對多光譜進行校正，明顯提高了多光譜的反演精度以及模型的穩定性。研究結果顯示，不同有機質含量的高光譜曲線形態相似，隨著土壤有機質含量的增加，反射率呈下降趨勢，這與于雷等［34］、Zheng等［35］的研究結果一致。宋金紅等［14］研究發現黑土區基于Landsat TM數據藍、中紅外波段的土壤有機質預測模型效果最好，郭燕等［36］研究發現河南平原區利用GF-1數據藍、近紅外波段預測土壤有機質效果較好，馬馳［37］對東北黑土土壤有機質研究發現紅、近紅、中紅外波段組合所建模型效果最優。而本研究中，以Landsat 8 OLI影像的藍、近紅外、中紅外波段所建模型效果最優，無論是同種土壤類型抑或不同土壤類型，敏感波段均具有一致性和不一致性，主要原因是由于土壤類型和傳感器的差異所導致的。將反射率進行對數、倒數、平方以及一階微分處理后提高了與土壤有機質含量之間的相關性，對數變換優于原始、倒數、平方的變換，一階微分優于土壤原始反射率，與馬馳［15］的研究結果一致，對原始反射率進行微分變換，可明顯降低環境因素對光譜的影響，大大提高了反演模型的精度。以對數一階微分建立起來的土壤有機質估算模型作為最優模型，實現了預期的目標，主要原因是：（1）室內實測高光譜是對土壤進行了處理并且嚴格控制了光譜的測試條件，因此未受大氣、植被等因素影響；（2）研究區內土壤采樣點分布均勻，能夠預測該樣點周圍的土壤有機質含量；（3）數學變換后的反射率明顯提高了模型的估算精度；（4）比值法對多光譜波段進行校正，明顯提高了多光譜模型的反演精度。

耕地中的土壤有機質含量明顯高于其他類型的土地，主要是由于耕地中施肥較多，而且新疆由于獨特的地理位置，農田均為一年一收制，所以改善了土壤的品質。不同土壤類型的有機質含量受成土母質的影響，與他人研究不同的是，由于該地區作物的套種模式，該地區有機質含量與土地利用類型的關系較小。土壤粒徑越細，有機質含量越高，這與Carter等［33］和于雷等［34］的研究結果一致，說明在不同地區，土壤顆粒組成均為影響土壤有機質含量高低的主要因素之一。

本研究所試土壤樣品為渭-庫綠洲土壤，所建立的模型在其他地區是否適用，有待于進一步驗證。而且，研究過程中未考慮其他因素對實測光譜的影響，使得檢驗樣本的預測值與實測值存在一定誤差。進一步研究應考慮到土壤含水量、鹽分、地形等多種因素對土壤有機質含量的影響，建立更具有實際意義的土壤有機質估算模型，從而提高區域化的土壤有機質估算的效率。

4　結 論

本研究利用實測高光譜以及Landsat 8 OLI遙感影像數據，通過數學方法，建立土壤有機質的高光譜估算模型，對遙感影像波段反射率進行校正后應用最優估算模型對研究區土壤有機質進行反演，利用同步時間內的實驗室實測數據進行驗證，取得了理想結果。土壤有機質含量和空間分布結合土地利用類型、土壤顆粒組成、土壤質地進行分析，進一步了解研究區土壤有機質的空間格局和土壤物理特征之間的關系。研究區土壤有機質含量介于3.57～39.22 g kg-1之間，隨著有機質含量的增加，土壤光譜反射率逐漸降低，有機質含量對土壤高光譜曲線的影響大于土壤質地；通過微分變換、波段校正后反演的土壤有機質精度高、穩定性強，呈現出中間含量高、邊緣含量低的空間分布格局，有機質含量的反演結果與實地勘察結果一致；有機質的分布受土地利用類型、土壤質地的影響小于土壤顆粒組成。該方法實現了高光譜與多光譜的優勢互補，提高了多光譜的反演精度，將土壤有機質的研究由點尺度擴展至面尺度，實現了區域尺度土壤有機質的動態監測。

［ 1 ］ 張沛，李毅. 基于光譜反射率的兩種土壤有機質數學建模方法對比. 光譜學與光譜分析，2016，36（3）：903—910 Zhang P，Li Y. Study on the comparisons of the establishment of two mathematical modeling methods for soil organic matter content based on spectral reflectance（In Chinese）. Spectroscopy and Spectral Analysis，2016，36（3）：903—910

［ 2 ］ 胡克林，余艷，張鳳榮，等. 北京郊區土壤有機質含量的時空變異及其影響因素. 中國農業科學，2006，39（4）：764—771 Hu K L，Yu Y，Zhang F R，et al，The spatial—temporal variability of soil organic matter and its influencing factors in suburban area of Beijing（In Chinese）. Scientia Agricultura Sinica，2006，39（4）：764—771

［ 3 ］ Krishnan P，Alexander J D，Butler B J，et al.Reflectance technique for predicting soil organic matter. Soil Society of American Journal，1980，44（6）：1280—1285

［ 4 ］ Hummel J W，Sudduth K A，Hollinger S E.Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor.Computers and Electronics in Agriculture，2001，32（2）：149—165

［ 5 ］ 彭杰，張楊珠，龐新安，等. 新疆南部土壤有機質含量的高光譜特征分析. 干旱區地理，2010，33（5）：740—746 Peng J，Zhang Y Z，Pang X A，et al. Hyperspectral features of soil organic matter content in South Xinjiang（In Chinese）. Arid Land Geography，2010，33（5）：740—746

［ 6 ］ 何挺，王靜，林宗堅，等. 土壤有機質光譜特征研究.武漢大學學報（信息科學版），2006，31（11）：975—979 He T，Wang J，Lin Z J，et al. Spectral features of soil organic matter（In Chinese）. Geomatics and Information Science of Wuhan University，2006，31（11）：975—979

［ 7 ］ 劉煥軍，張柏，劉殿偉，等. 基于反射率模擬模型的黑土有機質含量估測. 光譜學與光譜分析，2008，28（12）：2947—2950 Liu H J，Zhang B，Liu D W，et al. Black soil organic matter content prediction based on reflectance simulation models（In Chinese）. Spectroscopy and Spectral Analysis，2008，28（12）：2947—2950

［ 8 ］ Xian L X，An B L. Improving spatial estimation of soil organic matter in a subtropical hilly area using covariate derived from VIS—NIR spectroscopy.Biosystems Engineering，2016，152：126—137

［ 9 ］ Lin L，WangY，Teng J，et al. Hyperspectral analysis of soil organic matter in coal mining regions using wavelets，correlations，and partial least squares regression. Environmental Monitoring & Assessment，2016，188（2）：97

［10］ Yeasmin S，Singh B，Johnston C T，et al.Evaluation of pre—treatment procedures for improved interpretation of mid infrared spectra of soil organic matter. Geoderma，2016，304：83—92

［11］ 夏楠，塔西甫拉提·特依拜，丁建麗，等．基于多光譜數據的荒漠礦區土壤有機質估算模型. 農業工程學報，2016，32（6）：263—267 Xia N，Tashpolat·Tiyip，Ding J L，et al. Estimation model of soil organic matter in desert mining area based on multispectral image data（In Chinese）.Transactions of the Chinese Society of Agricultural Engineering，2016，32（6）：263—267

［12］ 欒福明，張小雷，熊黑鋼，等. 基于TM影像的荒漠—綠洲交錯帶土壤有機質含量反演模型. 中國沙漠，2014，34（4）：1080—1086 Luan F M，Zhang X L，Xiong H G，et al. Inversion models of soil organic matter in Oasis—Desert ecotone based on TM image reflectance（In Chinese）. Journal of Desert Research，2014，34（4）：1080—1086

［13］ 南鋒，朱洪芬，畢如田，等. 黃土高原煤礦區復墾農田土壤有機質含量的高光譜預測. 中國農業科學，2016，49（11）：2126—2135 Nan F，Zhu H F，Bi R T，et al. Hyperspectral prediction of soil organic matter content in the reclamation cropland of coal mining areas in the Loess Plateau（In Chinese）. Scientia Agricultura Sinica，2016，49（11）：2126—2135

［14］ 宋金紅，吳景貴，趙欣宇，等. 基于TM數據的黑土有機質含量空間格局反演研究. 土壤學報，2015，52（6）：1422—1429 Song J H，Wu J G，Zhao X Y，et al. Inversion of spatial pattern of organic matter contents in black soil based on TM Data（In Chinese）. Acta Pedologica Sinica，2015，52（6）：1422—1429

［15］ 馬馳. 基于Landsat 8遙感圖像的長春中北部地區土壤有機質含量反演. 江蘇農業科學，2016，44（12）：415—419 Ma C.Retrieval of soil organic matter content in North Central Changchun based on Landsat 8 remote sensing images（In Chinese）.Jiangsu Agricultural Sciences，2016，44（12）：415—419

［16］ 吳才武，張月叢，夏建新. 基于地統計與遙感反演相結合的有機質預測制圖研究. 土壤學報，2016，53（6）：1568—1575 Wu C W，Zhang Y C，Xia J X，et al. Prediction and mapping of soil organic matter based on geostatistics and remote sensing inversion（In Chinese）. Acta Pedologica Sinica，2016，53（6）：1568—1575

［17］ 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質空間格局反演. 應用生態學報，2010，21（4）：883—888 Zhang F S，Qu W，Yin G H，et al. Spatial pattern of surface soil organic matter based on remotely sensed multispectral image（In Chinese）. Chinese Journal of Applied Ecology，2010，21（4）：883—888

［18］ 向紅英，柳維揚，彭杰，等. 基于連續統去除法的南疆水稻土有機質含量預測. 土壤，2016，48（2）：389—394 Xiang H Y，Liu W Y，Peng J，et al. Predicting organic matter content in paddy soil using method of continuum removal in southern Xinjiang，China（In Chinese）. Soils，2016，48（2）：389—394

［19］ 張紅麗. 基于TM影像的山西省耕地土壤有機質空間分布與變化特征研究. 山西晉中：山西農業大學，2013 Zhang H L. Research on the spatial distribution and the variation characteristics of soil organic matter in Shanxi Province based on TM images（In Chinese）.Jingzhong，Shanxi：Shanxi Agricultural University，2013

［20］ 劉津懌. 基于Hyperion數據的農田土壤有機質含量提取方法. 長春：吉林大學，2012 Liu J Y. Approach to extracting farmland soil organic matter content based on Hyperion data（In Chinese）.Changchun:Jilin University，2012

［21］ 王延倉，安健，顧曉鶴，等. 利用模擬寬波段數據定量反演關中平原土壤有機質含量研究. 安徽農業科學，2016，44（14）：240—244 Wang Y C，An J，Gu X H，et al. The quantitative retrieval of soil organic matter content in Guanzhong Plain by using wide band data（In Chinese）.Journal of Anhui Agricultural Sciences，2016，44（14）：240—244

［22］ 王延倉，顧曉鶴，朱金山，等. 利用反射光譜及模擬多光譜數據定量反演北方潮土有機質含量. 光譜學與光譜分析，2014，34（1）：201—206 Wang Y C，Gu X H，Zhu J S，et al. Inversion of organic matter content of the north Fluvo—Aquic soil based on hyperspectral and multispectra（In Chinese）. Spectroscopy and Spectral Analysis，2014，34（1）：201—206

［23］ 鄧凱，丁建麗，楊愛霞，等. 基于電磁感應技術的土壤剖面鹽分空間分布建模研究. 生態學報，2016，36（20）：6387—6396 Deng K，Ding J L，Yang A X，et al. Modeling of the spatial distribution of soil profile salinity based on the electromagnetic induction technique（In Chinese）.Acta Ecologica Sinica，2016，36（20）：6387—6396

［24］ 熊春妮. 基于Landsat8的廣州市植被覆蓋度監測. 環境科學與技術，2015，38（12Q）：383—386 Xiong C N. Vegetation coverage based on landsat8 images in Guangzhou（In Chinese）. Environmental Science & Technology，2015，38（12Q）：383—386

［25］ 中國土壤學會農業化學專業委員會.土壤農業化學常規分析方法. 北京：科學出版社，1989 Agricultural Chemical Specialized Committee of China Soil Society. Conventional analytical method of soil agricultural chemistry（In Chinese）. Beijing：Science Press，1989

［26］ Cortes C，Vapnik V. Support vector networks.Machine Learning，1995，20（3）：273—297

［27］ 李萍. 黃河三角洲土壤含水量狀況的高光譜估測與遙感反演. 山東泰安：山東農業大學，2016 Li P. Hyperspectral estimation and remote sensing retrieval of soil water regime in the Yellow River delta（In Chinese）. Tai’an，Shandong：Shandong Agricultural University，2016

［28］ 孫俊. 基于環境一號衛星的那曲地區青藏鐵路沿線區域土壤含水量反演研究. 南京：南京信息工程大學，2011 Sun J. Retrieval soil moisture based on HJ—1 satellite a case study of western region along Qinghai—Tibet railway in Nagqu prefecture（In Chinese）. Nanjing：Nanjing University of Information Science and Technology，2011

［29］ Vaudour E，Gilliot J M，Bel L，et al. Regional prediction of soil organic carbon content over temperate croplands using visible near—infrared airborne hyperspectral imagery and synchronous field spectra.International Journal of Applied Earth Observation and Geoinformation，2016，49：24—38

［30］ 李洪. 官廳水庫消落帶土壤有機質分布特征及其高光譜反演研究. 北京：首都師范大學，2014 Li H. Guanting reservoir drawdown zone on the distribution of organic matter and soil hyperspectral inversion（In Chinese）. Beijing：Capital Normal University，2014

［31］ 趙明松，張甘霖，李德成，等. 蘇中平原南部土壤有機質空間變異特征研究. 地理科學，2013，33（1）：83—89 Zhao M S，Zhang G L，Li D C，et al. Spatial variability of soil organic matter and factor analysis in the south of middle Jiangsu Plain（In Chinese）.Scientia Geographica Sinica，2013，33（1）：83—89

［32］ 梁愛珍，張曉平，楊學明，等. 土壤細顆粒對有機質的保護能力研究. 土壤通報，2005，36（5）：748-752 Liang A Z，Zhang X P，Yang X M，et al. Review on protection capacity of soil organic matter by fine particles（In Chinese）. Chinese Journal of Soil Science，2005，36（5）：748-752

［33］ Carter M R，Angers D A，Gregorich E G，et al.Characterizing organic matter retention for surface soils in eastern Canada using density and particle size fractions.Canadian Journal of Soil Science，2003，83（1）：11—23

［34］ 于雷，洪永勝，周勇，等. 高光譜估算土壤有機質含量的波長變量篩選方法. 農業工程學報，2016，32（13）：95—102 Yu L，Hong Y S，Zhou Y，et al. Wavelength variable selection methods for estimation of soil organic matter content using hyperspectral technique（In Chinese）.Transactions of the Chinese Society of Agricultural Engineering，2016，32（13）：95—102

［35］ Zheng G，Ryu D，Jiao C X，et al. Estimation of organic matter content in coastal soil using reflectance spectroscopy. Pedosphere，2016，26（1）：130—136

［36］ 郭燕，程永政，王來剛，等. 利用高光譜和GF—1模擬多光譜進行土壤有機質預測和制圖研究. 土壤通報，2016，47（3）：537—542 Guo Y，Cheng Y Z，Wang L G，et al. Predication and mapping of soil organic matter content using hyperspectra and GF—1 multispectra（In Chinese）.Chinese Journal of Soil Science，2016，47（3）：537—542

［37］ 馬馳. 基于Landsat8吉林中北部地區土壤有機質定量反演研究. 干旱區資源與環境，2017，31（2）：167—172 Ma C. Study on the quantitative retrieval of soil organic matter in the north and middle part of Jilin based on Landsat 8（In Chinese）. Journal of Arid Land Resources and Environment，2017，31（2）：167—172