典型黑土區耕作土壤質地遙感時間窗口及影響因素分析

劉 瓊，羅 沖，孟祥添，張新樂，唐海濤，馬士耐，劉煥軍

典型黑土區耕作土壤質地遙感時間窗口及影響因素分析

劉 瓊1，羅 沖2，孟祥添2，張新樂1※，唐海濤1，馬士耐1，劉煥軍2

（1. 東北農業大學公共管理與法學院，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）

了解黑土區耕作土壤質地的空間分布對于黑土區農業精準管理以及耕地保護至關重要。遙感技術是快速獲取土壤質地空間分布的有效方法。該研究以黑龍江省友誼農場耕地為研究對象，評估研究區土壤質地遙感反演的最佳時間窗口并分析其影響因素。篩選覆蓋研究區的2019—2021年25幅Sentinel-2影像，將每幅影像的波段和構建的光譜指數輸入隨機森林模型，建立土壤質地遙感反演模型，比較不同時期影像反演土壤質地的模型精度，確定土壤質地遙感反演的最適宜影像，并分析造成反演土壤質地精度變化的原因，獲取友誼農場土壤質地空間分布。結果表明：1）友誼農場反演土壤質地的最佳時間窗口為4月下旬至5月中旬；2）在25幅Sentinel-2影像中，2020年5月7日反演粉粒和砂粒的模型精度最高（粉粒的2為0.785，均方根誤差為6.697%；砂粒的2為0.776，均方根誤差為8.296%）；2019年5月3日反演黏粒的模型精度最高（2為0.776，均方根誤差為1.600%）；3）不同時期的Sentinel-2影像對土壤質地反演的準確性有很大的影響，而土壤含水率和秸稈覆蓋是造成不同時期土壤質地預測精度差異的重要原因。研究為確定土壤質地遙感反演的最佳時間窗口、實現區域尺度土壤質地制圖提供關鍵技術。

土壤；隨機森林；遙感；黑土；時間窗口；Sentinel-2；影響因素；質地

0 引 言

土壤質地是影響土壤理化性質形成的重要因素，特別是對土壤結構、孔隙狀況、保肥性、保水性、耕性等均有重要影響[1-2]。對黑土區耕作土壤質地進行測定和分析是國家黑土地保護工程實施方案的重要內容[3]。研究黑土區耕層土壤質地的空間分布不但有利于分析黑土區耕地產出能力，還可為黑土區耕地保護提供準確、定量的數據支持。

地統計分析方法是土壤質地空間預測與制圖的重要方法。地統計學是基于區域化變量理論和變異函數模型，以具有空間相關性和依賴性且在空間分布上既有隨機性又有結構性的自然現象為研究對象的科學[4]。但是其反演精度往往受到樣本密度和樣本變異程度的限制，只有具有足夠數量和密集的樣本才能獲得準確的土壤質地空間分布圖[5]。近年來，遙感數據以更直接、更具成本效益和更快速的方式被用來估算土壤的重要指標[6]。多光譜和高光譜衛星影像已被證明是反演土壤質地的一種有效手段[7]。這為土壤質地遙感反演的發展奠定了基礎。土壤質地遙感反演的方法是在研究土壤反射光譜的基礎上，通過地面實測數據，分析采樣點遙感影像光譜反射率的變化，建立土壤質地反演模型，實現土壤質地的空間預測和制圖。目前，已有很多研究運用普通克里金[8-9]、協同克里金[10]、回歸克里金[11]、偏最小二乘回歸模型[12-13]、多元線性回歸[14]、回歸樹[15]、人工神經網絡[16]進行土壤質地的空間預測分析和制圖。隨機森林（Random Forest，RF）算法是通過集成學習的思想將多棵樹集成的一種算法。RF模型具有較高的預測精度，隨機性的引入使得RF不容易陷入過擬合，并且具有很好的抗噪聲能力。

已有研究將RF模型應用到土壤質地的空間預測中[17]。Lie等[15]比較了RF模型和回歸樹模型反演土壤質地的精度，并表明RF模型具有更高的反演精度。da Silva等[14]利用RF模型和多元線性回歸模型分別對半干旱地區土壤質地的空間分布進行預測，發現RF模型有更高的精度，Landsat 5的波段2、波段5、波段3和波段7的比值以及歸一化差值植被指數（Normalized Difference Vegetation Index，NDVI）為重要的環境變量。Hengl等[18]使用多元線性回歸和RF模型預測了非洲大陸的土壤質地空間分布，并認為RF模型能得出最優的結果。Pahlavan-Rad等[19]使用RF模型分析了Zahak County地區土壤質地和pH值的空間分布格局，發現該地區土壤質地空間變異大，RF模型反演的土壤質地和pH值結果精度高。

現有的土壤質地遙感反演模型研究一般利用遙感影像，結合不同的景觀環境因子作為輸入量，探究其對土壤質地反演精度的影響。但即使在同一個研究區獲得的不同遙感影像會產生不同的土壤質地反演精度。這主要是由于影像可能受到降水、秸稈覆蓋、表面形態等因素的影響，影像特征反映的是部分地區的異常情況，導致遙感影像部分地區地物反射率異常，降低土壤質地反演模型的穩定性與精度[20]。為了更好地探究耕地土壤質地的反演精度，有必要確定一個特定的時間窗口，在該窗口上，可以獲得相對較好的光譜數據，而基于此建立的光譜模型可以更準確地預測土壤質地。因此，本研究以友誼農場耕地為研究對象，采用了高空間分辨率的Sentinel-2衛星遙感影像作為數據源，基于RF算法，將波段和構建的光譜指數作為輸入量，根據反演的精度確定友誼農場土壤質地反演的最佳時間窗口，分析其造成反演精度變化的原因，實現土壤質地空間預測與制圖，以期為確定土壤質地遙感反演的最佳時間窗口和實現區域尺度土壤質地制圖提供關鍵技術。

1 材料與方法

1.1 研究區概況

友誼農場是國家重要的商品糧基地之一和現代化農業示范窗口，位于雙鴨山市境內，地理坐標為131°27′～132°15′E，46°28′～46°59′N，地處黑龍江、松花江、烏蘇里江三江平原腹地，內地地勢相對平坦，西南為丘陵，東北為低洼地，由西南向東北傾斜。研究區耕地范圍面積為1 800 km2，此區域土壤肥沃，物理結構好，主要土壤類型有草甸土、黑土和沼澤土。年平均氣溫2.5 ℃，年平均降雨量500 mm，適宜各類農作物生長，以種植水稻、大豆、玉米和麥類為主，作物一年一季。圖1為友誼農場裸土影像及采樣點空間位置分布。

圖1 研究區土壤采樣點分布圖

1.2 數據獲取與處理

1.2.1 土壤數據獲取

由于土壤質地在1～10 a的較小時間尺度內不會發生顯著變化[21]，所以土壤樣本的野外采集、影像數據的獲取和土壤質地分析可以隨著時間的推移而單獨進行。本研究所使用的耕地土壤樣本于2021年3月22日—4月5日進行野外采集，此時，土壤直接暴露于表面，既無農作物殘留、又無積雪覆蓋。在研究區范圍內進行GPS定位，樣本點的位置選擇視野開闊、地勢相對平坦、地質條件均一的耕作土壤，且兼顧了地形特征和不同土類等信息，共計獲得188個野外實測樣本，記錄其坐標和地形等相關信息，其分布圖如圖1所示。將獲取的土壤樣本置于布制土袋中存放，帶回實驗室進行風干處理，并去除結石、雜草根和其他雜質，室內將土壤稱質量后研磨、風干，過2 mm篩，使用Malvern MS-2000激光粒度分析儀（英國馬爾文儀器有限公司生產，殘差小于1%）測定樣本的土壤顆粒組成（質量分數）。表1為188個采樣點土壤顆粒組成統計結果。

表1 土壤顆粒組成統計結果

1.2.2 影像數據介紹與處理

如表2所示，本研究選取了2019—2021年共25幅可用的Sentinel-2的L2A產品（https://code.earthengine. google.com/）進行土壤質地反演研究。Sentinel-2的L2A產品為經過幾何校正和大氣處理的地表反射率數據，其中，波段1為氣溶膠波段，波段9為水蒸氣波段，波段10為反應大氣波段[22]，故在后續的遙感反演過程中去除這3個波段。然后在ENVI5.3軟件中根據GlobeLand30- 2020（http://www.globallandcover.com/）中的耕地范圍對遙感影像進行裁剪和鑲嵌，并將Sentinel-2影像空間重采樣為10 m分辨率。

表2 2019—2021年Sentinel-2影像獲取時間

1.3 光譜指數的構建

由于多光譜影像中的波段很少，光譜指數的構建可以充分利用多光譜影像中的有用信息[23]。差值指數（Difference Index，DI）、比值指數（Ratio Index，RI）、歸一化差值指數（Normalized Difference Index，NDI）和其他光譜指數的構建能減少水分、粗糙度和大氣的影響[24]。因此，對Sentinel-2影像數據波段反射率進行數學變換，計算式如下

式中ρ和ρ為和波段的反射率，其中>。本研究共生成了135個光譜指數（45個差值指數，45個比值指數，45個歸一化差值指數）。

1.4 隨機森林反演模型

隨機森林模型是基于決策樹的非線性機器學習模型。RF建模通過R語言中的Random Forest包實現。Random Forest包在運算過程中對影響土壤質地的自變量重要性進行排序，其數值越大，代表自變量對土壤質地影響越大，相關性越強。此外，RF模型具有準確性高、無需剪枝、較少出現過擬合現象、能容忍一定的干擾和異常值、訓練速度較快等優點[25]。本研究在RF實際建模操作中，通過觀察袋外誤差選擇最佳回歸樹的數量（ntree）和分裂節點數（mtry），從而建立最優RF預測模型。經多次訓練，確定ntree為500，ntry為輸入量個數的1/3，此時，可以產生較穩定的袋外誤差率，模型較為穩定。

1.5 模型建立與驗證

本研究采用RF算法模型，使用不同時期Sentinel-2影像數據的10個波段與135個光譜指數作為輸入量，分別進行土壤質地反演建模。188個樣本中按照3∶1的比例劃分建模集和驗證集，其中建模樣本141個，驗證樣本47個。決定系數（2）用于檢驗模型穩定性。均方根誤差（Root Mean Square Error，RMSE）用于衡量模型的精度[26]。通常，2值在0到1的范圍內，數值的絕對值越接近1，預測值越接近實際測量值；RMSE是用來檢驗土壤質地實際測量值和預測值之間差異程度的依據，其數值越小，則表明兩者的差異程度越小，模型的反演精度越好。

1.6 土壤質地遙感反演的影響因素

為分析土壤含水率和秸稈覆蓋對土壤質地反演造成的影響，本研究采用地表水分指數（Land Surface Water Index，LSWI）和歸一化耕作指數（Normalized Difference Tillage Index，NDTI）分別表示土壤含水率和秸稈覆蓋。計算式為：

LSWI=(nir-swir1)/(nir+swir1) （4）

式中nir為近紅外波段的地表反射率；swir1為短波紅外1波段（11）的地表反射率。

NDTI=(swir1-swir2)/(swir1+swir2) （5）

式中swir2為短波紅外2波段（12）的地表反射率。

地表水分指數包含對土壤濕度和植被水分敏感的短波紅外波段反射率，可以用于土壤濕度變化的監測，濕度越大，LSWI值越大[27]。NDTI越大秸稈覆蓋程度越高，當NDTI小于0.05時，基本無秸稈覆蓋；當NDTI為0.05～0.1時，秸稈覆蓋度在10%～20%之間；當NDTI大于0.1時，秸稈覆蓋度大于20%[28]。

2 結果與分析

2.1 星載土壤反射光譜特征分析

土壤光譜反射率與土壤質地的表土粒徑有著密切的關系。圖2為同一時期土壤顆粒組成的反射光譜特征。結果表明，不同顆粒下的Sentinel-2光譜曲線特征相似，但光譜反射率存在顯著的差異。從可見光到短波紅外1（1 565～1 655 nm）光譜反射率隨著波長的增加而增加，從短波紅外1到短波紅外2（2 100～2 280 nm）光譜反射率隨著波長的增加而降低。其中，光譜反射率隨著粉粒和黏粒質量分數的增加而減少，隨著砂粒質量分數的增加而增加。這是由于不同粒徑顆粒的混合效應[29]。此外，不僅土壤顆粒的大小本身對土壤光譜產生影響，而且不同比例的礦物也會產生光譜反射差異。黏粒中含有的層狀硅酸鹽會降低土壤反射率；而砂粒中含有的大量石英會增加光譜反射率[30]。

a. 粉粒a. Siltb. 黏粒b. Clayc. 砂粒c. Sand

注：波段序號1～10分別為B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12。

Note: No. of band of 1-10 is B2, B3, B4, B5, B6, B7, B8, B8A, B11, B12, respectively.

圖2 不同質地的土壤反射光譜特征

Fig.2 Characteristics of soil reflectance spectrum with different textures

2.2 反演土壤質地的最佳時間窗口

盡管在使用遙感方法反演土壤質地時，通常會排除NDVI高于0.4的光譜數據，但是NDVI高于0.4的光譜數據也可能反映土壤質地[31]。因此，可以適當的利用這些光譜數據反演土壤質地。將2019—2021年獲取的單期Sentinel-2影像10個波段反射率和135個光譜指數作為輸入量，輸入RF模型得到不同時期影像反演土壤質地的精度。表3為2019—2021年不同時期Sentinel-2影像反演土壤質地的驗證模型精度。從圖中可以看出，在2019—2021年中，每年的土壤質地反演精度的變化呈現了大致相同的趨勢：增加-降低-再增加。反演精度最低的時期均在7—8月。2020年5月7日反演粉粒（2=0.785）和砂粒（2=0.776）的精度最高，2019年5月3日反演黏粒（2=0.776）的精度最高。因為反演精度較高的4個時期（2019年5月3日、2020年4月29日和5月7日、2021年5月17日）在4月下旬至5月中旬這個時間范圍內，所以本研究認為該時間窗口為友誼農場反演土壤質地的最佳時間窗口。

2.3 最佳輸入量的分析

表4為在土壤質地反演中，基于RF模型的前10個輸入量的重要性排序。如表所示，Sentinel-2影像的波段12（短波紅外2）為遙感反演粉粒、黏粒和砂粒的最佳波段。這與Shahriari等[17]的研究結果相似。該波段不僅包含許多土壤礦物的信息，而且與土壤含水率緊密相關。此外，光譜指數DI12_2、DI11_2、DI12_3、NDI4_2和NDI8_2都對土壤質地的遙感反演具有重要意義。

表3 2019—2021年不同時期土壤質地反演精度對比

2.4 影響土壤質地反演精度的因素

通過對2019—2021年不同日期的Sentinel-2影像反演土壤質地的精度分析，發現不同日期的耕地環境差異較大。這就造成了不同時期的Sentinel-2影像對土壤質地反演的準確性有很大的影響，秸稈覆蓋或土壤含水率有可能是造成不同時期土壤質地反演精度差異的重要原因。

表4 土壤質地隨機森林反演中輸入量的重要性排序

注：DI12_2為波段12和波段2的差值指數。NDI4_2為波段4和波段2的歸一化差值指數。RI4_2為波段4和波段2的比值指數。12為波段12的差值指數。其他類似解讀。

Note: DI12_is the difference index between band 12 and 2. NDI4_2is normalized difference index between band 4 and 2. RI4_2is ratio index between band 4 and 2.12is band 12. The others are explained as the same way.

如圖3所示，通過計算2019—2021年25幅影像的LSWI值，發現粉粒、黏粒和砂粒反演過程中不同程度的受到了土壤含水率的影響，隨著LSWI的增加，RMSE整體呈現一個增加的趨勢。在圖4中，2019年的8幅影像中，LSWI值最低的3幅影像分別為11月4日、5月3日和3月29日；2020年的7幅影像中，LSWI值最低的3幅影像為4月29日、10月26日和5月7日；2021年的10幅影像中，LSWI值最低的3幅影像為10月29日、5月17日和4月19日。反演土壤質地的最佳的Sentinel-2影像具有較低的土壤含水率。

圖3 土壤質地反演的均方根誤差與地表水分指數、歸一化耕作指數的關系

計算25幅Sentinel-2影像的NDTI值后，發現秸稈覆蓋度影響土壤質地的遙感反演，如圖3d～3f，NDTI與RMSE呈現正向相關關系。在圖4中，2019年NDTI最低的3幅影像日期為3月29日、3月6日和11月4日，其中5月3日的秸稈覆蓋度仍在0.2以下；2020年NDTI最低的3幅影像為4月29日、10月26日和5月7日；2021年NDTI最低的3幅影像為5月17日、10月29日和4月19日。反演土壤質地最佳的Sentinel-2影像秸稈覆蓋度低。

a. 2019b. 2020c. 2021

綜上所述，在最佳時間窗口中的4幅影像中，其土壤含水率和秸稈覆蓋度都比較低，且隨著土壤含水率和秸稈覆蓋的增加，土壤質地遙感反演精度逐漸降低，現認為土壤含水率和秸稈覆蓋度是影響土壤質地反演精度的重要原因。土壤質地與可見光近紅外波段-短波紅外波段（400～2 500 nm）區域的土壤反射率顯著相關。而在這個光譜范圍內，土壤水分和秸稈覆蓋會影響土壤質地遙感反演精度。Gomez等[31]的研究發現，由于土壤濕度的變化，2017年4月24和2017年4月4日的Sentinel-2數據在對土壤質地進行反演時產生了最高和最低的精度。Swain等[32]在使用來自不同采集日期的63幅Sentinel-2進行土壤質地空間預測時，發現土壤含水率或植被覆蓋影響了土壤質地反演的精度。Luo等[33]在使用Landsat 8 遙感影像對土壤有機質進行反演的研究中也發現，秸稈覆蓋度和土壤含水率是造成不同時期土壤有機質預測精度差異的原因。

2.5 土壤質地的空間分布圖

采用2019年5月3日的Sentinel-2反演黏粒的空間分布，2020年5月7日的Sentinel-2反演粉粒和砂粒的空間分布，得到了最高的預測精度，如圖5a～5c所示。由于選取的采樣點均為耕地土壤樣本，因此利用耕地邊界范圍對影像進行裁剪，并反演土壤質地空間分布圖。從本研究的土壤質地遙感反演結果可以看出友誼農場粉粒和黏粒在東北部、北部和南部分布較多，中部和西南分布較少；砂粒則呈現出相反的趨勢，尤其是友誼農場中部的砂粒含量整體較高。

圖5 10與250 m分辨率的土壤質地反演結果的比較

3 討 論

本文分析了土壤含水率和秸稈覆蓋影響土壤質地的遙感反演。根據圖4發現2019年3月29日和2019年3月6日的秸稈覆蓋低而土壤含水率相對較高；2021年4月4日的土壤含水率低而秸稈覆蓋度高。上述兩種情況的土壤質地遙感反演的精度不佳。而在反演精度較高的4幅影像中，土壤含水率和秸稈覆蓋都比較低。可見，只有同時具備較低的土壤含水率和秸稈覆蓋度的影像才能產生較優土壤質地反演精度。2019年11月4日、2020年10月26日和2021年10月29日的土壤含水率和秸稈覆蓋都比較低，但是反演的精度仍然不佳，這可能是由于土壤表面粗糙度影響了反射率的變化。粗糙度越高，預測的性能越低。冬季由于深耕作業造成地表具有明顯的粗糙度；與冬季不同，由于春季作物播種的淺耕作業，土壤表面粗糙度則比較低[34]。在最佳時間窗口中的2020年4月29日的土壤含水率和秸稈覆蓋是最低的，但是反演精度卻不是最高的，這可能是受大氣干擾等其他的因素影響。

在土壤質地遙感反演的結果中，粉粒的2范圍為0.341～0.785；黏粒的2范圍為0.200～0.776；砂粒的2范圍為0.308～0.776。這表明可用于土壤質地反演的遙感影像隨著不同采集日期的地表形態的變化而變化。干擾反射光譜的任何因素都可能會影響土壤質地的遙感反演。光譜干擾可能來自于以下方面：1）土壤水分、植被覆蓋以及地表的作物殘留等；2）產生不同光效應的土壤表面形態（粗糙度）；3）隨季節、云層、太陽方位角和海拔變化的大氣干擾會對野外反射信號產生影響。

在圖5中，將本研究中的10 m分辨率的土壤質地空間分布圖與Tomislav等[35-37]發布的基于機器學習的250 m分辨率的全球土壤質地分布結果進行對比。根據粉粒含量的空間分布結果（圖5d），本研究發現友誼農場粉粒主要分布在東北部、北部和南部小部分地區，而Tomislav等研究的粉粒分布結果則表現出相反的趨勢，但根據采樣點數據，友誼農場的東北部、北部和南部的粉粒含量都比較高。根據圖5e可以看出，友誼農場黏粒含量至西南向東北逐漸升高，和Tomislav等的研究一樣，本研究發現友誼農場西南部黏粒的含量低，但是由于中部地區的土壤質地組成以砂粒為主，所以黏粒含量會相對比較低。在圖5f中，友誼農場西南部砂粒的含量高，中部地區的砂粒含量低。而在本研究砂粒反演結果中（圖5c），除了西南部砂粒的含量較高以外，中部地區存在一個沙地圈。根據采樣點數據，中部地區土壤的含沙量高，本研究的砂粒反演結果也更準確。

4 結 論

本研究基于Sentinel-2影像數據，運用隨機森林算法，將波段和構建的光譜指數作為輸入量，根據隨機森林反演模型精度逐步確定土壤質地空間預測的最佳時間窗口，對區域土壤質地的空間分布進行預測，得到如下結論：

1）在25幅Sentinel-2影像中，2020年5月7日反演粉粒和砂粒的模型精度最高（2分別為0.785和0.776）；2019年5月3日反演黏粒的模型精度最高（2=0.776）。

2）選擇合適時間的衛星影像對土壤質地反演有著重要的影響，友誼農場反演土壤質地的最佳時間窗口為4月下旬—5月中旬。在此時間窗口不僅可以獲得質量較好的光譜數據，而且能開發穩定的光譜模型來反演土壤質地的空間分布。

3）根據2019—2021年的25幅Sentinel-2影像，得出了不同的土壤質地反演精度結果，而土壤含水率和秸稈覆蓋是造成這種結果的重要原因。

本研究的土壤質地遙感反演模型精度高，可為區域尺度土壤質地制圖以及黑土區耕地保護提供關鍵技術。

[1] Liao K, Xu S, Wu J, et al. Spatial estimation of surface soil texture using remote sensing data[J]. Soil Science and Plant Nutrition, 2013, 59(4): 488-500.

[2] 王德彩，鄔登巍，趙明松，等. 平原區土壤質地的反射光譜預測與地統計制圖[J]. 土壤通報，2012，43(2)：257-262.

Wang Decai, Wu Dengwei, Zhao Mingsong, et al. Prediction and mapping of soil texture of a plain area using reflectance spectra and geo-statistics[J]. Chinese Journal of Soil Science, 2012, 43(2): 257-262. (in Chinese with English abstract)

[3] 中華人民共和國農業農村部. 國家黑土地保護工程實施方案(2021—2025年)[J]. 中國農業綜合開發，2021(8)：4-11.

[4] Sullivan D G, Shaw J N, Rickman D. IKONOS imagery to estimate surface soil property variability in two Alabama physiographies[J]. Soil Science Society of America Journal, 2005, 69(6): 1789-1798.

[5] 劉煥軍，張美薇，楊昊軒，等. 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]. 農業工程學報，2020，36(10)：134-140.

Liu Huanjun, Zhang Meiwei, Yang Haoxuan, et al. Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 134-140. (in Chinese with English abstract)

[6] Angelopoulou T, Tziolas N, Balafoutis A, et al. Remote sensing techniques for soil organic carbon estimation: A review[J]. Remote Sensing, 2019, 11(6): 676.

[7] Gomez C, Lagacherie P, Coulouma G. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis-NIR data[J]. Geoderma, 2012, 189: 176-185.

[8] Hengl T, Heuvelink G, Rossiter D G. About regression-kriging: From equations to case studies[J]. Computers & Geosciences, 2007, 33(10): 1301-1315.

[9] Piccini C, Marchetti A, Francaviglia R. Estimation of soil organic matter by geostatistical methods: Use of auxiliary information in agricultural and environmental assessment[J]. Ecological Indicators, 2014, 36: 301-314.

[10] Delbari M, Afrasiab P, Loiskandl W. Geostatistical analysis of soil texture fractions on the field scale[J]. Soil & Water Research, 2011, 6(4): 173-189.

[11] Zhu Q, Lin H S. Comparing ordinary kriging and regression kriging for soil properties in contrasting landscapes[J]. Pedosphere, 2010, 20(5): 594-606.

[12] Vaudour E, Gomez C, Fouad Y, et al. Sentinel-2 image capacities to predict common topsoil properties of temperate and Mediterranean agroecosystems[J]. Remote Sensing of Environment, 2019, 223: 21-33.

[13] Gomez C, Oltra-Carrió R, Bacha S, et al. Evaluating the sensitivity of clay content prediction to atmospheric effects and degradation of image spatial resolution using Hyperspectral VNIR/SWIR imagery[J]. Remote Sensing of Environment, 2015, 164: 1-15.

[14] da Silva Chagas C, de Carvalho Junior W, Bhering S B, et al. Spatial prediction of soil surface texture in a semiarid region using random forest and multiple linear regressions[J]. Catena, 2016, 139: 232-240.

[15] Lie M, Glaser B, Huwe B. Uncertainty in the spatial prediction of soil texture: Comparison of regression tree and random forest models[J]. Geoderma, 2012, 170(3): 70-79.

[16] Moonjun R, Farshad A, Shrestha D P, et al. Artificial neural network and decision tree in predictive soil mapping of Hoi Num Rin sub-watershed, Thailand[M]. Digital Soil Mapping: Netherland; Springer, 2010: 151-164.

[17] Shahriari M, Delbari M, Afrasiab P, et al. Predicting regional spatial distribution of soil texture in floodplains using remote sensing data: A case of southeastern Iran[J]. Catena, 2019, 182: 104149.

[18] Hengl T, Heuvelink G B M, Kempen B, et al. Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions[J]. PloS One, 2015, 10(6): e0125814.

[19] Pahlavan-Rad M R, Akbarimoghaddam A. Spatial variability of soil texture fractions and pH in a flood plain (case study from eastern Iran)[J]. Catena, 2018, 160: 275-281.

[20] Vaudour E, Baghdadi N, Gilliot J M. Mapping tillage operations over a peri-urban region using combined SPOT4 and ASAR/ENVISAT images[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 28: 43-59.

[21] Lehmann J, Bossio D A, K?gel-Knabner I, et al. The concept and future prospects of soil health[J]. Nature Reviews Earth & Environment, 2020, 1(10): 544-553.

[22] Gao B C, Goetz A, Wiscombe W J. Cirrus cloud detection from airborne imaging spectrometer data using the 1. 38 μm water vapor band[J]. Geophysical Research Letters, 1993, 20(4): 301-304.

[23] Dou X, Wang X, Liu H J, et al. Prediction of soil organic matter using multi-temporal satellite images in the Songnen Plain, China[J]. Geoderma, 2019, 356: 113896.

[24] Meng X T, Bao Y L, Liu H J, et al. Regional soil organic carbon prediction model based on a discrete wavelet analysis of hyperspectral satellite data[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 89: 102111.

[25] 黃翀，許照鑫，張晨晨，等. 基于Sentinel-1數據時序特征的熱帶地區水稻種植結構提取方法[J]. 農業工程學報，2020，36(9)：177-184.

Huang Chong, Xu Zhaoxin, Zhang chenchen, et al. Extraction of rice planting structure in tropical region based on Sentinel-1 temporal features integration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 177-184. (in Chinese with English abstract)

[26] 唐海濤，孟祥添，蘇循新，等. 基于CARS算法的不同類型土壤有機質高光譜預測[J]. 農業工程學報，2021，37(2)：105-113.

Tang Haitao, Meng Xiangtian, Su Xunxin, et al. Hyperspectral prediction on soil organic matter of different types using CARS algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 105-113. (in Chinese with English abstract)

[27] 劉丹，馮銳，于成龍，等. 基于植被指數的春玉米干旱響應遙感監測[J]. 農業工程學報，2019，35(20)：152-161.

Liu Dan, Feng Rui, Yu Chenglong, et al. Remote sensing monitoring of drought response of spring maize based on vegetation indexes[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 152-161. (in Chinese with English abstract)

[28] Jin X, Ma J, Wen Z, et al. Estimation of maize residue cover using Landsat-8 OLI image spectral information and textural features[J]. Remote Sensing, 2015, 7(11): 14559-14575.

[29] Xiao J, Shen Y, Tateishi R, et al. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing[J]. International Journal of Remote Sensing, 2006, 27(12/14): 2411-2422.

[30] Conforti M, Matteucci G, Buttafuoco G. Using laboratory Vis-NIR spectroscopy for monitoring some forest soil properties[J]. Journal of Soils and Sediments, 2018, 18(3): 1009-1019.

[31] Gomez C, Dharumarajan S, Féret J B, et al. Use of Sentinel-2 time-series images for classification and uncertainty analysis of inherent biophysical property: Case of Soil Texture Mapping[J]. Remote Sensing, 2019, 11(5): 565.

[32] Swain S R, Chakraborty P, Panigrahi N, et al. Estimation of soil texture using Sentinel-2 multispectral imaging data: An ensemble modeling approach[J]. Soil and Tillage Research, 2021, 213: 105134.

[33] Luo C, Zhang X, Meng X, et al. Regional mapping of soil organic matter content using multitemporal synthetic Landsat 8 images in Google Earth Engine[J]. Catena, 2022, 209: 105842.

[34] Vaudour E, Gomez C, Loiseau T, et al. The impact of acquisition date on the prediction performance of topsoil organic carbon from Sentinel-2 for croplands[J]. Remote Sensing, 2019, 11(18): 2143.

[35] Tomislav H. Silt content in % (kg/kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (v0. 2)[EB/OL]. Zenodo, 2018. (2018-12-24) [2022-05-10]. https://doi.org/10.5281/zenodo.2525676

[36] Tomislav H. Clay content in % (kg/kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (v0. 2)[EB/OL]. Zenodo, 2018. (2018-11-02) [2022-05-10]. https://doi.org/10.5281/zenodo.2525663

[37] Tomislav H. Sand content in % (kg/kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (v0. 2)[EB/OL]. Zenodo, 2018. (2018-12-24)[2022-05-10]. https://doi.org/10.5281/zenodo.2525662

Time window and influencing factors analysis of tillage soil texture remote sensing in the typical black soil region

Liu Qiong1, Luo Chong2, Meng Xiangtian2, Zhang Xinle1※, Tang Haitao1, Ma Shinai1, Liu Huanjun2

(1.,,150030,;2.,,130012,)

Spatial distribution of cultivated soil texture is generally crucial to the precision management of agriculture and farmland protection in black soil areas. Remote sensing technology can be an effective way to rapidly acquire the spatial distribution of soil texture. Taking the Youyi Farm in Heilongjiang Province of China as the study area, this study aims to evaluate the best time window for the remote sensing inversion of soil texture in the cultivated land. 25 Sentinel-2 images were selected in the study area from 2019 to 2021. The band and spectral index of each image were input into the random forest model, in order to establish a remote sensing inversion model of soil texture. A comparison was made on the model accuracy of soil texture inversion from the images in different periods. The most suitable image was determined for the remote sensing inversion of soil texture. The spatial distribution of soil texture was obtained to evaluate the accuracy of soil texture inversion from the Sentinel-2 multi-spectral images on different dates. The results showed that: 1) From the visible light to short wave infrared 1 (1 565-1 655nm) spectral reflectance increased with the increase of wavelength, from the short wave infrared 1 to short wave infrared 2 (2 100-2 280nm) spectral reflectance decreased significantly. The spectral reflectance decreased with the increase of silt and clay content, whereas there was an increase with the increase of sand content. 2) There was the maximum accuracy of inversion model in the silt and sand on May 7, 2020 (the coefficient of determination (2) of silt was 0.785 in 25 Sentinel-2 images, and Root Mean Square Error (RMSE) was 6.697%; the2of sand was 0.776, and RMSE was 8.296 %). The maximum accuracy was also achieved in the clay inversion model on May 3, 2019 (2=0.776, RMSE=1.600%). 3) The appropriate time of satellite images was selected as an important impact on soil texture inversion. The best time window was from late April to mid-May in the study area. The time window and good-quality spectral data were obtained to develop a stable spectral model for the spatial distribution of soil texture. 4) Different inversion accuracy of soil texture were obtained using the 25 Sentinel-2 images from 2019 to 2021. This data was attributed to the soil water content and straw mulching. 5) The silt and clay particles were distributed more in the northeast, north, and south, and less in the middle and southwest of the study area. There was the opposite trend of the sand, especially the generally high sand content in the middle of the study area. Therefore, the high-precision remote sensing inversion model was achieved in the soil texture. The finding can provide the key technologies for regional soil texture mapping and farmland protection in the black soil areas.

soils; random forest; remote sensing; black soil; time window; Sentinel-2; influencing factor; texture

10.11975/j.issn.1002-6819.2022.18.013

S157

A

1002-6819(2022)-18-0122-08

劉瓊，羅沖，孟祥添，等. 典型黑土區耕作土壤質地遙感時間窗口及影響因素分析[J]. 農業工程學報，2022，38(18)：122-129.doi：10.11975/j.issn.1002-6819.2022.18.013 http://www.tcsae.org

Liu Qiong, Luo Chong, Meng Xiangtian, et al. Time window and influencing factors analysis of tillage soil texture remote sensing in the typical black soil region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 122-129. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.013 http://www.tcsae.org

2022-04-26

2022-08-10

國家重點研發計劃項目（2021YFD1500100）；王寬誠教育基金

劉瓊，研究方向為農業遙感。Email：liuqiong0422@163.com

張新樂，博士，副教授，研究方向為生態遙感。Email：zhangxinle@gmail.com