通过减少土壤物理性质对光谱的耦合作用来提高高光谱遥感在估算土壤有机质的时空可迁移性：以中

摘要

土壤有机质（SOM）在全球碳循环中起着非常重要的作用，而高光谱遥感已被证明是一种快速估算SOM含量的有前景方法。然而，由于忽略了土壤物理性质的光谱响应，SOM预测模型的准确性和时空可迁移性较差。本研究旨在通过减少土壤物理性质对光谱的耦合作用来提高SOM预测模型的时空可迁移性。基于卫星高光谱图像和土壤物理变量，包括土壤湿度（SM）、土壤表面粗糙度（均方根高度，RMSH）和土壤容重（SBW），建立了基于信息解混方法的土壤光谱校正模型。选取中国东北的两个重要粮食产区作为研究区域，以验证光谱校正模型和SOM含量预测模型的性能和可迁移性。结果表明，基于四阶多项式和XG-Boost算法的土壤光谱校正具有优异的准确性和泛化能力，几乎所有波段的残余预测偏差（RPD）均超过1.4。基于XG-Boost校正光谱的SOM预测精度最 高，决定系数（R2）为0.76，均方根误差（RMSE）为5.74 g/kg，RPD为1.68。迁移后模型的预测精度、R2值、RMSE和RPD分别为0.72、6.71 g/kg和1.53。与模型直接迁移预测相比，采用基于四阶多项式和XG-Boost的土壤光谱校正模型，SOM预测结果的RMSE分别降低了57.90%和60.27%。 这种性能比较凸显了在区域尺度 SOM 预测中考虑土壤物理特性的优势。

Figure 1. Framework of the proposed SOM estimation model.

研究区域

试验点1位于中国东北黑龙江省黑土耕地保护区，如图2所示，面积为1095 km2。该地区属温带大陆性季风气候，年降水量为450–650 mm，降水主要集中在6–9月，占全年降水量的80%。研究区地势南高北低，西高东低，大部分地区为堆积平原。该研究区是全球仅有的四个黑土区之一，耕层深厚，土壤肥沃，含腐殖质的土层厚度为25–80 cm，适合种植玉米、大豆等作物。

图 2. 研究区域概览。（a）研究区域的地理位置；（b、c）分别为站点 1 和站点 2 的土壤采样点；（d、e）“裸土期”的土壤表面。

试验点2 位于中国吉林省黑土耕地保护区，如图 2 所示，面积为 713 km2。站点地势平坦，海拔在 189 至 237 m 之间。该区域为东部湿润山区与西部半干旱平原区的过渡地带。研究区属温带大陆性半湿润季风气候，年平均气温 4.6 ℃，年降水量 600—700 mm。该区域河流水系丰富，农业水资源相对丰富，地表土壤空间异质性强。该区域土壤主要为黑土，腐殖质层厚度为 0.6—1.0 m。试验点2的土壤类型、地表特征等环境因素与试验点1有明显差异，可以验证本研究中SOM含量预测模型的时空可迁移性。

2022 年 10 月 29 日至 30 日，共从试验点 1 采集了 104 个表层土壤样品（图 2b）。2023 年 4 月 14 日至 15 日，从试验点 2 采集了 40 个表层土壤样品（图 2c），用于测试模型的时空可迁移性。

图3. 样区内土壤样品采集与参数测量示意图。(a)象限采样示意图；(b)土壤表面点云数据测量。

研究过程

样品运回实验室后，通过称重、烘干等方法获得每个象限9个子样本的SM和SBW，并计算子样本的平均值。然后，将9个子样本混合成复合样本，在实验室内使用（ASD FieldSpec 4地物光谱仪）进行光谱测量（取十次测量的平均值）和使用重铬酸钾加热法测定SOM含量。为保证每个样品的SBW相同，将土壤样品装入一次性培养皿中进行光谱测量。对每个测量点的土壤表面点云数据进行拼接、裁剪和滤波。利用处理后的点云数据建立三维相对坐标系（图3b），提取所有点云数据的Z坐标，计算该象限的RMSH。

资源一号02D（ZY1-02D）高光谱图像数据来自中国科学院空天信息创新研究院，图像生成时间与土壤采样时间同步，所有图像的云量均小于1%。本研究选取450~1290nm、1408~1828nm和1963~2460nm波段作为光谱波段。

为了验证ZY1-02D高光谱图像的可靠性，将土壤像素光谱与土壤地面光谱进行了比较（图4）。尽管土壤像素光谱的形状与土壤地面光谱相似，但在可见光-近红外（VNIR）波段范围内存在一些噪声和平滑度较低的情况。此外，土壤像素的光谱反射率略低于实验室测量的反射率。计算了像素反射率与地面反射率之间的斯皮尔曼相关系数（SCCs）和皮尔逊相关系数（PCCs）。结果表明，大多数波长范围内的PCCs低于0.5，而在480至680nm和2000至2500nm波长范围内的SCCs基本大于0.5，表明可能存在非线性关系。为了揭示影响像素光谱的因素，比较了不同物理属性梯度下土壤反射率的差异。随着SM的增加，土壤光谱反射率显著下降，尤其是在500至1300nm和1450至1700nm波长范围内（图5）。随着SBW的增加，土壤光谱反射率的下降幅度相对较小。RMSH对土壤光谱的影响最为显著，反射率随着RMSH的增加显著下降。综上所述，SM、SBW和RMSH对光谱的耦合效应是导致两组光谱数据偏差的重要原因，严重限制了成像光谱仪对土壤“纯光谱”的获取。因此，有必要在像素光谱数据中分离土壤的物理和化学信息，以提高高光谱遥感对土壤有机质（SOM）预测的准确性。

图4. 成像光谱、实验室光谱及其相关系数。

图5. 不同物理性质土壤的光谱特征。

图6. 基于多参数估计模型的土壤物理参数与土壤像素光谱拟合的R²值。

图 7. 使用试验点 1 数据建立的 XG-Boost 模型，基于 (a) 原始像素光谱、(b) 地面光谱、(c) 四阶多项式校正光谱和 (d) XG-Boost 校正光谱和站点 2 数据测量和预测的 SOM 含量的散点图。

结果

本研究利用卫星和地面高光谱数据以及土壤物理参数数据，分别基于四阶多项式和XG-Boost构建了两种土壤光谱校正模型，以缓解土壤物理性质对像素光谱的耦合效应。通过使用来自两个试验点的数据，评估了土壤光谱校正模型的性能及其对SOM预测模型精度和时空可迁移性的影响。主要结论如下：

土壤像素光谱反射率与土壤地面光谱反射率呈非线性关系。表面物理性质的差异是导致这两种光谱数据类型偏差的主要因素。RMSH对土壤像素光谱的影响最为显著，其次是SM和SBW。

四阶多项式和XG-Boost模型具有良好的土壤光谱校正精度。基于XG-Boost的土壤光谱校正模型精度更高，时空可转移性更强，因为它考虑了所有特征，持续调整树的权重，防止结果陷入局部最优。

土壤光谱校正显著缓解了土壤物理性质对土壤像素光谱的耦合效应，有效提高了SOM预测模型的准确性，更重要的是，大大增强了基于像素光谱的SOM预测模型的时空可转移性。未来，通过充分考虑更多土壤特性，可以获得更准确的SOM预测结果。本研究为预测其他区域的土壤性质参数提供了一种新的研究范式。