刘焕军，潘 越，窦 欣，张新乐※，邱政超，徐梦园，谢雅慧，王 楠

（1. 东北农业大学资源与环境学院，哈尔滨 150030；2. 中国科学院东北地理与农业生态研究所，长春 130012）

0 引 言

土壤有机质(soil organic matter，SOM)是全球碳循环的重要指示剂[1]，作为地球陆地表面最大的碳库[2-3]，一直以来都是国内外学者研究的重要方向。SOM是表示土壤肥力和质量的一项重要指标[4]，是耕地质量的重要表现[5]。快速、精确地监测SOM含量及其空间差异对于土壤碳库估算和农田精准施肥有重要意义。

近年来，遥感技术的快速发展和有效应用为SOM预测提供了新的途径和有利条件，国内外在利用多光谱卫星影像数据估算SOM含量方面已经取得了很好的研究成果。SOM和可见光及近红外波段之间的响应关系密切[6]。土壤光谱反射率可以在一定程度上反映 SOM 含量[7-8]，利用土壤光谱反射率及其数学变化可以进行SOM含量速测。Feng等构建基于可见光波段的有机碳预测模型，并制作了有机碳空间分布图[9]。Fox等通过计算所有样点距最小亮度像元的红与近红外波段亮度值得到“距离”，建立“距离”与SOM含量的关系，用于SOM含量的估测[10]。刘焕军等通过分析波段反射率与 SOM 关系，建立基于Landsat-TM遥感影像绿、红和近红外波段的SOM反演模型[11]。王琼等利用国产HJ-1A/1B卫星数据对SOM空间格局进行研究[12]。吴才武等[13]以通过空间插值法得到的土壤水分和遥感影像红波段共同作为输入量建立SOM预测模型，在一定程度上消除了水分影响，不同于地统计法反演水分受采样点数量、分布和地形的限制,可操作性不强。

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，且大多数研究区相对较大，对于基于遥感影像结合地形因素反演SOM的研究较少。同时，多光谱遥感预测SOM含量的研究，一般以单期遥感影像为基础反演SOM含量，未考虑多时项遥感影像所包含的含水量变化信息[14]。土壤反射光谱特征是土壤理化性质的综合反映[15-16]，加入含水量信息一定程度上会提高SOM反演模型精度。SOM含量越高土壤持水能力越强[17]，不同SOM含量的土壤含水量变化程度不同、光谱曲线变化不同，可以用于SOM的遥感反演。因此，本研究以黑土区田块为研究对象，考虑两期影像所表征的含水量变化信息和地形起伏影响，利用两期影像结合地形因子建立SOM预测模型，探讨田块尺度SOM遥感反演。

1 材料与方法

1.1 研究区概况

研究区位于黑龙江省海伦市东兴农机合作社，属寒温带大陆性气候，四季分明，全年平均降水量 500～600 mm，年活动积温为2 200～2 400 ℃，平均海拔239 m，地处典型黑土区，漫川漫岗地带。田块地形起伏较大，地貌特征显著，SOM含量空间差异明显。研究区面积约为 41.3 hm2，地块中心经纬度为 47°25′31″N、126°55′2″E，4月初至5月末为裸土期。

图1 研究区及样点布置Fig.1 Location of study fields and sampling points map

1.2 土壤数据采集

2016年4月21日，在研究区GPS定位，在地形起伏较大区域，兼顾地形特点均匀采集样点98个，并记录坐标、地形以及采集照片。室内将土壤质量称量后研磨、风干，过2 mm筛，用重铬酸钾容量法[18]测定SOM含量。通过SPSS Statistics 22软件对98个采样点SOM含量数据进行统计分析，有机质最小值为 1.118 6%、最大值8.679 9%、均值4.222 5%，标准差为1.745 2%，方差为3.036%。

1.3 地形数据获取和处理

使用定位精度为厘米级的海星达iRTK2对研究区地块进行实地测量，得到 780个精确坐标和高程点，在ArcGIS10.1中生成TIN图层，并转成分辨率为4 m的高精度DEM栅格数据，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 影像处理

受限于拍摄周期和天气原因而未能获取采样时间影像，获取研究区裸土期2016年5月17日Landsat 8影像和 5月 25日 Sentinel-2A影像进行 SOM 反演研究，Sentinel-2A 影像 1、2、3、4、8、11、12波段波长分别对应Landsat 8影像1～7波段（表1）。通过ENVI5.1对Landsat 8影像进行大气校正(大气校正后的结果，为扩大了10 000倍的反射率数据)，并将多光谱影像（1～7波段）和8波段（15 m分辨率全色波段）融合成分辨率为15 m的影像[21]。Sentinel -2A影像为经过几何校正处理过的L1C大气顶反射率数据，只需要进行大气校正处理。通过欧洲航天局(european space agency，ESA)提供的SNAP软件进行影像的大气校正(大气校正后的结果，为扩大了10 000倍的反射率数据)。为研究方便，统一将Landsat 8和Sentinel -2A影像空间重采样为10 m分辨率（Landsat 8通过ENVI完成，Sentinel -2A通过SNAP完成）。

表1 Landsat 8和Sentinel-2A参数信息Table 1 Parameter information of Landsat 8 and Sentinel-2A

1.5 气象数据处理

对海伦气象站点2016年5月10日-25日降水量数据进行整理，其中5月12日、13日、15日、16日、24日、25日降水量分别为39、1、25、79、167和13 mm，其他日期降水为0。降水量会影响土壤表层含水量，进而会影响遥感影像反射率变化[22-26]。5月10日-25日之间，降水量波动较大，导致土壤表层含水量变化明显。所以，5月17日和5月25日遥感影像包含了可以表达土壤含水量变化信息。

1.6 光谱指数构建

基于多光谱各波段反射率进行数学变换，构建光谱指数，可减小由地形、大气等对反射率产生的误差，提高预测模型精度[27]。通过构建单期影像光谱指数，增强SOM与Landsat8、Sentinel-2A反射率的相关性；通过构建多期影像光谱指数，表达土壤水分变化信息。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），构建光谱指数。波段反射率差值归一化指数

式中NDDijTT表示5月17日Landsat 8影像的第i波段和第j波段反射率的差值归一化指数，TT表示5月17日Landsat 8影像，TS表示5月25日Sentinel-2A影像。

两期影像对应波段反射率差值

1.7 模型建立与验证

利用多光谱影像建立SOM预测模型[28]，主要是基于和SOM相关性比较高的光谱信息；而两期多光谱影像可以表达土壤表层水分变化信息，通过多期影像数据可减小水分变化引起的反射率误差，进而提高SOM反演精度；在两期影像基础上加入地形因子作为建模输入量，则将土壤反射光谱关于SOM、水分的信息和地形信息共同考虑到SOM预测模型建立中。

随机选取64个样点为建模集，34样点为测试集，建立BP神经网络SOM预测模型，通过Matlab2014a编程实现。采用3层BP神经网络，隐藏层传递函数为tansig，12个隐藏层节点，输出层传递函数为pureliln，1个输出层节点，训练函数为trainlm[29]。

2 结果与分析

2.1 土壤反射光谱特征分析

将SOM含量数值的偏大和偏小值去掉后，选择3个具有代表性（SOM值相对等差分布）的样点，提取其采样点位置光谱反射率，绘制不同SOM含量土壤反射光谱曲线图(图 2a）。选择光谱曲线趋势具有代表性（地势平缓）的样点，提取其采样点位置光谱反射率，绘制两期影像土壤反射光谱曲线图（图 2b）。同一时期，SOM 含量上升，光谱曲线整体下降，3～5波段差异明显（图2a）。SOM变化时、差异明显的波段可以作为SOM诊断波段。因此，3～5波段可以作为SOM反演主要参考波段。不同时期，土壤光谱曲线图（图2b），在5～7波段曲线变化差异明显。同理，5～7波段可作为含水量表征波段。

图2 土壤反射光谱特征Fig.2 Characteristics of soil reflectance spectrum

2.2 地形变化分析

研究区绝大部分区域坡度为0°～5°之间（图4a），为了研究不同坡度对SOM空间差异的影响，根据采样点坡度范围将其分为4级（图3a），比较其SOM含量差异。研究结果表明，“0°～3°”坡度等级 SOM 含量明显高于其他坡度等级，这与连纲等[30]的研究一致。坡度对SOM在坡面上分布的影响主要是通过土壤侵蚀，土壤养分主要是以泥沙为载体[31]，坡度越大，泥沙流失量越大，养分流失量越多，SOM流失量越多[32]。

为分析不同坡向（图4b）SOM含量变化，以正北方向为 0°，将坡向以 45°为间隔划分为 8类（0°～22.5°和337.6°～360°为北坡，22.6°～67.5°为东北坡，67.6°～112.5°为东坡，112.6°～157.5°为东南坡，157.6°～202.5°为南坡，202.6°～247.5 为西南坡，247.6°～292.5°为西坡，292.6°～337.5°为西北坡），比较各类坡向采样点SOM含量均值（图 3b）。结果发现，阴坡（东北坡）SOM 含量略高于阳坡（东南坡和南坡）。这是由于阳坡太阳辐射量高于阴坡，SOM含量通常随热量条件的增加而降低，随湿润度的增加而增高[33]。

图3 SOM空间差异地形分析Fig.3 Analysis of SOM spatial difference and terrain factor

为研究坡位（坡底、阳坡、坡顶、阴坡）对SOM空间差异影响，选取6组典型坡位剖面（图4a）。1～4剖面分析表明：坡底经阳坡到坡顶，SOM含量下降；坡顶经阴坡到坡底，SOM含量上升（图5）。其中，3号剖面阴坡坡底SOM含量低于坡顶，可能是因为其东侧偏北方向的区域坡度骤然增大（图4a的7号点对应图5的3号剖面阴坡坡底），导致邻近区域SOM含量降低；4号剖面阳坡坡底SOM含量低于坡顶，可能是因为其所在区域坡度较大（图4a的12号点对应图5的4号剖面阳坡坡底），容易受到侵蚀，导致SOM流失。5、6剖面分析表明：坡底到阳坡，SOM含量下降，阳坡到坡顶，SOM含量上升；坡顶到阴坡，SOM含量下降；阴坡到坡底，SOM含量上升（图5）。其中，5、6号剖面的4个坡底位置SOM含量低于坡顶，是因为这 4点所在位置和真正的坡底位置还有一定的距离（图4a的17、13点和22、18点分别对应图5的5号剖面和6号剖面的阳坡坡底、阴坡坡底）。

2.3 SOM相关性分析

SOM与土壤光谱反射率存在显著负相关关系[34]。地形起伏变化，影响着土壤侵蚀程度和SOM空间分布。对SOM和两期影像波段反射率、光谱指数以及地形因子进行相关性分析（表 2），以土壤光谱反射率、光谱指数、地形因子为输入量，建立BP神经网络模型，反演SOM空间分布。

图4 研究区地形特征Fig.4 Terrain feature images of study area

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

表2 部分影像光谱指数及地形因子与SOM含量相关系数Table 2 Correlation coefficients between spectral index,terrain factors and SOM content

2.4 基于单期影像SOM预测模型

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波段反射率的差值归一化指数 N DDT2T3为输入量，建立的BP神经网络 SOM 预测模型精度和稳定性最好。建模决定系数R²为0.652，RMSE为1.071；验证决定系数R2为0.642，RMSE(root mean square error)为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波段反射率为输入量，建立的BP神经网络SOM 预测模型精度和稳定性最好。建模决定系数R2为0.677，RMSE为1.033；验证决定系数R2为0.664，RMSE为1.079（表3）。

单期影像建立SOM预测模型，两个时期的两幅影像均是红波段（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，可见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。是因为11波段为水分敏感波段，而5月17-25日土壤含水量因降雨增加，水分影响增大，导致11波段对建模精度产生影响。

2.5 基于两期影像SOM预测模型

利用两期影像建立SOM预测模型，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、两期影像的 1 570～1 650 nm波段反射率差值为输入量，建立的BP神经网络SOM预测模型精度和稳定性最好。建模决定系数R²为 0.792，RMSE为0.855；验证决定系数R²为0.797，RMSE为0.898（表3）。相比于单期影像建模，模型精度明显提高。其中，1 570～1 650 nm波段为水分敏感波段，两期影像此波段的差值可以很好地表示两期影像间水分变化信息。因此，以两期影像考虑土壤含水量变化信息以提高SOM含量预测模型精度。

2.6 基于两期影像和地形因素的SOM预测模型

在田块尺度上，特别是地形起伏明显的田块，SOM空间分布受地形影响明显。本文选取与SOM显著相关的高程和坡度的演变剖面曲率作为地形因素的考虑加入模型输入量（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波段反射率两期影像的1 570～1 650 nm波段反射率差、高程G、剖面曲率SS作为输入量建立的BP神经网络SOM预测模型稳定性和精度最高。建模决定系数R2为0.917，RMSE为0.492；验证决定系数R2为0.928，RMSE为0.499（表3）。加入地形因子作为输入量，模型稳定性和精度再次有了较大的提高。因此，在两期影像考虑土壤含水量变化信息的基础上加入地形因子信息对于提高SOM预测模型精度可行。

2.7 预测制图与分析

以两期影像光谱指数、地形因子为输入量建立的BP神经网络SOM预测模型，反演研究区SOM含量（图6）。结果显示，SOM空间分布受地形影响明显，地形起伏小SOM变化不明显，地形起伏大则SOM变化较大。总体上看，从东到西海拔降低，地形起伏变大，SOM含量差异变大。坡底含量最高，其他地方相对较低。地势平缓的地方，SOM含量较高；地势落差大的地方，土壤受侵蚀较严重，导致SOM含量较低。

表3 BP神经网络SOM含量预测模型建模和验证结果Table 3 SOM content predicting modeling and verification results based on BP neural network

具体来看（图 6），1号区域为坡底且地势相对较平缓，所以SOM含量较高；2号区域为坡底，其南北两侧地势起伏较大，导致土壤侵蚀、运移，SOM含量相对较高；3号区域为坡底且受6号区域地形起伏骤变影响，所以SOM含量较高；4号区域为坡顶，但地势相对平缓，SOM含量较高；5号区域为阳坡，但临近坡底且地势落差较大，所以SOM含量相比周围区域明显偏低。7号南北条带状区域，与两侧区域衔接处出现异常。因为这一区域的DEM数据是与周围拼接而成的，以至于DEM数据拼接处出现异常。导致其SOM反演结果与两侧区域交接处出现异常（图6）。

图6 研究区SOM空间分布图Fig.6 Study area spatial distribution pattern of SOM

3 讨 论

东北黑土区漫川漫岗地带，地形起伏变化相对较大，不同地形光温水热差异较大，且土壤侵蚀程度不同， 所以SOM空间分布差异较大。从研究区SOM反演结果来看，其含量受坡度、坡向和坡位共同影响。此外，土壤持水能力受SOM含量影响，因此不同SOM含量的土壤含水量变化时、对反射率影响的不同可以间接表达有机质信息[14]，而两期遥感影像可以表征土壤水分变化信息提高SOM含量反演精度。

本文利用研究区裸土期的两期影像结合地形数据，建立田块尺度的BP神经网络SOM预测模型。所选研究区田块内部有明显的地形起伏变化，其对SOM空间分布有明显的影响。因此，所建立的模型精度较高，能够反映研究区SOM的空间变异规律。

对于因传感器不同而造成的遥感影像差异问题，本研究通过选取影像覆盖区域的硬化地面、屋顶和深水区等随时间反射率几乎不变化的点，提取其各波段反射率进行比较，发现两幅影像对应波段的反射率相关系数R普遍达到0.95以上，表示含水量变化的波段（Landsat 8第6波段和Sentinel-2A第11波段）相关系数更是达到了0.99。这证明因传感器本身而造成的遥感影像差异可以忽略不计，这种细微的差异对建立反演模型几乎不会有影响，足以满足建立SOM反演模型要求。此外，本文引入时相信息，以两个时期影像反演SOM，为下一步的SOM遥感反演研究工作打下了基础。本研究结果，适用于黑土区漫川漫岗地形地域，对于具有明显地形起伏的农业田块具有较好的效果。

4 结 论

以东北黑土区有明显地形起伏的农业田块为例，以两期裸土期遥感影像以及高精度 DEM 为数据源，利用BP神经网络方法，对研究区进行SOM反演研究，得出以下结论：

1）研究区SOM含量空间分布差异大。“0°～3°”坡度SOM含量明显高于其他坡度。阴坡SOM含量略高于阳坡。坡底SOM含量高于坡顶。坡底到阳坡，SOM含量下降；阳坡到坡顶，SOM含量上升；坡顶到阴坡，SOM含量下降；阴坡到坡底，SOM含量上升。

2）相同条件下，SOM含量降低，土壤光谱反射率整体下降，且红波段反射率和785～899 nm波段反射率变化最大，可以作为SOM主要建模输入量。而不同时期，SOM光谱曲线差异主要是由水分含量变化造成的，两期影像可以反映含水量变化信息。

3）田块尺度单期影像 SOM遥感预测模型，以红波段和 785～899 nm波段为主要输入量建立的模型精度较高。基于两期影像，以两期影光谱指数表征SOM及水分变化信息的建立的模型精度显著提高(RMSE降低0.18)。

4）综合两期影像和地形因子的BP神经网络模型精度最高，能够更好揭示研究区SOM空间分布规律。SOM反演结果可以用于耕地质量评价、土壤碳库估算，为精准农业和农田精准施肥提供理论依据和技术支持。

[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] 鲁如坤. 土壤农业化学分析方法[M].北京：中国农业科技出版社，2000.

[5] 张玲娥.典型县域耕地肥力质量时空演变规律及驱动力分析[D].北京：中国农业大学，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] 刘焕军，赵春江，王纪华，等.黑土典型区SOM遥感反演[J].农业工程学报，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] 王琼，陈兵，王方永，等.基于HJ卫星的棉田SOM空间分布格局反演[J].农业工程学报，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] 吴才武，张月丛，夏建新，等.基于地统计与遥感反演相结合的SOM预测制图研究[J].土壤学报，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] 刘焕军，宁东浩，康苒，等.考虑含水量变化信息的土壤有机质光谱预测模型[J].光谱学与光谱分析，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，潘贤章，解宪丽，等.土壤含水量对反射光谱法预测红壤土壤有机质的影响研究[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] 吴才武, 夏建新, 段峥嵘. 土壤有机质测定方法述评与展望[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] 刘学军, 王叶飞, 曹志东,等. 基于 DEM 的坡度坡向误差空间分布特征研究[J]. 测绘通报, 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] 刘学军, 王叶飞, 曹志东,等. 基于 DEM 的地形曲率计算模型误差分析[J]. 测绘科学, 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, 田庆久. 遥感数据融合方法分析与评价综述[J].遥感信息, 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，纪文君，周银，等.土壤二向反射特性及水分含量对其影响研究[J].土壤学报，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，武红旗，蒋平安，等.利用土壤的近红外光谱特征测定土壤含水量[J].光谱学与光谱分析，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] 董长虹.神经网络与应用[M].北京：国防工业出版社，2005：64－66，99－104.

[30] 连纲，郭旭东，傅伯杰，等.黄土丘陵沟壑区县域 SOM空间分布特征及预测[J].地理科学进展，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] 傅涛，倪九派，魏朝富，等.不同雨强和坡度条件下紫色土养分流失规律研究[J].植物营养与肥料学报，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] 黄元仿，周志宇，苑小勇，等.干旱荒漠区SOM空间变异特征[J].生态学报，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.