张新乐，窦 欣，谢雅慧，刘焕军,2，王 楠，王 翔，潘 越



引入时相信息的耕地土壤有机质遥感反演模型

张新乐1，窦 欣1，谢雅慧1，刘焕军1,2※，王 楠1，王 翔1，潘 越1

（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 130102）

土壤有机质（soil organic matter, SOM）是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区，采集4种主要土壤类型样本共147个，获取裸土期多时相MODIS地表反射率8 d合成产品，以单期、多期影像所构建光谱指数作为输入量，构建包含含水量变化与有机质含量信息的多光谱指数，建立SOM线性回归遥感反演模型，揭示SOM空间分布规律。结果表明：由于土壤含水量空间差异随时间变化，基于单期影像构建的模型主要输入量发生规律性改变，其中年积日137 d裸土条件最好，反演模型最优；比值光谱指数61与SOM显著相关，而和含水量相关性极小，适于作为反演模型输入量；基于多期影像构建的模型引入时相信息后，精度与稳定性较单期影像模型显著提高，其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优；松嫩平原SOM呈现由东北向西南递减趋势。

遥感；模型；有机质；MODIS；时相信息；光谱指数；松嫩平原

0 引 言

土壤有机质（soil organic matter，SOM）是衡量土壤肥力，评价土壤质量的重要指标，SOM可以促进土壤团聚体形成，使土壤疏松，改善土壤的理化性质[1]。SOM也是全球碳循环的重要指示剂[2]，作为地球陆地表面最大的碳库[3-4]，土壤碳库一直以来都是国内外学者关注的对象[5-8]。由于传统估算土壤有机碳库的方法仍存在困难，而SOM与土壤有机碳存在定量关系[9]，因此利用遥感手段获取SOM空间分布规律可以对土壤有机碳库的估算提供帮助。

当前对SOM的空间分布预测主要利用地统计法和遥感反演法。然而由于土壤的空间变异显著，使用地统计法需要大量样本点的数据支撑[10-11]，否则无法保证样点的代表性。对于空间尺度较大的研究区，土壤空间分布的复杂程度更高，地统计法误差会进一步增大。已有研究尝试将遥感数据作为辅助变量和地统计法结合[12-13]，遥感数据在研究区内为地统计法空间插值SOM提供了更多的空间变异信息，这种混合方法建立的SOM预测模型精度相对提高，但在研究区内仍然需要大量密集采样点，扩大研究尺度存在困难。

已有研究表明SOM与土壤光谱反射率存在显著负相关关系[14]，室内及田间高光谱研究已经可以准确预测SOM[15-18]，Hill等[19]证明了高光谱、多光谱遥感数据均可用于建立SOM定量预测模型，这为利用遥感反演SOM提供了理论依据。但是由于受到水分变化，秸秆覆盖，以及地形等因素影响，利用遥感进行SOM空间分布预测的精度受到一定限制。

因此，目前相关SOM空间分布预测研究多为小尺度研究区范围。Chen等[20]利用可见光波段亮度值建立土壤有机碳模型，并绘制了田块尺度的有机碳空间分布图。Fox等[21]通过构建样点距离最小亮度像元的红、近红外波段亮度值所得的“距离”，建立其与SOM的关系，并据此对SOM进行预测，但由于该研究条件是含水量变化幅度小，因此只适用于小尺度研究区。土壤水分会对土壤反射率造成一定影响，进而影响SOM遥感反演的精度。为此，吴才武等[22]利用普通克里格法对土壤水分进行空间插值，将得到的水分信息与MODIS影像红波段作为输入量进行多元线性建模，在一定程度上消除了水分影响，但由于使用了地统计法，研究尺度受到大量密集采样点的限制，该方法研究范围难以扩大。刘焕军等[23]基于TM影像2、3、4波段建立了黑土典型区遥感反演指数模型，研究区尺度较大，但其前提条件是研究区严重干旱，表明大尺度SOM空间含量预测仍然受到降水及降水差异所导致的地块间差异等各种因素限制。

松嫩平原是中国重要的商品粮基地，整体地势平坦，无较大起伏，且作物一年一熟，裸土时间长，保护性耕作少，秸秆覆盖小，易获取多期卫星遥感影像，可用于土壤遥感研究。本研究以松嫩平原典型区裸土期耕地为研究对象，基于多波段光谱反射率及其构建的光谱指数，选择单期、多期MODIS影像以加入时相信息（含水量变化信息或SOM含量信息），综合不同时相影像优势，减小土壤水分及地表覆盖物对SOM预测的影响，提高区域反演SOM的精度。利用多元线性回归模型对SOM进行反演，探讨大尺度SOM遥感反演方法，揭示松嫩平原SOM空间分布规律，为估算土壤有机碳库提供支持。

1 材料与方法

1.1 研究区概况

研究区为松嫩平原黑龙江省境内的北半部，位于大小兴安岭、长白山脉及松辽分水岭之间，范围介于122°23′～128°15′E，44°3′～49°12′N之间，主要由松花江、嫩江两江冲积而成，整体地势相对平坦，耕地面积大，土地肥沃，有机质含量高，作物一年一季，是中国重要的商品粮基地。属温带大陆性半湿润、半干旱季风气候，年降水量400～600 mm。土壤主要类型为暗棕壤、黑土、黑钙土、风砂土、草甸土等，其中黑土、黑钙土占比超过60%，有机质含量较高，持水能力好。风砂土主要分布于研究区西南部，有机质含量较低，持水能力差。草甸土位于相对低地势地区，分布于其他土类之间。研究区从4月初到5月末为裸土期，为遥感影像的获取提供了有利条件。

1.2 土样采集与处理

2014-5-15—2014-5-20，在作物出苗前后，选取4种典型土壤(黑土、黑钙土、风砂土、草甸土)于松嫩平原13县市境内进行样本采集。由于本研究为区域尺度，为保证采样点的有机质含量能够代表采样点附近一定空间内的土壤有机质水平，因此选择地势相对平坦开阔的耕地区域采集，认为可以代表该点附近的土壤有机质含量。同时，为了方便获取不同土类不同有机质含量的土壤样本，沿垂直土壤带进行采集。采集时，均匀地采集0～20 cm的耕层土壤，因为其测得的有机质含量不易受耕作时间的干扰，能够代表足够长时期内的地表有机质水平。共采集土壤不同土类样本147个，其中黑土34个，黑钙土74个，风砂土29个，草甸土10个（样点分布见图1），同时利用GPS记录采样点经纬度及土壤类型，并对样点进行多角度拍照记录。根据4种土类的地理分布特点，样本中黑土多采集于研究区东北部的北安、克东、拜泉，风砂土多采集于西南部的杜尔伯特，其余县市主要采集黑土和草甸土。室内将147个土样研磨、风干、过2 mm筛，用重铬酸钾容量法测定SOM含量（见表1），用于SOM反演。然后从其中挑出不同土类样本各1个，共计4个样本，进行水分调配，方法见文献[24]。最终得到16个草甸土样本、11个风砂土样本、11个黑钙土样本、15个黑土样本，共53个不同含水量样本，然后对其进行反射光谱测试。

图1 土壤采样点及气象站点分布图

表1 土壤有机质描述统计量

1.3 实验室反射光谱测试与处理

对4种土类共53个不同含水量样本进行实验室反射光谱测试，具体测试条件与数据处理方法，以及不同含水量土壤反射光谱曲线图见文献[25]及该文献中图1。在ENVI 5.1环境下利用光谱重采样功能将光谱曲线按照MODIS地表反射率产品波段（1～7）进行重采样。

1.4 影像处理

MODIS传感器搭载于Terra，Aqua两颗太阳同步极轨卫星，分别于地方时10:30，13:30过境，两幅影像在时间上形成互补，易获得无云影像。研究区范围大，而MODIS影像具有高空间、高时间分辨率且图幅宽度大的优势，同时其光谱分辨率高，共36个波段，其中1~7波段为地表反射率产品（1：620～670 nm，2：841～875 nm，3：459～479 nm，4：545～565 nm，5：1 230～1 250 nm，6：1 628～1 652 nm，7：2 105～2 155 nm)，适于作为本研究的遥感数据源。本研究所使用MODIS地表反射率为原始反射率扩大10 000倍后的值。获取研究区2014年4月初至5月末研究区裸土期MODIS数据（MOD09A1：Terra卫星500 m地表反射率8d合成产品。MYD09A1：Aqua卫星500 m地表反射率8d合成产品）共8幅（http://reverb.echo.nasa.gov/reverb），对应年积日（从当年1月1日起开始计算的连续天数）分别为89、97、105、113、121、129、137、145 d，具体日期见表2

表2 影像采集时间

1.5 气象数据处理

根据研究区覆盖范围，选择北安、富裕、明水、林甸4个主要气象站点（位置见图1），从中国气象局气象数据中心网站（http://data.cma.cn/）获取研究时段每日20~20时降水数据，并对降水数据按照相应MODIS 8d合成地表反射率产品日期进行8d累计计算并记录于表3。

1.6 光谱指数构建

将MODIS地表反射率数据按照波长从小到大重新排列为3<4<1<2<5<6<7。现有SOM反演研究大多仅以反射率为输入量建立模型，为了尽可能地探索MODIS地表反射率数据反演SOM的潜力，对各波段反射率进行差值、比值等数学运算，构建一系列光谱指数，分析SOM与光谱指数的相关关系，用于反演模型建立。

表3 气象站点降水数据

单期影像光谱指数构建：定义波段反射率为ρ，对MOIDS数据7波段反射率进行数学变换，得到反射率差D，差值归一化指数NDρ，反射率比R，相邻3个波段反射率夹角正切tan，其中，、、为波段代号（见图2a）。

多期影像光谱指数构建：不同时期相同波段差Dρ，不同时期相同波段比Rρ，不同时期某一波段差与另一波段差的差Dρ，不同时期某一波段比与另一波段比的比Rρ（见图2b）。多期影像光谱指数可以用于表征含水量变化信息。各光谱指数具体计算方法如表4所示。

注：D61表示6波段与1波段的差，R61表示6波段与1波段的比，tan412表示4、1、2波段夹角正切。Tm表示年积日m天，Tn表示年积日n天，DTm-Tn_ρ7表示m天与n天7波段的差，RTm-Tn_ρ5表示m天与n天5波段的比，DTm-Tn_ρ64表示m天与n天6波段的差和4波段的差的差，RTm-Tn_ρ21表示m天与n天2波段的比和1波段的比的比。反射率为原始反射率扩大10 000倍后的值，图3同。

1.7 模型建立与验证

为避免信息冗余，采用多元线性逐步回归方法，从采集的147个土壤样本中按照建模集与验证集1:1的比例从中随机选取建模样本74个，验证样本73个，以SOM含量作为因变量，以样点所在影像像元的反射率及其构建的光谱指数作为自变量，进行SOM反演建模，将选择最优输入量组建多元线性模型。使用稳定性和精度2个指标评价模型预测SOM的优劣。模型稳定性用决定系数（2）检验，2越大、模型越稳定；精度用均方根误差（RMSE）检验，RMSE越小、模型精度越高。

表4 单期、多期影像光谱指数计算公式

注：ρ表示波波段反射率，D表示、波段的差，NDρ表示、波段差值归一化指数，R表示、波段的比，k表示波段和波段连线的斜率。

Note:ρrepresents the reflectance of band.Drepresents the difference between bandand band. NDρrepresents normalized differential index of the difference between bandand band.Rrepresents the ratio of bandto band.krepresents the slope of the connecting line between bandand band.

2 结果与分析

2.1 MODIS土壤反射率特征分析

不同时期MODIS反射率由于降水等因素，反射率发生明显变化，5、6、7变化尤为显著（见图3a，样点采集于林甸县）。对照气象数据（表3）可以发现，89～121 d期间林甸降水极少，即土壤水分主要处于残存融化雪水的蒸发期，土壤水分逐渐减少、整体土壤反射率逐渐增大，这与土壤实验室反射率光谱曲线随含水量变化规律一致[25-26]。129 d由于出现较大降水，土壤含水量增加，其反射率光谱曲线相比于121 d出现明显下降。137 d降水量较129 d显著减小，光谱曲线相比129 d有所上升。此外，由于137 d左右研究区整体翻耕完毕，完成播种，作物陆续出芽，反射率曲线中1、2的差值从137 d开始略微增大，即受到绿色植被对红波段的吸收和对近红外波段的反射作用影响。

图3 土壤反射率光谱曲线

以年积日137 d为例，从图3b可以看出，对于不同SOM含量反射率光谱曲线，虽然受到作物出芽影响，但由于幼苗覆盖度小，对1红波段的吸收作用并不明显。整体反射率、尤其是可见光波段随着SOM增大而减小的趋势得以保留。由于5、6、7均位于土壤光谱在1 400、1 900、2 200 nm的3个典型水分吸收带[27]附近，受水分影响相对较大，光谱曲线并不完全遵循反射率随SOM增大而降低这一规律。

2.2 实验室不同含水量土壤反射率特征分析

图4为同一土壤样本进行水分调配后，按照MODIS 1～7波段范围进行了重采样的光谱曲线。从图中可以看出，随着含水量的增加，土壤反射率出现整体下降趋势。含水量变化对5、6、7波段反射率值的影响大于3、4、1、2波段。

注： 反射率为原始反射率扩大10倍后的值。

2.3 单期MODIS影像SOM预测模型

如表5所示，单期模型主要输入量随日期变化而出现明显差别。年积日89～121 d，模型主要输入量为可见光波段，其中89、97两期主要输入量为3（蓝波段），105、113两期为3、4所形成光谱指数43，121d为1（红波段）。129～145期主要输入量由单一可见光波段变为光谱指数61。通过相关性分析（见表6）发现，89、97两期的可见光波段（3、4、1）与SOM相关性基本相同，97d3、4相关性略高于1，该时期处于松嫩平原雪水蒸发阶段。105、113期43与SOM相关性高于其他波段。从121d开始，1与SOM相关性开始为各期波段反射率中最高，这与实验室测得的典型黑土区裸土SOM响应波段范围620～810 nm[28]结果一致，表明此时段内裸土信息开始增强。而从129 d开始到145 d，光谱指数61与SOM相关性高于各波段反射率及其他光谱指数，通过表3可以发现，从129 d开始，研究区各气象站点均监测到较大水量降水，即土壤水分影响增大。而光谱指数61是基于6、1构建，其中6位于水分吸收带附近，包含了一定的水分含量信息，1为SOM响应波段，表达SOM含量信息，6、1经过比值运算后形成的光谱指数61表达了在一定土壤含水量水平下的SOM含量。

表5 基于单期影像的反演模型

表6 主要输入量与SOM相关系数

注：**表示在0.01水平上显著相关，=147。

Note:**represents the significant at<0.01 level,=147.

单期影像二元线性模型主要输入量多为与SOM相关性最高的光谱指数，次要输入量多为5、6、7与可见光波段所形成的光谱指数，分别表征有机质和水分信息。二元模型在一定程度上修复了研究区土壤含水量空间变异，相较于一元模型，二元模型稳定性与精度有所提高，其中以137 d二元模型稳定性与精度为各期中最高。

2.4 多期MODIS影像SOM预测模型

由表7可以看出，两期模型主要输入量与单期一致，多为和SOM相关性最高的波段反射率或光谱指数，次要输入量既有基于两期影像构建的光谱指数R145-T121_23，用来表达含水量变化的时相信息，也有基于另一期影像的波段反射率1057，用来表征土壤水分和SOM。基于两期MODIS影像所建模型的稳定性与精度普遍高于单期模型。其中，最优模型2为0.68，较单期模型中最优的137期2有所提高，而建模、验证RMSE分别为0.84、0.84，较单期模型显著降低。

通过对比单期、多期模型（表5、表7）可以发现，基于两期MODIS影像所建立预测模型稳定性与精度普遍优于单期影像预测模型。

表7 基于两期影像的SOM遥感反演最优模型

注：973左上角标为年积日，即第97天波段3的反射率。

Note:973means the reflectance of band3 on the 97thday and the left superscript represents the days of year.

2.5 模型残差分析

计算137、105 d一元模型及基于137、105两期影像所建模型样本点残差，分别取残差最大的15个（10%）样本点，绘制分布图（图5），发现105期较大残差空间分布均匀，137 d较大残差主要分布在松嫩平原西南部SOM含量较低地区。据降水数据显示（表3），105 d及以前，研究区基本无降水，137 d前后各区域普遍降水。西南区SOM含量较低，主要分布风砂土，光谱曲线对含水量变化反应较为敏感，受水分影响大，使该区域出现较大误差。基于137、105两期影像构建的模型综合了137 d主要变量与SOM相关性高的优势，同时105 d土壤水分较少，对5、6、7波段影响小，105 d7作为次要变量，使残差分布较137 d更为均匀，增强了137、105两期影像的预测模型稳定性与精度，减小了降水造成的空间差异影响。

2.6 松嫩平原土壤有机质空间分布特征

选择两期最优模型（公式1，2为0.68）反演SOM，为确保反演所用地表反射率均为土壤反射率，利用耕地边界范围对影像进行裁剪，并作SOM空间分布图。从松嫩平原典型区土壤有机质遥感反演图（图6）可以看出，松嫩平原有机质含量东北高、西南低。东北部纬度高，常年严寒环境固定了大量腐殖质，增加了土壤中有机质含量，广泛分布着有机质含量较高的黑土、黑钙土等；西南地区为冲积平原，同时分布着较多牧区，河水冲击及过度放牧导致水土流失及土地沙化、盐碱化严重。

图6 研究区SOM遥感反演图

3 讨 论

利用MODIS数据建立的单期、多期模型，稳定性与精度均可达到有机质快速监测要求。本文利用1:1的建模与验证样本策略，结果显示RMSE验证值与建模值差异不大，有的更小，说明模型稳定性好，也证明本研究的采样点布设较合理。尽管SOM反演所使用影像为研究区裸土期影像，但研究区土壤实际上经历雪水融化后蒸发、土壤翻耕、播种出苗等不同阶段变化，导致不同时相MODIS影像裸土条件及含水量不尽相同，所建反演模型输入量也随之发生规律性变化。121 d以前的土壤含水量空间差异小，因为那段时间没下雨。而129 d以后，降雨加之不同地块翻耕的时间不同，表层土壤含水量空间差异大，但翻耕后裸土信息更多，秸秆等因素影响小。因此，前期模型输入量是SOM光谱响应波段，后期模型输入量为波段比值，比值光谱指数一定程度上减小了含水量对SOM反演精度的影响。

单期模型中137 d二元模型稳定性与精度最高，该时期研究区范围内普遍完成翻耕播种，秸秆影响基本消失，即使由于播种时间早晚原因而导致部分地块优先出苗，其裸土条件相比于秸秆覆盖期仍然最好。如图7所示，年积日140 d时翻耕播种完成，即使部分地块作物出苗，但其超低覆盖度对裸土影响较小。

利用多期不同时相MODIS影像进行建模，模型精度与稳定性普遍优于单期模型。最优模型基于137、105两期影像构建，主要输入量为137d61，与SOM相关性最高。计算实验室不同含水量MODIS波段重采样光谱反射率数据的光谱指数61及其与土壤含水量的相关系数，得到其相关系数为0.24，且二者相关系数未达到显著水平，这是因为土壤含水量对近红外波段反射率的影响显著大于可见光波段[29]，近红外波段与可见光波段比值化形成的比值光谱指数减小了土壤水分的影响，因此，61作为主要输入量在一定程度上减小了土壤水分对SOM反演的影响。次要输入量为105 d7（2 105～2 155 nm），105 d单期影像反演模型精度不高，但其地表含水量为各期中较少，地块间土壤含水量差异小。经分析发现，实验室水分调配样本反射率重采样的7波段与土壤水分含量相关系数为0.89，且达到显著相关水平，这和霍艾迪等[30]研究发现的MODIS的7波段与土壤水分具有较好相关性的结果一致，即7可以表征土壤水分。105d研究区整体土壤含水量较少，处于雪水蒸发阶段，有机质越高的土壤保水能力越强，因此，7间接表达了SOM信息。105 d7作为次要输入量为不同时相模型补充了SOM信息，进一步减小了降水对137 d单期模型反演的影响、达到消除水分影响的效果，提高了模型的稳定性与精度。多期次优模型基于145、121 d两期影像建立，主要输入量同样为61，次要输入量变为基于两期影像构建的光谱指数R145-T121_23，表达了两期间的含水量变化，模型精度与稳定性较145、121单期模型同样显著提升，消除了水分影响。因此，相比于单期影像，多时相影像的优势在于可以充分利用不同时期影像的优势，一方面裸土条件好的影像可以与地块间水分少的影像结合，起到减少水分影响，充分表达有机质信息的作用，如137 d与105 d所构建的模型。另一方面，两期影像可以通过所构建的多期光谱指数来表征含水量变化，直接作为模型考虑因素，作为次要输入量，达到消除水分影响的目的，如145与121 d所构建的模型。本研究所进行的室内水分调配样本的光谱测定与分析，从实验室角度探寻了水分变化对土壤光谱曲线的影响机理，进一步解释了水分对土壤光谱曲线的作用结果，并对模型输入量的选择起到了解释作用。

图7 采样点照片（年积日140天）

由于数据为8d合成，每期影像像元年积日存在差异且研究区尺度较大，土壤水分等引起的地块空间差异显著，以往针对SOM的遥感反演研究仅使用单期遥感影像的可见光波段反射率，反演模型精度会因此受到限制。本研究基于多期影像建立的SOM反演模型相比于前人仅基于波段反射率的单期影像反演模型[20-21,23]，在充分考虑裸土条件随年积日变化的基础上，选择了不同时相遥感影像建立模型，构建了受含水量影响较小的光谱指数，引入的时相信息表征SOM或含水量变化信息，综合了不同时期MODIS影像的优势（如137 d土壤裸露条件好，105 d土壤水分含量空间差异小），使反演模型稳定性与精度得到提高。

虽然137d遥感反演条件较优，单期、多期反演精度较高，但该时段研究区部分水田已开始注水，导致水田区域反演精度降低，从图6中可以看出，少量地块空间变化异质性明显，为水田区域。不同土类光谱曲线仍存在差异，松嫩平原土类众多，由于采样点数量的限制，本研究没能分土类对有机质进行分别建模，因此引入土壤类型因素，提高反演精度，是下一步研究目标。

4 结 论

本研究基于多时相MODIS影像，构建考虑时相信息的光谱指数，对区域土壤有机质SOM含量进行反演，得出如下结论：

1）区域SOM遥感反演模型主要输入量随时间变化而发生规律性改变，当土壤含水量空间差异较小时，模型输入量为SOM光谱响应波段；当土壤含水量空间差异较大时，模型输入量为6波段与1波段的比值61，比值光谱指数与土壤水分相关性很低而与SOM极显著相关，减小了土壤含水量对反射率的影响，能够减少含水量对SOM反演精度的影响。

2）单期模型中，由于137 d土壤表面覆盖物最少，其稳定性与精度最高（2为0.67，建模、验证RMSE分别为0.86、0.95），适于SOM反演；基于137与105两期影像所建模型2为0.68，建模、验证RMSE分别为0.84、0.84，多时相影像反演SOM，引入了时相信息，进一步消除了土壤含水量的影响，可以显著提高反演精度，两期模型精度与稳定性优于单期模型。

3）松嫩平原SOM由东北向西南呈递减趋势。

本研究SOM遥感反演结果可以为松嫩平原土壤退化评估、土地利用保护及土壤碳库估算提供支持。

[1] Six J, Paustian K. Aggregate-associated soil organic matter as an ecosystem property and a measurement tool [J]. Soil Biology & Biochemistry, 2014, 68(1): A4－A9.

[2] 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.

[3] 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.

[4] Scharlemann J P, Tanner E V , Hiederer Roland. Global soil carbon: Understanding and managing the largest terrestrial carbon pool[J]. Carbon Management, 2014, 5(1): 81－91.

[5] Guerra-Santos J J, Cerón-Bretón R M, Julia Cerón-Bretón G, et al. Estimation of the carbon pool in soil and above-ground biomass within mangrove forests in Southeast Mexico using allometric equations[J]. Journal of Forestry Research, 2014, 25(1): 129－134.

[6] Abu-Hashim M, Elsayed M, Belal A E.Effect of land-use changes and site variables on surface soil organic carbon pool at Mediterranean Region[J]. Journal of African Earth Sciences, 2016, 114: 78－84.

[7] 王海候，金梅娟，陆长婴，等. 秸秆还田模式对农田土壤碳库特性及产量的影响[J]. 自然资源学报，2017，32(5)：755－764.

Wang Haihou, Jin Meijuan, Lu Changying, et al. Effects of patterns of returning straw to field on soil carbon pool and yield in rice-wheat double cropping systems[J]. Journal of Natural Resources, 2017, 32(5): 755－764. (in Chinese with English abstract)

[8] 韩可欣，禹朴家，韩东亮，等. 开垦年限对松嫩碱化草地土壤碳库的影响[J]. 土壤通报，2017，48(1)：127－133.

Han Kexin, Yu Pujia, Han Dongliang, et al. Effect of cultivation chronosequence on the dynamics of soil carbon pool in songnen alkaline grassland[J]. Chinese Journal of Soil Science, 2017, 48(1): 127－133. (in Chinese with English abstract)

[9] Nelson D W, Sommers L E, Sparks D L, et al.Total carbon, organic carbon, and organic matter[J]. Methods of Soil Analysis Part: Chemical Methods, 1982, 9: 961－1010.

[10] Webster R, Oliver M A. Sample adequately to estimate variograms of soil properties[J]. European Journal of Soil Science, 1992, 43(1): 177－192.

[11] Zhu A X. Measuring uncertainty in class assignment for natural resource maps under fuzzy logic[J]. Photogrammetric Engineering & Remote Sensing, 1997, 63(10): 1195－1202.

[12] Wu C F, Wu J P, Luo Y M. Spatial prediction of soil organic matter content using cokriging with remotely sensed data[J]. Soilence Society of America Journal, 2009, 73(4): 1202－1208.

[13] Mirzaee S, Ghorbani-Dashtaki S, Mohammadi J. Spatial variability of soil organic matter using remote sensing data[J]. Catena, 2016, 145: 118－127.

[14] 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.

[15] Bilgili A V, Es H M, Akbas F, et al. Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey[J]. Journal of Arid Environments, 2010, 74(2): 229－238.

[16] Liu H J, Zhang Y Z, Zhang B. Novel hyperspectral reflectance models for estimating black-soil organic matter in Northeast China[J]. Environmental Monitoring & Assessment, 2009, 154: 147－154.

[17] 张娟娟，田永超，朱艳，等. 不同类型土壤的光谱特征及其有机质含量预测[J]. 中国农业科学，2009，42(9)：3154－3163.

Zhang Juanjuan, Tian Yongchao, Zhu Yan, et al. Spectral characteristics and estimation of organic matter contents of different soil types[J]. Scientia Agricultura Sinica, 2009, 42(9): 3154－3163. (in Chinese with English abstract)

[18] 何东健，陈煦. 土壤有机质含量田间实时测定方法[J]. 农业机械学报，2015，46(1)：127－132.

He Dongjian, Chen Xi. Real-time measurement of soil organic matter content in field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 127－132. (in Chinese with English abstract)

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

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

[21] 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): 1922－1927.

[22] 吴才武，张月丛，夏建新. 基于地统计与遥感反演相结合的有机质预测制图研究[J]. 土壤学报，2016，53(6)：1568－1575.

Wu Caiwu, Zhang Yuecong, Xia Jianxin. 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)

[23] 刘焕军，赵春江，王纪华，等. 黑土典型区土壤有机质遥感反演[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 Engineering (Transactions of the CSAE), 2011, 27(8): 211－215. (in Chinese with English abstract)

[24] Liu H J, Zhang Y Z, Zhang X L, et al. Quantitative analysis of moisture effect on black soil reflectance[J]. Pedosphere, 2009, 19(4): 532－540.

[25] 金慧凝，张新乐，刘焕军，等. 基于光谱吸收特征的土壤含水量预测模型研究[J]. 土壤学报，2016，53(3)：627－635.

Jin Huining, Zhang Xinle, Liu Huanjun, et al. Soil moisture predicting model based on spectral absorption characteristics of the soil[J]. Acta Pedologica Sinica, 2016, 53(3): 627－635. (in Chinese with English abstract)

[26] 于雷，朱亚星，洪永胜，等. 高光谱技术结合CARS算法预测土壤水分含量[J]. 农业工程学报，2016，32(22)：138－145.

Yu Lei, Zhu Yaxing, Hong Yongsheng, et al. Determination of soil moisture content by hyperspectral technology with CARS algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 138－145. (in Chinese with English abstract)

[27] Bowers S, Hanks R. Reflection of radiant energy from soil[J]. Soil Science, 1965, 100(2): 130－138.

[28] 刘焕军，张柏，赵军，等. 黑土有机质含量高光谱模型研究[J]. 土壤学报，2007，44(1)：27－32.

Liu Huanjun, Zhang Bai, Zhao Jun, et al. Spectral models for prediction of organic matter in black soil[J]. Acta Pedologica Sinica, 2007, 44(1): 27－32. (in Chinese with English abstract)

[29] 刘洋，丁潇，刘焕军，等. 黑土土壤水分反射光谱特征定量分析与预测[J]. 土壤学报，2014，51(5)：1021－1026.

Liu Yang, Ding Xiao, Liu Huanjun, et al. Quantitative analysis of reflectance spectrum of black soil as affected by soil moisture for prediction of soil moisture in black soil[J]. Acta Pedologica Sinica, 2014, 51(5):1021－1026. (in Chinese with English abstract)

[30] 霍艾迪，康相武，张广军，等. 基于MODIS数据的毛乌素沙地土壤水分模型的建立[J].干旱地区农业研究，2010，28(4)：19－23.

Huo Aidi, Kang Xiangwu, Zhang Guangjun, et al. Study on soil moisture model in Mu Us desert using MODIS image[J]. Agricultural Research in the Arid Areas, 2010, 28(4):19－23. (in Chinese with English abstract)

Remote sensing inversion model of soil organic matter in farmland by introducing temporal information

Zhang Xinle1, Dou Xin1, Xie Yahui1, Liu Huanjun1,2※, Wang Nan1, Wang Xiang1, Pan Yue1

(1,,150030,; 2,,130102,)

Soil organic matter (SOM) is an important index to evaluate soil quality. The monitoring of SOM content and its spatial distribution is of great significance to soil utilization, soil conservation, estimation of soil organic carbon pool, and so on. It is difficult to estimate the reserves of soil organic carbon pool by using traditional methods. Early studies showed that there was a significant negative correlation between SOM and soil spectral reflectance, and there was a quantitative relationship between SOM and soil organic carbon, so we can estimate the SOM content by remote sensing and it will provide help to estimate the soil organic carbon pool. In this paper, 4 main soil types (black soil, chernozem soil, meadow soil and aeolian sand) were collected as sampling points in the typical area of Songnen Plain to construct prediction model for estimating the SOM content in the study area. The number of the soil sampling points was 147. Half of the sampling points (74 samples) were used to serve as calibration set and other sampling points (73 samples) were used to serve as validation set. The remote sensing inversion model was established to reveal the spatial distribution of SOM in the study area. To improve the accuracy and stability of inversion model and find the optimal model, spectral indices based on single MODIS image or multi MODIS images during the bare soil period, which could contain temporal information of the variation of soil moisture content and SOM content, were introduced into the multiple linear regression model. The results showed that the 8-day data of surface reflectance (MOD09A1 and MYD09A1) could be used to estimate the SOM content of different types of soils in Songnen Pain, Northeast China. The primary input variable of the model changed regularly, because the bare soil condition changed with the variation of date. Furthermore, because the condition of bare soil was the optimal, the prediction model based on the MODIS image on the 137thday in the year was the best among the models based on single MODIS image. The ratio of spectral index R61 (the ratio of Band 6 to Band 1) is significantly related to SOM, but it has little correlation with soil moisture, so it can eliminate the influence of soil moisture to a certain degree.61is suitable as a primary input variable for the inversion model to estimate SOM by using remote sensing method. The accuracy and stability of models based on multi MODIS images were generally better than the models based on single MODIS image. The model based on multi MODIS images on the 137thand 105thday in the year is the best among all models, and its2is 0.68, and its RMSE (root mean square error) is 0.84 for calibration set and 0.84 for validation set. The SOM content in Songnen Plain showed a decreasing trend from northeast to southwest. This study provides a rapid and nondestructive method to estimate SOM content in a large scale. Moreover, the results of remote sensing inversion give supports for soil degradation assessment, land use, and estimation of soil carbon pool.

remote sensing; models; organic matter; MODIS; temporal information; spectral index; Songnen Plain

2017-10-13

2018-02-03

国家自然科学基金项目（41501357）；国家自然科学基金项目（41671438）；“中国科学院东北地理与农业生态研究所”引进优秀人才项目资助

张新乐，副教授，博士，主要研究方向为生态遥感。Email：xinlezhang@yeah.net

刘焕军，副教授、研究员，博士，主要研究方向为农业遥感。Email：liuhuanjun@neigae.ac.com

10.11975/j.issn.1002-6819.2018.04.017

S127; TP79

A

1002-6819(2018)-04-0143-08

张新乐，窦 欣，谢雅慧，刘焕军，王 楠，王 翔，潘 越. 引入时相信息的耕地土壤有机质遥感反演模型[J]. 农业工程学报，2018，34(4)：143－150.doi：10.11975/j.issn.1002-6819.2018.04.017 http://www.tcsae.org

Zhang Xinle, Dou Xin, Xie Yahui, Liu Huanjun, Wang Nan, Wang Xiang, Pan Yue. Remote sensing inversion model of soil organic matter in farmland by introducing temporal information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 143－150. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.04.017 http://www.tcsae.org