楊培杰　韓保棟　張玉燕　趙菲　王慶兵　翟曉燕

摘要：為快速準確地獲取區(qū)域內土壤全氮的含量信息和空間分布特征。選取山東省濟南市章丘區(qū)刁鎮(zhèn)為研究區(qū)，系統(tǒng)采集64個土壤樣品并獲取同期Sentinel-2（哨兵2號）影像數據，進一步利用皮爾遜相關分析法選擇土壤全氮的敏感光譜參量作為自變量，測試得到的土壤全氮含量為因變量，分別建立基于隨機森林和空間關聯隨機森林算法的反演模型，完成區(qū)域尺度的土壤全氮含量的遙感反演和數字制圖。結果表明：哨兵2號影像的多光譜波段與土壤全氮含量相關性較低，通過波段間比值變換能夠顯著增強土壤全氮含量對光譜信號的響應能力，光譜指數b₆/b₁₁、b_8a/b₁₂、b₈/b₉、b_8a/b₉和（b₉-b₁₁）/（b₉+b₁₁）對土壤的全氮含量信息最為敏感；空間關聯隨機森林模型的反演精度指標R²和RMSE分別為0.90和0.11，相對比隨機森林模型精度分別提升11.11%和26.67%，使反演模型的結構和計算效率均得到了優(yōu)化；土壤全氮含量在田塊尺度上的空間變異較大，與土地利用狀況關系密切，村居建筑物周邊土壤全氮含量處于低水平（<0.80 g/kg），遠離建筑物的大片耕地區(qū)域土壤全氮含量則較高（>1.20 g/kg）。哨兵2號影像與空間關聯隨機森林算法相結合的遙感反演技術可為區(qū)域土壤環(huán)境信息的監(jiān)測與制圖分析提供有效的方法支持。

關鍵詞：土壤；全氮；Sentinel-2影像；空間關聯；隨機森林模型；裸土期；耕地

中圖分類號：X87；S127文獻標志碼：A文章編號：1002-1302（2023）11-0185-07

土壤全氮含量是衡量土壤肥力的重要指標，也是維持植物正常生命活動的基礎營養(yǎng)元素，實現快速準確的土壤全氮含量和空間分布監(jiān)測是建設高標準農田和保證糧食安全的重要途徑。土壤光譜反射特性與土壤物質構成密切相關，土壤全氮含量越高，光譜反射率便也隨之降低［1-2］。因此運用光譜反射率與土壤全氮間的內在聯系，可以進行土壤全氮含量的快速估算，實現區(qū)域尺度的土壤全氮含量遙感反演和空間分布監(jiān)測。

傳統(tǒng)土壤全氮含量信息的調查依賴于大規(guī)模土壤樣點布設和實驗室分析，不僅耗時耗力效率低，且在大尺度上的應用和監(jiān)測受到限制［3］。遙感技術具備覆蓋面積大、時效性強和高時空分辨率等特點，已經廣泛應用于地表土壤參數的反演制圖［4］。Krishnan等在1980年首次采用土壤的室內高光譜及多元回歸技術，完成了對土壤關鍵組分的含量和性質反演估算，并且分析得到相應組分在不同波譜區(qū)間上的特定響應敏感性［5］。張平等也嘗試構建反射光譜模型來反演土壤全氮含量，確定了土壤全氮在一定含量范圍內與反射光譜值存在線性關系［6］。盧艷麗等基于實測土壤光譜反射數據對土壤全氮含量進行建模反演，取得較好的估算效果并且證實了光譜技術用于土壤全氮定量化研究的能力［7-9］。馬馳進一步厘清了衛(wèi)星數據的波段反射率值與地面樣本全氮含量之間的統(tǒng)計回歸聯系，完成了土壤全氮的反演制圖，為土壤全氮在區(qū)域尺度上的空間分布研究提供了理論支持［10-11］。

在對土壤全氮的遙感定量分析中，因受到復雜的地表反射率輻射傳輸過程影響，衛(wèi)星光譜波段的反射率值與地表土壤理化參數之間未必是確定的線性關系，所以基于非線性回歸算法的機器學習遙感反演模型在精度和穩(wěn)定性具有明顯的優(yōu)勢。例如，雷浩川等利用影像的波段光譜反射率為輸入自變量，地面土壤實測全氮含量為響應變量，構建基于人工神經網絡、隨機森林和支持向量機等機器學習算法的遙感反演模型，得到區(qū)域尺度上精度相對較高的土壤全氮含量信息分布圖［12-14］。通常來說，機器學習模型可以通過加入隱藏層結構、決策樹和自由參數等方式，確定光譜特征與土壤屬性信息之間的映射關系，故而能夠提供相對較高的預測精度。但是，機器學習模型在對真實的地表環(huán)境過程進行模擬時，易受到水汽、成土母質、數據采集過程等人類活動的作用下的產生的特異性地理標簽數據的影響，模型常會出現過擬合和局部極值問題，限制了反演模型精度和性能的提升。針對此問題，Liu等通過隨機抽取、光譜特征、土壤類型和含量歐式距離劃分等方式來優(yōu)化建模樣本集的選擇，減弱或避免特異性樣本數據的干擾，在保證驗證集精度的同時最大程度提升訓練集準確性［15-16］。然而上述對特異樣本數據的識別均是基于土壤屬性的含量特征進行的，地理樣本數據除具有描述性的含量特征值以外，還具有顯著的空間位置特征信息［17-18］。地理學第一定律指出，地物間的空間距離越近，所表現出的空間相關性越顯著，而特異性數據則表現出了顯著的非空間關聯性［19］。因此在隨機森林算法的數據輸入側引入空間關聯函數，即在決策樹生成之前先對土壤樣本數據間的空間關聯度進行評估，其后根據樣本關聯度權值來選取最佳的訓練樣本數據集，以此減少數據計算量和提高模型的擬合精度，使其能夠準確完成區(qū)域尺度的土壤全氮含量信息反演與分布制圖。

選取山東省刁鎮(zhèn)為研究區(qū)，系統(tǒng)采集64處土壤樣點并獲取同期Sentinel-2（哨兵2號）多光譜影像數據，通過波段間差值、比值和歸一化值變換來探尋土壤全氮的光譜響應信號，進一步運用相關分析法優(yōu)選光譜參量作為輸入自變量，測得土壤全氮含量為因變量，分別構建基于隨機森林算法和空間關聯隨機森林算法的遙感反演模型，最后推廣至哨兵2號衛(wèi)星實現區(qū)域尺度的土壤全氮含量的反演制圖，以期為土壤資源環(huán)境管理提供理論依據和技術支持。

1材料與方法

1.1研究區(qū)及土壤樣品采集

研究區(qū)位于山東省濟南市章丘區(qū)刁鎮(zhèn)，地理位置36°51′58.2″N～36°59′1.0″N，117°25′16.3″E～117°35′1.5″E，占地面積約為102.3 km2（圖1）。研究區(qū)氣候類型為典型的暖溫帶大陸性季風氣候，四季分明，雨熱同季，多年平均氣溫和降水量分別12.8 ℃和600.8 mm［20］。研究區(qū)地形以平原為主，土壤類型主要為褐土，肥力適中，保肥持水能力強。土地利用除村居建筑物外，其他均為耕地，主要種植作物為玉米、小麥和蔬菜。

在綜合考慮土地利用、道路可達性和代表性原則，在ArcGIS 10.2矢量底圖上完成64處樣點布設。采樣過程中，土壤樣品的采集依據多點混合采樣法，在5 m半徑內選取4處表層土壤樣點（0～20 cm），簡單移除土塊雜草等雜質后均勻混合至約1 kg，裝至聚乙烯密封袋后送往實驗室待測，另留存1袋作為備份對照。同時，使用手持GPS記錄樣點的真實坐標（圖1），并用相機記錄采樣周邊環(huán)境。土壤樣品的采集在2019年3月上旬完成。在實驗室內，土壤樣品經自然風干、研磨過篩等處理后，依據凱氏定氮法［2］，完成樣品土壤全氮含量的實驗室測定。

1.2影像獲取與預處理

Sentinel-2 A/B（哨兵2號）是歐州航天局主導的哥白尼計劃中發(fā)射的第2組衛(wèi)星，其搭載的多光譜成像儀（MSI）是美國陸地衛(wèi)星Landsat和中國高分衛(wèi)星計劃的拓展和延續(xù)，可更有效地對全球進行環(huán)境監(jiān)測和災害預警。哨兵2號的MSI傳感器具有4個10 m空間分辨率波段（b₂、b₃、b₄、b₈）、6個20 m空間分辨率波段（b₅、b₆、b₇、b_8a、b₁₁、b₁₂）和3個60 m空間分辨率波段（b₁、b₉、b₁₀），額外增加的紅邊波段對地表土壤植被變化信息的響應更加敏感［21］。

哨兵2號影像數據在美國地質調查局網站（https：//glovis.usgs.gov/）免費對公眾提供L1C級產品的下載，研究選取在2019年3月23日的少云晴朗天氣狀態(tài)下一景哨兵2號MSI影像數據。此時期土地覆蓋以裸土為主，便于進行土壤全氮的遙感估算；部分存在植被的區(qū)域，依據裸土的判別依據［歸一化植被指數（NDVI）<0.2］［22］，去除影像中非裸土區(qū)域。下載到影像的天頂反射率須要進行輻射定標和大氣校正等處理才可以轉換到地面真實反射率L2A級產品。處理過程均在哨兵數據專用處理軟件（sentinel application platform，SNAP）和大氣校正Sen2Cor插件中完成。處理過程中，卷云波段（band 10）主要參與大氣特征的檢測，并不能反映土壤全氮的光譜特性，因此在接下來的處理計算中將其排除；此外，為獲取更多可用的波段信息，裁剪后的波段均進行了10 m分辨率的重采樣，同時進行地理校正操作，確保地面樣點與影像像元間的偏移誤差不超過0.5像元［23］。

1.3光譜指數構建及優(yōu)選

全氮的光譜吸收特征在土壤各類組分（例如有機質、鐵和鹽分）的合頻和倍頻作用下，在可見光和近紅外光譜范圍通常是表現出非特異性的，產生的光譜特征具有覆蓋范圍廣和信號微弱的特點［24-25］。因此，本研究在影像原有的12個波段的基礎上，分別構建光譜差值指數（DI）、光譜比值指數（RI）和歸一化光譜指數（ND）用于探尋土壤全氮含量相關的光譜指示信息，計算公式如下：

1.4空間關聯隨機森林模型

決策樹的數量（ntree）、分裂點變量的數量（mtry）和地理信息協(xié)同變量（Xj）是空間關聯隨機森林模型構建過程中的3個關鍵參數。構建決策樹類模型的核心思想是首先生成若干棵決策樹，在每棵決策樹上的各節(jié)點處，從M個特征中進行數據剪枝選取m個特征集用作預測變量，在特征的分枝過程中，根據袋外樣本誤差選取出最優(yōu)的m個特征集作為預測變量，最后匯總投票得出結果［29］。此外，為增強空間權重函數對樣本數據的屬性和空間信息的評估能力，Xj設置為典型且易獲取的4種環(huán)境要素輔助信息，分別為高程、歸一化植被指數、土壤濕度指數和地表溫度。高程數據免費獲取自地理空間數據云網站（http：//www.gscloud.cn/），歸一化植被指數、土壤濕度指數和地表溫度數據的獲取與采樣時間保持一致，具體計算方法參見文獻［30-31］?？臻g關聯隨機森林模型在Python 3.8平臺中經過多次測試擬合，選取誤差最小的模型，本研究中最優(yōu)模型的ntree和mtry參數分別設定為1 000和3。

1.5模型評價

選用留一交叉驗證法用于模型的精度評估，即每一個樣本點都會參與模型建立和驗證。確定系數（R2）和均方根誤差（RMSE）是模型性能的定量化評價的重要指標，R²表示模型中自變量所能解釋因變量信息的比例，數值越大，所能解釋模型信息量越多，模型效果越好。RMSE表示模型所得的預測值與實測值之間差值，RMSE與實測含量值具有相同單位，故直接可與實測值估算值進行對比評價模型的好壞?？偟膩碚f，R2越大、RMSE越小，模型精度和穩(wěn)定度越高［32］。

2結果與討論

2.1土壤全氮描述性統(tǒng)計分析

如圖3所示，研究區(qū)土壤全氮含量處在0.37～1.86 g/kg 之間，均值與中值基本保持一致，表明區(qū)域內土壤全氮的含量狀態(tài)穩(wěn)定在1.20 g/kg左右。變異系數反映了土壤樣點數據間的離散狀態(tài)［33］。土壤全氮含量的變異系數為0.30，處于中度變異水平［34］，表明農業(yè)生產等外部活動對土壤全氮的分布狀態(tài)產生了一定影響。全氮含量的偏度為-0.53，呈現出負偏狀態(tài)，與外部擾動相關，進一步印證了變異系數的判斷。此外，模型的訓練樣本集表現出的一定變異性，也將有助于加速反演模型的收斂，提高模型的穩(wěn)定性［35］。

2.2最佳光譜響應特征

2.3反演模型建立

優(yōu)選得到的5個光譜指數作為輸入自變量，土壤全氮實測值為因變量，分別建立以隨機森林和空間關聯隨機森林算法為基礎的土壤全氮遙感反演模型。由圖4可以看出，隨機森林模型（圖4-a）估算出的土壤全氮含量較為分散，土壤全氮含量估算值與實測值差距較大，估算精度指標R2和RMSE分別為0.81、0.15；對比來看，空間關聯隨機森林模型（圖4-b）的精度指標R2、RMSE分別為0.90、0.11，反演得到的土壤全氮估算值與實測值更為接近，反演精度較高，相對隨機森林反演模型R²上升了11.11%，RMSE下降了26.67%，能夠實現土壤全氮含量的遙感反演。

空間關聯隨機森林模型在構建中充分考慮了區(qū)域地理環(huán)境中土壤樣本的特異性和空間關聯性，有助于確定隨機森林的最佳決策樹結構和參數。土壤理化組分的含量信息與影像波段的光譜反射率存在著確定的對應關系，但因受到水汽、植被和地面粗糙度等因素的影響使得這樣對應關系變得

異常復雜［36］。Lobell等指出隨著土壤中水分含量的上升，光在水中的折射次數將會增加，使從土壤到空氣中的反射光減少，呈現出的土壤光譜反射率會近乎平行地下降，改變了原有土壤的光學性質；另外，粗糙度和作物殘積物等因素則會改變土壤表面的結構，產生各種微小陰影，對漫反射光譜的角度、方向和強度都會產生影響［37］。此外，這種土壤-光譜映射關系還具有典型的區(qū)域變異特性，即在不同空間維度的各個地理單元內的這種土壤-光譜映射關系也存在一定差異，地理環(huán)境數據在二維空間上展現出的這種特殊性增加了土壤組分信息遙感反演模型的建立難度［15，38］。傳統(tǒng)的隨機森林遙感反演模型在構建中通常是將地理樣本在空間上假設為獨立存在的，通過不斷改變決策樹的數量和節(jié)點數目去擬合這種真實的地表環(huán)境過程，進而實現光譜信號到土壤屬性值的信息轉換［39］。但很明顯，在真實的地表環(huán)境中，地理樣本間會存在一定關聯性，并且與位置信息和相距距離密切相關，因此直接將隨機森林模型應用至真實地表環(huán)境會產生一定偏差。所以本研究在隨機森林算法中通過加入空間關聯函數模塊將地理樣本數據的位置信息考慮進模型中去，以此幫助分析土壤全氮樣本間關聯性與異質度，形成最優(yōu)的輸入樣本組合。減少空間關聯隨機森林模型在校準過程中決策樹和預測節(jié)點的復雜選擇和設置，提升計算效率和精度，使反演模型的穩(wěn)健性得到上升，準確地完成區(qū)域土壤全氮含量的遙感反演。

在不同空間關聯度（c值）下，建立的空間關聯隨機森林模型的精度變化見圖5。可以看出，隨著c值的減小，輸入模型的樣本數據之間的空間關聯度不斷增強，反演模型的精度也有提升，在當c值為2時模型達到了最高的性能。隨著輸入樣本數據的空間關聯度的繼續(xù)增強，輸入樣本的數量已無法滿足模型的擬合需求，反演精度迅速下降?？傮w來看，空間關聯隨機森林模型通過引入空間關聯函數模型，選取出最優(yōu)的輸入樣本組合，使模型結構得到優(yōu)化，有效的提升在區(qū)域尺度上土壤組分信息遙感反演和制圖能力。

2.4土壤全氮含量空間分布

為進一步驗證構建的反演模型的穩(wěn)定性和應用能力，將局地尺度上建立的最優(yōu)空間關聯隨機森林遙感反演模型推廣至整個區(qū)域，得到研究區(qū)的土壤全氮含量的空間分布（圖6-a）。結合研究區(qū)土地利用概況（圖6-b）可以看出，土壤全氮含量在田塊尺度上的空間分異明顯，與土地利用狀況關系密切，斑塊狀分布較均質的為村居建筑物，周邊包圍有大量耕地。田塊尺度上耕地土壤全氮含量的空間變化明顯，距離村居建筑物越近，土壤的全氮含量越低（<0.80 g/kg），而距離建筑物較遠的大片耕地，土壤全氮含量值較高（>1.20 g/kg）。這可能與刁鎮(zhèn)的土地利用現狀相關，山東生活上濟南市章丘區(qū)是國內知名的大蔥生產基地，大面積集中分布的耕地主要以糧食和蔬菜生產為主，農家肥和有機肥料的持續(xù)施用，使得土壤養(yǎng)分含量明顯提升。同時建筑物旁邊往往保留一定量的土地用于經濟開發(fā)，此類土地缺少農家肥料養(yǎng)護，故土壤全氮含量低于平均水平。但是，土壤中全氮的形成與變化不僅是自然的過程（母質演化、地形、植被、降水、溫度等要素的長期相互作用），而且受到人類活動的影響，即土地利用變化、耕作干擾、有機肥施用以及種植制度和輪作方式，甚至灌溉栽培方式等人類活動的影響。所以，盡管土壤全氮含量分布與土地利用狀況的關聯關系十分明顯，但是根據土壤全氮含量空間分布圖仍無法判斷出，影響土壤全氮含量的主要因素，需要結合自然地理和農業(yè)生產等相關知識繼續(xù)深入探究。

以優(yōu)選后的光譜指數作為輸入變量，構建得到的基于空間關聯隨機森林框架的反演模型拓展至區(qū)域衛(wèi)星影像，所得分布圖能夠反映全氮的空間變異特征。但值得注意的是，反演制圖精度的近一步提升受到諸多因素的限制，例如地表水汽、樣本采集和混合像元。本研究中獲取哨兵影像生成時間為2019年3月，此時處于冬春之交，降水逐漸豐沛，地表水汽會吸收掉部分光譜，使波段反射率下降，盡管通過光譜指數構建可以減弱環(huán)境因素的干擾，但水汽吸收的影響仍不可忽視［40］。劉煥軍等研究也表明，地表水汽會對土壤數字制圖產生干擾，通過構建新型光譜指數和多期影像指數，可以減弱水汽的干擾，在下一步的研究中可以嘗試改進［41］。此外，采集到的土壤樣本數目會對反演模型的訓練產生影響，盡管研究中土壤樣本的采集充分考慮了區(qū)域代表性，選取對各種樣本集適應能力強的隨機森林作為反演建模的算法基礎，但是數量更多和分布更密集的土壤樣本將會明顯提升模型的穩(wěn)健性［42］。高光譜衛(wèi)星影像具有更高的光譜分辨率，對土壤信息有更加靈敏的響應能力，雖然當前國內外高光譜衛(wèi)星研究正處于起步階段，數據的獲取、處理和應用存在一定難度，但接下來機器學習算法和高光譜影像相結合的遙感反演方式必定會受到越來越多的關注。遙感反演制圖中存在的光譜混合像元是無法回避的問題，盡管研究選取了較為均質的耕地區(qū)域作為研究區(qū)，并且哨兵2號多光譜影像的空間分辨率達到10 m，但是道路及植被仍然可能會對目標物質的光譜特性產生影響，混合像元分解用于反演制圖精度的提升在接下來的研究中須要深入探究。

3結論

土壤全氮含量在田塊尺度上的空間變異明顯，變異趨勢與土地利用狀況關系密切。村居建筑物周邊土壤全氮含量處于較低水平（<0.80 g/kg），遠離村居的耕地區(qū)域土壤全氮含量較高（>1.20 g/kg）。

參考文獻：

［1］Zhang Y，Li M Z，Zheng L H，et al. Spectral features extraction for estimation of soil total nitrogen content based on modified ant colony optimization algorithm［J］. Geoderma，2019，333：23-34.

［2］彭遠新，蒙永輝，徐夕博，等. 基于隨機森林算法的濰北平原土壤全氮高光譜估算［J］. 安全與環(huán)境學報，2020，20（5）：1975-1983.

［3］Wang X P，Zhang F，Johnson V C. New methods for improving the remote sensing estimation of soil organic matter content （SOMC） in the Ebinur Lake Wetland National Nature Reserve （ELWNNR） in northwest China［J］. Remote Sensing of Environment，2018，218：104-118.

［4］Zhang Y，Sui B，Shen H O，et al. Mapping stocks of soil total nitrogen using remote sensing data：a comparison of random forest models with different predictors［J］. Computers and Electronics in Agriculture，2019，160：23-30.

［5］Krishnan P，Alexander J D，Butler B J，et al. Reflectance technique for predicting soil organic matter［J］. Soil Science Society of America Journal，1980，44（6）：1282-1285.

［6］張平，閆宏濤. 反射光譜法測定土壤和作物中氮［J］. 儀器儀表與分析監(jiān)測，1999（1）：37-39.

［7］盧艷麗，白由路，王磊，等. 黑土土壤中全氮含量的高光譜預測分析［J］. 農業(yè)工程學報，2010，26（1）：256-261.

［8］張強，張國龍，張澤，等. 基于高光譜的土壤全氮含量估測［J］. 山西農業(yè)科學，2016，44（7）：972-976.

［9］李焱，王讓會，管延龍，等. 基于高光譜反射特性的土壤全氮含量預測分析［J］. 遙感技術與應用，2017，32（1）：173-179.

［10］馬馳. HJ-1A HSI與Sentinel-2A遙感數據土壤全氮含量反演精度的對比研究［J］. 無線電工程，2021，51（12）：1540-1548.

［11］賈偉，高小紅，楊揚，等. 基于Landsat 8 OLI影像的三江源區(qū)表層土壤全氮空間格局反演［J］. 干旱區(qū)研究，2015，32（5）：890-896.

［12］雷浩川，劉尊方，于曉晶，等. 基于Landsat 5影像的青海省大通縣土壤表層全氮空間格局反演［J］. 青海大學學報，2021，39（6）：79-86.

［13］Zhang Y，Sui B，Shen H O，et al. Mapping stocks of soil total nitrogen using remote sensing data：a comparison of random forest models with different predictors［J］. Computers and Electronics in Agriculture，2019，160：23-30.

［14］Zhou T，Geng Y J，Chen J，et al. Mapping of soil total nitrogen content in the middle reaches of the Heihe River Basin in China using multi-source remote sensing-derived variables［J］. Remote Sensing，2019，11（24）：2934.

［15］Liu X Q，Zhu A X，Yang L，et al. A graded proportion method of training sample selection for updating conventional soil maps［J］. Geoderma，2020，357：113939.

［16］Bao Y L，Meng X T，Ustin S，et al. Vis-SWIR spectral prediction model for soil organic matter with different grouping strategies［J］. Catena，2020，195：104703.

［17］Wadoux A M J C，Brus D J，Heuvelink G B M. Sampling design optimization for soil mapping with random forest［J］. Geoderma，2019，355：113913.

［18］Lagacherie P，Arrouays D，Bourennane H，et al. Analysing the impact of soil spatial sampling on the performances of Digital Soil Mapping models and their evaluation：a numerical experiment on Quantile Random Forest using clay contents obtained from Vis-NIR-SWIR hyperspectral imagery［J］. Geoderma，2020，375：114503.

［19］Tobler W R.A computer movie simulating urban growth in the Detroit region［J］. Economic Geography，1970，46：234.

［20］韓琳，徐夕博. 基于PMF模型及地統(tǒng)計的土壤重金屬健康風險定量評價［J］. 環(huán)境科學，2020，41（11）：5114-5124.

［21］田穎，陳卓奇，惠鳳鳴，等. 歐空局哨兵衛(wèi)星Sentinel-2A/B數據特征及應用前景分析［J］. 北京師范大學學報（自然科學版），2019，55（1）：57-65.

［22］Davis E，Wang C，Dow K. Comparing Sentinel-2 MSI and Landsat 8 OLI in soil salinity detection：a case study of agricultural lands in coastal North Carolina［J］. International Journal of Remote Sensing，2019，40（16）：6134-6153.

［23］Wang J，Ding J，YU D，et al. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region，Xinjiang，China［J］. Geoderma，2019，353：172-187.

［24］Rossel R A V，Behrens T. Using data mining to model and interpret soil diffuse reflectance spectra［J］. Geoderma，2010，158（1/2）：46-54.

［25］Zhang S，Lu X，Zhang Y Z，et al. Estimation of soil organic matter，total nitrogen and total carbon in sustainable coastal wetlands［J］. Sustainability，2019，11（3）：667.

［26］Breiman L. Random forests［J］. Machine Learning，2001，45（1）：5-32.

［27］Stewart F A，Brunsdon C，Charlton M. Geographically weighted regression：the analysis of spatially varying relationships［M］. Chichester：John Wiley & Sons，2002

［28］Yang S H，Liu F，Song X D，et al. Mapping topsoil electrical conductivity by a mixed geographically weighted regression kriging：a case study in the Heihe River Basin，northwest China［J］. Ecological Indicators，2019，102：252-264.

［29］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(yè)工程學報，2020，36（10）：134-140.

［30］Chi Y，Shi H H，Zheng W et al. Simulating spatial distribution of coastal soil carbon content using a comprehensive land surface factor system based on remote sensing［J］. Science of the Total Environment，2018，628/629：384-399.

［31］侯宇初，張冬有. 基于Landsat8遙感影像的地表溫度反演方法對比研究［J］. 中國農學通報，2019，35（10）：142-147.

［32］Gholizadeh A，Saberioon M，Ben-Dor E，et al. Modelling potentially toxic elements in forest soils with vis-NIR spectra and learning algorithms［J］. Environmental Pollution，2020，267：115574.

［33］徐夕博，呂建樹，徐汝汝. 山東省沂源縣土壤重金屬來源分布及風險評價［J］. 農業(yè)工程學報，2018，34（9）：216-223.

［34］呂建樹，張祖陸，劉洋，等. 日照市土壤重金屬來源解析及環(huán)境風險評價［J］. 地理學報，2012，67（7）：971-984.

［35］Kuang B，Mouazen A M. Calibration of visible and near infrared spectroscopy for soil analysis at the field scale on three European farms［J］. European Journal of Soil Science，2011，62（4）：629-636.

［36］Sabetizade M，Gorji M，Roundier P，et al. Combination of MIR spectroscopy and environmental covariates to predict soil organic carbon in a semi-arid region［J］. Catena，2021，196：104844.

［37］Lobell D B，Asner G P. Moisture effects on soil reflectance［J］. Soil Science Society of America Journal，2002，66（3）：722-727.

［38］吳春生，黃翀，劉高煥，等. 黃河三角洲土壤含鹽量空間預測方法研究［J］. 資源科學，2016，38（4）：704-713.

［39］曹正鳳. 隨機森林算法優(yōu)化研究［D］. 北京：首都經濟貿易大學，2014：16-17.

［40］Xu X B，Chen Y H，Wang M G，et al. Improving estimates of soil salt content by using two-date image spectral changes in Yinbei，China［J］. Remote Sensing，2021，13（20）：4165.

［41］劉煥軍，寧東浩，康苒，等. 考慮含水量變化信息的土壤有機質光譜預測模型［J］. 光譜學與光譜分析，2017，37（2）：566-570.

［42］賈小鳳，朱紅春，凌峰，等. 基于Landsat多光譜與PALSAR/PALSAR-2數據的漢江流域森林覆蓋變化研究［J］. 長江流域資源與環(huán)境，2021，30（2）：321-329.