楊培杰　韓保棟　張玉燕　趙菲　王慶兵　翟曉燕

摘要：為快速準(zhǔn)確地獲取區(qū)域內(nèi)土壤全氮的含量信息和空間分布特征。選取山東省濟(jì)南市章丘區(qū)刁鎮(zhèn)為研究區(qū)，系統(tǒng)采集64個(gè)土壤樣品并獲取同期Sentinel-2（哨兵2號(hào)）影像數(shù)據(jù)，進(jìn)一步利用皮爾遜相關(guān)分析法選擇土壤全氮的敏感光譜參量作為自變量，測(cè)試得到的土壤全氮含量為因變量，分別建立基于隨機(jī)森林和空間關(guān)聯(lián)隨機(jī)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(shù)字制圖。結(jié)果表明：哨兵2號(hào)影像的多光譜波段與土壤全氮含量相關(guān)性較低，通過(guò)波段間比值變換能夠顯著增強(qiáng)土壤全氮含量對(duì)光譜信號(hào)的響應(yīng)能力，光譜指數(shù)b₆/b₁₁、b_8a/b₁₂、b₈/b₉、b_8a/b₉和（b₉-b₁₁）/（b₉+b₁₁）對(duì)土壤的全氮含量信息最為敏感；空間關(guān)聯(lián)隨機(jī)森林模型的反演精度指標(biāo)R²和RMSE分別為0.90和0.11，相對(duì)比隨機(jī)森林模型精度分別提升11.11%和26.67%，使反演模型的結(jié)構(gòu)和計(jì)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(guān)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(yuǎn)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(hào)影像與空間關(guān)聯(lián)隨機(jī)森林算法相結(jié)合的遙感反演技術(shù)可為區(qū)域土壤環(huán)境信息的監(jiān)測(cè)與制圖分析提供有效的方法支持。

關(guān)鍵詞：土壤；全氮；Sentinel-2影像；空間關(guān)聯(lián)；隨機(jī)森林模型；裸土期；耕地

中圖分類(lèi)號(hào)：X87；S127文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1002-1302（2023）11-0185-07

土壤全氮含量是衡量土壤肥力的重要指標(biāo)，也是維持植物正常生命活動(dòng)的基礎(chǔ)營(yíng)養(yǎng)元素，實(shí)現(xiàn)快速準(zhǔn)確的土壤全氮含量和空間分布監(jiān)測(cè)是建設(shè)高標(biāo)準(zhǔn)農(nóng)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(zhì)構(gòu)成密切相關(guān)，土壤全氮含量越高，光譜反射率便也隨之降低［1-2］。因此運(yùn)用光譜反射率與土壤全氮間的內(nèi)在聯(lián)系，可以進(jìn)行土壤全氮含量的快速估算，實(shí)現(xiàn)區(qū)域尺度的土壤全氮含量遙感反演和空間分布監(jiān)測(cè)。

傳統(tǒng)土壤全氮含量信息的調(diào)查依賴(lài)于大規(guī)模土壤樣點(diǎn)布設(shè)和實(shí)驗(yàn)室分析，不僅耗時(shí)耗力效率低，且在大尺度上的應(yīng)用和監(jiān)測(cè)受到限制［3］。遙感技術(shù)具備覆蓋面積大、時(shí)效性強(qiáng)和高時(shí)空分辨率等特點(diǎn)，已經(jīng)廣泛應(yīng)用于地表土壤參數(shù)的反演制圖［4］。Krishnan等在1980年首次采用土壤的室內(nèi)高光譜及多元回歸技術(shù)，完成了對(duì)土壤關(guān)鍵組分的含量和性質(zhì)反演估算，并且分析得到相應(yīng)組分在不同波譜區(qū)間上的特定響應(yīng)敏感性［5］。張平等也嘗試構(gòu)建反射光譜模型來(lái)反演土壤全氮含量，確定了土壤全氮在一定含量范圍內(nèi)與反射光譜值存在線性關(guān)系［6］。盧艷麗等基于實(shí)測(cè)土壤光譜反射數(shù)據(jù)對(duì)土壤全氮含量進(jìn)行建模反演，取得較好的估算效果并且證實(shí)了光譜技術(shù)用于土壤全氮定量化研究的能力［7-9］。馬馳進(jìn)一步厘清了衛(wèi)星數(shù)據(jù)的波段反射率值與地面樣本全氮含量之間的統(tǒng)計(jì)回歸聯(lián)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(duì)土壤全氮的遙感定量分析中，因受到復(fù)雜的地表反射率輻射傳輸過(guò)程影響，衛(wèi)星光譜波段的反射率值與地表土壤理化參數(shù)之間未必是確定的線性關(guān)系，所以基于非線性回歸算法的機(jī)器學(xué)習(xí)遙感反演模型在精度和穩(wěn)定性具有明顯的優(yōu)勢(shì)。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(shí)測(cè)全氮含量為響應(yīng)變量，構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)等機(jī)器學(xué)習(xí)算法的遙感反演模型，得到區(qū)域尺度上精度相對(duì)較高的土壤全氮含量信息分布圖［12-14］。通常來(lái)說(shuō)，機(jī)器學(xué)習(xí)模型可以通過(guò)加入隱藏層結(jié)構(gòu)、決策樹(shù)和自由參數(shù)等方式，確定光譜特征與土壤屬性信息之間的映射關(guān)系，故而能夠提供相對(duì)較高的預(yù)測(cè)精度。但是，機(jī)器學(xué)習(xí)模型在對(duì)真實(shí)的地表環(huán)境過(guò)程進(jìn)行模擬時(shí)，易受到水汽、成土母質(zhì)、數(shù)據(jù)采集過(guò)程等人類(lèi)活動(dòng)的作用下的產(chǎn)生的特異性地理標(biāo)簽數(shù)據(jù)的影響，模型常會(huì)出現(xiàn)過(guò)擬合和局部極值問(wèn)題，限制了反演模型精度和性能的提升。針對(duì)此問(wèn)題，Liu等通過(guò)隨機(jī)抽取、光譜特征、土壤類(lèi)型和含量歐式距離劃分等方式來(lái)優(yōu)化建模樣本集的選擇，減弱或避免特異性樣本數(shù)據(jù)的干擾，在保證驗(yàn)證集精度的同時(shí)最大程度提升訓(xùn)練集準(zhǔn)確性［15-16］。然而上述對(duì)特異樣本數(shù)據(jù)的識(shí)別均是基于土壤屬性的含量特征進(jìn)行的，地理樣本數(shù)據(jù)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(xué)第一定律指出，地物間的空間距離越近，所表現(xiàn)出的空間相關(guān)性越顯著，而特異性數(shù)據(jù)則表現(xiàn)出了顯著的非空間關(guān)聯(lián)性［19］。因此在隨機(jī)森林算法的數(shù)據(jù)輸入側(cè)引入空間關(guān)聯(lián)函數(shù)，即在決策樹(shù)生成之前先對(duì)土壤樣本數(shù)據(jù)間的空間關(guān)聯(lián)度進(jìn)行評(píng)估，其后根據(jù)樣本關(guān)聯(lián)度權(quán)值來(lái)選取最佳的訓(xùn)練樣本數(shù)據(jù)集，以此減少數(shù)據(jù)計(jì)算量和提高模型的擬合精度，使其能夠準(zhǔn)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(diǎn)并獲取同期Sentinel-2（哨兵2號(hào)）多光譜影像數(shù)據(jù)，通過(guò)波段間差值、比值和歸一化值變換來(lái)探尋土壤全氮的光譜響應(yīng)信號(hào)，進(jìn)一步運(yùn)用相關(guān)分析法優(yōu)選光譜參量作為輸入自變量，測(cè)得土壤全氮含量為因變量，分別構(gòu)建基于隨機(jī)森林算法和空間關(guān)聯(lián)隨機(jī)森林算法的遙感反演模型，最后推廣至哨兵2號(hào)衛(wèi)星實(shí)現(xiàn)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(jù)和技術(shù)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(jì)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(lèi)型為典型的暖溫帶大陸性季風(fēng)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(lèi)型主要為褐土，肥力適中，保肥持水能力強(qiáng)。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(dá)性和代表性原則，在ArcGIS 10.2矢量底圖上完成64處樣點(diǎn)布設(shè)。采樣過(guò)程中，土壤樣品的采集依據(jù)多點(diǎn)混合采樣法，在5 m半徑內(nèi)選取4處表層土壤樣點(diǎn)（0～20 cm），簡(jiǎn)單移除土塊雜草等雜質(zhì)后均勻混合至約1 kg，裝至聚乙烯密封袋后送往實(shí)驗(yàn)室待測(cè)，另留存1袋作為備份對(duì)照。同時(shí)，使用手持GPS記錄樣點(diǎn)的真實(shí)坐標(biāo)（圖1），并用相機(jī)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(shí)驗(yàn)室內(nèi)，土壤樣品經(jīng)自然風(fēng)干、研磨過(guò)篩等處理后，依據(jù)凱氏定氮法［2］，完成樣品土壤全氮含量的實(shí)驗(yàn)室測(cè)定。

1.2影像獲取與預(yù)處理

Sentinel-2 A/B（哨兵2號(hào)）是歐州航天局主導(dǎo)的哥白尼計(jì)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(guó)陸地衛(wèi)星Landsat和中國(guó)高分衛(wèi)星計(jì)劃的拓展和延續(xù)，可更有效地對(duì)全球進(jìn)行環(huán)境監(jiān)測(cè)和災(zāi)害預(yù)警。哨兵2號(hào)的MSI傳感器具有4個(gè)10 m空間分辨率波段（b₂、b₃、b₄、b₈）、6個(gè)20 m空間分辨率波段（b₅、b₆、b₇、b_8a、b₁₁、b₁₂）和3個(gè)60 m空間分辨率波段（b₁、b₉、b₁₀），額外增加的紅邊波段對(duì)地表土壤植被變化信息的響應(yīng)更加敏感［21］。

哨兵2號(hào)影像數(shù)據(jù)在美國(guó)地質(zhì)調(diào)查局網(wǎng)站（https：//glovis.usgs.gov/）免費(fèi)對(duì)公眾提供L1C級(jí)產(chǎn)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(hào)MSI影像數(shù)據(jù)。此時(shí)期土地覆蓋以裸土為主，便于進(jìn)行土壤全氮的遙感估算；部分存在植被的區(qū)域，依據(jù)裸土的判別依據(jù)［歸一化植被指數(shù)（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(jìn)行輻射定標(biāo)和大氣校正等處理才可以轉(zhuǎn)換到地面真實(shí)反射率L2A級(jí)產(chǎn)品。處理過(guò)程均在哨兵數(shù)據(jù)專(zhuān)用處理軟件（sentinel application platform，SNAP）和大氣校正Sen2Cor插件中完成。處理過(guò)程中，卷云波段（band 10）主要參與大氣特征的檢測(cè)，并不能反映土壤全氮的光譜特性，因此在接下來(lái)的處理計(jì)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(jìn)行了10 m分辨率的重采樣，同時(shí)進(jìn)行地理校正操作，確保地面樣點(diǎn)與影像像元間的偏移誤差不超過(guò)0.5像元［23］。

1.3光譜指數(shù)構(gòu)建及優(yōu)選

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

1.4空間關(guān)聯(lián)隨機(jī)森林模型

決策樹(shù)的數(shù)量（ntree）、分裂點(diǎn)變量的數(shù)量（mtry）和地理信息協(xié)同變量（Xj）是空間關(guān)聯(lián)隨機(jī)森林模型構(gòu)建過(guò)程中的3個(gè)關(guān)鍵參數(shù)。構(gòu)建決策樹(shù)類(lèi)模型的核心思想是首先生成若干棵決策樹(shù)，在每棵決策樹(shù)上的各節(jié)點(diǎn)處，從M個(gè)特征中進(jìn)行數(shù)據(jù)剪枝選取m個(gè)特征集用作預(yù)測(cè)變量，在特征的分枝過(guò)程中，根據(jù)袋外樣本誤差選取出最優(yōu)的m個(gè)特征集作為預(yù)測(cè)變量，最后匯總投票得出結(jié)果［29］。此外，為增強(qiáng)空間權(quán)重函數(shù)對(duì)樣本數(shù)據(jù)的屬性和空間信息的評(píng)估能力，Xj設(shè)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(shù)、土壤濕度指數(shù)和地表溫度。高程數(shù)據(jù)免費(fèi)獲取自地理空間數(shù)據(jù)云網(wǎng)站（http：//www.gscloud.cn/），歸一化植被指數(shù)、土壤濕度指數(shù)和地表溫度數(shù)據(jù)的獲取與采樣時(shí)間保持一致，具體計(jì)算方法參見(jiàn)文獻(xiàn)［30-31］?？臻g關(guān)聯(lián)隨機(jī)森林模型在Python 3.8平臺(tái)中經(jīng)過(guò)多次測(cè)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(shù)分別設(shè)定為1 000和3。

1.5模型評(píng)價(jià)

選用留一交叉驗(yàn)證法用于模型的精度評(píng)估，即每一個(gè)樣本點(diǎn)都會(huì)參與模型建立和驗(yàn)證。確定系數(shù)（R2）和均方根誤差（RMSE）是模型性能的定量化評(píng)價(jià)的重要指標(biāo)，R²表示模型中自變量所能解釋因變量信息的比例，數(shù)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(yù)測(cè)值與實(shí)測(cè)值之間差值，RMSE與實(shí)測(cè)含量值具有相同單位，故直接可與實(shí)測(cè)值估算值進(jìn)行對(duì)比評(píng)價(jià)模型的好壞?？偟膩?lái)說(shuō)，R2越大、RMSE越小，模型精度和穩(wěn)定度越高［32］。

2結(jié)果與討論

2.1土壤全氮描述性統(tǒng)計(jì)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(nèi)土壤全氮的含量狀態(tài)穩(wěn)定在1.20 g/kg左右。變異系數(shù)反映了土壤樣點(diǎn)數(shù)據(jù)間的離散狀態(tài)［33］。土壤全氮含量的變異系數(shù)為0.30，處于中度變異水平［34］，表明農(nóng)業(yè)生產(chǎn)等外部活動(dòng)對(duì)土壤全氮的分布狀態(tài)產(chǎn)生了一定影響。全氮含量的偏度為-0.53，呈現(xiàn)出負(fù)偏狀態(tài)，與外部擾動(dòng)相關(guān)，進(jìn)一步印證了變異系數(shù)的判斷。此外，模型的訓(xùn)練樣本集表現(xiàn)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(yīng)特征

2.3反演模型建立

優(yōu)選得到的5個(gè)光譜指數(shù)作為輸入自變量，土壤全氮實(shí)測(cè)值為因變量，分別建立以隨機(jī)森林和空間關(guān)聯(lián)隨機(jī)森林算法為基礎(chǔ)的土壤全氮遙感反演模型。由圖4可以看出，隨機(jī)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(shí)測(cè)值差距較大，估算精度指標(biāo)R2和RMSE分別為0.81、0.15；對(duì)比來(lái)看，空間關(guān)聯(lián)隨機(jī)森林模型（圖4-b）的精度指標(biāo)R2、RMSE分別為0.90、0.11，反演得到的土壤全氮估算值與實(shí)測(cè)值更為接近，反演精度較高，相對(duì)隨機(jī)森林反演模型R²上升了11.11%，RMSE下降了26.67%，能夠?qū)崿F(xiàn)土壤全氮含量的遙感反演。

空間關(guān)聯(lián)隨機(jī)森林模型在構(gòu)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(guān)聯(lián)性，有助于確定隨機(jī)森林的最佳決策樹(shù)結(jié)構(gòu)和參數(shù)。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(duì)應(yīng)關(guān)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(duì)應(yīng)關(guān)系變得

異常復(fù)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(shù)將會(huì)增加，使從土壤到空氣中的反射光減少，呈現(xiàn)出的土壤光譜反射率會(huì)近乎平行地下降，改變了原有土壤的光學(xué)性質(zhì)；另外，粗糙度和作物殘積物等因素則會(huì)改變土壤表面的結(jié)構(gòu)，產(chǎn)生各種微小陰影，對(duì)漫反射光譜的角度、方向和強(qiáng)度都會(huì)產(chǎn)生影響［37］。此外，這種土壤-光譜映射關(guān)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(gè)地理單元內(nèi)的這種土壤-光譜映射關(guān)系也存在一定差異，地理環(huán)境數(shù)據(jù)在二維空間上展現(xiàn)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(jī)森林遙感反演模型在構(gòu)建中通常是將地理樣本在空間上假設(shè)為獨(dú)立存在的，通過(guò)不斷改變決策樹(shù)的數(shù)量和節(jié)點(diǎn)數(shù)目去擬合這種真實(shí)的地表環(huán)境過(guò)程，進(jìn)而實(shí)現(xiàn)光譜信號(hào)到土壤屬性值的信息轉(zhuǎn)換［39］。但很明顯，在真實(shí)的地表環(huán)境中，地理樣本間會(huì)存在一定關(guān)聯(lián)性，并且與位置信息和相距距離密切相關(guān)，因此直接將隨機(jī)森林模型應(yīng)用至真實(shí)地表環(huán)境會(huì)產(chǎn)生一定偏差。所以本研究在隨機(jī)森林算法中通過(guò)加入空間關(guān)聯(lián)函數(shù)模塊將地理樣本數(shù)據(jù)的位置信息考慮進(jìn)模型中去，以此幫助分析土壤全氮樣本間關(guān)聯(lián)性與異質(zhì)度，形成最優(yōu)的輸入樣本組合。減少空間關(guān)聯(lián)隨機(jī)森林模型在校準(zhǔn)過(guò)程中決策樹(shù)和預(yù)測(cè)節(jié)點(diǎn)的復(fù)雜選擇和設(shè)置，提升計(jì)算效率和精度，使反演模型的穩(wěn)健性得到上升，準(zhǔn)確地完成區(qū)域土壤全氮含量的遙感反演。

在不同空間關(guān)聯(lián)度（c值）下，建立的空間關(guān)聯(lián)隨機(jī)森林模型的精度變化見(jiàn)圖5?？梢钥闯觯S著c值的減小，輸入模型的樣本數(shù)據(jù)之間的空間關(guān)聯(lián)度不斷增強(qiáng)，反演模型的精度也有提升，在當(dāng)c值為2時(shí)模型達(dá)到了最高的性能。隨著輸入樣本數(shù)據(jù)的空間關(guān)聯(lián)度的繼續(xù)增強(qiáng)，輸入樣本的數(shù)量已無(wú)法滿(mǎn)足模型的擬合需求，反演精度迅速下降?？傮w來(lái)看，空間關(guān)聯(lián)隨機(jī)森林模型通過(guò)引入空間關(guān)聯(lián)函數(shù)模型，選取出最優(yōu)的輸入樣本組合，使模型結(jié)構(gòu)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(jìn)一步驗(yàn)證構(gòu)建的反演模型的穩(wěn)定性和應(yīng)用能力，將局地尺度上建立的最優(yōu)空間關(guān)聯(lián)隨機(jī)森林遙感反演模型推廣至整個(gè)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(jié)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(guān)系密切，斑塊狀分布較均質(zhì)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(yuǎn)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(xiàn)狀相關(guān)，山東生活上濟(jì)南市章丘區(qū)是國(guó)內(nèi)知名的大蔥生產(chǎn)基地，大面積集中分布的耕地主要以糧食和蔬菜生產(chǎn)為主，農(nóng)家肥和有機(jī)肥料的持續(xù)施用，使得土壤養(yǎng)分含量明顯提升。同時(shí)建筑物旁邊往往保留一定量的土地用于經(jīng)濟(jì)開(kāi)發(fā)，此類(lèi)土地缺少農(nóng)家肥料養(yǎng)護(hù)，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(guò)程（母質(zhì)演化、地形、植被、降水、溫度等要素的長(zhǎng)期相互作用），而且受到人類(lèi)活動(dòng)的影響，即土地利用變化、耕作干擾、有機(jī)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(lèi)活動(dòng)的影響。所以，盡管土壤全氮含量分布與土地利用狀況的關(guān)聯(lián)關(guān)系十分明顯，但是根據(jù)土壤全氮含量空間分布圖仍無(wú)法判斷出，影響土壤全氮含量的主要因素，需要結(jié)合自然地理和農(nóng)業(yè)生產(chǎn)等相關(guān)知識(shí)繼續(xù)深入探究。

以?xún)?yōu)選后的光譜指數(shù)作為輸入變量，構(gòu)建得到的基于空間關(guān)聯(lián)隨機(jī)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(shí)間為2019年3月，此時(shí)處于冬春之交，降水逐漸豐沛，地表水汽會(huì)吸收掉部分光譜，使波段反射率下降，盡管通過(guò)光譜指數(shù)構(gòu)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(huì)對(duì)土壤數(shù)字制圖產(chǎn)生干擾，通過(guò)構(gòu)建新型光譜指數(shù)和多期影像指數(shù)，可以減弱水汽的干擾，在下一步的研究中可以嘗試改進(jìn)［41］。此外，采集到的土壤樣本數(shù)目會(huì)對(duì)反演模型的訓(xùn)練產(chǎn)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(duì)各種樣本集適應(yīng)能力強(qiáng)的隨機(jī)森林作為反演建模的算法基礎(chǔ)，但是數(shù)量更多和分布更密集的土壤樣本將會(huì)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(duì)土壤信息有更加靈敏的響應(yīng)能力，雖然當(dāng)前國(guó)內(nèi)外高光譜衛(wèi)星研究正處于起步階段，數(shù)據(jù)的獲取、處理和應(yīng)用存在一定難度，但接下來(lái)機(jī)器學(xué)習(xí)算法和高光譜影像相結(jié)合的遙感反演方式必定會(huì)受到越來(lái)越多的關(guān)注。遙感反演制圖中存在的光譜混合像元是無(wú)法回避的問(wèn)題，盡管研究選取了較為均質(zhì)的耕地區(qū)域作為研究區(qū)，并且哨兵2號(hào)多光譜影像的空間分辨率達(dá)到10 m，但是道路及植被仍然可能會(huì)對(duì)目標(biāo)物質(zhì)的光譜特性產(chǎn)生影響，混合像元分解用于反演制圖精度的提升在接下來(lái)的研究中須要深入探究。

3結(jié)論

土壤全氮含量在田塊尺度上的空間變異明顯，變異趨勢(shì)與土地利用狀況關(guān)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(yuǎn)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(xiàn)：

［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(yuǎn)新，蒙永輝，徐夕博，等. 基于隨機(jī)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(xué)報(bào)，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(cè)定土壤和作物中氮［J］. 儀器儀表與分析監(jiān)測(cè)，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(yù)測(cè)分析［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（1）：256-261.

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

［9］李焱，王讓會(huì)，管延龍，等. 基于高光譜反射特性的土壤全氮含量預(yù)測(cè)分析［J］. 遙感技術(shù)與應(yīng)用，2017，32（1）：173-179.

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

［11］賈偉，高小紅，楊揚(yáng)，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(xué)學(xué)報(bào)，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(jì)的土壤重金屬健康風(fēng)險(xiǎn)定量評(píng)價(jià)［J］. 環(huán)境科學(xué)，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(shù)據(jù)特征及應(yīng)用前景分析［J］. 北京師范大學(xué)學(xué)報(bào)（自然科學(xué)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(jié)合隨機(jī)森林算法反演耕作土壤有機(jī)質(zhì)含量［J］. 農(nóng)業(yè)工程學(xué)報(bào)，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(duì)比研究［J］. 中國(guó)農(nóng)學(xué)通報(bào)，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(shù)，徐汝汝. 山東省沂源縣土壤重金屬來(lái)源分布及風(fēng)險(xiǎn)評(píng)價(jià)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（9）：216-223.

［34］呂建樹(shù)，張祖陸，劉洋，等. 日照市土壤重金屬來(lái)源解析及環(huán)境風(fēng)險(xiǎn)評(píng)價(jià)［J］. 地理學(xué)報(bào)，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(yù)測(cè)方法研究［J］. 資源科學(xué)，2016，38（4）：704-713.

［39］曹正鳳. 隨機(jī)森林算法優(yōu)化研究［D］. 北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，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(jī)質(zhì)光譜預(yù)測(cè)模型［J］. 光譜學(xué)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(shù)據(jù)的漢江流域森林覆蓋變化研究［J］. 長(zhǎng)江流域資源與環(huán)境，2021，30（2）：321-329.