Sentinel-2影像结合空间关联随机森林模型反演裸土期耕地土壤全氮含量

杨培杰　韩保栋　张玉燕　赵菲　王庆兵　翟晓燕

摘要：为快速准确地获取区域内土壤全氮的含量信息和空间分布特征。选取山东省济南市章丘区刁镇为研究区，系统采集64个土壤样品并获取同期Sentinel-2（哨兵2号）影像数据，进一步利用皮尔逊相关分析法选择土壤全氮的敏感光谱参量作为自变量，测试得到的土壤全氮含量为因变量，分别建立基于随机森林和空间关联随机森林算法的反演模型，完成区域尺度的土壤全氮含量的遥感反演和数字制图。结果表明：哨兵2号影像的多光谱波段与土壤全氮含量相关性较低，通过波段间比值变换能够显著增强土壤全氮含量对光谱信号的响应能力，光谱指数b₆/b₁₁、b_8a/b₁₂、b₈/b₉、b_8a/b₉和（b₉-b₁₁）/（b₉+b₁₁）对土壤的全氮含量信息最为敏感；空间关联随机森林模型的反演精度指标R²和RMSE分别为0.90和0.11，相对比随机森林模型精度分别提升11.11%和26.67%，使反演模型的结构和计算效率均得到了优化；土壤全氮含量在田块尺度上的空间变异较大，与土地利用状况关系密切，村居建筑物周边土壤全氮含量处于低水平（<0.80 g/kg），远离建筑物的大片耕地区域土壤全氮含量则较高（>1.20 g/kg）。哨兵2号影像与空间关联随机森林算法相结合的遥感反演技术可为区域土壤环境信息的监测与制图分析提供有效的方法支持。

关键词：土壤；全氮；Sentinel-2影像；空间关联；随机森林模型；裸土期；耕地

中图分类号：X87；S127文献标志码：A文章编号：1002-1302（2023）11-0185-07

土壤全氮含量是衡量土壤肥力的重要指标，也是维持植物正常生命活动的基础营养元素，实现快速准确的土壤全氮含量和空间分布监测是建设高标准农田和保证粮食安全的重要途径。土壤光谱反射特性与土壤物质构成密切相关，土壤全氮含量越高，光谱反射率便也随之降低［1-2］。因此运用光谱反射率与土壤全氮间的内在联系，可以进行土壤全氮含量的快速估算，实现区域尺度的土壤全氮含量遥感反演和空间分布监测。

传统土壤全氮含量信息的调查依赖于大规模土壤样点布设和实验室分析，不仅耗时耗力效率低，且在大尺度上的应用和监测受到限制［3］。遥感技术具备覆盖面积大、时效性强和高时空分辨率等特点，已经广泛应用于地表土壤参数的反演制图［4］。Krishnan等在1980年首次采用土壤的室内高光谱及多元回归技术，完成了对土壤关键组分的含量和性质反演估算，并且分析得到相应组分在不同波谱区间上的特定响应敏感性［5］。张平等也尝试构建反射光谱模型来反演土壤全氮含量，确定了土壤全氮在一定含量范围内与反射光谱值存在线性关系［6］。卢艳丽等基于实测土壤光谱反射数据对土壤全氮含量进行建模反演，取得较好的估算效果并且证实了光谱技术用于土壤全氮定量化研究的能力［7-9］。马驰进一步厘清了卫星数据的波段反射率值与地面样本全氮含量之间的统计回归联系，完成了土壤全氮的反演制图，为土壤全氮在区域尺度上的空间分布研究提供了理论支持［10-11］。

在对土壤全氮的遥感定量分析中，因受到复杂的地表反射率辐射传输过程影响，卫星光谱波段的反射率值与地表土壤理化参数之间未必是确定的线性关系，所以基于非线性回归算法的机器学习遥感反演模型在精度和稳定性具有明显的优势。例如，雷浩川等利用影像的波段光谱反射率为输入自变量，地面土壤实测全氮含量为响应变量，构建基于人工神经网络、随机森林和支持向量机等机器学习算法的遥感反演模型，得到区域尺度上精度相对较高的土壤全氮含量信息分布图［12-14］。通常来说，机器学习模型可以通过加入隐藏层结构、决策树和自由参数等方式，确定光谱特征与土壤属性信息之间的映射关系，故而能够提供相对较高的预测精度。但是，机器学习模型在对真实的地表环境过程进行模拟时，易受到水汽、成土母质、数据采集过程等人类活动的作用下的产生的特异性地理标签数据的影响，模型常会出现过拟合和局部极值问题，限制了反演模型精度和性能的提升。针对此问题，Liu等通过随机抽取、光谱特征、土壤类型和含量欧式距离划分等方式来优化建模样本集的选择，减弱或避免特异性样本数据的干扰，在保证验证集精度的同时最大程度提升训练集准确性［15-16］。然而上述对特异樣本数据的识别均是基于土壤属性的含量特征进行的，地理样本数据除具有描述性的含量特征值以外，还具有显著的空间位置特征信息［17-18］。地理学第一定律指出，地物间的空间距离越近，所表现出的空间相关性越显著，而特异性数据则表现出了显著的非空间关联性［19］。因此在随机森林算法的数据输入侧引入空间关联函数，即在决策树生成之前先对土壤样本数据间的空间关联度进行评估，其后根据样本关联度权值来选取最佳的训练样本数据集，以此减少数据计算量和提高模型的拟合精度，使其能够准确完成区域尺度的土壤全氮含量信息反演与分布制图。

选取山东省刁镇为研究区，系统采集64处土壤样点并获取同期Sentinel-2（哨兵2号）多光谱影像数据，通过波段间差值、比值和归一化值变换来探寻土壤全氮的光谱响应信号，进一步运用相关分析法优选光谱参量作为输入自变量，测得土壤全氮含量为因变量，分别构建基于随机森林算法和空间关联随机森林算法的遥感反演模型，最后推广至哨兵2号卫星实现区域尺度的土壤全氮含量的反演制图，以期为土壤资源环境管理提供理论依据和技术支持。

1材料与方法

1.1研究区及土壤样品采集

研究区位于山东省济南市章丘区刁镇，地理位置36°51′58.2″N～36°59′1.0″N，117°25′16.3″E～117°35′1.5″E，占地面积约为102.3 km2（图1）。研究区气候类型为典型的暖温带大陆性季风气候，四季分明，雨热同季，多年平均气温和降水量分别12.8 ℃和600.8 mm［20］。研究区地形以平原为主，土壤类型主要为褐土，肥力适中，保肥持水能力强。土地利用除村居建筑物外，其他均为耕地，主要种植作物为玉米、小麦和蔬菜。

在综合考虑土地利用、道路可达性和代表性原则，在ArcGIS 10.2矢量底图上完成64处样点布设。采样过程中，土壤样品的采集依据多点混合采样法，在5 m半径内选取4处表层土壤样点（0～20 cm），简单移除土块杂草等杂质后均匀混合至约1 kg，装至聚乙烯密封袋后送往实验室待测，另留存1袋作为备份对照。同时，使用手持GPS记录样点的真实坐标（图1），并用相机记录采样周边环境。土壤样品的采集在2019年3月上旬完成。在实验室内，土壤样品经自然风干、研磨过筛等处理后，依据凯氏定氮法［2］，完成样品土壤全氮含量的实验室测定。

1.2影像获取与预处理

Sentinel-2 A/B（哨兵2号）是欧州航天局主导的哥白尼计划中发射的第2组卫星，其搭载的多光谱成像仪（MSI）是美国陆地卫星Landsat和中国高分卫星计划的拓展和延续，可更有效地对全球进行环境监测和灾害预警。哨兵2号的MSI传感器具有4个10 m空间分辨率波段（b₂、b₃、b₄、b₈）、6个20 m空间分辨率波段（b₅、b₆、b₇、b_8a、b₁₁、b₁₂）和3个60 m空间分辨率波段（b₁、b₉、b₁₀），额外增加的红边波段对地表土壤植被变化信息的响应更加敏感［21］。

哨兵2号影像数据在美国地质调查局网站（https：//glovis.usgs.gov/）免费对公众提供L1C级产品的下载，研究选取在2019年3月23日的少云晴朗天气状态下一景哨兵2号MSI影像数据。此时期土地覆盖以裸土为主，便于进行土壤全氮的遥感估算；部分存在植被的区域，依据裸土的判别依据［归一化植被指数（NDVI）<0.2］［22］，去除影像中非裸土区域。下载到影像的天顶反射率须要进行辐射定标和大气校正等处理才可以转换到地面真实反射率L2A级产品。处理过程均在哨兵数据专用处理软件（sentinel application platform，SNAP）和大气校正Sen2Cor插件中完成。處理过程中，卷云波段（band 10）主要参与大气特征的检测，并不能反映土壤全氮的光谱特性，因此在接下来的处理计算中将其排除；此外，为获取更多可用的波段信息，裁剪后的波段均进行了10 m分辨率的重采样，同时进行地理校正操作，确保地面样点与影像像元间的偏移误差不超过0.5像元［23］。

1.3光谱指数构建及优选

全氮的光谱吸收特征在土壤各类组分（例如有机质、铁和盐分）的合频和倍频作用下，在可见光和近红外光谱范围通常是表现出非特异性的，产生的光谱特征具有覆盖范围广和信号微弱的特点［24-25］。因此，本研究在影像原有的12个波段的基础上，分别构建光谱差值指数（DI）、光谱比值指数（RI）和归一化光谱指数（ND）用于探寻土壤全氮含量相关的光谱指示信息，计算公式如下：

1.4空间关联随机森林模型

决策树的数量（ntree）、分裂点变量的数量（mtry）和地理信息协同变量（Xj）是空间关联随机森林模型构建过程中的3个关键参数。构建决策树类模型的核心思想是首先生成若干棵决策树，在每棵决策树上的各节点处，从M个特征中进行数据剪枝选取m个特征集用作预测变量，在特征的分枝过程中，根据袋外样本误差选取出最优的m个特征集作为预测变量，最后汇总投票得出结果［29］。此外，为增强空间权重函数对样本数据的属性和空间信息的评估能力，Xj设置为典型且易获取的4种环境要素辅助信息，分别为高程、归一化植被指数、土壤湿度指数和地表温度。高程数据免费获取自地理空间数据云网站（http：//www.gscloud.cn/），归一化植被指数、土壤湿度指数和地表温度数据的获取与采样时间保持一致，具体计算方法参见文献［30-31］。空间关联随机森林模型在Python 3.8平台中经过多次测试拟合，选取误差最小的模型，本研究中最优模型的ntree和mtry参数分别设定为1 000和3。

1.5模型评价

选用留一交叉验证法用于模型的精度评估，即每一个样本点都会参与模型建立和验证。确定系数（R2）和均方根误差（RMSE）是模型性能的定量化评价的重要指标，R²表示模型中自变量所能解释因变量信息的比例，数值越大，所能解释模型信息量越多，模型效果越好。RMSE表示模型所得的预测值与实测值之间差值，RMSE与实测含量值具有相同单位，故直接可与实测值估算值进行对比评价模型的好坏。总的来说，R2越大、RMSE越小，模型精度和稳定度越高［32］。

2结果与讨论

2.1土壤全氮描述性统计分析

如图3所示，研究区土壤全氮含量处在0.37～1.86 g/kg 之间，均值与中值基本保持一致，表明区域内土壤全氮的含量状态稳定在1.20 g/kg左右。变异系数反映了土壤样点数据间的离散状态［33］。土壤全氮含量的变异系数为0.30，处于中度变异水平［34］，表明农业生产等外部活动对土壤全氮的分布状态产生了一定影响。全氮含量的偏度为-0.53，呈现出负偏状态，与外部扰动相关，进一步印证了变异系数的判断。此外，模型的训练样本集表现出的一定变异性，也将有助于加速反演模型的收敛，提高模型的稳定性［35］。

2.2最佳光谱响应特征

2.3反演模型建立

优选得到的5个光谱指数作为输入自变量，土壤全氮实测值为因变量，分别建立以随机森林和空间关联随机森林算法为基础的土壤全氮遥感反演模型。由图4可以看出，随机森林模型（图4-a）估算出的土壤全氮含量较为分散，土壤全氮含量估算值与实测值差距较大，估算精度指标R2和RMSE分别为0.81、0.15；对比来看，空间关联随机森林模型（图4-b）的精度指标R2、RMSE分别为0.90、0.11，反演得到的土壤全氮估算值与实测值更为接近，反演精度较高，相对随机森林反演模型R²上升了11.11%，RMSE下降了26.67%，能够实现土壤全氮含量的遥感反演。

空间关联随机森林模型在构建中充分考虑了区域地理环境中土壤样本的特异性和空间关联性，有助于确定随机森林的最佳决策树结构和参数。土壤理化组分的含量信息与影像波段的光谱反射率存在着确定的对应关系，但因受到水汽、植被和地面粗糙度等因素的影响使得这样对应关系变得

异常复杂［36］。Lobell等指出随着土壤中水分含量的上升，光在水中的折射次数将会增加，使从土壤到空气中的反射光减少，呈现出的土壤光谱反射率会近乎平行地下降，改变了原有土壤的光学性质；另外，粗糙度和作物残积物等因素则会改变土壤表面的结构，产生各种微小阴影，对漫反射光谱的角度、方向和强度都会产生影响［37］。此外，这种土壤-光谱映射关系还具有典型的区域变异特性，即在不同空间维度的各个地理单元内的这种土壤-光谱映射关系也存在一定差异，地理环境数据在二维空间上展现出的这种特殊性增加了土壤组分信息遥感反演模型的建立难度［15，38］。传统的随机森林遥感反演模型在构建中通常是将地理样本在空间上假设为独立存在的，通过不断改变决策树的数量和节点数目去拟合这种真实的地表环境过程，进而实现光谱信号到土壤属性值的信息转换［39］。但很明显，在真实的地表环境中，地理样本间会存在一定关联性，并且与位置信息和相距距离密切相关，因此直接将随机森林模型应用至真实地表环境会产生一定偏差。所以本研究在随机森林算法中通过加入空间关联函数模块将地理样本数据的位置信息考虑进模型中去，以此帮助分析土壤全氮样本间关联性与异质度，形成最优的输入样本组合。减少空间关联随机森林模型在校准过程中决策树和预测节点的复杂选择和设置，提升计算效率和精度，使反演模型的稳健性得到上升，准确地完成区域土壤全氮含量的遥感反演。

在不同空间关联度（c值）下，建立的空间关联随机森林模型的精度变化见图5。可以看出，随着c值的减小，输入模型的样本数据之间的空间关联度不断增强，反演模型的精度也有提升，在当c值为2时模型达到了最高的性能。随着输入样本数据的空间关联度的继续增強，输入样本的数量已无法满足模型的拟合需求，反演精度迅速下降。总体来看，空间关联随机森林模型通过引入空间关联函数模型，选取出最优的输入样本组合，使模型结构得到优化，有效的提升在区域尺度上土壤组分信息遥感反演和制图能力。

2.4土壤全氮含量空间分布

为进一步验证构建的反演模型的稳定性和应用能力，将局地尺度上建立的最优空间关联随机森林遥感反演模型推广至整个区域，得到研究区的土壤全氮含量的空间分布（图6-a）。结合研究区土地利用概况（图6-b）可以看出，土壤全氮含量在田块尺度上的空间分异明显，与土地利用状况关系密切，斑块状分布较均质的为村居建筑物，周边包围有大量耕地。田块尺度上耕地土壤全氮含量的空间变化明显，距离村居建筑物越近，土壤的全氮含量越低（<0.80 g/kg），而距离建筑物较远的大片耕地，土壤全氮含量值较高（>1.20 g/kg）。这可能与刁镇的土地利用现状相关，山东生活上济南市章丘区是国内知名的大葱生产基地，大面积集中分布的耕地主要以粮食和蔬菜生产为主，农家肥和有机肥料的持续施用，使得土壤养分含量明显提升。同时建筑物旁边往往保留一定量的土地用于经济开发，此类土地缺少农家肥料养护，故土壤全氮含量低于平均水平。但是，土壤中全氮的形成与变化不仅是自然的过程（母质演化、地形、植被、降水、温度等要素的长期相互作用），而且受到人类活动的影响，即土地利用变化、耕作干扰、有机肥施用以及种植制度和轮作方式，甚至灌溉栽培方式等人类活动的影响。所以，尽管土壤全氮含量分布与土地利用状况的关联关系十分明显，但是根据土壤全氮含量空间分布图仍无法判断出，影响土壤全氮含量的主要因素，需要结合自然地理和农业生产等相关知识继续深入探究。

以优选后的光谱指数作为输入变量，构建得到的基于空间关联随机森林框架的反演模型拓展至区域卫星影像，所得分布图能够反映全氮的空间变异特征。但值得注意的是，反演制图精度的近一步提升受到诸多因素的限制，例如地表水汽、样本采集和混合像元。本研究中获取哨兵影像生成时间为2019年3月，此时处于冬春之交，降水逐渐丰沛，地表水汽会吸收掉部分光谱，使波段反射率下降，尽管通过光谱指数构建可以减弱环境因素的干扰，但水汽吸收的影响仍不可忽视［40］。刘焕军等研究也表明，地表水汽会对土壤数字制图产生干扰，通过构建新型光谱指数和多期影像指数，可以减弱水汽的干扰，在下一步的研究中可以尝试改进［41］。此外，采集到的土壤样本数目会对反演模型的训练产生影响，尽管研究中土壤样本的采集充分考虑了区域代表性，选取对各种样本集适应能力强的随机森林作为反演建模的算法基础，但是数量更多和分布更密集的土壤样本将会明显提升模型的稳健性［42］。高光谱卫星影像具有更高的光谱分辨率，对土壤信息有更加灵敏的响应能力，虽然当前国内外高光谱卫星研究正处于起步阶段，数据的获取、处理和应用存在一定难度，但接下来机器学习算法和高光谱影像相结合的遥感反演方式必定会受到越来越多的关注。遥感反演制图中存在的光谱混合像元是无法回避的问题，尽管研究选取了较为均质的耕地区域作为研究区，并且哨兵2号多光谱影像的空间分辨率达到10 m，但是道路及植被仍然可能会对目标物质的光谱特性产生影响，混合像元分解用于反演制图精度的提升在接下来的研究中须要深入探究。

3结论

土壤全氮含量在田块尺度上的空间变异明显，变异趋势与土地利用状况关系密切。村居建筑物周边土壤全氮含量处于较低水平（<0.80 g/kg），远离村居的耕地区域土壤全氮含量较高（>1.20 g/kg）。

参考文献：

［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］彭远新，蒙永辉，徐夕博，等. 基于随机森林算法的潍北平原土壤全氮高光谱估算［J］. 安全与环境学报，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，闫宏涛. 反射光谱法测定土壤和作物中氮［J］. 仪器仪表与分析监测，1999（1）：37-39.

［7］卢艳丽，白由路，王磊，等. 黑土土壤中全氮含量的高光谱预测分析［J］. 农业工程学报，2010，26（1）：256-261.

［8］张强，张国龙，张泽，等. 基于高光谱的土壤全氮含量估测［J］. 山西农业科学，2016，44（7）：972-976.

［9］李焱，王让会，管延龙，等. 基于高光谱反射特性的土壤全氮含量预测分析［J］. 遥感技术与应用，2017，32（1）：173-179.

［10］马驰. HJ-1A HSI与Sentinel-2A遥感数据土壤全氮含量反演精度的对比研究［J］. 无线电工程，2021，51（12）：1540-1548.

［11］贾伟，高小红，杨扬，等. 基于Landsat 8 OLI影像的三江源区表层土壤全氮空间格局反演［J］. 干旱区研究，2015，32（5）：890-896.

［12］雷浩川，刘尊方，于晓晶，等. 基于Landsat 5影像的青海省大通县土壤表层全氮空间格局反演［J］. 青海大学学报，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］韩琳，徐夕博. 基于PMF模型及地统计的土壤重金属健康风险定量评价［J］. 环境科学，2020，41（11）：5114-5124.

［21］田颖，陈卓奇，惠凤鸣，等. 欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析［J］. 北京师范大学学报（自然科学版），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］劉焕军，张美薇，杨昊轩，等. 多光谱遥感结合随机森林算法反演耕作土壤有机质含量［J］. 农业工程学报，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，张冬有. 基于Landsat8遥感影像的地表温度反演方法对比研究［J］. 中国农学通报，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，吕建树，徐汝汝. 山东省沂源县土壤重金属来源分布及风险评价［J］. 农业工程学报，2018，34（9）：216-223.

［34］吕建树，张祖陆，刘洋，等. 日照市土壤重金属来源解析及环境风险评价［J］. 地理学报，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］吴春生，黄翀，刘高焕，等. 黄河三角洲土壤含盐量空间预测方法研究［J］. 资源科学，2016，38（4）：704-713.

［39］曹正凤. 随机森林算法优化研究［D］. 北京：首都经济贸易大学，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］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.

［42］贾小凤，朱红春，凌峰，等. 基于Landsat多光谱与PALSAR/PALSAR-2数据的汉江流域森林覆盖变化研究［J］. 长江流域资源与环境，2021，30（2）：321-329.