典型黑土区耕作土壤质地遥感时间窗口及影响因素分析

刘 琼，罗 冲，孟祥添，张新乐，唐海涛，马士耐，刘焕军

典型黑土区耕作土壤质地遥感时间窗口及影响因素分析

刘 琼1，罗 冲2，孟祥添2，张新乐1※，唐海涛1，马士耐1，刘焕军2

（1. 东北农业大学公共管理与法学院，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）

了解黑土区耕作土壤质地的空间分布对于黑土区农业精准管理以及耕地保护至关重要。遥感技术是快速获取土壤质地空间分布的有效方法。该研究以黑龙江省友谊农场耕地为研究对象，评估研究区土壤质地遥感反演的最佳时间窗口并分析其影响因素。筛选覆盖研究区的2019—2021年25幅Sentinel-2影像，将每幅影像的波段和构建的光谱指数输入随机森林模型，建立土壤质地遥感反演模型，比较不同时期影像反演土壤质地的模型精度，确定土壤质地遥感反演的最适宜影像，并分析造成反演土壤质地精度变化的原因，获取友谊农场土壤质地空间分布。结果表明：1）友谊农场反演土壤质地的最佳时间窗口为4月下旬至5月中旬；2）在25幅Sentinel-2影像中，2020年5月7日反演粉粒和砂粒的模型精度最高（粉粒的2为0.785，均方根误差为6.697%；砂粒的2为0.776，均方根误差为8.296%）；2019年5月3日反演黏粒的模型精度最高（2为0.776，均方根误差为1.600%）；3）不同时期的Sentinel-2影像对土壤质地反演的准确性有很大的影响，而土壤含水率和秸秆覆盖是造成不同时期土壤质地预测精度差异的重要原因。研究为确定土壤质地遥感反演的最佳时间窗口、实现区域尺度土壤质地制图提供关键技术。

土壤；随机森林；遥感；黑土；时间窗口；Sentinel-2；影响因素；质地

0 引 言

土壤质地是影响土壤理化性质形成的重要因素，特别是对土壤结构、孔隙状况、保肥性、保水性、耕性等均有重要影响[1-2]。对黑土区耕作土壤质地进行测定和分析是国家黑土地保护工程实施方案的重要内容[3]。研究黑土区耕层土壤质地的空间分布不但有利于分析黑土区耕地产出能力，还可为黑土区耕地保护提供准确、定量的数据支持。

地统计分析方法是土壤质地空间预测与制图的重要方法。地统计学是基于区域化变量理论和变异函数模型，以具有空间相关性和依赖性且在空间分布上既有随机性又有结构性的自然现象为研究对象的科学[4]。但是其反演精度往往受到样本密度和样本变异程度的限制，只有具有足够数量和密集的样本才能获得准确的土壤质地空间分布图[5]。近年来，遥感数据以更直接、更具成本效益和更快速的方式被用来估算土壤的重要指标[6]。多光谱和高光谱卫星影像已被证明是反演土壤质地的一种有效手段[7]。这为土壤质地遥感反演的发展奠定了基础。土壤质地遥感反演的方法是在研究土壤反射光谱的基础上，通过地面实测数据，分析采样点遥感影像光谱反射率的变化，建立土壤质地反演模型，实现土壤质地的空间预测和制图。目前，已有很多研究运用普通克里金[8-9]、协同克里金[10]、回归克里金[11]、偏最小二乘回归模型[12-13]、多元线性回归[14]、回归树[15]、人工神经网络[16]进行土壤质地的空间预测分析和制图。随机森林（Random Forest，RF）算法是通过集成学习的思想将多棵树集成的一种算法。RF模型具有较高的预测精度，随机性的引入使得RF不容易陷入过拟合，并且具有很好的抗噪声能力。

已有研究将RF模型应用到土壤质地的空间预测中[17]。Lie等[15]比较了RF模型和回归树模型反演土壤质地的精度，并表明RF模型具有更高的反演精度。da Silva等[14]利用RF模型和多元线性回归模型分别对半干旱地区土壤质地的空间分布进行预测，发现RF模型有更高的精度，Landsat 5的波段2、波段5、波段3和波段7的比值以及归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）为重要的环境变量。Hengl等[18]使用多元线性回归和RF模型预测了非洲大陆的土壤质地空间分布，并认为RF模型能得出最优的结果。Pahlavan-Rad等[19]使用RF模型分析了Zahak County地区土壤质地和pH值的空间分布格局，发现该地区土壤质地空间变异大，RF模型反演的土壤质地和pH值结果精度高。

现有的土壤质地遥感反演模型研究一般利用遥感影像，结合不同的景观环境因子作为输入量，探究其对土壤质地反演精度的影响。但即使在同一个研究区获得的不同遥感影像会产生不同的土壤质地反演精度。这主要是由于影像可能受到降水、秸秆覆盖、表面形态等因素的影响，影像特征反映的是部分地区的异常情况，导致遥感影像部分地区地物反射率异常，降低土壤质地反演模型的稳定性与精度[20]。为了更好地探究耕地土壤质地的反演精度，有必要确定一个特定的时间窗口，在该窗口上，可以获得相对较好的光谱数据，而基于此建立的光谱模型可以更准确地预测土壤质地。因此，本研究以友谊农场耕地为研究对象，采用了高空间分辨率的Sentinel-2卫星遥感影像作为数据源，基于RF算法，将波段和构建的光谱指数作为输入量，根据反演的精度确定友谊农场土壤质地反演的最佳时间窗口，分析其造成反演精度变化的原因，实现土壤质地空间预测与制图，以期为确定土壤质地遥感反演的最佳时间窗口和实现区域尺度土壤质地制图提供关键技术。

1 材料与方法

1.1 研究区概况

友谊农场是国家重要的商品粮基地之一和现代化农业示范窗口，位于双鸭山市境内，地理坐标为131°27′～132°15′E，46°28′～46°59′N，地处黑龙江、松花江、乌苏里江三江平原腹地，内地地势相对平坦，西南为丘陵，东北为低洼地，由西南向东北倾斜。研究区耕地范围面积为1 800 km2，此区域土壤肥沃，物理结构好，主要土壤类型有草甸土、黑土和沼泽土。年平均气温2.5 ℃，年平均降雨量500 mm，适宜各类农作物生长，以种植水稻、大豆、玉米和麦类为主，作物一年一季。图1为友谊农场裸土影像及采样点空间位置分布。

图1 研究区土壤采样点分布图

1.2 数据获取与处理

1.2.1 土壤数据获取

由于土壤质地在1～10 a的较小时间尺度内不会发生显著变化[21]，所以土壤样本的野外采集、影像数据的获取和土壤质地分析可以随着时间的推移而单独进行。本研究所使用的耕地土壤样本于2021年3月22日—4月5日进行野外采集，此时，土壤直接暴露于表面，既无农作物残留、又无积雪覆盖。在研究区范围内进行GPS定位，样本点的位置选择视野开阔、地势相对平坦、地质条件均一的耕作土壤，且兼顾了地形特征和不同土类等信息，共计获得188个野外实测样本，记录其坐标和地形等相关信息，其分布图如图1所示。将获取的土壤样本置于布制土袋中存放，带回实验室进行风干处理，并去除结石、杂草根和其他杂质，室内将土壤称质量后研磨、风干，过2 mm筛，使用Malvern MS-2000激光粒度分析仪（英国马尔文仪器有限公司生产，残差小于1%）测定样本的土壤颗粒组成（质量分数）。表1为188个采样点土壤颗粒组成统计结果。

表1 土壤颗粒组成统计结果

1.2.2 影像数据介绍与处理

如表2所示，本研究选取了2019—2021年共25幅可用的Sentinel-2的L2A产品（https://code.earthengine. google.com/）进行土壤质地反演研究。Sentinel-2的L2A产品为经过几何校正和大气处理的地表反射率数据，其中，波段1为气溶胶波段，波段9为水蒸气波段，波段10为反应大气波段[22]，故在后续的遥感反演过程中去除这3个波段。然后在ENVI5.3软件中根据GlobeLand30- 2020（http://www.globallandcover.com/）中的耕地范围对遥感影像进行裁剪和镶嵌，并将Sentinel-2影像空间重采样为10 m分辨率。

表2 2019—2021年Sentinel-2影像获取时间

1.3 光谱指数的构建

由于多光谱影像中的波段很少，光谱指数的构建可以充分利用多光谱影像中的有用信息[23]。差值指数（Difference Index，DI）、比值指数（Ratio Index，RI）、归一化差值指数（Normalized Difference Index，NDI）和其他光谱指数的构建能减少水分、粗糙度和大气的影响[24]。因此，对Sentinel-2影像数据波段反射率进行数学变换，计算式如下

式中ρ和ρ为和波段的反射率，其中>。本研究共生成了135个光谱指数（45个差值指数，45个比值指数，45个归一化差值指数）。

1.4 随机森林反演模型

随机森林模型是基于决策树的非线性机器学习模型。RF建模通过R语言中的Random Forest包实现。Random Forest包在运算过程中对影响土壤质地的自变量重要性进行排序，其数值越大，代表自变量对土壤质地影响越大，相关性越强。此外，RF模型具有准确性高、无需剪枝、较少出现过拟合现象、能容忍一定的干扰和异常值、训练速度较快等优点[25]。本研究在RF实际建模操作中，通过观察袋外误差选择最佳回归树的数量（ntree）和分裂节点数（mtry），从而建立最优RF预测模型。经多次训练，确定ntree为500，ntry为输入量个数的1/3，此时，可以产生较稳定的袋外误差率，模型较为稳定。

1.5 模型建立与验证

本研究采用RF算法模型，使用不同时期Sentinel-2影像数据的10个波段与135个光谱指数作为输入量，分别进行土壤质地反演建模。188个样本中按照3∶1的比例划分建模集和验证集，其中建模样本141个，验证样本47个。决定系数（2）用于检验模型稳定性。均方根误差（Root Mean Square Error，RMSE）用于衡量模型的精度[26]。通常，2值在0到1的范围内，数值的绝对值越接近1，预测值越接近实际测量值；RMSE是用来检验土壤质地实际测量值和预测值之间差异程度的依据，其数值越小，则表明两者的差异程度越小，模型的反演精度越好。

1.6 土壤质地遥感反演的影响因素

为分析土壤含水率和秸秆覆盖对土壤质地反演造成的影响，本研究采用地表水分指数（Land Surface Water Index，LSWI）和归一化耕作指数（Normalized Difference Tillage Index，NDTI）分别表示土壤含水率和秸秆覆盖。计算式为：

LSWI=(nir-swir1)/(nir+swir1) （4）

式中nir为近红外波段的地表反射率；swir1为短波红外1波段（11）的地表反射率。

NDTI=(swir1-swir2)/(swir1+swir2) （5）

式中swir2为短波红外2波段（12）的地表反射率。

地表水分指数包含对土壤湿度和植被水分敏感的短波红外波段反射率，可以用于土壤湿度变化的监测，湿度越大，LSWI值越大[27]。NDTI越大秸秆覆盖程度越高，当NDTI小于0.05时，基本无秸秆覆盖；当NDTI为0.05～0.1时，秸秆覆盖度在10%～20%之间；当NDTI大于0.1时，秸秆覆盖度大于20%[28]。

2 结果与分析

2.1 星载土壤反射光谱特征分析

土壤光谱反射率与土壤质地的表土粒径有着密切的关系。图2为同一时期土壤颗粒组成的反射光谱特征。结果表明，不同颗粒下的Sentinel-2光谱曲线特征相似，但光谱反射率存在显著的差异。从可见光到短波红外1（1 565～1 655 nm）光谱反射率随着波长的增加而增加，从短波红外1到短波红外2（2 100～2 280 nm）光谱反射率随着波长的增加而降低。其中，光谱反射率随着粉粒和黏粒质量分数的增加而减少，随着砂粒质量分数的增加而增加。这是由于不同粒径颗粒的混合效应[29]。此外，不仅土壤颗粒的大小本身对土壤光谱产生影响，而且不同比例的矿物也会产生光谱反射差异。黏粒中含有的层状硅酸盐会降低土壤反射率；而砂粒中含有的大量石英会增加光谱反射率[30]。

a. 粉粒a. Siltb. 黏粒b. Clayc. 砂粒c. Sand

注：波段序号1～10分别为B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12。

Note: No. of band of 1-10 is B2, B3, B4, B5, B6, B7, B8, B8A, B11, B12, respectively.

图2 不同质地的土壤反射光谱特征

Fig.2 Characteristics of soil reflectance spectrum with different textures

2.2 反演土壤质地的最佳时间窗口

尽管在使用遥感方法反演土壤质地时，通常会排除NDVI高于0.4的光谱数据，但是NDVI高于0.4的光谱数据也可能反映土壤质地[31]。因此，可以适当的利用这些光谱数据反演土壤质地。将2019—2021年获取的单期Sentinel-2影像10个波段反射率和135个光谱指数作为输入量，输入RF模型得到不同时期影像反演土壤质地的精度。表3为2019—2021年不同时期Sentinel-2影像反演土壤质地的验证模型精度。从图中可以看出，在2019—2021年中，每年的土壤质地反演精度的变化呈现了大致相同的趋势：增加-降低-再增加。反演精度最低的时期均在7—8月。2020年5月7日反演粉粒（2=0.785）和砂粒（2=0.776）的精度最高，2019年5月3日反演黏粒（2=0.776）的精度最高。因为反演精度较高的4个时期（2019年5月3日、2020年4月29日和5月7日、2021年5月17日）在4月下旬至5月中旬这个时间范围内，所以本研究认为该时间窗口为友谊农场反演土壤质地的最佳时间窗口。

2.3 最佳输入量的分析

表4为在土壤质地反演中，基于RF模型的前10个输入量的重要性排序。如表所示，Sentinel-2影像的波段12（短波红外2）为遥感反演粉粒、黏粒和砂粒的最佳波段。这与Shahriari等[17]的研究结果相似。该波段不仅包含许多土壤矿物的信息，而且与土壤含水率紧密相关。此外，光谱指数DI12_2、DI11_2、DI12_3、NDI4_2和NDI8_2都对土壤质地的遥感反演具有重要意义。

表3 2019—2021年不同时期土壤质地反演精度对比

2.4 影响土壤质地反演精度的因素

通过对2019—2021年不同日期的Sentinel-2影像反演土壤质地的精度分析，发现不同日期的耕地环境差异较大。这就造成了不同时期的Sentinel-2影像对土壤质地反演的准确性有很大的影响，秸秆覆盖或土壤含水率有可能是造成不同时期土壤质地反演精度差异的重要原因。

表4 土壤质地随机森林反演中输入量的重要性排序

注：DI12_2为波段12和波段2的差值指数。NDI4_2为波段4和波段2的归一化差值指数。RI4_2为波段4和波段2的比值指数。12为波段12的差值指数。其他类似解读。

Note: DI12_is the difference index between band 12 and 2. NDI4_2is normalized difference index between band 4 and 2. RI4_2is ratio index between band 4 and 2.12is band 12. The others are explained as the same way.

如图3所示，通过计算2019—2021年25幅影像的LSWI值，发现粉粒、黏粒和砂粒反演过程中不同程度的受到了土壤含水率的影响，随着LSWI的增加，RMSE整体呈现一个增加的趋势。在图4中，2019年的8幅影像中，LSWI值最低的3幅影像分别为11月4日、5月3日和3月29日；2020年的7幅影像中，LSWI值最低的3幅影像为4月29日、10月26日和5月7日；2021年的10幅影像中，LSWI值最低的3幅影像为10月29日、5月17日和4月19日。反演土壤质地的最佳的Sentinel-2影像具有较低的土壤含水率。

图3 土壤质地反演的均方根误差与地表水分指数、归一化耕作指数的关系

计算25幅Sentinel-2影像的NDTI值后，发现秸秆覆盖度影响土壤质地的遥感反演，如图3d～3f，NDTI与RMSE呈现正向相关关系。在图4中，2019年NDTI最低的3幅影像日期为3月29日、3月6日和11月4日，其中5月3日的秸秆覆盖度仍在0.2以下；2020年NDTI最低的3幅影像为4月29日、10月26日和5月7日；2021年NDTI最低的3幅影像为5月17日、10月29日和4月19日。反演土壤质地最佳的Sentinel-2影像秸秆覆盖度低。

a. 2019b. 2020c. 2021

综上所述，在最佳时间窗口中的4幅影像中，其土壤含水率和秸秆覆盖度都比较低，且随着土壤含水率和秸秆覆盖的增加，土壤质地遥感反演精度逐渐降低，现认为土壤含水率和秸秆覆盖度是影响土壤质地反演精度的重要原因。土壤质地与可见光近红外波段-短波红外波段（400～2 500 nm）区域的土壤反射率显著相关。而在这个光谱范围内，土壤水分和秸秆覆盖会影响土壤质地遥感反演精度。Gomez等[31]的研究发现，由于土壤湿度的变化，2017年4月24和2017年4月4日的Sentinel-2数据在对土壤质地进行反演时产生了最高和最低的精度。Swain等[32]在使用来自不同采集日期的63幅Sentinel-2进行土壤质地空间预测时，发现土壤含水率或植被覆盖影响了土壤质地反演的精度。Luo等[33]在使用Landsat 8 遥感影像对土壤有机质进行反演的研究中也发现，秸秆覆盖度和土壤含水率是造成不同时期土壤有机质预测精度差异的原因。

2.5 土壤质地的空间分布图

采用2019年5月3日的Sentinel-2反演黏粒的空间分布，2020年5月7日的Sentinel-2反演粉粒和砂粒的空间分布，得到了最高的预测精度，如图5a～5c所示。由于选取的采样点均为耕地土壤样本，因此利用耕地边界范围对影像进行裁剪，并反演土壤质地空间分布图。从本研究的土壤质地遥感反演结果可以看出友谊农场粉粒和黏粒在东北部、北部和南部分布较多，中部和西南分布较少；砂粒则呈现出相反的趋势，尤其是友谊农场中部的砂粒含量整体较高。

图5 10与250 m分辨率的土壤质地反演结果的比较

3 讨 论

本文分析了土壤含水率和秸秆覆盖影响土壤质地的遥感反演。根据图4发现2019年3月29日和2019年3月6日的秸秆覆盖低而土壤含水率相对较高；2021年4月4日的土壤含水率低而秸秆覆盖度高。上述两种情况的土壤质地遥感反演的精度不佳。而在反演精度较高的4幅影像中，土壤含水率和秸秆覆盖都比较低。可见，只有同时具备较低的土壤含水率和秸秆覆盖度的影像才能产生较优土壤质地反演精度。2019年11月4日、2020年10月26日和2021年10月29日的土壤含水率和秸秆覆盖都比较低，但是反演的精度仍然不佳，这可能是由于土壤表面粗糙度影响了反射率的变化。粗糙度越高，预测的性能越低。冬季由于深耕作业造成地表具有明显的粗糙度；与冬季不同，由于春季作物播种的浅耕作业，土壤表面粗糙度则比较低[34]。在最佳时间窗口中的2020年4月29日的土壤含水率和秸秆覆盖是最低的，但是反演精度却不是最高的，这可能是受大气干扰等其他的因素影响。

在土壤质地遥感反演的结果中，粉粒的2范围为0.341～0.785；黏粒的2范围为0.200～0.776；砂粒的2范围为0.308～0.776。这表明可用于土壤质地反演的遥感影像随着不同采集日期的地表形态的变化而变化。干扰反射光谱的任何因素都可能会影响土壤质地的遥感反演。光谱干扰可能来自于以下方面：1）土壤水分、植被覆盖以及地表的作物残留等；2）产生不同光效应的土壤表面形态（粗糙度）；3）随季节、云层、太阳方位角和海拔变化的大气干扰会对野外反射信号产生影响。

在图5中，将本研究中的10 m分辨率的土壤质地空间分布图与Tomislav等[35-37]发布的基于机器学习的250 m分辨率的全球土壤质地分布结果进行对比。根据粉粒含量的空间分布结果（图5d），本研究发现友谊农场粉粒主要分布在东北部、北部和南部小部分地区，而Tomislav等研究的粉粒分布结果则表现出相反的趋势，但根据采样点数据，友谊农场的东北部、北部和南部的粉粒含量都比较高。根据图5e可以看出，友谊农场黏粒含量至西南向东北逐渐升高，和Tomislav等的研究一样，本研究发现友谊农场西南部黏粒的含量低，但是由于中部地区的土壤质地组成以砂粒为主，所以黏粒含量会相对比较低。在图5f中，友谊农场西南部砂粒的含量高，中部地区的砂粒含量低。而在本研究砂粒反演结果中（图5c），除了西南部砂粒的含量较高以外，中部地区存在一个沙地圈。根据采样点数据，中部地区土壤的含沙量高，本研究的砂粒反演结果也更准确。

4 结 论

本研究基于Sentinel-2影像数据，运用随机森林算法，将波段和构建的光谱指数作为输入量，根据随机森林反演模型精度逐步确定土壤质地空间预测的最佳时间窗口，对区域土壤质地的空间分布进行预测，得到如下结论：

1）在25幅Sentinel-2影像中，2020年5月7日反演粉粒和砂粒的模型精度最高（2分别为0.785和0.776）；2019年5月3日反演黏粒的模型精度最高（2=0.776）。

2）选择合适时间的卫星影像对土壤质地反演有着重要的影响，友谊农场反演土壤质地的最佳时间窗口为4月下旬—5月中旬。在此时间窗口不仅可以获得质量较好的光谱数据，而且能开发稳定的光谱模型来反演土壤质地的空间分布。

3）根据2019—2021年的25幅Sentinel-2影像，得出了不同的土壤质地反演精度结果，而土壤含水率和秸秆覆盖是造成这种结果的重要原因。

本研究的土壤质地遥感反演模型精度高，可为区域尺度土壤质地制图以及黑土区耕地保护提供关键技术。

[1] Liao K, Xu S, Wu J, et al. Spatial estimation of surface soil texture using remote sensing data[J]. Soil Science and Plant Nutrition, 2013, 59(4): 488-500.

[2] 王德彩，邬登巍，赵明松，等. 平原区土壤质地的反射光谱预测与地统计制图[J]. 土壤通报，2012，43(2)：257-262.

Wang Decai, Wu Dengwei, Zhao Mingsong, et al. Prediction and mapping of soil texture of a plain area using reflectance spectra and geo-statistics[J]. Chinese Journal of Soil Science, 2012, 43(2): 257-262. (in Chinese with English abstract)

[3] 中华人民共和国农业农村部. 国家黑土地保护工程实施方案(2021—2025年)[J]. 中国农业综合开发，2021(8)：4-11.

[4] Sullivan D G, Shaw J N, Rickman D. IKONOS imagery to estimate surface soil property variability in two Alabama physiographies[J]. Soil Science Society of America Journal, 2005, 69(6): 1789-1798.

[5] 刘焕军，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.

Liu Huanjun, Zhang Meiwei, Yang Haoxuan, et al. Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 134-140. (in Chinese with English abstract)

[6] Angelopoulou T, Tziolas N, Balafoutis A, et al. Remote sensing techniques for soil organic carbon estimation: A review[J]. Remote Sensing, 2019, 11(6): 676.

[7] Gomez C, Lagacherie P, Coulouma G. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis-NIR data[J]. Geoderma, 2012, 189: 176-185.

[8] Hengl T, Heuvelink G, Rossiter D G. About regression-kriging: From equations to case studies[J]. Computers & Geosciences, 2007, 33(10): 1301-1315.

[9] Piccini C, Marchetti A, Francaviglia R. Estimation of soil organic matter by geostatistical methods: Use of auxiliary information in agricultural and environmental assessment[J]. Ecological Indicators, 2014, 36: 301-314.

[10] Delbari M, Afrasiab P, Loiskandl W. Geostatistical analysis of soil texture fractions on the field scale[J]. Soil & Water Research, 2011, 6(4): 173-189.

[11] Zhu Q, Lin H S. Comparing ordinary kriging and regression kriging for soil properties in contrasting landscapes[J]. Pedosphere, 2010, 20(5): 594-606.

[12] Vaudour E, Gomez C, Fouad Y, et al. Sentinel-2 image capacities to predict common topsoil properties of temperate and Mediterranean agroecosystems[J]. Remote Sensing of Environment, 2019, 223: 21-33.

[13] Gomez C, Oltra-Carrió R, Bacha S, et al. Evaluating the sensitivity of clay content prediction to atmospheric effects and degradation of image spatial resolution using Hyperspectral VNIR/SWIR imagery[J]. Remote Sensing of Environment, 2015, 164: 1-15.

[14] da Silva Chagas C, de Carvalho Junior W, Bhering S B, et al. Spatial prediction of soil surface texture in a semiarid region using random forest and multiple linear regressions[J]. Catena, 2016, 139: 232-240.

[15] Lie M, Glaser B, Huwe B. Uncertainty in the spatial prediction of soil texture: Comparison of regression tree and random forest models[J]. Geoderma, 2012, 170(3): 70-79.

[16] Moonjun R, Farshad A, Shrestha D P, et al. Artificial neural network and decision tree in predictive soil mapping of Hoi Num Rin sub-watershed, Thailand[M]. Digital Soil Mapping: Netherland; Springer, 2010: 151-164.

[17] Shahriari M, Delbari M, Afrasiab P, et al. Predicting regional spatial distribution of soil texture in floodplains using remote sensing data: A case of southeastern Iran[J]. Catena, 2019, 182: 104149.

[18] Hengl T, Heuvelink G B M, Kempen B, et al. Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions[J]. PloS One, 2015, 10(6): e0125814.

[19] Pahlavan-Rad M R, Akbarimoghaddam A. Spatial variability of soil texture fractions and pH in a flood plain (case study from eastern Iran)[J]. Catena, 2018, 160: 275-281.

[20] Vaudour E, Baghdadi N, Gilliot J M. Mapping tillage operations over a peri-urban region using combined SPOT4 and ASAR/ENVISAT images[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 28: 43-59.

[21] Lehmann J, Bossio D A, Kögel-Knabner I, et al. The concept and future prospects of soil health[J]. Nature Reviews Earth & Environment, 2020, 1(10): 544-553.

[22] Gao B C, Goetz A, Wiscombe W J. Cirrus cloud detection from airborne imaging spectrometer data using the 1. 38 μm water vapor band[J]. Geophysical Research Letters, 1993, 20(4): 301-304.

[23] Dou X, Wang X, Liu H J, et al. Prediction of soil organic matter using multi-temporal satellite images in the Songnen Plain, China[J]. Geoderma, 2019, 356: 113896.

[24] Meng X T, Bao Y L, Liu H J, et al. Regional soil organic carbon prediction model based on a discrete wavelet analysis of hyperspectral satellite data[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 89: 102111.

[25] 黄翀，许照鑫，张晨晨，等. 基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法[J]. 农业工程学报，2020，36(9)：177-184.

Huang Chong, Xu Zhaoxin, Zhang chenchen, et al. Extraction of rice planting structure in tropical region based on Sentinel-1 temporal features integration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 177-184. (in Chinese with English abstract)

[26] 唐海涛，孟祥添，苏循新，等. 基于CARS算法的不同类型土壤有机质高光谱预测[J]. 农业工程学报，2021，37(2)：105-113.

Tang Haitao, Meng Xiangtian, Su Xunxin, et al. Hyperspectral prediction on soil organic matter of different types using CARS algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 105-113. (in Chinese with English abstract)

[27] 刘丹，冯锐，于成龙，等. 基于植被指数的春玉米干旱响应遥感监测[J]. 农业工程学报，2019，35(20)：152-161.

Liu Dan, Feng Rui, Yu Chenglong, et al. Remote sensing monitoring of drought response of spring maize based on vegetation indexes[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 152-161. (in Chinese with English abstract)

[28] Jin X, Ma J, Wen Z, et al. Estimation of maize residue cover using Landsat-8 OLI image spectral information and textural features[J]. Remote Sensing, 2015, 7(11): 14559-14575.

[29] Xiao J, Shen Y, Tateishi R, et al. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing[J]. International Journal of Remote Sensing, 2006, 27(12/14): 2411-2422.

[30] Conforti M, Matteucci G, Buttafuoco G. Using laboratory Vis-NIR spectroscopy for monitoring some forest soil properties[J]. Journal of Soils and Sediments, 2018, 18(3): 1009-1019.

[31] Gomez C, Dharumarajan S, Féret J B, et al. Use of Sentinel-2 time-series images for classification and uncertainty analysis of inherent biophysical property: Case of Soil Texture Mapping[J]. Remote Sensing, 2019, 11(5): 565.

[32] Swain S R, Chakraborty P, Panigrahi N, et al. Estimation of soil texture using Sentinel-2 multispectral imaging data: An ensemble modeling approach[J]. Soil and Tillage Research, 2021, 213: 105134.

[33] Luo C, Zhang X, Meng X, et al. Regional mapping of soil organic matter content using multitemporal synthetic Landsat 8 images in Google Earth Engine[J]. Catena, 2022, 209: 105842.

[34] Vaudour E, Gomez C, Loiseau T, et al. The impact of acquisition date on the prediction performance of topsoil organic carbon from Sentinel-2 for croplands[J]. Remote Sensing, 2019, 11(18): 2143.

[35] Tomislav H. Silt content in % (kg/kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (v0. 2)[EB/OL]. Zenodo, 2018. (2018-12-24) [2022-05-10]. https://doi.org/10.5281/zenodo.2525676

[36] Tomislav H. Clay content in % (kg/kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (v0. 2)[EB/OL]. Zenodo, 2018. (2018-11-02) [2022-05-10]. https://doi.org/10.5281/zenodo.2525663

[37] Tomislav H. Sand content in % (kg/kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (v0. 2)[EB/OL]. Zenodo, 2018. (2018-12-24)[2022-05-10]. https://doi.org/10.5281/zenodo.2525662

Time window and influencing factors analysis of tillage soil texture remote sensing in the typical black soil region

Liu Qiong1, Luo Chong2, Meng Xiangtian2, Zhang Xinle1※, Tang Haitao1, Ma Shinai1, Liu Huanjun2

(1.,,150030,;2.,,130012,)

Spatial distribution of cultivated soil texture is generally crucial to the precision management of agriculture and farmland protection in black soil areas. Remote sensing technology can be an effective way to rapidly acquire the spatial distribution of soil texture. Taking the Youyi Farm in Heilongjiang Province of China as the study area, this study aims to evaluate the best time window for the remote sensing inversion of soil texture in the cultivated land. 25 Sentinel-2 images were selected in the study area from 2019 to 2021. The band and spectral index of each image were input into the random forest model, in order to establish a remote sensing inversion model of soil texture. A comparison was made on the model accuracy of soil texture inversion from the images in different periods. The most suitable image was determined for the remote sensing inversion of soil texture. The spatial distribution of soil texture was obtained to evaluate the accuracy of soil texture inversion from the Sentinel-2 multi-spectral images on different dates. The results showed that: 1) From the visible light to short wave infrared 1 (1 565-1 655nm) spectral reflectance increased with the increase of wavelength, from the short wave infrared 1 to short wave infrared 2 (2 100-2 280nm) spectral reflectance decreased significantly. The spectral reflectance decreased with the increase of silt and clay content, whereas there was an increase with the increase of sand content. 2) There was the maximum accuracy of inversion model in the silt and sand on May 7, 2020 (the coefficient of determination (2) of silt was 0.785 in 25 Sentinel-2 images, and Root Mean Square Error (RMSE) was 6.697%; the2of sand was 0.776, and RMSE was 8.296 %). The maximum accuracy was also achieved in the clay inversion model on May 3, 2019 (2=0.776, RMSE=1.600%). 3) The appropriate time of satellite images was selected as an important impact on soil texture inversion. The best time window was from late April to mid-May in the study area. The time window and good-quality spectral data were obtained to develop a stable spectral model for the spatial distribution of soil texture. 4) Different inversion accuracy of soil texture were obtained using the 25 Sentinel-2 images from 2019 to 2021. This data was attributed to the soil water content and straw mulching. 5) The silt and clay particles were distributed more in the northeast, north, and south, and less in the middle and southwest of the study area. There was the opposite trend of the sand, especially the generally high sand content in the middle of the study area. Therefore, the high-precision remote sensing inversion model was achieved in the soil texture. The finding can provide the key technologies for regional soil texture mapping and farmland protection in the black soil areas.

soils; random forest; remote sensing; black soil; time window; Sentinel-2; influencing factor; texture

10.11975/j.issn.1002-6819.2022.18.013

S157

A

1002-6819(2022)-18-0122-08

刘琼，罗冲，孟祥添，等. 典型黑土区耕作土壤质地遥感时间窗口及影响因素分析[J]. 农业工程学报，2022，38(18)：122-129.doi：10.11975/j.issn.1002-6819.2022.18.013 http://www.tcsae.org

Liu Qiong, Luo Chong, Meng Xiangtian, et al. Time window and influencing factors analysis of tillage soil texture remote sensing in the typical black soil region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 122-129. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.013 http://www.tcsae.org

2022-04-26

2022-08-10

国家重点研发计划项目（2021YFD1500100）；王宽诚教育基金

刘琼，研究方向为农业遥感。Email：liuqiong0422@163.com

张新乐，博士，副教授，研究方向为生态遥感。Email：zhangxinle@gmail.com