现代农业土壤属性空间预测方法综述

摘要：土壤是陆地生态系统中的核心，具有多种属性，主要包括土壤质地、土壤盐度、土壤养分、土壤有机碳（Soil organic carbon，SOC）、土壤酸碱度、土壤含水率等，在动植物生长、调节气候变化以及保护生物多样性等方面发挥着关键作用。近些年来土壤问题变得日益严峻，量化土壤的各种属性变得至关重要。通过分析总结土壤属性空间预测的多元/逐步线性回归、偏最小二乘回归等线性回归方法，支持向量机、随机森林和人工神经网络等机器学习方法，以及多层感知器和卷积神经网络等深度学习方法，可以为提升土壤属性的空间预测精度，缓解土壤问题，促进生态环境的可持续发展提供理论支撑。因此，在对区域土壤属性进行空间预测时，应充分考虑各种条件的影响，将多种空间预测方法相结合，以此提升土壤属性的预测精度，促进土壤生态系统的健康发展。

关键词：土壤；空间预测；土壤有机质；土壤养分；机器学习

中图分类号：S159 文献标志码：A

A Review of Spatial Prediction Methods of Soil Properties in Modern Agriculture

LIANG Ruilin

（College of Architectural Engineering and Spatial Information， Shandong University of Technology，

Zibo， Shandong 255000， China）

Abstract： Soil is the core of terrestrial ecosystems， and it has a variety of properties， including soil texture， soil salinity， soil nutrients， soil organic carbon （SOC）， soil pH， soil moisture content and so on. It plays a key role in animal and plant growth， regulating climate change and protecting biodiversity. In recent years， due to the worsening problem in soil， quantifying soil properties has become crucial. By analyzing and summarizing linear regression methods such as multivariate/stepwise linear regression and partial least squares regression for spatial prediction of soil properties， machine learning methods such as support vector machine， random forest and artificial neural network and deep learning methods such as multilayer perceptron and convolutional neural network， thus providing theoretical support for improving the spatial prediction accuracy of soil properties， alleviating soil problems and promoting the sustainable development of ecological environment. Therefore， when conducting spatial prediction of regional soil properties， the influence of various conditions should be considered and a variety of spatial prediction methods should be combined， so as to improve the prediction accuracy of soil properties and promote the healthy development of soil ecosystems.

Keywords： Soil; spatial prediction; soil organic matter; soil nutrient; machine learning

土壤是陸地生态系统中的核心，在动植物生长、调节气候变化以及保护生物多样性等方面发挥着重要的作用。土壤具有多种物理化学性质，主要包括土壤质地、土壤盐度、土壤养分、土壤有机碳、土壤酸碱度、土壤含水率等。土壤有机碳（Soil organic carbon，SOC）是反映土壤的结构和功能、土壤肥力以及支持动植物健康生活的关键指标[1]，在稳定生态系统和促进陆地碳循环中起着关键作用，土壤碳（C）、氮（N）等养分，通过影响凋零物的分解、营养物质的循环积累和土壤微生物运动[2]，来影响土壤肥力和生产力，是决定植物营养水平的关键因素之一[3]，土壤微生物可以促进植物养分的转化和循环，土壤盐度对土壤养分循环、有机质分解、植物生产力和生物多样性有显著影响[4]。近年来，由于城市化和工业化的高速发展，导致可耕种土地大量减少[5]，由于施肥不足或不平衡，导致土壤肥力逐渐下降[6]，土壤问题变得日益严峻，因此对土壤的各种属性进行测定变得至关重要。传统的土壤属性测定主要通过室外土壤样品采集和室内实验室分析来实现[7]，这种测量方法需要耗费大量时间，成本较昂贵，效率低下[2]，难以快速得到土壤属性的预测结果，并且使用实验室分析试剂还可能会释放环境污染物分子[8]，不利于生态环境的可持续发展。根据现有理论和实证研究[9]，有学者发现土壤属性空间预测可以快速高效的对土壤的各种属性进行评估，并且具有经济、无损和成本效益高的优点[2]，及时诊断土壤养分、土壤有机碳等土壤属性的含量也是提高农业集约化和弥合产量差距的关键，在维持土壤功能和提供相关生态系统服务方面有着至关重要的作用[10]。因此，综述土壤属性空间预测研究，不仅可以为人类农业活动提供有价值的数据和理论指导[9]，还在现代农业工程中具有重要的研究意义与应用价值[7]。

1 方法总述

目前土壤属性空间预测用到的方法有很多，主要包括线性回归（Linear regression，LR）、机器学习（Machine learning，ML）和深度学习（Deep learning，DL）三种类型。在土壤属性的空间预测过程中，各种模型的应用过程多种多样。部分研究采用单一预测模型对土壤属性进行空间预测，如BANGROO等利用回归克里格法（Regression-kriging，RK）分析预测变量在北克什米尔森林喜马拉雅地区土壤有机碳和总氮空间定量中的应用[11]；也有部分研究将预测模型与环境协变量等其他因素相结合对土壤属性进行空间预测，如LELAGO等将中红外光谱（Mid-infrared spectroscopy，MIR）与偏最小二乘回归方法（Partial least squares regression，PLSR）相结合对埃塞俄比亚选定地区的农业土壤养分进行预测[8]；还有部分研究将多种预测模型相结合，采用综合方法对土壤属性进行空间预测，PACINI等[12]在估算欧洲农田表层土壤有机碳含量的研究中，将土壤气候的自然参照（Natural references per pedoclimate）、数据驱动互惠建模（Data-driven reciprocal modeling）与碳景观区概念（The concept of carbon landscape zones）三种方法采用集成建模框架相结合，提出一种新的集成建模方法（Ensemble modeling），对欧洲农田表层的土壤有机碳进行空间预测。可以看出，土壤属性的空间预测方法多种多样，因此，本文对这几种预测模型在土壤属性空间预测中的具体应用展开了相应的介绍。

2 线性回归模型在农业土壤属性空间预测中的应用

回归模型是对连续型变量进行预测的一种机器学习模型，主要包括线性回归（Linear regression，LR）、多项式回归（Polynomial regression）、集成学习（Ensemble learning）、岭回归（Ridge regression）、Lasso回归（Lasso regression）等模型。在土壤属性的空间预测研究中，LR是最常用的回归方法，其基本原理是利用数理统计中的回归分析确定两种或两种以上的变量间相互依赖的定量关系。LR主要包括偏最小二乘（Partial least squares regression，PLSR）、多元線性回归（Multiple linear regression，MLR）、逐步线性回归（Stepwise linear regression，SWLR）、分位数回归（Quantile regression，QR）和广义加性模型（Generalized additive model，GAM）等，均广泛应用于土壤属性的评估与空间预测[5]。例如在之前的研究中，GUO等[13]采用LR模型检验自然土壤背景值校正的城市表层土壤微量元素浓度与总体沉积之间的相关性，用于评估大气微量元素沉积对城市土壤污染的潜在影响。LOMBARDO等[14]采用QR模型对SOC进行空间预测，并探究了在半干旱农业区不同SOC储量下预测因子的作用。SIRSAT等[5]利用广泛的回归方法对土壤养分进行空间预测，自动预测了印度几种具有不同养分的乡村土壤的肥力，决定在农业生产中施用适量的肥料来改善土壤肥力，并制定了相应的肥料分配和消费政策。

2.1 多元/逐步线性回归

MLR是含有多个变量的线性回归模型，SWLR是可以自动从大量可供选择的变量中逐个选取所需变量的线性回归模型，二者均在土壤属性的评估与空间预测中发挥着重要作用。例如在之前的研究中，VA??T等[15]基于可见光-近红外漫反射光谱（Visible to near infrared-diffuse reflectance spectrum，VNIR-DRS），利用MLR模型，通过连续去除光谱技术预测土壤中可提取的营养物质。WANG等[16]采用MLR模型，建立了预测土壤有机碳归一化吸附系数（Soil organic carbon normalized absorption coefficients，KOC）的定量构效关系（Quantitative structure-activity relationship，QSAR）模型，对SOC进行空间预测。有时还将MLR与SWLR相结合，形成逐步多元线性回归模型（Stepwise multiple linear regression，SMLR），对土壤的各种属性进行评估与空间预测。例如WANG等应用SMLR和主成分回归（Principal component regression，PCR）算法建立了不同变换方法预处理后的反射光谱数据与重金属之间的关系，采用反射光谱技术对山东省典型污灌区土壤中的重金属含量进行估算[17]。

2.2 偏最小二乘回归

PLSR是一种多对多的线性回归方法，适用于变量个数很多且都存在多重相关性，而样本量又较少的情形。它可以通过从因变量和自变量的协方差矩阵中生成潜变量来去除数据集中的共线性[18]，因此该模型可以使用共线且不独立的预测变量[14]。并且它还可以同时实现多元线性回归、主成分分析以及两组变量之间的相关分析，因此广泛应用于土壤属性的评估与空间预测。例如在之前的研究中，LI等[19]采用PLSR模型，研究土壤性质、集料稳定性和集料尺寸组成、可视化植被格局和植被恢复时间对C-N-P含量和化学计量学的影响。CAMBOU等[20]利用原位获取的可见光-近红外反射光谱（Visible to near infrared spectrum，Vis-NIRS）和筛干样品，比较了局部PLSR与全局PLSR模型在预测区域土壤有机碳储量方面的性能，得出基于光谱近邻的局部PLSR优于全局PLSR，并证明了使用建立在存档土壤样本上的Vis-NIRS库可以准确地量化SOC储量。DAS等[21]采用PLSR模型，基于Vis-NIRS对SOC进行空间预测，并得出将Vis-NIRS与PLSR相结合可以准确预测SOC含量。LELAGO等[8]将MIR光谱与PLSR模型相结合，对埃塞俄比亚选定地区的农业土壤养分进行空间预测；然而，光谱波长和客观变量之间不仅存在线性关系，还存在非线性关系[22]，因此PLSR在预测非线性变量的SOC时存在一定局限性。

2.3 多种线性回归方法组合应用

在土壤属性的空间预测中，除了以上两种线性回归模型，还有部分研究采用多种回归模型进行空間预测。例如NOWKANDEH等[23]在估算伊朗半干旱地区的土壤有机质（Soil organic matter，SOM）含量研究中，利用Hyperion影像，采用逐步回归（Stepwise regression，SWR）、最小回归（Minimum regression，MinR）、PLSR和PCR模型预测伊朗半干旱地区SOM的空间分布，得出SWR和PLSR在预测整个半干旱地区土壤有机质中的精度较高。通过以上案例可以得出，LR模型具有建模速度快、可释性好以及预测精度较高的优点。然而，该模型无法较好的拟合非线性数据，容易出现过拟合问题，因此在对土壤属性进行空间预测时应综合考虑多种预测方法。

3 机器学习模型在农业土壤属性空间预测中的应用

ML指通过输入大量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确分类或预测的一种方法。ML模型有很多，主要包括支持向量机（Support vector machine，SVM）、随机森林（Random forest，RF）、人工神经网络（Artificial neutral network，ANN）等，均广泛用于土壤属性的评估与空间预测，且应用形式多样。例如CHEN等[24]在绘制农田土壤有机质的动态图谱研究中，比较了决策树（Decision tree，DT）、装袋决策树（Bagging decision tree，BDT）、RF和梯度提升回归树（Gradient boosting regression trees，GBRT）四种机器学习算法对中国湖北省2000年至2017年18年间农田SOM的空间预测性能，并绘制了每年500 m×500 m像素的农田土壤有机质图，得出GBRT对SOM含量的预测效果最好。下面将分别介绍几种常用的机器学习模型在具体土壤属性空间预测案例中的应用。

3.1 支持向量机

SVM是一类按监督学习（Supervised learning）方式对数据进行二元分类的广义线性分类器（Generalized linear classifier）。该模型的基本原理是求解学习样本几何间隔最大的分离超平面，以正确划分训练数据集。SVM是一种小样本学习法，不仅算法简单，还具有较好的“鲁棒”性，因此在土壤属性的空间预测中得到了广泛的应用。例如GAO等[25]采用SVM校正土壤团聚体结合态有机碳（Soil aggregate-associated organic carbon，SAOC）的预测模型，对SAOC进行多元预测，为大尺度预测SOC提供了可能。ABDOLI等[26]在利用遥感数据预测伊朗部分农业土壤中SOC研究中，采用ANN、支持向量机回归（Support vector regression，SVR）和基因表达式编程（Gene expression programming，GEP）等机器学习模型对SOC含量进行估算，得出SVR模型的预测精度更高，并得出将不同卫星的遥感数据相结合可以提高SOC的预测精度。DEVIANTI等利用Vis-NIR光谱，结合SVR、偏最小二乘-人工神经网络（Partial least squares-artificial neural network，PLS-ANN）和梯度增强树回归（Gradient boosting regression trees，GBRT）三种机器学习方法预测印度尼西亚亚齐省的农田土壤养分，并比较了三种机器学习算法的性能[3]。QI等[2]利用高光谱可见-近红外光谱（Hyperspectral visible and near-infrared）数据，并结合PLSR、LS-SVM和反向传播神经网络（Back propagation neural network，BPNN） 3种回归方法，建立土壤NPK预测模型，对土壤中的NPK进行建模和预测，为利用高光谱可见-近红外光谱数据选择校准方法和提高对土壤NPK的预测能力提供了一个框架。尽管SVM有众多优点，但是该模型对缺失的数据较为敏感，并且在解决非线性问题时没有通用的解决方法，因此在对SOC进行评估与空间预测时还应综合考虑多种预测方法。

3.2 随机森林

RF是一种由多个决策树相结合而成的集成机器学习模型。集成学习（Ensemble-learning）通过训练多个学习器并将它们结合起来共同解决一个问题，因此该方法的准确率高，在土壤属性空间预测中具有较高的预测精度。例如在之前的研究中，LIU等[27]基于可见-近红外高光谱成像（Visible to near infrared hyperspectral imaging，Vis-NIR-HSI），利用RF模型对土壤中的有机碳进行预测，得出成像光谱技术在预测未扰动土壤轮廓中的SOC中发挥着重要作用。多数研究通常将RF模型与其他模型进行对比，以探究模型在土壤属性空间预测中的预测精度。例如WANG等[28]利用收集的澳大利亚东部半干旱地区的数据，对比评估了增强回归树（Boosted regression trees，BRT）和RF模型在预测SOC储量中的效果，并得出RF模型具有较高的预测精度。OPPONG SARKODIE等[29]分别采用Cubist模型和RF模型预测捷克共和国41个天然林区地表有机层、矿质表土层和底土层碳储量的空间分布，并结合网格搜索超调提高预测精度，得出RF模型在地表有机层、矿质表土层和底土层森林土壤SOC储量预测中的精度均高于Cubist模型，并且与RF模型相比，Cubist模型在预测时需要使用更多的协变量。PAUL S等在利用遥感数据对SOC和黏粒（Clay，CL）进行制图的研究中，将来自多个陆地卫星图像、地形指数和土壤调查信息的野外数据、土壤和土壤指数相结合，利用RF和广义增强回归模型（Generalized enhanced regression model，GBM）对三角洲农田SOC和CL进行数字制图，预测土壤的工作性能，得出RF在各方面的预测精度均高于GBM[30]。还有部分研究将RF模型与其他模型相结合来提升土壤属性的空间预测精度。例如CHINILIN等[31]在结合机器学习和环境协变量绘制俄罗斯土壤中有机碳图的研究中，使用RF和空间交叉验证技术（Spatial cross-validation techniques）相结合的三维建模方法，预测俄罗斯土壤中SOC含量的横向和纵向分布，证明了将遥感数据与地形和气候变量相结合有利于对土壤有机碳空间变异的估算，并得出土壤剖面深度和季节性温度是最关键的预测因子。从以上案例中可以看出，RF模型具有较高的预测精度，且不易出现过拟合问题，因此被许多研究者所采用。然而，该方法也存在一定的局限性，即在处理取值划分较多的特征时拟合效果较差。

3.3 人工神经网络

ANN也是一种常用的机器学习模型，它基于多层感知器（Multilayer perceptron，MLP），采用反向傳播算法（Back-propagation algorithm，BP）计算网络中权值所需的梯度。该模型由输入层、隐藏层和输出层三层组成，采用并行分布处理（Parallel distributed processing）方法，具有较高的精度，有利于对土壤属性进行评估与空间预测。例如KIM等[6]利用ANN模型估算土壤侵蚀和养分浓度，得出在提高作物产量的同时应尽量减少环境污染问题的结论。PELLEGRINI等[32]采用ANN模型对葡萄园土壤中的微生物生物量进行预测，得出ANN模型比LR模型具有更好的拟合度，即ANN模型具有较高的预测性能。WERE等[33]将ANN与模糊逻辑相结合，设计了一种新的基于进化遗传优化的自适应神经模糊推理系统ANFIS-EC，对毛乌素森林保护区东部土壤的SOC储量进行空间预测，并绘制了SOC分布图。PUDE?KO等[34]在比较傅里叶红外光谱（Fourier transform-near infrared，FT-NIR）和近红外高光谱成像（Near-infrared hyperspectral imaging，NIR-HSI）对矿山土壤中有机碳浓度（Concentrations of organic carbon，Corg ）和总氮（Total nitrogen，Nt）含量的预测性能的研究中，采用ANN方法建立了126个样本的预测模型，得出基于NIR-HSI的模型对Corg含量预测的准确性明显高于基于FT-NIR数据的模型。通过以上案例可以看出，ANN模型具有较高的预测精度，但该模型也存在所有神经网络模型所共有的缺点，即在使用过程中需要大量数据，进行大量训练，导致训练时间长，并且模型的计算过程较为复杂，运算量大。

4 深度学习模型在农业土壤属性空间预测中的应用

DL是一种能学习极其复杂模式的多层神经网络，主要用于对大规模的数据进行处理和预测，具有学习能力极强、适应性强以及可移植性好的优点，在土壤属性的空间预测中发挥着重要的作用。常用的DL模型主要有MLP、卷积神经网络（Convolutional neural network，CNN）、循环神经网络（Recurrent neural network，RNN）、深度信念网络（Deep belief networks，DBN）、长短期记忆网络（Long short-term memory neural networks，LSTM）、门控循环单元（Gate recurrent unit，GRU）等，均广泛应用于土壤属性的评估与空间预测。例如WANG等采用一维卷积神经网络（One dimensional-convolutional neural network，1D-CNN）、二维卷积神经网络（Two dimensional-convolutional neural network，2D-CNN）、DBN、RNN、LSTM、GRU 6种DL方法，对中国南疆的SOC进行空间预测，并得出LSTM模型表现最好，DBN模型表现最差，1D-CNN、2D-CNN、RNN和DBN算法对不同的样本量比较敏感[35]。下面将具体对土壤属性空间预测中常用的几种DL模型进行介绍。

4.1 多层感知器

MLP是最简单、最经典的神经网络。它由输入层、隐含层和输出层三层结构组成，并且不同层之间全连接，具有较高的准确性和较强的表达能力，因此可以用其对土壤属性进行评估与空间预测。例如JANG等[36]在评估人类活动对澳大利亚纳莫伊山谷下游土壤有机碳变化的影响研究中，采用MLP模型，以10 cm为间隔，预测土壤表层至1 m深度的SOC含量，并得出，灌溉种植区SOC损失量最大，其次为非灌溉种植区和牧草地，并且所有种植区的SOC储量均表现出至少5 tC·ha-1的下降，表层SOC损失量最大，且随深度增加呈指数性递减。然而，MLP在预测时需要较多参数，并且训练难度较大，因此在土壤属性的空间预测的过程中，可以综合考虑MLP与其他深度学习模型。

4.2 卷积神经网络

CNN是目前公认的主流深度学习模型之一，成功应用于图像处理、土壤空间预测和其他地理要素预测中[37]。CNN模型一般由输入层、卷积层、激活层、池化层、光栅化层、全连接层和输出层组成。其中，光栅化层有时可以省略，卷积层、激活层和池化层是CNN的核心结构，三者可以叠加重复使用。CNN模型在土壤属性的空间预测中应用非常广泛。例如NG等[38]采用CNN模型，使用可见/近红外、中红外以及它们的组合光谱同时对土壤属性进行空间预测，得出CNN模型具有较高的预测精度。CHEN等[39]基于实验室Vis-NIR光谱数据，采用CNN模型，对土壤湿度进行空间预测，得出CNN模型的预测精度较高，并得出基于知识的迁移学习方法是一种高效的土壤属性空间预测方法。HOSSEINPOUR-ZARNAQ等[40]在利用Vis-NIR光谱数据预测土壤属性的研究中，使用吸光度光谱数据开发了1D-CNN模型，对土壤属性进行空间预测，并证明使用CNN模型和Vis-NIR光谱数据可以快速准确的评估土壤属性。YANG等[41]在利用卫星物候变量预测区域尺度上的土壤有机碳含量研究中，利用CNN模型，将植被物候变量与自然地理变量相结合，研究空间邻域大小对土壤预测的影响，并得出CNN模型在预测SOC含量中具有较高的精度，陆面物候指标是有效的SOC预测因子。通过以上案例可以看出，CNN模型具有较高的预测精度和效率，但同时也存在一些不足，比如由于需要处理大量数据导致该模型的训练速度较慢，并且有时易出现过拟合问题，导致其在训练数据上表现良好而在测试数据中的表现较差。

5 结论与讨论

通过以上综述，我们可以得出土壤属性的空间预测方法多种多样，且各有优缺点。通过对土壤属性进行空间预测，可以探究土壤各种属性对土壤肥力以及植物生长的影响，治理土壤污染，解决当下日益严峻的土壤问题，并且可以提升土壤肥力，增加作物的产量，对实行精准农业，土地退化监测，土地利用管理，保护生态环境以及实现我国双碳目标具有重要意义。因此，在对区域土壤属性进行空间预测时，应充分考虑当地自然环境条件以及社会经济条件的影响，选取最合适的预测方法，将多种空间预测方法相结合，以此来提升土壤属性的预测精度，促进土壤生态系统的健康发展。

參考文献

[1] ORTON T G， THORNTON C M， PAGE K L， et al. Evaluation of remotely sensed imagery to monitor temporal changes in soil organic carbon at a long-term grazed pasture trial[J]. Ecological Indicators， 2023， 154： 110614.

[2] QI H J， PAZ-KAGAN T， KARNIELI A， et al. Evaluating calibration methods for predicting soil available nutrients using hyperspectral VNIR data[J]. Soil and Tillage Research， 2018， 175： 267-275.

[3] DEVIANTI， SUFARDI， RAMAYANTY B， et al. Vis-NIR Spectra Combined with Machine Learning for Predicting Soil Nutrients in Cropland From Aceh Province， Indonesia[J]. Case Studies in Chemical and Environmental Engineering.

[4] ZHANG G L， BAI J H， ZHAI Y J， et al. Microbial diversity and functions in saline soils： A review from a biogeochemical perspective[J]. Journal of Advanced Research， 2023： S2090-S1232（23）00178-9.

[5] SIRSAT M S， CERNADAS E， FERN?NDEZ-DELGADO M， et al. Automatic prediction of village-wise soil fertility for several nutrients in India using a wide range of regression methods[J]. Computers and Electronics in Agriculture， 2018， 154： 120-133.

[6] KIM M， GILLEY J E. Artificial Neural Network estimation of soil erosion and nutrient concentrations in runoff from land application areas[J]. Computers and Electronics in Agriculture， 2008， 64（2）： 268-275.

[7] LIU K， WANG Y F， WANG X D， et al. Characteristic bands extraction method and prediction of soil nutrient contents based on an analytic hierarchy process[J]. Measurement， 2023， 220： 113408.

[8] LELAGO A， BIBISO M. Performance of mid infrared spectroscopy to predict nutrients for agricultural soils in selected areas of Ethiopia[J]. Heliyon， 2022， 8（3）： e09050.

[9] SHAO W Y， WANG Q Z， GUAN Q Y， et al. Distribution of soil available nutrients and their response to environmental factors based on path analysis model in arid and semi-arid area of Northwest China[J]. The Science of the Total Environment， 2022， 827： 154254.

[10] TIAGO R T， BUDIMAN M， ALEX M， et al. Estimating plant-available nutrients with XRF sensors： Towards a versatile analysis tool for soil condition assessment[J]. Geoderma， 2023， 439： 116701.

[11] BANGROO S A， NAJAR G R， ACHIN E， et al. Application of predictor variables in spatial quantification of soil organic carbon and total nitrogen using regression Kriging in the North Kashmir forest Himalayas[J]. CATENA， 2020， 193： 104632.

[12] PACINI L， ARBELET P， CHEN S C， et al. A new approach to estimate soil organic carbon content targets in European croplands topsoils[J]. The Science of the Total Environment， 2023， 900： 165811.

[13] GUO Y Y， DU E Z， LI B H， et al. Significant urban hotspots of atmospheric trace element deposition and potential effects on urban soil pollution in China[J]. Journal of Cleaner Production， 2023， 415： 137872.

[14] LOMBARDO L， SAIA S， SCHILLACI C， et al. Modeling soil organic carbon with Quantile Regression： Dissecting predictors' effects on carbon stocks[J]. Geoderma， 2018， 318： 148-159.

[15] VA??T R， KODE?OV? R， BOR?VKA L， et al. Consideration of peak parameters derived from continuum-removed spectra to predict extractable nutrients in soils with visible and near-infrared diffuse reflectance spectroscopy （VNIR-DRS）[J]. Geoderma， 2014， 232-234： 208-218.

[16] WANG Y， CHEN J W， YANG X H， et al. In silico model for predicting soil organic carbon normalized sorption coefficient （K（OC）） of organic chemicals[J]. Chemosphere， 2015， 119： 438-444.

[17] WANG F， LI C F， WANG J N， et al. Concentration estimation of heavy metal in soils from typical sewage irrigation area of Shandong Province， China using reflectance spectroscopy[J]. Environmental Science and Pollution Research International， 2017， 24（20）： 16883-16892.

[18] MUNNAF M A， GUERRERO A， NAWAR S， et al. A combined data mining approach for on-line prediction of key soil quality indicators by Vis-NIR spectroscopy[J]. Soil and Tillage Research， 2021， 205： 104808.

[19] LI W Q， LIU Y J， ZHENG H， et al. Complex vegetation patterns improve soil nutrients and maintain stoichiometric balance of terrace wall aggregates over long periods of vegetation recovery[J]. CATENA， 2023， 227： 107141.

[20] CAMBOU A， ALLORY V， CARDINAEL R， et al. Comparison of soil organic carbon stocks predicted using visible and near infrared reflectance （VNIR） spectra acquired in situ vs. on sieved dried samples： Synthesis of different studies[J]. Soil Security， 2021， 5： 100024.

[21] DAS B， CHAKRABORTY D， SINGH V K， et al. Partial least square regression based machine learning models for soil organic carbon prediction using visible–near infrared spectroscopy[J]. Geoderma Regional， 2023， 33： e00628.

[22] NAWAR S， MUNNAF M A， MOUAZEN A M. Machine learning based on-line prediction of soil organic carbon after removal of soil moisture effect[J]. Remote Sensing， 2020， 12（8）： 1308.

[23] MALLAH NOWKANDEH S， NOROOZI A A， HOMAEE M. Estimating soil organic matter content from Hyperion reflectance images using PLSR， PCR， MinR and SWR models in semi-arid regions of Iran[J]. Environmental Development， 2018， 25： 23-32.

[24] CHEN D， CHANG N J， XIAO J F， et al. Mapping dynamics of soil organic matter in croplands with MODIS data and machine learning algorithms[J]. The Science of the Total Environment， 2019， 669： 844-855.

[25] GAO C R， YAN X B， QIAO X X， et al. Multivariate prediction of soil aggregate-associated organic carbon by simulating satellite sensor bands[J]. Computers and Electronics in Agriculture， 2023， 209： 107859.

[26] ABDOLI P， KHANMIRZAEI A， HAMZEH S， et al. Use of remote sensing data to predict soil organic carbon in some agricultural soils of Iran[J]. Remote Sensing Applications： Society and Environment， 2023， 30： 100969.

[27] LIU S Y， CHEN J Y， GUO L， et al. Prediction of soil organic carbon in soil profiles based on visible–near-infrared hyperspectral imaging spectroscopy[J]. Soil and Tillage Research， 2023， 232： 105736.

[28] WANG B， WATERS C， ORGILL S， et al. Estimating soil organic carbon stocks using different modelling techniques in the semi-arid rangelands of eastern Australia[J]. Ecological Indicators， 2018， 88： 425-438.

[29] OPPONG SARKODIE V Y， VA??T R， POULADI N， et al. Predicting soil organic carbon stocks in different layers of forest soils in the Czech Republic[J]. Geoderma Regional， 2023， 34： e00658.

[30] PAUL S S， COOPS N C， JOHNSON M S， et al. Mapping soil organic carbon and clay using remote sensing to predict soil workability for enhanced climate change adaptation[J]. Geoderma， 2020， 363： 114177.

[31] CHINILIN A， SAVIN I Y. Combining machine learning and environmental covariates for mapping of organic carbon in soils of Russia[J]. The Egyptian Journal of Remote Sensing and Space Sciences， 2023， 26（3）： 666-675.

[32] PELLEGRINI E， ROVERE N， ZANINOTTI S， et al. Artificial neural network （ANN） modelling for the estimation of soil microbial biomass in vineyard soils[J]. Biology and Fertility of Soils， 2021， 57（1）： 145-151.

[33] WERE K O， TIEN BUI D， DICK ? B， et al. A novel evolutionary genetic optimization-based adaptive neuro-fuzzy inference system and geographical information systems predict and map soil organic carbon stocks across an afromontane landscape[J]. Pedosphere， 2017， 27（5）： 877-889.

[34] PUDE?KO A， CHODAK M， ROEMER J， et al. Application of FT-NIR spectroscopy and NIR hyperspectral imaging to predict nitrogen and organic carbon contents in mine soils[J]. Measurement， 2020， 164： 108117.

[35] WANG Y， CHEN S C， HONG Y S， et al. A comparison of multiple deep learning methods for predicting soil organic carbon in Southern Xinjiang， China[J]. Computers and Electronics in Agriculture， 2023， 212： 108067.

[36] JANG H J， DOBARCO M R， MINASNY B， et al. Assessing human impacts on soil organic carbon change in the Lower Namoi Valley， Australia[J]. Anthropocene， 2023， 43： 100393.

[37] TIEN BUI D， HOANG N D， MART?NEZ-?LVAREZ F， et al. A novel deep learning neural network approach for predicting flash flood susceptibility： A case study at a high frequency tropical storm area[J]. The Science of the Total Environment， 2020， 701： 134413.

[38] NG W， MINASNY B， MONTAZEROLGHAEM M， et al. Convolutional neural network for simultaneous prediction of several soil properties using visible/near-infrared， mid-infrared， and their combined spectra[J]. Geoderma， 2019， 352： 251-267.

[39] CHEN Y， LI L， WHITING M， et al. Convolutional neural network model for soil moisture prediction and its transferability analysis based on laboratory Vis-NIR spectral data[J]. International Journal of Applied Earth Observation and Geoinformation， 2021， 104： 102550.

[40] HOSSEINPOUR-ZARNAQ M， OMID M， SARMADIAN F， et al. A CNN model for predicting soil properties using VIS–NIR spectral data[J]. Environmental Earth Sciences， 2023， 82（16）： 382.

[41] YANG L， CAI Y Y， ZHANG L， et al. A deep learning method to predict soil organic carbon content at a regional scale using satellite-based phenology variables[J]. International Journal of Applied Earth Observation and Geoinformation， 2021， 102： 102428.

責任编辑：李菊馨

第一作者：梁瑞琳，在读本科生，研究方向为农业遥感，E-mail：749968515@qq.com。

收稿日期：2023-09-16