1 引言

我国黄河三角洲地区地势平坦开阔，但由于地下水位较高且地下水矿化度较高，因而导致该地区土壤面临严重的盐渍化问题，且土壤有机质含量也呈现不均匀的分布情况。对土壤有机质含量进行有效、精准、及时的监测，对于确保作物产量与粮食安全具有重要意义。

土壤有机质的成分复杂、功能团多样；在近红外光谱范围内，尚未有效匹配和验证遥感光谱对土壤有机质中官能团的响应特征。但目前的研究认为，土壤有机质含量的增加往往会导致整个光谱范围内的反射率降低。遥感技术作为一种无损且高效的土壤有机质反演技术，已经在广泛的实际应用中得到了肯定。

相比于地面遥感平台，卫星平台虽然能获取到大范围的农田信息，但其空间分辨率较低(例如Sentinel2卫星的空间分辨率最高为10m，MODIS最高为250m)，因此无法实现对田块尺度的土壤属性进行精准监测。然而近年来，无人机遥感系统兴起提供了一种灵活多变、能及时有效地获取到大范围农田的厘米级空间特征的监测手段。

2 实验区概况与研究方法

本研究以黄河三角洲地区的盐渍化土壤为研究对象，通过无人机遥感获取耕作与未耕作的土壤光谱信息，实现对0~10cm土层土壤有机质含量的反演(图1)。研究包括以下步骤：首先，实地采集土壤样品，并测量土壤有机质和盐分含量。其次，利用无人机多光谱遥感系统进行同步观测，获取具有厘米级分辨率的裸土多光谱遥感影像。然后，从无人机多光谱正射影像中提取土壤的光谱信息与纹理信息，构建并筛选出对土壤有机质与盐分敏感的遥感指标。最后，使用筛选出的遥感指标，利用多元线性逐步回归、偏最小二乘以及随机森林模型，实现对盐渍化农田土壤有机质含量的反演。

2.1 研究区域情况

研究区域位于我国山东省东营市中国科学院黄河三角洲研究中心(图2(a))；该区域位于黄河中下游平原，属于暖温带大陆性季风气候。年平均气温约为12.50°C，年平均降水量约为555.90mm，其中夏季降水集中，约占全年降水量的65.60%。由于受到海水倒灌等因素的影响，该地区的地下水矿化度较高，土壤盐渍化程度严重，盐碱荒地面积较大，这对粮食生产造成了严重的限制。

2.2 无人机多光谱遥感影像采集与预处理

无人机多光谱遥感数据的采集时间为2022年6月；研究共采集了82个样点的地面无人机多光谱影像(图2(b))。无人机遥感系统采用的是固定翼无人机大疆M300RTK飞行器(大疆创新，中国深圳)并搭载MS600Pro(长光禹辰，中国青岛)多光谱相机；该相机具有蓝光、绿光、红光、红边和近红外波段范围的6个光谱通道；其中心波段分别为450、555、660、720、750和840nm，对应的波段宽度分别为35、27、23、10(窄带)、10(窄带)和30nm。无人机飞行高度约为10m，对应的地面空间分辨率约为7mm。

2.3 土壤样品采集

本研究设置了30个未耕作土壤采样点和52个耕作土壤采样点，共82个采样点。采用五点采样法获取土壤样品，采样深度为0~10cm。土壤有机质含量采用重铬酸钾氧化-硫酸亚铁滴定法进行测定；土壤盐分含量使用电导率仪测定，并选取40个土壤样品通过烘干法测定土壤全盐量，将电导率法和烘干法的测定结果进行拟合。

2.4 遥感指标的提取与构建

首先，使用灰度共生矩阵(Gray-Level Co-occurrence Matrix, GLCM)对遥感影像中的纹理信息进行计算；该过程在Python3.8中进行。研究共进行了8种纹理信息的批量提取，分别为均值(Mean)、方差(Variance)、对比度(Contrast)、差异性(Dissimilarity)、同质性(Homogeneity)、角二阶矩(Angular Second Moment)、相关性(Correlation)和熵(Entropy)。

与单一波段光谱相比，不同波段组合构建的光谱指数能反映出更多地物信息。本研究分别构建了差值指数(式(2))、比值指数(式(3))、归一化指数(式(4))以及对数的倒数变换(式(5))4种光谱指数。

2.5 土壤有机质含量反演模型与模型精度评价

本研究采用多元线性逐步回归、偏最小二乘和随机森林模型进行土壤有机质含量反演。为探究土壤盐分含量和不同遥感指标对于盐渍化土壤有机质含量反演的影响，本研究共采用了5种建模策略，分别为：单波段反射率、单波段反射率+纹理、对土壤有机质敏感的光谱指数+纹理、对土壤有机质和盐分敏感的光谱指数+纹理、土壤盐分含量+对土壤有机质敏感的光谱指数+纹理，作为土壤有机质含量反演模型的输入。

3 结果与讨论

3.1 土壤反射率特征分析

研究区域内土壤有机质含量的均值为11.94 g/kg，变异系数为36.15%，具有明显的空间异质性。具体而言，如图4(a)所示，约89.02%的土壤有机质含量位于5.5~17.5g/kg区间范围；与此相比，土壤有机质含量低于5g/kg和高于20g/kg的土壤样点所占比例相对较小。

3.2 遥感光谱指标与土壤有机质相关性分析

不同耕作方式的土壤有机质和遥感指标的相关性分析显示（图54），耕作处理的土壤各波段光谱反射率与土壤有机质的相关性为-0.14到-0.48（n=52），而未耕作土壤的相关性值为-0.19到-0.44（n=30）。该结果表明耕作处理下的土壤遥感信息对于土壤有机质含量更为敏感。

3.3 遥感指标筛选

通过光谱指数与土壤有机质和盐分含量的相关性与显著性，进行敏感光谱指数的筛选。在未耕作土壤采样点（n=30），按照显著性（有机质：p<0.05；盐分：p<0.01）大小分别筛选出对土壤有机质与盐分含量敏感的遥感指数。在耕作土壤采样点（n=52），按照相关性（|r| >0.5）且显著性（p<0.001）；仅显著性（p<0.01）分别筛选对土壤有机质与土壤盐分敏感的遥感指数。

3.4 未耕作土壤有机质反演

对比3种回归模型的未耕作土壤有机质含量反演精度（表3、图6和图7），多元线性逐步回归、偏最小二乘回归和随机森林的R²值分别为0.26~0.62、0.37~0.72和0.83~0.95，RMSE值分别为2.11~2.93 g/kg、1.80~2.71 g/kg和1.07~1.69 g/kg，MAPE值分别为15.40%~22.55%、12.45%~20.66%和8.08%~13.00%。

3.5 耕作土壤有机质反演

对比3种回归模型的耕作土壤有机质含量反演精度，多元线性逐步回归、偏最小二乘回归和随机森林的R²值分别为0.54~0.69、0.58~0.72和0.90~0.94，RMSE值分别为2.54~3.11 g/kg、2.45~2.98 g/kg和1.30~1.74 g/kg，MAPE值分别为20.20%~25.48%、19.55%~24.43%和10.38%~14.47%。