基于Landsat-8數據的土壤顏色預測方法研究①

曹 振，王昌昆，馬海藝，劉 杰，徐愛愛，張芳芳，楊 穎,3，潘賢章*

基于Landsat-8數據的土壤顏色預測方法研究①

曹 振1,2，王昌昆1,2，馬海藝1,2，劉 杰1，徐愛愛1,2，張芳芳1,2，楊 穎1,2,3，潘賢章1,2*

(1 土壤與農業可持續發展國家重點實驗室(中國科學院南京土壤研究所)，南京 210008；2 中國科學院大學，北京 100049；3 南京信息工程大學地理科學學院，南京 210044)

選擇黑龍江省292個自然風干土壤樣品，室內測定土壤高光譜反射率，然后依據三刺激值法計算土壤CIE XYZ色彩空間各顏色分量，用于土壤顏色預測和驗證。同時，提取各樣品采集點位的Landsat-8 OLI原始反射率數據，計算歸一化差值植被指數、歸一化差值水體指數、歸一化差值濕度指數、歸一化差值不透水面指數，并據此提出建模光譜篩選閾值。進一步采用偏最小二乘回歸模型，結合提取出的遙感光譜進行各土壤顏色分量的預測。結果顯示：CIE XYZ顏色各分量的驗證2分別為0.76、0.76和0.69，RPD分別為1.74、1.76和1.68，表明利用偏最小二乘法建立的模型可以對土壤顏色進行近似預測。不同土地利用類型預測結果擬合顯示，耕地土壤顏色各分量預測效果均優于林地和草地。在不同有機碳含量下分別進行土壤顏色建模預測，當有機碳含量較低時，土壤顏色預測結果較好。

土壤顏色；遙感數據；高光譜；偏最小二乘回歸；預測

土壤顏色是土壤的重要屬性，與土壤組成有關。Stoner和Baumgardner[1]對全美485個土壤研究發現，土壤顏色主要受土壤有機質和氧化鐵不同程度的影響。章明奎等[2]指出，碳酸鹽巖發育的土壤其顏色差異性主要決定于土壤氧化鐵礦物類型及有機質含量。張蕾等[3]發現氧化鐵隨著黏粒在土壤孔隙中的遷移，淀積在土壤結構體表面上，導致某些黏化層結構體表面較其內部土壤基質的顏色更紅。當赤鐵礦含量較高時土壤呈現紅色，而針鐵礦含量較高時呈現黃色[4]。同時，土壤顏色還與淋溶作用有關，當淋溶作用較強時，土壤顏色通常較亮[5-6]。此外，土壤顏色可以指示土壤肥力狀況。

土壤顏色的獲取方式主要有Munsell色卡目視比色法和CIE三刺激值法[7-9]。目視比色法通過人眼匹配土壤樣品和標準色卡來確定土壤顏色，簡單便捷成本低，但是存在主觀性比較強、系統性偏差比較大的問題，難以滿足土壤顏色定量化表達的需求[10-11]。三刺激值法利用土壤可見光光譜，結合標準觀察者配色函數和光源相對光譜功率分布計算土壤顏色(CIE XYZ)[12-14]，具有精度高、抗人為因素干擾強的特點，方便進行定量化表達。雖然目前土壤顏色表達主要采用Munsell顏色空間，但是由于該系統將顏色劃分為一系列不連續的色塊，不適合進行數值統計分析[15]。因此，Melville和Atkinson[16]對比土壤顏色表達的不同方法后，建議使用CIELAB顏色系統。Rossel等[17]建議將CIE XYZ顏色空間作為不同色彩之間轉換的媒介。Fernandez和Schulze[7]使用Cary 17D光譜分光儀獲取土壤反射光譜，并采用分光積分方式計算土壤CIE XYZ顏色值，證明相比于目視匹配顏色的方式，這種積分計算土壤顏色的方式更能量化土壤顏色的細微差異。

由于土壤光譜及土壤遙感數據直接包含紅、綠、藍等不同波段的地面光譜反射信息，因此，常用于土壤顏色預測。李怡春等[18]基于土壤高光譜反射率和偏最小二乘回歸(partial least squares regression，PLSR)方法進行土壤顏色預測，并與色系轉換法進行對比，證明了利用PLSR方法預測土壤Munsell顏色較色系轉換法更優。Mattikalli[19]利用Landsat MSS傳感器獲取土壤反射率數據并與實測土壤Munsell顏色進行建模擬合，結果具有很好的相關性。Escadafal[20]討論了遙感數據與土壤顏色的相關性和相關研究現狀，認為利用遙感數據進行土壤顏色的建模預測是可行的。

雖然近年來使用可見–近紅外光譜直接測量土壤顏色的方法研究越來越多，但是利用遙感數據進行區域土壤顏色制圖還需要大量研究。如何挑選最能代表裸露地表遙感信息的反射光譜，并基于該反射光譜，進行CIE XYZ色系的土壤顏色反演是需要解決的關鍵問題。因此，本研究基于30 m空間分辨率Landsat-8 OLI原始反射率數據，提出遙感指數的篩選條件，并進一步采用PLSR方法進行土壤CIE XYZ顏色各分量的預測研究，以為遙感獲取大范圍土壤顏色提供新途徑。

1 材料與方法

1.1 研究區概況

研究區位于黑龍江省，該地區地勢大致是西北、北部和東南部高，東北、西南部低，西部屬松嫩平原，東北部為三江平原，是我國黑土分布的核心地帶。黑龍江省屬于寒溫帶與溫帶大陸性季風氣候，年平均降水量為526.64 mm，年平均氣溫為3℃。該區分布著多種地貌類型，包括平原、臺地、丘陵和起伏山地；土地利用類型以耕地、林地、草地為主，且耕地以旱地為主；成土母質主要為沖積–洪積物、中性沖積物、淺色結晶巖風化物、砂頁巖風化物、石灰巖風化物以及黏質黃土；土壤類型包括草甸土、黑土、暗棕壤、水稻土、黑鈣土、白漿土、沼澤土、風沙土和棕色針葉林土。

1.2 土壤樣品采集與制備

根據地形、母質、土地利用類型、土壤類型、交通條件等在研究區布置采樣點292個(圖1)，于2016年采用五點法采集土壤樣品，采樣時在8 m × 8 m的方形范圍內4個頂點和中心位置各采1個土樣，混合后裝袋，取樣深度為0 ～ 15 cm，每個樣品1 kg。土壤樣品自然風干后去除植物殘體，將大土塊敲碎，并取出適量樣品研磨過100目(0.149 mm)尼龍篩后備用。

1.3 土壤光譜與有機碳測定

土壤樣品高光譜采集采用美國ASD FieldSpec4 Hi-Res地物光譜儀，其波段范圍為350 ～ 2 500 nm。土壤樣品進行室內高光譜測定時，盡可能均勻地將土樣填充于涂黑的樣品盤中。位于樣品兩側等距位置45°角的斜上方安置兩個50 W的鹵素燈，保證最大限度消除土壤顆粒陰影帶來的測量誤差。ASD探頭視場角為25°，探頭放置于樣品正上方固定高度處，保證入射視場合理地覆蓋于土壤樣品盤中心。進行光譜測量前，提前30 min預熱光譜儀并進行暗電流校正和白板校正，光譜測量時每隔10 min進行一次白板校正，白板校正使用的是25 cm×25 cm的漫反射標準參考板。對于每個土壤樣品，為保證測量結果不受土壤表面狀態的干擾，在依次旋轉90°的4個方向上各測量5條光譜曲線，共20條光譜曲線，以這20條光譜曲線的平均值作為樣品的測定值[1]。通過對光譜曲線進行拼接校正，獲得土壤樣品在不同波段的光譜反射率值，本研究選取的波段范圍位于可見光部分380 ～ 780 nm。

土壤樣品有機碳含量基本信息見表1，測定方法參照《土壤農業化學分析方法》[21]。

(該圖基于國家測繪地理信息局標準地圖服務網站下載的審圖號為GS(2019)3333的標準地圖制作，底圖無修改)

表1 土壤有機碳含量統計信息

1.4 土壤顏色獲取

土壤顏色利用CIE XYZ顏色空間模型來表示，CIE XYZ顏色空間是由國際照明委員會在1931年提出的，其中Y代表亮度，X和Z是主光譜的虛擬組成部分。三刺激值XYZ計算公式為[22]：

1.5 遙感數據的獲取與處理

Landsat-8遙感影像數據集來自于Google Earth Engine(GEE)，采用經過大氣校正和正射校正的Landsat-8表面反射率數據產品(Surface Reflectance Tier 1)[25]。本研究采用Landsat-8 OLI遙感影像數據集中的可見–近紅外波段以及短波紅外波段(共7個波段)進行土壤顏色預測。考慮到遙感影像由于云、雪等對下墊面遮擋造成的遙感數據缺失以及土壤顏色在短期內變化幅度很小兩個因素，對使用遙感光譜數據的時間進行適當放寬，在土壤樣品采集年份(2016年)前后各延伸1年，最終選取了黑龍江省2015—2017年遙感影像，并通過質量評估波段去除包含云、云陰影、雪等干擾的影像，獲得了所有土壤樣點在1 248景遙感影像上的共9 885條光譜數據。

本研究首先提出篩選建模光譜的遙感指數條件，然后通過遙感指數構建建模光譜數據的篩選條件。選用的遙感指數分別為歸一化差值植被指數(normalized difference vegetation index, NDVI)、歸一化差值水體指數(normalized difference water index, NDWI)、歸一化差值濕度指數(normalized difference moisture index, NDMI)、歸一化差值不透水面指數(normalized difference impervious surface index, NDISI)[26-27]。各指數具體計算公式為：

式中：3、4、5、6、10分別與Landsat-8 OLI遙感影像數據集波段相對應，代表綠色、紅色、近紅外、短波紅外、熱紅外波段。通過對遙感影像光譜反射率數據和土壤樣品實測反射率數據的對比分析，確定了篩選光譜約束條件為：

對于每個土壤樣點，滿足所有篩選條件的遙感影像光譜通常不只一條，還需進一步選取。先計算各波段光譜平均值，然后計算篩選出來的各條光譜與該平均光譜的歐氏距離，并選擇歐氏距離最小的一條光譜曲線作為對應點用來進行顏色預測的光譜數據。歐氏距離計算公式為：

1.6 建模與評價方法

本研究采用PLSR模型對土壤顏色進行建模預測。PLSR算法是一種多元線性回歸建模方法，在建模過程中集成了主成分分析、典型相關分析和線性回歸分析方法的特點，能夠有效處理變量間存在多重相關性而樣本量較少的問題[28]。主成分數選取對PLSR建模尤為重要，主成分數過少，沒有足夠信息進入模型擬合，會導致擬合不充分，降低模型的預測精度；主成分數過多，很多無用信息會進入模型，容易出現過擬合，同樣會降低模型預測精度。本文利用赤池信息量準則值(akaike information criterion, AIC)來選擇模型的最佳主成分數：

AIC=lnRMSE+2(5)

式中：是建模集樣本數量；RMSE為驗證均方根誤差；為對應的主成分數，以AIC最小時的主成分數作為PLSR模型的最優主成分數[29]。評價建模精度時使用驗證決定系數2、RMSE和RPD(測定值標準偏差與標準預測誤差的比值)：

式中：SD表示數據集實測值標準差。已有研究結果表明，當RPD≥2.50時，模型可以精確預測；當2.50>RPD≥2.00時，模型可以很好地預測；當2.00>RPD≥1.80時，模型可以較好地預測；當1.80>RPD≥1.40時，模型可以近似地預測；當1.40>RPD≥1.00時，模型可以區分變量值的大小；當RPD<1.00時，模型不適合預測[29]。

建模過程中數據集被隨機劃分成70% 的建模集(204個土樣)和30% 的驗證集(88個土樣)，并選擇Landsat-8遙感產品數據集可見–近紅外、短波紅外共7個波段作為建模變量，因變量分別為CIE XYZ三種顏色分量。根據AIC標準，PLSR方法預測CIE XYZ顏色各分量的最佳主成分數參數設定為5、5、6，其余參數為默認值。

文中涉及的光譜值處理、色系值等計算在Python 3.6中完成，PLSR建模采用基于Python語言編制的scikit-learn機器學習庫[30]完成，圖表由Excel 2013、ArcGIS 10.2制作完成。

2 結果

2.1 土壤顏色實測結果統計特征

實測土壤樣品CIE XYZ顏色結果如圖2所示，各顏色分量呈近似正態分布。其中，X值可以指示人眼對紅色色光的感應強弱，其均值為9.11，標準差為2.52，最大值為14.63，最小值為4.57，總體跨度為10.06；Y值可以指示人眼對綠色色光的感應強弱，同時反映著土壤顏色亮度大小，其均值為9.01，標準差為2.47，最大值為14.48，最小值為4.59，總體跨度為9.89，表明土壤顏色總體亮度偏低；Z值可以指示人眼對藍色色光的感應強弱，其均值為7.33，標準差為1.73，最大值為11.57，最小值為4.33，總體跨度為7.24。總體來看，CIE XYZ顏色各分量跨度不大，均值偏低，這是因為土壤樣品本身光譜反射率較低，加之樣品中有機碳含量豐富，導致土壤顏色偏暗。

2.2 土壤顏色預測結果

2.2.1 光譜篩選對土壤顏色預測的影響 光譜篩選前后土壤顏色預測結果對比如圖3所示。基于篩選后的建模光譜進行土壤顏色的建模預測，結果如圖3A所示。在X顏色分量上，PLSR預測結果2、RMSE、RPD分別為0.76、0.94和1.74，說明該模型可以近似地預測X顏色分量；在Y顏色分量上，PLSR預測結果2、RMSE、RPD分別為0.76、0.91和1.76，說明該模型可以近似地預測Y顏色分量；在Z顏色分量上，PLSR預測結果2、RMSE、RPD分別為0.69、0.66和1.68，說明該模型也可以近似地預測Z顏色分量。總體來看，基于PLSR方法進行建模預測3種土壤顏色分量是可行的，均可實現近似預測。為了比較光譜篩選前后土壤顏色預測精度，本文對光譜篩選前遙感數據進行建模預測。圖3B顯示了進行光譜篩選前的土壤顏色的建模預測結果，可見土壤顏色CIE XYZ各分量PLSR預測結果RPD分別為1.26、1.27和1.26，均低于光譜篩選后的建模預測結果，說明進行本文光譜篩選能夠有效提升土壤顏色的建模預測精度。

圖2 土壤樣品實測CIE XYZ顏色頻率分布圖

圖3 PLSR預測值與實測值對比圖

2.2.2 土地利用對土壤顏色預測的影響 為了探究土地利用類型對土壤顏色預測精度的影響，按照不同土地利用類型分別對預測結果進行擬合分析，結果如圖4所示。在土壤顏色CIE XYZ各顏色分量上，耕地類型的預測結果均優于草地和林地類型的預測結果。其中，耕地類型土壤顏色預測RPD分別為2.42、2.45和2.21，這表明模型能夠對耕地土壤顏色進行很好的預測；林地類型土壤顏色預測RPD分別為1.69、1.69和1.42，這表明模型能夠近似預測林地土壤顏色；草地類型土壤顏色預測RPD分別為0.98、1.01和1.28，表明模型對于草地土壤顏色的預測效果較差。可見，在不同土地利用類型下土壤顏色的預測結果具有明顯的差異性。這是由于耕地土壤反射光譜較為一致，而林地、草地由于地表覆蓋、腐殖質積累等差異較大，導致反射光譜中混雜有較多的噪聲信息。此外，本研究中林地和草地的樣本數量相對偏少，這也會導致土壤顏色的預測結果出現這種差異性。

2.2.3 有機碳含量對土壤顏色預測的影響 為了探究不同有機碳含量對土壤顏色建模預測結果的影響，進一步按照不同有機碳含量將驗證集土壤樣本劃分成高值區、中值區和低值區3個子集，并分別對3個子集進行建模預測，結果如圖5所示。其中，高值區子集有機碳含量范圍為28.25 ～ 88.92 g/kg，共30個土壤樣品；中值區子集有機碳含量范圍為21.00 ～ 28.19 g/kg，共29個土壤樣品；低值區子集有機碳含量范圍為7.42 ～ 20.82 g/kg，共29個土壤樣品。分別對有機碳含量高、中和低值區3個子集的土壤顏色建模預測結果進行驗證，結果顯示，在CIE X顏色分量上，預測土壤顏色驗證RPD分別為1.39、1.50和1.77；在CIE Y顏色分量上，預測土壤顏色驗證RPD分別為1.35、1.55和1.82；在CIE Z顏色分量上，預測土壤顏色驗證RPD分別為1.02、1.97和2.07。總體來說，當土壤有機碳含量較低時，各顏色分量驗證RPD較高，預測效果較好。

圖4 不同土地利用類型土壤顏色預測值與實測值對比圖

圖5 不同有機碳含量土壤顏色預測值與實測值對比圖

3 討論

本文基于土壤反射光譜，依據三刺激值法計算土壤CIE XYZ色彩空間各顏色分量值，并結合遙感數據進行土壤顏色建模預測。首先定義了光譜數據篩選方法對遙感光譜數據進行篩選，然后采用PLSR方法對土壤顏色各顏色分量進行建模預測，結果顯示，CIE XYZ顏色各分量的驗證RPD分別為1.74、1.76和1.68，表明本方法建立的模型可以對土壤顏色進行可近似預測。土壤顏色的預測受多種因素影響，本文從光譜篩選、土地利用類型和有機碳含量3個方面進行討論。

從光譜篩選過程來看，本研究通過確定遙感指數NDVI、NDWI、NDMI、NDISI的閾值，進行建模光譜數據的篩選。其中，NDVI閾值主要消除植被信息，NDWI、NDMI閾值主要消除水分信息，NDISI閾值主要消除不透水地面信息。對比光譜篩選前后的預測結果，可以看見土壤顏色預測結果RPD由光譜篩選前的1.26、1.27和1.26分別提升至1.74、1.76和1.68，這說明本文提出的光譜篩選方法能夠有效提升土壤顏色的預測精度，通過篩選獲得的光譜，可以在最大程度上排除植被等外部參數的干擾。實際上，衛星過境與地面純裸露時間不一定正好匹配，即便是裸露地表也或多或少存在諸如腐爛秸稈、稀疏植被、動植物殘體等的覆蓋，不可能獲得像在實驗室條件下制作非常干凈的裸土光譜，因此，進一步消除植被等外部影響的干擾，提升遙感數據預測土壤顏色的精度是有可能的。

從土地利用類型影響來看，對比不同土地利用類型下土壤顏色的預測結果，發現存在差異，耕地預測效果要優于林地、草地。耕地類型土壤顏色CIE XYZ各分量值預測RPD分別為2.42、2.45和2.21，這表明模型能夠對耕地土壤顏色進行很好的預測。這是因為耕地土壤反射光譜較為一致，而林地、草地由于地表覆蓋、腐殖質積累等差異較大，反射光譜中混雜有較多的噪聲信息。此外，由于本研究中林地和草地的樣本數量相對偏少，在土壤顏色建模預測的過程中偏差相對較大，這也會導致土壤顏色的預測結果較差。

從有機碳含量影響來看，Stoner和Baumgar-dner[1]研究表明，土壤顏色主要受土壤有機碳和氧化鐵組分影響。本研究采集的土壤樣品分布于黑龍江省全境，土壤類型以草甸土、黑土、暗棕壤和水稻土居多，有機碳含量豐富。土壤樣品顏色主要受有機碳含量影響。本研究中，不同有機碳含量土壤顏色預測結果表明，有機碳含量較低時，土壤顏色預測結果較好。出現這種結果可能與土壤本身反射光譜的能力有關，當有機碳含量較低時，土壤顏色較亮，反射光譜能力較強，反射光譜中包含更多的有效信息，預測結果較好。

本研究中土壤樣品全部來自于黑龍江省，具有一定的區域性，土樣采集涵蓋當地典型土地利用類型和土壤類型，土壤顏色主要受有機碳影響。對于其他受不同土壤顏色主導因素影響的土壤如紅壤、紫色土等，是否具有相同結果還需進一步驗證。

4 結論

本研究基于土壤實測反射光譜和Landsat-8遙感數據進行土壤顏色建模預測，并提出了建模光譜數據篩選方法。采用PLSR建模預測CIE XYZ顏色各分量，驗證結果RPD分別為1.74、1.76和1.68，說明按本方法建立的模型可以對X、Y、Z各分量進行近似預測，且耕地土壤顏色預測效果要優于林地和草地。分別對有機碳含量高、中和低值區土壤顏色進行預測，各顏色分量的驗證RPD隨著有機碳含量的降低而升高，說明當有機碳含量較低時，土壤顏色預測結果較好。

[1] Stoner E R, Baumgardner M F. Characteristic variations in reflectance of surface soils[J]. Soil Science Society of America Journal, 1981, 45(6): 1161–1165.

[2] 章明奎, 姚玉才, 邱志騰, 等. 中國南方碳酸鹽巖發育土壤的成土特點與系統分類[J]. 浙江大學學報(農業與生命科學版), 2019, 45(1): 54–65.

[3] 張蕾, 張鳳榮, 靳東升, 等. 黃土高原淋溶土黏粒、氧化鐵與顏色的關系及發生學解釋——以山西土系調查的31個黏化層為例[J]. 土壤學報, 2021, 58(4): 876–886.

[4] Hu X F, Du Y, Guan C L, et al. Color variations of the quaternary red clay in Southern China and its paleoclimatic implications[J]. Sedimentary Geology, 2014, 303: 15–25.

[5] 邱堋星, 葉飛. 武夷山土壤性狀及其垂直變化規律[J]. 東北林業大學學報, 2008, 36(1): 55–57.

[6] 熊毅, 李慶逵. 中國土壤[M]. 2版. 北京: 科學出版社, 1987.

[7] Fernandez R N, Schulze D G. Calculation of soil color from reflectance spectra[J]. Soil Science Society of America Journal, 1987, 51(5): 1277–1282.

[8] Torrent J, Barrón V. Laboratory measurement of soil color: Theory and practice[M]//Soil Color. Madison, WI, USA: Soil Science Society of America, 2015: 21–33.

[9] 陳劍科, 袁大剛, 晏昭敏, 等. 測色儀與中國標準土壤色卡測定土壤顏色比較——以川中丘陵區為例[J]. 土壤學報, 2019, 56(1): 78–89.

[10] Moritsuka N, Kawamura K, Tsujimoto Y, et al. Comparison of visual and instrumental measurements of soil color with different low-cost colorimeters[J]. Soil Science and Plant Nutrition, 2019, 65(6): 605–615.

[11] 岳智慧, 黃強, 肖理, 等. 土壤顏色由CIE向Munsell系統的定量轉換[J]. 光譜學與光譜分析, 2019, 39(9): 2842–2846.

[12] 荊其誠. 色度學[M]. 北京: 科學出版社, 1979.

[13] 吳豪翔. 土壤光譜的顏色計算及其應用意義[J]. 科技通報, 1989, 5(2): 32–34.

[14] 徐彬彬. 土壤剖面的反射光譜研究[J]. 土壤, 2000, 32(6): 281–287.

[15] Hartemink A E, Minasny B. Towards digital soil morphometrics[J]. Geoderma, 2014, 230/231: 305–317.

[16] Melville M D, Atkinson G. Soil colour: Its measurement and its designation in models of uniform colour space[J]. Journal of Soil Science, 1985, 36(4): 495–512.

[17] Viscarra Rossel R A, Minasny B, Roudier P, et al. Colour space models for soil science[J]. Geoderma, 2006, 133(3/4): 320–337.

[18] 李怡春, 潘愷, 王昌昆, 等. 基于PLSR的土壤顏色預測方法及其與色系轉換法的對比研究[J]. 土壤學報, 2018, 55(6): 1411–1421.

[19] Mattikalli N M. Soil color modeling for the visible and near-infrared bands of Landsat sensors using laboratory spectral measurements[J]. Remote Sensing of Environment, 1997, 59(1): 14–28.

[20] Escadafal R. Remote sensing of soil color: Principles and applications[J]. Remote Sensing Reviews, 1993, 7(3/4): 261–279.

[21] 魯如坤. 土壤農業化學分析方法[M]. 北京: 中國農業科技出版社, 2000.

[22] ASTM Intl. E308-18, Standard practice for computing the colors of objects by using the CIE system[S]. West Conshohocken, Philadclphia: American Society for Testing and Materials, 2018.

[23] 胡威捷, 湯順青, 朱正芳. 現代顏色技術原理及應用: 光學工程[M]. 北京: 北京理工大學出版社, 2007.

[24] 徐彬彬, 戴昌達. 土壤顏色的分光光度計算法[J]. 土壤學報, 1979, 16(4): 397–408.

[25] Gorelick N, Hancher M, Dixon M, et al. Google earth engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18–27.

[26] 徐涵秋. 福建省長汀縣河田盆地區近35年來地表裸土變化的遙感時空分析[J]. 生態學報, 2013, 33(10): 2946– 2953.

[27] Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(14): 3025–3033.

[28] 司守奎, 孫璽菁. 數學建模算法與應用[M]. 北京: 國防工業出版社, 2011.

[29] Viscarra Rossel R A, McGlynn R N, McBratney A B. Determining the composition of mineral-organic mixes using UV-vis-NIR diffuse reflectance spectroscopy[J]. Geoderma, 2006, 137(1/2): 70–82.

[30] Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: Machine learning in python[J]. Journal of Machine Learning Research, 2011, 12: 2825–2830.

Soil Color Prediction Method Based on Landsat-8 Data

CAO Zhen1, 2, WANG Changkun1, 2, MA Haiyi1, 2, LIU Jie1, XU Aiai1, 2, ZHANG Fangfang1, 2, YANG Ying1, 2, 3, PAN Xianzhang1, 2*

(1 State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China; 2 University of Chinese Academy of Sciences, Beijing 100049, China; 3 School of Geographical Sciences, Nanjing University of Information Science and Technology, Nanjing 210044, China)

A total of 292 air-dried soil samples were used from Heilongjiang Province, and the hyper-spectral reflectance data were also measured in the laboratory. Meanwhile, color components of all soil samples were calculated in the CIE XYZ color space according to the three-stimulus method to predict and validate soil color. Then, Landsat-8 OLI original reflectance data of each soil sample site were extracted to calculate the normalized difference vegetation index, normalized difference water index, normalized difference moisture index and normalized difference impervious surface index. Based on these remote sensing indexes, the threshold value of modeling spectra screening is proposed. Combined with the extracted remote sensing spectra, the partial least squares regression model was used to predict soil color components. The results showed that for the color components of CIE X, Y and Z, the validation2value were 0.76, 0.76 and 0.69, and the RPD value were 1.74, 1.76 and 1.68, indicating that the model established by partial least squares can be used to predict soil color. The prediction of different land use types showed that cultivated land soil color was better in prediction than those of forest and grassland. Soil color was also predicted under different organic carbon contents, showing the prediction was better in lower organic carbon content.

Soil color; Remote sensing; Hyper-spectral; Partial least squares regression; Prediction

曹振, 王昌昆, 馬海藝, 等. 基于Landsat-8數據的土壤顏色預測方法研究. 土壤, 2022, 54(1): 152–160.

S159.9

A

10.13758/j.cnki.tr.2022.01.020

國家重點研發計劃項目(2020YFC1807401，2018YFC1800104)和中國科學院野外站聯盟項目(KFJ-SW-YW035-3)資助。

(panxz@issas.ac.cn)

曹振(1995—)，男，河南信陽人，碩士研究生，主要從事土壤遙感應用研究。E-mail: caozhen@issas.ac.cn