基于GF-1遙感數據預測區域森林土壤有機質含量①

李瑩瑩，趙正勇*，楊 旗，丁曉綱，孫冬曉，韋孫瑋

基于GF-1遙感數據預測區域森林土壤有機質含量①

李瑩瑩1，趙正勇1*，楊 旗1，丁曉綱2，孫冬曉2，韋孫瑋1

(1 廣西大學林學院廣西森林生態與保育重點實驗室，南寧 530004；2 廣東省林業科學研究院，廣州 510520)

為探索國產衛星GF-1預測土壤有機質(SOM)的能力，本研究以廣東省云浮市的羅定市為研究區，以GF-1多光譜遙感影像衍生的9個遙感變量和DEM提取的9個地形水文變量為預測因子，建立2種人工神經網絡模型(A模型：地形水文；B模型：地形水文+遙感)，對5個土壤深度(L1: 0 ～ 20 cm，L2: 20 ～ 40 cm，L3: 40 ～ 60 cm，L4: 60 ～ 80 cm，L5: 80 ～ 100 cm) 的SOM進行預測。結果表明：5個深度的B模型全都比A模型的精度高，尤其是L1、L2土層，精度提升明顯，其2分別提高了13% 和10%；而深層土壤(L3、L4、L5)的精度提升較小，僅提高了4%、5% 和4%。另外，兩個評價指標RMSE和ROA ±10% 也表現出相似的趨勢。總體而言，GF-1遙感數據顯著改善了上層(0 ～ 40 cm)森林土壤人工神經網絡模型的預測精度，對下層(40 ～ 100 cm)森林土壤模型改善尺度較低，是預測森林土壤SOM含量可觀的新遙感數據源。

土壤預測；人工神經網絡模型；GF-1；遙感數據；多層土壤

土壤有機質(SOM)的預測方法有空間插值法、線性回歸模型和回歸克里格法等，這些方法常需要大量的樣點并假設空間自相關。而在多樣化的環境中進行SOM預測時，樣點數據匱乏，SOM與環境之間的關系更多是非線性過程[1]。因此，學者開始用人工智能技術來解決難題。例如，Mcbratney等[2]使用人工神經網絡(artificial neural network, ANN)模型預測土壤物理性質。Henderso等[3]使用決策樹生成各種土壤性質圖。這些模型大多是基于數字高程模型(DEM)衍生的地形和水文變量，模型輸入數據源較單一。隨著衛星遙感技術迅速發展，記錄著更多土壤信息的遙感影像豐富了土壤制圖的數據集[4]。以往研究表明， Landsat系列衛星的遙感影像最為廣泛運用。例如，張法升等[5]利用Landsat 5影像預測了遼寧省阜新鎮土壤表層的SOM，Wang等[6]使用Landsat 8影像預測表層土壤有機碳(SOC)的含量。他們發現，在森林地區進行土壤成分預測的關鍵環境變量是遙感數據。但是，Landsat 5遙感衛星早已退役，Landsat 7則由于內部故障使遙感影像出現條帶，最新的Landsat 8 的30 m分辨率影像還無法滿足高精度的預測模型。在小區域中，Spot、Quick Bird等高分辨率遙感影像也有應用，但波段少、幅寬小，并且價格昂貴[7]，對大尺度土壤預測難普及。高分一號(GF-1)是中國首顆高分辨率對地觀測遙感衛星，對我國的遙感技術的發展具有重要的戰略意義。目前GF-1影像大多用于森林檢測、地物識別和災害監測等，用于估測土壤成分的研究非常少，尚處于探索階段。

本文將構建2個ANN模型，即以粗分辨率土壤圖為基礎，A模型的候選輸入變量為DEM衍生出來的9個地形變量，B模型繼承了A模型篩選出來的預測能力最強的地形變量，又增加從GF-1影像衍生的9個遙感變量，建立羅定市0 ～ 100 cm 5個土層SOM的ANN反演模型，探索GF-1號遙感影像的4個波段以及衍生的5個植被變量在預測SOM上的反演能力，為今后利用GF-1號遙感影像預測其他土壤成分的研究提供參考。

1 材料與方法

1.1 研究區概況

研究區在廣東省云浮市的羅定市(22°25′11″ ～ 22°57′34″N，111°03′08″ ～ 111°52′44″E)，全市面積2 327.5 km2，其中森林面積約1 426.9 km2，森林覆蓋率高達61.3%。研究區內雨熱同期，具有高溫高濕的特點，有利于植物生長。其中，熱帶季風森林類型占主導地位，主要包括天然次生常綠闊葉林、針葉林和混交林。在當地氣候、地形和植被類型的共同作用下，羅定市主要以紅壤和赤紅壤為主。

1.2 數據來源及處理

1.2.1 土壤樣點數據 研究區的260個土壤樣點數據由廣東省林業科學研究院提供，具體采樣時間在2015年11—12月(圖1)。樣點數據由隨機布點、專題布點和林分布點3種采樣方案所得，充分代表了不同地形、植被和土壤類型等條件下的SOM特征。依據來自中科院南京土壤研究所全國土壤調查數據的SOM圖(http://www.soilinfo.cn/map/index.aspx)，將0 ～ 100 cm土壤剖面分為5層，即L1：0 ～ 20 cm，L2: 20 ～ 40 cm，L3: 40 ～ 60 cm，L4: 60 ～ 80 cm，L5：80 ～ 100 cm，采用重鉻酸氧化–外加熱法測定SOM含量。

1.2.2 粗分辨率的SOM圖 在ArcGIS中將中科院南京土壤研究所1∶100萬比例尺的SOM矢量圖轉化成1 000 m分辨率柵格圖，即本研究用的粗分辨率SOM(coarse-resolution soil organic matter, CSOM)圖，再采用傳統的反距離加權插值法重采樣至10 m分辨率。本文以CSOM代表區域內SOM的平均值，空間上的SOM變化主要由地形水文和植被環境影響。

1.2.3 DEM衍生的9個地形水文變量 本研究的DEM數據來自廣東省林業科學研究院從Cartosat-1 (IRS-P5)獲得的立體圖像，采用反距離加權插值法重采樣至10 m分辨率。根據Zhao等[8-9]對土壤性質的研究，坡度(Slope)、坡向(Aspect)、地形位置指數(topographical position index, TPI)、潛在太陽輻射(potential solar radiation, PSR)、潛在地下水位深(depth to water, DTW)、泥沙輸移比(sediment delivery ratio, SDR)、水流長度(flow length, FL)、水流流向(flow direction, FD)、土壤地形因素(soil terrain factor, STF)是預測模型較為優越的變量。9個地形水文變量主要參照Meng等[10]和Zhao等[8]的提取方法，利用 ArcGIS 中的空間分析工具和基于ArcGIS的腳本語言Avenue開發的森林水文工具從DEM獲取。

1.2.4 GF-1號衍生的9個遙感變量 綜合考慮影像的能見度和采樣時間，從地理空間數據云網站(http://www.gscloud.cn)選擇覆蓋研究區的7景8 m分辨率的GF-1多光譜遙感影像，波段范圍為450 ～ 890 nm，成像時間為2014年10月8日3景，2014年1月23日3景，2013年11月15日1景。雖然，選取影像的成像時間不一致，某些影像也不在生長季內，但是羅定市屬于亞熱帶季風氣候，森林植被終年常綠，季節變化不明顯，不同季節的影像相差不大。首先，利用ENVI5.3軟件對遙感影像進行預處理，主要包括在“Radiometric Calibration”模塊中完成輻射定標；再對影像進行FLASS大氣校正，以消除圖像中由大氣散射引起的輻射誤差；再選擇“RCP Orthorectification Workflow”模塊進行正射校正；最后進行鑲嵌、裁剪和重采樣(反距離加權插值法)至10 m分辨率。模型采用的遙感變量有藍波段(B)、綠波段(G)、紅波段(R)、近紅外波段(NIR)，旨在探索GF-1影像4波段在預測SOM上的能力。另外，利用ENVI5.3的Band math 模塊進行4種植被指數NDVI、 DVI、RVI、RDVI的計算，用于反映植物生長狀況。在遙感科學領域，這些植被指數對土壤背景的變化非常敏感，能較好地反映植被覆蓋度和生長狀況的差異，是植被生長的良好指標。

為了提高森林分類的準確性，在易康(eCognition)軟件中采用分層分類方法對處理好的8 m分辨率的影像進行森林分類。分類樣本數據從廣東省林業科學研究院提供的森林小班矢量圖的各個森林類型較大斑塊的幾何中心選取900個盡可能均勻分布的森林類型樣點。將900個數據樣點隨機分成兩份，600個用于分類訓練，300個用于精度檢驗。根據eCognition的“Feature Space Optimization”選擇可分離性最優的特征，先區分植被和非植被，在植被基礎上再分林地和耕地，最后在林地上區分針葉林、闊葉林和混交林。分類精度評價使用eCognition中的基于樣本的誤差矩陣(Error Mateix based on Sample)，針葉林、闊葉林和針葉林的總體精度為0.81，KIA為0.77。分類結果見圖1。由于森林分類技術的局限，無法對研究區內面積很小的灌木、竹林和其他類植被實現自動分類，則依據小班圖進行人工分類[11]，最后采用反距離加權插值法重采樣至10 m分辨率。

圖1 研究區采樣點和森林類型圖

1.3 研究方法

1.3.2 評價指標 為了比較模型的性能，ANN模型采用10-fold Cross Validation(10重交叉驗證)評估模型精度。具體采用 3個模型精度評價指標，包括均方根誤差(RMSE)、決定系數(2) 、相對整體精度(ROA±10%)。具體公式如下：

2 結果與分析

2.1 研究區土壤有機質描述性統計

研究區采樣點SOM含量的統計結果如表1所示。SOM的變化范圍在0.05 ～ 103.07 g/kg，其中L1土層的變化最大，在0.07 ～ 103.70 g/kg。SOM的平均含量和標準差隨土壤深度增加而下降，深層土壤(L4、L5)的SOM約是表層(L1)的1/2。此外，每一層SOM的變異系數都比較高，都在50% 以上，研究區SOM的空間分布屬于中等變異。

2.2 研究區土壤有機質與預測變量的關系

SOM與森林類型(Forest)等19個變量的Pearson 相關關系如表2所示。每層土壤的SOM均與CSOM顯著正相關。在遙感變量中，每層土壤的SOM與多個遙感變量之間的相關性都顯著，特別是與NDVI、RDVI。另外，每層土壤的SOM僅與少數地形變量的相關性顯著。統計表明，本研究區的SOM與地形變量的線性關系較弱，與遙感變量線性關系較強。因此，本研究采用經典的機器學習算法——ANN模型來解決非線性的問題。

表1 各土層SOM的描述性統計(g/kg)

2.3 研究區土壤有機質預測模型比較與評估

2.3.1 模型輸入變量最優組合篩選 最優模型應在繼續添加變量后精度不會顯著提高，則該輸入組合才是模型最優的變量組合。因此，最佳模型應具有較高的2和ROA±10%，較低的RMSE。本研究2種模型的預測結果如表3所示。在L1土層中，A模型(地形)逐漸添加地形水文變量后顯著提高了模型的性能，ROA±10% 的值從35% 逐漸增加到47%、50%、56%、63%、72%，但進一步添加變量，ROA±10% 不再繼續增加，甚至在增加到8個變量時ROA±10% 降到了63%。模型的RMSE和2也都反映出相同的先改善后降低的趨勢。因此，A模型預測L1土層SOM的最佳輸入變量為6個，基于此選擇方案，預測L2、L3、L4、L5土層SOM的最佳輸入變量為6、7、5、6個。而對于B模型，預測5個土層SOM的最佳輸入變量個數分別為6、4、6、6、7個。

2.3.2 模型預測精度比較 從表3可知，B模型與A模型相比普遍具有最低的RMSE，以及最高的2和ROA±10%，因此，B模型的預測結果較佳。并且，可以觀察到B模型對表層土壤(L1、L2)比對深層土壤(L3、L4、L5)的預測精度提高尺度更大。相對于A模型，B模型對L1、L2土層預測的2提高了13% 和10%，而L3、L4、L5土層僅提高了4%、5%、4%。同樣地，RMSE和ROA±10% 也表現出相似的趨勢。這表明遙感影像在改善研究區SOM的預測能力方面是有一定的局限性，對于深層土壤改善不夠顯著。

表2 各層土壤SOM與輸入變量的相關性

注：**表示相關性在<0.01水平顯著；*表示相關性在<0.05水平顯著。

表3 SOM的2種ANN模型最優變量組合及預測精度

注：表中A1代表TPI、Slope、STF、SDR、DTW、FL；A2代表TPI、Slope、Aspect、SDR、DTW、PSR；A3代表TPI、Slope、Aspect、STF、SDR、FD、PSR；A4代表 TPI、Slope、Aspect、SDR、FL；A5代表TPI、Slope、Aspect、STF、DTW、FD。

2.4 研究區土壤有機質空間格局

采用 B模型篩選出的最優ANN模型，以10 m× 10 m的分辨率繪制羅定市森林土壤SOM的空間分布(圖2)。SOM的含量隨著土層深度的加深而減少，其中，L1土層SOM含量最高，其空間分布含量普遍高于30 g/kg；L2土層SOM含量主要在20 ～ 30 g/kg；L3土層SOM含量則大多處在10 ～ 20 g/kg和20 ～ 30 g/kg等級；L4和L5土層SOM含量減少得更明顯，主要在10 ～ 20 g/kg等級范圍內。從水平結構的整體來看，每層土壤較高的SOM主要出現在闊葉林地區。

圖2 研究區各土層的SOM空間分布

3 討論

本研究主要探索GF-1的4個多光譜波段與衍生的5個植被變量對傳統的地形水文ANN模型的影響，結果表明，GF-1衍生數據提高了地形水文土壤模型的預測精度。這一研究結果與Wang等[12]和Zhou等[13]的報告一致，他們認為全變量模型(地形水文+遙感)比地形水文模型預測更好。在改善地形水文模型的精度上，遙感數據對上層(0 ～ 40 cm)土壤的預測提升幅度較大，對深層(40 ～ 100 cm)土壤提升幅度較小。這與Kempen等[14]和Minasny等[15]的結果一致，他們都報道了土壤預測模型的性能隨深度而下降。這可能是由于輔助環境變量的映射能力隨著土壤深度加深而降低，所使用的大部分輔助數據不能有效地捕獲這些土層(40 ～ 100 cm)的SOM變化，其不確定性隨著土壤深度的增加而增加[9]。

通過最佳模型(B模型)的變量組合來看，所有遙感變量中森林類型(Forest)和NDVI對SOM含量表現出較強的預測能力。這與Winowiecki等[16]的研究一致，其發現有機碳的空間分布格局與植被類型及密度密切相關。在森林生態系統中，SOM的主要來源為植被凋落物，植被越密，凋落物越多。植被凋落物的特征也是影響SOM積累的重要原因，針葉類凋落葉分解速率較慢，不利于SOM的積累，而闊葉樹凋落葉容易分解，促進SOM的積累[17]。一些落葉闊葉林還發生季節性落葉，增加了SOM的來源。植被指數廣泛用于評估植被覆蓋、生物量、作物產量和植物健康等植物狀況。最優模型變量組合顯示，NDVI、RDVI、DVI和RVI均有出現在不同土層的最優模型中。這些指標對植被覆蓋、植被色素含量和葉片水分的變化最為敏感，已成功用于評估植被覆蓋狀況、預測土壤養分和土壤鹽分[18-19]。考慮到土壤性質與植被覆蓋狀況的密切關系，植被指數可以反映土壤性質的變化。因此，可以引入光譜植被指數作為間接指標來了解SOM的狀況。

遙感數據是數字土壤制圖研究中應用廣泛的輔助變量。但是，以往研究中極少探索GF-1數據在土壤制圖中的應用。本研究發現，GF-1的4個波段作為ANN模型輸入變量進行評估SOM是有效的。這與馬馳[7]的結果一致，他應用GF-1的4個波段較好地預測了SOM的空間分布。另外，以往研究大多數都是采用了Moidis、Landsat和Sentinel等衛星的綠波段、紅波段和近紅外波段等，都未探索藍波段與土壤性質的關系。而最優模型的變量組合顯示GF-1的藍波段對L1、L3土層的SOM預測具有一定的重要性。該結論與郭燕等[20]研究一致，她們發現GF-1的4個波段中，藍波段與SOM的相關性最強。Streck等[21]認為，土壤電磁光譜可見光區和近紅外區等的光譜反射率揭示了大量關于土壤條件的信息。事實上，土壤光譜數據受到土壤性質的影響，包括土壤SOM、植被、土壤質地、土壤水分、土壤鹽分和氧化鐵含量等。因此，光譜數據是研究和測繪土壤性質的一個很好的工具。

Pouladi等[22]使用遙感數據預測表層土壤有機碳含量，發現遙感變量解釋了89% 的有機碳含量的空間變化，并認為當采樣點足夠密集時，無需在模型中引入其他環境變量。但本研究表明，地形水文變量在預測土壤性質時起到了很重要的作用，僅地形水文變量就可以解釋70% 左右的SOM含量分布狀況。并且，遙感變量對表土層的預測效果較好，對深層土壤預測效果較差。因此，地形水文環境變量是必要的，尤其是在地勢起伏大的森林地區[23]。從本研究A模型篩選出來的最優變量組合來看，預測SOM含量的代表性地形水文變量是TPI和Slope。TPI 反映的是研究點與其鄰域內其他點的相對高度差[24]。TPI為下坡位和山谷地區，坡度較小，海拔較低，人類活動干擾多，土壤侵蝕嚴重，容易造成SOM流失。相反，在坡度大的山脊和上坡位地區，海拔較高，人類活動較少，土壤動物和微生物活躍，有利于SOM形成。海拔還通過影響小氣候的形成，影響土壤動物和微生物的活性，進而影響SOM的積累。

從SOM的垂直分布來看，隨著土壤深度的增加，SOM含量呈逐漸下降的趨勢，這與鄧小軍等[25]對亞熱帶廣西山地紅壤區域的研究結果一致。主要原因是凋落物、土壤動物和微生物主要分布在土壤表層，且表層土壤通風、濕熱條件優于深層土壤，使得SOM在表層積累較高[26]。從SOM的水平結構來看，SOM含量高的主要分布在闊葉林。這與最優模型的變量組合一致，森林類型(Forest)是5個土層SOM預測的最重要的變量。SOM的積累主要受到高等植物凋落物的性質，以及土壤動物和微生物的影響。闊葉林的凋落物比針葉林凋落物易分解。另外，羅定市主要的針葉樹種是馬尾松、杉木和桉樹林等人工林，受到人類林業活動的影響較多，不利于SOM的積累。

本研究中，加上遙感變量的ANN模型在預測性能上得到了提高，但是，研究中存在不確定性。首先，數據采集和實驗室分析中會存在一些采樣誤差和實驗誤差。其次，由于地形和云層的影響，高海拔地區在圖像分割過程中易產生陰影，從而導致衛星圖像數據中出現較大的反射率誤差[13]。另外，陸地表面特性隨時間的變化和遙感數據采集的時間也會影響預測結果。最后，本研究只從GF-1提取了9個遙感數據，可能未充分挖掘更好的遙感潛在變量。

4 結論

本研究利用2種ANN模型預測了廣東省云浮市羅定市森林土壤5個土層的SOM含量，結果表明，國產衛星GF-1號衍生的9個遙感變量對研究區SOM的預測是有效的，其對上層(L1和L2)森林土壤SOM的預測效果較好，遙感數據的加入使得基于地形水文數據的ANN土壤模型的精度(2)分別提高了13% 和10%，而對40 cm以下深層土壤的預測性能提高較小，僅提高了4% 或5%，需要引入更多的遙感變量，如多光譜波段和全色波段的紋理特征等輔助變量來改善深層土壤的預測。因此，在未來的森林土壤制圖中應注重選擇和開發與植被相關的變量，進一步探索國產遙感衛星與土壤制圖技術的結合，推動其在全國范圍內林業、農業等方面的進一步應用與發展。

[1] McBratney A B, Odeh I O A, Bishop T F A, et al. An overview of pedometric techniques for use in soil survey[J]. Geoderma, 2000, 97(3/4): 293–327.

[2] McBratney A B, Mendon?a Santos M L, Minasny B. On digital soil mapping[J]. Geoderma, 2003, 117(1/2): 3–52.

[3] Henderson B L, Bui E N, Moran C J, et al. Australia-wide predictions of soil properties using decision trees[J]. Geoderma, 2005, 124(3/4): 383–398.

[4] 周萍, 王潤生, 閻柏琨, 等. 高光譜遙感土壤有機質信息提取研究[J]. 地理科學進展, 2008, 27(5): 27–34.

[5] 張法升, 曲威, 尹光華, 等. 基于多光譜遙感影像的表層土壤有機質空間格局反演[J]. 應用生態學報, 2010, 21(4): 883–888.

[6] Wang S, Gao J H, Zhuang Q L, et al. Multispectral remote sensing data are effective and robust in mapping regional forest soil organic carbon stocks in a northeast forest region in China[J]. Remote Sensing, 2020, 12(3): 393.

[7] 馬馳. 基于GF-1土壤有機質含量估測的研究[J]. 西南農業學報, 2018, 31(1): 126–130.

[8] Zhao Z, Yang Q, Benoy G, et al. Using artificial neural network models to produce soil organic carbon content distribution maps across landscapes[J]. Canadian Journal of Soil Science, 2010, 90(1): 75–87.

[9] Zhao Z Y, Yang Q, Sun D X, et al. Extended model prediction of high-resolution soil organic matter over a large area using limited number of field samples[J]. Computers and Electronics in Agriculture, 2020, 169: 105172.

[10] Meng F R, Castonguay M, Ogilvie J, et al. Developing a GIS-based flow-channel and wet areas mapping framework for precision forestry planning[EB/OL]. Stellenbosch: IUFRO Precision Forestry Symposium, 2006.

[11] 孫慶林. 基于GF-2的八達嶺林場主要森林類型分類方法研究[D]. 北京: 北京林業大學, 2017.

[12] Wang S, Zhuang Q L, Jin X X, et al. Predicting soil organic carbon and soil nitrogen stocks in topsoil of forest ecosystems in northeastern China using remote sensing data[J]. Remote Sensing, 2020, 12(7): 1115.

[13] Zhou T, Geng Y J, Chen J, et al. Mapping soil organic carbon content using multi-source remote sensing variables in the Heihe River Basin in China[J]. Ecological Indicators, 2020, 114: 106288.

[14] Kempen B, Brus D J, Stoorvogel J J. Three-dimensional mapping of soil organic matter content using soil type-specific depth functions[J]. Geoderma, 2011, 162(1/2): 107–123.

[15] Minasny B, McBratney A B, Malone B P, et al. Digital mapping of soil carbon[M]//Advances in Agronomy. Amsterdam: Elsevier, 2013: 1–47.

[16] Winowiecki L, V?gen T G, Huising J. Effects of land cover on ecosystem services in: A spatial assessment of soil organic carbon[J]. Geoderma, 2016, 263: 274–283.

[17] 王薪琪, 王傳寬. 東北5種溫帶人工林表層土壤碳氮含量的分異[J]. 應用生態學報, 2019, 30(6): 1911–1918.

[18] Rivero R G, Grunwald S, Binford M W, et al. Integrating spectral indices into prediction models of soil phosphorus in a subtropical wetland[J]. Remote Sensing of Environment, 2009, 113(11): 2389–2402.

[19] Taghizadeh-Mehrjardi R, Minasny B, Sarmadian F, et al. Digital mapping of soil salinity in Ardakan region, central Iran[J]. Geoderma, 2014, 213: 15–28.

[20] 郭燕, 程永政, 王來剛, 等. 利用高光譜和GF-1模擬多光譜進行土壤有機質預測和制圖研究[J]. 土壤通報, 2016, 47(3): 537–542.

[21] Streck N A, Rundquist D, Connot J. Spectral signature of selected soils[J]. Agrometeorol, 2015, 11(1): 184.

[22] Pouladi N, M?ller A B, Tabatabai S, et al. Mapping soil organic matter contents at field level with Cubist, Random Forest and kriging[J]. Geoderma, 2019, 342: 85–92.

[23] Li X H, Ding J L, Liu J, et al. Digital mapping of soil organic carbon using sentinel series data: A case study of the ebinur lake watershed in Xinjiang[J]. Remote Sensing, 2021, 13(4): 769.

[24] 李小川, 丁曉綱. 廣東省云浮市森林土壤養分調查與評價[M]. 北京: 中國林業出版社, 2018.

[25] 鄧小軍, 曹繼釗, 宋賢沖, 等. 貓兒山自然保護區3種森林類型土壤養分垂直分布特征[J]. 生態科學, 2014, 33(6): 1129–1134.

[26] 何林. 汝城縣森林土壤養分含量的垂直分布規律[J]. 湖南林業科技, 1988, 15(1): 59–63.

Prediction of Soil Organic Matter Content Based on Artificial Neural Network Model and GF-1 Remote Sensing Data

LI Yingying1, ZHAO Zhengyong1*, YANG Qi1, DING Xiaogang2, SUN Dongxiao2, WEI Sunwei1

(1 Guangxi Key Laboratory of Forest Ecology and Conservation, College of Forestry, Guangxi University, Nanning 530004, China; 2 Guangdong Academy of Forestry, Guangzhou 510520, China)

To explore the capability of GF-1 satellite to predict soil organic matter (SOM), Luoding City of Yunfu City, Guangdong Province was taken as the study area, and 9 multi-spectral remote sensing variables retrieved from GF-1 and 9 terrain variables derived from DEM were used as predictors to establish two kinds of artificial neural network models (Model A: terrain; Model B: terrain & remote sensing) for predicting soil organic matter (SOM) at five soil depths (L1: 0–20 cm, L2: 20–40 cm, L3: 40–60 cm, L4: 60–80 cm, and L5: 80–100 cm). The results showed that the accuracies of SOM full-variable B model at five depths was higher than those of A model with topographic variables only. Especially for the L1 and L2 layers of soil, the accuracy was obviously improved. The2 of the L1 and L2 layers of SOM were increased by 13% and 10% respectively. However, the accuracies of deep soils (L3, L4, L5) were only improved by 4%, 5% and 4%, respectively, and RMSE and ROA±10% also showed a similar trend. The results show that GF-1 remote sensing image can be used as a new data source to predict SOM.

Soil prediction; Artificial neural network model; GF-1; Remote sensing data; Multi-layer soil

李瑩瑩, 趙正勇, 楊旗, 等. 基于GF-1遙感數據預測區域森林土壤有機質含量. 土壤, 2022, 54(1): 191–197.

S159-3；S714

A

10.13758/j.cnki.tr.2022.01.025

廣西自然科學基金項目(2018GXNSFBA138035；2018GXNSFAA050135)和廣東省林業科技計劃項目(2019-07)資助。

(z.zhao@unb.ca)

李瑩瑩(1996—)，女，廣西南寧人，碩士研究生，主要從事森林土壤制圖研究。E-mail: 228757496@qq.com