基于无人机的土壤有机质采集技术在裸土期的应用：表层耕作状态的影响

《Drones》：UAV-Based Retrieval of Soil Organic Matter During the Bare-Soil Period: Effects of Surface Tillage Status

　　

无人驾驶飞行器（UAV）多光谱影像为裸土期田间尺度土壤有机质（SOM）反演提供了一种有前景的方法。然而，耕作引起的地表异质性常被忽视。这种异质性可能改变土壤光谱响应和模型性能。本研究在农田中研究了地表耕作状态对基于UAV的SOM反演的影响。在裸土期采集了UAV多光谱影像和108个表层土壤样本。SOM含量范围为1.37~30.95 g/kg。在三种耕作状态设置下进行分析：未区分耕作状态、翻耕-平整状态和翻耕-未平整状态。使用遗传算法提取和选择光谱与纹理特征。随后利用这些特征，采用随机森林回归（RFR）、极端梯度提升（XGBoost）和支持向量回归（SVR）构建SOM反演模型。对于六个原始多光谱波段，SOM与波段反射率之间的相关性因耕作状态设置而异。在未区分耕作状态下相关性较弱；在翻耕-平整状态下呈显著负相关；在翻耕-未平整状态下呈显著正相关。纹理衍生指标和标准正态变量（SNV）分析表明，翻耕-未平整状态下的正相关可能部分与地表结构相关的光谱振幅效应有关。整合纹理特征提高了整体测试集的精度指标。然而，绝对预测误差的统计学显著降低主要出现在翻耕-未平整状态下。在随机分割的留出测试集上，翻耕-平整状态和翻耕-未平整状态下最高R²值分别达到0.84和0.85。这些结果表明，地表耕作状态是地表异质性的一个重要来源。因此，在当前研究条件下，基于UAV的SOM反演中应明确考虑地表耕作状态。

**论文解读：地表耕作状态对无人机多光谱影像反演裸土期土壤有机质的影响**

**研究背景与问题**
土壤有机质（SOM）是土壤肥力的重要组分并影响作物生产能力。传统SOM监测依赖人工采样和实验室分析，耗时费力且难以实现高频监测。无人机（UAV）多光谱影像为裸土期田间尺度SOM反演提供了高效手段。然而，播种前耕作操作（如翻耕、平整）改变了土壤表面结构（如土块大小、垄沟形态、粗糙度），导致地表异质性增强。这种异质性可能掩盖或改变SOM固有的光谱响应，但此前研究常将其忽略。基于此，研究人员在新疆昌吉市和呼图壁县的典型农田开展研究，旨在明确地表耕作状态对UAV多光谱SOM反演的影响，并检验考虑耕作状态的建模能否提升反演精度。论文发表在《Drones》。

**主要技术方法**
研究采用DJI M300 RTK无人机搭载MS600 Pro多光谱相机获取六个波段（蓝、绿、红、近红外、红边1、红边2）的影像，飞行高度100 m，前向和旁向重叠率80%。于2024年4月裸土期采集108个表层（0–20 cm）土壤样本，SOM含量范围1.37–30.95 g/kg。样本来自12个采样区（每区500 m × 500 m，均匀布设9个点），根据地表特征分为翻耕-平整和翻耕-未平整两种状态，另设未区分状态作为对照。光谱特征（103个，包括单波段反射率及植被指数等）和纹理特征（60个，基于灰度共生矩阵GLCM及一阶统计量）从UAV影像中提取。采用两阶段特征选择：先以Pearson相关系数筛选候选特征（前40个光谱和20个纹理），再以遗传算法（GA）优化子集（适应度函数为五折交叉验证随机森林回归的精度）。以随机森林回归（RFR）、极端梯度提升（XGBoost）和支持向量回归（SVR）三种机器学习算法构建SOM反演模型，通过随机分割（7:3训练/测试集）和留一区（LOZO）验证评估精度，指标包括R²、相对均方根误差（rRMSE）、LCCC和RPD。

**研究结果**
**3.1 SOM分布与背景比较**：训练集与测试集SOM分布均衡（Mann–Whitney U检验p≥0.05）。翻耕-平整与翻耕-未平整两组在SOM、土壤水分代理（ERA5-Land）、黏粒、粉粒和砂粒含量上均无显著差异，表明两组土壤背景基本可比。
**3.2 Pearson相关性分析**：未区分状态下SOM与波段反射率相关性普遍较弱；翻耕-平整状态下呈显著负相关（R≈?0.75至?0.70，p<0.001）；翻耕-未平整状态下呈显著正相关（R≈0.53至0.72，p<0.001）。光谱指数和纹理特征的相关性也呈现类似的分异。
**3.3 纹理衍生地表异质性与SNV支持分析**：翻耕-未平整组的Mean_STD、Mean_VAR和Mean_ENT显著高于翻耕-平整组，Mean_HOM显著更低，表明其局部灰度波动更强、纹理更复杂。标准正态变量（SNV）变换后，翻耕-未平整状态下SOM与蓝、红边2、近红外波段的正相关减弱或反转为负，表明异常正相关可能部分源于地表结构引起的光谱振幅效应。
**3.4 基于GA的特征选择**：GA最终选择的特征子集因耕作状态而异：未区分状态选择4个光谱+5个纹理特征；翻耕-平整状态选择5个光谱+2个纹理特征；翻耕-未平整状态选择6个光谱+4个纹理特征。50次重复GA运行显示特征选择稳定性中等。
**3.5 不同耕作状态下的SOM反演**：整合纹理特征后，各状态下测试集精度指标均提升，但绝对预测误差的统计显著降低仅出现在翻耕-未平整状态（Wilcoxon检验p<0.05）。在随机分割测试集上，未区分、翻耕-平整和翻耕-未平整状态的最优模型测试集R²分别为0.57、0.84和0.85。综合测试集精度、五折交叉验证稳定性和误差比较，RFR、XGBoost和SVR分别被确定为未区分、翻耕-平整和翻耕-未平整状态的最优模型。
**3.6 留一区验证**：LOZO验证下状态特异性模型仍优于未区分模型，但精度低于随机分割结果，表明跨区迁移性仍具挑战。

**讨论总结**
讨论部分指出：SOM-反射率关系在不同耕作状态下显著不同。翻耕-平整状态下的负相关符合SOM光谱吸收规律；翻耕-未平整状态下的正相关与地表粗糙度引起的阴影和散射效应有关，SNV分析提供了间接支持。纹理特征在翻耕-未平整状态下贡献最大，因其能捕捉土块边界和垄沟微地形带来的结构信息；而在翻耕-平整或混合状态下，纹理的增益不显著。模型适应性方面，RFR在混合数据中鲁棒性较好，XGBoost在平整表面更优，SVR在粗糙表面更优，表明模型选择需匹配地表条件。研究局限性包括：耕作状态分类依赖实地调查而非定量粗糙度指标；样本SOM集中在10–30 g/kg，低端和高端预测可靠性未知；模型和特征子集具有场地特异性，迁移需本地重校准。

**研究结论翻译**
基于UAV多光谱影像，本研究在裸土期比较了三种耕作状态设置（未区分、翻耕-平整、翻耕-未平整）下的SOM-遥感特征关系、所选特征组合和机器学习模型性能。主要结论如下：
SOM与光谱反射率的关系因耕作状态而异。未区分状态下相关性普遍较弱；翻耕-平整状态下呈显著负相关；翻耕-未平整状态下呈显著正相关。纹理异质性指标和SNV分析表明，异常正相关可能部分与地表结构相关的光谱振幅效应有关。
与仅使用光谱特征相比，整合纹理特征在所有耕作状态下均提升了整体测试集精度指标，但绝对预测误差的统计显著降低主要出现在翻耕-未平整状态，表明纹理特征的贡献依赖于地表耕作状态。
在随机分割留出测试集上，状态特异性建模的精度高于未区分建模。未区分、翻耕-平整和翻耕-未平整状态的最优模型测试集R²值分别为0.57、0.84和0.85。综合测试集精度、五折交叉验证性能与稳定性及绝对预测误差的统计比较，RFR、XGBoost和SVR分别被确定为未区分、翻耕-平整和翻耕-未平整状态的最优模型。LOZO验证进一步表明跨区迁移性仍具挑战，但状态特异性模型相较于未区分模型仍保持相对优势。
总之，将耕作状态纳入分析框架改进了当前研究条件下基于UAV的SOM反演。结果为裸土期田间尺度SOM估算提供了方法参考。然而，本研究建立的状态特异性模型和GA选择的特征组合应视为场地特异性，应用于其他区域需要利用代表性UAV影像、SOM样本及耕作或地表粗糙度信息进行本地重校准和验证。