利用遥感与高光谱技术进行土壤有机碳的制图与不确定性研究

Soil organic carbon (SOC) is one of the largest and most active ecosystem carbon pool in the earth surface system, the minor changes can cause the change of the concentration of carbon dioxide in the atmosphere, and also, its content is often considered as an important indicator to evaluate the soil quality. As so, fast and accurate monitoring of soil organic carbon is of great significance for cultivated land fertility regulation and agricultural sustainable development. The objective of this study is to predict soil organic carbon, map the spatial variability and conduct uncertainty analysis at field level using remotely sensed (GF-1) and proximal hyperspectral data in the main wheat-producing area of Henan. First, hyperspecteal data and GF-1 data were used for soil organic carbon modeling prediction with proper preprocessing. And then, we use geostatistics method and spatial variation coefficient to map and characterize the spatial variation of soil organic carbon. Finally, Bayesian approach including stochastic simulation, likelihood function, parameters of probability distribution, and sensitivity analysis methods, combined with Bootstrap, random simulation are employed to conduct uncertainty analysis in the whole prediction processes of soil organic carbon. Results are beneficial exploration to overcome of the difficulty of accurately estimating soil organic carbon stocks in national and global scale as a result of regional differences.

土壤有机碳（SOC）是地球表层系统中最大且最具有活动性的生态系统碳库之一，其较小幅度的变化都会引起大气中二氧化碳浓度的变化，而且它的含量也是评价土壤质量的一个重要指标。快速、准确地监测土壤有机碳的含量对于耕地肥力调节及农业可持续发展具有重要意义。本研究利用国产高分卫星和地面高光谱数据，以河南省小麦主要种植区为研究对象，进行土壤有机碳田块尺度上的预测、制图与不确定性分析。研究过程中首先对高光谱数据和高分数据进行预处理，然后建立高光谱和高分模拟数据的土壤有机碳的预测模型，并采用地统计学方法和空间变异系数进行土壤有机碳的制图和空间变异特征的研究。随后基于贝叶斯理论、靴襻法（Bootstrapt）、随机模拟等方法进行土壤有机碳预测制图模型不确定分析。研究结果对于克服因区域差异导致的精确估算国家尺度乃至全球土壤有机碳储量的困难是有益的探索。

快速、准确地监测土壤有机碳的含量并对其不确定性进行分析对于耕地肥力调节及农业可持续发展具有重要意义。本研究利用国产高分卫星和地面高光谱数据，通过建立预测模型和制图进行了土壤有机碳田块尺度上的预测、制图与不确定性分析。通过对高光谱数据和高分数据进行预处理，建立了高光谱和高分模拟数据的土壤有机碳的预测模型，采用高光谱预测的模型R2为0.962，RPD分别为1.44和4.87；采用模拟光谱建模的R2为0.557，RPD分别为3.66和1.43。同时采用地统计学方法（包括普通克里格、空间逆距离插值等）和空间变异系数进行了土壤有机碳的制图和空间变异特征的研究，采用一阶导数光谱数据和模拟GF-1数据预测得到的SOC含量与实测的SOC表现出相似的空间分布特征。采用系统网格采样，随机采样和分层随机采样进行样品的处理，相同样点系列，系统网格釆样相比随机采样和分层随机采样的变异系数较小，特别是随着样点数量增加，趋势更加明显。同时采用靴襻法（Bootstrapt）、随机模拟方法进行了土壤有机碳预测制图模型不确定分析，过Bootstrap抽样可对土壤有机碳预测模型的不确定性进行估计，不确定性参数φ的变异系数（CV）为9.48%，所有的样本参数均落在95%的置信区间范围。通过不同次数的条件随机模拟，土壤有机碳空间分布图的标准误差从0.74g/kg降低到了0.51g/kg，精度提高了31.08%。同时，在项目外延部分，还进行了作物空间信息的提取、SPAD高光谱预测等研究。这对于碳素估测精度的提升、作物空间信息提取以及综合利用土壤和作物信息进行精准农业研究具有重要的意义。