摘要：高光谱遥感在土壤有机质估算中的应用是农业遥感与土壤科学交叉领域的前沿研究方向。土壤有机质含量是衡量土壤肥力和耕地质量的核心指标，其空间分布信息的快速获取对精准施肥和耕地保护具有重要意义。本文系统阐述了高光谱遥感估算土壤有机质的物理机制，详细介绍了可见光-近红外光谱与土壤有机质的响应关系、光谱预处理方法、特征波段筛选策略以及偏最小二乘回归、随机森林、支持向量机和深度学习等建模方法。结合时维遥感在耕地质量高光谱监测中的实践案例，探讨了从实验室光谱到航空/航天高光谱影像的尺度扩展方法，以及土壤有机质高光谱制图的技术路径和应用前景。
土壤有机质遥感估算的科学意义
土壤有机质（Soil Organic Matter，SOM） 是土壤固相的重要组成部分，含量通常以百分比表示，其含量水平直接影响土壤的保水保肥能力、结构稳定性、微生物活性和碳汇功能。土壤有机质含量是评价耕地质量等级的核心指标之一，也是精准农业中变量施肥决策的重要依据。传统土壤有机质测定采用重铬酸钾容量法等实验室化学分析方法，虽然精度高但效率低、成本高，难以满足大范围、高密度的空间制图需求。
高光谱遥感技术的出现为土壤有机质含量的快速无损估算开辟了新途径。高光谱传感器能够在可见光-近红外（VNIR，400-1000nm） 和短波红外（SWIR，1000-2500nm） 波段范围内以纳米级光谱分辨率获取地表反射率信息，精细刻画土壤的光谱吸收特征。由于土壤有机质中的腐殖质（胡敏酸和富里酸）在可见光和近红外波段具有特征性的光谱吸收，高光谱数据为土壤有机质含量的定量反演提供了丰富的光谱信息。
全球耕地土壤有机质含量空间变异显著——东北黑土区SOM含量可达5-10% ，而华北平原和西北干旱区SOM含量通常低于1.5% 。掌握SOM的空间分布格局和动态变化趋势，对于制定差异化的土壤培肥策略、实施耕地质量保护与提升行动具有直接的决策支持价值。
土壤有机质光谱响应的物理机制
土壤有机质的光谱响应机制是高光谱遥感估算SOM的理论基础。在可见光波段（400-700nm） ，土壤有机质中的腐殖质对入射光具有强烈的吸收作用，尤其在600-700nm的红光区域存在明显的宽吸收带。腐殖质含量越高，土壤反射率越低，土壤色调越深暗。这一光谱响应特征是早期利用土壤颜色推断有机质含量的物理基础。
在近红外和短波红外波段（700-2500nm） ，土壤有机质的分子振动合频和倍频吸收产生若干特征吸收峰。其中，1700nm、2100nm和2300nm附近是与有机质中C-H、C-O、N-H等化学键振动相关的特征吸收位置。这些窄吸收特征是高光谱遥感区别于多光谱遥感的核心优势——只有纳米级的光谱分辨率才能精细刻画这些吸收峰的位置、深度和宽度，从而实现有机质的定量反演。
需要注意的是，土壤光谱是多种土壤组分的混合响应，有机质的光谱信号受到土壤含水量、铁氧化物含量、矿物组成、颗粒组成和表面粗糙度等因素的干扰。其中，土壤含水量是最主要的干扰因素——水分在1400nm、1900nm和2200nm附近产生强烈的水分子吸收带，会严重掩蔽有机质的光谱特征。因此，如何有效消除水分等干扰因素的影响，是高光谱估算土壤有机质面临的核心技术难题。
光谱预处理与特征筛选方法
原始土壤光谱数据包含大量噪声和非目标信息，必须经过系统的预处理才能用于建模。常用的光谱预处理方法包括：
平滑去噪是光谱预处理的基本步骤。S-G平滑滤波和移动平均法是最常用的平滑方法，可有效消除随机噪声同时保留光谱的吸收特征。
散射校正用于消除颗粒大小和光程差异对光谱的影响。标准正态变量变换（SNV） 和多元散射校正（MSC） 是两种主流的散射校正方法，通过标准化处理降低散射效应引起的光谱变异。
导数变换是增强光谱吸收特征的有效手段。一阶导数可以消除基线漂移和背景干扰，二阶导数可以进一步分辨重叠的吸收峰。导数光谱在低有机质含量土壤的SOM估算中尤为有效，因为低SOM土壤的光谱吸收特征微弱，导数变换可以显著增强信号。
连续统去除法通过将反射率光谱归一化至包络线，突出显示各吸收特征的相对深度和宽度，便于不同土壤之间光谱吸收特征的比较和定量描述。
在特征筛选方面，竞争性自适应重加权采样（CARS） 、无信息变量消除（UVE） 和连续投影算法（SPA） 是三种应用最广泛的高光谱特征波段筛选方法。CARS通过自适应重加权采样逐步淘汰无关变量，保留对SOM预测贡献最大的波段子集；UVE通过引入人工噪声变量评估各波段的信噪比，剔除信息量低于噪声水平的波段；SPA通过最小化变量间的共线性选择最精简的特征组合。研究表明，经过CARS或UVE特征筛选后，模型预测精度通常可提升5-10% ，同时大幅减少模型复杂度。
土壤有机质估算建模方法
偏最小二乘回归（PLSR） 是土壤有机质高光谱估算的经典建模方法。PLSR通过同时分解光谱矩阵和SOM含量矩阵，提取与SOM最大协方差的潜变量，在光谱变量高度共线性的条件下仍可获得稳定的回归模型。PLSR的优势在于模型可解释性强（通过回归系数可识别重要波段），所需样本量相对较少（通常50-100个样品即可建模），是目前发表文献中应用最多的SOM光谱预测方法。在有机质含量变异较大的区域，PLSR模型的交叉验证决定系数R²cv通常可达0.75-0.90。
随机森林回归（RFR） 通过集成多棵决策树实现非线性建模，对光谱变量的异常值和缺失值具有较好的容忍性，且能够评估各波段变量的重要性排序。随机森林在处理光谱与SOM之间的非线性关系时优于PLSR，尤其适用于SOM含量范围跨度大、土壤类型多样的数据集。多项对比研究表明，随机森林在SOM预测中的R²可比PLSR提升3-8个百分点。
支持向量回归（SVR） 利用核函数将光谱数据映射到高维特征空间，在有限样本条件下实现非线性回归建模。SVR在小样本场景（<50个样品）中表现尤为突出，其预测稳定性通常优于随机森林。径向基核函数（RBF）是最常用的核函数类型，需通过网格搜索确定正则化参数C和核参数γ的最优组合。
深度学习方法近年来在土壤有机质光谱预测中展现出强大的潜力。一维卷积神经网络（1D-CNN） 可直接从原始光谱中自动学习多尺度特征表示，免去了复杂的人工特征工程。注意力机制的引入使模型能够自适应地聚焦于与SOM最相关的波段区域，提升了预测的精度和可解释性。研究表明，1D-CNN在SOM预测中的R²可达0.85-0.95，优于传统机器学习方法。
时维遥感在东北黑土区耕地质量监测项目中，采用CARS-PLSR方法结合航空高光谱影像，成功实现了土壤有机质含量的空间制图，预测R²达到0.86，均方根误差（RMSE）为0.42% ，制图精度满足耕地质量等级划分的需求。
从实验室光谱到遥感影像的尺度扩展
实验室条件下测量的土壤光谱与航空/航天高光谱影像获取的土壤光谱存在显著差异，实现从实验室到影像的尺度扩展是SOM遥感制图的关键技术挑战。
实验室光谱测量通常在控制条件下进行：样品经过风干、研磨和过筛处理，消除了水分、颗粒大小和表面粗糙度的影响；采用接触式或标准几何条件的光谱测量，确保光照和观测条件的均一性。因此，实验室光谱与SOM之间的相关性通常很高（R²>0.90）。
然而，航空或航天高光谱影像获取的是自然条件下的土壤反射率，受到大气衰减、地表粗糙度、土壤含水量、植被残茬覆盖和混合像元等多重因素的综合影响。其中，土壤含水量是最主要的干扰因素——湿润土壤的反射率整体下降，有机质的光谱吸收特征被水分吸收带掩蔽，导致SOM预测精度大幅降低。
针对尺度扩展问题，当前主要采用三种策略：一是湿度校正模型，建立土壤含水量与反射率变化的定量关系，在影像层面进行湿度补偿；二是多时相干燥期影像选择，优先选择地表干燥、植被稀疏的时段（如秋收后至春耕前）获取高光谱影像，最大限度降低水分和植被干扰；三是迁移学习方法，利用实验室高精度光谱-SOM模型作为先验知识，通过领域自适应技术将模型迁移至影像域，减少对影像标注样本的需求。
土壤有机质高光谱制图与应用
高光谱遥感估算的土壤有机质空间分布数据在多个农业领域具有重要应用价值：
精准施肥方面，SOM空间分布图可直接用于变量施肥处方的生成。有机质含量高的区域供肥能力强，可适当减少化肥施用量；有机质含量低的区域则需要增施有机肥和化肥以补充养分。研究显示，基于SOM空间变异的变量施肥方案可比均匀施肥节约氮肥10-15% ，同时维持或提高作物产量。
耕地质量评价方面，SOM是耕地质量等级划分的核心指标之一。利用高光谱制图获取的SOM空间分布数据，结合作层厚度、坡度、灌溉条件等其他评价指标，可以生成耕地质量等级图，服务于耕地质量监测和占补平衡评价。时维遥感在某县耕地质量监测项目中，利用航空高光谱数据实现了全县耕地SOM的1:1万比例尺制图，为耕地质量年度更新提供了高效的数据支撑。
土壤碳汇监测方面，SOM含量是土壤碳储量的主要决定因素。通过多期高光谱SOM制图的对比分析，可以监测土壤有机碳的时空变化趋势，评估保护性耕作、秸秆还田等土壤碳增汇措施的实施效果，服务于碳达峰碳中和战略中的农业碳汇核算。
土壤退化预警方面，SOM含量的持续下降是土壤退化的重要标志。通过构建SOM动态监测体系，设定退化预警阈值，当SOM下降速率超过安全阈值时触发预警，指导及时采取培肥改良措施。东北黑土区的研究表明，近40年来黑土耕层SOM含量平均下降了约30-50% ，高光谱遥感监测为掌握这一退化趋势提供了技术手段。
高光谱遥感土壤有机质估算的局限与发展趋势
当前，高光谱遥感估算土壤有机质仍面临若干局限：航天高光谱数据源的时空覆盖尚不充分，中国高分五号和珠海一号卫星的高光谱数据空间分辨率和信噪比仍需提升；植被覆盖条件下裸土信息获取困难，限制了作物生育期内的SOM动态监测；低SOM土壤（<1%）的光谱响应信号微弱，预测精度不够理想。
未来发展趋势包括：一是新一代高光谱卫星的发射，如计划中的"可持续性卫星"等，将提供更高空间分辨率和信噪比的高光谱数据；二是多源数据融合，将高光谱数据与微波、热红外等多源信息融合，降低水分等干扰因素的影响；三是物理模型与经验模型耦合，发展基于辐射传输理论的半经验SOM反演模型，增强模型的可解释性和可迁移性；四是全球土壤有机碳制图，结合高光谱遥感、数字土壤制图和机器学习技术，实现全球尺度的土壤有机碳高精度空间制图。
结语
高光谱遥感在土壤有机质估算中的应用，从实验室光谱分析发展到航空/航天高光谱影像制图，从线性统计建模拓展到深度学习智能预测，技术体系不断完善。光谱预处理、特征筛选和建模方法的合理选择与组合，是确保SOM预测精度和可靠性的关键。时维遥感将持续推进高光谱遥感技术在土壤有机质估算和耕地质量监测中的应用深化，推动从数据获取到决策支持的端到端技术服务，为中国耕地质量保护与提升提供先进的遥感技术支撑。
