基于CARS算法的不同类型土壤有机质高光谱预测

不同土壤类型的理化性质和光谱性质存在差异,以往研究多以高光谱反射率或光谱吸收特征建立模型,输入变量类型结构单一,往往导致土壤有机质(Soil Organic Matter,SOM)预测模型的精度不高。为提高SOM高光谱预测模型精度,该研究以黑龙江省海伦市为研究区,将不同类型土壤分别以竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)筛选的特征波段、数字高程模型(Digital Elevation Model,DEM)数据和光谱指数作为输入变量,结合随机森林(Random Forest,RF)算法建立SOM预测模型。结果表明:1)通过CARS算法筛选后,各土壤类型特征波段压缩至全波段数目的16%以下,在很大程度上降低土壤高光谱变量维度和计算复杂程度,从而提高了模型的预测能力,说明CARS算法在提取特征关键波段变量、优化模型结构方面起到重要作用;2)不同类型土壤的SOM预测精度存在差异,沼泽土的预测精度最高为0.768,性能与四分位间隔距离的比率(Ratio of Performance to InterQuartile distance,RPIQ)为3.568;黑土次之,草甸土的预测精度最低,仅0.674,RPIQ为1.848。3类土壤的RPIQ均达到1.8以上,模型具有较好的预测能力;3)局部回归预测精度最优,验证集的调整后决定系数为0.777,均方根误差(Root Mean Square Error,RMSE)为0.581%,模型验证RPIQ为2.689,模型稳定性高。该试验筛选的预测因子通过RF模型可实现SOM含量的快速预测,简化了传统复杂的程序,可为中尺度区域不同类型土壤的SOM预测提供依据,为输入量的选择提供参考。     

利用高光谱和GF-1模拟多光谱进行土壤有机质预测和制图研究

利用土壤有机质(SOM)高光谱数据和模拟GF-1多光谱影像的波段响应函数生成的宽波段多光谱模拟数据,对比高光谱预处理和构建土壤植被指数,探索模拟GF-1光谱预测SOM的潜力。研究表明,SOM的一阶微分高光谱和模拟GF-1光谱数据构建的土壤指数与SOM的相关性最好。PLSR建模分析表明采用一阶微分高光谱数据可以很好的对SOM进行预,而且模型稳健(R2=0.962,RPD=4.87);模拟GF-1光谱也可以较好的进行SOM的预测,但是模型的稳定性相对较差R2=0.557,RPD=1.43。同时,SOM制图的空间分布表明,采用一阶微分光谱数据和模拟GF-1数据预测得到的SOM含量与实测的SOM表现出相似的空间分布特征。这为采用多光谱数据进行大尺度、大范围的SOM预测提供了基础。     

基于土壤优化光谱参数估测太湖地区土壤全氮含量

为明确太湖地区土壤全氮的高光谱特征,构建定量分析模型,以江苏省无锡市滨湖区为研究区域,选取地理位置跨度大、土壤质地相似的93个样品,进行土壤风干样品全氮含量测定和光谱数据采集,对光谱反射率进行一阶微分,运用相关系数峰谷值法筛选敏感波长,将敏感波长两两结合进行土壤调节光谱指数(MSASI)运算。将两两结合后敏感波段分别采用多元线性回归分析、人工神经网络分析和偏最小二乘法构建土壤全氮含量的定量高光谱分析模型。结果表明,研究区内土壤全氮含量与光谱反射率呈正相关,敏感波段包括420～444 nm和480～537 nm。基于土壤调节光谱指数的多元线性回归分析对敏感波段诊断的效果最佳(R~2=0.98、RMSE=0.04),其精度高、可靠性强,是筛选出的最佳土壤全氮含量估测模型。偏最小二乘法模型(R~2=0.70、RMSE=0.13)次之,而人工神经网络模型(R~2=0.69、RMSE=0.15)精度最低。该研究结果为太湖地区土壤全氮水平的高光谱快速估测提供了方法借鉴,可为土壤养分精准管理提供技术参考。     

含水率对土壤有机质含量高光谱估算的影响

土壤含水率对有机质(soil organic matter,SOM)含量高光谱估算精度有很大的影响。为了探讨SOM高光谱估算中土壤含水率的影响,该文对烘干土、风干土和质量含水率为5%~40%(按5%递增)的土壤样本进行了室内高光谱测量,对光谱数据进行了反射率、反射率一阶导数和反射率倒数对数3种光谱数据变换,运用偏最小二乘回归法(partial least squares regression,PLSR)建立了相应的SOM估算模型。结果表明,风干土的SOM高光谱估算精度较好;当含水率水平小于25%时,SOM估算模型精度受含水率的影响较大,光谱数据进行反射率倒数对数变换后的模型精度最高;当含水率水平大于等于25%时,水分对土壤光谱反射率的影响要大于SOM,不适宜利用土壤光谱数据进行SOM含量高光谱估算。该研究可为大田环境不同含水率情况下光谱估算SOM提供参考。     

光谱变换和光谱分辨率对土壤有机质含量估测精度的影响

利用高光谱遥感数据结合统计建模是当前土壤有机质(SOM)含量高光谱估测的主要方法。为了探讨SOM含量高光谱估测适宜的光谱变换方法和光谱分辨率,以黑龙江省建三江黑土区土壤样本为研究对象,采用SR-6500便携式光谱仪在实验室测量土样的光谱反射率。对土壤光谱数据重采样为1、5、10、20、30、40、50、60、70、80、90、100 nm共12种光谱分辨率,经过Savitzky-Golay光谱曲线平滑处理后,将光谱反射率R进行反射率倒数1/R、对数logR、倒数对数log(1/R)、对数倒数1/logR、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(logR)′、倒数对数一阶导数[log(1/R)]′和对数倒数一阶导数(1/logR)′共10种光谱变换;利用多元线性逐步回归(MLSR)和偏最小二乘回归(PLSR)的方法建立SOM含量估测模型。结果表明:(1)1/R和(1/R)′光谱变换对于提高SOM含量估测精度的效果较好,其中1/R光谱变换的SOM含量估测精度R2val均高于0.87,(1/R)光谱变换的SOM含量估测精度R2val均高于0.90;(2)5、10 nm光谱分辨率对于1/R和(1/R)′光谱变换下的MLSR与PLSR估测SOM含量的精度都较高,为较适宜的光谱分辨率;(3)SOM含量估测的光谱分辨率并非越高越好,适度的降低光谱分辨率以及选择合适的光谱变换方法,不仅可以减少数据处理的工作量,也可以提高SOM含量的估测精度。     

黑土典型区土壤有机质遥感反演

土壤有机质（SOM）含量时空变异规律研究对于土壤肥力评价、土壤碳库估算、土壤资源利用与保护具有重要意义,而地貌、成土母质、土壤类型等差异、高光谱卫星影像较少等因素制约了区域尺度的SOM含量遥感反演方法研究的开展。该文以黑龙江省黑土带典型区为例,采集区域土壤样本,获取Landsat TM遥感影像,基于有机质含量与土壤反射率的定量关系,建立区域SOM遥感预测模型。结果表明：黑土区SOM含量高,一般大于2%,决定了有机质对土壤反射光谱特性的主要作用,而且该区SOM空间变异性显著,且耕作方式、气候等因素决定了裸土时间长,因而该区适于SOM含量遥感反演;有机质与TM各波段反射率均显著相关,最大相关系数在第3波段（0.63～0.69 μm）,为-0.710,其次为4波段（0.76～0.90 μm）,与实验室基于高光谱反射率数据分析的结果一致;基于TM影像2、3、4波段的SOM指数模型最优,预测精度高、稳定性好,可以用于揭示黑土典型区SOM含量的空间分布特征。该研究将为改进土壤理化参数遥感反演、土地质量评价、土壤碳库估算等工作方法提供理论与技术支持。     

基于野外高光谱的黄河三角洲滨海盐渍土盐分含量估测研究

为探索适合黄河三角洲滨海地区土壤盐分含量的快速准确估测方法,以黄河三角洲垦利县为研究区,采用野外原位土壤高光谱数据与室内实测土样盐分数据相结合的分析方法,进行土壤盐分估测研究。通过对土壤盐分高光谱反射率、一阶微分反射率与盐分含量进行相关性分析,筛选出土壤盐分敏感波段;通过波段组合构建并筛选出土壤盐分敏感光谱参量;通过对敏感波段进行主成分回归建模、多元逐步线性回归建模和运用光谱参量建模,筛选出最佳的估测模型。结果显示:一阶微分可放大样品间的光谱特征差异,提高了相关性;波段组合可消除部分背景因素影响,与盐分的相关性明显提高;利用敏感光谱参量构建的估测模型优于直接用敏感波段构建的模型,土壤盐分最佳估测模型为y=0.623-2003920.934*X507*X772+0.259*(X512+X1093)-469.717*X772/X512,R2为0.591,验证R2为0.556,RPD为1.624,RMSE为0.116,拟合度较好,稳定性较高。该研究为滨海区土壤盐分含量的野外高光谱估测提供了新的方法,同时为土壤盐分含量的高光谱定量研究提供理论和技术参考。     

不同降噪方式下基于高分五号影像的土壤有机质反演

通过遥感技术预测土壤有机质(Soil Organic Matter,SOM)的空间分布是精准农业和土地资源管理研究的重要内容,与粮食安全及环境监测密切相关。该研究主要研究采用高分五号(GF-5)反演土壤有机质的最佳降噪方式。以黑龙江省典型黑土区明水县为研究对象,获取GF-5高光谱遥感影像,对影像进行不同降噪处理,包括奇异值分解(Singular Value Decomposition,SVD),离散小波变换(Discrete Wavelet Transform,DWT)及中值滤波(Median Filtering,MF)降噪。然而,分别结合二维光谱指数,应用随机森林(Random Forest,RF)方法预测不同降噪方式的SOM含量。结果表明:1)所选择的不同降噪方法中,与SOM含量的相关性由高到低依次为DWT、SVD、MF,其中,基于MF降噪后的光谱反射率与SOM含量相关性低于原始反射率与SOM含量的相关性。2)基于降噪方式下的光谱曲线更加平滑,且不同有机质含量对应的光谱曲线形状相似。3)采用DWT降噪方式,基于影像波段和光谱指数,以RF为预测模型的SOM最优反演模型精度R~2为0.69,均方根误差为2.26%。研究成果可为利用高光谱卫星数据实现大尺度范围内SOM的数字土壤制图提供参考,为实时定量监测土壤肥力变化提供依据。     

高标准基本农田建设区域土壤重金属含量的高光谱反演

为快速高效的获取高标准基本农田建设区域土壤重金属信息,以新郑市高标准基本农田建设区域为研究对象,共采集154个土壤样品,在室内利用ASD Field Spec3型地物光谱仪获得土壤高光谱数据,对土壤样品在400~2 400 nm的光谱反射率进行多元散射校正(multiplicative scatter correction,MSC)和Savitzky-Golay(SG)平滑后,进行一阶微分(first order differential reflectance,FDR)和二阶微分(second order differential reflectance,SDR)变换,并与Cr、Cd、Zn、Cu、Pb 5种重金属含量进行相关性分析,遴选出通过P=0.01显著性检验的高光谱特征波段作为反演模型的自变量,采用116个建模集样本构建偏最小二乘模型(partial least square regress,PLSR),通过精度检验筛选每个土壤重金属的最佳反演模型,并采用最佳地统计插值方法对高标准基本农田建设区域土壤重金属进行空间插值。结果表明:Cr的SDR-PLSR模型为最佳反演模型(R~2=0.88,RPD=1.68),Cd的R-PLSR模型为最佳反演模型(R~2=0.70,RPD=1.50),Zn的R-PLSR模型为最佳反演模型(R~2=0.88,RPD=2.05),Cu的R-PLSR模型为最佳反演模型(R~2=0.99,RPD=3.36),Pb的SDR-PLSR模型为最佳反演模型(R~2=0.93,RPD=3.16);采用构建的土壤重金属的最佳模型,对土壤重金属含量进行空间插值,结合高标准农田建设标准可知Zn含量符合土壤环境质量Ⅱ类标准且均低于土壤背景值,Cr、Cd、Cu和Pb符合土壤环境质量Ⅱ类标准,但是部分区域超过了土壤背景值。该研究为高光谱反演模型用于高标准基本农田建设区域土壤基础信息的实时监测提供了参考。     

黑土土壤中全氮含量的高光谱预测分析

为实现快速、准确估测土壤氮素含量水平,推动土壤信息化管理进程,该研究利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱。结果表明,通过不同的变换,光谱反射率对数的一阶导数与土壤全氮含量相关性得到增强,以400～600 nm波段范围内相关性最好。该文确定了以反射率对数的一阶导数光谱预测黑土全氮（TN）含量的最佳回归模型,模型所用的波段为可见光波段的556 nm、近红外的1 642和2 491 nm。同时,也确定了利用由可见光波段550和450 nm组成的归一化光谱指数预测黑土TN含量的最佳预测模型。模型通过验证达到较好的效果：利用反射率对数的一阶导数、归一化光谱指数对土壤TN的预测R2分别为0.863、0.829,均方根误差RMSE分别为0.122、0.152。     

东北农牧交错带耕地土壤有机质遥感反演研究

农牧交错带是农耕区与草原牧区的过渡带，土壤有机质(SOM)的精确估算与变化监测对碳库估算与农业生产具有重要研究意义。以东北典型农牧交错带为研究区，Landsat 8 OLI影像和ALOS 12.5m DEM为数据源，基于波段反射率、反射率对数、亮度指数与相关地形因子，分别利用多元线性逐步回归(MLSR)模型、随机森林(RF)模型和BP神经网络(BPNN)模型，构建农牧交错带SOM多光谱反演模型。结果表明：(1)根据重要性排序，选择Landsat8OLI第4波段的对数、第5波段、第6波段和亮度指数作为输入量，RF和BPNN模型的精度优于MLSR模型。(2)引入高程(E)与坡向变率(SOA)后，3种模型的预测精度提高，BPNN模型精度提高最多，R2提高了0.22,RMSE降低了0.40 g/kg。3种模型最优反演精度由高到低为：BPNN模型(R2=0.82,RMSE=1.4 g/kg)>RF模型(R2=0.71,RMSE=1.9 g/kg)>MLSR模型(R2=0.66,RMSE=8.8 g/kg)。研究结果可为农牧交错带SOM时空变化研究提供方法支撑。     

基于相似光谱匹配预测土壤有机质和阳离子交换量

土壤可见光-近红外波段光谱(350~2 500 nm)包含了大量的土壤属性信息,相同类型的土壤具有相似的光谱曲线特征,但相似光谱曲线是否具有相似的属性含量?探讨此问题可为土壤光谱库的应用提供依据,从而最终服务于快速获取土壤信息技术体系的构建。该研究以安徽宣城为研究区,根据母质、地形特征和土地利用等信息,采集91个典型土壤剖面,共含400个土壤发生层样品,测定了有机质(soil organic matter,SOM)和阳离子交换量(cation exchange capacity,CEC)含量,同时采用VARIAN公司的Cary 5000分光光度计测定了土壤光谱,并将光谱数据变换为反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。该文采用光谱角(spectral angle mapper,SAM)、偏最小二乘回归(partial least square regression,PLSR)和SAM-PLSR(spectral angle mapper-partial least square regression,SAM-PLSR)3种方法预测土壤SOM和CEC。SAM方法是通过对测试集104个光谱曲线与参考集的296个光谱曲线进行相似性计算,并以此实现土壤SOM和CEC含量的预测。SAM-PLSR方法以SAM算法下的匹配结果作为建模样本建立PLSR模型和进行预测分析。结果表明,具有相似光谱曲线的土壤具有相似的SOM和CEC含量,SAM算法下相似光谱匹配可直接预测SOM(R2=0.78,RPD=2.17)和CEC(R2=0.82,RPD=2.41)。PLSR方法可很好地预测SOM(R2=0.87,RPD=2.77)和CEC(R2=0.87,RPD=2.59);相较之下,SAM-PLSR方法不仅可以更加准确预测SOM(R2=0.89,RPD=3.00)和CEC(R2=0.91,RPD=3.06),而且大大减少了建模样本的数量。该研究使可见光-近红外光谱可更加高效地用于土壤属性分析,并为土壤光谱数据库的建设及应用提供技术参考。     

基于多光谱数据的荒漠矿区土壤有机质估算模型

目前运用高光谱数据估算土壤有机质的模型精度已经可以达到精准农业的要求,但其数据的整理和运算过程较为复杂且观测尺度较小.为节省资源,提高效率并为多光谱遥感估算土壤有机质积累经验,该文将Landsat8_OLI多光谱遥感影像各波段的反射率数据与地面土壤有机质SOM(soil organic matter)实测数据相结合,利用SPSS软件及多元线性回归分析方法建立基于反射率R、反射率倒数1/R、反射率倒数对数LN(1/R)、反射率一阶导数FDR(first derivative reflectance)的土壤有机质定量估算模型,精度检验后择取最优模型通过多光谱遥感波段运算的方式推广至整个研究区.结果表明:FDR模型的精度更高,RMSE为0.215,F检验结果为4.072,预测值与实际值之间的决定系数R2为0.963.基于该模型估算研究区空间范围的土壤有机质含量,得出土壤有机质含量在0～5 g/kg之间的面积占总研究区的84.065％,＞10 g/kg的面积仅仅为0.001 5％.在4种土地类型中工矿用地SOM平均含量为最高的7.35 g/kg,受开采的煤炭中有机质影响较大.裸地面积2 674.44 km2,占研究区面积的63％,SOM平均含量6.12 g/kg;盐渍地和荒漠林地SOM含量偏低.总之,运用多光谱遥感数据估算干旱区土壤有机质的方法可行,也为遥感估算其他地表参数提供参考.     

基于高光谱特征的土壤有机质含量估测研究

在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。     

基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究

运用高光谱数据对北京典型铁矿区土壤重金属镍含量进行建模反演,探索高光谱遥感技术在土壤重金属污染快速监测上应用的可行性。使用便携式地物光谱仪采集研究区土壤样本光谱反射率数据,光谱反射率数据经多种数学变换后,经逐步回归方法筛选最佳特征波段,利用多元线性回归（SLR）和偏最小二乘回归（PLSR）方法建立模型以光谱反射数据对土壤重金属镍元素含量进行反演。基于光谱二阶微分的多元线性回归模型（SD-MLR）的稳定性和精度最高（R2 = 0.842,RMSE = 4.474）,能够良好地预测研究区土壤镍元素含量。光谱数据数学变换能够有效提高其与土壤镍元素含量间的相关性。不同的光谱变换形式建立模型的预测能力和精度有如下关系,光谱二阶微分 > 光谱倒数对数一阶微分 > 光谱一阶微分 > 光谱倒数对数 > 光谱连续统去除 > 原始光谱。采用光谱二阶微分建立多元线性回归模型为研究区土壤镍元素含量反演的最佳模型,可为土壤重金属污染快速监测提供技术参考。     

松嫩平原主要土壤类型含水量高光谱预测模型

为了消除土壤类型的影响,提高土壤含水量高光谱预测精度,以松嫩平原四种典型土壤(黑土、黑钙土、草甸土、风砂土)实验室高光谱反射率为研究对象,对反射光谱曲线进行去包络线处理,提取光谱特征参数;并对反射率进行多种数学变换,分析不同土壤类型、含水量水平的反射光谱特征差异,建立考虑土壤类型差异的含水量高光谱预测模型。研究结果表明:1)混合土壤类型难以提取有效的光谱特征参数进行土壤含水量预测;2)将风砂土与其他土类分开,其他土类利用光谱特征参数建模的精度高;3)基于光谱特征参数的一元线性回归精度高,输入量少。研究成果为多个土壤类型含水量高光谱预测提供了科学依据。     

红壤区土壤有机质光谱特征与定量估算——以江西省吉安县为例

通过对江西省吉安县不同有机质含量土壤的光谱曲线吸收特征进行分析,得到不同有机质含量土壤的光谱曲线特征响应波段,建立了县级尺度基于有机质响应波段的定量估算模型。结果表明,红壤和水稻土土壤光谱曲线特征具有明显差异,560~710 nm为吉安县土壤有机质含量的特征吸收波段;基于特征吸收波段范围的吸收面积(s)的对数和有机质含量的相关性为0.86,拟合方程为y=-20.91 ln(s)-27.26,决定系数为0.74,经不同类型土壤的有机质数据检验,预测的决定系数(R2)、均方根误差(RMSE)和预测相对分析误差(RPD)分别为0.75、0.61和1.88;包络线去除和反射率的倒数的对数处理建立的偏最小二乘回归(PLSR)模型预测效果最佳,预测决定系数均达0.83以上,相对偏差均为2.4以上,基于特征吸收波段560~710 nm建立的模型能定量估算红壤地区有机质含量,为土壤有机质估测提供参考。     

基于可见-近红外反射光谱的油区农田土壤石油烃含量估测研究

利用可见-近红外光谱技术,研究油区农田土壤在颗粒为2mm、0.25 mm和0.15 mm时的光谱(原始、一阶微分、连续统去除、多次散射校正)反射率与石油烃含量变化的关系,建立并利用偏最小二乘回归模型估测了石油烃含量.结果表明:原始、连续统去除、多次散射校正光谱的反射率对石油烃含量变化的响应在350 ～ 600 nm最敏感(P＜0.05),一阶微分光谱的敏感波段为2 280 nm(|r|=0.81,P＜0.01);光谱预处理能明显提高石油烃含量的估测精度,但土壤研磨对估测精度的影响因光谱预处理方法而异.基于可见-近红外光谱技术,本研究确立了估测油区农田土壤石油烃含量的颗粒粒径(2 mm)和光谱预处理方法(一阶微分),实现了石油烃含量的快速、有效估测,探索了一种可替代传统分析技术的新方法.     

黑土土壤水分高光谱特征及反演模型

应用高光谱技术阐释土壤含水率光谱规律及对土壤含水率进行定量分析,为精准农业地表土壤水分的快速测定提供参考。该文以吉林省黑土土类中的黑土亚类土壤为研究对象,利用ASD FieldSpec FR便携式光谱仪在室内环境下对不同含水率的土壤样本进行光谱反射率测量和特征分析;通过对土壤样品高光谱反射率进行对数、倒数、一阶微分以及反射率倒数的一阶微分、反射率对数的一阶微分变换,运用统计分析中的相关系数计算进行了光谱反射率与土壤水分的相关分析,并提取了土壤光谱特征波段;采用逐步多元线性回归方法和指数模式分析法,进行了高光谱土壤含水率定量反演。研究结果表明,在低于田间持水率状况下,黑土土壤光谱反射率及其反射率一阶微分和反射率对数一阶微分变换的敏感波段主要集中在400～410、1 400～1 850和2 050～2 200 nm范围内,其中2 156 nm处与土壤水分相关系数最高,达0.89;在波长1 328、1 439、1 742和2 156 nm处,采用反射率对数一阶微分所建立的黑土土壤含水率预测方程的预测精度最好,决定系数为0.931。黑土土壤含水率高光谱反演模型的建立为土壤水分的快速测定提供了新的途径。     

黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。