汪甜甜，丁琪洵，梅帥，湯萌萌，江文娟，王強，馬友華

（安徽農(nóng)業(yè)大學資源與環(huán)境學院 農(nóng)田生態(tài)保育與污染防控安徽省重點實驗室，合肥 230036）

土壤具有支持和促進作物生長的潛力，是動植物賴以生存的物質(zhì)基礎(chǔ)。土壤質(zhì)地是土壤穩(wěn)定的物理和自然屬性之一，與土壤的通氣透水性和保水保肥性緊密相關(guān)[1]。土壤質(zhì)地顯著影響土壤細菌群落結(jié)構(gòu)和多樣性，從而影響土壤肥力[2]，在耕地質(zhì)量及作物適宜性評價等領(lǐng)域是十分重要的判定指標[3]。通過對土壤質(zhì)地的空間分布進行預(yù)測和制圖，不僅能豐富和完善土壤數(shù)字化數(shù)據(jù)庫，還能為土壤屬性空間分布研究、水分循環(huán)模擬和農(nóng)業(yè)生產(chǎn)規(guī)劃等提供依據(jù)和數(shù)據(jù)支持[4]。

目前，田間采樣是獲取土壤質(zhì)地數(shù)據(jù)最精確的方法[5]，但通過該方法獲取大尺度上的土壤質(zhì)地類型空間分布數(shù)據(jù)非常困難[6]，需耗費大量人力和物力。遙感技術(shù)具有支持大面積快速獲取田間數(shù)據(jù)和信息的優(yōu)勢，已經(jīng)成為精準農(nóng)業(yè)中最重要的監(jiān)測手段之一，近年來已廣泛應(yīng)用在農(nóng)田土壤屬性空間預(yù)測研究中。

國內(nèi)外很多研究基于遙感技術(shù)對區(qū)域內(nèi)土壤質(zhì)地空間分布特征進行了預(yù)測，從方法學的角度來分析，這些預(yù)測方法和模型大致可分為兩大類：一是基于遙感圖像處理和計算機視覺的土壤質(zhì)地空間預(yù)測方法，包括傳統(tǒng)的圖像處理算法和方法，主要運用不同的特征，如光譜、紋理和顆粒粒徑或含量，通過統(tǒng)計或插值分析來預(yù)測質(zhì)地分布；二是基于機器學習和深度學習的土壤質(zhì)地分類方法，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN），實現(xiàn)了準確的預(yù)測結(jié)果[7]。然而，不同預(yù)測方法和模型的選擇需要考慮數(shù)據(jù)源、區(qū)域尺度、環(huán)境變量等因素，不同模型之間的精度并不相同。本文綜述了國內(nèi)外基于遙感技術(shù)的土壤質(zhì)地空間分布預(yù)測研究進展，從輔助數(shù)據(jù)、預(yù)測方法和模型、應(yīng)用條件和精度等方面出發(fā)，通過分析應(yīng)用實例與預(yù)測效果，對比得到不同方法和模型的優(yōu)缺點及適用范圍，總結(jié)了不同尺度下遙感對土壤質(zhì)地及環(huán)境變量的監(jiān)測作用與精度驗證方法，以期為開展不同區(qū)域尺度下土壤質(zhì)地空間分布預(yù)測研究提供一定的參考與借鑒。

1 土壤質(zhì)地遙感預(yù)測的輔助數(shù)據(jù)

1.1 雷達數(shù)據(jù)

雷達在白天和黑夜均能探測遠距離的目標，且不受天氣影響，具有全天候、全天時的特點，并有一定的穿透能力，通過雷達開展土壤質(zhì)地的探測，可以充分降低傳統(tǒng)方法的成本和時間，高精度傳感器對土壤質(zhì)地的探測效果則更優(yōu)[8]。夏銀行等[9]的研究指出，在合理選擇探地雷達（Ground Penetrating Radar，GPR）頻率的情況下可以探測出土壤不同顆粒的大小，確定土壤質(zhì)地。Pittman等[10]結(jié)合激光雷達（LiDAR）提取冠層高度模型（CHM）和林隙率作為協(xié)變量，采用隨機森林（Random Forest，RF）和支持向量法（Support Vector Machine，SVM）模型進行土壤質(zhì)地分類，并與其他環(huán)境預(yù)測因子結(jié)合，提高了土壤質(zhì)地模型的精度。Bousbih等[11]將Sentinel-1、Sentinel-2 數(shù)據(jù)的衛(wèi)星濕度產(chǎn)品用作土壤質(zhì)地的指標，基于SVM 和RF 模型的黏土含量分類和映射算法，對突尼斯中部的半干旱區(qū)土壤質(zhì)地進行了估算和制圖。

雷達數(shù)據(jù)可以不受天氣條件和植被覆蓋等約束，高精度地獲取地面土壤質(zhì)地特征，但雷達信號峰值的確定有賴于合適算法的選擇，同時也會受到地表水分和土壤粗糙度的影響。目前基于雷達數(shù)據(jù)還難以直接探測細質(zhì)土壤的粒徑大小，需要借助一些環(huán)境變量作為輔助判斷指標，且探測范圍有限，但隨著高頻信號的獲取和雷達數(shù)據(jù)處理技術(shù)的發(fā)展，運用雷達技術(shù)準確探測土壤質(zhì)地空間分布將成為可能。

1.2 地形因子

地形作為土壤五大成土因素之一，通過影響水熱分布與地表能量再分配來影響土壤物理性質(zhì)，因此地形的起伏與土壤質(zhì)地的變化緊密相關(guān)[12]。不少學者通過攝影測量、機載激光掃描等遙感手段獲取數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)，進行高程、坡度、地形濕度指數(shù)等地形要素數(shù)據(jù)的提取，進而作為輔助變量來預(yù)測土壤質(zhì)地的空間分布。Wu等[13]對西南地區(qū)土壤質(zhì)地的分類研究發(fā)現(xiàn)，高程、低地地形分類指數(shù)和流道長度是影響研究區(qū)土壤質(zhì)地等級變化最重要的地形指標。Li 等[14]通過預(yù)測丘陵區(qū)土壤質(zhì)地空間分布，發(fā)現(xiàn)對于坡地，地形濕度指數(shù)對質(zhì)地分布影響最大，而對于梯地，海拔影響最大。研究表明，海拔與土壤顆粒（如黏粒、砂粒）含量可能存在正相關(guān)或者負相關(guān)[15-17]，需要結(jié)合研究尺度與其他輔助變量的重要性來具體分析，如在高海拔地區(qū)，不同成土母質(zhì)（巖石風化物、坡積物、河流沖積物、湖積物等）對土壤質(zhì)地的影響更顯著。對于尺度和地貌類型不同的研究區(qū)而言，不同地形因子對土壤質(zhì)地空間預(yù)測的貢獻度不盡相同，可以將其分為基礎(chǔ)地形指數(shù)、水文分析指數(shù)和復合地形形態(tài)指數(shù)，進一步分析地形因子之間的多元共線性及其與土壤質(zhì)地的相關(guān)性，篩選出土壤質(zhì)地預(yù)測的最佳輔助變量。

1.3 植被指數(shù)

土壤質(zhì)地是影響植被分布的主要環(huán)境驅(qū)動因素[18]，利用遙感近紅外波段和紅波段計算歸一化差異植被指數(shù)（Normalized Difference Vegetation Index，NDVI），將其作為輔助變量能夠有效提高土壤質(zhì)地遙感預(yù)測精度[19]。Césarda 等[20]基于Landsat-5 數(shù)據(jù)對半干旱區(qū)進行了土壤質(zhì)地分類預(yù)測研究，結(jié)果表明B2、B5、B3/B7 和NDVI 數(shù)據(jù)可以解釋土壤質(zhì)地的大部分空間變異。Wu 等[21]利用NDVI、地形和成土母質(zhì)數(shù)據(jù)進行土壤質(zhì)地的識別研究，發(fā)現(xiàn)對于黏土和砂土，加入NDVI數(shù)據(jù)明顯提高了識別精度。植被指數(shù)還包括比值植被指數(shù)（Ratio Vegetation Index，RVI）、差值植被指數(shù)（Difference Environmental Vegetation Index，DVI）、增強型植被指數(shù)（Enhanced Vegetation Index，EVI）等，為了更好地描述土壤質(zhì)地與植被系統(tǒng)，通常會通過土壤調(diào)節(jié)系數(shù)對上述植被指數(shù)進行修正，得到土壤調(diào)節(jié)植被指數(shù)（Soil-adjusted Vegetation Index，SAVI）[22]。此外，土壤水分變化可能對不同質(zhì)地土壤中有機質(zhì)積累產(chǎn)生不同的影響[23]，進而反映在遙感光譜特征信息上，借助土壤傳遞函數(shù)及特定分析模型可以預(yù)測其變化關(guān)系[24]。因此，土壤水分也能夠間接反映土壤質(zhì)地的變化特征，利用光譜信息能夠準確獲取指標數(shù)據(jù)，有利于加深土壤質(zhì)地空間預(yù)測研究。

2 基于遙感特征的土壤質(zhì)地預(yù)測方法

2.1 光譜響應(yīng)法

光譜響應(yīng)法是指利用土壤顆粒含量和粒徑大小與遙感影像光譜反射率的關(guān)系建立模型或進一步分析來預(yù)測土壤質(zhì)地。土壤光譜反射率與土壤理化性質(zhì)（如土壤粒徑等）密切相關(guān)[25]。曾遠文等[26]通過對土壤粒徑的光譜響應(yīng)特性進行研究，發(fā)現(xiàn)在光譜特定波段范圍內(nèi)，土壤粒徑大小和光譜反射率響應(yīng)參數(shù)呈負相關(guān)關(guān)系。曾慶猛等[27]采用3種光譜方法以及3個不同譜區(qū)，發(fā)現(xiàn)光譜的斜率及截距等參數(shù)能夠準確反映出土壤質(zhì)地等土壤物理信息。

在地形平緩地區(qū)，地形與植被等環(huán)境因素與土壤屬性的協(xié)同程度較低時，光譜響應(yīng)能發(fā)揮極大的優(yōu)勢。王德彩等[28]利用Vis-NIR 光譜代替實驗室方法，建立土壤砂粒、粉砂粒、黏粒含量的預(yù)測模型。劉峰等[29]利用多個波段和多個時相建立“光譜-時間響應(yīng)線”，通過光譜信息散度定量反映光譜差異，有效地揭示土壤質(zhì)地的分布差異。然而，光譜反射率同時也易受到土壤中其他物質(zhì)的影響。王德彩等[30]在研究土壤含水量對土壤質(zhì)地的影響時發(fā)現(xiàn)，當土壤建模樣本與驗證樣本水分含量的差異逐漸增大時，土壤質(zhì)地分析精度明顯降低。史惠蘭等[31]分析了高寒草地土壤質(zhì)地差異與土壤養(yǎng)分的空間分異特征，通過光譜信息測定發(fā)現(xiàn)表層土壤中的黏粒含量與碳氮比之間具有顯著正相關(guān)關(guān)系。Blaschek 等[32]研究發(fā)現(xiàn)，通過統(tǒng)計分析漫反射光譜的形狀和強度的差異，能夠間接反映土壤水分與黏土含量、黏土礦物和土壤有機碳含量的關(guān)系。

利用光譜響應(yīng)可以快速、可靠地識別土壤質(zhì)地，目前國內(nèi)外應(yīng)用近紅外（NIRS）和中紅外光譜（MIRS）分析土壤質(zhì)地的研究居多，但不能忽略影響光譜反射率的其他土壤因素，如土壤水分、土壤養(yǎng)分等，當土壤水分或有機質(zhì)含量較高時，如何應(yīng)用高光譜遙感反演土壤質(zhì)地還有待研究。

2.2 特征波長選擇法

蟻群算法（Ant Colony Algorithm，ACA）用于選擇和優(yōu)化遙感光譜特征波長，近年來在土壤質(zhì)地方面應(yīng)用較為廣泛。ACA 最早于20 世紀90 年代由意大利學者Colorni等[33]提出，這是一種分布式并行群體智能算法，它能夠模擬蟻群覓食的行為，即螞蟻走過留下信息素，以此吸引更多螞蟻帶來更多信息素。根據(jù)這種正反饋路徑上信息素的變化，尋求最優(yōu)特征波長變量，最終達到優(yōu)化土壤光譜預(yù)測模型精度的目的。鄧浩然等[34]運用ACA選擇特征波長，結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型大幅提高了土壤質(zhì)地高光譜預(yù)測精度。ACA 經(jīng)過優(yōu)化后，可以更好地用在土壤質(zhì)地的預(yù)測研究中。張小鳴等[35]采用變量有效性精英蟻群算法（EAS）選擇優(yōu)化后特征波長建立回歸模型，發(fā)現(xiàn)精度明顯優(yōu)于普通蟻群算法。Ding等[36]提出了一種基于限制性多態(tài)蟻群算法（RPACA）的波段選擇算法（RPACA-BS），分類精度高于基于蟻群算法的波段選擇算法（ACA-BS），能夠大幅降低高光譜圖像的維數(shù)。有研究發(fā)現(xiàn)，數(shù)學變換結(jié)合微分技術(shù)有利于提高光譜敏感程度，能夠消除由土壤表面散射帶來的影響，因而對土壤顆粒含量的解釋效果相對較好[37]；另外，基于拉曼光譜以及顯微圖像，采用多項式擬合與XGBoost 算法能夠更好地優(yōu)化光譜譜線，實現(xiàn)對土壤質(zhì)地的快速判定[38]。綜上，通過選擇和優(yōu)化光譜特征波長，可以獲取土壤質(zhì)地的最佳響應(yīng)波段范圍，進而獲得高精度的預(yù)測模型。

2.3 遙感解譯法

監(jiān)督分類法是遙感解譯的常用方法之一，該方法需要選擇具有典型性的訓練樣本，建立計算機系統(tǒng)能夠自動識別的像元模板。當樣本之間的差異較小時，監(jiān)督分類比非監(jiān)督分類的精度更高。

柏軍華[39]指出利用Landsat-5 的第5 波段進行土壤質(zhì)地分類效果最佳，根據(jù)波段反射率特征對大面積裸土土壤質(zhì)地進行遙感解譯，總體分類精度達到88.6%，Kappa 系數(shù)為0.82（Kappa 系數(shù)的計算基于混淆矩陣，結(jié)果區(qū)間通常在0～1 之間，0.81～1 表示模型預(yù)測結(jié)果和實際分類結(jié)果幾乎完全一致）。王瓊[40]利用Landsat-5 TM數(shù)據(jù)完成監(jiān)督分類后，將研究區(qū)的土壤按照黏粒含量分為砂土、砂壤土、壤土、黏土，使用重新選取的土壤質(zhì)地采樣點作為感興趣區(qū)（Region of Interest，ROI）進行驗證，得到Kappa 系數(shù)為0.86。艾力克木·卡德爾等[41]以Landsat 遙感影像為數(shù)據(jù)源，采用貝葉斯網(wǎng)絡(luò)算法進行監(jiān)督分類，通過具體分類結(jié)果獲取土壤屬性情況，取得了較好的效果。劉煒[42]利用多特征知識建立土地利用/覆被類型的目視解譯方法，識別出研究區(qū)砂壤等地類信息。遙感圖像紋理特征的融合能夠進一步提高分類精度，確定土壤類型與土壤質(zhì)地的分布情況[43]。

通過高分辨率遙感技術(shù)對土壤質(zhì)地空間分布進行預(yù)測，雖然結(jié)果分布圖的空間分辨率高、空間拓撲關(guān)系強，同時節(jié)省了人力物力，但其只適用于土壤大面積完全自然裸露的區(qū)域，對光譜特性較相似的質(zhì)地土壤解譯能力較弱且精度有限。因此，近年來監(jiān)督分類法在質(zhì)地空間分布預(yù)測上的應(yīng)用進展不大。

3 土壤質(zhì)地空間預(yù)測模型

3.1 統(tǒng)計學模型

3.1.1 多元線性回歸

多元線性回歸（Multiple Linear Regression，MLR）是經(jīng)典統(tǒng)計學的一種方法，MLR 模型易于計算和解釋，將可量化的環(huán)境因素與土壤屬性之間的關(guān)系作為土壤屬性空間分布預(yù)測的基礎(chǔ)。張國平等[44]、鐘鑫等[45]、楊煜岑等[46]采用MLR 模型，結(jié)合地形指標及其他土壤因子構(gòu)成數(shù)據(jù)集，準確實現(xiàn)土壤質(zhì)地等土壤屬性的空間分布預(yù)測。梳理大量的研究成果發(fā)現(xiàn)，眾多學者將MLR 模型應(yīng)用于小尺度下的土壤屬性空間預(yù)測，此外該模型要求土壤屬性數(shù)據(jù)符合正態(tài)分布特征，但在實際研究分析中常常難以滿足這一條件，因此應(yīng)用不夠廣泛。

3.1.2 多元逐步回歸

多元逐步回歸（Multiple Stepwise Regression，MSR）是在回歸分析的基礎(chǔ)上，逐一將自變量引入模型進行檢驗，每次均保留系數(shù)顯著水平最高的變量，剔除不顯著相關(guān)的變量，以此建立“最佳”的回歸模型。張娜等[47]利用MSR 建立遙感波段反射率與土壤粉砂粒及砂粒含量的反演模型，并利用估測數(shù)據(jù)快速確定了區(qū)域內(nèi)土壤質(zhì)地分布情況，發(fā)現(xiàn)其預(yù)測精度高于MLR 模型。孫孝林等[48]利用MSR 方法構(gòu)建了皖南宣城丘陵研究區(qū)地形指數(shù)與土壤質(zhì)地等土壤屬性間的預(yù)測模型，取得了較高精度。裴忠雪等[49]利用大量土壤樣本，運用MSR 模型證實了土壤孔隙度與土壤有機碳（Soil Organic Carbon，SOC）和全氮（Total Nitrogen，TN）具有緊密關(guān)系，可以通過輔助指標來間接反映土壤質(zhì)地。MSR模型的關(guān)鍵在于回歸變量的選取，該模型克服了MLR模型中自變量之間相互干擾、影響回歸效果等缺點，但其需要較大的樣本量（不宜少于200個）來提取變量之間的線性關(guān)系，否則存在參數(shù)估計的有偏性。而對于某些區(qū)域，土壤質(zhì)地等屬性與環(huán)境變量不一定呈現(xiàn)簡單的線性關(guān)系，因此MSR模型并不適用。

3.1.3 偏最小二乘回歸

偏最小二乘回歸（Partial Least Squares Regression，PLSR）是建立在自變量和因變量矩陣基礎(chǔ)上的雙線性模型。王德彩等[50]引入了正交信號校正（Orthogonal Signal Correction，OSC）光譜預(yù)處理算法建立PLSR 模型，提高了Vis-NIR 光譜土壤質(zhì)地預(yù)測精度。此外，王德彩等[30]還運用PLSR 建立了多組不同土壤水分狀態(tài)下土壤質(zhì)地光譜分析模型，通過模型交叉驗證，對比探究了含水量對土壤質(zhì)地光譜預(yù)測的影響。喬天等[51]研究發(fā)現(xiàn)遺傳算法結(jié)合PLSR（GA-PLSR）運用于土壤質(zhì)地高光譜估測，能夠有效地提高模型預(yù)測精度。曹振等[52]的研究表明基于Landsat-8 數(shù)據(jù)，利用PLSR建立的模型對耕地土壤顏色的預(yù)測分類效果更優(yōu)。Alomar 等[53]通過研究證實，采用PLSR 線性多元技術(shù)可以提高Vis-NIR光譜儀對黏土和砂土的預(yù)測精度。大量研究表明，PLSR可以較好地解決各變量之間的多重共線性關(guān)系和樣本數(shù)少于變量數(shù)等問題，能夠保證提取變量與因變量之間的最大相關(guān)性，且易于與其他算法進行優(yōu)化結(jié)合，有效地壓縮了光譜數(shù)據(jù)，可以避免連續(xù)光譜建模時出現(xiàn)的過度擬合問題。

統(tǒng)計學回歸模型在土壤質(zhì)地空間分布預(yù)測中考慮了各變量之間的關(guān)系，同時需要一定數(shù)量的土壤樣本來提取土壤質(zhì)地與一些相關(guān)輔助變量之間的線性關(guān)系。模型需要滿足嚴苛的適用條件，才能實現(xiàn)最佳線性無偏估計，因此在尺度較小、土壤樣本數(shù)較多的區(qū)域內(nèi)預(yù)測精度較高。通過統(tǒng)計學模型來研究土壤機械組成與高光譜影像反射率之間的關(guān)系，需要選擇合適的遙感數(shù)據(jù)源，盡量減少土壤中其他物質(zhì)對反射率的影響。

3.2 地統(tǒng)計學模型

3.2.1 協(xié)同克里格

克里格法（Krigings）是地統(tǒng)計學中應(yīng)用最為廣泛和典型的插值方法，包含多種類型，其中普通克里格（Ordinary Kriging，OK）和泛克里格法（Universal Kriging，UK）均忽略了土壤屬性與環(huán)境要素之間的關(guān)系，而協(xié)同克里格（Co-Kriging，CK）則能避免此弊端，它能將土壤預(yù)測變量與環(huán)境輔助變量結(jié)合起來用于無偏最優(yōu)估計[54]。王德彩等[55]通過引入光譜信息作為輔助變量，在減少主變量（土壤砂粒、黏粒含量）樣本數(shù)量的情況下，運用CK 模型完成研究區(qū)土壤質(zhì)地分布預(yù)測制圖。雖然眾多研究表明，CK 模型能利用輔助變量的空間交互特征，引入環(huán)境變量會提高土壤質(zhì)地遙感預(yù)測精度，但當區(qū)域環(huán)境較為均一，或預(yù)測變量與輔助變量非高度相關(guān)時，CK 的預(yù)測效果不一定會優(yōu)于OK和UK。

3.2.2 回歸克里格

回歸克里格（Regression Kriging，RK）將土壤屬性與輔助變量之間的關(guān)系通過回歸方程擬合，利用克里格法對回歸殘差進行插值預(yù)測，結(jié)合了常規(guī)統(tǒng)計學與地統(tǒng)計學優(yōu)勢[56]。Taylor等[57]認為，當研究選取較多的輔助變量時，RK 的預(yù)測精度要高于CK。申哲等[58]基于對稱對數(shù)比轉(zhuǎn)換，選用高程、土壤類型、NDVI等輔助變量，利用SLR-RK 模型對寧夏海原縣表層土壤顆粒組成的空間分布特征進行預(yù)測，并驗證了其精度。連綱等[59]將研究區(qū)地形因子和土地利用情況作為輔助變量，采用MLR 和RK 模型預(yù)測黃土高原縣域土壤屬性空間分布，結(jié)果表明RK可有效降低預(yù)測殘差，預(yù)測精度要優(yōu)于MLR。當研究區(qū)多個輔助變量對土壤質(zhì)地等屬性特征影響較密切時，RK能夠更精確地擬合變量之間的關(guān)系，從而完成土壤質(zhì)地空間分布預(yù)測。

3.2.3 經(jīng)驗貝葉斯克里格

經(jīng)驗貝葉斯克里格（Experience Bayes Kriging，EBK）是一種通過建立局部模型對非均質(zhì)景觀區(qū)域或非平穩(wěn)數(shù)據(jù)進行空間預(yù)測的插值方法[60]。Samsonova等[60]研究俄羅斯布良斯克州土壤屬性空間變化情況，結(jié)果表明，EBK 由于考慮了空間非均質(zhì)性，對研究區(qū)土壤質(zhì)地等理化性質(zhì)的空間分布特征具有更好的預(yù)測效果。但目前將EBK 用于遙感預(yù)測土壤質(zhì)地的研究應(yīng)用較少，缺乏與其他地統(tǒng)計學方法的對比研究。申哲等[58]的研究表明，雖然EBK在一定程度上考慮了土壤顆粒組成的空間自相關(guān)性，但忽略了研究區(qū)內(nèi)環(huán)境因子的交互影響，比如地形破碎不連續(xù)、南北地區(qū)氣候差異大、水熱不均等，故而EBK 模型對該地區(qū)的土壤顆粒組成預(yù)測精度并不高。

當輔助變量（地形因子、植被指數(shù)等）較多時，RK的預(yù)測精度高于CK；當局部空間規(guī)律變化較大且環(huán)境因素影響較小時，EBK模型可能更為適用。地統(tǒng)計學方法易操作且結(jié)果較為可靠，但地學現(xiàn)象具有復雜性和獨特性，模型的適用度具有局限性。目前，地統(tǒng)計學模型在土壤屬性空間分布預(yù)測方面的應(yīng)用較多，但有時也需對土壤因子進行數(shù)據(jù)變換和檢驗以滿足空間插值的要求，而遙感數(shù)據(jù)能夠提供更加直接有效的環(huán)境變量。

3.3 機器學習模型

3.3.1 支持向量機

支持向量機（Support Vector Machine，SVM）是基于統(tǒng)計學理論提出的一種模式識別方法，適用于小樣本的分類及回歸分析，且能夠避免傳統(tǒng)方法帶來的局部最優(yōu)缺陷。Bousbih 等[11]基于Sentinel-1、Sentinel-2數(shù)據(jù)和SVM 模型，提出了基于SVM 的黏土含量分類和映射算法，并采用三重交叉方法進行了驗證，SVM分類總體準確率為63%。石偉等[61]利用典型凍土區(qū)遙感、地形和氣候數(shù)據(jù)等不同環(huán)境變量進行組合，通過SVM模型建立土壤-景觀模型，很好地預(yù)測了該地區(qū)土壤類型分布。楊紹鍔等[62]將土壤質(zhì)地粒徑、有機質(zhì)等土壤屬性作為輸入?yún)?shù)項，構(gòu)建SVM模型，實現(xiàn)了土壤水力學參數(shù)的預(yù)測，預(yù)測效果優(yōu)于MSR模型。同時，采用線性SVM模型，利用Sentinel-2等多光譜遙感圖像的時間序列數(shù)據(jù)進行土壤質(zhì)地等固有物理屬性分類也具有可行性，且遠端結(jié)構(gòu)類別（黏土和砂壤土）的分類比中間類別（砂壤土和砂壤土）的分類更準確[63]。

SVM 模型的預(yù)測精度較高，能有效解決變量間的非線性問題，具有與統(tǒng)計學模型耦合的潛力。在土壤屬性空間分布預(yù)測的實際研究中，往往需要解決多分類問題，而SVM 模型基本只能對變量進行二分類，且涉及到矩陣計算，過程復雜，難以處理大批量的土壤訓練樣本，故該模型在土壤質(zhì)地空間預(yù)測方面還存在局限性。

3.3.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）通過模擬人腦神經(jīng)元網(wǎng)絡(luò)對信息進行處理，對連續(xù)型變量和類別變量均有很好的預(yù)測效果。王德彩等[64]利用Vis-NIR 光譜數(shù)據(jù)，建立了土壤砂粒和黏粒的BP-ANN 模型，結(jié)果表明基于原始光譜主成分的BP-ANN 預(yù)測結(jié)果最好，精度優(yōu)于MSR 模型，能實現(xiàn)對土壤質(zhì)地的高效預(yù)測。孫艷俊等[65]利用改進的ANN 模型——徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network，RBFNN）建立了土壤顆粒組成與多個地形因子的映射模型，結(jié)果表明，RBFNN 能精確擬合土壤質(zhì)地與各環(huán)境變量之間的非線性關(guān)系，具有較高的預(yù)測精度。Taghizadeh-Mehrjardi 等[66]將地形、氣候、遙感和分類數(shù)據(jù)的環(huán)境協(xié)變量作為預(yù)測因子，構(gòu)建了一系列基于生物啟發(fā)的雜交ANN 模型，來預(yù)測土壤質(zhì)地組分空間分布，研究表明混合神經(jīng)網(wǎng)絡(luò)方法遠優(yōu)于BP-ANN，其中黑金蝶算法（Monarch Butterfly Optimization，MBO-ANN）模型對黏土、粉砂土和砂土的預(yù)測均方根誤差（Root Mean Square Error，RMSE）分別提高了20%、10%和24%。

ANN模型對土壤屬性空間分布具有較好的預(yù)測效果，尤其在大尺度區(qū)域內(nèi)表現(xiàn)良好，能夠有效地利用遙感光譜特征，且模型易于仿生雜交，具有與光譜數(shù)據(jù)結(jié)合進行算法優(yōu)化的潛力，但其屬于黑箱模型，不易于解釋，且計算過程繁瑣，還可能出現(xiàn)過度擬合現(xiàn)象。

3.3.3 隨機森林

傳統(tǒng)的樹模型往往存在精度不高、抗過擬合能力不強的問題。Breiman[67]基于Bagging 方法明確提出隨機森林（Random Forest，RF）算法的概念，并通過實驗證明了RF能有效地解決決策樹模型中出現(xiàn)的過擬合問題，提高模型的泛化能力。Lie? 等[12]利用RF 模型對土壤質(zhì)地進行了空間預(yù)測，得到了研究區(qū)具有砂土、粉土、黏土含量信息的土壤質(zhì)地圖。申哲等[58]基于RK、EBK、RF 3種預(yù)測模型對黃土區(qū)土壤顆粒組成空間分布進行研究，發(fā)現(xiàn)RF 預(yù)測精度最高。Benedet等[68]利用便攜式X 射線熒光光譜（pXRF），發(fā)現(xiàn)pXRF+RF 模型對砂粒、粉粒、黏粒含量的預(yù)測效果要優(yōu)于pXRF+SVM 模型，通過pXRF 和可見近紅外漫反射光譜（Vis-NIR DRS）數(shù)據(jù)可以分別或同時準確地預(yù)測土壤質(zhì)地。

近年來，RF 在土壤屬性空間分布預(yù)測方面的應(yīng)用研究逐漸深入，在環(huán)境因素影響較大、變量間無明顯線性關(guān)系的情況下，RF 的預(yù)測精度通常要高于統(tǒng)計學和地統(tǒng)計學模型，但同ANN 一樣，RF 計算過程較為復雜，且屬于黑箱模型，不易直觀了解土壤屬性與環(huán)境變量之間的定量關(guān)系。

3.3.4 深度學習

目前的深度學習（Deep Learning，DL）模型大多建立在神經(jīng)網(wǎng)絡(luò)之上，即可以通過反向傳播對多層參數(shù)化的可微非線性模塊進行訓練。自動特征提取或直接從給定數(shù)據(jù)中學習是深度學習與機器學習的區(qū)別。CNN 是深度學習模型中較為常見和高效的一種方法，具有超強的圖片特征提取能力。Azadnia 等[69]使用CNN 對20、40、60 cm 深度的土壤紋理圖像進行分類，設(shè)計了基于CNN 模型的土壤質(zhì)地預(yù)測軟件的圖形用戶界面，結(jié)果表明CNN 方法能夠快速準確地預(yù)測大規(guī)模農(nóng)場土壤質(zhì)地類型。Behrens 等[70]使用DL和RF 對土壤、地形數(shù)據(jù)建模，結(jié)果表明使用DL 建模產(chǎn)生了最準確的預(yù)測，平均比使用RF 建模精度提升4%～7%。Shanavas等[71]基于CNN和RF分類器高維光譜數(shù)據(jù)從圖像中提取沙土和黏土百分比、植被指數(shù)等特征進行類型預(yù)測，取得了良好的效果。利用CNN在圖像處理方面的獨特性和高效性，通過ResNet50等架構(gòu)訓練模型，能夠體現(xiàn)DL 在土壤團聚體分類方面的良好性能[72]。DL 模型不需要單獨提取特征，甚至能夠從智能手機中提取圖像，生成特征圖，此外DL能夠提高跨季節(jié)預(yù)測和多時間尺度預(yù)測的能力[73]，其局限性在于需要大規(guī)模的數(shù)據(jù)集、大量的內(nèi)存、巨大的計算能力，比其他模型耗時更久。

雖然機器學習模型存在易過度擬合、不易解釋等不足，但該類方法能夠有效地解決土壤屬性與環(huán)境變量之間的非線性問題，且在大范圍區(qū)域內(nèi)表現(xiàn)良好，對于訓練樣本具有自學習功能，已經(jīng)逐漸成為土壤質(zhì)地空間分布預(yù)測的主流方法。隨著時間的推移，深度學習和機器學習模型在數(shù)據(jù)分析與建模方面的作用變得舉重若輕，因為其可以通過大量的數(shù)據(jù)獲得更好的結(jié)果。

4 土壤質(zhì)地遙感預(yù)測應(yīng)用與精度分析

土壤質(zhì)地通常受到母質(zhì)、氣候、植被、地形和人為活動影響，采用遙感技術(shù)對土壤質(zhì)地空間分布進行預(yù)測研究時，需要考慮不同研究尺度下遙感獲取表層土壤質(zhì)地和環(huán)境變量的效率與精度，以選擇更加適用的預(yù)測模型。在小尺度區(qū)域下，地形起伏不明顯，地形因子與土壤質(zhì)地之間的關(guān)系較為簡單，氣候、植被等環(huán)境條件相對一致，可直接利用線性回歸模型預(yù)測土壤質(zhì)地空間分布[74]。小尺度下應(yīng)盡可能地挖掘遙感高精度數(shù)據(jù)，如利用無人機（Unmanned Aerial Vehicle，UAV）搭載高光譜傳感器獲取更高分辨率、更多波段的地物遙感信息。Gu等[75]從UAV 高光譜和熱圖像中導出NDVI 和地表溫度，使用梯形模型構(gòu)建質(zhì)地-溫度-植被干燥指數(shù)（TTVDI），準確獲取了土壤含水量。楊紅艷等[76]通過UAV 搭載高光譜成像系統(tǒng)增強光譜差異，融合光譜特征、植被特征、地形特征和紋理特征等變量，利用UAV 高光譜低空遙感為土壤質(zhì)地分類提供思路。利用UAV 影像高分辨率和衛(wèi)星豐富的光譜信息的優(yōu)勢，也能提升土壤質(zhì)地預(yù)測精度，如Zhu 等[77]研究發(fā)現(xiàn)UAV 紋理和Sentinel-2B 光譜數(shù)據(jù)的集成提高了土壤變量預(yù)測的準確性；此外利用UAV 高光譜可以對不同土壤質(zhì)地組的光譜重采樣，進而繪制特定區(qū)域內(nèi)土壤質(zhì)地分布圖[78]。而在大尺度區(qū)域，受自然條件影響，經(jīng)過風化、侵蝕、搬運和沉積等不同外力作用形成的成土母質(zhì)對土壤質(zhì)地影響較大，同時若地形錯綜復雜，氣候、植被也會出現(xiàn)明顯變化，土壤質(zhì)地與各環(huán)境變量之間往往表現(xiàn)出非線性特征，此時利用遙感衛(wèi)星進行大范圍監(jiān)測，并結(jié)合地統(tǒng)計學或機器學習模型預(yù)測土壤質(zhì)地效果會更好。

總體來說，遙感對土壤質(zhì)地和各環(huán)境變量的監(jiān)測作用不容小覷。一方面，可以直接利用高通量光譜儀或傳感器測定土壤不同顆粒光譜特征，建立訓練集與驗證集來預(yù)測土壤顆粒含量，如Thomas 等[79]指出在有機碳<5%、黏土含量<60%的典型農(nóng)業(yè)土壤中，激光衍射分析（LDA）和中紅外光譜（MIRS）分析可以廉價、快速、可靠地估測土壤質(zhì)地，并且MIRS 對黏土含量的預(yù)測比LDA 的預(yù)測效果要好得多；Benedet 等[68]利用便攜式X 射線熒光光譜法（pXRF）和可見近紅外漫反射光譜法（VisNIR DRS）分別或串聯(lián)使用，獲取土壤樣本光譜的特定吸收帶，結(jié)合機器學習模型預(yù)測土壤質(zhì)地，結(jié)果表明僅使用pXRF 數(shù)據(jù)的模型表現(xiàn)略優(yōu)于單獨使用Vis-NIR DRS 數(shù)據(jù)的模型。另一方面，可以借助遙感數(shù)據(jù)生成的環(huán)境協(xié)變量作為土壤形成因子，利用植被、地形和土壤濕度等相關(guān)指標間接反映土壤質(zhì)地的變化情況，建立土壤質(zhì)地預(yù)測模型。以往研究表明，莖葉類植物生長期對土壤質(zhì)地更敏感[21]，植被指數(shù)與土壤黏粒含量顯著相關(guān)，植被生物量與土壤砂粒含量顯著相關(guān)[22]，土壤濕潤度與水分變化能側(cè)面反映土壤質(zhì)地[80]，因此以上環(huán)境協(xié)變量被廣泛用于土壤質(zhì)地遙感預(yù)測研究。例如：基于平原區(qū)作物植被長勢信息預(yù)測土壤質(zhì)地的分布特征[81]；加入植被生物量提高了0～10 cm 土壤黏粒、粉砂粒和砂粒含量的預(yù)測精度[22]；通過傳感器測定土壤含水量，模擬土壤濕潤寬度和深度，間接擬合土壤質(zhì)地情況[80]；結(jié)合激光雷達得到冠層高度和林隙分數(shù)作為擬合土壤質(zhì)地模型的重要變量[10]；結(jié)合Sentinel-1 和Sentinel-2衛(wèi)星的SAR 和光學圖像提取土壤濕度和粗糙度等土壤參數(shù)[11]；機載激光掃描或無人機遙感獲取高分辨率的地形數(shù)據(jù)[13]；利用遙感影像提取多種植被指數(shù)與紋理特征等光學數(shù)據(jù)[22]。這些環(huán)境協(xié)變量的準確性對土壤質(zhì)地遙感預(yù)測的精度至關(guān)重要。

在土壤質(zhì)地遙感預(yù)測研究中，精度驗證是關(guān)鍵一環(huán)。地面監(jiān)測獲取的土壤質(zhì)地數(shù)據(jù)，可分為訓練樣本與驗證樣本，通過對比模型的預(yù)測值和實測的原始值，比較不同建模方法的預(yù)測精度。通常用于模型精度評價的指標包括總體精度、Kappa 系數(shù)、決定系數(shù)（R2）、均方根誤差（Root Mean Square Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）。Wu 等[13]將土壤質(zhì)地樣本按9∶1 比例隨機分為訓練集與驗證集，用訓練集構(gòu)造分類器，用驗證集評價模型的性能，得到SVM 模型總體精度和Kappa 系數(shù)分別為0.94、0.79；也有學者認為當樣本數(shù)量少于500 時，按4∶1 的比例隨機選取訓練樣本和驗證樣本是合理可行的[58，82]。從以往的研究可以看出，要準確預(yù)測土壤質(zhì)地的空間分布，地面數(shù)據(jù)不可或缺，若直接利用土壤像元反射光譜的遙感方法獲取土壤質(zhì)地信息，應(yīng)盡量選擇植被稀疏的干旱和半干旱地區(qū)，或時間序列多光譜圖像識別的裸露土壤地區(qū)；若借助遙感數(shù)據(jù)獲取環(huán)境變量，在植被密集地區(qū)，可借助遙感植被指數(shù)和其他輔助變量（如地形、母質(zhì)）實現(xiàn)土壤質(zhì)地預(yù)測。Wu等[21]利用分類樹在一對一、一對多和多對多3 種方案下對遙感影像識別土壤質(zhì)地分類的有效性進行了評價，研究發(fā)現(xiàn)NDVI+地形和母質(zhì)模型表現(xiàn)最好，總體精度和Kappa系數(shù)分別為0.98、0.92，莖葉類植物生長期的NDVI 是判別流域土壤質(zhì)地類別的最佳時期。Zhou 等[19]利用多時相Sentinel-2 圖像，對植被覆蓋下的我國西南部的一處盆地進行土壤質(zhì)地分類識別，結(jié)果表明結(jié)合Sentinel-2 數(shù)據(jù)和地形、母質(zhì)的支持向量機分類精度最高，總體精度為0.84，Kappa 系數(shù)為0.76，海拔、母質(zhì)和歸一化差異水體指數(shù)（Normalized Difference Water Index，NDWI）是主要預(yù)測因子。眾多研究表明，增加代表植被特征的協(xié)變量可以提高土壤質(zhì)地預(yù)測精度，記錄豐富的作物生長信息的多時相光學影像有助于識別土壤質(zhì)地類別[83-84]。

5 展望

利用遙感光譜特征及相關(guān)輔助數(shù)據(jù)對土壤質(zhì)地等屬性進行空間分布預(yù)測，較傳統(tǒng)田間調(diào)查方法節(jié)省大量成本。目前，在中小尺度區(qū)域土壤質(zhì)地遙感預(yù)測方面，統(tǒng)計學模型和地統(tǒng)計學模型取得了較高的精度，今后結(jié)合高光譜遙感通過尋找敏感波段可以建立更精確的預(yù)測模型；在大尺度研究下機器學習模型則更具優(yōu)勢，且能很好地對離散型土壤屬性進行預(yù)測，更好地訓練土壤樣本與輔助變量，但最佳預(yù)測模型的選擇仍需要考慮研究區(qū)的空間尺度、數(shù)據(jù)特性和環(huán)境變量等因素。

（1）與其他土壤屬性相比，土壤質(zhì)地時效性更長，未來的挑戰(zhàn)之一是在保證模型預(yù)測精度的情況下，減少地面實測數(shù)據(jù)，利用遙感手段合成多類型光譜反射率，深入提取各種遙感光譜特征（如紅邊波段），基于遙感高光譜數(shù)據(jù)開發(fā)一種快速方法來評估土壤顆粒組成情況及其潛在變化，這值得進一步研究和探索。

（2）雷達數(shù)據(jù)、地形因子、植被指數(shù)、土壤濕度等輔助數(shù)據(jù)的精度、質(zhì)量會對模型的預(yù)測精度造成較大影響，目前相對廉價、易獲取的小尺度下的輔助數(shù)據(jù)往往存在分辨率較低的問題，因此開發(fā)合適的降尺度方法、獲取更高分辨率的遙感多時相光學影像與雷達等多源數(shù)據(jù)，獲取遙感圖像多尺度紋理信息作為輔助變量進行土壤質(zhì)地數(shù)字制圖，將是未來土壤質(zhì)地空間預(yù)測研究的方向。

（3）機器學習模型相較其他模型表現(xiàn)出巨大的優(yōu)越性，基于深度學習和機器學習的土壤質(zhì)地分類方法減少了對空間模型和預(yù)處理方法的依賴。未來針對大規(guī)模遙感數(shù)據(jù)集，耦合統(tǒng)計學和機器學習模型機理，結(jié)合地理鄰近性和光譜相似性，深入挖掘深度學習算法，將土壤物理過程模型與數(shù)據(jù)驅(qū)動機器學習的多功能性相結(jié)合，開發(fā)多算法混合模型在土壤質(zhì)地遙感預(yù)測方面具有巨大的潛力。