ASD | 无人机高光谱遥感精准估算农田土壤有机碳的实证研究

土壤有机碳（SOC）是评价土壤肥力与生态可持续性的关键指标，也是大气CO₂的重要碳汇。传统实验室测定方法虽精度高，但效率低、空间代表性不足，难以反映农田SOC的空间异质性。无人机高光谱遥感具有高分辨率、机动灵活、受大气干扰小等优势，已成为SOC快速估算的重要手段。但SOC高光谱反演易受土壤水分、地表粗糙度、颗粒组成、残茬覆盖与耕作措施等因素影响，不同预处理方法与建模算法适用性差异显著。因此，在真实农田环境下，如何提升模型的稳定性与可靠性，仍需系统研究。

近期，西昌学院张万民老师团队在《Scientific Reports》发表了一篇研究，研究以青海省湟水河流域三个典型农田区为研究对象，通过无人机高光谱遥感技术与机器学习建模，成功实现了土壤有机碳含量的高精度估算与空间分布制图，为农田土壤碳库的快速、大范围、高分辨率监测提供了可靠的数据支撑和技术参考。

研究团队选择青海省湟水河流域的三个典型农田区（A、B、C），共采集296个土壤样品；

A区：黑钙土、燕麦、66个样点；

B区：黑钙土、油菜、126个样点；

C区：栗钙、混作、104个样点；

室内样品分析：样品经0.15 mm筛分后，酸处理去除无机碳，洗涤至中性并烘干，随后装入锡舟测定SOC含量；

高光谱数据采集：采用无人机搭载高光谱相机，获取A、B、C区高光谱影像，并采用ASD FieldSpec 4地物光谱仪测定土壤光谱，每个样品重复测定20次取平均值，每测定20个样品进行白板校正，保障数据精度；

ASD FieldSpec 4地物光谱仪性能参数：

波长范围：350-2500 nm；

光谱通道数：2151个；

光谱处理与建模：研究对光谱进行Savitzky-Golay平滑处理，比较了7种光谱变换和5种建模方法，并结合决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）评价模型性能。

表2.不同土壤有机碳含量估算模型的精度。

图2.从RF模型导出的谱带的变量重要性。

图3.各试验区采样点实测值与遥感反演值对比结果。

?多元散射校正（MSC）+ 一阶微分（FDR）是最有效的光谱变换方法，其与SOC的相关系数高达0.91；

??模型精度排序：随机森林（RF）> 支持向量机回归（SVMR）> 偏最小二乘回归（PLSR）> 主成分回归（PCR）> 多元线性回归（MLR）；

??SOC最敏感特征波段集中在： 可见光区429–449 nm、498–527 nm；近红外区： 830–861 nm、869 nm）；

??三个农田区域的制图结果与实测值非常吻合，R2值均超过0.85，验证精度高，平均SOC 排序为A区 > B区 > C区，与实验室测定一致。

这项研究说明，农田土壤有机碳监测正在从传统的点位采样走向更精细的空间表征。无人机高光谱与光谱优化、机器学习方法的结合，为SOC监测提供了更高效、更准确的技术手段。未来还需要引入更多时空尺度样本，并融合多源遥感数据，不断提升模型的稳定性和适用范围。

发表期刊：Scientific Reports【影响因子：3.9】

研究单位：西昌学院

使用设备：ASD FieldSpec 4地物光谱仪

DOI：https://doi.org/10.1038/s41598-026-35096-2