中國農業發生于新石器時代。中國農業的生產結構包括種植業、林業、畜牧業、漁業和副業；但數千年來一直以種植業為主。

東北地區的黑土地，是寶貴的農業資源。黑土地的土壤富含有機質，深黑色的沃土，沉甸甸的感覺讓人感受到這片土地的肥沃。

在現代農業生產中，科技的應用在這片沃土上也發揮著至關重要的作用，科研團隊利用機載高光譜對黑土地的土壤有機質做了相關研究。

使用無人機高光譜圖像和小型校準數據集對田間土壤有機質進行高分辨率測繪

快速獲取田間尺度土壤有機質（SOM）的高分辨率空間分布對于精準農業至關重要。無人機成像高光譜技術以其高空間分辨率和時效性，可以填補地面監測和遙感的研究空白。本研究旨在測試在中國東北典型低地勢黑土地區使用無人機高光譜數據（400–1000 nm）和小型校準樣本集進行1 m分辨率SOM繪圖的可行性。

該實驗在大約20公頃的土地上進行。為了進行校準，使用 100 × 100 m 網格采樣策略收集了 20 個樣品，同時隨機收集了 20 個樣品進行獨立驗證。無人機捕獲空間分辨率為0.05×0.05 m的高光譜圖像。

然后對每 1 × 1 m 內提取的光譜進行平均以代表該網格的光譜。在應用各種光譜預處理（包括吸光度轉換、多重散射校正、Savitzky-Golay 平滑濾波和一階微分）后，SOM 光譜相關系數的絕對最大值從 0.41 增加到 0.58。最佳隨機森林（RF）模型的重要性分析表明，SOM 的特征波段位于 450-600 和 750-900 nm 區域。當使用RF模型時，無人機高光譜數據（UAV-RF）能夠成功預測SOM，R 為0.53，RMSE為1.48 g kg−1。

然后將預測精度與使用相同數量校準樣本的普通克里金法（OK）和基于近端傳感的射頻模型（PS-RF）獲得的預測精度進行比較。然而，由于采樣密度較低，OK 方法無法預測 SOM 精度（RMSE = 2.17 g kg−1；R2 = 0.02）。半協方差函數無法有效描述SOM的空間變異性。當采樣密度增加到50×50 m時，OK成功預測了SOM，RMSE = 1.37 g kg−1，R2 = 0.59，其結果與UAV-RF的結果相當。PS-RF的預測精度與UAV-RF基本一致，RMSE值分別為1.41 g kg−1和1.48 g kg−1，R2值分別為0.57和0.53，表明基于UAV的SOM預測是可行的。

此外，與PS平臺相比，無人機高光譜技術可以同時提供數十甚至數百個連續波段的光譜信息和空間信息。該研究為進一步研究和開發無人機高光譜技術進行少量樣本精細尺度SOM測繪提供了參考。

研究區土壤樣本分布

研究區域位于中國吉林省梨樹縣，面積20公頃。該地區屬季風氣候，年平均降水量553.5毫米，平均氣溫6.5℃。此外，它的特點是地勢平坦，平均海拔160 m。由于這些特征，該地區成為北半球三大富含有機質的黑土地之一，主要農作物是大豆。

Resonon-Pika-L 機載高光譜成像儀

本研究采用Resonon公司的Resonon-Pika-L高光譜成像儀由高光譜成像光譜儀、六旋翼無人機、GPS和計算機組成。于2020年6月15日獲取了覆蓋整個研究區、像素大小為0.05×0.05 m的高光譜圖像。高光譜圖像提取的光譜范圍為400~1000 nm，光譜分辨率為2.1 nm。

經過 (a) 吸光度轉換、(b) 乘性散射校正、(c) Savitzky–Golay 后土壤有機質 (SOM) 與土壤光譜特征的相關系數（窗口大小為 5，擬合次數為 2） ）和（d）一階導數方法。

根據Pearson相關系數的絕對值評價預處理方法的性能，以選擇最佳的預處理方法組合。如所示，基于吸光度轉換的MSC后，最小相關系數值發生變化（450-500 nm處為-0.4-0.6），總體相關系數在600-700 nm處增加，相關系數絕對值最大 在 700–800 nm 處增加，相關系數發生變化（800–900 nm 處為 -0.35–0.3 至 -0.5–0.3）。

使用無人機高光譜 (UAV-RF) 預測土壤有機質 (SOM) 的 RF 模型的重要性分析 (a) 和圖 (b)

本研究比較了使用無人機高光譜數據、觀測到的土壤數據和 RF 模型進行田間尺度 SOM 預測的 OK 技術。

研究結果如下

01 吸光度轉換、MSC、SG 和 FD 技術對SOM的預測效果良好。經過這些預處理后，光譜和 SOM 之間的絕對最大相關系數從 0.41 增加到 0.58。

02 SOM的特征波段位于450-600 nm和750-900 nm，這可能是由于O-H、C-H和N-H特征官能團的振動頻率造成的。

03 采用100 m × 100 m網格采樣設計，UAV-RF模型預測SOM的R2為0.53，RMSE為1.48 g kg−1，而采用相同采樣策略的OK方法未能預測SOM（RMSE = 2.17g kg−1；R2 = 0.02)。預測精度較差是因為樣本密度低從而削弱了半協方差函數描述SOM空間變異性的能力。只有當采樣密度增加時，才能使用 OK 成功預測 SOM，其結果與UAV-RF相當。

04 基于PS-RF的SOM預測結果與基于UAV-RF的預測結果基本一致，RMSE值為1.41 g kg−1和1.48 g kg−1，R2值為0.57和0.53。這些研究結果為未來研究和發展無人機高光譜技術在減少樣本量的情況下進行SOM預測提供了參考。