使用无人机高光谱遥感技术估算与农田土壤有机碳含量的时空分布

土壤中的碳为何重要

土壤不仅仅是我们脚下的泥土。它储存着大量碳，养活作物，并通过从大气中吸收二氧化碳在缓解气候变化中发挥作用。然而，土壤有机碳含量在同一块地的不同位置上可以迅速变化，而传统的实验室检测既耗时又昂贵。本研究探讨了一种更快、更高科技的“从空中看”土壤有机碳的方法：使用装有高光谱相机的小型无人机，为农民和科学家提供管理土地与气候的新工具。

在田间飞行的相机

研究人员在中国青海省湟水河流域的三个农田区域开展工作，该地区土壤类型、作物和耕作方式各异。他们使用一架多旋翼无人机搭载高光谱相机，测量从可见光到近红外的150个窄波段。在晴朗无风的天气下以约150米高度飞行，获取的图像细节丰富，每个像素代表地面不到5厘米的面积。这些影像捕捉到土壤反射光的微小差异，而这些差异与土壤中有机碳的含量有关。

取样、检测与地面真值配对

为验证无人机所观测到的内容，团队在三块田地按网格并严格控制深度（0–20厘米，碳变化最明显的层位）采集了296个土壤样本。实验室中，他们去除石块和植物残体，将土样细磨，并用元素分析仪精确测定有机碳含量。同时，他们使用精密光谱仪在室内测量土壤光谱，并将这些光谱调整到与无人机传感器相匹配的波段范围和分辨率。这样就能将实验室的精确碳测量与地面仪器及空中影像中的光谱特征一一对应起来。

净化信号与训练模型

原始光谱数据可能很嘈杂，因为除了碳以外，土壤水分、表面粗糙度和粒径等都会影响光的反射。为应对这些干扰，研究人员测试了七种不同的光谱预处理方法。最佳方法将乘法散射校正（用于减少亮度畸变）与一阶导数处理（用于突出光谱曲线中的细微峰谷）结合使用。这一组合能最大程度地增强光谱特征与土壤碳之间的关联。随后他们比较了五种建模方法，从简单线性回归到先进的机器学习技术。其中随机森林模型表现最优，通过构建大量决策树并取平均，能够解释约90%的土壤有机碳变异并获得高质量的预测结果。

将光谱转换为详细的土壤地图

在确定最佳光谱预处理与随机森林模型后，团队将该方法应用于完整的无人机影像，生成每块田地的高分辨率土壤有机碳分布图。模型识别出若干关键波段，尤其是在可见光范围（较暗的土壤通常意味着较高的碳含量）和近红外范围（有机物影响光吸收）上最为重要。生成的地图表现出明显的格局：一块田地以高含量为主，另一块以中等含量为主，第三块则主要为较低含量。当研究者将无人机估算的采样点值与实验室测量值对比时，二者高度一致，证明这些地图具有可靠性。

对农业与气候的意义

通俗地说，本研究表明，一架配备高光谱相机并由良好训练模型驱动的无人机，能够快速生成准确且细尺度的土壤有机碳地图，替代仅依赖耗时的取样与实验室分析。农民与土地管理者可利用这些地图有针对性地施肥和管理秸秆，保护易丧失碳的区域，并监测土壤健康的时序变化。尽管该方法仍面临挑战——比如对土壤水分、地表残留物和光照变化的敏感性——但它指向了一个前景：对田间土壤碳储量的监测将变得更快、更便宜、且更具细节，有助于粮食生产与气候目标的实现。

引用: Song, Q., Zhang, W. Estimation and spatial distribution of soil organic carbon content in farmland using unmanned aerial vehicle hyperspectral remote sensing technology. Sci Rep 16, 5480 (2026). https://doi.org/10.1038/s41598-026-35096-2

关键词: 土壤有机碳, 无人机高光谱, 精准农业, 土壤绘图, 遥感