基于Sentinel-2A 影像和XGBoost 模型的滇中高原地区土壤有机碳含量反演研究

doi:10.15933/j.cnki.1004-3268.2025.02.017

河南农业科学 ›› 2025, Vol. 54 ›› Issue (2): 145-153.DOI: 10.15933/j.cnki.1004-3268.2025.02.017

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于Sentinel-2A 影像和XGBoost 模型的滇中高原地区土壤有机碳含量反演研究

严正飞^1,2，杨明龙^1,2，唐秀娟³，夏永华^1,2，杨赈^1,2，李万涛^1,2

（1.昆明理工大学国土资源工程学院，云南昆明 650093；2.云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明 650093；3. 昆明市测绘研究院，云南昆明 650091）

收稿日期:2024-07-10 出版日期:2025-02-15 发布日期:2025-04-07
通讯作者: 杨明龙（1982），男，贵州岑巩人，副教授，博士，主要从事3S集成应用、三维激光扫描技术、自然资源管理等研究。：S127E-mail：20130051@kust.edu.cn
作者简介:严正飞（1999），男，江苏盐城人，在读硕士研究生，研究方向：遥感技术与应用。E-mail：1339673836@qq.com
基金资助:
国家自然科学基金项目（62266026）

Inversion of Soil Organic Carbon Content in the Central Yunnan Plateau Based on Sentinel⁃2A Images and XGBoost Model

YAN Zhengfei^1,2，YANG Minglong^1,2，TANG Xiujuan³，XIA Yonghua^1,2，YANG Zhen^1,2，LI Wantao^1,2

（1.Faculty of Land Resources Engineering，Kunming University of Science and Technology，Kunming 650093，China；2.Yunnan Province University Spatial Information Mapping Technology Application Engineering Research Center，Kunming 650093，China；3.Kunming Institute of Surveying and Mapping，Kunming 650091，China）

Received:2024-07-10 Published:2025-02-15 Online:2025-04-07

摘要/Abstract

摘要： 土壤有机碳（Soil organic carbon，SOC）在保持土壤肥力、促进植物生长和农业可持续发展等方面发挥着至关重要的作用，因此，高效精准地获取SOC含量非常重要。利用Sentinel-2A多光谱遥感影像数据并结合实测SOC含量、Sentinel-1后向散射系数、植被指数和地形因子数据（高程、坡度、坡向），分别使用随机森林（RF）、深度森林（DF）和XGBoost算法模型，对姚安灌区的SOC含量进行反演研究。结果表明，从不同组合的辅助变量来看，结合不同变量因子（植被指数因子、地形因子、后向散射系数因子等）有助于提高SOC含量的预测精度，尤其加入地形因子后，RF、DF和XGBoost 3种模型的R2分别提升0.052 3、0.039 8和0.068 9。从不同预测模型测算结果分析，XGBoost和DF算法模型都可以有效地进行耕地SOC含量的精准预测，其中XGBoost算法模型与M3变量组合（Sentinel-2A影像的12个波段数据、植被指数数据、Sentinel-1后向散射系数数据以及地形因子数据的组合）结合的预测能力最高［决定系数（R²）=0.810 6，均方根误差（RMSE）=1.813 2］，其次是DF算法模型（R²=0.751 2，RMSE=1.925 5），而RF算法模型的预测能力相对较低（R²=0.624 5，RMSE=2.503 1）。

关键词: 土壤有机碳, Sentinel-2A, 遥感反演, 机器学习, XGBoost算法, 滇中高原

Abstract: Soil organic carbon（SOC）plays a crucial role in maintaining soil fertility，promoting plant growth，and supporting sustainable agricultural development. Therefore，efficient and accurate acquisition of SOC content is of great significance. This study utilized Sentinel⁃2A multispectral remote sensing imagery combined with measured SOC content，Sentinel⁃1 backscattering coefficients，vegetation indices and topographic factors（elevation，slope，aspect）to investigate the inversion of SOC content in the Yao’an irrigation district using Random forest（RF），Deep forest（DF），and XGBoost models.The results indicated that，from the perspective of different combinations of auxiliary variables，incorporating various factors（vegetation indices，topographic factors，backscattering coefficients，etc.）significantly improved the prediction accuracy of SOC content.Specifically，the inclusion of topographic factors increased the R² values of the RF，DF and XGBoost models by 0.052 3，0.039 8，0.068 9，respectively.Analysis of the prediction results from different models showed that both XGBoost and DF models could effectively predict SOC content in cultivated land. Among them，the XGBoost model combined with the M3 variable set（including 12 bands of Sentinel⁃2A spectral image，vegetation indices，Sentinel⁃1 backscattering coefficients，and topographic factors） achieved the highest prediction accuracy（R²=0.810 6，RMSE=1.813 2），followed by the DF model（R²=0.751 2，RMSE=1.925 5），while the RF model exhibited relatively lower predictive performance（R²=0.624 5，RMSE=2.503 1）

Key words: Soil organic carbon, Sentinel?2A, Remote sensing inversion, Machine learning, XGBoost algorithm, Central Yunnan Plateau

中图分类号:

S127

严正飞, 杨明龙, 唐秀娟, 夏永华, 杨赈, 李万涛. 基于Sentinel-2A 影像和XGBoost 模型的滇中高原地区土壤有机碳含量反演研究[J]. 河南农业科学, 2025, 54(2): 145-153.

YAN Zhengfei, YANG Minglong, TANG Xiujuan, XIA Yonghua, YANG Zhen, LI Wantao. Inversion of Soil Organic Carbon Content in the Central Yunnan Plateau Based on Sentinel⁃2A Images and XGBoost Model[J]. Journal of Henan Agricultural Sciences, 2025, 54(2): 145-153.

图/表 9

参考文献

［1］LIANG Z Z，CHEN S C，YANG Y Y，et al. National digital soil map of organic matter in topsoil and its associated uncertainty in 1980's China［J］. Geoderma，2019，335：47⁃56.
［2］汤斯崴，林清美. 澧县耕地土壤有机质状况及其差异性分析［J］.湖南农业科学，2018（12）：41⁃44.
TANG S W，LIN Q M. Current situation and difference analysis of soil organic matter in farmland of Lixian county［J］.Hunan Agricultural Sciences，2018（12）：41⁃44.
［3］GHOLOZADEH A，ŽÍŽALA D，SABERIOON M，et al.Soil organic carbon and texture retrieving and mapping using proximal，airborne and Sentinel⁃2 spectral imaging［J］.Remote Sensing of Environment，2018，218：89⁃103.
［4］ŽÍŽALA D，MINAŘÍK R，ZÁDOROVÁ T. Soil organic carbon mapping using multispectral remote sensing data：Prediction ability of data with different spatial and spectral resolutions［J］.Remote Sensing，2019，11（24）：2947.
［5］王燕.半干旱地区土壤有机碳遥感估算研究［D］.北京：中国林业科学研究院，2018.

WANG Y.Estimation of soil organic carbon in semi⁃arid area by remote sensing［D］.Beijing：Chinese Academy of Forestry，2018.

［6］赵思萌. 基于Landsat 8的土壤有机碳遥感反演模型研究［D］.太古：山西农业大学，2020.
ZHAO S M.Research on remote sensing inversion model of soil organic carbon based on Landsat 8［D］.Taigu：Shanxi Agricultural University，2020.

［7］BEHRENS T，SCHMIDT K，RAMIREZ⁃LOPEZ L，et al.Hyper⁃scale digital soil mapping and soil formation analysis［J］. Geoderma，2014，213：578⁃588.

［8］SULLIVAN D G，SHAW J N，RICKMAN D. IKONOS imagery to estimate surface soil property variability in two alabama physiographies［J］. Soil Science Society of America Journal，2005，69（6）：1789⁃1798.

［9］刘焕军，张柏，赵军，等.黑土有机质含量高光谱模型研究［J］.土壤学报，2007，44（1）：27⁃32.
LIU H J，ZHANG B，ZHAO J，et al. Spectral models for prediction of organic matter in black soil［J］.Acta Pedologica Sinica，2007，44（1）：27⁃32.

［10］SUMMERS D，LEWIS M，OSTENDORF B，et al.Visible near⁃infared reflectance spectroscopy as a predictive indicator of soil properties［J］. Ecological Indicators，2011，11（1）：123⁃131.

［11］孟鑫鑫，于雷，周勇，等.基于可见近红外和中红外近地面光谱数据融合的土壤有机碳含量反演［J］.土壤通报，2022，53（2）：301⁃307.
MENG X X，YU L，ZHOU Y，et al. Predicting organic carbon using data fusion of visible near⁃infrared and middle infrared spectra by proximal soil sensing［J］.Chinese Journal of Soil Science，2022，53（2）：301⁃307.

［12］DEISS L，MARGENOT A J，CULMAN S W，et al.Tuning support vector machines regression models improves prediction accuracy of soil properties in MIR spectroscopy［J］. Geoderma，2020，365：114227.

［13］叶勤，姜雪芹，李西灿，等.基于高光谱数据的土壤有机质含量反演模型比较［J］.农业机械学报，2017，48（3）：164⁃172.
YE Q，JIANG X Q，LI X C，et al. Comparison on inversion model of soil organic matter content based on hyperspectral data［J］.Transactions of the Chinese Society for Agricultural Machinery，2017，48（3）：164⁃172.

［14］王来刚，郑国清，郭燕，等.融合多源时空数据的冬小麦产量预测模型研究［J］.农业机械学报，2022，53（1）：198⁃204，458.
WANG L G，ZHENG G Q，GUO Y，et al. Prediction of winter wheat yield based on fusing multi⁃source spatio⁃temporal data［J］. Transactions of the Chinese Society for Agricultural Machinery，2022，53（1）：198⁃204，458.

［15］林志坚，姚俊萌，苏校平，等.基于MODIS指数和随机森林的江西省早稻种植信息提取［J］.农业工程学报，2022，38（11）：197⁃205.
LIN Z J，YAO J M，SU X P，et al.Extracting planting information of early rice using MODIS index and random forest in Jiangxi Province， China［J］.Transactions of the Chinese Society of Agricultural Engineering，2022，38（11）：197⁃205.
［16］刘焕军，张美薇，杨昊轩，等.多光谱遥感结合随机森林算法反演耕作土壤有机质含量［J］.农业工程学报，2020，36（10）：134⁃140.
LIU H J，ZHANG M W，YANG H X，et al. Invertion of cultivated soil organic matter content combining multi⁃spectral remote sensing and random forest algorithm［J］.Transactions of the Chinese Society of Agricultural Engineering，2020，36（10）：134⁃140.

［17］王延仓，张兰，王欢，等.连续小波变换定量反演土壤有机质含量［J］.光谱学与光谱分析，2018，38（11）：3521⁃3527.
WANG Y C，ZHANG L，WANG H，et al. Quantitative inversion of soil organic matter content based on continuous wavelet transform［J］.Spectroscopy and Spectral Analysis，2018，38（11）：3521⁃3527.

［18］CHEN T Q，GUESTRIN C. XGBoost：A scalable tree boosting system［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York，NY，USA：Association for Computing Machinery，2016：785⁃794.

［19］YE M，ZHU L，LI X J，et al.Estimation of the soil arsenic concentration using a geographically weighted XGBoost model based on knowledge discovery and data［J］.Pubmed，2023，858（Pt 1）：159798.

［20］ZHOU Z H，FENG J. Deep forest［J］. National Science Review，2019，6（1）：74⁃86.

［21］张梓浩，郭飞，吴坤泽，等. 深度森林DF21模型在土壤镉含量高光谱反演中的性能评价［J］.光谱学与光谱分析，2023，43（8）：2638⁃2643.
ZHANG Z H，GUO F，WU K Z，et al.Performance evaluation of the deep forest 2021（DF21）model in
retrieving soil cadmium concentration using hyperspectral data［J］. Spectroscopy and Spectral Analysis，2023，43（8）：2638⁃2643.

［22］谢军飞，张海清，李代伟，等.基于Lightgbm和XGBoost 的优化深度森林算法［J］.南京大学学报（自然科学），
2023，59（5）：833⁃840.
XIE J F，ZHANG H Q，LI D W，et al. Optimized deep forest algorithm based on Lightgbm and XGBoost［J］.Journal of Nanjing University（Natural Science），2023，59（5）：833⁃840.

［23］XIE B Q，DING J L，GE X Y，et al.Estimation of soil organic carbon content in the Ebinur Lake Wetland，Xinjiang，China，based on multisource remote sensing data and ensemble learning algorithms［J］.Sensors（Basel），2022，22（7）：2685.
［24］王永平，周子柯，滕昊蔚，等.滇南小流域3种土地利用方式下土壤侵蚀及养分流失特征［J］.水土保持研究，2021，28（1）：11⁃18.
WANG Y P，ZHOU Z K，TENG H W，et al.Characteristics of soil erosion and nutrient losses in three land use patterns in the small watershed of southern Dianchi［J］.Research of Soil and Water Conservation，2021，28（1）：11⁃18.

[1]	薛勇, 王立扬, 张瑜, 沈群. 基于卷积神经网络的蜜蜂采集花粉行为的识别方法[J]. 河南农业科学, 2020, 49(8): 162-172.
[2]	程文文, 罗珠珠, 牛伊宁, 蔡霞. 黄土高原雨养区苜蓿地土壤微生物功能多样性研究[J]. 河南农业科学, 2020, 49(11): 61-70.
[3]	于庆，吴泉源，姚磊，徐夕博，周旭. 山东典型污灌区冬小麦叶片重金属高光谱反演及空间分布特征[J]. 河南农业科学, 2018, 47(8): 54-62.
[4]	高翔，沈阿林，寇长林，马政华，王文亮，郭战玲. 秸秆还田对小麦-玉米轮作田土壤有机碳质量的影响[J]. 河南农业科学, 2012, 41(9): 63-67.
[5]	田耀武，黄志霖，肖文发，谭名照. 森林经营管理对土壤碳固定的影响研究进展[J]. 河南农业科学, 2012, 41(7): 1-6.
[6]	高喜荣，万猛，王齐瑞，杨海青，赵辉，凌晓明，樊巍. 豫东平原不同年限农林间作系统土壤有机碳库特征[J]. 河南农业科学, 2012, 41(12): 72-75.
[7]	张金萍;张保华;刘子亭. 山东省聊城市耕层土壤有机碳储量动态研究[J]. 河南农业科学, 2007, 36(11): 67-69.

基于Sentinel-2A 影像和XGBoost 模型的滇中高原地区土壤有机碳含量反演研究

Inversion of Soil Organic Carbon Content in the Central Yunnan Plateau Based on Sentinel⁃2A Images and XGBoost Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献

相关文章 7

编辑推荐

Metrics