中国农业发生于新石器时代。中国农业的生产结构包括种植业、林业、畜牧业、渔业和副业；但数千年来一直以种植业为主。

东北地区的黑土地，是宝贵的农业资源。黑土地的土壤富含有机质，深黑色的沃土，沉甸甸的感觉让人感受到这片土地的肥沃。

在现代农业生产中，科技的应用在这片沃土上也发挥着至关重要的作用，科研团队利用机载高光谱对黑土地的土壤有机质做了相关研究。

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

快速获取田间尺度土壤有机质（SOM）的高分辨率空间分布对于精准农业至关重要。无人机成像高光谱技术以其高空间分辨率和时效性，可以填补地面监测和遥感的研究空白。本研究旨在测试在中国东北典型低地势黑土地区使用无人机高光谱数据（400–1000 nm）和小型校准样本集进行1 m分辨率SOM绘图的可行性。

该实验在大约20公顷的土地上进行。为了进行校准，使用 100 × 100 m 网格采样策略收集了 20 个样品，同时随机收集了 20 个样品进行独立验证。无人机捕获空间分辨率为0.05×0.05 m的高光谱图像。

然后对每 1 × 1 m 内提取的光谱进行平均以代表该网格的光谱。在应用各种光谱预处理（包括吸光度转换、多重散射校正、Savitzky-Golay 平滑滤波和一阶微分）后，SOM 光谱相关系数的绝对最大值从 0.41 增加到 0.58。最佳随机森林（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 区域。当使用RF模型时，无人机高光谱数据（UAV-RF）能够成功预测SOM，R 为0.53，RMSE为1.48 g kg−1。

然后将预测精度与使用相同数量校准样本的普通克里金法（OK）和基于近端传感的射频模型（PS-RF）获得的预测精度进行比较。然而，由于采样密度较低，OK 方法无法预测 SOM 精度（RMSE = 2.17 g kg−1；R2 = 0.02）。半协方差函数无法有效描述SOM的空间变异性。当采样密度增加到50×50 m时，OK成功预测了SOM，RMSE = 1.37 g kg−1，R2 = 0.59，其结果与UAV-RF的结果相当。PS-RF的预测精度与UAV-RF基本一致，RMSE值分别为1.41 g kg−1和1.48 g kg−1，R2值分别为0.57和0.53，表明基于UAV的SOM预测是可行的。

此外，与PS平台相比，无人机高光谱技术可以同时提供数十甚至数百个连续波段的光谱信息和空间信息。该研究为进一步研究和开发无人机高光谱技术进行少量样本精细尺度SOM测绘提供了参考。

研究区土壤样本分布

研究区域位于中国吉林省梨树县，面积20公顷。该地区属季风气候，年平均降水量553.5毫米，平均气温6.5℃。此外，它的特点是地势平坦，平均海拔160 m。由于这些特征，该地区成为北半球三大富含有机质的黑土地之一，主要农作物是大豆。

Resonon-Pika-L 机载高光谱成像仪

本研究采用Resonon公司的Resonon-Pika-L高光谱成像仪由高光谱成像光谱仪、六旋翼无人机、GPS和计算机组成。于2020年6月15日获取了覆盖整个研究区、像素大小为0.05×0.05 m的高光谱图像。高光谱图像提取的光谱范围为400~1000 nm，光谱分辨率为2.1 nm。

经过 (a) 吸光度转换、(b) 乘性散射校正、(c) Savitzky–Golay 后土壤有机质 (SOM) 与土壤光谱特征的相关系数（窗口大小为 5，拟合次数为 2） ）和（d）一阶导数方法。

根据Pearson相关系数的绝对值评价预处理方法的性能，以选择最佳的预处理方法组合。如所示，基于吸光度转换的MSC后，最小相关系数值发生变化（450-500 nm处为-0.4-0.6），总体相关系数在600-700 nm处增加，相关系数绝对值最大 在 700–800 nm 处增加，相关系数发生变化（800–900 nm 处为 -0.35–0.3 至 -0.5–0.3）。

使用无人机高光谱 (UAV-RF) 预测土壤有机质 (SOM) 的 RF 模型的重要性分析 (a) 和图 (b)

本研究比较了使用无人机高光谱数据、观测到的土壤数据和 RF 模型进行田间尺度 SOM 预测的 OK 技术。

研究结果如下

01 吸光度转换、MSC、SG 和 FD 技术对SOM的预测效果良好。经过这些预处理后，光谱和 SOM 之间的绝对最大相关系数从 0.41 增加到 0.58。

02 SOM的特征波段位于450-600 nm和750-900 nm，这可能是由于O-H、C-H和N-H特征官能团的振动频率造成的。

03 采用100 m × 100 m网格采样设计，UAV-RF模型预测SOM的R2为0.53，RMSE为1.48 g kg−1，而采用相同采样策略的OK方法未能预测SOM（RMSE = 2.17g kg−1；R2 = 0.02)。预测精度较差是因为样本密度低从而削弱了半协方差函数描述SOM空间变异性的能力。只有当采样密度增加时，才能使用 OK 成功预测 SOM，其结果与UAV-RF相当。

04 基于PS-RF的SOM预测结果与基于UAV-RF的预测结果基本一致，RMSE值为1.41 g kg−1和1.48 g kg−1，R2值为0.57和0.53。这些研究结果为未来研究和发展无人机高光谱技术在减少样本量的情况下进行SOM预测提供了参考。