團體標準《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》（征求意見）編制說明一、任務來源、起草單位、起草人根據(jù)《廣西標準化協(xié)會關于下達2025年第二十二批團體標準制修訂項目計劃的通知》（桂標協(xié)〔2025〕176號）文件精神，由廣西壯族自治區(qū)林業(yè)科學研究院提出，廣西壯族自治區(qū)林業(yè)科學研究院、桂林理工大學、廣西華沃特集團股份有限公司、南寧師范大學、四川省林業(yè)科學研究院、中國林業(yè)科學研究院亞熱帶林業(yè)研究所、中南林業(yè)科技大學、廣西大學、廣西森林資源與生態(tài)環(huán)境監(jiān)測中心、廣西壯族自治區(qū)林業(yè)勘測設計院、中國林業(yè)科學研究院熱帶林業(yè)實驗中心等單位共同起草的團體標準《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》（項目編號：2025-2205），獲批立項。為高質量編制團體標準《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》，成立標準起草小組并進行如下分工：姓名職務/職稱從事專業(yè)工作單位責任分工石媛媛正高級工程師林業(yè)遙感廣西壯族自治區(qū)林業(yè)科學研究院項目統(tǒng)籌唐健正高級工程師植物營養(yǎng)廣西壯族自治區(qū)林業(yè)科學研究院指導項目設計、立項申報、組織撰寫、驗收、發(fā)布等。趙雋宇工程師森林土壤評價廣西壯族自治區(qū)林業(yè)科學研究院指導項目設計、立項申報、參與撰寫等潘桂穎高級工程師遙感與GIS南寧師范大學指導項目設計、立項申報、參與撰寫等。鄧昀教授計算機科學桂林理工大學指導項目設計、立項申報、參與撰寫等。吳立潮教授森林土壤中南林業(yè)科技大學數(shù)據(jù)資料收集、標準起草、撰寫。宋賢沖高級工程師土壤微生物廣西壯族自治區(qū)林業(yè)科學研究院數(shù)據(jù)資料收集、標準起草、撰寫。覃祚玉高級工程師森林培育廣西壯族自治區(qū)林業(yè)科學研究院數(shù)據(jù)資料收集、標準起草、撰寫。柯琴工程師森林土壤評價廣西壯族自治區(qū)林業(yè)科學研究院數(shù)據(jù)資料收集、標準起草、撰寫。蔣湖波高級工程師農(nóng)村能源廣西壯族自治區(qū)林業(yè)科學研究院標準實施宣貫、培訓劉毅高級工程師成果轉化廣西壯族自治區(qū)林業(yè)科學研究院標準實施宣貫、培訓二、制定標準的必要性和意義森林土壤有機碳作為生態(tài)碳匯的重要組成部分，利用GF-5高光譜影像反演技術來準確測定和監(jiān)測森林土壤有機碳含量，對于落實碳達峰碳中和工作具有重要意義，該行動方案為相關技術標準的制定提供了政策方向?！丁笆奈濉鄙鷳B(tài)環(huán)境保護規(guī)劃》（國發(fā)〔2021〕31號）：要求“提升生態(tài)環(huán)境智慧監(jiān)測能力，發(fā)展衛(wèi)星遙感技術應用”?！督⒔∪鷳B(tài)產(chǎn)品價值實現(xiàn)機制的意見》：明確需量化生態(tài)系統(tǒng)碳匯功能?！渡鷳B(tài)環(huán)境監(jiān)測規(guī)劃綱要（2020-2035年）》強調要利用先進的衛(wèi)星遙感技術開展生態(tài)環(huán)境監(jiān)測，提高監(jiān)測的科學性和準確性。《國家水網(wǎng)建設規(guī)劃綱要》：推動新一代通信技術、高分遙感衛(wèi)星、人工智能等新技術新手段應用，提高監(jiān)測設備自動化、智能化水平，打造全覆蓋、高精度、多維度、保安全的水網(wǎng)監(jiān)測體系，體現(xiàn)了對高分遙感衛(wèi)星技術應用的重視。在森林生態(tài)系統(tǒng)中，土壤是植物生長發(fā)育的基礎，為植物提供必要的生存環(huán)境、營養(yǎng)物質。同時，土壤又是十分復雜的物質，其中有機－無機物互作，動物、植物和微生物共生，固相、液相和氣相共存，因此土壤所含的信息量巨大，高效、精準地獲取森林土壤的信息數(shù)據(jù)，對森林資源的培育、保護與利用具有重要意義。森林土壤碳庫是全球土壤碳庫中最重要的部分，其碳儲量約占全球土壤碳儲量的39%。土壤有機碳是碳循環(huán)研究的一個關鍵步驟，土壤有機碳的定量化研究對于土壤管理，土壤制圖以及土壤固碳等具有重要意義。但耗時且成本較高的傳統(tǒng)化學分析方法使得大尺度的SOC評估成本高昂，而GF-5衛(wèi)星是我國高分辨率對地觀測系統(tǒng)的重要組成部分，其高光譜影像具有豐富的光譜波段信息。利用GF-5高光譜影像反演森林土壤有機碳含量，可以提高監(jiān)測的精度和效率。遙感是通過遙感傳感器在遠離目標并不接觸目標的前提下探測目標物體的反射、輻射或散射的電磁波來獲取目標信息的科學和技術，高光譜遙感融合了成像與光譜技術，是在電磁波譜的可見光、近紅外、中紅外和熱紅外波段范圍內，利用多條很窄的電磁波波段獲取多個連續(xù)光譜的圖像數(shù)據(jù)的技術，能實時獲取目標地物的影像及光譜曲線。土壤反射光譜特征是土壤的基本特征之一，與土壤的物理性質存在密切的關系，這關系是土壤遙感技術的物理基礎，也是研究土壤本身屬性的一個新途徑。高光譜（Hyperspectra）檢測技術作為一種新型的樣品檢測技術，其具有快速、高效、成本低、樣品無損且適用范圍廣等特點。高光譜（Hyperspectra）技術用于土壤樣品的檢測是基于土壤化學成分中C-C、C-O、C-H、N-H等官能團對高光譜波段的基頻和倍頻吸收獲取土壤光譜數(shù)據(jù)，通過建立光譜數(shù)據(jù)與土壤有機質含量的回歸模型，可以實現(xiàn)土壤化學性質的快速檢測。因此，研究利用土壤光譜分析技術定量估算土壤質量評價指標含量在精準變量施肥、林業(yè)信息化、大數(shù)據(jù)集成應用等方面都具有重要的實踐意義。?目前人們就土壤樣品前處理方式及光譜數(shù)據(jù)采集、前處理方法已基本達成一致。土壤樣品前處理多采取自然風干，研磨后過孔徑≤0.2mm土篩，風干后能顯著排除土壤水分對光譜數(shù)據(jù)采集的影響，土篩孔徑越小土壤表面越均勻，測定結果較為準確。土壤光譜數(shù)據(jù)采集在實驗室內單一光源條件下進行，排除陽光干擾。原始光譜數(shù)據(jù)通常采取倒數(shù)之對數(shù)、一階微分和連續(xù)統(tǒng)去除等前處理方法，用于消除冗余信息，提高信噪比。然而，由于土壤的屬性較為復雜，其中有機－無機物互作，動物、植物和微生物共生，固相、液相和氣相共存，因此土壤所含的光譜信息具有一定冗余性。光譜預處理是多變量建模與分析過程的重要組成部分之一，由于光譜反射率是作為自變量輸入模型中，其冗余信息量的多少直接決定了土壤性質或者說土壤指標含量預測模型的精度。光譜預處理技術可以分為三大類：去噪（散射校正和平滑）、數(shù)學變換和降維，應根據(jù)噪聲的類型，選擇合適的去噪方法。早期研究通常采用常規(guī)的數(shù)理統(tǒng)計方法進行光譜數(shù)據(jù)預處理。Person相關性分析篩選SOC敏感波長建立土壤SOC含量估算模型，可以降低模型復雜度，同時保持甚至提升模型精度。主成分分析（PCA）能顯著減少數(shù)據(jù)維數(shù)可以將光譜數(shù)據(jù)分類，確定有機質敏感波段邊界。一階導數(shù)（FD）和二階導數(shù)（SD）能夠提取頻譜中的隱藏信息并消除基線偏移。常規(guī)的數(shù)理統(tǒng)計方法雖然應用范圍廣且適用性較強，但缺乏對光譜儀器性能和光路特征的考慮，導致噪聲的引入和信息的損失，因此研究人員嘗試了針對性更強的光譜預處理方法。多元散射校正減弱了散射和粒徑變化的影響，平滑減弱了光譜的局部波動。此外，考慮到SOC含量與因變量之間的非線性關系，多維尺度和局部線性嵌入算法等兩種非線性降維方法在采用近紅外光譜檢測雞蛋新鮮度和低品位斑巖銅礦獲得了更好的建模效果。遞歸特征消除是一種基于人工智能算法的特征選擇方法，通過反復構建模型，逐輪消除無關變量，從整個變量體系中篩選出重要的特征集。另一個影響土壤養(yǎng)分元素含量光譜建模精度的關鍵因素在于預測模型的選擇。預測模型通常被分為線性、非線性兩類。傳統(tǒng)的線性建模以主成分回歸（PCAR）、多元逐步回歸（MSLR）、偏最小二乘回歸（PLSR）為主。倪隆康等人基于高光譜反演技術結合主成分回歸方法建立了巖溶區(qū)土壤Ca含量的預測模型。牛芳鵬等人以新疆博斯騰湖西岸湖濱綠洲土壤為研究對象，通過MSLR與PLSR分別構建反演土壤有機質含量估算模型，結果表明PLSR建模精度更優(yōu)。由于PLSR集合了主成分提取、相關性分析以及多元回歸等線性模型的優(yōu)點，在SOC光譜數(shù)據(jù)建模中應用最為廣泛。近期的研究表明，SOC含量與光譜反射率之間存在非線性關系，諸如支持向量機（SVM）、隨機森林（RF）、人工神經(jīng)網(wǎng)絡（ANN）等機器學習（AI）算法因其對非線性問題具有較強的解釋能力而備受關注。PatrickFilippi等通過隨機森林模型實現(xiàn)了對新南威爾士州西南部拉克蘭河河谷下游的半干旱灌溉棉花種植區(qū)中層土壤（0.3～0.5m）SOC含量建模。Wang等采用增強回歸樹模型對受到雨水侵蝕后的土壤沉積物中SOC含量實現(xiàn)優(yōu)化預測。大量研究已表明，基于機器學習算法的非線性模型在土壤性質光譜建模中表現(xiàn)出較強的能力。雖然有一些關于土壤有機碳反演的研究，但缺乏統(tǒng)一的技術規(guī)程，導致不同研究之間的結果差異較大，難以進行有效的對比和應用。準確掌握森林土壤有機碳的含量、分布等情況對于深入開展森林生態(tài)系統(tǒng)研究、評估生態(tài)服務價值等工作十分關鍵，傳統(tǒng)的實地采樣監(jiān)測方法雖然精度尚可，但效率低、難以實現(xiàn)大面積快速獲取信息，而借助GF-5高光譜影像反演技術有望高效解決這一問題。因此通過制定《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》規(guī)范有機碳GF-5高光譜影像反演技術要求，提升GF-5高光譜影像反演森林土壤有機碳水平，助力有機碳GF-5高光譜影像反演技術應用推廣，落實碳達峰碳中和工作具有重要意義。三、主要起草過程（一）成立標準編制工作組團體標準《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》項目任務下達后，廣西壯族自治區(qū)林業(yè)科學研究院、桂林理工大學、廣西華沃特集團股份有限公司、南寧師范大學、四川省林業(yè)科學研究院、中國林業(yè)科學研究院亞熱帶林業(yè)研究所、中南林業(yè)科技大學、廣西大學、廣西森林資源與生態(tài)環(huán)境監(jiān)測中心、廣西壯族自治區(qū)林業(yè)勘測設計院、中國林業(yè)科學研究院熱帶林業(yè)實驗中心成立了標準編制工作組，制定了起草編寫方案與進度安排，明確任務職責，確定工作技術路線，開展標準研制工作。具體標準編制工作由廣西壯族自治區(qū)林業(yè)科學研究院等起草單位組成標準編制工作組。編制工作組下設三個組，分別是資料收集組、草案編寫組、標準實施組。資料收集組負責國內外有關森林土壤有機碳GF-5高光譜影像反演的文獻資料的查詢、收集和整理工作，對森林土壤有機碳GF-5高光譜影像反演研究成果進行系統(tǒng)總結，查閱目前科學界對森林土壤有機碳GF-5高光譜影像反演的研究進展。草案編寫組負責起草標準草案、征求意見稿和標準編制說明、送審稿及編制說明的編寫工作，包括后期召開征求意見會、網(wǎng)上征求意見，以及標準的不斷修改和完善。標準實施組負責團體標準《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》發(fā)布后，組織相關單位開展標準宣貫培訓會，對標準進行詳細解讀，讓相關單位及人員了解標準，并根據(jù)標準作出相應措施，并對標準實施情況進行總結分析，不斷對團體標準提出修正意見。（二）收集整理文獻資料標準編制工作組收集了國內有關森林土壤有機碳GF-5高光譜影像反演相關文獻資料。主要有：本標準根據(jù)中央引導地方科技發(fā)展資金項目“森林土壤有機碳GF-5高光譜預測環(huán)境協(xié)同驅動機制研究”，國家自然科學基金項目“廣西森林土壤有機碳多源高光譜預測的環(huán)境協(xié)同驅動機制”，廣西優(yōu)良用材林重點實驗室項目“廣西典型紅壤區(qū)桉樹人工林土壤質量高光譜反演研究”，廣西林業(yè)科技推廣示范項目“基于高光譜的廣西紅壤區(qū)土壤環(huán)境數(shù)據(jù)挖掘技術研究”等課題。以及LY/T2988-2018森林生態(tài)系統(tǒng)碳儲量計量指南，GB/T14950攝影測量與遙感術語，GB/T36301航天高光譜成像數(shù)據(jù)預處理產(chǎn)品分級，HJ695土壤有機碳的測定燃燒氧化－非分散紅外法，NY/T1121.1土壤檢測第1部分：土壤樣品的采集、處理和貯存等標準。欒福明,張小雷,熊黑鋼,等.基于不同模型的土壤有機質含量高光譜反演比較分析[J].光譜學與光譜分析,2013,33(1):196-200.周偉,謝利娟,楊晗,等.基于高光譜的三江源區(qū)土壤有機質含量反演[J].土壤通報,2021,52(3):564-574.于雷,洪永勝,耿雷,等.基于偏最小二乘回歸的土壤有機質含量高光譜估算[J].農(nóng)業(yè)工程學報,2015,31(14):103-109.（三）研討確定標準特色、創(chuàng)新點和主體內容本標準的特色、創(chuàng)新點在于：中央引導地方科技發(fā)展資金項目“森林土壤有機碳GF-5高光譜預測環(huán)境協(xié)同驅動機制研究”，國家自然科學基金項目“廣西森林土壤有機碳多源高光譜預測的環(huán)境協(xié)同驅動機制”，廣西優(yōu)良用材林重點實驗室項目“廣西典型紅壤區(qū)桉樹人工林土壤質量高光譜反演研究”，廣西林業(yè)科技推廣示范項目“基于高光譜的廣西紅壤區(qū)土壤環(huán)境數(shù)據(jù)挖掘技術研究”等課題基礎上，為森林土壤有機碳GF-5高光譜影像反演提供數(shù)據(jù)支撐和參考。主要創(chuàng)新點：一是此前缺乏針對GF-5衛(wèi)星高光譜影像（400nm～2500nm波段、30m空間分辨率）反演森林土壤有機碳的統(tǒng)一規(guī)范，不同研究團隊數(shù)據(jù)處理、建模方法差異大，結果可比性差。本標準專門適配GF-5高光譜成像儀（AHSI）特性，明確數(shù)據(jù)源選擇（Level2/3級產(chǎn)品、波段≥330個）、時相篩選（分熱帶/亞熱帶、溫帶制定適配時段）等要求，填補該數(shù)據(jù)源應用于森林土壤有機碳反演的標準空白。二是解決森林場景采樣與預處理適配性不足的問題：針對森林生態(tài)系統(tǒng)地形復雜、植被覆蓋差異大的特點，創(chuàng)新提出“網(wǎng)格化+典型抽樣”分層采樣方案（坡度＞25°調整網(wǎng)格至0.5km×0.5km，按森林類型/林分年齡/土壤質地設樣地），解決傳統(tǒng)采樣代表性不足的問題；同時針對山地林區(qū)（坡度＞15°）增設SCS+C地形校正步驟，消除地形陰影對光譜的干擾，解決復雜地形下光譜預處理精度低的問題。三是解決模型選擇與特征篩選適配性差的問題：以往反演多依賴單一模型，難以適配不同數(shù)據(jù)量與非線性場景。本標準構建“線性（OPLS）－非線性（RF/SVR）－深度學習（CNN）”多模型體系，滿足小樣本（OPLS）、復雜非線性（RF/SVR）、大樣本高精度（CNN）等不同需求；創(chuàng)新將相關性分析與RFE、Ranger算法結合篩選特征波段（保留30～50個最優(yōu)波段），解決全波段建模冗余、過擬合問題，平衡反演精度與效率。四是解決地面數(shù)據(jù)與影像數(shù)據(jù)銜接不規(guī)范的問題：明確土壤采樣（0～20cm表層土、四分法留樣）、有機碳測定（HJ695標準）、影像與采樣時間間隔（≤3個月）等要求，統(tǒng)一數(shù)據(jù)采集與處理標準，解決此前地面實測數(shù)據(jù)與影像數(shù)據(jù)時間、方法不匹配導致的反演誤差大問題，保障數(shù)據(jù)一致性與反演可靠性。技術內容：涵蓋全流程技術要求，數(shù)據(jù)準備明確GF-5影像（Level2/3級、云量≤10%）與土壤實測數(shù)據(jù)（采樣點≥100個、0～20cm表層土）標準；影像預處理規(guī)定輻射定標（公式轉換DN值）、大氣校正（FLAASH/6S方法）、幾何校正（RMSE≤1個像元）等步驟；光譜處理含采集（ASD光譜儀、暗室環(huán)境）與預處理（去噪、平滑、數(shù)學變換）；還包括模型構建（7:3/8:2劃分數(shù)據(jù)集）、驗證（R2≥0.7）及結果輸出（反演影像+成果報告），形成完整技術鏈條。標準編制工作組在對收集的資料進行整理研究之后，標準編制工作組召開了標準編制會議，對標準的整體框架結構進行了研究，并對標準的關鍵性內容進行了初步探討。經(jīng)過研究，標準的主體內容確定為規(guī)定了數(shù)據(jù)準備、GF-5高光譜影像預處理、光譜數(shù)據(jù)采集與預處理、光譜特征波段篩選、反演模型構建、反演模型驗證、反演結果輸出等要求，適用于利用GF-5高光譜影像定量反演森林土壤有機碳含量的操作。（四）調研、形成草案、征求意見稿2025年3月～2025年4月，標準起草工作小組在根據(jù)中央引導地方科技發(fā)展資金項目“森林土壤有機碳GF-5高光譜預測環(huán)境協(xié)同驅動機制研究”，國家自然科學基金項目“廣西森林土壤有機碳多源高光譜預測的環(huán)境協(xié)同驅動機制”，廣西優(yōu)良用材林重點實驗室項目“廣西典型紅壤區(qū)桉樹人工林土壤質量高光譜反演研究”，廣西林業(yè)科技推廣示范項目“基于高光譜的廣西紅壤區(qū)土壤環(huán)境數(shù)據(jù)挖掘技術研究”等課題基礎上，經(jīng)與桂林理工大學、廣西華沃特集團股份有限公司、南寧師范大學、四川省林業(yè)科學研究院、中國林業(yè)科學研究院亞熱帶林業(yè)研究所、中南林業(yè)科技大學、廣西大學、廣西森林資源與生態(tài)環(huán)境監(jiān)測中心、廣西壯族自治區(qū)林業(yè)勘測設計院、中國林業(yè)科學研究院熱帶林業(yè)實驗中心等單位交流，同時查閱了大量的國內外文獻資料，對森林土壤有機碳GF-5高光譜影像反演研究成果進行系統(tǒng)總結。形成了標準的基本構架，對主要內容進行了討論并對項目的工作進行了部署和安排。2025年5月～2025年6月，在前期工作的基礎之上，通過理清邏輯脈絡，整合已有的參考資料中有關森林土壤有機碳GF-5高光譜影像反演要求，并結合廣西森林土壤有機碳GF-5高光譜影像反演實際要求的基礎上，按照簡化、統(tǒng)一等原則編制完成團體標準《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》（草案）。2024年7月～2024年8月，標準編制工作組再次開展研討會，掌握各方關于森林土壤有機碳GF-5高光譜影像反演的具體要求和技術。以草案為基礎，提煉核心技術細節(jié)，廣泛地針對國內不同區(qū)域開展技術對比和總結，并實際征求意見，通過收集反饋了大量意見，標準編制工作組多次召開會議，對標準草案進行了反復修改和研究討論。標準編制組進一步討論完善標準草案，形成團體標準《森林土壤有機碳GF-5高光譜影像反演技術規(guī)程》（征求意見稿）和（征求意見稿）編制說明。制定標準的原則和依據(jù)，與現(xiàn)行法律、法規(guī)的關系，與有關國家標準、行業(yè)標準的協(xié)調情況（一）編制原則1.實用性原則本標準是在充分收集相關資料和文獻，調研分析森林土壤有機碳GF-5高光譜影像反演現(xiàn)狀，在現(xiàn)有國家、行業(yè)標準相關森林土壤有機碳GF-5高光譜影像反演要求的基礎上，結合廣西壯族自治區(qū)林業(yè)科學研究院及相關科研高校和單位的研究實驗數(shù)據(jù)、經(jīng)驗而總結起草的。符合當前區(qū)內森林土壤有機碳GF-5高光譜影像反演發(fā)展需求，有利于行業(yè)的穩(wěn)定長遠發(fā)展，有利于提高森林土壤有機碳GF-5高光譜影像反演技術水平，促進森林可持續(xù)發(fā)展，具有較強的實用性和可操作性。2.協(xié)調性原則本標準編寫過程中注意了與森林土壤有機碳GF-5高光譜影像反演相關法律法規(guī)的協(xié)調問題，在內容上與現(xiàn)行法律法規(guī)、標準協(xié)調一致。3.規(guī)范性原則本標準嚴格按照GB/T1.1—2020《標準化工作導則第1部分：標準化文件的結構和起草規(guī)則》的要求和規(guī)定編寫本標準的內容，保證標準的編寫質量。4.前瞻性原則本標準在兼顧當前區(qū)內森林土壤有機碳GF-5高光譜影像反演現(xiàn)實情況的同時，還考慮到了不同林業(yè)研究團隊數(shù)據(jù)處理、建模方法差異大，結果可比性差的現(xiàn)實需要，在標準中體現(xiàn)了個別特色性、前瞻性和先進性條款，構建森林土壤有機碳反演的技術體系，及時準確地掌握森林土壤有機碳的變化情況對于評估其對氣候變化的響應和反饋機制至關重要。（二）編制依據(jù)本標準嚴格按照GB/T1.1—2020《標準化工作導則第1部分：標準化文件的結構和起草規(guī)則》的規(guī)則起草，標準主要內容參考根據(jù)中央引導地方科技發(fā)展資金項目“森林土壤有機碳GF-5高光譜預測環(huán)境協(xié)同驅動機制研究”，國家自然科學基金項目“廣西森林土壤有機碳多源高光譜預測的環(huán)境協(xié)同驅動機制”，廣西優(yōu)良用材林重點實驗室項目“廣西典型紅壤區(qū)桉樹人工林土壤質量高光譜反演研究”，廣西林業(yè)科技推廣示范項目“基于高光譜的廣西紅壤區(qū)土壤環(huán)境數(shù)據(jù)挖掘技術研究”等課題基礎上，參考GB/T36301-2018《航天高光譜成像數(shù)據(jù)預處理產(chǎn)品分級》、GB/T42650-2023《空間數(shù)據(jù)與信息傳輸系統(tǒng)多光譜和高光譜圖像無損及近無損壓縮》、DB32/T4123-2021《生態(tài)地質環(huán)境調查航空高光譜遙感技術規(guī)程》等相關要求制定，結合起草單位前期開展森林土壤有機碳GF-5高光譜影像反演經(jīng)驗總結進行起草。（三）與現(xiàn)行法律、法規(guī)的關系，與有關國家標準、行業(yè)標準的協(xié)調情況本標準與相關法律法規(guī)、強制性標準協(xié)調一致，無沖突。經(jīng)查詢，國內暫無“森林土壤有機碳GF-5高光譜影像反演規(guī)程”標準。與“有機碳高光譜”“高光譜影像反演”：《GB/T36301-2018 航天高光譜成像數(shù)據(jù)預處理產(chǎn)品分級》規(guī)定了航天高光譜成像數(shù)據(jù)預處理產(chǎn)品的分級原則、級別劃分，適用于工作波長范圍在400nm～2500nm的星載高光譜成像儀所獲取的成像光譜數(shù)據(jù)的預處理產(chǎn)品分級?！禛B/T42650-2023 空間數(shù)據(jù)與信息傳輸系統(tǒng)多光譜和高光譜圖像無損及近無損壓縮》規(guī)定了空間數(shù)據(jù)與信息傳輸系統(tǒng)多光譜和高光譜圖像無損及近無損壓縮方法，具體包括壓縮總則、圖像表示、預測器、編碼器等內容，適用于航天器多光譜和高光譜圖像的無損及近無損壓縮設計和應用?！禗B32/T4123-2021 生態(tài)地質環(huán)境調查航空高光譜遙感技術規(guī)程》確立了生態(tài)地質環(huán)境調查過程中應用航空高光譜遙感的工作流程，規(guī)定了準備工作、數(shù)據(jù)采集、數(shù)據(jù)預處理、數(shù)據(jù)解譯、質量控制、資料整理與成果編制的要求，適用于以航空飛行器為搭載平臺的航空高光譜遙感生態(tài)地質環(huán)境調查?！禗B34/T4476-2023冬小麥田間長勢無人機高光譜遙感監(jiān)測技術規(guī)程》本文件規(guī)定了無人機高光譜成像系統(tǒng)、監(jiān)測注意事項、內業(yè)整理等技術?！禩/CARSA2-2022微納衛(wèi)星高光譜影像數(shù)據(jù)基礎產(chǎn)品規(guī)范》規(guī)定了微納衛(wèi)星高光譜影像數(shù)據(jù)基礎產(chǎn)品構成、產(chǎn)品生產(chǎn)、產(chǎn)品質量檢驗及產(chǎn)品存儲的內容、方法和要求，適用于微納衛(wèi)星高光譜影像數(shù)據(jù)基礎產(chǎn)品的生產(chǎn)、管理和應用，其他微納衛(wèi)星數(shù)據(jù)產(chǎn)品的生產(chǎn)、管理和應用可參照執(zhí)行?！渡滞寥烙袡C碳GF-5高光譜影像反演規(guī)程》屬于標準空白，彌補了GF-5高光譜影像反演森林土壤有機碳的規(guī)范應用。五、主要條款的說明本標準規(guī)定了數(shù)據(jù)準備、GF-5高光譜影像預處理、光譜數(shù)據(jù)采集與預處理、光譜特征波段篩選、反演模型構建、反演模型驗證、反演結果輸出等要求，適用于利用GF-5高光譜影像定量反演森林土壤有機碳含量的操作。（一）術語和定義1.GF-5高光譜影像：依據(jù)中國資源衛(wèi)星應用中心發(fā)布的《GF-5衛(wèi)星高光譜成像儀技術說明書》，明確“覆蓋400nm～2500nm、空間分辨率30m”的技術參數(shù)。2.土壤有機碳：參考HJ695對“土壤有機碳”的定義（含礦質土、有機土中的有機碳儲量），補充“泥炭土、沙礫層”等森林土壤常見類型，適配森林生態(tài)場景。（二）數(shù)據(jù)準備1.GF-5高光譜影像數(shù)據(jù)源（Level2/3級產(chǎn)品、波段≥330個）：依據(jù)GF-5AHSI傳感器產(chǎn)品分級標準（中國資源衛(wèi)星應用中心），Level2級為輻射定標后產(chǎn)品、Level3級為輻射定標+大氣校正后產(chǎn)品，滿足不同精度需求；時相選擇（熱帶3～4月/10～11月、溫帶4～5月/9～10月）：參考森林物候學研究，避開雨季（減少云干擾）、積雪期（掩蓋土壤光譜），選擇枯落物覆蓋少、植被影響小的時段（如周偉2021年三江源區(qū)研究的時相選擇邏輯）；數(shù)據(jù)質量（云量≤10%、采樣間隔≤3個月）：參考GB/T36301對高光譜影像“云量≤10%”的質量要求，“采樣間隔≤3個月”基于土壤有機碳短期穩(wěn)定性（≤3個月無顯著變化）的科研結論；數(shù)據(jù)獲取（官方平臺+元數(shù)據(jù)）：依據(jù)《國家高分辨率對地觀測系統(tǒng)數(shù)據(jù)管理辦法》，要求從廣西數(shù)據(jù)與應用中心、中國資源衛(wèi)星應用中心獲取帶輻射定標系數(shù)、幾何參數(shù)的元數(shù)據(jù)，確保數(shù)據(jù)合法性與可追溯性。2.土壤實測數(shù)據(jù)采樣點布設（網(wǎng)格化+典型抽樣、1km×1km網(wǎng)格）：參考NY/T1121.1的“分層抽樣法”，結合森林土壤異質性（地形、植被類型差異），設計“1km×1km基礎網(wǎng)格+復雜地形0.5km×0.5km調整”的方案，補充“針葉林/闊葉林/混交林”典型樣地，確保樣本代表性；樣本數(shù)量（≥100個、復雜模型≥200個）：依據(jù)機器學習“樣本數(shù)/模型參數(shù)＞5”的統(tǒng)計原則（如PLSR模型需樣本≥100個），CNN等復雜模型需更多樣本（≥200個），參考于雷2015年PLSR建模、周偉2021年CNN建模的樣本量設置；樣品采集（0～20cm表層土、四分法）：依據(jù)NY/T1121.1“表層土壤（0～20cm）為有機碳主要分布層”的結論，采用“四分法”保留500～600g樣品，減少誤差；樣品制備（風干、過2mm/0.149mm篩）：依據(jù)HJ695“土壤有機碳測定需去除粗顆?！钡囊?，過2mm篩用于光譜采集、過0.149mm篩用于實驗室測定；有機碳測定（HJ695）：直接引用HJ695的“燃燒氧化-非分散紅外法”，確保實測數(shù)據(jù)準確性與標準統(tǒng)一性。如下圖所示，研究區(qū)域地形受到明顯切割與分化，地形地貌復雜，成土母質較為統(tǒng)一，結合實地考察情況，布點精度設置為每200hm2布設1個采樣點，共計104個采樣點。實地采樣時選取長勢均勻、人為活動較少的林地，以W型多點隨機取樣，每個采樣點確保5個以上的取樣點，使用土鉆采集表層土壤(0~20cm)，將采集的土樣混合均勻后，用四分法取大約1kg土樣帶回實驗室，經(jīng)風干、去雜、研磨、過100目(0.149mm)篩后制成待測樣品。研究區(qū)域采樣點分布（三）GF-5高光譜影像預處理1.影像獲取（ENVI5.6/ArcGIS10.8）依據(jù)：ENVI、ArcGIS為遙感處理主流軟件，技術成熟且行業(yè)普及率高，依據(jù)軟件官方技術文檔（ENVI5.6支持GF-5AHSI數(shù)據(jù)解析）。2.輻射定標GF-5衛(wèi)星元數(shù)據(jù)說明文檔提供的輻射定標公式，Gλ（增益）、Bλ（偏置）從元數(shù)據(jù)提取，“除以10?”為衛(wèi)星數(shù)據(jù)標準化處理要求，確保DN值轉換為無量綱的表觀反射率。3.大氣校正（FLAASH/6S方法）FLAASH方法：依據(jù)ENVI5.6技術手冊，熱帶/中緯度夏/冬大氣模型、鄉(xiāng)村/城市氣溶膠模型的選擇，參考研究區(qū)緯度、下墊面類型（如森林區(qū)選鄉(xiāng)村氣溶膠）；2-Band(K-T）氣溶膠反演、1135nm水汽反演為FLAASH針對高光譜數(shù)據(jù)的優(yōu)化算法；6S模型方法：依據(jù)6S模型官方指南（SecondSimulationoftheSatelliteSignalintheSolarSpectrum），6種大氣模式、3種氣溶膠類型（大陸型/沙漠型/海洋型）適配不同氣候區(qū)，“AERONET站點數(shù)據(jù)驗證”參考氣溶膠光學厚度（AOD）實測校準邏輯，確保高精度校正。4.幾何校正（二次多項式、RMSE≤1個像元）參考GB/T36301“高光譜影像幾何精度≤1個像元”的要求，采用“二次多項式+雙線性內插”（常規(guī)場景）或“三次卷積內插”（高精度科研場景），控制點選擇“道路交叉點、山頂”等穩(wěn)定地物，依據(jù)GB/T14950的“攝影測量控制點選擇原則”；地形校正（SCS+C模型）參考山地林區(qū)光譜陰影消除的科研結論（SCS+C模型在森林區(qū)效果優(yōu)于其他模型）。5.影像裁剪（保留≥500m緩沖區(qū)）依據(jù)：避免邊界效應（邊緣像元光譜失真），參考遙感數(shù)據(jù)處理通用做法，保留500m緩沖區(qū)確保研究區(qū)核心數(shù)據(jù)完整性。光譜數(shù)據(jù)采集與預處理1.光譜儀選擇（ASDFieldSpec4）依據(jù)：ASDFieldSpec4為地物光譜采集主流設備，“350nm～2500nm光譜范圍”匹配GF-5波段，分辨率（350～1000nm≤3nm）、信噪比（≥500:1）滿足土壤光譜精細采集需求，依據(jù)儀器操作手冊。在多地區(qū)森林土壤光譜采集項目中，使用ASDFieldSpec4采集光譜，與其他同類光譜儀對比，其采集的光譜數(shù)據(jù)在土壤有機碳敏感波段特征明顯，數(shù)據(jù)穩(wěn)定性高，為后續(xù)光譜分析與模型構建提供可靠基礎。2.光譜采集（暗室、45°光源、10次取平均）暗室環(huán)境（溫度20～25℃、濕度≤60%）避免外界光干擾，依據(jù)ASD光譜儀“環(huán)境控制要求”；“45°入射角光源+垂直探頭”為地物光譜采集標準幾何（減少漫反射誤差）；“10次取平均”減少隨機噪聲，參考欒福明2013年光譜采集方法。在實驗室模擬不同環(huán)境與操作條件下土壤光譜采集，在暗室、45°光源、10次取平均條件下采集的光譜，其噪聲水平明顯低于其他條件，在土壤有機碳特征波段（如2200-2300nm）吸收特征更清晰，更利于后續(xù)光譜分析。3.光譜預處理噪聲去除（＜400nm/＞2400nm）：依據(jù)光譜儀特性（兩端波段噪聲大），參考于雷2015年預處理流程；光譜儀在＜400nm和＞2400nm波段噪聲較大，且該波段范圍土壤有機碳相關光譜信息少。眾多土壤高光譜研究文獻表明，去除該波段可提高后續(xù)分析效率與準確性，減少噪聲對模型構建干擾。平滑處理（DWT/MSC/SG）：DWT（小波降噪）、MSC（消除散射）、SG（平滑）為光譜去噪常用方法，參考周偉2021年文獻；DWT能有效去除高頻噪聲，保留光譜細節(jié)特征；MSC可消除土壤顆粒散射等因素對光譜影響；SG濾波可在平滑光譜同時較好保留光譜特征峰。在不同土壤類型光譜預處理實驗中，這三種方法均能有效提高光譜質量，不同方法適用于不同土壤特性，如質地均勻土壤用SG濾波效果好，質地復雜土壤用DWT效果更佳。數(shù)學變換（FDR/FDL/SNV/連續(xù)統(tǒng)去除）：一階導數(shù)（FDR）增強1450～1625nm（羥基）、2200～2300nm（碳氫鍵）吸收特征，依據(jù)土壤有機碳光譜響應原理；SNV用于樣品標準化，消除裝樣差異，參考欒福明2013年方法；連續(xù)統(tǒng)去除突出620～810nm有機碳敏感波段，依據(jù)土壤光譜學研究。不同有機碳含量的土壤反射率(A)、一階導數(shù)(B)、對數(shù)一階導數(shù)（C）的平均光譜曲線（五）光譜特征波段篩選1.相關性分析（p＜0.05）統(tǒng)計學顯著性檢驗，篩選與有機碳顯著相關的波段，避免無關波段干擾，參考于雷2015年相關性分析邏輯。參考統(tǒng)計學中“變量顯著性檢驗”通用原則，結合土壤光譜與有機碳含量的關聯(lián)性研究邏輯（如欒福明等2013年《基于不同模型的土壤有機質含量高光譜反演比較分析》中“通過相關系數(shù)篩選敏感波段”的方法），確保篩選的波段與有機碳含量存在真實關聯(lián)，排除隨機干擾波段。起草單位在廣西杉木林土壤采樣實驗中，對預處理后的光譜反射率與有機碳含量計算Pearson相關系數(shù)，發(fā)現(xiàn)620-810nm、1450-1625nm波段相關系數(shù)絕對值＞0.6（p＜0.01），為后續(xù)特征篩選提供基礎，該結果與周偉等2021年三江源區(qū)土壤碳反演研究中“有機碳敏感波段集中在可見光－近紅外區(qū)域”的結論一致。波段范圍（nm）相關系數(shù)p值620-8100.62＜0.011450-1625-0.65＜0.012200-23000.58＜0.01土壤有機碳含量與原始及其變換形式后的光譜反射率的相關分析2.算法篩選（RFE、Ranger算法）遞歸特征消除（RFE）以偏最小二乘回歸（PLSR）為基礎模型，參考《高光譜遙感土壤屬性反演》中“RFE處理波段共線性問題”的技術方案，通過刪除VIP＜1的冗余波段優(yōu)化特征集；測試指標全波段建模RFE篩選后建模交叉驗證均方根誤差（RMSEcv）0.85g/kg0.62g/kg決定系數(shù)（R2）0.650.72隨機森林特征選擇（Ranger）算法參數(shù)（200-300棵決策樹、最大特征數(shù)為候選波段平方根），依據(jù)ENVI軟件機器學習模塊技術文檔及于雷等2015年《基于偏最小二乘回歸的土壤有機質含量高光譜估算》中“隨機森林特征重要性計算方法”。起草單位對200個森林土壤樣本光譜數(shù)據(jù)測試顯示，RFE算法刪除5%～10%低貢獻波段后，模型交叉驗證均方根誤差（RMSEcv）從0.85g/kg降至0.62g/kg；Ranger算法篩選前30%波段時，模型預測R2達0.78，較全波段建模（R2=0.65）精度顯著提升，驗證了該篩選方法的有效性。決策樹數(shù)量驗證集R2驗證集RMSE（g/kg）1000.700.682000.780.553000.790.534000.790.53（六）反演模型構建1.數(shù)據(jù)集劃分（7:3或8:2比例）參考機器學習建?！坝柧毤浞中?驗證集有效性”的通用原則，結合土壤高光譜反演領域常規(guī)劃分比例（如LY/T2988-2018《森林生態(tài)系統(tǒng)碳儲量計量指南》配套技術方案），確保訓練集足夠支撐模型學習，驗證集能客觀評價泛化能力。起草單位對比不同劃分比例實驗：7:3劃分時，OPLS模型訓練R2=0.82、驗證R2=0.75；8:2劃分時，訓練R2=0.85、驗證R2=0.73，兩者均滿足精度要求（R2≥0.7），故保留兩種可選比例適配不同樣本量場景（樣本量＜150選8:2，樣本量≥150選7:3）。劃分比例訓練集R2驗證集R2訓練集RMSE（g/kg）驗證集RMSE（g/kg）7:30.820.750.550.618:20.850.730.520.632.模型建立正交偏最小二乘法（OPLS）：參考《近紅外光譜分析技術原理與應用》中“OPLS處理高維小樣本線性數(shù)據(jù)”的特性，適配光譜數(shù)據(jù)高維度特點；隨機森林（RF）：依據(jù)Breiman隨機森林理論及ENVI5.6軟件RF模塊參數(shù)指南，針對森林土壤光譜非線性關系設計；支持向量回歸（SVR）：參考《機器學習實戰(zhàn)》中“RBF核函數(shù)適配非線性小樣本”的技術方案，參數(shù)范圍（C：10?2~103、γ：10?3~101）源自網(wǎng)格搜索優(yōu)化常規(guī)區(qū)間；卷積神經(jīng)網(wǎng)絡（CNN）：依據(jù)《深度學習在遙感影像處理中的應用》中“一維CNN提取光譜連續(xù)特征”的結構設計，適配樣本量≥200的復雜場景。起草單位多模型對比實驗（200個樣本）顯示：OPLS模型：驗證R2=0.72、RMSE=0.68g/kg（線性場景最優(yōu)）；RF模型：驗證R2=0.79、RMSE=0.55g/kg（抗噪聲場景最優(yōu)，如含枯落物干擾樣本）；SVR模型：驗證R2=0.76、RMSE=0.61g/kg（小樣本＜100時最優(yōu)）；CNN模型：驗證R2=0.83、RMSE=0.48g/kg（樣本量≥200時精度最高），證明多模型體系適配不同場景的必要性。模型名稱驗證R2驗證RMSE（g/kg）相對分析誤差（RPD）OPLS0.720.681.92RF0.790.552.31SVR0.760.612.05CNN0.830.482.67SpectralindexesFULL-bandinversionmodelSignificantbandinversionmodelPLSOPLSPLSOPLSPr