基于无人机多光谱遥感的土壤有机碳可视化监测平台

doi:10.11924/j.issn.1000-6850.casb2025-0552

中国农学通报 ›› 2026, Vol. 42 ›› Issue (11): 195-201.doi: 10.11924/j.issn.1000-6850.casb2025-0552

基于无人机多光谱遥感的土壤有机碳可视化监测平台

王志坤¹(), 李新举², 胡晓¹()

¹ 山东农业大学信息科学与工程学院，山东泰安 271018
² 山东农业大学资源与环境学院，山东泰安 271018

收稿日期:2025-07-01 修回日期:2025-12-24 出版日期:2026-06-12 发布日期:2026-06-12
通讯作者:
胡晓，男，1984年出生，山东临沂人，副教授，博士研究生，主要从事农业定量遥感研究。E-mail：huxiaozhy@163.com。
作者简介:
王志坤，男，1999年出生，山东泰安人，在读硕士研究生，研究方向：土壤养分遥感监测与信息化研究。通信地址：271018 山东泰安泰山区岱宗大街61号山东农业大学信息科学与工程学院，E-mail：sdauwangzhikun@outlook.com。
基金资助:
国家自然科学基金项目“高潜水位煤矿沉陷区土壤生态变化过程及碳循环机理研究项目”(42077446)

Visual Monitoring Platform of Soil Organic Carbon Based on Unmanned Aerial Vehicle Multispectral Remote Sensing

WANG Zhikun¹(), LI Xinju², HU Xiao¹()

¹ College of Information Science and Engineering, Shandong Agricultural University, Taian, Shandong 271018
² College of Resources and Environment, Shandong Agricultural University, Taian, Shandong 271018

Received:2025-07-01 Revised:2025-12-24 Published:2026-06-12 Online:2026-06-12

摘要/Abstract

摘要：

土壤有机碳(SOC)含量和分布信息对农业生产至关重要。本研究创新性地集成无人机多光谱遥感影像、Web开发技术、机器学习算法和数据库技术，构建了一套土壤有机碳可视化监测平台。该平台应用于山东省济宁市兖州区煤矿区复垦农田的监测，结果表明：（1）平台能够基于无人机多光谱遥感影像，利用机器学习算法快速、准确预测SOC含量。其中，轻量级梯度提升机(LightGBM)模型为最佳预测模型，建模集和验证集的决定系数(R²)分别为0.825和0.793，验证了平台预测的可靠性；（2）平台实现了SOC的数据统计、含量分级、地理分布等多维度可视化展示，方便用户直观了解土壤状况。研究结果可为田块尺度的农田养分精准管理提供高效、便捷的技术手段和科学依据。

关键词: 土壤有机碳, 无人机, 多光谱, Web开发, 机器学习, 监测平台

Abstract:

Obtaining information on the content and distribution of soil organic carbon (SOC) is of great significance for the development of agricultural production. In this study, we designed and developed a SOC visual monitoring platform by innovatively integrating unmanned aerial vehicle (UAV) multispectral remote sensing images, Web development technology, machine learning algorithms and database technology. The system was applied to monitor the reclaimed farmlands in mining area of Yanzhou District, Jining City, Shandong Province. The results show that: (1) SOC content can be predicted quickly and accurately using UAV multispectral remote sensing images and machine learning algorithms. The light gradient boosting machine (LightGBM) model is the best prediction model, with the coefficient of determination (R²) of the modeling set and the validation set being 0.825 and 0.793, respectively; and (2) the system realizes visualizations for SOC data statistics, content grading, geographic distribution, and more. Therefore, the results of the study can provide scientific reference for the nutrient management of farmland at the field scale.

Key words: soil organic carbon, unmanned aerial vehicle, multispectral, Web development, machine learning, monitoring platform

中图分类号:

S126电子技术、计算机技术在农业上的应用

王志坤, 李新举, 胡晓. 基于无人机多光谱遥感的土壤有机碳可视化监测平台[J]. 中国农学通报, 2026, 42(11): 195-201.

WANG Zhikun, LI Xinju, HU Xiao. Visual Monitoring Platform of Soil Organic Carbon Based on Unmanned Aerial Vehicle Multispectral Remote Sensing[J]. Chinese Agricultural Science Bulletin, 2026, 42(11): 195-201.

图/表 9

参考文献 22

[1]	黄昌勇. 土壤学[M]. 北京: 中国农业出版社, 2000:33,44-46.
[2]	GERKE J. The central role of soil organic matter in soil fertility and carbon storage[J]. Soil systems, 2022, 6(2):33. doi: 10.3390/soilsystems6020033 URL
[3]	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.
[4]	ANGELOPOULOU T, CHABRILLAT S, PIGNATTI S, et al. Evaluation of airborne hyspex and spaceborne PRISMA hyperspectral remote sensing data for soil organic matter and carbonates estimation[J]. Remote sensing, 2023, 15(4):1106. doi: 10.3390/rs15041106 URL
[5]	DUAN X L, MAQSOOM A, KHALIL U, et al. Enhancing soil moisture retrieval in semi-arid regions using machine learning algorithms and remote sensing data[J]. Applied soil ecology, 2024, 204:105687. doi: 10.1016/j.apsoil.2024.105687 URL
[6]	王东旭, 王杰, 诸云强, 等. 云南省土壤墒情监测系统的设计与实现[J]. 灌溉排水学报, 2016, 35(10):83-89.
[7]	ZHANG T, ZHANG Y, WANG A, et al. Intelligent analysis cloud platform for soil moisture-nutrients-salinity content based on quantitative remote sensing[J]. Atmosphere, 2022, 14(1):23. doi: 10.3390/atmos14010023 URL
[8]	SONG Y Q, PAN Y X, XIANG M Y, et al. A WebGIS-based system for supporting saline-alkali soil ecological monitoring: a case study in Yellow River Delta, China[J]. Remote sensing, 2024, 16(11):1948. doi: 10.3390/rs16111948 URL
[9]	孙刚, 黄文江, 陈鹏飞, 等. 轻小型无人机多光谱遥感技术应用进展[J]. 农业机械学报, 2018, 49(3):1-17.
[10]	ZHANG Z X, NIU B B, LI X J, et al. Inversion of soil salinity in China’s Yellow River Delta using unmanned aerial vehicle multispectral technique[J]. Environmental monitoring and assessment, 2023, 195:245. doi: 10.1007/s10661-022-10831-0
[11]	张智韬, 魏广飞, 姚志华, 等. 基于无人机多光谱遥感的土壤含盐量反演模型研究[J]. 农业机械学报, 2019, 50(12):151-160.
[12]	HEIL J, JÖRGES C, STUMPE B. Fine-scale mapping of soil organic matter in agricultural soils using UAVs and machine learning[J]. Remote sensing, 2022, 14(14):3349. doi: 10.3390/rs14143349 URL
[13]	WANG Y F, MA Y, ZHOU F R, et al. More precise monitoring of soil moisture content in agricultural fields by upscaling conversion of multispectral image data from unmanned aerial vehicles[J]. IEEE access, 2024, 12:79892-79904. doi: 10.1109/ACCESS.2024.3407107 URL
[14]	郝金雨. 基于无人机多光谱影像的土壤含水率检测研究[D]. 泰安: 山东农业大学, 2023.
[15]	杨玮, 于滈, 李浩, 等. 基于多光谱图像的土壤有机质含量检测系统与APP研究[J]. 农业机械学报, 2023, 54(9):270-278.
[16]	胡晓, 臧玉龙, 高睿康, 等. 基于无人机多光谱遥感和机器学习的烟田土壤碱解氮估测[J]. 中国烟草科学, 2024, 45(5):95-103.
[17]	DIAZ-GONZALEZ F A, VUELVAS J, CORREA C A, et al. Machine learning and remote sensing techniques applied to estimate soil indicators-review[J]. Ecological indicators, 2022, 135:108517. doi: 10.1016/j.ecolind.2021.108517 URL
[18]	AZZEH M, NEAGU D, COWLING P I. Fuzzy grey relational analysis for software effort estimation[J]. Empirical software engineering, 2010, 15(1):60-90. doi: 10.1007/s10664-009-9113-0 URL
[19]	DELGADO J, FERRADA H, NAVARRO C A. A succinct and approximate greedy algorithm for the minimum set cover problem[J]. Journal of computational science, 2024, 81:102378. doi: 10.1016/j.jocs.2024.102378 URL
[20]	许睿娉, 李俊颖, 张冰姿, 等. 高潜水位煤矿区不同充填材料复垦土壤有机碳垂直分布特征与敏感性分析[J]. 煤炭学报, 2025, 50(9):4487-4501.
[21]	鲍士旦. 土壤农化分析(第三版)[M]. 北京: 中国农业出版社, 2000:30-34.
[22]	全国土壤普查办公室. 中国土壤普查技术[M]. 北京: 中国农业出版社, 1992:87.

SOC/(g/kg)	NDVI	EVI	CI_red-edge	...
9.0	-0.336	0.339	1.014	...
9.5	-0.341	0.318	1.035	...
11.0	-0.440	0.365	1.568	...
...	...	...	...	...

SOC/(g/kg)	NDVI	EVI	CI_red-edge	...
9.0	-0.336	0.339	1.014	...
9.5	-0.341	0.318	1.035	...
11.0	-0.440	0.365	1.568	...
...	...	...	...	...

光谱变量	计算公式
NDVI	(Nir-R)/(Nir+R)
NDSI	(R-Nir)/(R+Nir)
SAVI	1.5×(Nir-R)/(Nir+R+0.5)
CI_red-edge	Nir/Reg-1
EVI	2.5×(Nir-R)/(Nir+6×R-7.5×B+1)
TVI	0.5×[120×(Nir-G)]-200×(R-G)
NDVI+Reg	(Nir-R)/(Nir+R)+Reg
NDSI+Reg	(R-Nir)/(R+Nir)+Reg
SAVI+Reg	1.5×(Nir-R)/(Nir+R+0.5)+Reg
CIred-edge+R	Nir/Reg-1+R
EVI+Reg	2.5×(Nir-R)/(Nir+6×R-7.5×B+1)+Reg
TVI+Reg	0.5×[120×(Nir-G)]-200×(R-G))+Reg
lgR	lgR
lgR+Reg	lgR+Reg
lgReg	lgReg
R/Reg	R/Reg
R/(Reg+Nir)	R/(Reg+Nir)
1/Nir	1/Nir

光谱变量	计算公式
NDVI	(Nir-R)/(Nir+R)
NDSI	(R-Nir)/(R+Nir)
SAVI	1.5×(Nir-R)/(Nir+R+0.5)
CI_red-edge	Nir/Reg-1
EVI	2.5×(Nir-R)/(Nir+6×R-7.5×B+1)
TVI	0.5×[120×(Nir-G)]-200×(R-G)
NDVI+Reg	(Nir-R)/(Nir+R)+Reg
NDSI+Reg	(R-Nir)/(R+Nir)+Reg
SAVI+Reg	1.5×(Nir-R)/(Nir+R+0.5)+Reg
CIred-edge+R	Nir/Reg-1+R
EVI+Reg	2.5×(Nir-R)/(Nir+6×R-7.5×B+1)+Reg
TVI+Reg	0.5×[120×(Nir-G)]-200×(R-G))+Reg
lgR	lgR
lgR+Reg	lgR+Reg
lgReg	lgReg
R/Reg	R/Reg
R/(Reg+Nir)	R/(Reg+Nir)
1/Nir	1/Nir

波段名称	中心波长/nm	带宽/nm	校正系数
蓝光波段	450	30	0.61
绿光波段	555	27	0.60
红光波段	660	22	0.61
红边波段	720	10	0.62
近红外波段	840	30	0.60

基于无人机多光谱遥感的土壤有机碳可视化监测平台

Visual Monitoring Platform of Soil Organic Carbon Based on Unmanned Aerial Vehicle Multispectral Remote Sensing

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

算法	光谱变量组	建模集		验证集
算法	光谱变量组	R²	RMSE	R²	RMSE
CatBoost	全变量组	0.926	0.595	0.745	1.048
CatBoost	贪婪变量组	0.913	0.643	0.763	1.012
LightGBM	全变量组	0.888	0.733	0.754	1.029
LightGBM	贪婪变量组	0.825	0.914	0.793	0.945
RF	全变量组	0.769	1.050	0.711	1.116
RF	贪婪变量组	0.793	0.994	0.731	1.077

并发	响应时间/s				每秒请求数
	田块录入		前台展示		田块录入		前台展示
	三元村复垦试验田	刘岗村复垦试验田	三元村复垦试验田	刘岗村复垦试验田	三元村复垦试验田	刘岗村复垦试验田	三元村复垦试验田	刘岗村复垦试验田
1	3.18	32.73	1.64	14.41	0.31	0.03	0.61	0.07
2	5.84	54.67	2.85	24.20	0.17	0.02	0.35	0.04
3	6.91	101.45	3.94	32.50	0.14	0.01	0.25	0.03
4	17.90	133.09	7.04	60.34	0.06	0.01	0.14	0.02
5	25.11	160.83	9.57	75.97	0.04	0.01	0.10	0.02

[1]	郭家隆, 胡峰, 杨张青, 张杰, 臧贺藏, 常宝方, 李国强, 辛银平. 基于文献计量的土壤养分检测传感器研究进展[J]. 中国农学通报, 2026, 42(10): 171-178.
[2]	鲍雨薇, 黄婷婷, 陈恒羽, 潘广莎, 孙婷婷. 长期有机无机肥配施对团聚体有机碳分布与矿化影响及其作用机制[J]. 中国农学通报, 2026, 42(10): 124-131.
[3]	宋凯, 高宇, 左雨田, 刘杨. 生物炭改良模式下农田土壤总有机碳的Meta分析[J]. 中国农学通报, 2025, 41(9): 125-131.
[4]	李淑佳, 孙来军, 蒙亚浩, 王祎辰, 李晓旭, 冯国军, 杨凤艳. 基于机器视觉的菜豆种子品种智能识别与分类[J]. 中国农学通报, 2025, 41(4): 156-164.
[5]	张哲, 杨璐, 宁鹏. 肥料用量与粒径大小对无人机施肥效果的影响[J]. 中国农学通报, 2025, 41(35): 63-70.
[6]	钱帅, 王明达, 祝慧, 刘淑媛, 王浩宇, 范利超. 文献计量学视角下蚯蚓对土壤有机碳转化累积的影响研究[J]. 中国农学通报, 2025, 41(32): 61-73.
[7]	蔡煜, 肖玖军, 廖小锋, 董艳艳, 潘伯娟, 谢元贵. 黔南喀斯特地区旱地改造水田对土壤微生物残体碳积累的影响[J]. 中国农学通报, 2025, 41(27): 85-93.
[8]	张瑞瑞, 张林焕, 李龙龙, 丁晨琛, 唐青. 农业航空技术与装备发展趋势及建议——面向农业新发展和产业新动能需求，做大做强低空综合经济生态的“农业链条”[J]. 中国农学通报, 2025, 41(26): 139-147.
[9]	韩延禄, 朱毅, 尹艺璐, 王会征, 兰玉彬, 赵硕. 基于无人机遥感的作物氮素诊断研究进展[J]. 中国农学通报, 2025, 41(24): 126-134.
[10]	王艳秋, 顾啸, 周成, 冒慧颖, 陈勇. 植保无人机不同用水量对水稻纹枯病防治效果的影响[J]. 中国农学通报, 2025, 41(23): 111-116.
[11]	张学科, 李惠霞, 张天一, 马兰兰, 严海霞, 田学霞. 绿肥及其他物料对宁夏枸杞园土壤中碳氮转化的影响[J]. 中国农学通报, 2025, 41(12): 67-73.
[12]	王鹏翔, 陈翔宇, 魏春月, 马怡茹, 秦诗哲, 周泽轩, 张泽. 基于机器学习算法的滴灌棉花地上部氮浓度估测模型研究[J]. 中国农学通报, 2024, 40(4): 148-157.
[13]	武英洁, 朱永超, 孔祥宁. 基于Landsat-8影像的农田土壤含水量反演研究[J]. 中国农学通报, 2024, 40(32): 129-134.
[14]	李边豪, 张国良, 李鹏程, 赵宏亮, 闫飞宇, 黄志炜, 牛远, 齐波, 张林青, 范松. 机器视觉在稻种识别和分类上的应用进展[J]. 中国农学通报, 2024, 40(31): 152-158.
[15]	赵凯丽, 郭宁, 李权辉, 李萍, 王艳平, 陈娟, 颜芳, 王维瑞. 京郊低肥力粮田快速培肥和高产施肥技术及应用[J]. 中国农学通报, 2024, 40(30): 61-65.