CN105528523B - 一种基于遥感数据的土壤厚度反演方法 - Google Patents

Abstract

本发明公开了一种基于遥感数据的土壤厚度反演方法，包括以下步骤：A.选取环境要素，获取研究区的环境要素数据，建立环境要素数据库；B.从研究区选取实测区，利用探地雷达进行实测区土壤厚度测定；C.利用人工神经网络建立所述土壤厚度数据与环境要素数据之间的关系；D.利用案例推理方法建立土壤‑景观关系；E.结合模糊推理方法建立土壤‑景观模型；F.根据土壤‑景观模型绘制土壤厚度的模糊隶属度预测图；G.根据土壤厚度的模糊隶属度获得研究区大范围土壤厚度预测图。本发明的土壤厚度反演方法人为误差小，准确度高，易于建立，省时省力，可满足大范围区域研究需求。

Description

一种基于遥感数据的土壤厚度反演方法

技术领域

本发明涉及地理测绘技术领域，特别是涉及一种基于遥感数据的土壤厚度反演方法。

背景技术

土壤厚度作为土壤理化性质的一个重要指标，受基岩特征、地表植被的遮掩、地形地貌等因素的影响该指标难以直接观测，却常被冠以常数，从而被忽略其空间变异性。

传统的厚度数据获取方法，包括土壤剖面法、钻孔法等，均为样点式采集方法，测量精度高，但是采样点稀疏，并且只能在地形平坦、小范围地区采用，以点带面的扩展，远远不能满足大范围区域研究的要求。如果在大范围地区采用传统方法测量土壤厚度，将消耗大量财力物力，所需时间也较长，无法满足动态监测的要求，如果地形崎岖还将大大增加采样难度。

目前使用较为广泛的是物理方法，基于土壤表观导电率进行土壤厚度的测量。探地雷达是利用高频脉冲电磁波探测近地表的电性体分布的一种无损检测技术，目前已经在土壤厚度的研究中得到了应用。另外还有地震折射和大地电磁等物理方法也被引入进行了土壤厚度的测量研究。地球物理方法可以快速高效的测量土壤厚度，可用于获取大范围内的土壤厚度数据，但土壤会导致电磁波的快速衰减，并且基于物理方法的测量仪器对区域地形条件要求较高，适用范围相对有限，并且此类方法获取大范围地区土壤厚度信息所需时间和财力人力依然较高。

随着“3S”技术及相关学科的发展，土壤厚度预测制图得到了广泛的研究。基于物理机制、空间插值、遥感反演和环境推理的土壤厚度预测制图方法是最主要的土壤厚度预测方法。为了快速大范围获取土壤厚度信息，卫星遥感技术方法也引入了土壤厚度预估的研究。

以土壤-景观模型为理论基础，数学方法和空间技术为手段的土壤调查方法，已经成为目前最为前沿的土壤厚度预估方法，在全世界范围内得到了应用。

土壤-景观模型基于土壤发生学理论，假设土壤与景观单元存在对应关系，相同的景观单元产生相同的土壤属性。因此，利用土壤-景观模型进行土壤属性定量预估的关键问题在于构建土壤-景观关系，在许多研究中已经采用不同的方法建立土壤-景观关系来预测土壤属性，如数理统计、相关性分析、模糊隶属度与专家知识库等。最传统的方法是利用经验知识，但这一方法基于调查者的经验知识，往往属于定性描述，主观性太强，难以用于建立定量关系。线性回归分析是数学方法中最常用的土壤-景观关系的分析方法，但线性回归分析需要大量实测数据支持，并且土壤属性与环境要素之间是复杂的非线性关系，而线性回归只是建立二者之间的线性关系，并不能真实表现二者之间的关系。模糊聚类方法是一种非监督分类方法，它利用统计方法计算每个数据点与每类原型在多属性空间中的距离，使每个数据点距离其所属类别中心点最近，得到各类类别与各类中心的一组相似度向量，即为隶属度，从而实现对数据集的最优分割。对于土壤-景观模型，可以获得景观类型中心和对于景观类型的模糊隶属度，从而可以更为准确的表达土壤属性空间上的连续性。这一方法仅需部分采样点数据即可建立土壤-景观关系，但也存在一些不足，一些关键参数的设定没有科学方法依据，人的主观性较强，容易引入人为误差。专家系统方法将专家由包括环境要素数据的数据库、描述土壤景观关系的知识库和推理器组成，专家系统的建立需要大量土壤专家经验知识结合野外调查建立土壤与景观关系的规则，这些知识由定性向定量转化是专家系统的难点所在。但专家系统只能适应具体领域的问题甚至局限于局部土壤属性的预测，并且专家系统的建立复杂并耗时耗力。

因此，如何能创设一种可满足大范围区域研究，人为误差小，准确度高，易于建立，省时省力的新的土壤厚度反演方法，实属当前重要研发课题之一。

发明内容

本发明的目的是提供一种基于遥感数据的土壤厚度反演方法，使其可满足大范围区域研究，人为误差小，准确度高，易于建立，省时省力，从而克服现有的测量方法常受地形、区域的限制，易引入人为误差，或建立复杂、耗时耗力的不足。

为实现上述目的，本发明采用如下技术方案：

一种基于遥感数据的土壤厚度反演方法，包括以下步骤：A.选取与土壤厚度相关的环境要素，获取研究区各样点的环境要素数据，构建环境要素数据库，所述环境要素至少包括地形因素指标；B.在研究区选定实测区，利用探地雷达测定所述实测区的土壤厚度，获得大量土壤厚度样本点；C.从所述环境要素数据库中提取实测区所述土壤厚度样本点所对应的环境要素数据，根据所述实测区的土壤厚度数据及环境要素数据，利用人工神经网络建立土壤厚度与环境要素之间的关系，确定各环境要素与土壤厚度的相关性，并确定各环境要素的权重；D.将实测区土壤厚度设为多级，根据所述各环境要素与土壤厚度的关系，利用案例推理方法，确定实测区每一级土壤厚度所对应的环境要素的属性范围或者关键阈值及权重，建立土壤-景观关系；E.根据所述土壤-景观关系，利用模糊推理方法，构建建立土壤-景观模型；F.根据所述土壤-景观模型，计算研究区各样点的环境要素属性与不同土壤厚度级别对应的环境要素属性的相似度，分别绘制研究区各级土壤厚度的模糊隶属度预测图；G.对各级土壤厚度进行赋值，根据各级土壤厚度的模糊隶属度预测图和各级土壤厚度赋值，计算获得研究区大范围土壤厚度预测图。

作为进一步地改进，所述步骤G中对各级土壤厚度进行赋值是通过将所述实测区的土壤厚度样本点按照各级土壤厚度分级后平均，得到每一级的平均厚度作为该级别的土壤厚度赋值。

所述步骤A中的地形因素包括高程、坡度、平面曲率、剖面曲率和地形湿度指数。

所述地形因素数据利用ArcGIS从数字高程模型中获取。

所述步骤A中的环境要素还包括植被覆盖度。

所述植被覆盖度通过覆盖研究区的光学影像数据获取。

所述光学影像数据采用Landsat 8影像数据。

由于采用上述技术方案，本发明至少具有以下优点：

(1)本发明的基于遥感数据的土壤厚度反演方法，可满足大范围区域研究，人为误差小，准确度高，易于建立，省时省力。

(2)本发明反演出来的土壤厚度结果是空间上连续变化的，避免了传统方法非此即彼的二值分类的问题。

(3)本发明可扩展性高，在应用的过程中，可根据实际情况，进行土壤环境要素的增减，环境要素数据库运用的灵活度高。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明基于遥感数据的土壤厚度反演方法的流程图。

图2是环青海湖地区流域高程数据图。

图3是环青海湖地区流域植被覆盖度数据图。

图4是探地雷达测线示意图(实线代表雷达测线，虚线以下为青海湖西北角)。

图5是1号雷达测线的土壤厚度探测剖面图。

图6是第一级土壤厚度(Class1)模糊隶属度分布图。

图7是土壤厚度预测图。

图8是土壤厚度分级图(图中黑色三角为实测验证点)。

具体实施方式

本发明提供一种基于遥感数据的土壤厚度反演方法，主要包括以下步骤：

A.选取与土壤厚度相关的环境要素，获取研究区各样点的环境要素数据，构建环境要素数据库，所述环境要素至少包括地形因素指标；B.在研究区选定实测区，利用探地雷达测定所述实测区的土壤厚度，获得大量土壤厚度样本点；C.从所述环境要素数据库中提取实测区所述土壤厚度样本点所对应的环境要素数据，根据所述实测区的土壤厚度数据及环境要素数据，利用人工神经网络建立土壤厚度与环境要素之间的关系，确定各环境要素与土壤厚度的相关性，并确定各环境要素的权重；D.将实测区土壤厚度设为多级，根据所述各环境要素与土壤厚度的关系，利用案例推理方法，确定实测区每一级土壤厚度所对应的环境要素的属性范围或者关键阈值及权重，建立土壤-景观关系；E.根据所述土壤-景观关系，利用模糊推理方法，构建建立土壤-景观模型；F.根据所述土壤-景观模型，计算研究区各样点的环境要素属性与不同土壤厚度级别对应的环境要素属性的相似度，分别绘制研究区各级土壤厚度的模糊隶属度预测图；G.对各级土壤厚度进行赋值，根据各级土壤厚度的模糊隶属度预测图和各级土壤厚度赋值，计算获得研究区大范围土壤厚度预测图。

具体地，请参阅图1所示，本发明的基于遥感数据的土壤厚度反演方法，主要技术流程如下：

第一步，选取环境要素。

影响土壤形成的自然因素一般包括母质因素、生物因素、气候因素、地形因素和时间因素，这些因素从不同方向控制着土壤的发育及其属性的形成。其中母质因素提供矿物质、决定土壤质地等，生物因素负责向土壤提供有机质、决定土壤结构等，气候因素输入水分热量等，地形因素对于母质、生物和气候因素均有影响，分配土壤形成的物质和能量，而时间因素控制着各种影响的历程。但是，并不是所有的这些自然要素均应当选为环境要素，而是根据研究的目的和选择的原则有所取舍，这里简要介绍确立环境要素选取的一般原则：由于并不是每一种环境要素都是可以获取的，或者说有的环境要素是难以获取的，例如时间因素，因此环境要素选取首先应遵循可操作原则，可以选择易于操作可以获取的环境要素，其次应当遵循差异性的原则，对于土壤属性差异性的目的来说，能够导致其属性发生时空变化的因素应当为首选环境要素。最后还应该选择可以度量的环境要素，某些要素虽然对于土壤属性的研究可能有重要的意义，但是无法形成可以度量的数据，也因此无法用于定量化的研究。

在上述因素中，地形通过控制母质、生物和气候因素，影响物质和能量的分配，从而对于土壤的形成和发育起着重要作用。高度、坡度、坡向等地形要素影响温度、湿度、母质风化、太阳辐射等，导致了土壤发育和属性的各种差异，并且对于局部地区的水文状况也具有重要影响。已有研究表明，各种地形因素往往是造成局部流域尺度土壤之间属性差异的主要因素。除此之外，高程、坡度等地形要素易于从DEM数据获取，且为可度量数据。因此，根据应用区域的特点、环境要素数据获取情况选取环境要素一般至少应包括地形因素指标。

此外，植被向土壤输入有机质，促进土壤结构形成，增强水分和养分保持能力，也会影响土壤属性的差异，因此，可以选择与土壤厚度相关性比较大的植被因素，还可以选择土壤属性如土壤含水量、土壤的化学成分(如有机质含量)等作为环境要素。

作为本发明优选的实施例，这里选取地形因素和植被因素作为环境要素，其中，从地形因素中选择高程、坡度、平面曲率、剖面曲率、地形湿度指数5个指标参数；从植被因素中选取植被覆盖度作为指标参数。

以下分别简要介绍上述选择的包括高程、坡度、平面曲率、剖面曲率、地形湿度指数和植被覆盖度6个指标的环境要素。

(1)高程

高程是指从地面某点沿铅垂线方向到大地基准面的距离。SRTM(Shuttle RadarTopography Mission)是由美国航空航天局(NASA)、美国图像测绘局(NIMA)、喷气推进实验室(JPL)、德国宇航局(DLR)以及意大利宇航局(ASI)共同实施的航天雷达地形测绘任务，获取了覆盖地球表面达到80％的三维雷达数据，经过处理后成为垂直精度为16m的DEM数据。高程数据是其他地形数据提取的基础，是最基本的空间数据。气候、植被、母质等因素都会随着高程发生改变。

(2)坡度

坡度表示地表单元的倾斜程度，是某地面点的水平方向与地表之间的夹角。坡度控制着水分的运动、侵蚀作用的强弱等等，往往造成局部水热条件的差异，是土壤属性差异的主因之一。地表某点的坡度Slope计算公式为：

式中Slope为坡度，f_x和f_y分别为DEM高程数据中x方向和y方向的高程变化率。

(3)剖面曲率和平面曲率

曲率是指局部地面各个方向坡度、扭曲或者说凹凸的变化程度，其中沿垂直方向的剖面曲率，沿水平方向的为平面曲率。其中，剖面曲率会影响物质和能量传输的速度，平面曲率会影响物质和能量的汇聚和分散，因此二者对于土壤水分、养分的丰缺以及侵蚀的强弱都有影响。

剖面曲率Cpro的计算公式为：

平面曲率Cpla的计算公式为：

式中Cpro为剖面曲率，Cpla为平面曲率，f_xx是x方向高程变化率的变化率，f_yy是y方向高程变化率的变化率，f_xy是x方向高程变化率在y方向的变化率，其余参数指代与前文相同。

(4)地形湿度指数

地形湿度指数是指单位等高线长度上的汇流面积局地坡度比值的自然对数，用来描述地形变化对流域中径流变化及土壤含水量状况的影响。其计算公式为：

式中WI为地形湿度指数，a为某点等高线长度或者单元栅格的汇流面积，β为该点坡度。

(5)植被覆盖度

植被覆盖度是指某一地域植物对地面的垂直投影面积与这一地域面积之比。植被为土壤的形成发育提供有机质，促进土壤结构形成，增强土壤保持水分和养分的能力，是土壤厚度的重要影响因素。遥感监测已经成为植被覆盖度监测的重要手段，其建立的基础为NDVI(植被覆盖指数)数据。

NDVI计算公式如下所示：

式中R_NIR和R_RED分别为近红外波段和红波段反射率。

随后应用非密度模型进行植被覆盖度的计算，可以表示为：

式中F_g为植被覆盖度，NDVI₀为裸露地表(LAI→0)的NDVI值；NDVI_g可以用以下公式进行计算：

NDVI_g＝ＮＤＶＩ_∞-(NDVI_∞-NDVI₀)exp(-kLAI) (7)

式中NDVI₀和NDVI_∞分别为裸露地表(LAI→0)和高密度植被(LAI→∞)的NDVI值，k为消光系数，LAI为叶面积指数。

第二步，构建环境要素数据库。

确定环境要素之后，根据需要建立环境要素数据库。本研究选取的地形因素指标参数可以通过DEM数据计算获得。高程、坡度、剖面曲率、平面曲率和地形湿度指数均可使用基于ArcGIS的ArcSIE模块从DEM数据中提取出来。而植被覆盖度可利用覆盖研究区的影像数据获取，如Landsat 8数据。为统一植被覆盖度的图像和DEM图像的覆盖范围及空间分辨率，需要对两种源数据进行预处理。以Landsat 8数据和DEM图像数据为例，需要先将获取的Landsat 8数据进行辐射校正和几何校正，并与DEM数据统一坐标系统和投影方式，随后再根据公式(5)、公式(6)和公式(7)计算研究区植被覆盖度，并根据DEM数据的行列数进行重采样处理。

针对上述实施例而言，该步骤最终建立了包括高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度在内的环境要素数据库，该数据库中包含了具有上述信息的环境要素图，从这些环境要素图中可根据样本点地理位置信息提取相应的环境要素数据。

第三步，获取土壤厚度实测数据。

为了获得研究区土壤厚度实测数据作为训练样本，本发明利用探地雷达，选取研究区内的局部区域作为实测区，进行了土壤厚度测定，确定土壤层剖面的厚度和变化，获得大量土壤厚度样本点。在条件允许的情况下，探地雷达测量的范围越大，土壤厚度反演的精度越高。

第四步，土壤厚度与环境要素相关性检验。

根据第三步中获得的土壤厚度样本点，结合第二步中建立的环境要素数据库，提取这些样本点对应的环境要素数据，然后利用人工神经网络(BP神经网络)的结构设计，建立土壤厚度与环境要素之间的关系。针对上述实施例而言，即确定高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度这六个指标参数与土壤厚度的相关性，并确定出各指标参数的权重。该步骤中，根据所获得的相关性结果，还可以进一步对后续参与进行土壤厚度预测的指标参数进行增减调整。

第五步，建立土壤-景观关系。

建立土壤-景观关系主要是将土壤属性与环境因素组合进行对应。本发明引入案例推理方法(Case-Based Reasoning，CBR)，用于获取土壤-景观关系。CBR方法中的案例包括两个部分：案例的描述以及案例的解决方案，案例的描述部分是评估案例与一个新的问题之间的相似度，如果新的问题与案例之间有足够的相似度，案例的解决方案部分就可以用于解决新的问题。针对本发明希望反演土壤厚度的目的，此处可将探地雷达所采集的实测区土壤厚度分为多个级别，每一级厚度均对应一定数量的样本点，而每一个样本点又对应高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度6种环境要素属性。由此，可以确定每一级土壤厚度所对应的每种环境要素的属性范围或者是关键阈值，即土壤-景观关系。

第六步，建立土壤-景观模型。

以建立的土壤-景观关系为基础，引入模糊推理的方法，建立土壤-景观模型，并利用该模型作为下述步骤中土壤模糊隶属度的计算依据。

第七步，计算模糊隶属度。

假设研究区有n种厚度的土壤，那么处理后的DEM图像、Landsat 8图像以及第二步建立的环境要素数据库的环境要素图中，每一个像元(i，j)(i，j指图像中像元的行列号)位置的土壤与n种厚度土壤的相似度值有n个，而这n个相似度值就构成了一个n维向量也就是模糊隶属度。其中n是给定的土壤类型k的数量，表示像元(i，j)位置处的土壤个体与土壤类型之间的相似度值。

由于每个像元的土壤均有相应的环境要素属性组合，根据土壤-景观关系，计算每个像元的环境要素属性组合与n种土壤类型环境要素属性范围的相似度，然后将每个像元分配给n个土壤厚度级别，而不是分给单一土壤厚度级别，分配的比例就是模糊隶属度，由此可获得n级土壤厚度的模糊隶属度预测图(如图6)。

第八步，生成土壤厚度预测图。

将每一级土壤厚度所对应的野外实测样本点的平均厚度作为该级土壤厚度的典型厚度值进行赋值，随后在n级土壤厚度的模糊隶属度预测图和n级土壤典型厚度值的基础上，计算获得研究区大范围土壤厚度预测图，如图7所示。同时，也可以得到研究区土壤厚度分级预测图，如图8所示。

以下以对青海湖地区进行土壤厚度反演的具体实例来说明本发明基于遥感数据的土壤厚度反演方法的过程。

在该实例中，环境要素选择高程、坡度、平面曲率、剖面曲率、地形湿度指数植被覆盖度6个指标参数。采用覆盖该研究区的免费发布的90m分辨率的SRTM3数据，将高程、坡度、剖面曲率、平面曲率和地形湿度指数使用基于ArcGIS的ArcSIE模块从DEM数据中提取出来。而植被覆盖度数据利用覆盖研究区的Landsat 8数据获取。将获取的Landsat 8数据进行辐射校正和几何校正，并与DEM数据统一坐标系统和投影方式，随后根据公式(5)、公式(6)和公式(7)计算研究区植被覆盖度，由于Landsat 8数据为30m分辨率，需要再根据DEM数据的行列数进行重采样处理。

获取上述指标参数数据后，建立环境要素数据库，该数据库中包含了上述高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度信息的环境要素图(如图2为高程数据图、图3为植被覆盖度数据图)，从这些环境要素图中可根据样本点位置信息提取相应的环境要素数据。

为了获得研究区土壤厚度实测数据，选取了9条线路进行探地雷达的探测工作，测线总长度约29.23km(图4中实线所示)，通过对探地雷达探测结果的分析，确定了9条剖线的土壤层厚度和变化(以其中一条剖线为例，如图5所示)，共获得3500个土壤厚度样本点。

根据获得的3500个土壤厚度的样本，结合建立的环境要素数据库，提取3500个样本点的环境要素数据，利用人工神经网络(BP神经网络)的结构设计，建立土壤厚度与环境要素之间的关系。本例中将探地雷达所采集的土壤厚度分为5个级别，每一级厚度均对应一定数量的样本点，而每一个样本点又对应高程、坡度、剖面曲率、平面曲率、地形湿度指数和植被覆盖度6种环境要素属性组合。由此，可以确定每一级土壤厚度所对应的每种环境要素的属性范围或者是关键阈值，即土壤-景观关系，以土壤-景观关系为基础，引入模糊推理方法，建立土壤-景观模型，并利用该模型作为下述步骤中土壤模糊隶属度的计算依据。

上述建立的土壤-景观关系中，研究区的土壤被分为5种厚度，因此，可以得到5级土壤厚度的模糊隶属度预测图，以第一级别土壤厚度为例，模糊隶属度预测图如图6所示。

将实测区样本点按照划分的5级土壤厚度分别进行分级和平均，得到每一级的平均厚度作为该级别的典型土壤厚度值。随后在5级土壤厚度的模糊隶属度预测图和5级典型土壤厚度值的基础上，计算获得研究区土壤厚度预测图，如图7。同时，也可以得到研究区土壤厚度分级预测图，如图8。

为了对预测结果进行验证，利用野外实测土壤厚度作为验证点，验证点在图像中的位置如图8所示，总共为122个实测验证点，提取图中122个验证点的土壤厚度级别，并与验证点实测值进行比较，分级正确的点为80个，其分类精度达到65.57％，在目前的土壤厚度遥感反演领域属于较高的分类精度。

综上所述，由于采用了以上技术方案，本发明的基于遥感数据的土壤厚度反演方法，至少具有以下优点：

(1)本发明的基于遥感数据的土壤厚度反演方法，可满足大范围区域研究，人为误差小，准确度高，易于建立，省时省力。

(2)本发明反演出来的土壤厚度结果是空间上连续变化的，避免了传统方法非此即彼的二值分类的问题。

(3)本发明可扩展性高，在应用的过程中，可根据实际情况，进行土壤环境要素的增减，环境要素数据库运用的灵活度高。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (7)

1.一种基于遥感数据的土壤厚度反演方法，其特征在于，包括以下步骤：

A.选取与土壤厚度相关的环境要素，获取研究区各样点的环境要素数据，构建环境要素数据库，所述环境要素至少包括地形因素指标；

B.在研究区选定实测区，利用探地雷达测定所述实测区的土壤厚度，获得大量土壤厚度样本点；

C.从所述环境要素数据库中提取实测区所述土壤厚度样本点所对应的环境要素数据，根据所述实测区的土壤厚度数据及环境要素数据，利用人工神经网络建立土壤厚度与环境要素之间的关系，确定各环境要素与土壤厚度的相关性，并确定各环境要素的权重；

D.将实测区土壤厚度设为多级，根据所述各环境要素与土壤厚度的关系，利用案例推理方法，确定实测区每一级土壤厚度所对应的环境要素的属性范围或者关键阈值及权重，建立土壤-景观关系；

E.根据所述土壤-景观关系，利用模糊推理方法，构建建立土壤-景观模型；

F.根据所述土壤-景观模型，计算研究区各样点的环境要素属性与不同土壤厚度级别对应的环境要素属性的相似度，分别绘制研究区各级土壤厚度的模糊隶属度预测图；

G.对各级土壤厚度进行赋值，根据各级土壤厚度的模糊隶属度预测图和各级土壤厚度赋值，计算获得研究区大范围土壤厚度预测图。

2.根据权利要求1所述的一种基于遥感数据的土壤厚度反演方法，其特征在于，所述步骤G中对各级土壤厚度进行赋值是通过将所述实测区的土壤厚度样本点按照各级土壤厚度分级后平均，得到每一级的平均厚度作为该级别的土壤厚度赋值。

3.根据权利要求1所述的一种基于遥感数据的土壤厚度反演方法，其特征在于，所述步骤A中的地形因素包括高程、坡度、平面曲率、剖面曲率和地形湿度指数。

4.根据权利要求1所述的一种基于遥感数据的土壤厚度反演方法，其特征在于，所述地形因素数据利用ArcGIS从数字高程模型中获取。

5.根据权利要求1-4任一项所述的一种基于遥感数据的土壤厚度反演方法，其特征在于，所述步骤A中的环境要素还包括植被覆盖度。

6.根据权利要求5所述的一种基于遥感数据的土壤厚度反演方法，其特征在于，所述植被覆盖度通过覆盖研究区的光学影像数据获取。

7.根据权利要求6所述的一种基于遥感数据的土壤厚度反演方法，其特征在于，所述光学影像数据采用Landsat 8影像数据。