土壤的空间分布在农业生产、资源利用等方面起着相当重要的作用。基于传统土壤普查的方式主要由土壤专家根据经验知识并通过实地勘察获取土壤—景观模型,再结合其他资料如地形数据、卫星影像、航片的判读技术来确定不同类型的土壤空间分布,最后运用手工绘制土壤图。其过程费时费力,且制图精度较低。随着现代农业生产与发展需求逐渐增多,传统土壤普查方法难以满足当下农业精细化的发展要求。近年来,随着3S技术和数据挖掘算法的不断发展,数字土壤制图日渐成为一种时兴的土地调查技术。在数字土壤制图研究领域,如何选择反映土壤变化的环境协同变量是一个关键问题。遥感影像因其快速成像、易于获取、分辨率高、下垫面数据信息丰富等特点,其衍生的光谱信息、植被指数、纹理特征等数据逐渐作为新的变量应用于土壤制图。本文研究区为湖北红安县华家河镇滠水河流域,以传统土壤图为数据源,运用遥感影像数据(landsat-8 OLI、sentinel-2A/B、GF-2)结合随机森林算法实现对土壤类型图的更新。具体研究包括基于多分辨率遥感数据和基于多时序遥感数据两个部分进行推理制图:基于多分辨率的遥感数据的推理制图。本部分研究选取Landsat-8(30米)、哨兵2号(10米)、高分2号(2米)单幅影像作为遥感数据源,分别提取第一主成分、光谱指数、纹理特征等遥感变量,结合母质和地形因子组成环境因子数据集。为保证实验变量唯一的原则,此过程不做环境因子筛选。运用随机森林算法进行土壤类型预测和制图,并通过实地采样点对制图结果精度评价,探究不同分辨率遥感数据下影响土壤类型空间分布的环境因子。从制图结果和验证精度可得出:Landsat-8OLI(30米)的总体制图精度为81.4%,Kappa系数为0.76,Sentinel-2A/B(10米)的总体制图精度为81.8%,Kappa系数为0.77,GF-2(1米)的总体制图精度为80.3%,Kappa系数为0.75。三组实验的土壤空间分布在整体上趋势一致,其中Landsat-8 OLI实验组的土壤类型空间分布最接近传统土壤图,Sentinel-2A/B实验组预测土壤图的图总体分类精度最高。遥感影像的空间分辨率在一定程度上影响了预测土壤图与传统土壤图的土壤空间分布的一致性以及预测土壤图的图斑破碎程度。分辨率越高,土壤类型分布得更破碎,与传统土壤图的空间分布一致性越低。且分辨率越高,同母质下发育的土壤类型面积差异越大,在一定程度上致使分类精度降低。基于年度时序的遥感数据的推理制图。本部分研究选取制图精度最高的影像(哨兵2号)作为遥感数据源,引入基于年度时序的遥感因子作为新的辅助变量,结合母质和地形因子组成环境因子数据集。采用主成分分析、箱形图、均值处理对遥感因子进行筛选,进行分类特征提取。运用随机森林算法进行土壤类型预测和制图,并通过实地采样点对制图结果精度评价。比较用单时相遥感因子加地形因子、多时相遥感因子加地形因子两种组合方案的预测土壤图结果。从制图结果和验证精度可得出:多时相遥感影像实验组总体制图精度为83.3%,Kappa系数为0.79。两组实验的土壤空间分布在整体上趋势一致,多时相遥感实验组的土壤类型空间分布更接近传统土壤图,且多时相遥感影像实验组的总体分类精度优于单时相遥感影像实验组。多时相遥感影像实验组比单时相遥感影像实验组大部分土壤类型的分类精度得到提高。基于单时相遥感影像的预测土壤图相较于多时相影像的预测土壤图中沙泥土、沙泥田、浅潮沙田的土壤图斑更加破碎,基于多时相遥感影像制图结果的上述三类土壤图斑分布更集中,且图斑的面积有所增加,其精度也得到提高。本研究探讨了影像分辨率对土壤制图的影响,并进一步探究多时相遥感因子作为土壤-环境协同变量的可行性。加入了遥感辅助因子的预测土壤图制图精度提高,且能更加详尽表达隐含的土壤—环境知识,为拓展当前遥感数据的土壤—景观知识获取提供了理论支撑。