基于地貌類型的土壤有機質多光譜遙感反演

楊建鋒，馬軍成，王令超

（1.河南省科學院 地理研究所，河南 鄭州450052）

基于地貌類型的土壤有機質多光譜遙感反演

楊建鋒1，馬軍成1，王令超1

（1.河南省科學院 地理研究所，河南 鄭州450052）

基于地貌類型分析土壤有機質含量與多光譜遙感影像光譜波段之間相關關系，構建不同地貌類型區有機質含量反演模型。結果表明，各波段光譜反射率與土壤有機質含量均呈負相關關系。利用SPSS軟件對所有波段進行剔除變量（remove）線性回歸分析，當全部波段參與構建反演模型時，一次反演模型擬合效果較好。分地貌類型區構建土壤有機質反演模型精度高于整個區域反演模型精度，與實際值對比，當允許誤差為7%時，土壤有機質含量識別度為91．65%。基于地貌類型構建土壤有機質含量反演模型提取研究區土壤有機質含量切實可行，且精度較高。

地貌類型；多光譜；回歸分析；土壤有機質

利用遙感影像直接獲取土壤有機質含量，是當前土壤學研究的一個熱點[1-4]。Palacios-Orueta等用分級前臺本底分析法（HFBA）從土壤化學成分差異的不同等級中提取光譜信息，依次得到一系列訓練矢量用來在AVIRIS影像中判斷有機質含量[5]。Chen等分析地表土壤有機碳含量與航空相片的紅、綠、藍波段圖像亮度值之間的統計關系，建立一個對數方程預測地表有機碳含量[6]。Fox等利用數字攝影系統確定包含紅波段和近紅外波段的圖像亮度值的土壤線，用于表層土有機質制圖[7]。曾志遠利用資源衛星多光譜圖像，借助多元非線性回歸方法，探測土壤表層（0～20 cm）有機質含量和全氮含量，把有機質含量和全氮含量表示成衛星圖像4個波段輻射值的函數，所得的回歸方程在0．01 水平上顯著[8]。徐彬彬、戴昌達通過對南疆土壤研究發現，土壤有機質與土壤光譜在600 nm 波段處的弓曲差（即土壤光譜反射曲線在550 nm 和650 nm 2個波段的光譜反射系數的平均值與600 nm 波段處的光譜反射系數的差值）呈極顯著負相關，并可用這一關系通過光譜反射系數預測分析土壤有機質的含量[9]。劉煥軍等以田間原狀黑土野外實測高光譜反射率為研究對象,分析黑土有機質的光譜響應波段,運用光譜分析方法提取光譜指數,建立基于反射光譜特征的黑土有機質高光譜預測模型[10]。

目前土壤有機質含量遙感估測研究主要集中在敏感波段分析、研究區域尺度、遙感影像來源以及反演模型建立等方面。本文以地貌類型為依據，獲取不同地貌類型區的土壤有機質含量數據和遙感光譜數據，尋找不同光譜波段的有機質含量光譜特征，并構建不同地貌類型下的有機質含量反演模型，探求分地貌類型構建反演模型的可行性[11-17]。

1 數據與方法

1.1 研究區域

宜陽縣位于東經111°45'～112°26'、北緯34°16'～34°42'之間，總土地面積1 666．25 km2。宜陽縣地形復雜，山區位于西南部，丘陵區位于北部和東南部，川區位于縣境中部、洛河兩岸。根據地貌特征，可將宜陽縣分為宜北丘陵區、洛河川區和宜南山地區。

為了確保模型的科學性，需要采用建模區以外的數據進行驗證和反演，同時，為了使建模區和驗證區都具有代表性，根據宜陽縣的地貌特征，將研究區域分為東西兩部分。西部為建模區，東部為驗證區。基本思路是從建模區提取耕地質量信息建立模型，用驗證區的信息對模型進行驗證。

1.2 遙感影像數據選擇

目前基于高光譜技術的土壤有機質反演多集中在室內或田間操作層面[18]，基于航空高光譜遙感影像反演土壤有機質的研究還少有嘗試[19]。綜合考慮各種數據源的優缺點及資料獲取的難度等實際需要，選取Landsat多光譜影像作為數據源，為了取得研究區域裸露地面的土壤光譜數據，本文選取2008年10月份的空間分辨率為30 m的Landsat多光譜影像。

1.3 土壤樣點采集

土壤樣點進行實地采集，土樣風干、過篩后采用重鉻酸鉀容量法測定土壤有機質含量。每個樣點取樣深度為0～20 cm，在30 m×30 m內采用5點取樣法獲得。根據研究需要，在建模區采集了121個樣點，驗證區采集了24個樣點，最終采樣共145個。

1.4 數據預處理

采用地面控制點多項式校正方法對遙感圖像進行幾何校正，采用內部平均法對遙感影像進行反射率反演。這種方法僅從圖像數據本身進行反射率反演，不需要其他輔助數據，基本屬于數據歸一化范疇，但計算所得的反射率都是相對反射率。利用ArcGIS軟件對土壤樣點數據進行管理，并轉換到與遙感影像相同的地理坐標系統，以進行空間疊加分析。

1.5 反演方法

本文反演模型的建模思路為：①根據樣點位置，提取相對應的遙感影像光譜波段，計算各波段光譜反射率。②根據地貌類型，進行土壤樣點分組。③利用SPSS軟件分析各組各波段光譜反射率與土壤有機質含量相關關系。④構建各組土壤有機質含量識別模型。⑤對所有樣點土壤有機質含量和光譜反射率進行相關關系分析。⑥基于所有樣點與光譜反射率相關關系，構建土壤有機質含量反演模型。⑦進行精度檢驗。⑧根據反演模型進行有機質含量遙感識別及驗證。

2 反演模型構建

利用SPSS軟件分析土壤有機質含量和地物光譜反射率之間的相關關系，尋找不同光譜波段的有機質特征波譜特征，利用分析結果進行回歸分析并建立土壤有機質含量的光譜預測模型。反演模型構建在建模區域內進行。

2.1 相關分析結果

在樣點分組及其對應位置的波段光譜反射率計算完成后，采用SPSS軟件的相關分析功能模塊，對土壤有機質含量和各波段光譜反射率之間相關關系進行分析，結果見表1。

表1 土壤有機質含量和各波段光譜反射率相關關系

從表1可知，不同地貌類型區各波段光譜反射率與土壤有機質含量均呈負相關關系，除宜南山地區B5波段相關系數在α=0.05水平上有顯著性意義外，其余相關系數均為在α=0.01水平上有顯著性意義。宜北丘陵區在B4和B7波段，宜南山地區在B7波段，洛河川區在B4和B7波段，全部區域在B3波段相關性最強。

2.2 反演模型構建

利用SPSS軟件對所有波段進行剔除變量線性回歸分析。結果表明，參與回歸的波段不同，其構建的反演模型確定系數也有所不同，當全部波段參與構建反演模型時，一次反演模型擬合效果較好。各地貌類型區反演模型見表2。

表2 各地貌類型區反演模型

2.3 驗證分析

根據反演模型，分地貌類型區和全部區域提取土壤有機質含量，將驗證區的土壤有機質含量識別值與其對應的土壤有機質含量實際值進行對比分析，結果見表3。從表3可以得出，宜北丘陵區、宜南山地區和洛河川區的土壤有機質反演模型識別差值絕對值均小于整個建模區反演模型識別差值絕對值，即以地貌類型為依據，構建地貌類型區土壤有機質反演模型精度高于整個建模區土壤有機質反演模型精度。鑒于此，以地貌類型為依據，構建各區土壤有機質反演模型提取研究區土壤有機質含量分布切實可行且精度較高。

表3 反演模型識別值與實際值差值

3 土壤有機質反演識別

分地貌類型，利用構建模型對土壤有機質進行反演識別，結果見圖1。

圖1 宜陽縣土壤有機質含量遙感識別圖

以宜陽縣土壤有機質含量專題圖和實地調查獲取的數據為基準，計算土壤有機質差值的絕對值與其比值，獲取土壤有機質含量識別誤差。當誤差≤1，有機質誤差分布累計頻率為61．25%，且隨著誤差范圍的增大，有機質誤差分布累計頻率逐步遞增。當誤差≤7時，累計頻率已達到91．65%。也就是說，隨著允許誤差的增大，模型反演有機質含量的識別度也逐步增大。當允許誤差為5%時，識別度為87．51%，當允許誤差為7%時，識別度為91．65%，當允許誤差為9%時，識別度高達94．27%,當允許誤差為11%時，識別度高達96．27%。

對比土壤有機質含量專題圖和遙感識別圖發現，基于遙感技術識別的土壤有機質含量圖件能直觀反映出土壤有機質含量的分布特征，且對局部細節特征表達較為細膩。

4 結 語

1）基于地貌類型分區域構建模型對土壤有機質含量進行識別，不僅識別精度高，而且能清楚表達土壤有機含量的各局部特征，其成果可為土地資源遙感監測與評價、糧食產能核算等工作提供科學依據。

2）多光譜數據與高光譜數據相比，在定量分析土壤屬性及其含量上有一定差距，可以通過分析土壤高光譜反射率曲線的特征，確定影響土壤光譜反射曲線的主要特征控制點，簡化土壤光譜反射率曲線，然后利用現有多光譜數據模擬高光譜反射率曲線，用于定量分析土壤屬性及其含量[10]。這也是本文需要進一步深入研究的內容。

3）目前，關于遙感識別土壤有機質含量的研究存在諸多不一致性，如結論不一致、尺度不一致以及運用的遙感數據各不相同等，針對不同的研究區選取的敏感波段和建立的反演模型也不盡相同[20]，因此需要更多此類研究進一步討論以確定通用性強的方法與模型[21]。

[1] Sparling G P, Wheeler D, Vesely E T, et al． What is Soil Organic Matter Worth? [J]． Journal of Environmental Quality, 2006,35 (2):548-557

[2] 高祥照,胡克林,郭焱,等．土壤養分與作物產量的空間變異特征與精確施肥[J]．中國農業科學, 2002,35(6) :660-666

[3] 陳慶強,沈承德,易惟熙,等．土壤碳循環研究進展[J]．地球科學進展,1998,13(6) :555-563

[4] 程彬,姜琦剛,王坤,等．遙感在土壤有機質含量估算中的應用及其研究進展[J]．山東農業大學學報:自然科學版,2011,42(2) :317-321

[5] Palacios-Orueta A, Pinzon J E, Ustin S L,et al． Remote Sensing of Soils in the Santa Monica Mountains: II． Hierarchical Foreground and Background Analysis [J]． Remote Sensing of Environment,1999 (68):138-151

[6] Chen F, Kissel D E, West L T, et al． Field-scale Mapping of Surface Soil Organic Carbon Using Remotely Sensed Imagery [J]．Soil Science Society of America Journal, 2000 (64): 746-753

[7] Fox G A, Sabbagh G J． Estimation of Soil Organic Matter from Red and Near-infrared Remotely Sensed Data Using a Soil Line Euclidean Distance Technique [J] ．Soil Science Society of America Journal, 2002 (66): 1 922-1 929

[8] 曾志遠．土壤肥力的衛星遙感探測[J] ．土壤,1987 (2) : 73-78 [9] 徐彬彬,戴昌達．南疆土壤光譜反射特性與有機質含量的相關分析[J] ．科學通報,1980(6) :282-284

[10] 劉煥軍,張新樂,鄭樹峰,等．黑土有機質含量野外高光譜預測模型[J]．光譜學與光譜分析,2010,30(12) :3 355-3 358

[11] 陳增文,陳光水,鐘羨芳,等．基于高光譜遙感的土壤有機碳含量估算研究進展[J]．亞熱帶資源與環境學報,2009, 4(1) : 78-87

[12] 張文娟,王紹強,常華,等．遙感在土壤碳儲量估算中的應用[J]．地理科學進展, 2005, 24(3) :118-126

[13] 李欣宇,宇萬太,李秀珍,等．基于TM影像的表層土壤有機碳空間格局[J]．生態學雜志, 2008, 27(3) :333-338

[14] 尹云鋒,蔡祖聰,欽繩武,等．長期施肥條件下潮土不同組分有機質的動態研究[J]．應用生態學報,2005, 16(5) :875-878 [15] 楊景成,韓興國,黃建輝,等．土壤有機質對農田管理措施的動態響應[J]．生態學報, 2003, 23(4) :787-796[16] 楊建鋒,馬軍成,王令超． 基于多光譜遙感的耕地等別識別評價因素研究[J]．農業工程學報, 2012,28(17) :230-236

[17] 程朋根,吳劍,李大軍,等．土壤有機質高光譜遙感和地統計定量預測[J]．農業工程學報, 2009,25(3) :142-147

[18] 劉煥軍,張柏,劉殿偉,等．基于反射率模擬模型的黑土有機質含量估測[J]．光譜學與光譜分析,2008,28(12):2 947-2 950

[19] Gomez C, Rossel R A V, McBratney A B． Soil Organic Carbon Prediction by Hyper Spectral Remote Sensing and Field VIS-NIR Spectroscopy: An Australian Case Study[J]． Geo Derma,2008 (146): 403-411

[20] 賀軍亮,蔣建軍,周生路,等．土壤有機質含量的高光譜特性及其反演[J] ．中國農業科學,2007,40(3) :638-643

[21] 張法升,曲威,尹光華,等．基于多光譜遙感影像的表層土壤有機質空間格局反演[J]．應用生態學報,2010,21(4) :883-888

P237.9

B

1672-4623（2015）02-0048-03

10.3969/j.issn.1672-4623.2015.02.018

楊建鋒，助理研究員，主要研究地理信息系統、土地資源評價。

2014-03-27。

項目來源：國土資源部公益性行業科研資助項目（201011006）；河南省省屬科研單位社會公益資助項目（200882）；河南省科學院基本科研資助項目（51.12.04）。