基于Landsat 8遙感圖像的長春中北部地區土壤有機質含量反演

摘要：以Landsat 8遙感圖像為數據源，利用FLAASH大氣校正模型對遙感圖像進行大氣校正，結合野外土壤采樣的有機質含量化驗數據，采用逐步回歸分析的方法，對研究區土壤有機質含量進行定量反演。結果表明，土壤有機質含量與Landsat 8遙感圖像反射率在近紅外波段具有較強的負相關性，對反射率進行適當的數學變換可以有效提高與有機質的相關性，由此而建立起來的逐步回歸反演模型，其決定系數r2=0.925，總均根方差RMSE=0.171，說明該反演模型有較高的精度與穩定性。根據上述反演模型，結合遙感影像分類結果，對研究區土壤有機質含量進行反演，結果顯示，研究區內土壤有機質含量呈東高西低之勢，東部、南部地區土壤有機質含量普遍高于3%，而西部、北部地區土壤有機質含量普遍低于2%。

關鍵詞：Landsat 8 OLI；有機質；定量反演；多光譜遙感；長春東北部地區

中圖分類號： TP79；S127文獻標志碼： A

文章編號：1002-1302（2016）12-0415-04

收稿日期：2016-08-10

基金項目：國家自然科學基金（編號：41371332）；中國地質調查局項目（編號：1212010911084）；遼寧省交通高等專科學校優秀人才項目（編號：lnccrc201401）。

作者簡介：馬馳（1975—），男，遼寧義縣人，博士，副教授，主要從事RS與GIS應用研究。Tel：（024）89708763；E-mail：machi1001@sina.com。

土壤中有機質（SOM）含量是衡量土壤肥力的重要指標，測量土壤中有機質含量是判斷土壤肥力的重要途徑[1]。有機質在土壤中的含量雖然很少（一般小于10%），但是大量研究證明，土壤中的有機質與土壤的母質、含水量、氧化鐵含量等共同影響著土壤的光譜特征[2]。傳統的土壤有機質含量空間預測多采用采樣點的空間插值來繪制有機質空間分布圖，該方法具有一定的可行性，但難以考慮到多種成土因素對有機質含量的空間變異性影響，無法獲得客觀的土壤有機質空間分布結果。

遙感技術具有數據獲取時間短、覆蓋范圍廣、信息量豐富、生產成本低等優點，近年來國內外諸多學者相繼展開了利用遙感技術對于土壤有機質含量的相關研究，并取得了一定的研究成果。在信息源的選取方面，主要集中于多光譜遙感[3]和高光譜遙感[4-5]2種途徑；在數據處理與分析方法方面，主要采用定性分類[6-7]和定量反演[8]2種方法。總結前人利用高光譜遙感技術對于土壤的研究成果可知：利用光譜儀獲得的高光譜數據只能在田間或實驗室進行，研究結果的實用性不強；基于高光譜遙感圖像反演土壤有機質、氮等成分的研究還少有嘗試，且高光譜遙感圖像數據的獲取成本較高，各波段間具有很強的相關性，難以獲得普遍應用；利用分類的方法只能進行土壤定性分類制圖，難以實現土壤成分的定量分析目的。

本研究以2013年2月升空的Landsat 8陸地成像儀（OLI）多光譜遙感圖像為數據源，結合實地土壤采樣的化驗數據，定量反演吉林省長春市中北部地區農安縣、德惠市土壤的有機質含量，為區域土壤質量監測、土地資源的可持續利用提供數據支持。研究區地處東北平原黑土區與鹽堿土區的交接地帶，東部是我國最大的黑土區，是我國重要的糧食生產基地，西部的白城市以及松原市西部地區是我國最大的蘇打鹽堿土區。因此，對研究區內土壤有機質含量進行監測，可為預防土壤退化、加強區域農業生產管理和土地的可持續利用提供科學依據。

1研究區概況

農安縣與德惠市位于長春市中北部、松遼平原中部腹地，124°36′～126°24′E、43°56′～44°52′N，東隔松花江與榆樹市、舒蘭縣相望，西與乾安縣、長嶺縣接壤，南與九臺市、長春市相連，北與扶余縣毗鄰，氣候屬溫帶半濕潤季風氣候，年平均降水量400～500 mm，平均海拔100～200 m，全年無霜期114 d，多年平均氣溫4.8 ℃，土壤類型主要為黑土和黑鈣土，地方性土壤有草甸土、沖積土、風沙土等。

2研究方法

2.1土壤采樣與處理

2015年5月22—24日在研究區內進行土壤采樣，采樣點均勻分布于研究區內，采樣過程中同時考慮土壤類型和交通的便利性，獲取土壤樣品54個（采樣路線如圖1），采樣點覆蓋研究區內的黑土區與黑鈣土區。土壤采樣過程中采用4點混合法采集土壤樣本，采樣深度為耕作層0～15 cm，每個土樣約1 kg，將土壤樣本裝入密封袋保存。采樣的同時利用手持全球定位系統（GPS）接收機記錄采樣點空間位置，用以確定采樣點與遙感影像的點位關系。為了提高土樣中有機質含量的化驗精度，將土壤樣本在實驗室風干、研磨，并剔除土樣中的小石塊、植物根須、動物殘體等雜質，并將土樣過2 mm篩。土壤有機質含量測定采用重鉻酸鉀-硫酸法，在加熱條件下用一定濃度的重鉻酸鉀-硫酸溶液氧化土樣中的有機質，多余的重鉻酸鉀采用硫酸亞鐵滴定，根據重鉻酸鉀消耗量計算土樣中有機質含量。

[FK（W19][TPMC1.tif]

2.2遙感數據及數據預處理

Landsat 8是最新型號的Landsat系列對地觀測遙感衛星，由美國地質調查局于2013年2月發射。該衛星搭載了2個傳感器：OLI和熱紅外傳感器（TIRS），其中OLI包括1個分辨率為15 m的全色波段、7個分辨率為30 m的可見光與近紅外波段及1個短波紅外卷云識別波段，而TIRS設置了2個熱紅外波段[9-10]。本研究選取2015年4月13日Landsat 8遙感圖像1景，軌道號為118-029，云覆蓋量為0.4%，并對圖像進行預處理，主要包括圖像輻射定標、大氣校正、幾何精校正及圖像裁剪。在ENVI軟件中將圖像的灰度值轉換成輻亮度值，完成輻射定標；利用FLAASH進行大氣校正，校正過程中主要參數設置：大氣模型設置為Sub-Arctic Summer，氣溶膠模型設置為Urban，氣溶膠反演模型為2-Band（K-T），能見度設置為默認值（40），輸入正確的圖像采集時間、研究區平均海拔等；在ERDAS軟件中對影像進行幾何精校正，校正誤差控制在1個像素以內；在ERDAS軟件中建立感興趣區，并對圖像進行裁剪，獲得覆蓋研究區的遙感圖像。

2.3反演建模及模型檢驗

大量研究表明，對遙感圖像中地物反射率進行適當的數學變換可以削弱圖像中噪聲對目標光譜的影響，增強反射率及其變換形式與土壤成分之間的相關性，從而提高土壤成分的反演精度[11-12]。本研究將大氣校正后遙感圖像的反射率進行倒數（1/R）、對數lnR、一階微分（R′）、倒數的對數ln（1/R） 等數學變換，構建光譜分析指數。

將采集的土壤樣本隨機分為2個部分：44個建模樣本、10個檢驗樣本。利用SPSS統計分析軟件，采用數理統計的方法對隨機選取的建模樣本土壤有機質含量與反射率及其變換形式進行統計分析，獲取兩者的相關性，并采用多元回歸分析方法，建立土壤有機質含量的反演模型。

對反演模型的檢驗包括2個方面：反演模型的精度、穩定性和模型預測能力，采用決定系數r2和總均根方差（RMSE）進行檢驗。模型的決定系數r2介于0（模型精度最差、最不穩定）和1（模型精度最高、最穩定）之間，決定系數r2越大說明模型越穩定、精度越高；模型的預測能力采用檢驗樣本總均根方差（RMSE）進行檢驗，RMSE越小，模型的預測能力越強、精度越高。從統計學意義上來說，一個好的預測模型，r2應該盡量大，而RMSE應盡量小。

2.4研究區土壤的決策樹分類

決策樹（decision tree）又稱為判定樹，是現階段遙感圖像定性分類的一種常用方法。其中的每個內部結點代表對某個屬性的1次測試，每條邊代表1個測試結果，葉結點代表某個類或者類的分布。本研究利用決策樹分類方法，引入歸一化差分植被指數（NDVI）、歸一化城鎮指數（NDBI）、歸一化差異水體指數（MNDWI）等[分別見式（1）、式（2）、式（3）]多種分類指標，結合研究區內主要地物在Landsat 8遙感圖像中的光譜特征，定性分類出研究區內耕地及裸土區域，用以反演土壤有機質含量。相關公式如下：

[JZ（]NDVI=[SX（]M5-M4M5+M4[SX）]；[JZ）][JY]（1）

[JZ（]NDBI=[SX（]M5-M6M5+M5[SX）]；[JZ）][JY]（2）

[JZ（]MNDWI=[SX（]M6-M3M6+M3[SX）]。[JZ）][JY]（3）

式中：M表示各波段反射率；數字為波段號。

3結果與分析

3.1反射率與土壤有機質含量的相關性分析及回歸建模

相關性分析可以通過數值或圖形的形式揭示變量間統計關系的強弱程度，獲得土壤有機質含量與反射率顯著相關的波段，從而提高土壤有機質含量反演的精度。本研究將土壤樣本有機質含量的化驗數據與影像上相應采樣點的光譜反射率進行相關性分析。

圖2顯示，土壤中有機質含量與Landsat 8圖像7個波段的反射率都呈負相關。其中，土壤有機質含量與第6波段相關性最好，相關系數r=-0.853，決定系數r2=0.728，P值=0.000，達到顯著水平。其次為第7波段，相關系數r=-0.837，決定系數r2=0.701，P值=0.000，達到顯著水平。再次為第5波段，相關系數r=-0.821，決定系數r2=0.675，P值=0.000。有機質含量與第1波段相關性最差，相關系數r=-0.216，P值=0.441，未達到顯著水平。

利用Landsat 8遙感圖像第2～7波段反射率，采用逐步[JP2]回歸分析的方法，建立土壤有機質含量反演模型：SOM含量=9.215×M4-23.059×M6+4.116，模型的決定系數r2=[JP3]0824，P值=0.000，達到顯著狀態，總均根方差RMSE=0.247。

[TPMC2.tif]

利用反射率建立起有機質含量反演模型，依據檢驗樣本在Landsat 8遙感圖像中的相應反射率，獲得10個檢驗樣本土壤有機質含量的預測值，預測值與實測值一起建立散點圖。圖3顯示，檢驗樣本的預測值與實測值較均勻地分布于1 ∶[KG-*3]1直線兩側，決定系數r2=0.941，P值=0.000，達到顯著狀態，總均根方差RMSE=0.166。

[TPMC3.tif]

3.2反射率變換形式與土壤有機質含量的相關性分析及回歸建模

將反射率進行倒數、對數、一階微分、倒數的對數、對數的一階微分等數學變換，研究它們與土壤有機質含量的相關性，土壤反射率及各變換形式所對應特征波段及各分析指數與有機質含量的相關系數如表1所示，結果顯示，將反射率圖像進行倒數、對數、倒數的對數變化以后，與土壤有機質含量的相關性均有不同程度地提高。其中，反射率的倒數、倒數的對數變換與土壤有機質含量呈正相關，而反射率的對數變換與土壤有機質含量呈負相關，相關系數達到-0.941。圖像的反射率經過一階微分以后，與土壤有機質含量的相關性雖然也達到了顯著水平，但比變換前與有機質含量的相關性有所降低，而反射率對數的一階微分與有機質含量相關性與變換前相比無明顯改善。

[FK（W4][HT6H][JZ]表1反射率及變換形式的有機質特征波段位置及相關系數[HTSS]

[HJ*5][BG（！][BHDFG1*2，WK5，WK4。6W]光譜變量R1/RlnRln（1/R）（R）′ln（R）′

[BHD]入選波段677342

[BHDW]相關系數-0.8530.926-0.9410.912-0.802-0.883[BG）F]

將反射率及其變換形式與土壤有機質含量進行逐步回歸分析，建立土壤有機質含量的反演模型：SOM含量=-16.187×M6+0.139/M7-0.512×（lnM2）′+6.467，模型的決定系數r2=0.925，P值=0.000，達到顯著狀態，總均根方差RMSE=0.171。

[JP2]利用反射率及其變換形式所建立的有機質含量反演模型，依據檢驗樣本所處位置的反射率，計算檢驗樣本有機質含量的預測值，與實測值建立散點圖，如圖4所示，檢驗樣本的預測值與實測值均勻分布于1 ∶[KG-*3]1直線兩側，決定系數r2=0965，P值=0.000，達到顯著狀態，總均根方差RMSE=0119，說明該反演模型可以很好地反演研究區內土壤有機質含量。

[TPMC4.tif]

3.3研究區土壤有機質含量的空間分布格局

考察“3.1”與“3.2”節的反演模型精度，選擇基于 Landsat 8 圖像光譜指數建立的土壤有機質含量的反演模型，反演研究區土壤有機質含量，并作圖，獲得長春市中北部地區土壤有機質含量的空間分布與格局。圖5顯示，研究區內土壤有機質含量分布不均，空間差異較大，東部地區土壤有機質含量明顯高于西部地區，東部、南部地區土壤有機質含量普遍高于3%，而西部、西北部地區土壤有機質含量普遍低于2%，特別是研究區西北部（農安縣西北部與松原市交界地帶），土壤有機質含量處于較低水平，甚至低于1%。根據土壤實地調查可知，研究區東部地區處于我國黑土區邊緣地帶，地勢低平，土壤表層為松軟的暗色腐殖質層，土質肥沃，是我國重要的糧食生產基地，因此土壤有機質含量反演值較高；研究區西部、北部為黑鈣土區，并接近我國最大的蘇打鹽堿土區，一方面土壤有機質含量較低（低于2%），另一方面土壤中較高的鹽分掩蓋了土壤中有機質的光譜特征，使農安縣西部、北部地區土壤有機質含量反演值較低。

[FK（W14][TPMC5.tif]

4討論與結論

利用遙感手段研究表層土壤有機質含量空間分布的方法具有省時省力且可信度較高等特點，為土壤環境的監測與可持續利用開辟了一條良好的途徑。國內外研究結果普遍認為，土壤中有機質的光譜特征主要表現在有機質對入射光能的吸收作用，土壤反射率會隨著有機質含量的升高而降低，但在估算有機質含量過程中所選擇的反射率波段和估算模型等方面，不同學者的研究結論有所差異，但總的趨勢相同。Ben-Dor 通過研究認為，土壤中有機質含量對整個可見光、近紅外、短波紅外波段的反射率均會產生影響[13]；Karnieili等研究發現，土壤有機質吸收特征主要體現在近紅外波段，且在1.720、2.180、2.309 μm處出現吸收峰值[14]；李潤林等在利用TM遙感影像研究舒蘭市土壤有機質空間分布時發現，土壤有機質含量與TM遙感影像第4（波長為0.76～0.90 μm）、第5（波長為1.55～1.75 μm）、第7波段（波長為2.08～2.35 μm）反射率相關性顯著[15]；曾遠文等利用ETM+遙感影像反演徐州礦區土壤有機質含量時發現，土壤有機質含量與ETM+影像第7波段（波長為2.08～2.35 μm）、第5波段（波長為1.55～1.75 μm）反射率相關性良好[16]；劉嬌等人采用ASD便攜式高光譜儀測定黑河流域上游位地區土壤光譜反射率，并與土壤有機質含量進行相關性分析的結果顯示，有機質含量與可見光（波長范圍0.630～0.690 μm）、近紅外（波長范圍1.550～1.750 μm）光譜范圍內反射率具有較強相關性[17]；張法升等在利用遙感技術估算土壤有機質含量時指出，將反射率進行對數、倒數等變換后可以顯著提高與有機質含量的相關系數[3-4，18]。而本研究顯示，土壤中有機質含量的差異在Landsat 8可見光及近紅外波段均有較強體現，[JP2]研究區土壤有機質含量與Landsat 8第6波段（波長為1.560～1660 μm）相關系數達到最大值，其次為第7波段（波長為2100～2.300 μm）和第5波段（波長為0.845～0.885 μm）；將反射率進行倒數、對數、倒數的對數等數學變換后，可以顯著提高與有機質含量的相關性，與以上學者的研究結論相似或相近，但所建立的反演模型卻存在差異，原因可能與遙感數據的不同、模型的選取以及研究區土壤存在差異有關。

本研究利用多元逐步回歸分析方法建立研究區土壤有機質含量回歸分析模型，反演長春市中北部地區土壤有機質含量，達到了很好的預測效果，用于檢驗樣本的預測值與實測值也具有較好的相關性，主要原因：（1）用于分析的遙感圖像獲取時間為4月，研究區內的耕地在這個時期為休耕期，地表裸露且無冰凍與積雪，因此遙感圖像上表現出來的是裸露土壤的光譜信息，不受植被、凍土等因素的影響；（2）土壤采樣點均勻分布于研究區內，可以代表研究區內土壤有機質含量的分布情況，有利于反演模型的建立。

然而，利用回歸模型獲得的檢驗樣本有機質預測值與實測值存在一定誤差，究其原因：（1）利用FLAASH大氣校正模型對遙感圖像進行大氣校正過程中，受大氣模型與氣溶膠模型的選取、研究區平均高程與大氣能見度等參數的輸入誤差影響，使大氣校正過程中可能會存在誤差；（2）由于未能獲得與采樣時間相同遙感影像，使得用于研究區土壤有機質含量反演的遙感影像（成像時間為2015年4月13日）與土壤采樣（2015年5月22—24日）具有一定的時間差異，在以后研究過程中應盡量選擇與采樣時間相同的同步遙感數據以提高反演精度。

本研究以Landsat 8遙感圖像為數據源，以土壤在遙感圖像中的反射率及其多種變換形式為光譜分析指標，聯合野外土壤采樣的有機質含量化驗數據，以第2波段反射率對數的一階微分、第6波段反射率、第7波段反射率倒數為自變量，利用多元逐步回歸分析的方法建立研究區土壤有機質含量反演模型，反演長春市中北部地區農安縣、德惠市土壤有機質含量。結果顯示，以多種光譜分析指數利用逐步回歸分析的方法建立起來的有機質含量反演模型有較高的精度與穩定性。反演結果顯示，研究區內土壤有機質含量呈東高西低的趨勢，東南部地區有機質含量普遍高于3%，而西北部地區有機質含量普遍低于2%。利用Landsat 8多光譜遙感數據反演表層土壤有機質含量可以取得良好的預測結果，為土壤參數獲取提供了快速而有效的方法。

[HS2*2]參考文獻：

[1]楊揚，高小紅，賈偉，等. 三江源區不同土壤類型有機質含量高光譜反演[J]. 遙感技術與應用，2015，30（1）：186-198.

[2]蘭澤英，劉洋. 樂安河流域土壤重金屬含量高光譜間接反演模型及其空間分布特征研究[J]. 地理與地理信息科學，2015，31（3）：26-31.

[3]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）：884-888.

[4][JP3]顧曉鶴，王堃，潘瑜春，等. 基于HJ1A-HSI超光譜影像的耕地[JP3]有機質遙感定量反演[J]. 地理與地理信息科學，2011，27（6）：70-73.

[5]李洪. 官廳水庫消落帶土壤有機質分布特征及其高光譜反演研究[D]. 北京：首都師范大學，2014.

[6][JP2]徐劍波，宋立生，趙之重，等. 近15a來黃河源地區瑪多縣草地植被退化的遙感動態監測[J]. 干旱區地理，2012，35（4）：615-622.

[7]印影，姜琦剛，林楠. 資源一號02C星數據在土地利用分類中的應用[J]. 科學技術與工程，2014，14（29）：260-264.

[8]張娟娟，田永超，姚霞，等. 基于高光譜的土壤全氮含量估測[J]. 自然資源學報，2011，26（5）：881-890.

[9]徐涵秋，唐菲. 新一代Landsat系列衛星：Landsat 8 遙感影像新增特征及其生態環境意義[J]. 生態學報，2013，33（11）：3249-3257.

[HT8.]

[10][JP3]李旭文，牛志春，姜晟，等.Landsat 8衛星OLI遙感影像在生態環境監[JP2]測中的應用研究[J]. 環境監控與預警，2013，5（6）：1-5.

[11]馬馳. 松嫩平原土地鹽堿化研究[J]. 吉林農業大學學報，2014，36（3）：333-337.

[12]欒福明，張小雷，熊黑鋼，等. 基于TM影像的荒漠—綠洲交錯帶土壤有機質含量反演模型[J]. 中國沙漠，2014，34（4）：1080-1086.

[13]Ben-Dor E.Quantitative remote sensing of soil properties[J]. Advances in Agronomy，2002，75：173-243.

[14]Karnieli A，Verchovsky I，Hall J K，et al.Geographic information system for semi-detailed mapping of soil in semi-arid region[J]. Geocarto International，1998，13（3）：29-42.

[15]李潤林，姚艷敏. 基于TM影像和地形數據的土壤有機質空間分布[J]. 湖北農業科學，2014，53（2）：312-316.

[16]曾遠文，陳浮，王雨辰，等. 采煤礦區表層土壤有機質含量遙感反演[J]. 水土保持通報，2013，33（2）：169-172.

[17]劉嬌，李毅，劉世賓. 光譜測定黑河上游土壤有機質的預測模型[J]. 光譜學與光譜分析，2013，33（2）：3354-3358.

[18]李媛媛，李微，劉遠，等. 基于高光譜遙感土壤有機質含量預測研究[J]. 土壤通報，2014，45（6）：1313-1318.