基于Landsat8 OLI影像光譜的土壤鹽分估算模型研究

張雅莉， 塔西甫拉提·特依拜， 阿爾達克·克里木， 張 東，依力亞斯江·努爾麥麥提， 張 飛

(1.新疆大學資源與環境科學學院,烏魯木齊 830046； 2.新疆大學綠洲生態教育部重點實驗室,烏魯木齊 830046)

0 引言

土壤鹽漬化是土地退化和土壤荒漠化的主要表現之一，已經嚴重制約綠洲農業經濟的可持續發展，威脅綠洲生態環境穩定，是世界各國所面臨的主要生態環境問題之一[1-3]。新疆維吾爾自治區是我國最大的鹽漬土壤分布區，由于氣候、地質地貌、水文等自然條件以及人類對水資源的不合理開發，擾亂水、鹽原有的自然動態平衡而導致土壤次生鹽漬化大面積發展，鹽堿土的總面積達2 181.4萬hm2，占全國鹽堿土總面積(9 913萬hm2)的22.01%。大面積的土壤鹽漬化造成新疆綠洲的土壤質量不斷退化，鹽漬化災害不斷加劇，嚴重威脅當地的生態環境安全，影響社會經濟的發展[4-5]，形勢十分嚴峻。因此，準確、科學、迅速獲取鹽漬化變化的程度、定量化監測和預報鹽漬化是當前土壤鹽漬化監測研究的發展趨勢[6]。

鹽漬土是表層(0～20 cm)土壤中含易溶性鹽類含量達2 g/kg以上、只生長某些耐鹽植被的土壤。鹽漬化土壤的光譜反射率是土壤礦物成分、土壤質地、有機質含量、水分含量和地表粗糙度等諸多因素共同影響的綜合效應[7]。已有研究表明，土壤有機質、礦物質及鹽分含量等因素對土壤光譜特征都有不同程度的影響[8]，因此用遙感光譜手段研究土壤鹽漬化已受到越來越廣泛的關注。通過研究地物屬性信息與遙感數據之間的關系，可獲得土壤光譜特性與土壤含鹽量之間的相關關系，從而定量估算土壤含鹽量[9]。高光譜數據能夠完整、連續提供土壤光譜信息，反映地物光譜的細微特征[7]，具有準確、及時提取和監測土壤信息的技術優勢[10]。目前，國內外學者主要利用可見光、近紅外、熱紅外和高光譜遙感等技術，結合地面實測光譜數據，分析土壤屬性與其光譜反射率的定量關系，對土壤鹽漬化進行研究。Dehaan等[11]通過觀測和研究澳大利亞Murray-Darling盆地輕、中、重度鹽漬土以及鹽殼的光譜，發現不同鹽分含量的土壤在不同光譜波段的吸收作用有明顯差異。Farifteh等[12]利用高光譜數據進行土壤鹽漬化分類時發現，土壤反射率對土壤表層鹽分具有良好的響應特性，同時還建立了基于光譜反射率的最小二乘法與人工神經網絡對鹽漬化土壤的預測模型，認為鹽漬化土壤與其光譜反射率存在線性關系。阿爾達克·克里木等[13]以ASTER影像和實測含鹽量為基礎數據，建立了土壤含鹽量估算模型。姚遠等[14]用實測高光譜數據和電磁感應數據(EM38)系統建立了遙感監測模型，并通過TM影像進行了土壤鹽分的反演。雷磊等[15]利用野外測量的高光譜數據建立土壤鹽分反演模型，并校正HSI影像土壤含鹽量估算模型，提高了鹽漬化監測模型的精度。伍漫春等[16]則通過對試驗區不同鹽漬化程度的植被和土壤高光譜數據進行變換與分析，建立了綜合光譜指數土壤鹽漬化監測模型。但目前以新一代Landsat8陸地成像儀(Operational Land Imager，OLI)多光譜結合實測高光譜進行土壤含鹽量的反演相對較少。

本文以艾比湖流域為研究區，以OLI多光譜數據為源信息，結合實地采樣點土壤表層的高光譜數據試測，使用多元逐步回歸方法，分別構建基于OLI影像和美國ASD(Analytical Spectral Devices)光譜儀實測且經重采樣的光譜數據的鹽分估算模型，并通過比較兩者的精度，分析地面實測高光譜數據與星載多光譜數據間的相關關系，用實測光譜校正影像光譜模型，以期為提升鹽漬化土壤的多光譜遙感影像預測(或稱反演，下同)精度提供一種新思路，從而為艾比湖流域土壤鹽分快速的多光譜遙感定量監測提供技術手段，為土壤鹽漬化的改良、治理及預測提供決策依據。

1 研究區與數據源

1.1 研究區概況

研究區艾比湖流域位于新疆準噶爾盆地的西部，E79°53′～85°02′，N43°38′～45°52′之間，位于博樂市、溫泉縣和精河縣境內。該地區屬于典型的溫帶大陸性干旱氣候，年平均降水量100 mm左右，主要集中在5—8月； 多年平均蒸發量在1 600 mm以上，蒸發量遠大于降水量； 多年平均氣溫7.8 ℃，年極高、極低氣溫分別為41.3 ℃和-36.4 ℃，多年平均無霜期為190 d。位于研究區中心的艾比湖平均水深1.4 m，蓄水量7.3億m3，湖面海拔189 m。艾比湖僅靠精河和博爾塔拉河每年補給地表水6億m3，維持湖面面積在500 km2左右，是新疆第一大鹽水湖[14]。流域內的地貌景觀類型多樣，海拔由低到高依次有湖積平原、細土平原、山前沖積平原和山地丘陵，是我國少見的荒漠-湖泊濕地景觀[17]。湖濱周圍廣泛分布著鹽化草甸土、沼澤土、草甸鹽土、鹽土(鹽漬化土)、灰棕漠土和胡楊林土； 植被種類繁多，有胡楊、檉柳、梭梭、旱生蘆葦和琵琶柴等散布區內[18]。因干旱和鹽堿化的作用，植被覆蓋稀疏，大量裸地變為鹽漬地，致使湖濱地區荒漠化程度加劇，成為中國西部沙塵暴的主要發源地之一。近些年隨著湖面的縮小，地下水位進一步下降，土壤鹽漬化更加嚴重，鹽塵活動越發頻繁，生態環境遭到破壞[19-20]，直接威脅到天山北坡經濟帶的可持續發展和新亞歐大陸橋的安全運行。

1.2 野外實測樣本采集

根據研究需要，于2014年10月1—15日在艾比湖流域進行了土壤樣本數據采集，選擇地勢平坦、水分含量低、粗糙度小、植被覆蓋少的地面作為采樣單元。采樣點分布如圖1所示。OLI影像的成像時間為2014年9月21日，野外數據采集時間與衛星掃描過境時間基本一致。野外數據采集包括2部分：

圖1 研究區及野外采樣點分布(影像底圖為Landsat8 OLI B1(R)，B2(G)，B3(B)假彩色合成影像)Fig.1 Research area and distribution of field sampling points

1.3 遙感影像獲取與預處理

本研究選取的遙感影像是美國USGS(http: //glovis.usgs.gov/)網站提供的Landsat8 OLI遙感數據。Landsat8衛星的OLI共有9個波段，其中包含1個空間分辨率為15 m的全色波段，其他波段空間分辨率為30 m，光譜波段在0.433 ～2.300 μm范圍內。選取2014年9月21日云量相對較少的OLI影像作為基礎數據源，與土壤樣本采集時間相近。利用圖像處理軟件ENVI5.0對OLI數據進行波段合成、輻射定標、大氣校正和研究區范圍裁剪等處理。

2 土壤鹽分估算模型研建

2.1 鹽漬土OLI影像光譜特征

Landsat 8具有較高的空間分辨率，信息量豐富。為提取鹽漬土信息和提高監測精度，首先必須了解不同程度的鹽漬土在影像光譜上的反射特征[22]。艾比湖湖泊周圍土壤鹽分含量極高，因劇烈蒸發和強風的作用，表層土壤形成鹽殼，在影像上色調發白。圖2為不同鹽分含量的OLI影像光譜反射率曲線。從中可以看出，含鹽量越高、反射率就越強。每條光譜曲線的變化總體趨勢基本相似。鹽漬土在可見光范圍內反射率較低，變化幅度較平穩，隨著波長的增加反射率也在平緩地增加。在0.515 μm波段處出現較弱的吸收谷、0.600～0.885 μm范圍內反射率隨波長的增加變化幅度明顯、在0.885 μm處達到反射率最高值。

圖2 不同鹽分含量的OLI影像光譜反射率Fig.2 Spectral reflectance of OLI images with different soil salinity

2.2 光譜反射率變換及相關性分析

為了找出光譜反射率與鹽分之間的關系，對原始光譜反射率進行數學變換。變換后，可以減少遙感影像中因光照條件和地形變化等引起的誤差，有效降低噪聲對目標光譜的影響[22]，增強光譜數據與土壤含鹽量之間的關系，從而找出對鹽漬土敏感的光譜波段。

(1)

2.3 模型建立與精度檢驗

經過分析土壤反射率光譜數據變換結果與鹽分的相關性，在Origin8軟件平臺下采用多元逐步回歸的數學方法，建立土壤含鹽量估算模型，即

y=β0+β1χ1+β2χ2+…+βk-1χk-1,

(2)

式中：y為因變量；χk-1為自變量； (k-1)為自變量個數；β0為模型常數項；βk-1為回歸系數。

根據52個樣本的土壤鹽分數據，隨機選出33個樣本用于建立鹽分估算模型，剩余的19個樣本用于均方根誤差檢驗其精度，即

(3)

式中：Z*(Si)為預測鹽分值；Z(Si)為實測鹽分值；M為采樣單元的數量。

3 結果與討論

3.1 OLI影像光譜分析及估算模型建立

為了使ASD儀器實測光譜數據的波長與OLI影像(6個波段)的波長相對應，根據各波段的中心波長，將OLI影像0.433～2.300 μm范圍的波長分為6個區間，節點分別為0.433 μm，0.52 μm，0.62 μm，0.68 μm，0.885 μm和1.67 μm。對OLI影像的光譜反射率及其變換結果與土壤鹽分含量數據進行相關性分析，篩選出相關系數較高的波段作為自變量； 以33個土壤樣本的含鹽量作為因變量，運用多元逐步回歸分析(式(2))建立OLI影像的土壤含鹽量估算模型，結果如圖3和表1所示。

圖3OLI光譜反射率及其變換結果與土壤含鹽量的相關關系
Fig.3CorrelationcoefficientbetweenOLIspectralreflectivityaswellasitsdifferenttransformedresultsandsoilsalinity

表1 OLI土壤鹽分估算模型Tab.1 Soil salinity inversion model of OLI

①：X0.49表示波長為0.49 μm處的OLI影像光譜值；R2為決定系數； RMSE為均方根誤差。

圖4 用實測鹽分值驗證OLI影像預測鹽分值Fig.4 Verification for soil salinity values of OLI image predicted by field measured

由圖4可知，驗證預測結果的R2=0.670，RMSE=0.180。根據研究需要，只列出了模型效果較佳的精度驗證結果。

3.2 ASD光譜數據重采樣及估算模型建立

ASD光譜儀光譜波段范圍在0.35～2.5 μm之間，而 OLI影像光譜波段在0.433～2.300 μm之間，為了使 OLI影像光譜與ASD測量光譜波段相匹配，以ASD儀器測量的光譜作為基準數據，通過影像傳感器波譜響應函數將ASD光譜儀0.35～2.500 μm波段光譜重采樣成與OLI影像光譜相一致的6個波段，波長分別為0.433 μm，0.52 μm，0.62 μm，0.68 μm，0.885 μm和1.67μm。通過對 ASD 重采樣光譜反射率與鹽分的相關性分析，確定土壤鹽分反射率的響應波段，按照相關性最大的原則選擇敏感波段。利用式(1)對ASD光譜重采樣后的反射率及其變換結果與鹽分含量數據進行相關性分析(圖5)。

(c) lgB，1/lgB與B′相關系數 (d) (1/lgB)′，B″與(lgB)″相關系數

圖5ASD光譜反射率及其變換結果與土壤含鹽量的相關關系

Fig.5CorrelationcoefficientbetweenASDspectralreflectivityaswellasitsdifferenttransformedresultsandsoilsalinity

不同形式變換后的光譜反射率與鹽分的敏感波段基本在0.433 μm，0.62 μm和0.68 μm處，因此，針對每一種數學變換，選擇相關性較高的2個波段組合作為土壤含鹽量的特征波段，建立估算模型。從圖5可以看出，ASD重采樣后的反射率值及其變換值與鹽分含量的相關性比OLI影像(圖3)有了很大的提高，相關系數最高能達0.80。同樣，對其利用多元回歸算法建立與土壤鹽分含量的估算模型，并用同樣的19個實測鹽分數據檢驗估算模型的精度，模型結果與檢驗精度見表2。由表2可知，ASD反射率及其變換值與土壤含鹽量的估算模型比OLI影像鹽分估算模型結果較好。ASD重采樣后光譜反射率對數的倒數一階微分(1/lgR)′模型(波段組合為 0.433 μm和0.68 μm)的R2=0.779，且RMSE=0.203。建模用的鹽分值是前文用的33個采樣點，用剩余的19個采樣點檢驗模型的精度。圖6為對ASD數據的對數的倒數一階微分(1/lg B)′模型檢驗結果，可知模型的R2=0.790 3，RMSE=0.214。

表2 ASD土壤鹽分估算模型Tab.2 Soil salinity inversion model of ASD

①：X0.433表示波長為0.433 μm處的ASD光譜值；R2為決定系數；RMSE為均方根誤差。

圖6 用實測鹽分值驗證ASD重采樣光譜預測鹽分值Fig.6 Verification for soil salinity values of ASD resampling predicted by field measured

3.3 模型校正及精度檢驗

為提高模型的監測精度并實現地面到空間的銜接，探索ASD重采樣后的光譜數據與OLI影像光譜估算的鹽分值之間的關聯性，建立了兩者之間的關系式，即

y=0.906 8x+2.113 8,

(4)

式中：x為OLI影像光譜估算的鹽分值，g/kg；y為ASD重采樣光譜估算的鹽分值，g/kg。

圖7 示出ASD重采樣模型與OLI模型預測的鹽分值的關系。

圖7 ASD重采樣模型與OLI模型預測鹽分值的關系Fig.7 Relationship between soil salinity values predicted by ASD resampling model and OLI model

圖8 校正后OLI影像光譜預測和ASD實測鹽分值散點圖Fig.8 Scatterplot of soil salinity values predicted by corrected OLI image spectral and measured by ASD

結果表明，校正后的OLI影像土壤鹽分含量估算模型的R2有了較大幅度的提高，從0.28提高到0.777 6，RMSE=0.281，說明該模型能有效提高大區域尺度條件下的土壤鹽漬化信息提取精度。

4 結論

Khan等[23]研究發現Landsat ETM影像的中紅波段(0.62～0.68 μm)光譜范圍對不同土壤鹽分程度比較敏感，運用本方法得出的主要敏感波段范圍與其基本一致。本文分別利用landsat8 OLI影像光譜和ASD重采樣光譜數據，采用多元逐步回歸的方法建立土壤鹽分預測模型，并實現了用實測光譜對影像光譜模型的校正。主要得出以下結論：

1)OLI影像光譜土壤含鹽量估算模型的決定系數(R2)普遍偏低，土壤光譜反射率均方根模型為最佳，模型為y=226.15x0.49-208.74x0.68+10.33(最佳波段組合為0.49 μm和0.68 μm)，模型檢驗樣本的R2=0.67，RMSE=0.180。

2)經ASD重采樣后的土壤鹽分估算模型中，光譜反射率對數的倒數一階微分的變換模型為最佳，模型為y=96.957x0.433+37.491x0.68+3.886(最佳波段組合為0.433 μm和0.68 μm)，檢驗樣本的R2=0.790 3，RMSE=0.214。

3)經過ASD重采樣土壤鹽分實測光譜數據校正后的OLI影像土壤含鹽量估算模型，模型R2得到了較好的提升，模型精度有了較大提高。

通過ASD光譜儀實測的光譜數據重新采樣成與Landsat 8 OLI影像相匹配的波段，并校正遙感影像光譜鹽分估算模型，具有較大的實踐意義，可提高和促進土壤鹽漬化定量遙感監測的精度； 實現了不同尺度光譜比較，并為由點到面的拓展提供了方法依據[24]。但將高光譜地面數據與多光譜遙感數據擬合目前還是嘗試性的，鑒于研究區采樣點表層土壤水分含量極少、地勢平坦等特點，忽略了其他因素對光譜反射率的影響。本研究所建立的土壤鹽分估算模型只考慮了鹽分因素，而沒有更加具體地與鹽基離子等土壤理化性質相結合，無疑還有一定的局限性。建議在將來的工作中采用微波遙感等更高分辨率的影像進行整個研究區的鹽分反演，以達到區域尺度下對土壤含鹽量的及時、準確、動態監測。

[1] 文振旺.新疆土壤地理[M].北京:科學出版社,1965.

Wen Z W.Soil Geography of Xinjiang[M].Beijing:Science Press,1965.

[2] 魏云杰,許 模.新疆土壤鹽漬化成因及其防治對策研究[J].地球與環境,2005,33(s1):593-597.

Wei Y J,Xu M.Study on soil salinization and countermeasures of its prevention in Xinjiang[J].Earth and Environment,2005,33(s1):593-597.

[3] 丁建麗,姚 遠,王 飛.干旱區土壤鹽漬化特征空間建模[J].生態學報,2014,34(16):4620-4631.

Ding J L,Yao Y,Wang F.Detecting soil salinization in arid regions using spectral feature space derived from remote sensing data[J].Acta Ecologica Sinica,2014,34(16):4620-4631.

[4] 田長彥,周宏飛,劉國慶.21世紀新疆土壤鹽漬化調控與農業持續發展研究建議[J].干早區地理,2000,23(2):177-181.

Tian C Y,Zhou H F,Liu G Q.The proposal on control of soil salinizing and agricultural sustaining developmentn in 21’s century in Xinjiang[J].Arid Land Geography,2000,23(2):177-181.

[5] 董新光,周金龍,陳躍濱.干旱內陸區水鹽監測與模型研究及其應用[M].北京:科學出版社,2007:1-27.

Dong X G,Zhou J L,Chen Y B.Monitoring Water and Soil with the Model and Its Application in Arid Inland Area[M].Beijing:Science Press,2007:1-27.

[6] Mougenot B,Pouget M,Epema G F.Remote sensing of salt affected soils[J].Remote Sensing Reviews,1993,7(3/4):241-259.

[7] 彭 杰,遲春明,向紅英,等.基于連續統去除法的土壤鹽分含量反演研究[J].土壤學報,2014,51(3):459-469.

Peng J,Chi C M,Xiang H Y,et al.Inversion of soil salt content based on continuum-removal method[J].Acta Pedologica Sinica,2014,51(3):459-469.

[8] Farifteh F,Farshad A,George R J.Assessing salt-affected soils using remote sensing,solute modelling,and geophysics[J].Geoderma,2006,130(3/4):191-206.

[9] 翁永玲,戚浩平,方洪賓,等.基于PLSR方法的青海茶卡―共和盆地土壤鹽分高光譜遙感反演[J].土壤學報,2010,47(6):1255-1263.

Weng Y L,Qi H P,Fang H B,et al.PLSR-based hyperspectral remote sensing retrieval of soil salinity of Chaka-Gonghe basin in Qinghai Province[J].Acta Pedologica Sinica,2010,47(6):1255-1263.

[10] 曹 雷,丁建麗,玉米提·哈力克,等.基于國產高分一號衛星數據的區域土壤鹽漬化信息提取與建模[J].土壤學報,2016,53(6):1399-1409.

Cao L,Ding J L,Umut H,et al.Extraction and modeling of regional soil salinization based on data from GF-1 satellite[J].Acta Pedologica Sinica,2016,53(6):1399-1409.

[11] Dehaan R L,Taylor G R.Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization[J].Remote Sensing of Environment,2002,80(3):406-417.

[12] Farifteh J,Van der Meer F,Atzberger C,et al.Quantitative analysis of salt-affected soil reflectance spectra:A comparison of two adaptive methods(PLSR and ANN)[J].Remote Sensing of Environment,2007,110(1):59-78.

[13] 阿爾達克·克里木,塔西甫拉提·特依拜,張 東,等.基于高光譜的ASTER影像土壤鹽分模型校正及驗證[J].農業工程學報,2016,32(12):144-150.

Kelimu A,Tiyip T,Zhang D,et al.Calibration and validation of soil salinity estimation model based on measured hyperspectral and ASTER image[J].Transactions of the Chinese Society of Agricultural Engineering,2016,32(12):144-150.

[14] 姚 遠,丁建麗,阿爾達克·克里木,等.基于實測高光譜和電磁感應數據的區域土壤鹽漬化遙感監測研究[J].光譜學與光譜分析,2013,33(7):1917-1921.

Yao Y,Ding J L,Kelimu A,et al.Research on remote sensing monitoring of soil salinization based on measured hyperspectral and EM38 data[J].Spectroscopy and Spectral Analysis,2013,33(7):1917-1921.

[15] 雷 磊,塔西甫拉提·特依拜,丁建麗,等.基于HJ-1A高光譜影像的鹽漬化土壤信息提取——以渭干河-庫車河綠洲為例[J].中國沙漠,2013,33(4):1104-1109.

Lei L,Tiyip T,Ding J L,et al.Soil salinization information extraction by using hyperspectral data of HJ-1A HSI:A case study in the oasis of Ugan & Kuqa,Xinjiang,China[J].Journal of Desert Research,2013,33(4):1104-1109.

[16] 伍漫春.綠洲區域尺度水鹽遙感研究——以渭干河庫車河綠洲為例[D].烏魯木齊:新疆大學,2011.

Wu M C.Research on the water-salt of the Oasia at the regional scale by remote sensing[D].Urumchi:Xinjiang University,2011.

[17] 吳敬祿,劉建軍,王蘇民,等.近1500年來新疆艾比湖同位素記錄的氣候環境演化特征[J].第四紀研究,2004,24(5):585-590.

Wu J L,Liu J J,Wang S M,et al.Climatic change record from stable isotopes in lake Aibi,Xinjiang during the past 1500 years[J].Quaternary Sciences,2004,24(5):585-590.

[18] 何學敏,呂光輝,秦 璐,等.艾比湖荒漠濕地生態系統非生長季碳通量數據特征[J].生態學報,2014,34(22):6655-6665.

He X M,Lü G H,Qin L,et al.Research on data characteristics during non-growing season of desert wetland ecosystem in Ebinur lake[J].Acta Ecologica Sinica,2014,34(22):6655-6665.

[19] 冉啟祥,呂光輝,魏雪峰,等.艾比湖自然保護區土壤酶活性及理化性質[J].干旱區研究,2014,31(4):715-722.

Ran Q X,Lü G H,Wei X F,et al.Enzyme activities and physicochemical properties of soils in the Ebinur lake nature reserve in Xinjiang,China[J].Arid Zone Research,2014,31(4):715-722.

[20] 趙順陽,王文科.艾比湖流域典型植物生長的水文地質條件研究[J].新疆環境保護,2005,15(1):13-17.

Zhao S Y,Wang W K.Research on hydrogeological condition of Aibi lake valley Tipical plant growth[J].Environmental Protection of Xinjiang,2005,15(1):13-17.

[21] 李 慧,藺啟忠,王欽軍,等.基于小波包變換和數學形態學結合的光譜去噪方法研究[J].光譜學與光譜分析,2010,30(3):644-648.

Li H,Lin Q Z,Wang Q J,et al.Research on spectrum denoising methods based on the combination of wavelet package transformation and mathematical morphology[J].Spectroscopy and Spectral Analysis,2010,30(3):644-648.

[22] Palacios-Orueta A,Ustin S L.Multivariate statistical classification of soil spectra[J].Remote Sensing of Environment,1996,57(2):108-118.

[23] Kan N M,Sato Y.Monitoring hydro-salinity status and its impact in irrigated semi arid areas using IRS-1B LISS-Ⅱ data[J].Asian Journal of Geoinform,2001,1(3):63-73.

[24] 李 相,丁建麗.基于實測高光譜指數與HSI影像指數的土壤含水量監測[J].農業工程學報,2015,31(19):68-75.

Li X,Ding J L.Soil moisture monitoring based on measured hyperspectral index and HSI image index[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(19):68-75.