基于決策樹(shù)分類(lèi)的濟(jì)寧市土壤有機(jī)碳遙感反演

孫問(wèn)娟 李新舉

摘要：本研究利用Landsat 8遙感影像數(shù)據(jù)以及土壤有機(jī)碳實(shí)測(cè)數(shù)據(jù)，以研究區(qū)表層0～20 cm土壤的有機(jī)碳含量為研究對(duì)象，通過(guò)SPSS的多元線(xiàn)性回歸分析，建立預(yù)測(cè)模型：Ysoc=23.448+65.958b1-67.703b4-21.778b7（R2=0.744，P<0.01）；進(jìn)而采用基于ENVI的波段運(yùn)算及決策樹(shù)分類(lèi)法，獲取了濟(jì)寧市土壤的有機(jī)碳含量與分布狀況。結(jié)果表明：（1）研究區(qū)的土壤有機(jī)碳含量平均約為12.45 g/kg，處于中等偏下水平，部分地區(qū)有機(jī)碳含量接近于零，微山縣和任城區(qū)含量最高；（2）研究區(qū)有機(jī)碳含量主要集中在12～18 g/kg，面積約為6 165.13 km2，占研究區(qū)土地總面積的59.99%，分布最為廣泛，在各個(gè)縣區(qū)均有分布。

關(guān)鍵詞：土壤有機(jī)碳；遙感反演；多元回歸分析；決策樹(shù)分類(lèi)；濟(jì)寧市

中圖分類(lèi)號(hào)：S127文獻(xiàn)標(biāo)識(shí)號(hào)：A文章編號(hào)：1001-4942（2018）04-0133-05

Abstract Taking 0～20 cm soil layer as research object， the remote sensing data of soil organic carbon were obtained from Landsat 8 and the actual values were measured in laboratory. Through the multiple linear SPSS regression analysis，the prediction model of Ysoc=23.448+65.958b1-67.703b4-21.778b7（R2=0.744，P<0.01） was established. Then the soil organic carbon content and distribution in Jining City were obtained by the band math and decision tree classification based on ENVI. The results were as follows. （1） The average soil organic carbon content in the study area was about 12.45 g/kg， which was in the lower middle level. The organic carbon content in some areas was close to 0. The highest content was in Weishan and Rencheng districts. （2） The content of organic carbon in the study area was mainly concentrated at 12～18 g/kg，which was about 6 165.13 km2 and accounted for 59.99% of the total study land area. It had the most widely distribution area， even was in each county or district of Jining City.

Keywords Soil organic carbon； Remote sensing retrieval； Multiple regression analysis；Decision tree classification； Jining city

碳作為自然界中的一種元素，在各個(gè)圈層之間是不斷循環(huán)的，尤其是大氣圈CO2和巖石圈SOC的存在形式，與人類(lèi)生存密切相關(guān)[1]。土壤有機(jī)碳（soil organic carbon，SOC）作為土壤碳庫(kù)的一部分，直接或間接影響著全球的氣候和土地生產(chǎn)力。土壤有機(jī)碳的研究至今已有200多年的歷史，20 世紀(jì) 70 年代以來(lái)，隨著統(tǒng)計(jì)學(xué)方法的普及，生命帶法、土壤類(lèi)型法、有機(jī)碳模型法等開(kāi)始大量應(yīng)用于有機(jī)碳含量及其垂直分布的研究[2-7]。近年來(lái)基于RS和GIS軟件的遙感反演越來(lái)越成為研究土壤有機(jī)碳空間分布特征的重要方法，空間插值法、光譜反射率、DN值等遙感信息建模法[8，9]都是常用的遙感反演方法。代杰瑞等[10]利用土壤剖面資料和MapGIS 軟件中的空間分析功能實(shí)現(xiàn)了山東省表層土壤有機(jī)碳密度空間分布的可視化；游浩辰[11]利用ArcGIS的空間插值法實(shí)現(xiàn)了遙感反演制圖，進(jìn)而研究了順昌縣林地土壤有機(jī)碳的空間分布特征；王瓊等[12]通過(guò)波段運(yùn)算實(shí)現(xiàn)了北疆綠洲區(qū)棉田表層土壤有機(jī)碳的遙感反演。

決策樹(shù)法是遙感應(yīng)用中一種有效的影像分類(lèi)方法，不僅適用于訓(xùn)練數(shù)據(jù)集較大的情況，而且構(gòu)建結(jié)構(gòu)簡(jiǎn)單、模型效率高、分類(lèi)精度好[13]。但目前很少有利用決策樹(shù)分類(lèi)法進(jìn)行土壤有機(jī)碳空間反演的研究報(bào)道。本研究以山東省濟(jì)寧市耕作層0～20 cm土壤的有機(jī)碳含量為研究對(duì)象，以遙感影像各波段反射率與土壤有機(jī)碳含量為因子進(jìn)行多元線(xiàn)性回歸分析，建立有機(jī)碳預(yù)測(cè)模型，并借助決策樹(shù)分類(lèi)法對(duì)整個(gè)研究區(qū)域土壤有機(jī)碳含量進(jìn)行了空間反演。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

濟(jì)寧市位于魯西南腹地，地處黃淮海平原與魯中南山地交接地帶，在34°27′11.83″N～35°58′42.27″N、115°51′28.51″E～117°34′57.24″E之間，南北跨越167 km，東西跨越158 km；地形較為復(fù)雜，以平原洼地為主，山地、丘陵、盆地都有分布，地勢(shì)東高西低；屬于暖溫帶季風(fēng)氣候，平均氣溫13.3～14.1℃，年均降水量597～820 mm。

濟(jì)寧市既屬于農(nóng)業(yè)型城市又屬于資源型城市。土地總面積約為11 187 km2，耕地面積約為6 113.2 km2，包含了棕壤、褐土、砂姜黑土、潮土、水稻土等多種土壤類(lèi)型。濟(jì)寧市還是全國(guó)八大煤炭開(kāi)采基地之一，主要含煤地層都在10層以上，可采厚度10 m左右。

1.2 土壤采樣與分析方法

根據(jù)研究區(qū)的耕作機(jī)制，為避免其他地物遮擋地面，在2015年10月初，按照試驗(yàn)設(shè)計(jì)在研究區(qū)內(nèi)共采集134個(gè)樣點(diǎn)的土樣，考慮到樣點(diǎn)的均勻性與可靠性，最終選出129個(gè)有效樣點(diǎn)的數(shù)據(jù)參與統(tǒng)計(jì)。樣點(diǎn)分布如圖1所示。

每個(gè)樣點(diǎn)均通過(guò)手持式GPS進(jìn)行定位，采樣深度為表層0～20 cm，每份土樣均由30 m×30 m范圍內(nèi)按照對(duì)角線(xiàn)取樣法取得的5份土樣混合而成。將土樣帶回實(shí)驗(yàn)室后，挑出植物根系、石子磚塊、小動(dòng)物等侵入物，經(jīng)晾曬、風(fēng)干、敲打、研磨過(guò)篩后，采用重鉻酸鉀容量法——外加熱法測(cè)定土壤有機(jī)碳含量。

1.3 遙感影像獲取及處理

遙感影像來(lái)源于地理空間數(shù)據(jù)云，選擇與采樣時(shí)間相對(duì)應(yīng)的2015年10月2日的兩幅Landsat 8數(shù)據(jù)影像，條代號(hào)-行編號(hào)分別為122-35、122-36。

遙感影像經(jīng)過(guò)輻射定標(biāo)、大氣校正、幾何校正、鑲嵌與裁剪后，利用改進(jìn)的歸一化差異水體指數(shù)（NDWI）制作掩膜去除遙感影像中的水域；利用線(xiàn)性混合像元分解法去除植被信息。采用像元二分模型[15-17]，把遙感影像的像元反射信息看作是由植被和土壤兩者組成，進(jìn)而通過(guò)歸一化植被指數(shù)（NDVI）[18]和波段運(yùn)算從像元的混合波譜中去除植被信息，獲取只包含土壤信息的遙感影像。

1.4 SOC含量預(yù)測(cè)模型建立

采用多元回歸逐步分析法，構(gòu)建土壤有機(jī)碳含量與遙感影像各波段反射率的反演模型。以相關(guān)系數(shù)越高、標(biāo)準(zhǔn)差越小且顯著性較高為準(zhǔn)則優(yōu)選反演模型。

1.5 決策樹(shù)分類(lèi)

決策樹(shù)分類(lèi)是基于遙感圖像及其他空間數(shù)據(jù)，通過(guò)專(zhuān)家經(jīng)驗(yàn)總結(jié)、簡(jiǎn)單的數(shù)學(xué)統(tǒng)計(jì)和歸納等獲得分類(lèi)規(guī)則，然后進(jìn)行遙感分類(lèi)的方法[19]。決策樹(shù)分類(lèi)是一種逐級(jí)分層分類(lèi)方法[20]，它的分類(lèi)過(guò)程可以用決策樹(shù)結(jié)構(gòu)很好地表達(dá)。決策樹(shù)由一個(gè)父節(jié)點(diǎn)和若干個(gè)子節(jié)點(diǎn)組成，每個(gè)節(jié)點(diǎn)是一個(gè)單獨(dú)的分類(lèi)過(guò)程，每個(gè)節(jié)點(diǎn)的末端代表一個(gè)分類(lèi)結(jié)果，即一個(gè)數(shù)據(jù)類(lèi)別。

本研究根據(jù)密度分割獲得土壤有機(jī)碳含量范圍，將其劃分為4個(gè)含量梯度，分別為0～5、5～12、12～18、18～27 g/kg，以預(yù)測(cè)模型為分類(lèi)的基本規(guī)則，每個(gè)含量梯度作為一個(gè)節(jié)點(diǎn)構(gòu)建決策樹(shù)，執(zhí)行決策樹(shù)分類(lèi)，并對(duì)其結(jié)果進(jìn)行Majority/Minority 分析、聚類(lèi)處理以及過(guò)濾處理，最后將其轉(zhuǎn)化為矢量文件導(dǎo)入ArcMap出圖。

2 結(jié)果與分析

2.1 土壤有機(jī)碳含量預(yù)測(cè)模型的建立與檢驗(yàn)

根據(jù)有機(jī)碳測(cè)得結(jié)果，把樣點(diǎn)分為4組，即土壤有機(jī)碳含量分別為5～10、10～15、15～20、20～25 g/kg，然后從每組中均勻抽取7個(gè)，共計(jì)28個(gè)樣點(diǎn)作為驗(yàn)證點(diǎn)，其余的101個(gè)樣點(diǎn)作為建模點(diǎn)（表1）。

利用建模點(diǎn)數(shù)據(jù)及各遙感光譜反射率進(jìn)行多元逐步回歸，結(jié)果（表2）顯示，模型四的R2最大且RMSE最小，模型五次之，但模型五的顯著性明顯高于模型四，綜合考慮R2、RMSE及P值，擇優(yōu)選擇顯著性更高的模型五作為濟(jì)寧市0～20 cm土層土壤有機(jī)碳含量的預(yù)測(cè)模型，即：Ysoc=23.448+65.958b1-67.703b4-21.778b7，其中YSOC為土壤有機(jī)碳含量，b1、b4、b7分別為遙感影像第一、四、七波段的反射率。

為了驗(yàn)證模型的可靠性，本研究利用ENVI 4.7提取了與28個(gè)驗(yàn)證點(diǎn)相對(duì)應(yīng)的各波段反射率，代入上述反演模型中得到相應(yīng)的有機(jī)碳預(yù)測(cè)值，對(duì)預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行線(xiàn)性擬合，R2=0.797 2，二者存在較好的線(xiàn)性關(guān)系（圖2），即有機(jī)碳含量反演模型有較好的可靠性，可以用于整個(gè)研究區(qū)土壤有機(jī)碳含量的預(yù)測(cè)。

2.2 土壤有機(jī)碳含量反演

2.2.1 土壤有機(jī)碳的數(shù)量特征 本研究根據(jù)有機(jī)碳模型采用密度分割法估測(cè)了整個(gè)研究區(qū)土壤有機(jī)碳含量范圍。考慮到實(shí)際情況，有機(jī)碳含量不可能小于零，因此把有機(jī)碳含量在-1.62～0 g/kg 范圍內(nèi)的計(jì)算結(jié)果剔除；由于最大值超出樣本值過(guò)多，在逐級(jí)試驗(yàn)計(jì)算中，首先對(duì)34～39 g/kg進(jìn)行Aplay，發(fā)現(xiàn)肉眼在圖像上難以找到此類(lèi)別，把對(duì)應(yīng)的數(shù)據(jù)剔除；然后依次查看了30～34、28～30、26～28、27～28、26～27 g/kg，最終發(fā)現(xiàn)最大值接近于27 g/kg，于是把27.00～39.14 g/kg范圍內(nèi)的數(shù)據(jù)也剔除，之后統(tǒng)計(jì)出平均值。因此，本研究認(rèn)為研究區(qū)內(nèi)0～20 cm土層的土壤有機(jī)碳含量最高約為27.00 g/kg，最低約為零，平均值為12.45 g/kg（表3）。

2.2.2 決策樹(shù)分類(lèi)法反演結(jié)果 決策樹(shù)分類(lèi)反演結(jié)果如圖3所示。利用ENVI的數(shù)據(jù)統(tǒng)計(jì)功能對(duì)決策樹(shù)分類(lèi)結(jié)果進(jìn)行統(tǒng)計(jì)分析，結(jié)果（表4）表明：研究區(qū)有機(jī)碳含量主要集中在12～18 g/kg，面積約為6 165.13 km2，占研究區(qū)土地總面積的59.99%，各個(gè)縣區(qū)均有分布，分布最為廣泛，也表明濟(jì)寧市土壤有機(jī)碳含量的總體水平不高；分布最小的為0～5 g/kg，面積為717.34 km2，不到全區(qū)的7%，主要分散在東北部地區(qū)；有機(jī)碳含量為5～12、18～27 g/kg的兩個(gè)梯度，面積相當(dāng)，前者分布較后者廣泛，后者集中分布在微山縣與任城區(qū)，微山縣幾乎全部地區(qū)有機(jī)碳含量都處于全市最高水平，而其農(nóng)林牧漁業(yè)也一直領(lǐng)先于其他地區(qū)，可見(jiàn)土壤有機(jī)碳含量在土地生產(chǎn)中有重要作用。

2.3 決策樹(shù)分類(lèi)法與克里金插值法和密度制圖法空間反演結(jié)果的比較

本研究還利用反演制圖中常用的克里金插值制圖法和密度制圖法對(duì)研究區(qū)有機(jī)碳含量進(jìn)行了空間反演。結(jié)果（圖4、圖5）表明，完全依賴(lài)于樣點(diǎn)值的克里金插值法制圖效果并不理想，與基于光譜特征的密度制圖結(jié)果相差較大。克里金插值法是以樣點(diǎn)為中心、其值為依據(jù)，在插值圖中含量呈片狀分布，具有明顯的幾何特征，所以只有在樣點(diǎn)分布較密集的情況下，才能保持一定的精度。而密度制圖法是基于預(yù)測(cè)模型及波段計(jì)算，含量呈點(diǎn)狀分布，反演效果較好，但是圖像粗糙。

決策樹(shù)分類(lèi)法與密度分割法雖然在分類(lèi)依據(jù)上相似，都是依據(jù)光譜特征，精度相同，但是分類(lèi)過(guò)程不同，出圖質(zhì)量不同。決策樹(shù)分類(lèi)法可以借助ENVI本身的分類(lèi)后優(yōu)化功能對(duì)反演圖像上的小圖斑進(jìn)行合并或清除，使圖像各類(lèi)別之間的輪廓更加平滑；而密度分割圖像后期處理艱難，圖像較為粗糙，分類(lèi)效果不如前者。所以，決策樹(shù)分類(lèi)在土壤有機(jī)碳的空間反演中是一種較好的制圖方法，既保持了分類(lèi)精度，又保證了較好的視覺(jué)效果。

3 結(jié)論

（1）通過(guò)基于ENVI的波段計(jì)算和密度分割，得到濟(jì)寧市耕作層土壤的有機(jī)碳平均含量約為12.45 g/kg，處于中等偏下水平，部分地區(qū)有機(jī)碳含量接近于零，以微山縣和任城區(qū)含量最高。

（2）根據(jù)遙感反演與統(tǒng)計(jì)分析結(jié)果，濟(jì)寧市土壤有機(jī)碳含量主要集中在12～18 g/kg，面積約為6 165.13 km2，占研究區(qū)土地總面積的59.99%，分布最為廣泛，在各個(gè)縣區(qū)均有分布。

（3）與克里金插值法相比，決策樹(shù)分類(lèi)法不需要過(guò)多的樣點(diǎn)，采樣工作量相對(duì)較少；與密度分割法相比，決策樹(shù)分類(lèi)法既保持了反演圖像的精度，又提高了分類(lèi)圖像的視覺(jué)質(zhì)量。

參 考 文 獻(xiàn)：

[1] 金峰， 楊浩. 土壤有機(jī)碳儲(chǔ)量及影響因素研究進(jìn)展[J]. 土壤， 2000， 32（1）： 11-17.

[2] Post W M， Emanuel W R， Zinke P J， et al. Soil carbon pools and world life zones [J]. Nature， 1982， 298（5870）：156-159.

[3] Foley J A. An equilibrium model of the terrestrial carbon budget [J]. Tellus Series B-chemical & Physical Meteorology， 1995， 47（3）： 310-319.

[4] 薛志婧， 侯曉瑞， 程曼， 等. 黃土丘陵區(qū)小流域尺度上土壤有機(jī)碳空間異質(zhì)性[J]. 水土保持學(xué)報(bào)， 2011， 25（3）： 160-163.

[5] 苗正紅. 1980—2010年三江平原土壤有機(jī)碳儲(chǔ)量動(dòng)態(tài)變化[D]. 長(zhǎng)春： 中國(guó)科學(xué)院研究生院東北地理與農(nóng)業(yè)生態(tài)研究所， 2013.

[6] 黃雪夏， 倪九派， 高明， 等. 重慶市土壤有機(jī)碳庫(kù)的估算及其空間分布特征[J]. 水土保持學(xué)報(bào)， 2005， 19（1）：54-58.

[7] 袁芳， 趙小敏， 樂(lè)麗紅， 等. 江西省表層土壤有機(jī)碳庫(kù)儲(chǔ)量估算與空間分布特征[J]. 生態(tài)環(huán)境學(xué)報(bào)， 2008， 17（1）： 268-272.

[8] 李玉環(huán)， 王靜， 呂春燕， 等. 基于 TM/ETM+遙感數(shù)據(jù)的地面相對(duì)反射率反演[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2005， 36（4）： 545-551.

[9] 陳紅艷， 趙庚星， 陳敬春， 等. 基于改進(jìn)植被指數(shù)的黃河口區(qū)鹽漬土鹽分遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（5）： 107-114.

[10]代杰瑞， 龐緒貴， 曾憲東， 等. 山東省土壤有機(jī)碳密度的空間分布特征及其影響因素[J].環(huán)境科學(xué)研究， 2015， 28（9）： 1449-1458.

[11]游浩辰. 林地土壤有機(jī)碳遙感反演及空間分異研究[D]. 福州：福建農(nóng)林大學(xué)， 2012.

[12]王瓊， 陳兵， 王方永， 等. 基于HJ衛(wèi)星的棉田土壤有機(jī)質(zhì)空間分布格局反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（1）：174-180.

[13]陳文， 史金成. 決策樹(shù)分類(lèi)技術(shù)研究[J]. 福建電腦， 2005（8）：5-6.

[14]雙龍， 妮薩娜， 杜江， 等. 重鉻酸鉀氧化——外加熱法測(cè)定化探土壤樣品中有機(jī)碳含量[J].安徽化工， 2016， 42（4）： 110-112.

[15]李萍， 趙庚星， 高明秀， 等. 黃河三角洲土壤含水量狀況的高光譜估測(cè)與遙感反演[J]. 土壤學(xué)報(bào)， 2015， 52（6）： 1262-1272.

[16]吳陽(yáng)， 甘淑， 王策， 等. 基于綜合遙感調(diào)查的滇中星云湖流域水資源狀況評(píng)估分析[J]. 浙江農(nóng)業(yè)科學(xué)， 2016， 57（8）： 1304-1307.

[17]曹文濤， 康日斐， 王集寧， 等. 基于高光譜遙感的土壤氯化鈉含量監(jiān)測(cè)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2016， 32（4）： 817-823.

[18]樊彥國(guó)， 張維康， 劉敬一. 基于植被指數(shù)-鹽分指數(shù)特征空間的黃河三角洲鹽漬化遙感監(jiān)測(cè)研究[J]. 山東農(nóng)業(yè)科學(xué)， 2016， 48（5）：137-141.

[19]鄧書(shū)斌. 遙感圖像處理方法[M]. 北京：科學(xué)出版社， 2010： 150-164.

[20]張倩. 基于決策樹(shù)方法的航空高光譜遙感土地覆蓋分類(lèi)研究——以江蘇宜興試驗(yàn)區(qū)為例[D]. 青島：山東科技大學(xué)， 2005.