混合像元分解在表層土壤有機質(zhì)遙感估算中的應(yīng)用

陳東來

摘要 基于Landsat 8 OLI遙感影像數(shù)據(jù)，以巢湖流域為研究區(qū)，通過線性混合像元分解法從混合像元光譜中消除植被端影響，重建土壤光譜，構(gòu)建土壤有機質(zhì)遙感估算模型，并與直接基于影像光譜構(gòu)建的土壤有機質(zhì)估算模型進行比較。結(jié)果表明，通過線性混合像元分解法構(gòu)建的估算模型建模集的決定系數(shù)（R2）為0.48，均方根誤差（RMSE）為5.4 驗證集的R2=0.46、RMSE=5.85;直接基于影像光譜構(gòu)建的土壤有機質(zhì)估算模型建模集的R2=0.36、RMSE=6.9 驗證集的R2=0.37、RMSE=7.12。運用線性混合像元分解法構(gòu)建的有機質(zhì)估算模型可有效抑制地表植被干擾，提高土壤有機質(zhì)遙感估算精度。

關(guān)鍵詞 Landsat 8;土壤有機質(zhì);遙感估算;混合像元分解

中圖分類號 S-127? 文獻標識碼 A

文章編號 0517-6611（2021）22-0107-03

doi：10.3969/j.issn.0517-6611.2021.22.025

開放科學(xué)（資源服務(wù)）標識碼（OSID）：

Application of Mixed Pixel Decomposition in Remote Sensing Estimation of Surface Soil Organic Matter

CHEN Dong-lai （School of Geography and Tourism，Anhui Normal University，Wuhu，Anhui 241003）

Abstract Based on Landsat 8 OLI remote sensing image data and taking Chaohu Lake Basin as the study area，the linear mixed pixel decomposition method is used to eliminate the influence of vegetation from the mixed pixel spectrum，reconstruct the soil spectrum，build a remote sensing estimation model of soil organic matter，and compare it with the estimation model of soil organic matter constructed directly based on the image spectrum.The coefficient of determination （R2） of the estimation model modeling set constructed by the linear mixed pixel decomposition method was 0.48，the root mean square error （RMSE） was 5.4 and the R2 of the verification set was 0.4 and the RMSE was 5.85.The R2 of the soil organic matter estimation model modeling set directly based on the image spectrum was 0.3 the RMSE was 6.9 and the R2 of the verification set was 0.37，the RMSE was 7.12.The organic matter estimation model constructed by the linear mixed pixel decomposition method could effectively suppress the interference of surface vegetation and improve the accuracy of remote sensing estimation of soil organic matter.

Key words Landsat 8;Soil organic matter;Remote sensing;Mixed pixel decomposition

隨著精準農(nóng)業(yè)的發(fā)展以及各類模型模擬精度要求的提高，用戶對土壤數(shù)據(jù)的時效性和準確性提出了更高的要求[1]。傳統(tǒng)土壤制圖模式需要有大量的野外調(diào)查，耗時耗力，難以滿足用戶需求，迫切需要探索更為高效的制圖模式[2]。遙感、GIS等地理信息技術(shù)發(fā)展，為實現(xiàn)這一高效制圖模式提供了可能[3]。利用遙感光譜快速反演土壤屬性并制圖，對于區(qū)域水土資源管理具有重要價值。但在野外環(huán)境下，受地表植被影響，純凈的土壤像元是很難獲得的。如何消除或降低植被對混合像元光譜的影響，對于提高土壤屬性遙感估算精度具有重要意義[4]。筆者擬基于Landsat 8 OLI遙感影像數(shù)據(jù)，以巢湖流域為研究區(qū)，對表層土壤有機質(zhì)（SOM）遙感估算方法進行探討。

1 資料與方法

1.1 研究區(qū)概況

巢湖流域位于安徽省中部（116°24′～117°55′E、30°58′～32°04′N），流域面積約為9 196 km2（巢湖閘以上）。地形起伏不平，海拔為2～1 500 m，以沖積平原、崗地和丘陵為主。氣候類型是亞熱帶季風(fēng)氣候。主要土壤類型有水稻土、黃棕壤、黃褐土、粗骨土和紫色土等。研究區(qū)土地利用類型復(fù)雜多樣，平原區(qū)主要為農(nóng)業(yè)用地，山區(qū)為林地[5]。

1.2 數(shù)據(jù)來源

Landsat 8 OLI數(shù)據(jù)源于地理空間數(shù)據(jù)云平臺（http：//www.gscloud.cn/），成像時間為2018年11月20日，無云雪覆蓋。Landsat 8衛(wèi)星由美國宇航局（NASA）2013年2月11日發(fā)射成功，搭載2個傳感器：陸地成像儀（OLI）和熱紅外傳感器（TIRS）。其中，OLI傳感器包含9個波段：8個多光譜波段，分辨率30 m ;1個全色波段，分辨率15 m。數(shù)據(jù)預(yù)處理主要包括輻射定標、大氣校正和影像裁剪[6-7]。

1.3 研究方法

混合像元分解方法包括線性模型、概率模型、幾何光學(xué)模型、隨機幾何模型和模糊分析模型等[8]。該研究采用線性混合像元分解模型，該模型假設(shè)光線在像元端元間不發(fā)生相互作用，像元光譜被看成像元內(nèi)不同端元相應(yīng)光譜值（波段反射率）與其面積比的線性組合[9]，其數(shù)學(xué)模型如下：

Ri=mj=1（Rij×Fj）+ei （i=? …，n;j=? …，m）（1）

mj=1Fj=1（2）

式中，n為波段數(shù)，m為組成像元的端元總數(shù)，Ri為像元在第i波段的反射率值，F(xiàn)j為第j 類端元的豐度，Rij為第i波段中第j類端元的反射率值，ei為誤差，文中忽略不計。

根據(jù)消除植被影響的要求，設(shè)某一像元中植被端元的豐度為Fveg，消除植被影響后像元中剩余的其他端元豐度fj為：

fj=Fj1-Fveg （j=? …，t）（3）

式中，t為消除植被影響后像元中剩余的其他端元總數(shù)。

經(jīng)過消除植被影響后像元重建光譜第i波段的反射率Rd為：

Rd=ti=1（fj×Rij）（4）

1.4 模型構(gòu)建和精度檢驗

運用多元線性逐步回歸法構(gòu)建土壤有機質(zhì)含量光譜預(yù)測模型。模型精度檢驗通過決定系數(shù)（R2）、均方根誤差（RMSE）、F值檢驗及預(yù)測值和實測值散點圖來進行。R2的高低可以判斷模型結(jié)構(gòu)是否穩(wěn)定，0

2 結(jié)果與分析

2.1 利用遙感影像直接估算SOM含量

共選取了100個樣點的土壤數(shù)據(jù)，隨機選取75%的樣點數(shù)據(jù)作為建模集，余下25%的樣點數(shù)據(jù)作為驗證集。利用建模集數(shù)據(jù)與Landsat 8? OLI的7個波段的反射率進行多元線性逐步回歸分析[10]，構(gòu)建土壤有機質(zhì)的遙感估算模型為y=84.27x5-59.559x4-95.745x6+88.953x7+36.10 式中，y代表土壤有機質(zhì)含量，x4、x5、x6、x7分別代表Landsat 8 OLI的第4、5、6、7波段的反射率。

建模集的R2為0.3 RMSE為6.93。利用驗證集數(shù)據(jù)對估算模型進行檢驗，其預(yù)測值與實測值散點圖如圖1所示，驗證集的R2為0.37，RMSE為7.12。

2.2 基于線性混合像元分解模型估算SOM含量

運用線性混合像元分解模型提取混合像元中特定地物的光譜，通過最小噪音分離變換（MNF）和純凈像元指數(shù)（PPI）計算找到像元內(nèi)的純凈光譜，再通過光譜識別判斷出這些純凈光譜屬于哪種地物，從而提取出地物的光譜，達到線性分解的效果[11-12]。

使用ENVI 5.2完成線性混合像元分解過程。表1為遙感影像經(jīng)過最小噪聲分離變換后獲得的7個分量的特征值以及它們的貢獻率。通過觀察7個分量的圖像可以發(fā)現(xiàn)前3個分量空間紋理分明，而靠后的分量空間紋理模糊，說明噪聲多，包含的純凈光譜信息少。前3個分量對遙感圖像信息的貢獻率達到了86.76%，包含了影像的絕大部分信息，在計算PPI時選擇前3個分量。

基于經(jīng)過最小噪聲分離變換的影像數(shù)據(jù)，進行純凈像元指數(shù)的處理。通過反復(fù)試驗，設(shè)定迭代次數(shù)10 000次，閾值2. 計算得到純像元指數(shù)圖，將PPI值大于10的像元投影到主成分空間。通過這種方法篩選出的純凈像元個數(shù)僅占像元總個數(shù)的一小部分，使得選擇端元的工作量大大減少，減小了計算的難度。在多光譜影像數(shù)據(jù)的線性混合像元分解上，端元選取以3～4個較為合適[13]，該研究最終獲取了3種不同的端元信息，見圖2～3。

通過波譜庫中典型植被反射光譜曲線特征判斷出端元3為植被端元，端元1、端元2為非植被端元，該研究并未對其具體端元種類進行研究。通過混合像元分解和波譜分析獲得各端元光譜值及其豐度值后，根據(jù)公式（3）和公式（4），對原始影像進行“消除植被”處理，實現(xiàn)影像土壤光譜重建[14]。

基于樣點SOM數(shù)據(jù)和重建光譜影像的7個波段光譜反射率進行多元線性逐步回歸分析，構(gòu)建土壤有機質(zhì)遙感估算模型為

y=91.268x5-68.465x6+58.952x7+15.58 式中，y代表土壤有機質(zhì)含量， x5、x6、x7分別代表重建光譜影像第5、6、7波段的反射率。

建模集的R2為0.48，RMSE為5.42。利用驗證集數(shù)據(jù)對估算模型進行檢驗，其預(yù)測值與實測值散點圖如圖4所示，驗證集的R2為0.4 RMSE為5.85。

2.3 模型估算精度比較

基于影像原始光譜的SOM估算模型建模集的R2=0.36、RMSE=6.93、F=12.09?；谥亟ü庾V的SOM估算模型建模集的R2=0.48、RMSE=5.42、F=21.33?；谥亟ü庾V的SOM估算模型建模集的R2、RMSE和F值均優(yōu)于直接基于影像原始光譜估算。

利用驗證集的25個數(shù)據(jù)對2個估算模型進行檢驗（圖1、圖4），可以看出基于影像原始光譜的SOM估算模型的預(yù)測值和實測值擬合度較低（R2=0.37），基于重建光譜的SOM估算模型的預(yù)測值和實測值擬合度相對更好（R2=0.46）。

3 結(jié)論與討論

基于Landsat 8 OLI遙感影像數(shù)據(jù)，以巢湖流域為研究區(qū)，通過線性混合像元分解法從混合像元光譜中消除植被端影響，重建土壤光譜，構(gòu)建了SOM遙感估算模型，并與直接利用影像光譜構(gòu)建的SOM估算模型進行比較，發(fā)現(xiàn)基于重建光譜構(gòu)建的估算模型的R2、RMSE和F值均優(yōu)于基于遙感影像直接估算。利用驗證集數(shù)據(jù)進行實測值與預(yù)測值的擬合度比較，也是基于重建光譜構(gòu)建的估算模型較好。結(jié)果表明運用線性混合像元分解法構(gòu)建基于重建光譜的SOM估算模型可有效抑制植被干擾，SOM遙感估算精度得到提高。

該研究基于線性模型進行解混，實際情況中還包含著許多非線性情況，難免會產(chǎn)生一定誤差。在往后的研究中多采用其他的混合像元分解模型對誤差進行修正，考慮加入高光譜遙感數(shù)據(jù)的運用，提高土壤有機質(zhì)遙感估算的精度。

參考文獻

[1]

齊雁冰，王茵茵，陳洋，等.基于遙感與隨機森林算法的陜西省土壤有機質(zhì)空間預(yù)測[J].自然資源學(xué)報，2017，32（6）：1074-1086.

[2] 王琪，吳成永，陳克龍，等.基于多光譜遙感圖像的青海湖流域土壤有機質(zhì)估算初探[J].土壤，2019，51（1）：160-167.

[3] 于雷，洪永勝，耿雷，等.基于偏最小二乘回歸的土壤有機質(zhì)含量高光譜估算[J].農(nóng)業(yè)工程學(xué)報，201 31（14）：103-109.

[4] 吳成永，曹廣超，陳克龍，等.一種青海湖流域消除植被光譜對土壤光譜影響的土壤有機質(zhì)含量遙感估算方法[J].生態(tài)科學(xué)，2018，37（5）：60-71.

[5] 吳開亞.巢湖流域農(nóng)業(yè)循環(huán)經(jīng)濟發(fā)展的綜合評價[J].中國人口·資源與環(huán)境，2008，18（1）：94-98.

[6] LI? F，LIANG H D，MI X N，et al.A multi-subregions decision tree land cover classification approach using Landsat8 image[J].Infrared and laser ngineering，201 44（7）：2224-2230.

[7] 徐涵秋.新型Landsat8衛(wèi)星影像的反射率和地表溫度反演[J].地球物理學(xué)報，201 58（3）：741-747.

[8] 胡潭高，張錦水，賈斌，等.不同分辨率遙感圖像混合像元線性分解方法研究[J].地理與地理信息科學(xué)，2008，24（3）：20-2 40.

[9] 黃艷妮，查良松，陳健.基于線性光譜混合模型的混合像元分解研究：以合肥市為例[J].安徽師范大學(xué)學(xué)報（自然科學(xué)版），201 35（3）：258-263.

[10] 馬馳.基于Landsat8吉林中北部地區(qū)土壤有機質(zhì)定量反演研究[J].干旱區(qū)資源與環(huán)境，2017，31（2）：167-172.

[11] 潘竟虎，李天宇.基于光譜混合分析和反照率-植被蓋度特征空間的土地荒漠化遙感評價[J].自然資源學(xué)報，2010，25（11）：1960-1969.

[12] 趙銳.混合像元線性分解的精度估算[J].測繪與空間地理信息，2010，33（6）：187-189，196.

[13] SMALL C.The Landsat ETM+ spectral mixing space[J].Remote sensing of environment，200 93（1/2）：1-17.

[14] 陳思明，鄒雙全，毛艷玲，等.土壤光譜重建的濕地土壤有機質(zhì)含量多光譜反演[J].光譜學(xué)與光譜分析，2018，38（3）：912-917.