舟曲泥石流源区土壤分散性高光谱探测模型

王钦军，魏永明，陈 玉*，陈家阁，蔺启忠

1. 中国科学院遥感与数字地球研究所，数字地球重点实验室，北京 100094 2. 三亚中科遥感研究所，海南省地球观测重点实验室，海南 三亚 572029 3. 山东科技大学，山东 青岛 266590

舟曲泥石流源区土壤分散性高光谱探测模型

王钦军1,2，魏永明1，陈 玉1,2*，陈家阁3，蔺启忠1

1. 中国科学院遥感与数字地球研究所，数字地球重点实验室，北京 100094 2. 三亚中科遥感研究所，海南省地球观测重点实验室，海南 三亚 572029 3. 山东科技大学，山东 青岛 266590

通过开展土壤分散性高光谱测量实验，首次明确了舟曲泥石流源区土壤分散性敏感波段位置、建立了土壤分散性高光谱探测模型、探讨了土壤分散性高光谱探测机理。结果表明，(1)傅里叶变换可以将光谱从时间域转换为频率域，实现对光谱信号与噪声的分离。通过开发矿物组分精细鉴别系统，实现了光谱去噪，为构建土壤分散性高光谱探测模型提供了高保真数据源； (2)基于多元线性回归分析法建立的土壤分散性高光谱探测模型在研究区具有较好的预测能力，所确定的敏感波段位置及其反射率与土壤分散性具有较高的相关性； (3)分析矿物光谱结果表明，土壤分散性高光谱探测的敏感波段位置实际上反映了土壤矿物组分及其所吸附的离子类型，揭示了导致土壤分散的深层原因： 与舟曲泥石流源区土壤分散性关系最为密切的是钠离子，其次是方解石、蒙脱石和伊利石，与绿泥石、高岭石、pH值、石英、钾长石、斜长石等的相关性较弱。其原因主要是与钠离子所具有的离子价低、半径小、水化力强的特点，方解石所具有的水溶性特点，蒙脱石所具有的层间结合力极弱、易吸附钠离子的特点，伊利石在高PH值条件下所具有的强吸附阳离子、高土壤分散性的特性有关。

舟曲； 泥石流； 分散性； 高光谱

引 言

2010年8月7日晚，在百年一遇的特大暴雨诱发之下，多条泥石流沟，尤其是在甘肃省舟曲老城北面的三眼峪形成了特大泥石流，自北向南冲向县城，冲垮了房屋、堵塞了白龙江、中断了电力、交通和通讯等设施，造成1 435人遇难，330人失踪，直接经济损失高达4亿元[1]。因其规模大、破坏性强，舟曲泥石流成为现代泥石流研究的典型。

土壤分散性对泥石流的形成具有重要影响： 首先，在一定水量和地形地貌条件下，土壤分散性是制约泥石流规模的重要因素。土壤是泥石流的主要物质成分，并在泥石流中起搅拌作用。土壤含量越多，泥石流的密度越大，所产生的冲蚀力也就越强，从而能启动更大粒度的山间滚石等堆积物。以此规律往复，泥石流的规模也越来越大。因此，分散性高的土壤，在较小临界雨量的作用下就可以启动，形成较大规模的泥石流； 相反，在相同条件下，分散性低的土壤启动条件要求高，形成的泥石流规模相对较小。因为在同等社会、经济发展背景条件下，泥石流危险程度与其规模成正比，所以，泥石流物源区的土壤分散性在一定程度上也决定了其危险性。

正因为如此，近年来，有关土壤分散性的研究得到国内外专家的重视。目前的研究大多集中在分散性土壤鉴别[2-7]，土壤分散性成因[8-16]和分散性粘土工程防治[11, 18-19]三个方面； 在土壤与高光谱联合反演方面，主要集中在土壤有机质[20-21]、土壤湿度[22]、土壤重金属含量[23]的高光谱探测等方面，但是，到目前为止尚未构建定量的土壤分散性高光谱探测模型。

本研究的目的是通过土壤分散性测量实验，揭示土壤分散性与矿物成分、酸碱度、离子类型及含量间的内在规律； 通过土壤分散性高光谱测量实验，研究土壤分散性高光谱探测方法。为利用高光谱大面积计算泥石流土壤总量、定量分析泥石流规模、评价泥石流危险性与泥石流预警提供一种新方法。

1 研究区

研究区(左上： 104°15′，33°50′； 右下： 104°25′，33°43′)东以舟曲老城为界，西至舟曲新城，北抵大峪沟的最北侧，南临庙儿沟的最南侧； 东西长约16km，南北长约14 km。白龙江自北西向南东贯穿研究区，位于江边的S313省道沿江向西连接迭部县，向东与G212国道相连，可达陇南市。

舟曲老城就建在冲积扇上，周边山体内含多条泥石流冲沟，较大的包括三眼峪、罗家峪、武都关沟和庙儿沟。其中，造成损失最严重的是三眼峪泥石流沟。它包括大峪沟、小峪沟和三眼峪三部分： 大峪沟位于县城的正北，长5.8 km，最小宽度5 m，最大宽度800 m，平均宽度约70 m，流域内汇水面积达13 km2； 小峪沟位于县城的东北方向，长3.8 km，最小宽度2 m，最大宽度90 m，平均宽度约50 m，流域内汇水面积高达8 km2； 二者在县城北侧约2公里处汇聚形成三眼峪，长2 km，宽70 m，自北东向南西流入白龙江； 它们呈“瓢”状悬在县城的北侧上方，大峪沟和小峪沟的交汇处，也就是三眼峪北边的起点成为名副其实的“瓢把”，对上游汇聚的水流形成严重的辖制、滞流作用，非常不利于泄洪，成为形成特大泥石流的爆发口； 另一方面，研究区基岩以灰岩为主，岩石表面风化严重、劈理发育、植被覆盖稀疏，在坡高谷窄的地貌上极易形成崩塌，导致小到拳头、大到房屋的灰岩滚石随处可见，为泥石流的形成提供了大量物源； 此外，泥石流沟中的土壤大多为松散坡积物，成分以方解石、白云石为主，其次是石英和以伊利石为主的粘土矿物，总体呈碱性。由于土壤以松散的颗粒堆积为主，再加上方解石易溶于水，蒙脱石、伊利石等粘土矿物在碱性环境中也具有较强分散性的特点，当遭遇强降雨的触发条件下，容易随波逐流，形成大规模泥石流。

2 数据获取及其预处理

2.1 样品采集与预处理

2012年9月16日至22日，在舟曲泥石流灾区分别考察了三眼峪、罗家峪、武都关沟和庙儿沟。其中，前三条沟为泥石流沟，共采样102个； 庙儿沟为非泥石流沟，共采样93个。利用8411型振筛机对采样后的样品过2 mm土壤筛，去除植物根系、碎石等杂质后，研磨至50，100和200目，对其进行光谱测量。

2.2 土壤参数测量

利用IQ150土壤原位pH值测定仪测定土壤酸碱度，利用Item #2500 Na+测定仪测量土样的钠离子含量，委托中石化石油勘探开发研究院利用日本理学D/MAX2500 X射线衍射分析仪测量样品的造岩矿物及粘土矿物含量，部分结果见表1。

Table 1 Results of partial soil parameters

续表1

ZQ535.400.919.03.50.70.708.220.0032ZQ554.00.2037.01.90.70.708.20.033ZQ5610.30.13.332.03.61.11.00.998.390.02ZQ575.00.41.434.41.50.40.507.320.13ZQ585.80.61.628.72.91.20.808.010.017ZQ594.80.21.528.94.20.91.107.40.028ZQ6111.301.129.63.90.60.608.290.013

2.3 土壤分散性测量

目前，测量土壤分散性的方法主要包括碎块、双比重计、针孔、孔隙水可溶盐和交换性钠百分比五种，其中，针孔实验是由美国谢拉德(Sherard)在1976年提出的，被认为是最可靠的土壤分散性鉴定方法。其基本原理是在击实的土样中心穿一直径为1.0 mm的细孔，分别在50，180，380和1 020 mm水头的渗流作用下，用蒸馏水进行冲蚀试验。通过观测终了孔径和流量来鉴定土样的分散性(表2)。根据美国材料与试验协会制定的《关于利用针孔实验进行土壤分散性鉴别与分类的标准测试方法(ASTM-D4647-1993)》的要求，制作了土壤分散性针孔实验装置(图2)，并依据标准测试流程对土壤分散性进行测量，结果见表3和表4。

Fig.2 Experimental instrument for the pinhole test

Table 2 Evaluation criteria of soil dispersion pinhole test

Table 3 Results of pinhole test in the Sanyanyu and Wuduguangou debris flow area

续表3

1910203004352.71.45完全清澈完全清澈无1ND12010203005102.51.7完全清澈完全清澈无1ND121503003301.381.1浑浊很浑浊有2.3D12210203006302.62.1完全清澈完全清澈无1ND1233803004352.31.45肉眼可见轻微浑浊无2.2ND3245060045010.75轻微浑浊较浑浊无1.3ND4251803003302.31.1肉眼可见轻微浑浊有2.3ND326503003601.41.2浑浊很浑浊无2.5D12710203003632.31.21完全清澈完全清澈无1ND128503002701.30.9浑浊很浑浊无2.2D12910203005102.61.7完全清澈完全清澈无1ND13010203006002.82完全清澈完全清澈无1ND131503004051.41.35浑浊很浑浊有2.8D13210203007203.22.4清澈肉眼可见无1.4ND23310203003753.21.25清澈肉眼可见无1.7D234503004051.41.35浑浊很浑浊无2D1

2.4 土壤光谱测量及其预处理

高光谱遥感所具有的光谱分辨率高，波段连续性强，能捕获矿物成分的精细光谱信息的特点，使其能有效开展土壤矿物鉴别及其含量的提取。但是，由于受光谱仪本身及测试环境的影响，测量的光谱数据存在着阶跃和白噪声，它们对确定矿物类型与含量、提取土壤分散性敏感波段位置、构建土壤分散性模型等产生严重影响。为此，开发了矿物组分精细鉴别系统(fine mineral component identification system, FMIS)，有效去除了上述影响因素，并通过了国家级专业软件机构的测评，为构建土壤分散性高光谱探测模型提供高保真数据源。

(1)光谱测量

为尽可能避免大气效应对土壤光谱的影响，在实验室条件下，利用美国ASD便携式光谱仪(ASD FieldSpec○R3)分别测量50，100和200目下的土样光谱。测量时光谱仪探头与目标物垂直距离为10 cm，使用1 000 W的卤光灯照射。每个样品重复测量五条光谱曲线，去除异常光谱曲线后进行算术平均，得到该样本的平均光谱反射率数据。实验共测量光谱2 925条，部分样品的光谱数据如图3所示。

Fig.3 Original spectra of soil samples

(2)光谱去噪

受仪器自身的影响，测量的光谱存在白噪声，它们以毛刺的形式表现在光谱曲线上，尤其是在蓝色可见光区和短波红外区较为明显。它们会显著降低矿物的预测精度、影响土壤分散性建模的准确性，需要彻底去除。根据噪声与信号在频率上的差别，在FMIS系统中实现了基于傅里叶变换的光谱去噪。图4是利用FMIS系统进行光谱去噪前后的效果对比图，结果表明，该系统有效去除了噪声，对提高矿物定量反演和土壤分散性高光谱探测模型的精度起重要作用。

Fig.4 Results of spectral noises removal using FMIS system

3 舟曲泥石流源区土壤分散性高光谱探测模型

基于土样高光谱测量数据、土壤分散性数据及土壤物理化学测试数据，探讨土壤分散性的敏感波段位置，构建土壤分散性高光谱探测模型，实现基于高光谱数据的土壤分散性定量化提取。

3.1 建模数据

在针孔实验中，在某一水头下的冲蚀孔径的大小是衡量土壤分散性的重要依据，据此，选择泥石流区的24个分散性土壤样品在50水头下测量的孔径数据及相应的土壤物、化参数进行土壤分散性高光谱建模，如表5所示。

Table 5 Soil dispersion modeling data

续表5

ZQ4311.70.22.326.04.61.00.90.60277.760.0132.2ZQ4510.50.43.079.61.80.50.407.980.0053.5ZQ4730.81.211.241.58.411.32.00.964258.380.012.8ZQ49-143.50.89.624.18.51.82.408.010.0274ZQ535.400.919.03.50.70.708.220.00323.5ZQ554.00.2037.01.90.70.708.20.0335ZQ5610.30.13.332.03.61.11.00.99338.390.024ZQ575.00.41.434.41.50.40.507.320.132.3ZQ585.80.61.628.72.91.20.808.010.0172.5ZQ594.80.21.528.94.20.91.107.40.0285.5ZQ6111.301.129.63.90.60.608.290.0132

3.2 土壤分散性敏感波段区间位置

基于上述数据，计算针孔实验的冲蚀孔径与光谱波段反射率间的相关系数，如图5所示。根据相关系数的大小，提取土壤分散性的敏感波段位置分别为370～410，565～581，1 918～1 934，2 392～2 401，2 444～2 452 nm。对它们按照波长从小到大的顺序进行Ⅰ—Ⅴ编号，显示在图6所示的矿物光谱图中。

Fig.5 Correlation coefficient between soil dispersive parameters and band reflections

Fig.6 Soil dispersion sensitive bands and mineral spectra

对比结果表明，Ⅰ，Ⅱ区的土壤分散性敏感波段位置主要与伊利石等粘土矿物、方解石、pH值、Na离子有关，Ⅲ区主要与蒙脱石等粘土矿物、方解石有关，Ⅳ区主要与蒙脱石等粘土矿物、方解石、pH值有关，Ⅴ区主要与蒙脱石等粘土矿物、方解石、pH值有关。因此，土壤分散性高光谱探测的敏感波段位置实际上反映了影响土壤分散性的矿物组分及其所吸附的离子类型，对揭示导致土壤分散性的深层原因具有指示意义。

3.3 土壤分散性高光谱探测模型

基于土壤分散性敏感波段位置分析结果，选择冲蚀孔径和敏感波段区间的光谱数据，利用多元线性分析方法进行建模，公式如下。通过绘制预测孔径与实测孔径间的相关关系图，结果表明模型的决定系数达到0.84，说明该模型具有较好的预测能力； 同时，也明确了土壤分散性的敏感波段位置分别为370，377，387，398，410，570，1 918，1 933，2 392，2 401，2 444，2 448和2 452 nm。

Y=3.728-502.948X370+351.238X377-95.863X387+571.108X398-355.982X410+26.422X570+89.116X1 918-122.519X1 933+115.307X2 392-107.671X2 401-162.515X2 444+235.723X2 448-51.339X2 452

其中，Y表示孔径(mm)，X370表示波长370 nm处的反射率，其他类推。

Fig.7 Correlation between measured and forecasted pinhole diameters

3.4 土壤分散性高光谱探测机理探讨

土壤分散性高光谱探测模型明确了土壤分散性与敏感波段位置的定量关系，揭示了导致土壤分散的主要因子类型及其贡献，它们为什么与土壤分散性具有如此紧密的联系？ 是值得深入研究的土壤分散性高光谱探测机理问题。

Table 6 Correlation coefficients between soil physical and chemical parameters

**: Significant correlation on 0.01 level； *: Significant correlation on 0.05 level；N=24

土壤分散性与土壤参数的相关性分析结果表(表6)表明： 在舟曲泥石流区，与土壤分散性关系最为密切的是钠离子，它们在0.05水平上显著相关，其次是方解石、蒙脱石和伊利石，而绿泥石、高岭石、pH值、石英、钾长石、斜长石等与土壤分散性的相关性较弱，分析其原因如下：

各种电解质以离子或化合物的形式存在于水中，形成土—水—电解质系统。离子的带电性导致在电解质系统中形成了双电层，其厚度越厚，土粒絮凝的倾向就越小，导致土壤的分散性就越强。因此，离子浓度和化合价对控制土壤分散性具有显著的影响[4]。

(1)钠离子具有低离子价、小半径、强水化力的特点，可增大土颗粒表面的双电层厚度与距离，减弱颗粒间的连结力，导致土壤产生较强的分散性。

(2)方解石是研究区土壤含量最多的矿物成分，一方面，它在土壤中的颗粒性强、粒间粘结力弱，遇水容易分散； 另一方面，它的化学成分是CaCO3，容易与水相结合，形成易溶于水的CaHCO3，造成组分流失，成为孔径增大和分散性增强的主要因子之一。

(3)蒙脱石粘土矿物晶格是由SiO2和Al2O3晶片组成2∶1三层定向组构，晶格间以氧基相连，具有强亲水性、弱层间结合力、高晶格活动性的特点，导致水分子进入层间自由。当遇水后，尤其是小半径、强水化力的Na+进入层间，增大了双电层厚度，使得土粒处于高分散悬浮状，容易分散。

(4)伊利石是一种富钾的2∶1型二八面体硅酸盐云母类粘土矿物，拥有两个硅氧四面体夹一个铝氧八面体的(即T-O-T)结构。因部分硅氧四面体结构中的Si被Al取代而带负电荷。在电荷不平衡的条件下，Ca和Mg离子可以取代K离子，从而阻止水分子进入层间，具有晶层联结牢固、晶格无扩展性的特点。但是，如果土样中的黏土矿物以伊利石为主，且处于高pH值溶液中，其黏土颗粒表面的负电荷增大，吸附的阳离子数量增多，增加了颗粒表面的双电层厚度，使土壤具有较强的分散性[4]。

4 结 论

(1)傅里叶变换可以较好地去除光谱噪声，矿物组分精细鉴别(FMIS)系统为提高土壤分散性高光谱探测的精度提供了技术支撑。

在光谱测量过程中，受仪器自身的影响，测量的光谱曲线存在白噪声，尤其在蓝色可见光和短波红外波段较为明显。研究结果表明，噪声与信号间的差异主要体现在频率上： 信号位于低频区，而噪声则位于高频区。傅里叶变换可以将光谱从时间域转换为频率域，实现对光谱信号与噪声的分离； 因此，可以通过低通滤波消除噪声。基于上述原理，通过开发矿物组分精细鉴别系统，实现了光谱去噪，为构建土壤分散性高光谱探测模型提供了高保真数据源。

(2)利用多元线性分析方法建立的土壤分散性高光谱探测模型具有良好的预测能力。

基于针孔实验的孔径值和敏感波段区间的光谱数据，通过对比多元线性分析法(决定系数为0.843 1)、主成分分析法(决定系数为0.12)和偏最小二乘法(决定系数小于0.1)的建模结果表明，基于多元线性分析法建立的土壤分散性高光谱探测模型在研究区具有较好的预测能力，所确定的敏感波段位置及其反射率与土壤分散性具有较高的相关性。

(3)土壤分散性高光谱探测的敏感波段位置反映了影响土壤分散性的矿物组分及其所吸附的离子类型，对揭示土壤分散性的深层原因具有指示意义。

土壤分散性高光谱探测模型明确了舟曲泥石流源区土壤分散性的敏感波段位置分别为370，377，387，398，410，570，1 918，1 933，2 392，2 401，2 444，2 448和2 452 nm。通过分析土壤参数与高光谱波段间的相关性，结合矿物光谱曲线图表明，土壤分散性高光谱探测的敏感波段位置实际上反映了土壤矿物组分及其所吸附的离子类型，揭示了导致土壤分散的深层原因。

(4)钠离子、方解石、蒙脱石和伊利石是导致舟曲泥石流源区土壤分散的主要因素。

通过分析土壤分散性与土壤参数的相关关系的结果表明，与舟曲泥石流源区土壤分散性关系最为密切的是钠离子，其次是方解石、蒙脱石和伊利石，而绿泥石、高岭石、pH值、石英、钾长石、斜长石等的相关性较弱。其原因主要是与钠离子所具有的离子价低、半径小、水化力强的特点，方解石所具有的水溶性特点，蒙脱石所具有的层间结合力极弱、易吸附钠离子的特点，伊利石在高PH值条件下所具有的强吸附阳离子、高土壤分散性的特性有关。

[1] LIU De-yi, YU Ke(刘德镒，喻 刻). Land & Resources Herald(国土资源导刊), 2010，9： 20.

[2] LI Hua-luan, GAO Pei-fa, MU Nai-min, et al(李华銮，高培法，穆乃敏，等). Journal of Shandong University·Engineering Science(山东大学学报·工学版)，2010，40(4)： 92.

[3] FAN Heng-hui, WU Pu-te, LI Peng, et al(樊恒辉，吴普特，李 鹏，等). Chinese Journal of Geotechnical Engineering(岩土工程学报)，2005，27(11)： 1310.

[4] ZHAO Gao-wen, FAN Heng-hui, CHEN Hua, et al(赵高文，樊恒辉，陈 华，等). Journal of Northwest A&F University·Nat. Sci. Ed(西北农林科技大学学报·自然科学版)，2013，41(6)： 202.

[5] SUN Xiao-ming, ZHANG Xiao-jing, WU Fu-ping(孙晓明，张晓静，吴富萍). Water Conservancy Science and Technology and Economy(水利科技与经济)，2002, 8(2)： 87.

[6] LU Xue-qing, DANG Jin-qian, FAN Heng-hui, et al(卢雪清，党进谦，樊恒辉，等). Journal of Northwest A&F University·Nat. Sci. Ed.(西北农林科技大学学报·自然科学版), 2011, 39(5): 208.

[7] FAN Heng-hui, LI Hong-liang, ZHAO Gao-wen(樊恒辉，李洪良，赵高文). Chinese Journal of Geotechnical Engineering(岩土工程学报), 2012, 34(9): 1740.

[8] Peltonen C, Marcussen Ø, Bjørlykke K, et al. Marine and Petroleum Geology, 2009, 26: 887.

[9] Mohamed A M O. Engineering Geology, 2000, 57: 193.

[10] Peethamparan S, Olek J, Diamond S. Cement and Concrete Research, 2009, 39: 580.

[11] TIAN Kan-liang, ZHANG Hui-li, FAN Heng-hui(田堪良，张慧莉，樊恒辉). Journal of Hydroelectric Engineering(水力发电学报)，2010，29(2)： 204.

[12] LI Hong-liang, DANG Jin-qian, FAN Heng-hui(李洪良, 党进谦, 樊恒辉). Yangtze River(人民长江)，2010，41(2)： 84.

[13] Erguler Z A, Ulusay R. Engineering Geology, 2003, 67: 331.

[14] Kau P M H, Binning P J, Hitchcock P W, et al. Journal of Contaminant Hydrology. 1999, 36: 131.

[15] Khalfaoui A, Hajjaji M. Applied Clay Science, 2009, 45: 83.

[16] Trindade M J, Dias M I, Coroado J, et al. Applied Clay Science, 2009, 42: 345.

[17] Faulkner H, Ruiz J, Zukowskyj P, et al. Environmental Science & Policy, 2003, 6: 115.

[18] LIU Xiao-li, SONG Zhi-xiang, GONG Ji-chang, et al(刘晓黎，宋智香，宫继昌，等). Yellow River(人民黄河)，2007，29(12)： 85.

[19] JU Juan-li, YAN Bao-wen, FAN Heng-hui, et al(巨娟丽，严宝文，樊恒辉，等). Yangtze River(人民长江)，2007，38(6)： 132.

[20] LU Yan-li, BAI You-lu, YANG Li-ping, et al(卢艳丽，白由路，杨俐苹，等). PIant Nutrition and Fertilizer Science(植物营养与肥料学报)，2008，14(6)： 1076.

[21] QIAO Lu, CHEN Li-xin, ZHANG Jie, et al(乔 璐，陈立新，张 杰，等). Journal of Northeast Forestry University(东北林业大学学报)，2010，38(7)： 116.

[22] LIU Wei-dong, Frederic Baret, ZHANG Bing, et al(刘伟东，Frederic Baret，张 兵，等). Acta Pedologica Sinica(土壤学报)，2004，41(5)： 700.

[23] JIANG Jian-jun, XU Jun, HE Jun-liang, et al(蒋建军，徐 军，贺军亮，等). Acta Pedologica Sinica(土壤学报)，2009，46(1)： 177.

*Corresponding author

Hyperspectral Detection Model for Soil Dispersion in Zhouqu Debris Flow Source Region

WANG Qin-jun1,2, WEI Yong-ming1, CHEN Yu1，2*, CHEN Jia-ge3, LIN Qi-zhong1

1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China 2. Key Laboratory of the Earth Observation of Hainan Province, Institute of Remote Sensing for Chinese Sciences, Sanya 572029, China 3. Shandong University of Science and Technology, Qingdao 266590, China

Sensitive band positions, models and the principles of soil dispersion detected by hyperspectral remote sensing were firstly discussed according to the results of soil dispersive hyperspectral remote sensing experiment. Results showed that, (1) signals and noises could be separated by Fourier transformation. A finely mineral identification system was developed to remove spectral noises and provide highly accurate data for establishing soil dispersive model; (2) Soil dispersive hyperspectral remote sensing model established by the multiple linear regression method was good at soil dispersion forecasting for the high correlation between sensitive bands and the soil dispersions. (3) According to mineral spectra, soil minerals and their absorbed irons were reflected by sensitive bands which revealed reasons causing soils to be dispersive. Sodium was the closest iron correlated with soil dispersion. The secondary was calcite, montmorillonite and illite. However, the correlation between soil dispersion and chlorite, kaolinite, PH value, quartz, potassium feldspar, plagioclase was weak. The main reason was probably that sodium was low in ionic valence, small ionic radius and strong hydration forces; calcite was high water soluble and illite was weak binding forces between two layers under high pH value.

Zhouqu; Debris flow; Dispersion; Hyperspectral remote sensing

Jan. 18, 2015; accepted Apr. 26, 2015)

2015-01-18，

2015-04-26

国家自然科学基金项目(41171280)，中国科学院“西部之光人才培养计划”(Y32301101B)和三亚市院地合作项目(sy14ys01132)资助

王钦军, 1975年生，中国科学院遥感与数字地球研究所数字地球重点实验室研究员 e-mail： qjwang@ceode.ac.cn *通讯联系人 e-mail： yuchen@ceode.ac.cn

P585.1

A

10.3964/j.issn.1000-0593(2016)02-0502-09