基于GF-1遥感图像土壤含盐量反演研究

2017-03-22马驰

中国农村水利水电 2017年5期

马驰

(辽宁省交通高等专科学校，沈阳 110122)

0 引言

土壤的盐碱化是近年来影响干旱、半干旱地区最重要的土壤环境问题之一，严重影响农业生产与土地资源的可持续利用[1,2]。因此，实时监测土壤含盐量为合理管理土地资源、防止土壤盐碱化进一步恶化以及土壤的可持续利用提供重要依据[3,4]。遥感技术具有监测范围广、数据获取周期短、速度快、成本低等特点，为大区域土地盐碱化监测提供了一种高效、可行的方法[5]。

近年来，国内外学者利用遥感技术监测土地盐碱化展开了一系列研究，相应的也取得了一定成果。在盐碱土信息提取方法上主要采用定性分类和定量反演两种，在研究过程中所使用的遥感图像方面，主要包括高光谱遥感和多光谱遥感两种。利用分类方法只能定性提取盐碱土信息而不能反映出盐碱土含盐量的数量特征与变化趋势；高光谱遥感图像普遍存在价格昂贵且幅宽较小(如Hyperion、ARIES等)、分辨率较低(HJ-1A等)、波段较多而造成数据冗余度大等问题；多光谱遥感多集中于Landsat TM、Landsat ETM、ASTER等。TM传感器已于2011年11月停止接收数据，Landsat 7 ETM传感器于2003年出现故障使图像出现条带，ASTER影像图幅较小且价格昂贵。随着我国自主研发的高分一号遥感卫星于2013年4月升空并投入使用，为土地盐碱化的研究提供了新的数据源，而目前利用高分一号遥感影像定量反演土壤含盐量的研究还未见报道。国内外诸学者如Bao.R.S、扶卿华等人[6,7]的研究结果表明，土壤中含盐量在遥感光谱集中表现在可见光与近红外波段，而GF-1遥感影像的4个波段均为可见光与近红外波段；GF-1遥感影像相对于Landsat、ASTER等多光谱遥感影像，具有更高的空间分辨率(8 m/16 m)，可以很好地表现出地表地物的细部特征及破碎特征，且具有更短的重访周期(4 d)、较宽的图幅，有望在土壤盐碱化等方面的研究中发挥其潜力(GF-1与Landsat 7对应波段参数比较见表1)。本文实验以高分一号(GF-1)遥感影像为数据源，以吉林省白城市盐碱土区为研究对象，采用地理信息系统分析方法，结合实地土壤采样的化验数据，定量反演研究区内土壤含盐量，为高分一号遥感影像在土壤成分方面的探测提供参考，为该地区土地盐碱化的防治提供数据支持。

表1 GF-1与Landsat 7 对应波段参数表Tab.1 Parameter comparison of corresponding band between GF-1 and Landsat 7

1 材料与方法

1.1 研究区概况

白城市是我国苏打盐碱土主要分布地区，位于吉林省西北部，嫩江平原西部，东经121°38′～124°22′，北纬44°14′～46°18′，气候属半干旱大陆性季风气候，多年平均降水量为400 mm，而蒸发量超过1 200 mm。白城市东部地势低平，海拔130～140 m，湖沼众多且排水不畅，易发生土地的盐碱化；西部广泛分布着大小沙丘、沙垄，海拔150～180 m，土地沙化严重。

1.2 土壤采样与处理

土壤采样工作于2014年5月7日至10日完成，利用手持GPS接收机选择研究区内具有代表性的采样点46个，采样路线见图1。采样过程中，在30×30 m范围内采集5个共约1 kg土样并将其混合装入采集袋，采样深度为裸土表层0～15 cm。将土样在实验室内风干，剔除土样中小石块、植物根须等杂质，研磨并过2 mm筛。土壤化验工作由东北农业生态研究所完成，主要化验盐碱土的可溶性全盐含量及电导率。

图1 采样路线Fig.1 Sampling line

1.3 遥感影像的选取与处理

参考土壤采样时间，本文选取覆盖研究区的2014年4月30日准同步GF-1 WFV影像2景，空间分辨率为16 m，两景影像云覆盖率均小于1%。影像的预处理主要包括大气校正、几何精校正、图像裁剪以及图像的镶嵌等工作。利用ENVI5.1软件对遥感图像进行辐射定标及大气校正；参照研究区1∶5万地形图，对遥感影像进行几何精校正，校正误差小于1个像元；在ERDAS软件中对两幅影像进行必要裁剪、镶嵌，获得覆盖研究区范围的图像。

1.4 土壤含盐量与反射率相关性分析

将土样含盐量的化验值与采样点在遥感影像上的反射率按照式1进行相关性分析。相关系数R介于-1～1，R的绝对值越大，说明两者相关性越强。当R>0时表明两者呈正相关，反之两者呈负相关。

(1)

1.5 建模与模型检验

将46个土壤样本随机分成两部分：36个用于建立土壤含盐量的反演模型，10个用于模型的检验。将36个建模样本在SPSS软件中利用多元逐步回归分析，建立一元与多元回归模型，选择最优模型用于反演研究区土壤含盐量。

利用剩下的10个样本对模型进行检验。模型的检验工作由模型的判定系数R2和均方根误差RMSE予以衡量。R2越大、RMSE越小，表明反演模型的精度越高、反演的结果越精确可靠。

2 结果与分析

2.1 土壤含盐量与反射率及变换形式的相关性分析

将随机选取的36个采样点土壤含盐量与GF-1影像上对应点反射率进行相关性分析(图2所示)。相关分析结果显示，GF-1影像的4个波段反射率与研究区内土壤含盐量均存在着显著相关性，究其原因：当土壤表层含水量较低、含盐量较高时，盐分在土壤表层结晶甚至形成硬壳，将直接表现出矿物的光谱特征。Rao、蒲智等人[6-8]的研究结果显示，在可见光与近红外波段均有很强的反射性且无明显的吸收带，土壤中含盐量越高，光谱反射性越强；土壤中含盐量相同时，在可见光与近红外波段盐碱土反射率随波长增加而升高。本文的研究结果显示，研究区内土壤含盐量与GF-1遥感影像第4波段反射率相关性最显著，达到R=0.809，第1波段相关性最差，为R=0.781。

图2 反射率及变化形式与土壤含盐量相关系数Fig.2 Correlation coefficient of reflectivity and organic matter content

诸多研究结果表明，将反射率进行适当的数学变化可以有效削弱影像中噪声对地物波谱的影响，提高反射率与土壤含盐量的相关性。本文将反射率进行倒数(1/R)、倒数的对数[log(1/R)]、指数(eR)、一阶微分(R′)等数学变换形式作为分析的光谱指标，与建模样本土壤含盐量进行相关性分析。结果表明：反射率经过指数变换后与土壤含盐量呈正相关，且在第2波段达到最大值为R=0.829；反射率经过倒数变换、倒数的对数变换后与含盐量呈负相关，相关系数均有不同程度的提高，其中，经过倒数的对数变换后与含盐量相关性在第4波段达到最大值，为R=-0.836。反射率经过一阶微分变换后与含盐量相关系数在第2波段达到最大值，R=-0.812，第1波段最小为R=0.580。

2.2 含盐量反演模型的建立及检验

在SPSS软件中，利用与含盐量相关性较强波段的光谱指标建立研究区土壤全盐含量的单波段反演模型。表2显示，利用第4波段反射率倒数的对数变换形式建立起来的单波段反演模型，其判定系数R2达到最大值0.700，均方根误差为RMSEcal=0.636。

利用第4波段反射率倒数的对数变换建立的单波段反演模型，获得检验样本土壤含盐量的预测值，与实测值一起建立散点图(如图3)。图中显示，检验样本的预测值与实测值较均匀地分布于1∶1直线两侧，检验样本的判定系数R2test=0.816，均方根误差RMSEtest=0.522。

表2 土壤含盐量的反演模型Tab.2 Soil salinity inversion model

参考土壤含盐量的单波段相关性分析结果，将各波段反射率及其变换形式与建模样本土壤含盐量进行多元逐步回归分析(表2所示)。分析结果显示，利用单光谱指标建立的多元回归模型中，以第2、第4波段反射率倒数的对数变换形式建立的多元回归模型，判定系数达到最大值，为R2=0.814，均方根误差RMSEcal=0.666，显著水平Sig=0.000，达到了显著性；以第2波段指数、第4波段倒数、第4波段倒数的对数等3种光谱指标建立多元回归模型，其判定系数R2达到0.846，均方根误差RMSEcal=0.522。

利用多种光谱指标建立的土壤含盐量反演模型获得检验样本含盐量的预测值，与实测值建立散点图(如图4所示)，检验样本的预测值与实测值均匀分布于1∶1直线两侧，检验样本的判定系数R2test=0.895，均方根误差RMSEtest=0.507，说明该反演模型可以很好地预测研究区土壤含盐量。

图3 单波段反演模型预测值与实测值比较Fig.3 Comparison of the predicted values and measured values based on single-band

图4 多波段反演模型预测值与实测值比较Fig.4 Comparison of the predicted values and measured values based on multiband

2.3 研究区土地盐碱化空间格局分析

利用第2波段指数、第4波段倒数、第4波段倒数的对数建立的多元回归模型，反演研究区土壤含盐量，并作图(图5所示)。反演结果图显示，研究区内土壤含盐量呈东高西低、南高北低的趋势。其中，重度盐碱化土壤(含盐量7～9 g/kg)、盐土(含盐量>9 g/kg)集中分布于白城市东部湖沼周围，以及与大庆市西南部、乾安县西北部接壤地区。白城市北部的镇赉县、南部的通榆县有零星分布；中度盐碱化(含盐量5～7 g/kg)主要分布于白城市中部、北部地区以及重度盐碱化外围；轻度盐碱化土壤(含盐量3～5 g/kg)广泛分布于研究区内，实地调查发现，研究区西部、南部地势较高，湖沼较少，土地盐碱化的发生主要以轻度为主，与本文的研究结果相同。

图5 白城市土地盐碱化反演结果图Fig.5 Land salinization inversion of Baicheng City

3 讨论

本文实验利用GF-1遥感影像结合研究区实地采样的化验数据，反演吉林省白城市土地盐碱化区域土壤含盐量，分析结果显示，GF-1影像的4个波段反射率与研究区内土壤含盐量均存在着显著相关性，且在第4波段(近红外波段，波长0.77～0.89 μm)达到最大值。此结论与国内外诸多学者的研究结果相同或相近，如Bao.R.S[6]的研究结果显示，土壤含盐量较高时，其在可见光波段、近红外波段的光谱反射也较强；扶卿华[7]发现在波长范围为0.45～0.59 μm内的土壤反射率与土壤含盐量的具有较高的相关性；王爽等[9]利用高光谱研究土壤含盐量使发现，0.462、0.828 μm等波段是盐碱土的最敏感波段。阿尔达克·克里木、张飞等人[10,11]的研究表明，将遥感影像的反射率进行适当的数学变换后可以提高与土壤含盐量的相关性。本文将反射率进行倒数、指数、对数等变换以后，有效提高了与含盐量的相关性，与前人的研究结论相同。利用第2波段指数、第4波段倒数、第4波段倒数的对数变换建立的多元回归模型反演研究区土壤含盐量，获得了较好的结果。究其原因：①本文选取的GF-1遥感影像具有较高的分辨率，可以反映出研究区内破碎地物的细部特征，提高了土壤含盐量的反演精度；②遥感影像获取时间为2014年4月30日，此时研究区地表已无冰雪覆盖，遥感云覆盖量小(小于1%)，可以真实反映出研究区裸土信息；③本文使用的遥感影像获取时间与土壤采样时间(2014年5月7日至10日)接近同步，遥感影像可以真实反映出研究区土壤各种信息。