土壤盐分遥感监测研究

土壤盐分遥感监测研究（精选三篇）

土壤盐分遥感监测研究 篇1

关键词：土壤盐分,遥感影像,光谱特征,光谱指数,模型

我国盐渍土总面积约0.36亿hm2, 土壤盐分是盐渍土农业生产的重要限制因子之一[1,2], 及时掌握土壤盐分的空间差异, 准确快速获取大面积土壤的盐渍化程度是当前盐渍化监测的研究热点。

传统的土壤盐分测定一般需要野外定点挖掘、土钻法和透度计等侵入式土壤剖面采样, 然后将采集的样品进行室内实验分析, 该方法费时费力、成本高, 且无法全面获取数据[3]。遥感具有波段多、信息量丰富、范围广等技术优势, 能很好弥补传统方法的不足, 为大面积动态实时监测土壤盐渍化状况提供了可能[4,5,6]。

目前土壤盐分遥感监测主要是从获取的多光谱、高光谱、雷达等遥感影像中提取有用的信息, 采用建模的思路对土壤盐分进行反演[7]。一个模型反演是否成功, 不仅与观测数据对反演参数的敏感程度有关, 还与反演方法及模型适用性有关。土壤盐分遥感监测中所使用的观测数据, 都是从作物冠层光谱和土壤光谱中提取的与土壤盐分密切相关的光谱特征指标[3,4,5,6,7]。为此, 本文从光谱特征指标的选择、反演方法的比较和反演模型的适用性3个方面介绍土壤盐分遥感监测的应用进展。

1 光谱特征指标

原始反射光谱常常受到干扰, 往往不能直接反映出光谱与土壤盐分含量之间的关系。因此, 实际中往往采用原始光谱的变换形式作为反映土壤盐分变化的光谱特征指标, 变换形式主要包括光谱形状特征参数的数学运算和光谱指数两大类。

1.1 光谱形状特征及其运算形式

光谱的形状特征参数包括特征谱段的斜率和特征位置的反射率, 其中反射率在土壤盐分监测中应用相对较多。一般情况下, 盐渍土光谱反射率大于其他类型的土壤, 光谱曲线与土壤含盐量之间有良好的线性关系, 盐分含量越高, 光谱反射能力就越强[8,9]。目前, 大量研究人员采用原始光谱的运算形式作为光谱特征指标, 运算形式主要包括代数运算和微分运算, 其中代数运算主要包括对原始光谱取对数、倒数、倒数的对数、对数的倒数和均方根;微分运算包括一阶微分和二阶微分, 一阶微分形式有一阶导数、均方根一阶导数、对数一阶导数、倒数的一阶导数和对数的倒数的一阶导数, 二阶微分形式有二阶微分、对数的二阶微分和对数的倒数的二阶微分。大量研究表明, 土壤发射率光谱经过数学变换后与实测盐分数据的相关性会发生变化[10,11,12]。有研究人员将上述光谱变换形式与土壤的实测含盐量数据进行相关分析, 发现一阶导数[10]和对数的二阶微分[12]变换与土壤含盐量的相关性较好。

1.2 光谱指数

利用遥感影像中提取的各类光谱指数构建特征空间进行土壤盐分信息的反演和监测是当前土壤盐分遥感监测研究的前沿方法。目前常用到的有干旱指数、植被指数、盐分指数、亮度指数、湿度指数、水体指数、组成物指数、黏土指数等[13,14], 不同的光谱指数又包含多种形式, 比如:植被指数包括归一化植被指数、差值植被指数、比值植被指数、土壤调节植被指数、增强型植被指数等[13], 盐分指数SI包含SI1、SI2、SI3、NDSI和BI[15,16];随着实际应用的不断开展, 光谱指数又衍生出许多新形式, 比如引入短波红外数据对传统植被指数进行扩展得到改进植被指数[13], 为消除近红外波段中无法准确辨识盐渍土和植被的问题而只利用可见光波段建立的盐分指数OLI-SI[17]等。同时, 光谱指数在使用过程中要与遥感影像进行比较分析, 选择遥感影像波段反射率数据反演结果相关性较好的用于建模。研究表明, 土壤盐分反演模型中光谱指数的选择与地物类型[18]、土壤盐渍化程度[18]、土壤深度[19]等有关。还有研究显示, 使用单一光谱指数建立模型适用性较差[15,18], 多个指数综合建模或多个指数比较建模可以提高模型精度[14,18]。

2 反演方法

构建反演模型的方法大多使用统计学方法。除了传统的直线回归、指数回归、多元逐步回归以外, 偏最小二乘回归分析法、BP神经网络、支持向量机等其他高级统计和机器学习方法也被广泛用于土壤盐分的反演[20,21,22,23]。从目前来看, 各种建模方法比较分析, 寻找具有较好稳定性和较高精度的反演模型是广大学者需要努力研究的方向。

多元线性回归模型能准确计量各因素之间的相关程度与回归拟合程度的高低, 在土壤盐分反演中是比较常规的建模方法[11,12], 而当变量数目远远大于样本数量时, 往往采用引入主成分分析思想的偏最小二乘回归法[24]。研究表明, 偏最小二乘回归分析方法在保证信息量最大的基础上, 降低光谱数据维数, 提高了分析效率[25,26]。有研究显示, 利用偏最小二乘回归建立的土壤盐分预测模型, 对全盐、EC值、Na++K+、Cl-、HCO3-有较好的反演精度, 其中对EC值的模型判定系数高达0.879[3]。除此以外, BP神经网络和支持向量机在土壤盐分遥感监测中应用也备受瞩目[13,22,27,28]。由于受植物、水分、土壤系统的影响, 土壤盐分空间分布与后向散射特性存在着复杂的非线性函数关系, 而神经网络正是基于非线性函数逼近理论的方法, 其成熟的BP技术可为研究土壤盐分遥感监测中非线性函数逼近问题提供了新的思维方法和建模手段。有研究表明, 在盐渍土盐分的遥感反演中, BP神经网络较多元线性回归法有较高的精度[27], 但BP神经网络有收敛速度慢、存在局部极小值和结构确定无理论支撑等缺点。支持向量机法是基于结构风险最小化原则、收敛速度及泛化误差的界等定理的统计学习理论, 从线性可分扩展到线性不可分的一种新型机器学习方法, 只考虑输入和输出, 能较好地解决局部极小点、非线性和高维数等实际问题。有研究表明, 支持向量机较多元线性回归和BP神经网络, 模型精度显著提高[13]。

3 反演模型适用性

输入变量和建模方法是影响函数模型的主要因素, 研究表明选用不同光谱指数, 采用不同的建模方法会给模型的精度带来很大影响。但同样的输入和建模方法也可能得到不同反演模型, 这与复杂的土壤环境密不可分。

不同地区具有不同的土壤环境, 植被覆盖度也不尽相同, 这给模型的普适性带来障碍。研究显示适合吉林大安市盐土的土壤盐分反演模型不适合新疆和田县的盐渍水稻土[29]。有研究表明, 灌溉区域土壤盐分反演模型相关性系数低于荒漠区, 因为土壤水分对盐分观测影响较大[30];还有研究认为植被覆盖度对反射光谱的影响超过土壤水分[31]。此外, 土壤盐分还受盐分矿物及其含量、土壤颜色、表面粗糙度、土壤质地、土壤有机质、地下水埋深、地下水矿化度、地形、气候等因素影响[27,29,32,33]。

同一反演模型针对土壤不同盐分离子反演精度有所差异。研究显示土壤盐分预测模型对全盐、EC值、Na++K+、Cl-、HCO3-反演结果较理想, 但p H值、Ca2+反演精度不高, CO32-、SO42-、Mg2+预测精度尚未达到显著水平[25]。此外, 相同土壤模型在不同深度的土壤盐分反演结果也不完全相同。研究显示同一模型在不同深度土壤上反演精度差异明显, 而且表层土壤 (0~10 cm) 反演精度普遍高于深层土壤 (10~30 cm, 30~50cm) [34]。还有研究表明, 随着土壤深度的增加模型预测精度降低, 主要因为土层深度的加深使得遥感影像反映的土壤的信息量减少[34]。研究表明, 将所有地区的土样汇总来建立统一的全局反演模型精度低于针对不同地区的土样建立单独的局部反演模型[29]。这表明, 某一地区土壤盐分遥感反演模型可以适用于该地区表层土壤或深层土壤, 但可能不适用于其他地区, 建立更大尺度、更广泛适用的反演模型非常必要。

4 结语

农田土壤含水率遥感监测方法的探索 篇2

农田土壤含水率遥感监测方法的探索

以光学植被盖度为基本原理,依据像元点亮度值和反射率的关系推导基于ASTER数据1、2、3波段反射率的地表土壤水分模型,并将模型实际应用于研究区域,反演研究区土壤水分含量,将反演结果与从美国国家冰雪中心下载的AMSR-E地表土壤水产品进行对比分析,结果表明本次研究模型可以适用于大范围区域土壤水分遥感监测.

作 者：李文莉 杨长保 张燕莉 祝文华 刘舫 Li Wenli Yang Changbao Zhang Yanli Zhu Wenhua Liu Fang  作者单位：李文莉,杨长保,祝文华,刘舫,Li Wenli,Yang Changbao,Zhu Wenhua,Liu Fang(吉林大学,地球探测科学与技术学院,吉林,长春,130026)

张燕莉,Zhang Yanli(吉林省农村经济信息中心,吉林,长春,130051)

刊 名：农业网络信息 英文刊名：AGRICULTURE NETWORK INFORMATION 年，卷(期)： “”(10) 分类号：S27 关键词：土壤含水量   光学植被盖度   ASTER   反射率  

土壤侵蚀遥感监测方法研究 篇3

1 目视解译分析方法

目视解译方法根据操作手段和辅助工具的不同, 主要有两种方式, 目视解译和计算机人机交互解译。但两者只是由于硬件设施的差异所导致的操作手段和方式的不同, 其实质是一样的。该方法着重于根据土壤侵蚀环境因子特征在遥感影上的客观反映来进行分析解译和光谱特征识别。首先需要确定分类分级系统, 其次建立解译标志, 然后进行图像的判读、绘制专题图等流程。早期的目视解译方式, 是“通过直接观察或借助判读仪器 (放大镜、立体镜、密度分割仪和彩色合成仪等) 研究地物在遥感图像上的各种影像特征 (如形状、大小、灰度、阴影、图形结构) , 并通过地物间的相互关系的推理、分析, 达到识别地物目标的过程” (陈述彭, 1990) 。而人机交互解译是以计算机为平台, 借助GIS软件, 以数字遥感影像为信息源, 依据野外验证过程中所建立的解译标志, 建立遥感影像特征与地物原型之间的直接和间接关系, 并综合地物波谱知识、植被指数、地学空间分布规律和物候知识等, 来识别地物的过程。

随着遥感和计算机信息技术的发展, 由水利部水土保持监测中心为项目主持单位, 由中国院遥感应用研究所为项目技术主持单位, 采用人机交互解译方式, 于1999年3月正式实施全国第二次土壤侵蚀遥感调查, 并于2002年发布了成果公告。2000年水利部又组织开展了全国第三次土壤侵蚀遥感调查。近期水利部陆续在黄河、长江中上游地区、黑河、塔里木河流域等重点水土保持生态建设区开展了水土保持监测 (许峰, 2004) 。到20世纪90年代, 随着遥感技术的快速发展, 人机交互解译方法已广泛应用于土壤侵蚀监测 (赵忠海, 2003, 曾琪明, 1996) 。土壤侵蚀目视解译除了应用于全国土壤侵蚀调查外, 目前基本上呈现出应用范围广、手段单一, 以区域性研究为主、零散分散、缺乏系统性, 研究结果也只反映了“一家之言”, 缺乏实地验证。同时受监测手段的限制, 效率低、非定量化、监测结果易忽视细节信息, 受主观因素影响较大。但在大尺度土壤侵蚀遥感调查中, 尤其是对我国这样地域广、地形复杂的现实条件, 在新的技术未突破之前, 人机交互解译是目前主要的监测手段。

国外学者也有采用目视解译方法进行土壤侵蚀监测, Bococ (1988) 利用SPOT立体影像图, 用目视解译的方法绘制了Mxeioc的土壤侵蚀图。Raina (1993) 通过TM假彩色合成影像进行重度、中度和轻度土壤侵蚀图的绘制。

2 基于遥感光谱反射值自动监测

该方法是依据遥感影像中地物光谱反射值进行定量分析, 以提取土壤侵蚀的信息。即将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或其他信息, 按照某种规则或算法划分为不同的类别。最简单的分类是只利用不同波段的光谱亮度值进行单像元自动分类;另一种不仅考虑像元的光谱亮度值, 还利用像元和其周围像元之间的空间关系, 如图像纹理、特征大小、形状、方向性、复杂性和结构, 对像元进行分类。

图像分类中最常用的即监督分类和非监督分类, 其中监督分类的算法有平行算法、最小距离法、最大似然法和基于概率分布的贝叶斯 (Byaes) 分类器等, 非监督分类也称为聚类分析或点群分析, 即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。其算法主要有重复自组织数据分析技术。除以上图像分类方法外, 还发展了模糊分类、空间结构纹理分类和人工智能神经元网络方法等。

Evnas (1990) 认为, 真正反映土壤侵蚀的信息通常是土壤表层微观的色调、质地和光谱特征, 然而这些微观信息差异由于地表覆盖物或其它信息干扰, 很难被遥感探测器感知, 所以单纯地利用遥感方法进行土壤侵蚀研究十分困难。所以基于遥感影像光谱值监测土壤侵蚀, 主要原理是基于土壤侵蚀所导致的地形地貌或植被因子的变化, 如裸露地表的冲沟、细沟, 植被枯竭等效应信息在光谱影像上的客观反映。

除了采用遥感影像分类方法提取侵蚀信息, 模糊分类方法、混合像元分解方法的发展, 己不仅仅应用于土地覆盖、农作物分类中, 同时也应用于土地退化监测, 这些方法在欧洲地中海地区土地退化监测中应用最多。由于土壤侵蚀, 造成地形地貌或植被因子的变化, 如冲沟、植被枯竭等信息在光谱影像上会被客观地反映, 从而利用植被指数或混合像元光谱分解方法可获得植被或土壤信息。尽管光谱指数对估算植被覆盖率效果不错, 但对于衰老植被则效果不太理想, 但衰老植被对土壤侵蚀有着抑制作用, 因此在土地退化监测中相关学者采用像元光谱分解一线性光谱分解法监测了地中海地区意大利Sicliy的植被覆盖度 (deJnog, 1999) 。分解方法的基本假设则是每个像元的光谱反射值是每个纯组分光谱反射值与其所占权重的线性组合。同样, Mettemihct (1998) 采用线性光谱分解方法, 提取了玻利维亚的Sacbaa流域的土壤侵蚀信息与制图。他利用LnadsatTM的六个波段的信息, 选择了五个端元, 而从影像中选择端元是其中的关键。研究结果表明, 线性光谱分解模型可以有效地应用于区域土壤侵蚀信息提取及制图。同样, 在地中海地区土地退化监测中, 有学者采用了光谱分解方法和波谱形状指数来监测土地退化。结果表明, 采用上述方法可以进行区域土地退化的制图, 而采用光谱分解方法从光学遥感影像中提取土壤侵蚀性状特征有更大的潜力。同时景观单元分析表明, 结合DEM变量与光谱信息对土地退化评价十分有用。在地中海区域土地退化评价监测中, 基于线性光谱分解方法计算植被丰度、提取土地退化特征信息研究很多。除上述方法外, 部分学者分析了由于土壤侵蚀而导致的环境要素的改变, 从而尝试建立这些变化与植被指数的相关关系。Sinhg (2004) 认为由于土地退化、如土壤侵蚀, 会导致表土丧失、有机质减少、土壤物理化学性质的改变, 最终表现于土壤颜色的改变, 在颜色上表现较高的Munesll值。他们通过长时间序列的NOAA/AVHRR影像来监测土壤亮度值, 最终达到监测土壤侵蚀的过程。首先通过NOAA AVHRR影像研究土壤颜色 (Mun esll) 与NDVI之间相关关系, 结果表明Hue与NDVI、Chorma与NDVI之间的相关性很好, 从而基于NDVI与土壤颜色之间的相关关系来评价土壤颜色, 最终用于土壤侵蚀监测。通过理论模型建立了土壤颜色、植被指数、表面温度和发射率 (emissiviyt) 之间的回归方程, 结果表明通过多种植被指数 (NDVI、MSAVI、PAVI等) 来监测土壤颜色是有效的, 从而可以监测土壤侵蚀或其它自然灾害导致的土壤变化 (singh, 2005) 。无论是目视解译还是遥感光谱反射值自动监测, 两者基于遥感技术进行土壤侵蚀监测决定了它们的本质依据相似, 只是手段和方式不同。遥感影像所携带的信息是地表特征的客观反映, 而土壤侵蚀是复杂地理系统负向效应运动的结果, 它不同于土地覆盖或其它地物, 它是一种效应的结果, 无法从影像光谱特征信息上直接提取土壤侵蚀信息的量度值。只能通过这种结果造成地表环境因子的改变而获取, 如冲沟、植被枯竭或土壤特性的改变等信息在光谱影像上的客观地反映而获得土壤侵蚀信息。因此, 将两者手段相结合, 可以称为基于指标规则的土壤侵蚀遥感监测方法, 也可用于土壤侵蚀监测。即采用目视解译的原理和依据, 但处理过程中结合了影像光谱反射值自动运算等。遥感影像目视解译过程根据分类、分级系统, 参考分级指标, 在非遥感信息源 (如土地利用、土壤图和地形图等) 支持下由判读者综合遥感影像光谱特征所携带的各项指标特征, 判断得出图斑单元所代表的土壤侵蚀类型及强度。

在黄土高原土壤侵蚀强度遥感监测中, 选用降雨、地面物质抗蚀性、植被覆盖度和地形因子, 采用变权模糊数学模型进行水蚀定量评判。边多等 (2003) 采用该方式, 以1∶2.5万彩红外航片和TM影像为主要信息源, 对西藏“一江两河”地区进行了土壤侵蚀监测。黄诗峰等 (2001) 建立了基于栅格地理信息系统的流域土壤侵蚀量估算的指标模型, 结合嘉陵江上游西汉水流域具体情况, 以降雨、地形、沟谷密度、植被盖度、成土母质等为主要指标, 对流域土壤侵蚀量进行了估算。同样是基于判别规则和逻辑综合分析的过程, 并且参考指标与土壤侵蚀目视解译过程一致, 但是在基于遥感提取单因子方法上略有不同的还有, 通过特定算法自动提取植被信息, 进行综合判别土壤侵蚀强度。国外也有相关方法的应用研究。

3 遥感监测方法总结

综上所述, 基于遥感方法进行土壤侵蚀监测尽管随着航空航天遥感的发展很早就开展起来, 但目前存在着如下状况和问题。基于遥感方法, 尤其是通过影像光谱特征进行分析、直接获取土壤侵蚀监测的研究在国内外研究还较少, 并且国外研究主要集中于地中海地区土地退化监测研究中。

我国的土壤侵蚀遥感监测手段以目视解译为主, 是区域土壤侵蚀遥感监测的主流手段。从己发表文献统计, 研究监测范围从全国土壤侵蚀调查到各个省级、流域或更小地域单元。应用范围广、手段单一, 以区域性研究为主、零散分散、缺乏系统性研究结果也只反映了“一家之言”, 缺乏实地验证。同时受目视解译的限制, 工作量大、效率低、非定量化、监测结果易忽视细节信息, 受主观因素影响较大。20世纪80年代初的全国土壤侵蚀遥感调查开始以目视解译方法为主, 现在经历了航天遥感技术的快速发展的20多年, 尤其是定量遥感分析技术的发展, 但新的土壤侵蚀监测的研究方法较少。

摘要：本文基于笔者多年从事水土保持的相关工作经验, 以土壤侵蚀遥感监测为研究对象, 探讨了目视解译分析方法和基于遥感光谱反射值自动监测, 分别给出了具体的计算方法和相关研究现状, 全文是笔者长期研究基础上的理论总结, 相信对从事相关工作的同行能有所裨益。

关键词：土壤侵蚀,遥感监测,目视解译,遥感光谱

参考文献

[1]黄荣珍, 张金池, 李凤, 等.GIS在南京市土壤侵蚀监测中的应用[J].南昌工程学院学报, 2007 (4) .