基于光谱转换的土壤盐分反演与动态分析

陈文娇 翁永玲 范兴旺 曹一茹

(1东南大学交通学院, 南京 210096)(2中国科学院南京地理与湖泊研究所, 南京 210008)

基于光谱转换的土壤盐分反演与动态分析

陈文娇1翁永玲1范兴旺2曹一茹1

(1东南大学交通学院, 南京 210096)(2中国科学院南京地理与湖泊研究所, 南京 210008)

为了对黄河三角洲地区进行大范围、长期的盐渍土监测,以研究区2000—2016年间4景Landsat-5 TM,EO-1 ALI,Landsat-8 OLI时间序列影像及Hyperion高光谱数据为基础开展土壤盐分定量反演分析.将Hyperion数据按照光谱响应函数分别重采样为TM,ALI,OLI模拟数据,采用数值回归方法计算TM,ALI与OLI对应波段间的光谱转换系数,从而将TM,ALI影像转换为OLI时序影像.分别采用偏最小二乘回归模型与多元线性回归模型建立土壤光谱与盐分参量间的预测关系,并将最优预测模型应用于OLI时序影像进行盐分反演制图,通过叠置方法进行盐渍土演化分析.结果表明,光谱转换方法提高了多传感器间数据一致性.偏最小二乘回归-电导率(PLSR-EC)模型的相关系数为0.700,采用2012年电导率实测值检验该模型反演结果,相关系数为0.690.研究区内高盐分土壤减少并向低盐分土壤转化.

盐渍土;黄河三角洲;光谱转换;偏最小二乘回归;动态分析

土壤盐渍化是世界范围内引起土地退化的主要原因之一,对农耕地产生直接的、有破坏力的影响[1].盐渍土是我国中低产土壤的主要类型之一[2],尤其在黄河三角洲地区,气候、水文、地形地貌等多方因素共同影响使得该地区典型的滨海潮盐土呈现逐年递增的趋势,严重制约了区域经济社会的健康发展.多位学者基于Landsat TM,SPOT,EO-1 ALI,IKONOS等遥感数据开展了关于盐化地分布与时空变化、土地退化及其驱动因素的研究[3-5],大多基于2～3景影像,且利用的是同一传感器数据.多源、多时相的存档遥感数据为大范围、长时间盐渍土监测提供丰富的数据源,如何保持数据的一致性与连续性是土壤盐分中长期监测工作中的关键[6].量化多传感器间差异的方法包括光谱波段因子校正(SBAF)和数值回归校正[7-8],后者更为直观明确.通过数值回归校正波段间差异以获得连续的单一类型遥感数据、提高研究数据的一致性,对于大空间尺度、长时间跨度的盐渍土定量监测具有重要意义.

本文充分利用多源存档遥感数据,采用波段光谱转换的方法解决多传感器数据波段响应不统一的问题.通过多模型对比得到盐渍土光谱与土壤盐分的预测关系,综合并运用动态度、转移矩阵和叠置分析等方法开展黄河三角洲地区土壤盐分定量反演与时空动态分析.

1 数据与方法

1.1 研究区与样本

黄河三角洲位于山东省东北部东营市境内,该地区土壤盐渍化问题突出,原因包括蒸降比高,水盐垂直运动强烈,地下水埋深浅、矿化度高,受海水侵渍以及黄河地貌影响等[9].典型农耕研究区位于ALI,TM,OLI 影像重叠覆盖区域内(见图1).耕地作物类型主要为小麦、玉米和棉花,芦苇、翅碱蓬和柽柳等耐盐植被沿黄河分布,该区域基本涵盖黄河三角洲不同微地貌类型和盐渍化程度,具有一定代表性.

野外调查与土壤样本采集开展于2005-04-17—2005-04-28,共采集表层土样96份,土样经过风干与过筛处理并按土壤农化分析要求进行理化分析[10-11],采样点均匀分布于典型研究区内.制图检验样本采集于2012-05-06,共采集表层土样31份,采集方法与范围、处理过程与2005年类似.

图1 研究区地理位置及影像覆盖范围

1.2 数据预处理与光谱转换

1.2.1 影像数据获取与预处理

表1列出了2000—2016年4景多光谱影像与高光谱数据的具体信息,影像成像时间均在5月之前,以避免大范围的植被覆盖干扰.在ENVI 5.1平台下进行影像辐射定标与FLASSH大气校正,以2016年影像为基准进行相对几何校正,控制总误差在0.5个像元范围内.Landsat-8卫星相对于之前的陆地卫星系列做出了诸多改进(如新增深蓝和卷云波段、缩短近红外波段的光谱范围、提高辐射分辨率等),对环境变化监测产生积极的作用[12].因此,本文以OLI波段设置为目标,将TM,ALI数据进行光谱转换.

表1 影像信息

1.2.2 光谱转换

光谱转换是指通过数值回归获得OLI各波段与TM,ALI各波段间的转换系数,从而将多源数据转换为模拟的OLI时序数据.经过波段转换形成的时序影像更加统一、可靠,此时应用同一模型进行数据反演可以获得精度更高、更稳定的结果.具体过程如下:

① 将高光谱数据Hyperion影像根据对应的光谱响应函数分别重采样为TM,ALI,OLI波段类型.使用该影像的原因为,影像获取时间与建模土样采集时间相近,从而提高了模型应用的准确性,且相关研究表明该数据具有一定的可靠性和可用性[6,10].高光谱数据为重采样提供了统一、连续的光谱数据源.

② 逐个波段回归拟合求出TM,ALI与OLI各波段的转换系数.回归拟合采用二次多项式形式[6,8],即

(1)

式中,ρO,i为OLI第i波段反射率;ρX,i为其他数据类型第i波段反射率;a0,i,a1,i,a2,i为光谱转换系数;ε为转换残差.使用TM数据拟合OLI数据时,由于TM缺少光谱覆盖范围为0.43～0.45 μm的深蓝波段,因此模拟的ρO,1来自光谱覆盖范围为0.45～0.52 μm的蓝色波段.

③ 根据转换系数,将TM和ALI影像数据转换为OLI时间序列影像.

1.3 土壤盐分建模

偏最小二乘回归(PLSR)模型在处理多重相关性变量时具有信息筛选的优势[13],多元线性回归(MLR)模型具有模型简洁、易于理解等优点.OLI新增的卷云波段包含信息最少,主要用于检测卷云[12],不作为盐分建模的输入变量.土壤盐分可以用土壤全盐量(soil salinity content,SSC)和电导率(electrical conductivity,EC)来表示,二者可通过土壤理化分析得到.因此,土壤盐分建模以PLSR模型为基础,以重采样为OLI 7个波段的土壤实验室光谱为自变量,分别以全盐量和电导率为因变量,建立了PLSR-SSC和PLSR-EC;以MLR模型为基础,自变量不变,分别以全盐量和电导率为因变量,建立了MLR-SSC和MLR-EC模型.为使建模和检验样本均覆盖不同类型盐渍土,将96个土壤样本分为64个建模样本和32个检验样本,且2个样本集均包含盐分低、中、高的样本.建模过程在The Unscrambler 9.7软件中进行,选取4种模型中检验精度最高者进行土壤盐分反演与制图.模型精度评价指标为相关系数R2,它能反映模型预测值与实测值之间的相关性[13],其计算公式为

(2)

1.4 盐分反演与时间序列制图

土壤盐分评估对象主要为裸土、荒地等地物类型,因此制图前将植被、水体等地物以决策树分类方式进行掩膜去除.将1.3节中建立的盐分预测模型应用于时间序列影像,进行盐分反演制图,得到4景土壤电导率定量分布图.通过对比2012年影像反演所得电导率值和2012年31个检验样本的实测电导率值来检验反演精度.

1.5 土壤盐渍化时空变化分析

将典型研究区作为动态分析的研究范围,以更加详细地考察盐渍土在农耕区内演化转移的趋势与影响.盐渍土数量的时间变化可通过ArcGIS数据库中的面积计算功能得到.动态度K可以表示某一地类在一定时间范围内的数量变化[14],且

(3)

式中,Sa,Sb分别为研究初期和末期盐渍土的面积;T为研究时段长.当T的单位设定为年时,K即为特定类型盐渍土的年变化率.土地利用与覆盖类型变化的方向与结构特征可通过转移矩阵模型描述,一般认为转移矩阵反映不同地类在特定时间段内的稳定性及其动态变化规律[14-15].T1时点到T2时点的转移矩阵模型表达式为

P=(Pij)

(4)

式中,Pij为T1时点到T2时点内土地类型i转化为土地类型j的转换百分数,其中,1≤i≤n,1≤j≤n,n为地物类型数.当i=j时,Pij为研究时段内土地类型i没有发生转换的百分数,此时Pij越接近1,表明土地类型i越稳定.结合GIS叠置分析功能,可以直观获取一段时间内特定盐渍土类型的演化、迁移过程.

2 结果与讨论

2.1 建模结果对比与验证

建模结果见表2.由表可知,在相同模型条件下,以电导率为预测变量所得效果较全盐量更好;在相同因变量条件下,偏最小二乘回归模型的精度较多元线性回归模型更高.盐分预测检验精度最高的模型是以电导率为土壤盐分参量的PLSR预测模型,建模的相关系数为0.716.以32个独立检验样本对模型进行检验,其相关系数为0.700,建模精度与检验精度接近,表明模型较为稳健.因此,本文采用PLSR-EC模型进行时间序列影像的盐分反演与制图.

表2 土壤盐分预测模型对比

2.2 时序数据一致性验证

由于TM,ALI与OLI三者在可见光范围内波谱覆盖区间几乎一致[6],因此光谱转换不能显著提高多源数据的一致性.在近红外和短波红外波段上,OLI缩窄了光谱范围,且相对于TM增加了新波段,故通过光谱转换方法可以减小多传感器数据间差异,从而提高数据一致性.转换后TM,ALI各波段与OLI对应波段的相关性明显提高,例如近红外范围内的OLI第5波段(OLI_5)与ALI 的4P波段(ALI_4P)反射率相关系数R2从转换前的0.963提高到0.983(见图2).

2.3 盐分反演结果与制图

时间序列影像应用PLSR-EC模型进行盐分反演得到的电导率分布图见图3.将不同类型盐渍土依照电导率值划分为不同等级,低于2 dS/m为非盐渍土,2～4 dS/m为轻度盐渍土,4～8 dS/m为中度盐渍土,8～16 dS/m为重度盐渍土,高于16 dS/m为盐土、盐化土.影像中黑色区域为掩膜剔除的水体、植被等非土壤地类.根据像素统计结果,4景影像中电导率值极低(低于-10 dS/m)或极高(高于40 dS/m)的非正常值像素百分数都在10%以内,且反演均值在非盐渍土到轻度盐渍土范围内,说明反演结果基本正常.

利用2012年31个野外样本的实测电导率值与2012年影像反演电导率值检验制图精度,得到实测值与反演值的相关系数为0.697,表明制图结果基本可靠.但当电导率值高于20 dS/m时,反演结果较实测值偏低(见图4).黄河三角洲土壤盐分变化剧烈,小空间范围内盐分差异大,多光谱数据较低的空间分辨率是影响制图精度的主要因素.

(a) 2000-04-08(b) 2008-04-14

图4 PLSR-EC模型制图精度检验图

2.4 多时相影像差异分析

由ArcGIS数据库统计的各地物类型面积,计算得到相应年份区间内的动态度,结果见表3.由表可知,从土地类型动态度来看,2000—2008年间是高盐分土壤增长最快的时期,重度盐渍土和盐土、盐化土年均增长率分别为11.75%和6.31%.2008—2012年间除盐土、盐化土继续增长外,其余类型盐渍土均不同程度地减少.2012—2016年间,轻、中度盐渍土面积年均增长率均高于10%,高盐分土壤不断减少,重度盐渍土和盐土、盐化土年均变化率分别为-11.49%和-3.29%.

表4给出了2000—2008年、2008—2012年以及2012—2016年典型研究区内不同土地类型间的转换百分数.由表可知,3个年份区间内最稳定的地物类型均为水体、植被等非土壤地物,最不稳定的地物类型均为盐土、盐化土,表明黄河三角洲农耕区盐土频繁转化,覆盖有植被的耕地更加稳定,不易被盐化.2000—2008年和2008—2012年间其他各级盐渍土稳定性次序一致,由强至弱依次为重度盐渍土、中度盐渍土、轻度盐渍土.这表明重度盐渍土最稳定,一旦形成不易转化;轻度盐渍土通常可以通过淋洗去盐、渠灌沟排、作物抑盐和合理耕作等人工手段进行转化改良,因而演化较为频繁.2012—2016年间其他各级盐渍土的稳定性由强至弱依次为中度盐渍土、轻度盐渍土、重度盐渍土,高盐分土壤中61.35%的盐土、盐化土和58.41%的重度盐渍土向低盐分土壤转化.

以典型研究区内非土壤和非盐渍土2种地物类型的空间变化为例,利用ArcGIS平台的叠置分析功能,得到2000—2016年非土壤和非盐渍土向盐渍土演化迁移图(见图5).由图可知,从空间变化上看,黄河沿岸大部分非土壤地物(多为植被)

表3 典型研究区内不同类型地物在对应年份区间内的动态度 %

表4 黄河三角洲典型研究区不同土地类型间转换百分数 %

图52000—2016年典型研究区非盐渍土与非土壤地物向盐渍土演化迁移图

保持稳定或转化为非盐渍土,该区域也是健康耕地的集中区.非土壤向盐渍土转化的区域主要包括研究区东北部的孤岛镇和仙河镇南部地区(以轻、中度盐渍土为主)和研究区南部的永安镇东部(以中、重度盐渍土为主).非盐渍土向非土壤地物的转化比较集中,主要表现为人工水利设施的修建,如研究区南部增加的水库、养殖池、沟渠等.而非盐渍土向盐渍土的转化较分散,突出区域为研究区中、南部,以重度盐渍土为主要演化方向.

3 结论

1) 多源存档遥感数据为大范围、长时间盐渍土监测提供丰富的数据源,波段光谱转换的方法减小了多传感器数据间差异,提高了多源数据的一致性.

2) 采用PLSR-EC模型进行盐分反演制图,盐分反演结果基本可靠,高盐分土壤预测值可能偏低.

3) 2000—2008年为高盐分土壤增长速度最快的时期;2008—2012年除盐土、盐化土外各级盐渍土面积均有所下降;2012—2016年间高盐分土壤减少并向低盐分土壤转化;非盐渍土与非土壤地物向盐渍土演化主要集中在研究区东北部的孤岛镇、仙河镇以及南部的永安镇.

)

[1] Rozema J, Flowers T. Crops for a salinized world[J].Science, 2008,322(5907): 1478-1480. DOI:10.1126/science.1168572.

[2] Yang J S. Development and prospect of the research on salt-affected soils in China[J].ActaPedologicaSinica, 2008,45(5): 837-845.

[3] Allbed A, Kumar L, Sinha P. Mapping and modelling spatial variation in soil salinity in the Al Hassa Oasis based on remote sensing indicators and regression techniques[J].RemoteSensing, 2014,6(2): 1137-1157. DOI:10.3390/rs6021137.

[4] Wu W, Mhaimeed A S, Al-Shafie W M, et al. Mapping soil salinity changes using remote sensing in Central Iraq[J].GeodermaRegional, 2014,2-3: 21-31. DOI:10.1016/j.geodrs.2014.09.002.

[5] Fan X, Pedroli B, Liu G, et al. Soil salinity development in the yellow river delta in relation to groundwater dynamics[J].LandDegradation&Development, 2011,23(2): 175-189. DOI:10.1002/ldr.1071.

[6] Fan X, Weng Y, Tao J. Towards decadal soil salinity mapping using Landsat time series data[J].InternationalJournalofAppliedEarthObservationandGeoinformation, 2016,52: 32-41. DOI:10.1016/j.jag.2016.05.009.

[7] Chander G, Mishra N, Helder D L, et al. Applications of spectral band adjustment factors (SBAF) for cross-calibration[J].IEEETransactionsonGeoscienceandRemoteSensing, 2013,51(3): 1267-1281. DOI:10.1109/tgrs.2012.2228007.

[8] Miura T, Huete A, Yoshioka H. An empirical investigation of cross-sensor relationships of NDVI and red/near-infrared reflectance using EO-1 Hyperion data[J].RemoteSensingofEnvironment, 2006,100(2): 223-236. DOI:10.1016/j.rse.2005.10.010.

[9] 关元秀,刘高焕,刘庆生,等.黄河三角洲盐碱地遥感调查研究[J].遥感学报,2001,5(1):46-52. DOI:10.3321/j.issn:1007-4619.2001.01.009.

Guan Yuanxiu, Liu Gaohuan, Liu Qingsheng, et al. The study of salt-affected soils in the yellow river delta based on remote sensing[J].JournalofRemoteSensing, 2001,5(1): 46-52. DOI:10.3321/j.issn:1007-4619.2001.01.009.(in Chinese)

[10] Weng Y, Gong P, Zhu Z. Soil salt content estimation in the Yellow River delta with satellite hyperspectral data[J].CanadianJournalofRemoteSensing, 2008,34(3): 259-270.

[11] 鲍士旦.土壤农化分析[M].3版.北京:中国农业出版社,2000:178-198.

[12] 徐涵秋,唐菲.新一代Landsat系列卫星:Landsat 8遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3249-3257.

Xu Hanqiu, Tang Fei. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance[J].ActaEcologicaSinica, 2013,33(11): 3249-3257. (in Chinese)

[13] Nawar S, Buddenbaum H, Hill J. Digital mapping of soil properties using multivariate statistical analysis and ASTER data in an arid region[J].RemoteSensing, 2015,7(2): 1181-1205. DOI:10.3390/rs70201181.

[14] 樊亚辉,塔西甫拉提·特依拜,王宏,等.艾比湖地区土地沙漠化遥感动态监测[J].干旱区资源与环境,2011,25(7):161-167.

Fan Yahui, Tashpolat Tiyip, Wang Hong, et al. Dynamic monitoring of land desertification of the area of lake Ebinur[J].JournalofAridLandResourcesandEnvironment, 2011,25(7): 161-167. (in Chinese)

[15] 张海燕,樊江文,邵全琴.2000—2010年中国退牧还草工程区土地利用/覆被变化[J].地理科学进展,2015,34(7):840-853. DOI:10.18306/dlkxjz.2015.07.006.

Zhang Haiyan, Fan Jiangwen, Shao Quanqin. Land use/land cover change in the grassland restoration program areas in china, 2000-2010[J].ProgressinGeography, 2015,34(7): 840-853. DOI:10.18306/dlkxjz.2015.07.006.(in Chinese)

Soilsalinityretrievalanddynamicanalysisbasedonspectralbandinter-calibration

Chen Wenjiao1Weng Yongling1Fan Xingwang2Cao Yiru1

(1School of Transportation, Southeast University, Nanjing 210096, China) (2Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China)

Soil salinity quantitative retrieval were investigated based on four Landsat-5 TM (thematic mapper), EO-1 (earth observing-one), ALI (advanced land imager), Landsat-8 OLI (operational land imager) time series images and hyper-spectral Hyperion data from 2000 to 2016 for long-term and extensive soil salinity monitoring over the Yellow River Delta. The Hyperion data were resampled to simulate TM, ALI, OLI data according to the corresponding spectral response functions, respectively. The spectral band inter-calibration coefficients were calculated from homologous TM, ALI and OLI bands by the statistical regression method. Then, the TM, ALI images were transformed into the OLI time series images. The PLSR (partial least square regression) model and the MLR (multiple linear regression) model were used to quantify the relationships between the soil spectra and the soil salinity parameters. The optimal predictive model was applied to OLI time series images to map soil salinity. The temporal variations in soil salinity were detected by overlay analysis. The results show that the band inter-calibration method improves the consistency of the multi-senor data. The PLSR-EC (electrical conductivity) model exhibits a correlation of 0.700 and the model validation yields a correlation of 0.690 with the soil samples collected in 2012. High salinity soil in the range of research area reduces and converts to low salinity soil.

saline soil; Yellow River Delta; spectral band inter-calibration; partial linear square regression (PLSR); dynamic analysis

10.3969/j.issn.1001-0505.2017.06.024

TP237

A

1001-0505(2017)06-1233-06

2017-06-03.

陈文娇(1993—),女,硕士生;翁永玲(联系人),女,博士,教授,博士生导师,wengyongling@seu.edu.cn.

国家自然科学基金资助项目(41471352).

陈文娇,翁永玲,范兴旺,等.基于光谱转换的土壤盐分反演与动态分析[J].东南大学学报(自然科学版),2017,47(6):1233-1238.

10.3969/j.issn.1001-0505.2017.06.024.