基于裸土期多时相遥感影像特征及最大似然法的土壤分类

刘焕军，杨昊轩，徐梦园，张新乐，张小康，于滋洋，邵 帅，李厚萱



基于裸土期多时相遥感影像特征及最大似然法的土壤分类

刘焕军1,2，杨昊轩1，徐梦园1，张新乐1，张小康1，于滋洋1，邵 帅1，李厚萱1

（1. 东北农业大学资源与环境学院，哈尔滨 150030；2. 中国科学院东北地理与农业生态研究所，长春 130102）

运用单时相遥感数据进行土壤分类及制图，其数据本身易受到其他因素干扰而出现误差，存在一定的局限性，导致制图精度不高。为了提高制图精度，以松嫩平原林甸县为研究区，利用裸土时期多时相Landsat 8遥感影像、DEM数据和全国第二次土壤普查数据，从所有单时相遥感影像中提取出多种分类特征，按照分类特征类型进行压缩处理，得到新的多时相分类特征，将不同分类特征进行组合并分别进行最大似然法分类，得到不同分类特征组合下的土壤类型图，通过不同土壤类型图精度来判断各分类特征对于制图的影响。研究表明，该文所提取的分类特征均可以实现土壤制图，使用压缩处理后得到的多时相遥感数据分类特征完成制图的精度更高，总体精度达到91.0%，研究可为土壤精细制图提供依据。

遥感；土壤；分类；制图；Kappa系数；K-T变换；最大似然法

0 引 言

中国曾在20世纪80年代完成了第二次土壤普查，花费了大量的时间、物力及财力[1]；同时，距今已近40 a之久，土壤出现了自然变化和人为原因变化，如何能够更加简便、快速、准确地完成土壤调查和制图成为了当今众多学者关注的焦点。伴随着遥感技术的成熟，利用遥感手段完成土壤调查并精确制图已经成为了一种趋势。

Jenny于1941年提出的土壤发生学是数字土壤制图的理论基础[2]。刘兴文于1982年进行了利用遥感数据完成土壤自动分类及制图的尝试[3]，成土条件和土壤光谱特征被认为是利用遥感手段进行土壤分类的依据[4]。王蓓在分类当中加入了地形、地质和植被的数据，减少了光谱特征相互混淆的现象[5]，以上因素均与土壤类型有着密切联系[6]。计算机技术的发展加快了数据的处理速度，使研究多样化[7-8]，将RS与GIS相结合可以更好地完成制图[9-12]。数据类型的丰富进一步提高了分类及制图的精度，多种光谱特征和土壤纹理等数据均有效地提升了分类及制图精度[13-17]。随着研究的深入，单一化的数据类型难以满足科研的需要，多维度或多尺度的数据类型成为了更多研究者的选择[18]，研究表明，使用大量遥感数据进行土壤分类及制图的精度要高于使用单、双、多时相遥感数据；使用多尺度的数字地形数据可以提升土壤分类及制图的精度[19-22]。

以往的研究者通过单时相遥感影像的多个波段，提取出不同的光谱指数，再结合DEM等数据完成分类特征的构建进而实现土壤分类及制图[16,23]，但一幅遥感影像并不具有普遍适用性，易使影像出现异常而导致制图误差升高。因此本文尝试使用多时相裸土时期遥感数据，从多时相遥感数据中提取的分类特征进行主成分分析处理，并用最大似然法对地形较平坦的松嫩平原林甸县土壤类型进行分类及制图。为土壤分类及制图提供新的方法，并为当前多时相遥感数据的土壤分类及制图提供新的思路。

1 材料与方法

1.1 研究区概况

研究区林甸县位于黑龙江省西部，松嫩平原腹地，124°18¢～125°21¢E，46°44¢～47°29¢N，全县面积约为 3 500 km2，隶属于黑龙江省大庆市，中温带大陆性季风性气候，夏季多雨温暖，冬季干燥寒冷，地质构造属于古亚洲构造域，境内湿地资源丰富，有乌裕尔河、双阳河等天然河流。海拔较低且地势低平，但微地形复杂低洼处较多导致排水困难，易形成沼泽地[24]。从全国第二次土壤普查数据可知，林甸县成土母质多为黄土状堆积物，主要土壤类型共计4种（全国第二次土壤普查），分别为黑钙土、草甸土、沼泽土和风沙土，其中黑钙土面积占总土壤面积的60%以上，黑钙土也是黑土资源的重要组成部分，其土壤中有机质含量高，土壤肥力大，是非常适合粮食生产的土壤类型。

图1 研究区及样本分布

1.2 数据来源

本文选用了林甸地区2014年5月3日、2015年5月22日、2017年5月11日的Landsat 8 OLI影像，3幅影像中的研究区几乎没有被云层覆盖，5月份是裸土时期，既没有大片的植被也没有积雪，符合本文对于裸土时期土壤的研究要求。土壤数据为全国第二次土壤普查的结果，全国第二次土壤普查是以土壤发生分类学为理论基础，进行土样的挖掘和分析得出的土壤类型，土壤演化及变迁是一个十分漫长的过程，不会因为短期的自然及人为因素发生明显的变化，本文使用遥感影像进行的土壤分类，则是利用了不同类型土壤的反射光谱特性不同，进行土壤分类[25]。2种分类方法的原理不同，可以用来相互验证。由于不同的地形因素会发育出不同的土壤类型，所以还用了林甸县30 m空间分辨率DEM数据。

1.3 数据处理方法

1.3.1 数据预处理

使用ENVI5.1分别对3幅Landsat 8 OLI遥感影像进行辐射定标、大气校正、几何精校正，随后使用Arcgis10.2按照研究区矢量边界将3幅遥感影像和DEM数据进行裁剪，用于后期分类特征的提取。

1.3.2 4类分类特征提取方法

1）K-T变换分类特征提取

K-T变换（Kauth-Thomas transformation，K-T）是一种特殊的主成分分析（principal component analysis，PCA），既可以对于遥感数据进行降噪，又可以使处理后的遥感影像实现数据压缩和图像增强的效果[26-27]。

将3幅Landsat 8 OLI影像分别进行K-T变换，变换后每幅遥感影像得到3个指数作为K-T变换分类特征（K-T1-3），分别是亮度指数，绿度指数和湿度指数，其中亮度指数可以反映出地物总体反射效果，绿度指数反映出地表植被情况，而湿度指数反映出地表的水分条件[28]。

2）光谱指数分类特征提取

不同的光谱指数可以反映出把不同地表的信息，共使用了3种光谱指数分类特征参与分类，分别是能够反映出地表植被覆盖程度的归一化植被指数（normalized difference vegetation index，NDVI），以及能够体现出土壤湿度信息的湿度指数（normalized differential moisture index，NDMI）和用来辨别影像中湖泊和坑塘的水体指数（normalized differential water index，NDWI）[16,23]。

3）地形分类特征提取

地形是重要的成土因素之一，所以地形因素也是土壤分类过程中不得不考虑的因素之一，其中尤为重要的是高程因素（elevation，ELE），另外也加入了坡度（slope，SLO），坡向（aspect，ASP）以及曲率（curvature，CUR）共计4种地形因素参与分类，4种地形因素均提取自30 m空间分辨率的DEM数据。

4）多时相遥感数据分类特征提取

为了能够得到更加精准的土壤图，尝试用多时相遥感数据构建土壤图，使用ENVI5.1中Layer Stacking将从3幅影像中提取出的K-T变换分类特征叠加，共计9个K-T变换分类特征，将这9个K-T变换分类特征进行主成分分析再次降维处理，提取出3个主成分（PC(K-T9)1-3），3个主成分的累积贡献率为88.85%，同时将3幅影像的NDVI、NDMI、NDWI分别进行主成分分析，均保留第一主成分波段为多时相遥感数据分类特征，并表示为（PC(NDVI3)1）、（PC(NDMI3)1）和（PC(NDWI3)1）。

1.4 分类特征数据集及样本

以K-T1-3分类特征为基础，不同光谱指数分类特征及地形分类特征之间的叠加组合，构成分类特征数据集，序号2～4分别添加了不同光谱指数分类特征，序号5添加了所有光谱指数分类特征，在序号5的基础之上，序号6又添加了高程数据，序号7添加了地形的的特征，包含了文中所提取的所有的分类特征，是信息量最全的分类特征数据集。详见表1。

表1 分类特征数据集组合

注：K-T1-3指影像穗帽变换后前3波段；NDVI、NDMI、NDWI指所对应指数的分类特征，ELE、SLO、ASP、CUR指各地形分类特征，PC(K-T9)1-3指将3幅影像分别进行穗帽变化后得到的9个波段合成，再进行主成分分析后保留的前3波段，PC(NDVI3)1、PC(NDMI3)1、PC(NDWI3)1分别指3幅影像中相对应指数进行主成分分析后保留的第1个波段。

Note: K-T1-3 refers to the first 3 bands after Kauth-Thomas transformation; NDVI, NDMI and NDWI are the classification characteristics of the corresponding index; ELE, SLO, ASP and CUR refer to each terrain classification characteristics; PC(K-T9)1-3 refers to the composition of the 9 bands after Kauth-Thomas transformation of 3 images, and the first 3 bands retained after the principal component analysis; PC(NDVI3)1, PC(NDMI3)1 and PC(NDWI3)1 refer to the first band that is retained after principal component analysis of the corresponding indices in the three images.

训练样本和验证样本均是在第二次土壤普查图中采集，其中训练样本的选择主要集中在各类型土壤的典型区域当中，选择训练样本之后将所有训练样本向内进行300 m（10个像元）的缓冲区处理，得到最终的训练样本共计190个，见图1a，另外选择点状验证样本数量共计1 000个（黑钙土500，草甸土220，沼泽土196，风沙土43，水体41）[29]，样本采集时需要注意的问题如下：1）应分别将不同区域内相同类型的土壤进行采样，不同区域之间的相同类型土壤可能会在地表存在差异，这样可以避免因存在的部分差异而导致制图出现错误。2）为了避免因土壤类型边界模糊而造成分类出现误差，应尽量在土壤类型核心区域选取训练样本。3）不同类型的训练样本面积比和点状验证样本数量比与研究区内实际各土类之间面积比大致相同，同时尽可能保证验证样本分布均匀[30]，见图1b。

2 结果与分析

2.1 分类特征分析

为了定量研究不同分类特征下土壤类型之间可分程度，本文对于训练样本使用J-M距离方法进行可分性分析，J-M距离的数值范围在0～2之间，若2种土壤类型J-M距离值越趋近于2，则这2种类型的土壤可分性越高，J-M距离大于1.9，土类之间具有较好可分性,各土壤类型间可分性见表2。通过表2可以看出，随着分类特征的增加，分类特征数据集中的信息量越丰富，土类间的J-M距离也有不同程度的提升，说明所选取的分类特征以及构建的分类特征数据集对于遥感影像下的土壤类型可分性具有较好的提升效果。同时，仅有少数土类之间的J-M距离在年际间具有一定差别，且差别主要存在于信息不完善的分类特征组合当中，大多数土类之间的J-M距离在年际间的差别较小，没有明显的差异，说明所选取的分类特征在年际间的变化不大，具有普遍适应性。

表2 土壤类型间J-M距离

不同类型的土壤，其光谱反射曲线特征不同[31]，从典型训练样本中提取出不同类型的土壤光谱反射曲线图，见图2。可以看出，风沙土在各个波段中的反射率均高于其他类型土壤，而沼泽土中水含量较高，所以反射率低于其他类型土壤，而由于草甸土具有“向邻性”[32]，即表层草甸土的光谱曲线与其相邻的土壤类型光谱曲线相似，提取了2个不同位置的草甸土，其光谱曲线特征也具有一定差异性，进一步解释了表层草甸土的“向邻性”。通过表2中也可以看出在相同分类特征数据集序号下的草甸土和其他土壤类型可分性普遍低于其他土壤类型之间可分性，主要因为裸土时期草甸土表面的植被覆盖量较少，水分及有机质等因素通过影像很难直接区分，同时在长期耕作方式及气候等因素的影响下，表层草甸土拥有了与其相邻土壤类型的部分特征。数据集序号1中的部分土壤类型间单时相数据可分性明显高于多时相数据可分性，主要由于多时相分类特征在经过降维处理后减少了部分信息，但随着分类特征的补充，信息逐渐完善，多时相数据可分性明显提高。

图2 土壤反射光谱曲线

本文所提取的4类分类特征当中，有3类分类特征（K-T变换、光谱指数、多时相遥感数据）是根据土壤光谱曲线的差异而提取的，但由于部分土类之间具有“向邻性”，所以提取了地形分类特征辅助分类。

通过分类特征组合序号1和序号5（加入所有光谱指数分类特征）的J-M距离比较，发现序号5高于序号1，说明光谱曲线特征的差异能够更好地识别土壤类型，比较草甸土和其他土壤类型在分类特征组合序号5与序号7（加入地形分类特征）的J-M距离可以看出，在对具有“向邻性”土壤类对进行识别的情况下，引入地形因素可以提升土壤类对间的可分性，序号6与序号7（地形信息更加丰富）的比较说明更加丰富的地形信息也有助于识别土壤类对。

为了讨论光谱指数分类特征对于草甸土与其他土壤类型可分性的影响，通过表2中分类特征序号2～4下单时相数据类型J-M距离得到图3，能够发现在区分草甸土和黑钙土时，加入NDWI分类特征后的J-M距离要高于加入NDVI和NDMI分类特征，说明NDWI对于区分草甸土与黑钙土效果明显，在区分草甸土和沼泽土时，加入NDVI后的J-M距离低于加入NDMI和NDWI分类特征，说明NDVI对于区分草甸土和沼泽土的效果没有NDMI和NDWI显著，其主要原因则是裸土时期草甸土和沼泽土的地表植被覆盖量相似。同时，3个光谱指数分类特征都可以提升草甸土与风沙土的可分程度，见图3。

图3 不同单时相光谱指数分类特征下草甸 土与其他土壤类型的J-M距离

2.2 制图验证及误差分析

将训练样本与所有的不同分类特征数据集组合分别进行最大似然法分类，得出不同分类特征下的土壤图，仅列出分类特征最完善的数据集序号7中的土壤图，见图4。研究区中大部分土类为黑钙土，研究区西部多为沼泽土和草甸土，东部多为草甸土。将验证样本与得到的土壤图叠加，使用混淆矩阵进行分类精度检验，并根据总体精度和Kappa系数判断制图精度，见表3。从表3中可以看出，随着分类特征的增加，土壤类型图的精度均有不同程度的提升，足以证明所选择的单时相影像分类特征以及处理后的多时相遥感数据分类特征均能够有效地完成制图。另外，通过表3可以发现，在相同分类特征数据集下年际间总体精度及Kappa系数存在一定的差异，这种差异的产生主要由遥感影像中地表反射率的不同所导致的，单时相影像所反映出的地物信息比较局限，很容易受到极端天气引发的降水、温度变化及其他人为因素所导致影像部分地区出现异常情况，最终导致遥感影像的地物反射率异常，这种异常情况出现的可能性非常大，而且很可能因异常的地物反射率致使分类出现错误，降低土壤图的精度。

根据表2和表3中序号7的J-M距离及精度分析结果可以得出，在土壤分类及制图中，使用多时相遥感数据要优于单时相遥感数据。

使用1 000个验证样本对于序号7中多时相遥感数据下的土壤图进行混淆矩阵分析，由表4可以得出，使用序号7中多时相遥感数据完成土壤制图的总体分类精度为91.0%，Kappa系数为0.865。通过混淆矩阵可以分析讨论该地区区分不同土壤类型的精度。

结合混淆矩阵表4发现、草甸土和风沙土的用户精度较低（草甸土是80.6%，风沙土是75.0%），主要原因是由于裸土时期的草甸土与周围其他土壤类型的地表反射率比较相似[32]，通过遥感影像进行分类的难度较大，同时林甸县的风沙土面积小，而且大部分都分布在各类土壤边界的交汇处，不易区分。沼泽土与草甸土易出现混淆，其原因主要是二者在裸土时期的水分和植被等地表状况具有一定的相似性，部分沼泽与水体的混淆是由于研究区低洼的沼泽地较多，且排水困难，降水后很难排出，不同影像中相同低洼沼泽地的水含量也不同，所以在不同遥感影像下部分水体像元和沼泽土像元极易混淆。

图4 序号7分类特征数据集下的土壤类型图

表3 不同分类特征数据集下总体精度和Kappa系数

表4 多时相土壤制图混淆矩阵

总体而言，使用多时相遥感影像进行土壤分类及制图研究具有一定科学依据，可以快速获得制图所需要的数据，同时制图过程简单且精度较高，制图成本低廉，但是分类特征的选择会决定制图的精度，本文所选择的分类特征能否在其他研究区中正确完成制图还有待考证。

黑钙土的分类准确性较高，一方面原因是黑钙土的有机质含量更高，其光谱特征与其他土壤类型不同，另一方面研究区内黑钙土面积较大，验证样本点数量较多，容错率高。所以运用本方法对于遥感影像中的黑钙土进行分类效果较好，也可以将该方法运用到黑土的分类过程中来，进而可以对黑土资源进行精准、快速的分类[33]。

亢庆等对新疆艾比湖地区进行土壤分类[16]和刘娟等对青海湖流域[23]均使用单时相遥感影像，本文使用了3幅遥感影像，相比于单时相遥感影像，使用多时相遥感影像在分类及制图当中的准确性有一定程度的提升，同时降低了单时相遥感影像研究中出现偶然性的可能。未来可以尝试使用更多的遥感影像进行更加准确的土壤制图研究，也可以尝试运用多时相遥感影像结合机器学习进行制图。

现阶段的土壤数据大多数都是全国第二次土壤普查数据，经过30多年的土壤自然变化和人为原因变化，特别是近年来研究区内耕地旱改水情况较为普遍，导致地表土壤反射率变化。另外土壤类型的区分不仅仅体现在地表状况，深层土壤中信息难以通过遥感影像得到，这些都将成为下一步研究需要面对的问题。

结合多时相且连续的遥感影像可以对某一个时间段进行土壤分类及制图，通过连续几个时间段的土壤类型图可以观察出土壤反射率的变化，运用该方法可以研究松嫩平原土壤退化等方面的问题，并为该方面问题的研究提供理论基础和数据支撑。

3 结 论

本文使用3幅裸土时期Landsat 8 OLI遥感影像结合地形数据和第二次土壤普查数据对于裸土时期松嫩平原林甸地区进行土壤分类及制图，构建了不同的土壤分类特征，使用最大似然法分类方式经过反复试验和对比得到了以下结论：

1）相比较于单时相遥感数据，多时相遥感数据的使用对于土壤分类及制图的精度有明显提升。3幅裸土时期的遥感影像可以完成土壤分类及制图，总体精度达为91.0%。

2）K-T变换、光谱指数（包括归一化植被指数、湿度指数、水体指数）、地形（包括高程、坡度、坡向、表面曲率）及多时相遥感数据分类特征能够完成土壤分类及制图。

[1] 龚子同. 面临新世纪挑战的土壤地理学[J]. 土壤，1999，31(5)：236－243. Gong Zitong. Soil geography facing new century challenges[J]. Soils, 1999, 31(5): 236－243. (in Chinese with English abstract)

[2] Jenny H. Factors of soil formation[J]. Soil Science, 1941, 52(5): 415.

[3] 刘兴文. 土壤遥感自动分类与制图的初步试验[J]. 土壤学报，1982，19(2)：184－193. Liu Xingwen. Preliminary experiment of the automatical classification and mapping of soils by remote sensing method[J]. Acta Pedologica Sinica, 1982, 19(2): 184－193. (in Chinese with English abstract)

[4] 刘兴文. 土壤遥感自动识别分类与制图专家系统的研 究：国家基金课题通过成果鉴定[J]. 遥感技术与应用，1993，8(1)：38. Liu Xingwen. Research on the expert system of soil remote sensing automatic identification, classification and cartography- national fund project through result appraisal[J]. Remote Sensing Technology and Application, 1993, 8(1): 38. (in Chinese with English abstract)

[5] 王蓓. 遥感图像自动识别与分类的试验研究：以太原幅山地土壤为例[J]. 环境遥感，1988，2(2)：83－90. Wang Bei. The use of soil-genesis concept in automatic classification of remotely sensed image[J]. Remote Sensing of Environment China, 1988, 2(2): 83－90. (in Chinese with English abstract)

[6] 黄礼辉，潘剑君，雷学成，等. 基于土壤系统分类的土壤类型和界线确定研究：以句容大顶山研究区为例[J]. 土壤，2011，43(4)：630－636. Huang Lihui, Pan Jianjun, Lei Xuecheng, et al. Identification of soil types and boundaries based on soil taxonomy[J]. Soils, 2011, 43(4): 630－636. (in Chinese with English abstract)

[7] 程心俊，福原道一. 利用卫星资料对新疆干旱区土壤分类探讨[J]. 干旱区研究，1994，11(2)：1－6. Cheng Xinjun, Michikazu Fukuhara. The preliminary study on soil classification in arid area of Xinjiang using Landsat data[J]. Arid Zone Research, 1994, 11(2): 1－6. (in Chinese with English abstract)

[8] 沙晋明，史舟，王人潮，等. 东南山区土壤遥感监测的图像处理及分类[J]. 水土保持学报，2000，14(1)：38－43. Sha Jinming, Shi Zhou, Wang Renchao, et al. Image processing and classification of soil surveying by remote sensing in Southeast mountain area[J]. Journal of Soil and Water Conservation, 2000, 14(1): 38－43. (in Chinese with English abstract)

[9] 杨胜天，朱启疆，李天杰. RS和GIS支持下的土壤系统分类制图方法研究：以贵州省贵阳市为例[J]. 土壤学报，2001，38(1)：41－48. Yang Shengtian, Zhu Qijiang, Li Tianjie. The research on the cartography of soil taxonomy on the basis of RS and GIS taking GuiYang City, GuiZhou Province as example[J]. Acta Pedologica Sinica, 2001, 38(1): 41－48. (in Chinese with English abstract)

[10] McBratney A.B, Mendonça Santos M L, Minasny B. On digital soil mapping[J]. Geoderma, 2003, 117: 3－52.

[11] 朱阿兴，李宝林，杨琳，等. 基于GIS、模糊逻辑和专家知识的土壤制图及其在中国应用前景[J]. 土壤学报，2005，42(5)：142－149. Zhu Axing, Li Baolin, Yang Lin, et al. Predictive soil mapping based on a gis, expert knowledge, and fuzzy logic framework and ITS application prospects in China[J]. Acta Pedologica Sinica, 2005, 42(5): 142－149. (in Chinese with English abstract)

[12] 黄魏，罗云，汪善勤，等. 基于传统土壤图的土壤：环境关系获取及推理制图研究[J]. 土壤学报，2016，53(1)： 72－80. Huang Wei, Luo Yun, Wang Shanqin, et al. Knowledge of soil-landscape model obtain from a soil map and mapping[J]. Acta Pedologica Sinica, 2016, 53(1): 72－80. (in Chinese with English abstract)

[13] Defriesr R S, Townshend J R G. NDVI-derived land cover classifications at a global scale[J]. International Journal of Remote Sensing, 1994, 15(17): 3567－3586.

[14] 贾永红. 遥感多光谱影像空间分解力增强的融合方法[J]. 遥感技术与应用，1997，12(1)：20－24. Jia Yonghong. A method of image fusion to enhance spatial resolution of remotely sensed multispectral images[J]. Remote Sensing Technology and Application, 1997, 12(1): 20－24. (in Chinese with English abstract)

[15] Boettinger J L, Ramsey R D, Bodily J M, et al. Landsat spectral data for digital soil mapping[J]. Digital Soil Mapping with Limited Data, 2008, 16(1): 193－202.

[16] 亢庆，张增祥，赵晓丽. 基于遥感技术的干旱区土壤分类研究[J]. 遥感学报，2008，12(1)：159－167. Kang Qing, Zhang Zengxiang, Zhao Xiaoli. A study of soil classification based on remote sensing in arid area [J]. Journal of Remote Sensing, 2008, 12(1): 159－167. (in Chinese with English abstract)

[17] 向海燕，罗红霞，刘光鹏，等. 基于Sentinel-1A极化SAR数据与面向对象方法的山区地表覆被分类[J]. 自然资源学报，2017，32(12)：2136－2148. Xiang Haiyan, Luo Hongxia, Liu Guangpeng, et al. Land Cover Classification in mountain area based on Sentinel-1A polarimetric SAR data and object oriented method[J]. Journal of Natural Resources, 2017, 32(12): 2136－2148. (in Chinese with English abstract)

[18] 张锦水，何春阳，潘耀忠，等. 基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J]. 遥感学报，2006，10(1)：49－57. Zhang Jinshui, He Chunyang, Pan Yaozhong, et al. The high spatial resolution RS image classification based on SVM method with the multi-source data[J]. Journal of Remote Sensing, 2006, 10(1): 49－57. (in Chinese with English abstract)

[19] Dobos E, Micheli E, Baumgardner M F, et al. Use of combined digital elevation model and satellite radiometric data for regional soil mapping[J]. Geoderma, 2000, 97(3): 367－391.

[20] Dobos E, Montanarella L, Nègre T, et al. A regional scale soil mapping approach using integrated AVHRR and DEM data[J]. International Journal of Applied Earth Observation & Geoinformation, 2001, 3(1): 30－42.

[21] Behrens T, Zhu A, Schmidt K, et al. Multi-scale digital terrain analysis and feature selection for digital soil mapping[J]. Geoderma, 2010, 155(3): 175－185.

[22] Maynard J J, Levi M R. Hyper-temporal remote sensing for digital soil mapping: Characterizing soil-vegetation response to climatic variability[J]. Geoderma, 2017, 285: 94－109.

[23] 刘娟，蔡演军，王瑾. 青海湖流域土壤遥感分类[J]. 国土资源遥感，2014，26(1)：57－62. Liu Juan, Cai Yanjun, Wang Jin. Soil classification of Qinghai Lake based on remote sensing[J]. Remote Sensing for Land & Resources, 2014, 26(1): 57－62. (in Chinese with English abstract)

[24] 夏春梅. 林甸自然资源概况及发展建议[J]. 防护林科技，2016，51(8)：83－84.

[25] Zanchetta A, Bitelli G, Karnieli A. Monitoring desertification by remote sensing using the Tasselled Cap transform for long-term change detection[J]. Natural Hazards, 2016, 83(1):1－15.

[26] Liang Z. Study on the hyperspectral remote sensed image classify based on PCA and SVM[J]. Optical Technique, 2008, 34(12): 184－187.

[27] Leeman V, Earing D, Vincent R K, et al. The NASA earth resources spectral information system: A data compilation[R]. Houston, Texas: NASA Manned Spacecraft Center, 1971: 1－178.

[28] 陈超，江涛，刘祥磊. 基于缨帽变换的遥感图像融合方法研究[J]. 测绘科学，2009，34(3)：105－163. Chen Chao, Jiang Tao, Liu Xianglei. Research on remote sensing image fusion methods based on tasseled cap transformation[J]. Science of Surveying and Mapping, 2009, 34(3): 105－163. (in Chinese with English abstract)

[29] Grinand C, Arrouays D, Martin M P, et al. Extrapolating regional soil landscapes from an existing soil map: Sampling intensity, validation procedures, and integration of spatial context[J]. Geoderma, 2008, 143(1): 180－190.

[30] Qi F. Knowledge discovery from area-class resource maps: data preprocessing for noise reduction[J]. Transactions in Gis, 2004, 8(3): 297－308.

[31] 刘焕军，张柏，张渊智，等. 基于反射光谱特性的土壤分类研究[J]. 光谱学与光谱分析，2008, 28(3)：624－628. Liu Huanjun, Zhang Bai, Zhang Yuanzhi, et al. Soil taxonomy on the basis of reflectance spectral characteristics[J]. Spectroscopy And Spectral Analysis, 2008, 28(3): 624－628. (in Chinese with English abstract)

[32] 刘焕军，张小康，张新乐，等. 面向土壤分类的高光谱反射特征参数模型[J]. 遥感学报，2017，21(1)：105－114. Liu Huanjun, Zhang Xiaokang, Zhang Xinle, et al. Hyperspectral reflectance characteristics parameter extraction for soil classification model[J]. Journal of Remote Sensing, 2017, 21(1): 105－114. (in Chinese with English abstract)

[33] 刘焕军，张柏，赵军，等黑土有机质含量高光谱模型研究[J]. 土壤学报，2007，44(1)：27－32. Liu Huanjun, Zhang Bai, Zhao Jun, et al. Spectral model for prediction of organic matter in black soil[J]. Acta Pedologica Sinica, 2007, 44(1): 27－32. (in Chinese with English abstract)

Soil classification based on maximum likelihood method and features of multi-temporal remote sensing images in bare soil period

Liu Huanjun1,2, Yang Haoxuan1, Xu Mengyuan1, Zhang Xinle1, Zhang Xiaokang1, Yu Ziyang1, Shao Shuai1, Li Houxuan1

(1.150030,; 2.130102,)

Remote sensing technology is an efficient method of soil mapping and classification. By using this method, soil classification is mainly based on spectral reflectance characteristics. A single-phase remote sensing image is often used for soil classification but a single phase image only reflects the current situation within the study area. It is easily disturbed by other factors and thus the results are inaccuracy. In addition, it is impossible to reflect the dynamic change of the soils that might be affected by factors such as human and natural factors. In order to improve the accuracy of mapping, we took Songdian County in the Songnen Plain as the research area and investigated the feasibility of using multi-phase images to classify soil. The study area included 5 types of soils such as chernozem, meadow soil, swamp soil, aeolian sand soil and water. A total of 3 Landsat 8 remote sensing images of bare soil were collected, representing 3 phases. Combined with DEM data and the second national soil census data, soil mapping was conducted. Different classification features were extracted by 1) Kauth-Thomas transformation, 2) spectral index of normalized difference vegetation index, normalized differential moisture index and normalized differential water index, 3) topography features of elevation, slope, aspect and curvature, and 4) multiphase features. The maximum likelihood method was used for soil classification. The J-M distance of training samples was calculated to show if the soils were easily differentiated. A total of 90 training samples were used for training and 1000 samples were used for validation. They included 500 samples of chernozem, 220 samples of meadow soils, 196 boggy soils and 43 blown soils. The DEM data was collected at a 30-m resolution. The results showed that the soils became easier to be differentiated with increasing numbers of features. According to the J-M distance analysis under mono-phase and multi-temporal remote sensing data, the identification of chernozem and meadow soil was the most difficult in all soil types. The main reason is that the spectral curve of the surface meadow soil is similar to the spectral curve of its adjacent soil type. With the increase of the classification characteristics, the information in the classification feature dataset was richer, and the J-M spacing was also increased, indicating that the selected classification characteristics and the constructed classification feature dataset are efficient in differentiating different types of soil based on remote sensing imagery. The multi-temporal remote sensing images based on multiphase features could complete soil classification and mapping with an overall accuracy rate of 91.0%, a Kappa coefficient of 0.865. By mono-temporal images based on multiphase features, the overall accuracy of using remote sensing imagery in 2014 was 86.3%, and the Kappa coefficient was 0.794; The overall accuracy of using remote sensing imagery in 2015 was 90.3%, and the Kappa coefficient was 0.855; The overall accuracy of using remote sensing imagery in 2017 was 88.6% and Kappa coefficient was 0.830. Compared to the single features, the multiphase features could greatly improve soil classification accuracy. The study could provide valuable information for soil mapping by remote sensing data.

remote sensing; soils; classification; mapping; Kappa coefficient; Kauth-Thomas transformation; maximum likelihood method

刘焕军，杨昊轩，徐梦园，张新乐，张小康，于滋洋，邵 帅，李厚萱.基于裸土期多时相遥感影像特征及最大似然法的土壤分类[J]. 农业工程学报，2018，34(14)：132－139. doi：10.11975/j.issn.1002-6819.2018.14.017 http://www.tcsae.org

Liu Huanjun, Yang Haoxuan, Xu Mengyuan, Zhang Xinle, Zhang Xiaokang, Yu Ziyang, Shao Shuai, Li Houxuan.Soil classification based on maximum likelihood method and features of multi-temporal remote sensing images in bare soil period[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 132－139. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.14.017 http://www.tcsae.org

2018-03-24

2018-06-10

国家自然科学基金（41671438）；中国科学院东北地理与农业生态研究所“引进优秀人才”项目

刘焕军，副教授，博士生导师，主要从事土壤遥感研究。 Email：huanjunliu@yeah.net

10.11975/j.issn.1002-6819.2018.14.017

S155

A

1002-6819(2018)-14-0132-08