一种青海湖流域消除植被光谱对土壤光谱影响的土壤有机质含量遥感估算方法

吴成永, 曹广超, 陈克龙,*, 毛亚辉, 王琪,袁杰, 鄂崇毅



一种青海湖流域消除植被光谱对土壤光谱影响的土壤有机质含量遥感估算方法

吴成永1,2,3, 曹广超2,3, 陈克龙2,3,*, 毛亚辉1,2,3, 王琪1,2,3,袁杰1,2,3, 鄂崇毅1,2,3

1. 青海师范大学地理科学学院, 西宁 810008 2. 青藏高原环境与生态教育部重点实验室, 西宁 810008 3. 青海省自然地理与环境过程重点实验室, 西宁 810008

基于遥感技术手段快速测定区域尺度土壤有机质含量(SOM), 对气候、陆地生态系统和农业等领域具有重要的作用和意义。但现有的多光谱遥感影像因其波段宽度较窄, 包含的土壤有机质信息有限, 导致其估算结果的可靠性与精度较低。为此, 以青海湖流域为实证试验区, 将2016年9月底(此时, 青海湖流域牧草等植被停止生长, 土壤有机质积累达到全年最高)地面采集并测定的土壤有机质含量数据与同时期MODIS 黑空BRDF/Albedo产品的宽、窄波段进行了对比与检验。发现: BRDF/Albedo宽波段的相关性(近红外、短波波段相关系数分别为0.704和 0.670)高于窄波段相关性(第2, 5, 6波段的相关系数分别是0.583、0.631和0.625), 证实了宽波段含有更加丰富、完整的土壤有机质含量信息。为了进一步提高SOM估算的精度, 基于梯形方法构建了宽波段近红外反照率/植被覆盖度梯形特征空间, 从宽波段近红外反照率(包含植被、土壤混合光谱)中成功分离出裸土反照率, 并分别构建了SOM遥感估算模型。经验证, 消除了植被对土壤光谱影响的裸土反照率模型精度(均方根误差为16.87、平均绝对百分比误差为30.0%, 希尔不等系数为0.22)高于宽波段近红外反照率模型精度(均方根误差为20.12、平均绝对百分比误差为31.0%, 希尔不等系数为0.27)。该方法简单易操作, 不仅有助于提高表层土壤有机质含量遥感估算的精度, 也可为土壤其他属性如N, P等元素含量的遥感估算提供了新思路。

土壤有机质; 遥感反演; 反照率; 梯形方法

1 前言

土壤有机质(Soil Organic Matter, SOM), 是土壤的重要组成部分, 对土壤物理性质具有深刻的影响[1], 其含量的多寡是衡量土壤肥力的一项重要指标[2]。它参与生物圈、大气圈的物质循环, 是土壤碳库的活跃部分, 直接决定与改变了陆地生态系统碳变化[3], 并参与地球系统的能量循环, 间接地决定与改变了陆地表面的太阳短波辐射和地表长波辐射吸收、反射和发射特性[4], 进而影响着地球系统能量收支平衡。因此, 土壤有机质在农业、陆地生态系统和气候等领域研究中扮演着重要的角色, 其含量的准确、快速测定具有重要的作用和意义。传统的土壤有机质含量测定方法虽然具有很高的精度, 但费时、费力, 获取成本高, 样点有限, 难以广泛应用到区域尺度。目前, 区域尺度上对土壤有机质含量测定研究, 主要是通过地统计和遥感反演方法。因地统计法建立在统计学基础之上, 为了获取较高精度的预测结果, 需大量采集样点, 耗费大量人力物力。卫星遥感技术能够在短时间内, 低成本地获取广阔地表的地物光谱信息, 通过遥感模型, 借助尺度推绎方法, 实现像元尺度上的土壤有机质测定与空间格局, 已成为区域尺度土壤有机质含量估算的主要技术手段, 得到了广泛应用。

目前, 多光谱卫星遥感土壤有机质含量估算研究中, 土壤有机质敏感波段存在着较大差异。GALVÃO LS等[5], KRISHNAN P等[6]研究发现, SOM与可见光波段有较强的相关性, 而GUNSAULIS FR等[7]研究表明, SOM与红光波段则具有较强的相关性。黑土的有机质响应波段, 刘焕军等[8]认为集中在可见光和近红外范围, 卢艳丽等[9]则认为, 在480—740 nm范围内, 且与光谱呈极显著负相关, 而在816—1415 nm范围内, 则与光谱呈极显著正相关。红壤有机质敏感波段, 刘炜等[10]认为在400—1000 nm, 沈润平等[11]则认为在可见光与近红外区域。但是, 不管多光谱遥感应用了哪些波段反演SOM, 其估算精度尚未达到预期, 这是由多光谱遥感固有缺陷决定的。根据大气窗口, 多光谱传感器在可见光、红外等范围内只设置了有限的几个波段, 例如, 在可见光范围内, Landsat-8 OLI只有红(630—680 nm)、绿(525—600 nm)和蓝(450—515 nm)3个波段, 未完全覆盖可见光全范围(380—780 nm)。而且, 多光谱传感器的各个波段, 其电磁波宽度普遍较窄, 例如, Landsat-8 OLI红光波段范围, 并非红光全部范围(622—770 nm)。另外, 多光谱遥感反演应用了一个或多个土壤有机质敏感波段, 这些波段本身包含的有机质等土壤属性信息有限或不完整, 其反演的可靠性与精度难以保障。波段宽度大的宽波段地表反照率, 包含了可见光、短波和近红外等全谱段的地物光谱信息。因此, 我们提出猜想, 它可能存在土壤有机质的敏感谱段, 且这些谱段应该包含比较丰富、全面的土壤有机质等信息, 运用宽波段地表反照率估算有机质含量等土壤属性, 有望提高反演的可靠性与精度。

另外, 宽波段地表反照率与其他遥感影像一样, 受空间分辨率影响, 其像元是混合像元, 导致遥感反演土壤属性的精度下降。对于非人工干扰的自然景观, 其遥感像元包含植被与土壤2类地物的反射率, 也就是说, 当有植被覆盖时, 像元的反射率不完全是纯土壤(裸土)的光谱反射率, 而是土壤与植被反射率的加权和。因此, 植被(植被覆盖度)对土壤反射率的影响巨大, 欲进一步提高遥感反演的精度, 需将植被对混合像元光谱反射率的贡献设法予以消除或尽可能地降低, “消除”植被光谱的影响, 分离出裸土的光谱反照率。目前, 有3大类“消除”植被光谱的方法。一是混合像元分解模型。主要有线性、非线性、几何光学、随机几何和模糊分析5种模型[12]。线性模型的关键是要输入各种地物的参照光谱值, 而实际地物的光谱值很难获得, 应用困难。非线性模型, 其混合像元的分解效果通常好于线性模型, 但计算过程较复杂, 且受残差的影响, 其结果仍不理想[13]。几何(光学与随机几何)模型, 需要大量参数, 如植被的高度、形状参数以及太阳参数(入射与观测方向)等, 这些参数通常难以全部获取[14]。模糊分析模型, 运用的前提是数据需符合正态分布, 但实际上, 并不是所有区域的遥感数据满足这一前提条件。因此, 混合像元分解模型虽然取得了较好的效果, 但仍然存在不足。二是“光学植被盖度”方法[15]。该方法成功地将混合像元的光谱信息纯化为裸土的光谱信息, 但需要用统计方法确定裸土的虚生物量本底、全是植被光学信息时的近红外波段的光谱亮度等众多模型参数, 因此, 反演过程较为复杂, 实际操作困难。三是梯形或三角形方法。研究表明, 地表温度/植被指数、反照率/植被指数和反照率/植被盖度等的散点图能够形成梯形或三角形特征空间, 因而得名。因其操作简便, 与其他模型结合, 可以对植被蒸腾、地表通量、干旱监测、土壤蒸发和土壤含水量等进行估算, 但对土壤有机质含量的估算尚未见报道。

综上所述, 以地表景观类型丰富多样的青海湖流域作为实证研究区, 使用时间分辨率高、地面成像宽幅大, 且数据质量较高的MODIS遥感合成产品数据和地面实测有机质含量数据, 其一是, 探寻MODIS BRDF/Albedo地表反照率产品的土壤有机质敏感波段, 并比较敏感波段含有有机质含量信息的“丰度”, 以尝试、验证宽波段反照率反演土壤有机质含量的可行性与优越性, 克服运用多光谱窄波段反照率反演的固有缺陷, 拓宽多光谱遥感反演土壤有机质等属性的技术渠道。其二是, 为了进一步提高宽波段反照率反演土壤有机质含量的精度, 基于梯形方法, 尝试构建地表反照率/植被覆盖度梯形特征空间, 从包含植被、土壤混合光谱的宽波段地表反照率中提取出裸露土壤的反照率, 以剔除植被覆盖对土壤光谱的影响, 恢复土壤固有的光谱信息, 以期提高土壤有机质含量及其他土壤属性的遥感反演精度。

2 数据与方法

2.1 实验区概况

青海湖流域, 位于青藏高原东北部, 介于36°15′—38°20′N, 97°50′—101°20′E, 海拔3194— 5174 m。境内有青海青海湖国家级自然保护区, 地处我国西北部干旱区、东部季风区和西南部高寒区的交汇地带, 对气候变化的响应非常敏感[16]。气候为典型的高寒干旱大陆性气候, 太阳辐射强、气温日较差大, 年均气温–4.6—4.0 ℃, 年蒸发量1300—2000 mm, 年降水量291—579 mm[17]。主要土壤类型为沼泽土、草毡土、栗钙土、寒钙土和黑毡土等。植被以芨芨草()、华扁穗()、紫花针茅()、垂穗披肩草()、嵩草()和冰草()等为主[18]。

2.2 数据来源与处理

2.2.1 基础地理信息数据

植被类型数据为1: 400万中国植被图, 来源于国家自然科学基金委员会“中国西部环境与生态科学数据中心”。土壤类型数据, 来源于联合国粮农组织和维也纳国际应用系统研究所构建的世界和谐土壤数据库(Harmonized World Soil Database, HWSD), 中国境内数据源为第二次全国土地调查南京土壤所提供的1: 100万土壤数据, 从“黑河计划数据管理中心”(http://westdc.westgis.ac.cn)获取。植被与土壤类型数据, 用于评价实测样点建模与精度验证的代表性以及土壤有机质含量遥感估算结果的空间异质性分析。

2.2.2 土壤有机质含量实测数据

9月底10月初, 青海湖流域牧草等植被停止生长, 植被覆盖度达到全年最高, 土壤有机质积累亦达到全年最高, 是研究“消除”植被光谱对土壤光谱影响, 进而获取裸土反照率的最佳时段。2013年9月底和2016年9月27日至10月4日, 项目组进行了野外土壤样点的采集。两个时期都采用环刀法取地表 (0—10 cm、10—20 cm和20—30 cm)的土样。样品带回实验室后, 称取0—10 cm、10—20 cm每个采样点土壤样品各50 g, 混匀、自然风干后, 取少量土壤样品, 进行除杂、研磨, 过100目筛, 最后用重络酸钾容量—外加热法测定土壤有机质含量。2013年, 共获得13个有效样点数据, 这些样点分布在环青海湖周围, 对应的植被与土壤类型不多, 遥感反演的代表性不足, 作为验证数据。2016年, 共获得28个有效样点数据, 所属植被与土壤类型较多, 作为遥感反演与验证数据, 样点具体分布见图2。

2.2.3 遥感数据

共两种数据, 一是归一化植被指数NDVI; 二是MODIS BRDF/Albedo产品数据, 它根据Terra和Aqua两个卫星传感器得到的地表反射率数据(即Surface reference, 经云处理, 大气校正等处理), 通过双向反射分布函数(Bidirectional Reflectance Distribution Function, BRDF)模型计算得到[19], 其分辨率为500 m, 相邻两个时次相隔8天, 包括7个窄波段和3个宽波段(可见光波段0.4—0.7 μm、近红外波段0.7—3.0 μm和短波波段0.4—3.0 μm)的黑空反照率和白空反照率[20]。黑空反照率反映了正午时刻(地方时)地表对太阳光的反照率。从http://reverb. echo.nasa.gov/reverb/获取了研究时段的NDVI和MODIS BRDF/Albedo 43A3数据集。为了消除微地形与其他噪声影响, 更宏观地反映土壤有机质含量的空间分布格局, 利用3×3 窗口的中值滤波处理上述2类影像数据。同时, 为了计算方便, 将滤波后的影像数据除以1000, 然后用于相关计算与模型建立。

2.3 研究方法

2.3.1植被覆盖度计算方法

植被覆盖度和归一化植被指数之间存在极显著的线性相关关系, 可以通过建立二者之间的转换关系, 直接提取植被覆盖度信息。使用广泛应用的像元二分模型来计算[21]。

式中,NDVI为植被覆盖部分的值,NDVI为土壤部分的值,为植被覆盖度。

在ENVI5.1软件平台下, 计算值的累积频率, 以 2% 的置信度截取的上下限阈值分别代表NDVI和NDVI

2.3.2 梯形方法

研究表明, 地表温度/植被指数、反照率/植被指数和反照率/植被盖度等的散点图在二维空间上形成梯形或三角形, 因此得名为梯形或三角形方法。结合其他模型, 梯形方法可以对植被蒸腾、地表通量、干旱监测、土壤蒸发和土壤含水量等进行估算。20世纪90年代, PRICE JC[22]等提出了“地表温度/归一化植被指数(LST/NDVI)”梯形空间并对区域尺度的蒸散量进行了估算。NEMANI R等[23]认为, 从理论上讲, 地表温度和植被指数 (NDVI) 之间是梯形关系。CHOUDHURY B等[24]率先以地表反照率代替地表温度, 构建了归一化植被指数/反照率的特征空间, 并对干旱监测进行了研究。张仁华[25]、潘竟虎等[26]认为, 地表反照率是植被盖度与土壤含水量的函数, 并且反照率/植被覆盖度散点图构成的包络线呈现梯形, 如图1所示。

四个顶点a、a、a和a构成了梯形特征空间。点a与a分别代表植被覆盖率为0时的裸土表面的最高与最低反照率, 而点a与a分别表示全植被覆盖时, 植被表面的最高与最低反照率。由a,a两点决定的上边界线为“理论干边”, 表示土壤水分极干的情况, 是给定植被盖度条件下完全干旱地表对应的最高反照率的极限。现实条件下, 由于研究区范围与地理位置、地表性状等的影响, “理论干边”往往无法准确地获得, 通常用“实际干边”来代替, 即对应覆盖度变化得到的地表反照率实际最高值组成的上边界线。由a,a两点决定的上边界线为最低反照率线, 表示地表水分充足的状况, 同样, 在应用中通常用“实际湿边”来代替。位于“理论干边”、“理论湿边”、“实际干边”和“实际湿边”中间的过渡线(图中用虚线表示)近似为直线, 且同一条线上的点具有相同的土壤湿度状况, 即土壤等湿度线[27–28]。当确定了梯形的4个顶点后, 土壤等湿度线可以由线性内插方法获得[29]。

2.3.3 裸土反照率计算方法

研究表明, 遥感像元包含植被与土壤2类地物的反射率, 混合像元地表反照率是土壤和植被反照率的加权和[25,30], 即:

= (1 –)a+Ca(2)

式中,为混合像元地表反照率,为植被覆盖度,a、a分别表示土壤、植被部分的反照率。以对上式进行求导, 得到:

由式(2)、(3), 解得a、a:

,可以由遥感数据计算获得, 为已知项。欲求得a, 需解得。是梯形框架中等土壤湿度线的斜率, 令

由线性内插的假设, 得到方程(6):

式中,k表示第条土壤等湿度线的斜率, k, k分别表示“理论干边”和“理论湿边”的斜率值, 实际应用时, 通常用“实际干边”和“实际湿边”的斜率来代替, 其余参数及其含义见图1。至此, 联立方程(4)、 (5)、(7)就可实现混合像元地表反照率的分解, 进而得到剔除植被影响的裸露土壤反照率a。

3 结果与讨论

3.1 裸土反射率

据上文论述, 欲求反照率/植被覆盖度的散点图, 需纳入植被覆盖度和反照率的极值(极大值, 极小值)与其它任意值。因反照率的大小与地物类型密切相关, 因此, 结合植被覆盖度和具有特殊反照率的典型地物(如沙漠, 水体等), 在MODIS假彩色合成图像(波段1、2、3)上选取样区(图2), 以获取点集(,)。

沙漠可以视为十分干旱的地表, 其反照率近似等于极干裸地(植被覆盖度近似等于0)的反照率, 实验区青海湖湖东洱海周边沙漠广泛分布, 选取了2个典型样区以确定“实际干边”。大范围水体可以被看作是非常湿的地表, 其表面反照率近似等于极湿裸地(植被覆盖度近似等于0)的反照率, 其替代的可行性已经得到了科学论证[31], 在青海湖湖体中选取了2个典型样区, 以确定“实际湿边”。为了充分利用不同植被覆盖度条件下, 地物所蕴含的反照率信息, 将植被覆盖度划分为无植被、较少、较多覆盖和基本全覆盖4个等级, 然后在各个等级中选取若干个样区, 以确定土壤等湿度线。上述样区内, 按照MODIS数据空间分辨率, 生成格网点(500 m×500 m), 分别提取格网点地理位置上相应的黑空宽波段近红外反照率、植被覆盖度值, 进而形成点集(,)。删除异常值的点集(植被盖度为负数或者大于1, 由MODIS NDVI数据异常所致), 然后绘制散点图, 得到试验区实际地表反照率/植被覆盖度梯形特征空间(图3)。

于是得到实际梯形4个顶点坐标: A(0.058, 0.3487), B(0.4343, 0.3739), C(0.4343, 0.1242)和D(0.058, 0.1980)。据此, 就很容易得到: 实际干边斜率K=0.058, 即式(7)中的k, “实际湿边”斜率K=-0.17, 即式(7)中的, 以及a=0.3739和a=0.1242。依据公式(4)、(5)、(6)和(7), 得到消除植被影响的裸土反射率s。

图2 实测土壤采样点位置及获取地表反照率、植被覆盖度值的样区图

至此, 裸土反照率由宽波段地表反照率(属混合像元)和植被覆盖度计算获得。

3.2 土壤有机质含量遥感估算

3.2.1 土壤有机质含量遥感敏感波段

将实测土壤有机质点矢量数据和处理后MODIS BRDF/Albedo栅格数据空间位置匹配后, 进行两者之间的相关性分析(表1)。结果表明, BRDF/Albedo的7个黑空窄波段反照率中, 波段2, 波段5和波段6的相关系数分别为0.583、0.631和0.625, 与土壤有机质含量显著相关; 3个宽波段反照率中, 近红外与短波宽波段相关系数分别为0.704与0.670, 与土壤有机质含量显著相关。这证明了本文提出的猜想, 即宽波段宽度大, 含有更加丰富、完整的土壤有机质信息。同时, 相关性分析也表明, 上述5个波段均含有土壤有机质信息, 是青海湖流域表层土壤有机质含量遥感反演的敏感波段, 至此, 可以将这5个波段进行组合, 构建有机质反演模型, 然后选取最优模型。但是, 为了实证消除植被影响而恢复裸露土壤光谱信息, 进而可能会提高遥感估算精度的这一假设, 我们只选取相关性最大的黑空宽波段近红外反照率进行区域尺度的土壤有机质含量遥感估算研究。

图3 试验区实际地表反射率/植被覆盖度梯形特征空间

3.2.2 估算模型构建

从2016年的28个土壤样点中选取14个, 将实测土壤有机质含量与黑空宽波段近红外反照率, 裸土反照率s分别进行逐步线性回归, 构建遥感估算模型(图4)。

表1 实测土壤有机质含量与MODIS BRDF/Albedo产品的相关性分析表

注: * 表示在 0.01 水平(双侧)上显著相关。

图4 土壤有机质含量遥感估算模型 a.基于黑空宽波段近红外反照率的线性模型 b.基于裸土反照率的线性模型

Fig. 4 Remote sensing model for estimation soil organic matter. There into, a. linear model based on black-sky albedo of near-infrared broad band, and b. linear model based on bare soil albedo

黑空宽波段近红外反照率土壤有机质估算模型:

= 774.05– 137.38,² = 0.70 (9)

裸土反射率土壤有机质估算模型:

840.67a- 165.86,² = 0.75 (10)

式中,为遥感估算的土壤有机质含量(g·kg–1),为黑空宽波段近红外反照率,s为裸土反照率。

通常, 线性回归模型的优劣取决于两个方面, 一是模型的决定系数2,2越大, 模型越好, 二是拟合模型点群的趋势, 若点群中, 更多的点通过或更加接近拟合直线, 则模型优。因消除植被覆盖影响后的裸土反照率值小于混合像元反照率(即黑空宽波段近红外反照率)值, 建模点在图4. a相对离散, 而在4. b图中相对集中(图4. a, 4. b的纵横坐标单位与刻度相同), 因此, 在图4. b中, 更多的点通过或更加接近拟合直线。另外, 从模型的判定系数2来看, 裸土反射率估算模型的最大。因此, 消除植被覆盖影响的裸土反照率估算模型, 其拟合效果好。为了进一步验证模型估算的准确性, 需进行估算精度的比较。

3.2.3 模型精度比较

用均方根误差(Root Mean Squared Error, RMSE), 平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)和希尔不等系数(Theil Inequality Coefficient, TIC)评价模型误差[32]。考虑到青藏高原高寒地区, 土壤有机质含量值在较短的几年内变化不大, 将2013年的13个土样和2016年建模剩余的14个土样, 共27个有机质实测值与上述2种遥感模型估算结果进行精度评价(表2)。均方根误差、平均绝对百分比误差和希尔不等系数3个评价指标均表明, 裸土反照率模型的精度高于黑空宽波段近红外反照率模型的精度。

3.2.4 土壤有机质含量空间格局

据(10)式, 在ARCGIS 10软件平台下, 借助栅格计算工具得到像元尺度的表层(0—20 cm)土壤有机质含量, 并绘制成空间分布图(图5)。整体上看, 土壤有机质含量的空间异质性与土壤类型和植被类型的空间异质性基本一致, 这种异质性是由土壤属性(理化性质, 土壤湿度, 容重和颗粒组成等)以及地形(海拔, 坡度坡向等)、植被和人类活动(例如耕地等土地利用类型)等因素综合影响的结果[33-34]。也正是这些因素的影响, 使局部地区土壤有机质含量估算出现了误差。青海湖湖东沙漠地区估算值偏大。沙地植被稀疏, 土壤有机质含量少。沙子在近红外范围内的反照率较高, 导致估算结果偏高。河谷地区, 距离水源较近, 土壤含水量较大, 致使近红外的反照率较低, 有机质含量估算偏低。

表2 两种模型估算结果精度比较

在ARCGIS 10软件空间分析区统计模块下, 计算得到青海湖流域表层(0—20 cm)土壤有机质含量与各土壤类型的SOM统计特征。表层土壤有机质含量介于47.41—77.40 g·kg–1之间的, 其面积占整个流域总面积的30.83%, 所占比例最大, 介于27.42—47.41 g·kg–1范围内的面积占流域总面积的25.72%, 在117.38—187.35 g·kg–1范围内的占0.70%, 大于187.35 g·kg–1的占0.12%, 所占比例小。流域内面积较大的土壤类型是草毡土, 薄黑毡土和栗钙土, 分别占流域总面积的30.67%, 14.98%和11.43%, 其总的SOM分别为928667 g·kg–1, 705237 g·kg–1和608342 g·kg–1。

3.3 不同植被类型下土壤有机质估算结果

植被是自然地理环境的重要组成部分, 很大程度上影响了土壤有机质的空间格局, 因此, 利用植被类型基础地理信息数据, 在ARCGIS 10空间分析区统计模块中, 将裸土反照率模型估算结果进行统计, 并与相关研究成果进行了对比分析与讨论(表3)。

图5 青海湖流域表层(0—20 cm)土壤有机质含量遥感估算图

温带高寒草原植被类型, 青海湖流域主要是针茅草原, 估算值与文献[35-36]结果相近。温带高寒草甸植被类型, 流域内主要是嵩草草甸, 大部分分布在流域的西北部, 海拔较高, 地形起伏大, 估算结果比文献[37-38]值略低, 这可能是建模点数量较少, 且空间上距离该植被类型较远, 加之, 地形坡度坡向的影响, 致使遥感像元值总体比真实值低, 估算值偏低, 与实际不符。温带丛生矮禾草、矮半灌木草原, 文献[39-40]中, 无论是金露梅灌丛草地, 高山柳—金露梅灌丛草地, 还是祁连圆柏的土壤有机质含量, 均是在这些优势种占绝对优势的群落中的实测值, 因此文献值较高, 但实验区, 这些矮半灌木主要分布在青海湖环湖周围的山坡上, 群落密度较低, 且多为零星分布, 加之, 由于水土流失, 因而表层土壤有机质较低, 因此, 模型估算结果是可靠的。温带草甸, 主要植被为芨芨草盐生草甸, 广泛分布于青海湖湖岸, 尤其是湖东岸, 估算值与文献[41]值接近。无植被地段, 主要是高寒荒漠和冰川雪被, 分布在海拔高的流域西部。这些地段, 目前人类难以开展农牧业活动, 故估算有机质含量的意义不大。耕地主要分布在青海湖农场, 该农场自1958年创建以来, 经过近60年的人为耕作, 土壤有机质含量自然较高, 其有机质含量估算值是整个植被类型中最高的, 估算结果可靠。

表3 不同植被类型下土壤有机质估算结果及其相关文献研究成果

4 结论

针对多光谱遥感波段宽度较窄的固有缺陷, 提出了宽波段可能含有较丰富的土壤有机质信息的假设, 并得到了实证。另外, 利用MODIS遥感数据, 绘制了地表反照率/植被覆盖度梯形特征空间, 从混合像元地表反照率中成功地分离出裸土反照率, 消除了植被的影响, 恢复了土壤固有的光谱反射特性。该方法只需在遥感图像上选取沙地、水体以及不同植被覆盖度下的典型地物以确定 “干边”、“湿边”以及干湿边间的过渡线, 然后依据这些边线形成的梯形特征空间, 通过推导计算, 就能获得裸土反照率, 因此简单易操作, 有助于提高有机质等土壤属性的遥感估算精度。

(1) 裸土反照率a是宽波段地表反照率与植被覆盖度的函数, 即a=(1+) +。和参数均可以从遥感数据获得, 且来自于同一个遥感平台, 数据获取时间同步, 保证了数据参数的可靠性。,是待定系数, 实证实验区青海湖流域中,=–0.8811,=0.2794。

(2) 实验区表层(0—20 cm)土壤有机质含量与MODIS 黑空BRDF/Albedo反照率的3个窄波段(波段2, 波段5, 波段6)和2个宽波段(近红外与短波)呈正相关, 且宽波段的相关性高于窄波段, 其中, 近红外宽波段的相关性最高, 含有更加丰富、完整的有机质信息。

(3) 黑空宽波段近红外反照率可以估算实验区表层(0—20 cm)土壤有机质含量, 但其消除植被影响后而得到的裸土反照率, 更显著地提高了估算精度。

构建地表反照率/植被覆盖度梯形空间时, 关键是干、湿边的确定。本文分别采用沙漠、湖泊水体确定。因估算的是区域尺度的土壤有机质含量, 其地域范围大, 一般能够找寻到相应的地物类别, 如河流、湖泊、水库和池塘等“湿边”。对于“干边”, 如果没有沙漠等极其干旱的地类, 可以找寻相对含水量较低的地类(一般地, 反照率图像上色调为白色的地类), 但要确保干、湿边形成梯形。

实验区嵩草草甸的土壤有机质含量估算较低, 与实际不符。原因可能是, 嵩草草甸主要分布在青海湖流域的西北部, 海拔较高, 地形崎岖, 交通不畅, 采样困难, 导致建模点数量较少, 且空间上距离该植被类型较远, 加之, 复杂地形的影响, 导致遥感像元值比真实值低, 导致估算值低。未来可通过采样或其他方式获取更多的土壤有机质含量数据作为实测数据, 地形的影响可以通过遥感图像的地形校正予以消除或降低这种影响。沙漠以及含水量较大的土壤如河谷等接近水体地区的土壤, 在近红外范围内反射率较高或较低, 导致土壤有机质含量估算结果偏高或偏低, 这是应用近红外波段反演土壤有机质含量的最大难题与挑战, 今后可以尝试结合其他波段予以解决。

实验区青海湖流域属于高寒地区, 植被以低矮的草类为主, 植被结构为连续型, 电磁辐射在植被/地表界面涉及的散射次数较少, 该方法在地表反照率分解与土壤有机质含量遥感估算方面取得了较好的效果, 但在其他地区, 例如植被结构为离散型的森林地区, 其适宜性尚需进一步验证。

[1] 王盼盼, 李艳红, 徐莉. 艾比湖湿地典型植物群落下土壤有机质空间变异性研究[J]. 生态科学, 2015, 34(4): 131–136.

[2] 夏楠, 塔西甫拉提·特依拜, 丁建丽, 等. 基于多光谱数据的荒漠矿区土壤有机质估算模型[J]. 农业工程学报, 2016, 32(6): 263–267.

[3] 彭文甫, 周介铭, 徐新良, 等. 成都平原及其周边区域土地利用碳排放效应及空间格局[J]. 生态科学, 2017, 36(3): 105–114.

[4] 刘影, 姚艳敏. 土壤含水量高光谱遥感定量反演研究进展[J]. 中国农学通报, 2016, 32(7): 127–134.

[5] GALVÃO L S, VITORELLO Í. Variability of laboratory measured soil lines of soils from southeastern Brazil [J]. Remote Sensing of Environment, 1998, 63(2): 166–181.

[6] KRISHNAN P, ALEXANDER J D, BUTLER B J, et al. Reflectance technique for predicting soil organic matter [J]. Soil Science Society of America Journal, 1980, 44(6): 1282–1285.

[7] GUNSAULIS F R, KOCHER M F, GRIFFIS C L. Surface structure effects on close–range reflectance as a function of soil organic matter content [J]. Transactions of the ASAE, 1991, 34(2): 641–0649.

[8] 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.

[9] 卢艳丽, 白由路, 杨俐苹, 等. 基于主成分回归分析的土壤有机质高光谱预测与模型验证[J]. 植物营养与肥料学报, 2008, 14(6): 1076–1082.

[10] 刘炜, 常庆瑞, 郭曼, 等. 土壤导数光谱小波去噪与有机质吸收特征提取[J]. 光谱学与光谱分析, 2011, 31(1): 100–104.

[11] 沈润平, 丁国香, 魏国栓, 等. 基于人工神经网络的土壤有机质含量高光谱反演[J]. 土壤学报, 2009, 46(3): 391–397.

[12] 吕长春, 王忠武, 钱少猛. 混合像元分解模型综述[J]. 遥感信息, 2003, 17(3): 55–60.

[13] 桂预风, 张继贤, 林宗坚. 土地利用遥感动态监测中混合像元的分解方法研究[J]. 遥感信息, 2000, 14(2): 18–20.

[14] 郑丽. 混合像元分解及其应用研究[D]. 重庆: 重庆交通大学, 2010.

[15] 刘培君, 张琳, 库尔班艾·里西尔,等. 卫星遥感估测土壤水分的一种方法[J]. 遥感学报, 1997, 1(2): 135–138.

[16] HENDERSON A C G, HOLMES J A, ZHANG J, et al. A carbon-and oxygen-isotope record of recent environmental change from Qinghai Lake, NE Tibetan Plateau [J]. Chinese Science Bulletin, 2003, 48(14): 1463–1468.

[17] 江波, 张路, 欧阳志云. 青海湖湿地生态系统服务价值评估[J]. 应用生态学报, 2015, 26(10): 3137–3144.

[18] 曹生奎, 曹广超, 陈克龙, 等. 青海湖高寒湿地土壤有机碳含量变化特征分析[J]. 土壤, 2013, 45(3): 392–398.

[19] ROMÁN M O, SCHAAF C B, WOODCOCK C E, et al. The MODIS (Collection V005) BRDF/albedo product: Assessment of spatial representativeness over forested landscapes [J]. Remote Sensing of Environment, 2009, 113(11): 2476–2498.

[20] NASA EOSDIS LAND PROCESSES DAAC. MODIS Bidirectional Reflectance Distribution Function (BRDF) / Albedo Parameter [OL]. https://modis.gsfc.nasa.gov/ data/dataprod/mod43.php, 2014–04–14.

[21] 张学珍, 朱金峰. 1982—2006 年中国东部植被覆盖度的变化 [J]. 气候与环境研究, 2013, 18(3): 365–374.

[22] PRICE J C. Using spatial context in satellite data to infer regional scale evapotranspiration [J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(5): 940-948.

[23] NEMANI R, PIERCE L, RUNNING S, et al. Developing satellite-derived estimates of surface moisture status [J]. Journal of Applied Meteorology, 1993, 32(3): 548–557.

[24] CHOUDHURY B J, AHMED N U, IDSO S B, et al. Relations between evaporation coefficients and vegetation indices studied by model simulations[J]. Remote sensing of Environment, 1994, 50(1): 1–17.

[25] 张仁华, 孙晓敏, 王伟民, 等. 一种可操作的区域尺度地表通量定量遥感二层模型的物理基础[J]. 中国科学D辑: 地球科学, 2004, 34(增刊II): 200–216.

[26] 潘竟虎, 李天宇. 基于光谱混合分析和反照率-植被盖度特征空间的土地荒漠化遥感评价[J]. 自然资源学报, 2010, 25(11): 1960–1969.

[27] SANDHOLT I, RASMUSSEN K, ANDERSEN J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment, 2002, 79(2): 213–224.

[28] GILLIES R R, KUSTAS W P, HUMES K S. A verification of the 'triangle' method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface e [J]. International Journal of Remote Sensing, 1997, 18(15): 3145–3166.

[29] 田静, 苏红波, 孙晓敏, 等. 遥感反演土壤蒸发/植被蒸腾二层模型在华北地区的应用[J]. 地理研究, 2009, 28(5): 1297–1306.

[30] 龙晓闽, 周忠发, 张会, 等. 基于NDVI像元二分模型植被覆盖度反演喀斯特石漠化研究——以贵州毕节鸭池示范区为例[J].安徽农业科学, 2010, 38(8): 4184–4186.

[31] CARLSON T. An overview of the "triangle method" for estimating surface evapotranspiration and soil moisture from satellite imagery [J]. Sensors, 2007, 7(8): 1612–1629.

[32] 余向洋, 朱国兴, 沙润, 等. 基于月度数据的景区客流预测优化研究——以黄山风景区为例[J]. 经济地理, 2012, 32(7): 152–158.

[33] 王茵茵, 齐雁冰, 陈洋, 等. 基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究[J]. 土壤学报, 2016, 53(2): 342–254.

[34] 宫兆宁, 李洪, 阿多, 等. 官厅水库消落带土壤有机质空间分布特征[J]. 生态学报, 2017, 37(24): 1–12.

[35] 赵帅, 张静妮, 赖欣, 等. 放牧与围栏内蒙古针茅草原土壤微生物生物量碳、氮变化及微生物群落结构PLFA分析[J]. 2011, 30(6): 1126–1134.

[36] 耿远波, 章申, 董云社, 等. 草原土壤的碳氮含量及其与温室气体通量的相关性[J]. 地理学报, 2001, 56(1): 44–53.

[37] 鄢燕, 张建国, 张锦华, 等.西藏那曲地区高寒草地地下生物量[J]. 生态学报, 2006, 26(6): 1926–1932.

[38] 李明森. 藏北高原草地资源合理利用. 自然资源学报[J]. 2000, 15(4): 335–339.

[39] 丁玲玲, 龙瑞军, 祁彪, 等. 东祁连山高寒草地土壤微生物碳氮研究[J]. 甘肃农业大学学报, 2005, (5): 639–645.

[40] 高婵婵, 赵传燕, 王超, 等. 黑河上游天老池流域不同植被下土壤理化性质和入渗特征[J]. 水土保持学报, 2016,30(1): 117–126.

[41] 冯晓航, 陈克龙, 毛亚辉. 青海湖小泊湖湿地不同群落土壤有机碳、氮研究[J]. 安徽农业科学, 2014, 53(15): 4736–4739.

A soil organic matter retrieval method by eliminating the influence of vegetation spectra on soil spectra inQinghai Lake Basin

WU Chengyong1, 2, 3, CAO Guangchao2, 3, CHEN Kelong2, 3,*, MAO Yahui1, 2, 3, WANG Qi1, 2, 3, YUAN Jie1, 2, 3, E Chongyi1, 2, 3

1. College of Geographical Science, Qinghai Normal University, Xining 810008, China 2. Key Laboratory of Environment and Ecology of Qinghai-Tibet Plateau, Ministry of Education, Xining 810008, China 3. Qinghai Key Laboratory of Natural Geography and Environmental Processes, Xining 810008, China

Remote sensing (RS) technique can measure soil organic matter (SOM) at regional scales, which plays an important role in climate, terrestrial ecosystem and agriculture field. However, the existing multi-spectral RS images have limited SOM information because of their narrow band width, which leads to the low accuracy of estimation SOM results. Therefore, taking the Qinghai Lake basin as an empirical research area, we comparatively analyzed the field SOM data that was collected at the end of September 2016 (During this time period, the grasses and other vegetation stopped growth and the accumulation of SOM reached the highest throughout the year) and the data of MODIS black sky BRDF / Albedo products. Analysis showed that the correlation of the broad bands (correlation coefficientof near-infrared and shortwave band wereR=0.704 andR=0.670 respectively) was higher than that of the narrow bands (R=0.583,R=0.631 andR=0.625), which confirmed that broad bands contained all-round SOM information. To further improve SOM estimation accuracy, a wide band near-infrared albedo/vegetation coverage trapezoidal feature space was constructed based on trapezoidal method. The bare soil albedo was successfully separated from the broad band soil albedo containing soil and vegetation mixed spectra, and both RS models for estimating SOM were constructed separately. Verification showed that the accuracy of bare soil albedo model which eliminated the influence of vegetation spectra on mixed spectra (Root Mean Squared Error, RMSE = 16.87, Mean Absolute Percentage Error, MAPE = 30.0% and Theil Inequality Coefficient, TIC = 0.22) was higher than the broad band albedo model (RMSE = 20.12, MAPE = 31.0% and TIC = 0.27). As its maneuverability and practicability, this method has great significance not only for improving retrieval accuracy of SOM, but also providing a new sight for RS retrieval other soil properties such as the content of N, P and other elements.

SOM; remote sensing retrieval; albedo; trapezoid method

10.14108/j.cnki.1008-8873.2018.05.009

TP79

A

1008-8873(2018)05-060-12

2017-09-28;

2018-09-08

国家自然科学基金(41661023); 国家哲学社会科学基金(14XMZ072); 青海省科技厅自然科学基金项目(2017-ZJ-901); 教育部“春晖计划”合作科研项目基金(Z2012092, S2016026)

吴成永(1978—), 男, 甘肃通渭人, 在读博士, 主要从事遥感与地理信息系统应用研究, E-mail: giswuchengyong@163.com

通信作者:陈克龙(1965—), 男, 安徽芜湖人, 教授, 博士生导师, 主要从事生物地理与湿地生态研究, E-mail: ckl7813@163.com

吴成永, 曹广超, 陈克龙,等.一种青海湖流域消除植被光谱对土壤光谱影响的土壤有机质含量遥感估算方法[J]. 生态科学, 2018, 37(5): 60-71.

WU Chengyong, CAO Guangchao, CHEN Kelong, et al. A soil organic matter retrieval method by eliminating the influence of vegetation spectra on soil spectra in Qinghai Lake Basin[J]. Ecological Science, 2018, 37(5): 60-71.