黄河三角洲土壤含水量状况的高光谱估测与遥感反演
发布时间:2024-07-19

图片1.png

一、引言

土壤含水量是陆地和大气能量交换过程中的重要因子,对陆地表面蒸散、水的运移、碳循环具有很强的控制作用,是气候、生态、水文、农业等领域衡量土壤干旱水平的重要指标。土壤水分也是研究植物水分胁迫、监测作物旱情的最基本因子。为了提高土壤水分利用率,减少无效蒸发,节约农业用水,因此需要对土壤水分进行监测。黄河三角洲是我国高效生态经济区,对该区域进行准确、实时地遥感土壤水分监测,对于区域农业生产及社会经济建设具有重要意义。

土壤水分模型方法通过建立水分平衡方程求解土壤水分,可提供适时的土壤水分信息,但实验需要大量相关参数,估测误差较大。用遥感反演手段获取土壤含水量,具有范围大、时间分辨率高的特点,弥补了传统方法上的不足。高光谱遥感技术凭借其极高的光谱分辨率,快速获取地面土壤的反射光谱信息,为土壤水分监测提供了一种新的技术手段。因此,地面实测高光谱与多光谱遥感影像相结合,为土壤水分状况的定量反演和遥感监测提供了新的思路。

本研究以黄河三角洲为研究区,从室外高光谱以及土壤含水量实测数据入手,采用波谱组合和多元逐步线性回归分析方法,建立基于高光谱的土壤含水量估测模型,并将其应用到LandSat8遥感影像,反演区域土壤含水量状况,为土壤含水量的遥感定量反演提供技术参考。


2、材料与方法

2.1研究区概况

黄河三角洲北临渤海湾,东靠莱州湾,具有独特的地理位置和气候特征。本研究选择黄河三角洲典型区垦利县,黄河为该县主要淡水来源,也是地下水的主要补给源。但地下水埋深浅,矿化度高,难以利用。垦利县位于黄河三角洲的扇形区边缘,具有典型的三角洲地貌特征,整个地势西南高,东北低,形成了岗、坡、洼相间的复杂的地貌类型及砂、壤、黏相间的多种土体构型。土壤为潮土和盐土两大类型,质地轻,养分贫乏,盐化程度较高。自然植被多为耐盐碱的草本植物和灌木,农田作物以小麦、玉米、水稻和棉花为主。


2.2实地调查与采样

本研究于2014年4月28日至4月30日,在垦利县进行实地调查与采样。在全县均匀布设61个样本点(不含滩涂区域),见图1。选取约900m2的平整地块,其土壤类型、地表覆盖状况接近,每个地块采集3个表层(0~20cm)土样。土样装入密封袋进行编号,同时记录采样点的土地利用类型、植被类型、植被覆盖度、土壤类型等情况,并记录采样点坐标。


图片2.png

图1野外实测样点分布图


2.3高光谱数据采集与处理

土壤高光谱测定可采用莱森光学的iSpecField-WNIR系列地物光谱仪,光谱范围为350~2500nm。将野外采回的土样保持原状,在室外自然光照条件下对纯土壤进行光谱测定,测量期间选择晴朗

无风的天气。将盛样皿内土壤稍稍刮平,使其表面尽量平整。将装满土样的盛样皿放在反射率近似为0的黑色橡胶垫上,每次采集目标光谱前后均进行参考板校正,在视场范围内重复测量10次,取平均土壤光谱反射率。为消除高频噪声的影响,本研究采用9点加权移动平均法对高光谱反射率数据进行平滑去噪处理。


2.4土壤含水量测定

土壤含水量采用质量含水量表示,待光谱测定完毕之后以烘干法进行测定。过程如下:取铝盒在105℃烘箱中放置2h后,称重W,按需取约10g表层土样放入铝盒中,加盖后称重(铝盒加土壤重量),记为W1,去盖放入烘箱中,在105℃条件下烘8h,至恒重,取出加盖后称重(铝盒加干土的重量),记为W2。计算公式为:土壤质量含水量(%)=(W1-W2)/(W2-W)×100%取三次重复,求其平均值即为该土壤质量含水量。


2.5光谱数据拟合与波段组合

本研究采用两种方法将实测的高光谱窄波段反射率拟合为LandSat8宽波段反射率。一是选用LandSat8影像波段中心波长反射率,采用高光谱相对应的波长反射率进行拟合;二是选用LandSat8各波段范围对应的高光谱的平均反射率进行拟合。具体见表1。


表1波段拟合方法


波段组合是地物参数遥感反演常用的方法,通过波段组合形成包含多波段信息的新的光谱参量。本研究采用4种波段组合方式,分别对两两波段反射率进行4种运算,生成光谱参量反演地表土壤含水量。


2.6估测模型的构建

本研究共采集108个土壤含水量数据,其中有效数据99个,随机选取建模样本集69个,验证样本集30个。分别对中心波长反射率和波段平均反射率按上述4种方式进行波段组合,将组合生成的光谱参量与土壤含水量进行相关性分析,筛选相关性较大的光谱参量作为敏感光谱参量。

分别将4种波段组合筛选的光谱参量进行多元逐步线性回归分析,建立单一形式波段组合估测模型;然后选取4种组合的所有敏感光谱参量,建立多形式波段组合估测模型。

以验证样本集,对估测模型进行检验,并绘制估测值与实测值之间拟合图。采用拟合系数R2、均方根误差RMSE、相对误差RE对拟合效果进行综合评定,以检验模型的准确性与适用性。


三、结果

3.1不同含水量土壤的光谱特征

图2为不同含水量土壤的光谱特征曲线,其中波段1350nm~1450nm和1800nm~1950nm因受大气水汽吸收强烈而剔除。可以看出,

(1)随着含水量的增加,土壤反射率总体呈下降趋势,这一结论与以往文献中提到的一般变化规律相同。

(2)不同土壤含水量光谱曲线总体变化比较平缓,形态上相似,基本平行。

(3)不同含水量的土壤光谱反射率表现为强度上的差异,在波长较短的部分,反射率随土壤水分增加变化迅速,而在波长较长的部分,反射率变化相对平缓。

(4)结合LandSat8OIL的7个波段分析:433~453nm曲线斜率较陡,且随含水量的升高,曲线斜率在变小,且在450附近有微小的凸起;450~515nm间,曲线斜率先减小,后增大;525~600nm间斜率一直上升,在600nm附近,曲线斜率开始下降;630~680nm间曲线呈缓慢上升趋势;845~885nm曲线斜率接近于0,到达1700nm左右反射率缓慢下降,且不同含水量反射率差异较明显;1560~1660nm曲线缓慢上升,不同含水量的反射率差距也较大;2100~2200nm之间光谱反射率先上升后下降,在2150nm附近有明显的反射峰,并且具有2200nm处的特征吸收带。可见,土壤含水量与LandSat8OIL的7个波段之间均有一定的相关性。


图2不同含水量的土壤光谱曲线


3.2基于中心波长反射率的土壤含水量高光谱估测模型

通过比值、差值、上加下减和上减下加波段组合各形成42、21、21、21个光谱参量,共计105个。通过相关性分析,选取相关性较大的光谱参量共计31个,作为敏感光谱参量参与模型的构建。

分别以4种波谱组合的敏感光谱参量为自变量,以土壤含水量为因变量,利用多元逐步线性回归,建立基于波段单一组合形式光谱参量的土壤含水量高光谱估测模型。结果表明4种波段组合方式光谱参量建立的模型sig=0.000<0.05,模型均达到了显著水平。其中以差值组合方式的光谱参量建立的估测模型决定系数R2最大,为0.473(表2)。由分析结果可见,以一种波段组合的敏感光谱参量建立的回归模型效果均不理想。因此本研究尝试综合应用4种波段组合的31个敏感光谱参量,以土壤含水量为因变量,建立基于波段多种组合形式光谱参量的土壤含水量估测模型。最佳模型为Y=38.933-5.310×R655/R440+242.787×(R1610-R2200)+293.990×(R560-R655),模型决定系数R2=0.635,明显优于基于波段单一组合形式光谱参量建立的模型(表2)。


表2基于中心波长反射率的土壤含水量估测模型


3.3基于波段平均反射率的土壤含水量高光谱估测模型

分别以4种波段组合的敏感光谱参量为自变量,建立基于波段单一组合形式光谱参量的土壤含水量估测模型。结果表明,模型sig=0.000<0.05,均达到了显著水平。其中以差值组合方式的光谱参量建立的估测模型的决定系数R2最大(表3)。对于波段平均反射率,以一种波段组合的敏感光谱参量建立的回归模型效果也不理想。同样综合选取4种波段组合的30个敏感光谱参量,建立基于波段多种组合形式光谱参量的土壤含水量估测模型,决定系数R2达0.701,远高于基于波段单一组合形式光谱参量建立的模型(表3)。


表3基于波段平均反射率的土壤含水量估测模型


3.4土壤含水量的最优高光谱估测模型

综合以上分析,中心波长反射率和波段平均反射率的最佳估测模型均为基于4种波段组合光谱参量建立的模型,决定系数R2分别为0.635和0.701,总均方根误差RMSE分别为2.61和2.54,相对误差RE分别为10.37%和9.63%。图3为两个模型预测值与实际值的拟合图,结果表明波段平均反射率模型的预测结果与实测含水量的拟合度R2达到0.56,高于中心波长反射率模型的0.46。综合分析波段平均反射率的最佳高光谱估测模型预测精度更高,因此将其作为土壤含水量高光谱估测最佳模型。


图3基于中心波长反射率(a)和波段平均反射率(b)最优模型土壤含水量预测值与实际值的拟合图


3.5土壤含水量的遥感反演

将所有采样点各波段的波段平均反射率进行平均,作为室外实测各波段平均反射率;在LandSat8经过线性混合像元分解的土壤遥感影像上,根据野外采样记录的GPS坐标,找到各个采样点在遥感影像上的对应点,同样求取所有样点各波段反射率的均值,作为遥感影像反射率(图4)。

 

图4波段平均反射率与遥感影像反射率的对比


由图4中可见,室外实测波段平均反射率均低于遥感影像反射率,主要是由于实测为纯土壤样品,而遥感影像则反映地表信息,虽剔除植被影响但反射率可能仍包含少量植被信息,使其平均值较高;此外考虑到时相的差别,由于采样时间和LandSat8影像时间相差1~4d,由于水分蒸发,遥感地表反射率也会较高。但两者变化趋势一致,相关性达到0.989。因此,将室外实测土壤含水量高光谱估测模型应用于遥感影像反演,具有切实可行性。在以上分析基础上,根据两者关系,对遥感影像反射率做适当订正,以便提高反演结果。考虑比值处理可以消除部分时相误差,相对精度较高,因此,本文采用比值均值订正方法。首先计算遥感影像与实测相应点位各个波段反射率的比值,然后取所有点位各波段比值的均值,作为订正系数。遥感影像各个波段反射率除以各波段的比值均值,得到订正后的遥感影像。借助ENVI基于专家知识的决策树分类方法,结合ArcGIS进行分类后处理,得到反演后的垦利县土壤含水量分布图(图5a),同时,利用实测点位土壤含水量插值得到实测样点含水量分布图(图5b)。由于采样时未涉及到黄河三角洲自然保护区,为了确保插值和反演结果的可比性,因此将遥感反演土壤含水量分布图与实测样点含水量预测分布图中的黄河三角洲自然保护区部分去除,然后分别统计两图各等级土壤含水量的面积比例(表4),对反演结果进行分析验证。

 

图5遥感反演土壤含水量分布图(a)与实测样点含水量预测分布图(b)


从图5看出,研究区中部含水量较低,而黄河、水库、养鱼养虾池附近土壤含水量较高,呈现出以其为中心,向四周扩散含水量递减的趋势;含水量大多集中在15%~25%,含水量在30%以上分布较少,从表4可知两者各含水量区间百分比变化趋势一致,15%~20%区间面积百分比差距大,分析原因可能是由于含水量在此区间的采样点较多导致插值时分布在此区间的面积比例较大;其余区间百分比数值大体一致。对比图5与表4,土壤含水量遥感反演结果与插值结果在空间分布与数值统计上均具有一致性和统一性,因此,土壤含水量的遥感反演结果符合研究区实际,有较好的可信度和真实性。


表4土壤含水量遥感反演分布图与实测样点含水量插值图面积比例比较



四、结论

本研究采用中心波长反射率和波段平均反射率两种拟合方法,利用室外实测高光谱窄波段反射率数据模拟LandSat8卫星宽波段反射率,进而通过波段组合,选取敏感光谱参量,应用多元逐步线性回归方法分别建立土壤含水量高光谱单一形式波段组合与多形式波段组合估测模型,最佳估测模型为基于波段平均反射率和多形式波段组合方式敏感光谱参量的回归模型。室外实测反射率和遥感影像反射率的相关性极显著,证明基于室外实测高光谱数据建立的土壤含水量估测模型可以应用于遥感影像的反演,经订正可取得较好的效果。由于验证的地面数据和遥感影像存在1~4d的时相差,因此定量反演的直接验证尚有一定误差,但作为趋势分析是可行的。此外由于研究区域较小,且土壤质地均为壤质,本次研究采用土壤质量含水量反演土壤水分空间变化,今后研究应尽量采用土壤体积含水量,因为在较大区域应用中,土壤体积含水量对土壤水分的定量反演和空间分布趋势的比较更加重要。本研究初步尝试了利用线性混合象元分解方法剔除遥感影像中的植被信息,反演效果有所提高,今后的研究应着重于对多因素复合作用下的土壤反射光谱特征进行深入的探索。