青海湖流域土壤遙感分類

劉 娟，蔡演軍，王 瑾

(1.中國科學院地球環(huán)境研究所黃土與第四紀地質(zhì)國家重點實驗室，西安 710075;2.中國科學院大學，北京 100049)

0 引言

土地這一界面是遙感圖像上反映最直接的環(huán)境信息，也是研究其他環(huán)境要素的基礎[1]。土壤遙感是指通過對遙感影像的解譯，識別和劃分出土壤類型，制作土壤類型圖，分析其分布規(guī)律，為改良和合理利用土壤服務。在常規(guī)土壤調(diào)查方法受限或需要消耗大量人力、物力、時間的地區(qū)，基于遙感的土壤調(diào)查方法具有不可替代的優(yōu)勢。

目前，國內(nèi)外已開展了很多采用衛(wèi)星數(shù)據(jù)和地形數(shù)據(jù)進行土壤資源調(diào)查和制圖的研究。Odeh等[2]以AVHRR和DEM為數(shù)據(jù)源，采用普通克里金等方法對土壤性質(zhì)進行了研究，并結合地形數(shù)據(jù)，評價了各種方法的優(yōu)缺點;Dobos等[3-4]基于AVHRR 500 m，1 000 m空間分辨率的圖像，輔以DEM數(shù)據(jù)對匈牙利土壤進行分類研究，發(fā)現(xiàn)地形數(shù)據(jù)的加入對2種分辨率圖像的分類精度都有顯著提高，且高分辨率圖像的分類精度明顯高于低分辨率圖像。近年來，國內(nèi)也有不少學者借助遙感圖像進行土壤調(diào)查與分類。沙晉明等[5]用TM圖像，以浙江省龍游縣為例，對我國植被覆蓋率高的東南山區(qū)進行了土壤調(diào)查;亢慶等[6-7]基于MODIS遙感數(shù)據(jù)和地形數(shù)據(jù)，在第二次全國土壤普查數(shù)據(jù)庫的支持下，探討了遙感技術在常規(guī)土壤調(diào)查工作受限制的干旱地區(qū)進行土壤調(diào)查的效果和適用性。

本文根據(jù)青海湖流域內(nèi)土壤的分布特點，選取一個具有代表性的區(qū)域為試驗區(qū)，利用TM圖像和地形數(shù)據(jù)，結合青海省土壤圖和高分辨率遙感圖像，綜合分析了實地調(diào)查數(shù)據(jù)、遙感信息特征及植被分布情況，并在此基礎上建立了適合試驗區(qū)的土壤遙感分類系統(tǒng)，探討了遙感技術在青海湖流域土壤分類中的可行性，為該區(qū)域土壤調(diào)查和分類提供新的方法參考。

1 試驗區(qū)概況

青海湖流域地處青藏高原東北部，整個流域近似織梭形，自西北向東南傾斜，是一個封閉的內(nèi)陸盆地，周圍山峰多在海波4 000 m以上，最高處為西北部海拔5 291 m的崗格爾肖合力山。從相對高度2 000 m左右的山嶺到湖面之間，環(huán)帶狀發(fā)育著寬窄不一的侵蝕構造地貌、堆積地貌和風積地貌。青海湖流域氣候類型為半干旱的溫帶大陸性氣候。氣溫偏低，寒冷期長，沒有明顯四季之分，干旱少雨，太陽輻射強烈，氣溫日較差大。流域內(nèi)年平均氣溫在-1.1～4.0℃，呈現(xiàn)出由東南向西北遞減的趨勢。流域年平均降水量在291～579 mm之間，受地形和湖區(qū)影響，降水分布極不均勻[8]。

試驗區(qū)位于青海湖流域西北部，E98°50′27″～99°46′32″，N37°1′16″～37°48′39″，南北長 70.7 km，東西長53.5 km，面積約為3 783 km2(圖1)。試驗區(qū)內(nèi)有4條河流流經(jīng)，分別為布哈河、峻河、夏日哈曲和吉爾孟曲。布哈河是青海湖流域內(nèi)的最大河流，多年平均徑流量為7.825×108m3，占青海湖每年水源補給量的近一半。試驗區(qū)內(nèi)的植被類型隨海拔的升高，依次為溫性草原、高寒草原、高寒草甸、高寒沼澤草甸。在高海拔地區(qū)陰坡、半陰坡，還分布有斑塊狀的高寒灌叢。

圖1 試驗區(qū)地理位置Fig.1 Location of test area

2 數(shù)據(jù)源

2.1 遙感數(shù)據(jù)

選用青海湖流域2009年8月11日Landsat5 TM圖像。該圖像幾乎沒有云層覆蓋，且8月青海湖流域的植被信息比較豐富，有利于分類特征的提取。同時還購買了試驗區(qū)內(nèi)部分地區(qū)2010年7月、2012年9月的GeoEye-1高分辨率圖像，用于分類樣本和驗證樣本的選擇。由于試驗區(qū)受人類活動干擾少且土壤類型變化緩慢，雖然高分辨率圖像獲取時間比TM圖像晚了1～2 a，但仍可認為二者具有土壤類型識別對比的同步性。

2.2 實地調(diào)查數(shù)據(jù)

研究人員于2009年8月29日—9月3日和2012年9月23—27日分別對研究區(qū)進行了實地調(diào)查。調(diào)查內(nèi)容包括地形、地貌、土地利用方式、土壤要素和植被類型及覆蓋度。調(diào)查時選擇的土壤剖面與植被調(diào)查剖面一致，包括多種景觀類型。觀察土壤剖面的顏色、質(zhì)地、結構及松緊度等采樣點的基本情況。根據(jù)土壤剖面顏色的不同，分層均勻取土約200 g，用于土壤水分、粒度等性質(zhì)的測定。

2.3 土壤數(shù)據(jù)

使用了青海省測繪局1984年制作的1∶100萬的青海省土壤圖。該土壤圖是基于土壤地理發(fā)生學進行土壤類型區(qū)分的，其基本分類單元為亞類，涉及10個土綱，17個土類，48個亞類及3個非土壤單元。在ArcGIS9.3軟件平臺下將其矢量化，裁剪出屬于青海湖流域的部分，然后分析青海湖流域內(nèi)的土壤分布，進而選擇試驗區(qū)的范圍。本試驗區(qū)內(nèi)包括了5個土類，10個亞類和1個非土壤單元。

2.4 地形數(shù)據(jù)

本文用到的地形數(shù)據(jù)包括:試驗區(qū)1∶5萬DEM數(shù)據(jù)，其空間分辨率為25 m，經(jīng)預處理，重采樣后，用于坡度、坡向等分類特征的提取;試驗區(qū)1∶10萬地形圖，主要用于TM圖像的幾何精糾正。

3 技術路線

本文采用最大似然方法進行分類，技術流程如圖2所示。

圖2 技術路線Fig.2 Technique flow chart

4 數(shù)據(jù)預處理與分類數(shù)據(jù)集建立

4.1 數(shù)據(jù)預處理

在ENVI4.7軟件平臺的支持下，以青海湖流域1∶10萬比例尺地形圖為基準，對青海湖流域2009年的TM圖像進行幾何精糾正，并保證誤差在1個像元內(nèi)。選擇Transverse Mercator投影，WGS84坐標系，采用雙線性內(nèi)插法進行重采樣，分辨率為28.5 m。用試驗區(qū)土壤圖的矢量邊界裁剪出試驗區(qū)對應的TM圖像和DEM，用于分類特征的提取。

4.2 分類特征提取

土壤是在母質(zhì)、氣候、地形、生物、時間等自然因子及人為因素綜合影響下發(fā)生、發(fā)展和演化的，土壤特征反映了各種因素共同作用的結果。在遙感圖像上，不同土壤類型的特征差別不明顯，同時，由于土壤性狀主要表現(xiàn)在剖面上，而不是表現(xiàn)在土壤表面，因此僅依靠土壤表面電磁波譜的輻射特性來判別土壤類型并不直接。土壤與上述成土因子關系密切，特別是受主導因素的影響較大[9]，可借助間接解譯標志對其進行綜合分析。

4.2.1 主成分變換分量特征

主成分變換能夠實現(xiàn)數(shù)據(jù)壓縮和圖像增強，通過該變換，可提取植被和土壤等主要信息，減少信息冗余和噪聲對分類的影響。一般認為TM的7個波段可分為 4 組:1，2，3;5，7;4;6。所以，本文中將1，2，3波段和5，7波段分別進行主成分變換，取前者的第1和第2主分量，后者的第1主分量以及TM的第4，6波段作為分類特征，參與分類(分別表示為 PC123，1-2;PC57，1;TM4;TM6)。

4.2.2 纓帽變換分量特征

TM數(shù)據(jù)除熱紅外波段的6個波段經(jīng)纓帽變換后得到3個分量。第1分量表征“土壤亮度”，反映了像元總輻射水平，集中了大部分土壤信息，其變化主要反映了不同類別土壤的變化;第2分量表征“綠度”，與綠色植被長勢、覆蓋度密切相關;第3分量為濕度指數(shù)，對土壤水分和植物水分都比較敏感[10]，尤其反映的土壤水分狀況有利于土壤分類(表示為TC1-3)[11]。

4.2.3 歸一化植被指數(shù)

植被可以作為土壤類型劃分的重要標志，植被指數(shù)是對地表植被活動最簡單，有效的度量。目前已經(jīng)定義了40多種植被指數(shù)，其中歸一化植被指數(shù)(normalized differential vegetation index，NDVI)與植被分布密度呈線性關系，被認為是反映植被生長狀態(tài)及植被覆蓋度的最佳指標[12]，即

式中Red和NIR分別為TM3和TM4圖像像元亮度值。

4.2.4 水體指數(shù)和濕度指數(shù)

Mcfeeters[13]于 1996 年提出了水體指數(shù)(normalized differential water index，NDWI)，它是基于綠波段和近紅外波段的的歸一化差異水體指數(shù)，通常被用來提取圖像中的水體信息，如河流、湖泊等，即

式中Green為TM2圖像像元亮度值。

TM5波段對植物和土壤的水分含量敏感，而TM2對水體的反射較強，基于這2個波段的特點，將它們經(jīng)標準化處理得到濕度指數(shù)(normalized differential moisture index，NDMI)[14]，即

式中SWIR為TM5圖像像元亮度值。

4.2.5 地形特征

地形是5大成土因素之一，對土壤的形成有重要意義。試驗區(qū)內(nèi)多河流和高山，相對高差較大，所以海拔(Ele)可以參與分類。此外，坡度(Slo)、坡向(Asp)和表面曲率(Cur)可改變水、熱及植被狀況，從而影響土壤的發(fā)育，因此它們也可以參與分類。

4.3 分類特征數(shù)據(jù)集的建立

將以上得到的15個分類特征進行組合，得到分類特征數(shù)據(jù)集。在ArcGIS9.3中，將GPS中的實地采樣點生成矢量樣點圖，配準之后與遙感圖像進行疊加，并分析它們在遙感圖像上的特點。

5 土壤遙感分類及分類特征分析

5.1 訓練樣本采集

將裁剪出的研究區(qū)域的1∶100萬土壤矢量圖以相同的地理坐標系疊加到TM圖像上，結合實地調(diào)查數(shù)據(jù)、高分辨率遙感圖像，在各個土壤類型中按照約3∶1的比例采集訓練數(shù)據(jù)和驗證數(shù)據(jù)。采集樣本過程中應注意以下3個問題:

1)分布在不同區(qū)域的相同類型的土壤，應分別對各個區(qū)域采集樣本。原因在于它們在遙感圖像上表現(xiàn)出的景觀特征可能存在差異，即使在同一區(qū)域內(nèi)，景觀特征可能也不同。例如:在研究區(qū)中有2個區(qū)域是草甸沼澤土，但是它們在景觀特征上卻有很大差異，且在其中一個較大的區(qū)域中，也存在2種不同的景觀類型，所以將草甸沼澤土分為3個區(qū)域分別采集樣本。此外，普通高山草甸土也有同樣問題，根據(jù)實際情況，分為3個區(qū)域分別采集樣本。

2)避免在土壤類型的交界處選擇樣本。

3)河流附近的土壤類型比較復雜，故不宜在近河流處采集樣本。

5.2 可分離性分析

本文選擇 ENVI中 Jeffries-Matusita，即 J-M距離來衡量訓練樣本的可分離性。其取值在0.0～2.0之間，值越大說明類對之間的可分性越好，一般認為大于1.9的類對之間具有較好的可分性。本研究以1.9作為類對合并的閾值，對J-M距離小于1.9的類對進行合并(表1)。

表1 J－M距離小于1.9的部分土壤類對Tab.1 Soil pairs which J－M distances is less than 1.9

5.3 類別合并

根據(jù)J-M距離，對可分離性不高的土壤類別進行合并。將草甸沼澤土2，3與泥炭沼澤土進行合并，合并后統(tǒng)稱為草甸泥炭沼澤土。草甸沼澤土1與其他亞類均可分，還稱為草甸沼澤土。把普通高山草甸土和碳酸鹽高山草甸土也進行合并，統(tǒng)稱為高山草甸土，且合并后的高山草甸土與草甸沼澤土、草甸土可分，J-M距離為1.90。進行類別合并后試驗區(qū)有9個土壤亞類和一個非土壤單元。

5.4 分類特征分析

將不同的分類特征進行組合，并分析較難區(qū)分的類對之間的可分離性，具體情況見表2，3。

表2 分類特征組合Tab.2 Groups of classification feature

表3 不同分類特征組合的J－M距離分析Tab.3 Analysis of J－M distances with different groups of classification feature

從表3可以看出:隨著參與分類的特征數(shù)量的增加，土壤類對之間的J-M距離也隨之增大，說明所選擇的分類特征是有效的。組合3的效果比組合2略好，即對于分類NDMI比NDWI更有效。但是為了更好地區(qū)分土壤類對之間的可分性，這2個分類特征都將參與分類。組合5中加入了海拔，大大提高了土壤類對之間的可分性，使其中6個土壤類對由不可分到可分。尤其是草甸沼澤土、草甸土-草甸泥炭沼澤土和草甸沼澤土-沼澤鹽土，它們的J-M 距離分別由 1.68和 1.52提高到 1.98和2.00。組合6—8是在組合5的基礎上分別加入了坡度、坡向、曲率，它們的加入都不同程度地提高了土壤類對之間的可分性。但是對于栗鈣土-暗栗鈣土來說，坡度和曲率的效果比坡向要好。

5.5 土壤遙感分類

雖然有些分類特征對土壤類對可分性的貢獻效率不高，但是為了更有效地區(qū)分土壤類對，將以上15個分類特征都參與到試驗區(qū)的遙感土壤分類中。圖3為采用最大似然方法得到的分類圖。

圖3 試驗區(qū)土壤遙感分類圖Fig.3 Soil map of the test area

6 分類精度檢驗及分析

采用混淆矩陣進行精度評價，結果見表4。

表4 混淆矩陣Tab.4 Confusion matric

由表4可知，由本文方法計算得到總體分類精度為91.76%，Kappa系數(shù)為0.895 7。各土壤類型的錯分誤差和漏分誤差見表5。

表5 分類誤差分析Tab.5 Error analysis of classification (%)

結合表4和表5發(fā)現(xiàn)，暗栗鈣土的錯分誤差是將屬于自己的像元錯分為栗鈣土，而栗鈣土的漏分誤差則是暗栗鈣土的錯分造成的。栗鈣土和暗栗鈣土是栗鈣土下面的2個亞類，它們在水分、植被方面有著相似性(圖3)，造成了界線的模糊，所以在邊緣部分遙感區(qū)分難度較大。前面的分類特征分析時也曾提到，坡度和曲率對栗鈣土-暗栗鈣土的可分性貢獻度很大，而坡度和曲率的變化在2個土壤亞類的邊界也是一個漸變的過程。泥炭土的錯分誤差為27.59%，原因是把本該屬于自己的像元錯分為草甸泥炭沼澤土。試驗區(qū)內(nèi)泥炭土的分布面積很小，而草甸泥炭沼澤土的分布面積很大，泥炭土與草甸泥炭沼澤土中的某些區(qū)域具有及其相似的景觀特征，經(jīng)調(diào)查它們的植被覆蓋均為高寒沼澤草甸。

此外，草甸沼澤土、草甸土的部分像元被誤分為高山草甸土，導致錯分誤差也很大。這是因為本研究所參考的土壤圖上，草甸沼澤土、草甸土本來就是1個合并類，所以比較容易混淆。但歸根結底還是因為它們分布范圍內(nèi)的生物和地理因素比較相似。

7 結論

本研究以TM圖像和地形數(shù)據(jù)為主，高分辨率遙感圖像和土壤圖為輔，參照土壤發(fā)生分類系統(tǒng)，對試驗區(qū)土壤進行了遙感分類研究，并對分類結果進行了精度驗證和分析。

1)研究中所采用的從遙感圖像和DEM中提取的土壤分類特征，對于該尺度的土壤類型區(qū)分是有效的，能夠較好地區(qū)分出大部分的土壤亞類;但對于某些光譜特征和地形條件相似的亞類，區(qū)分度不高，需要進行類別的合并等調(diào)整。這也說明了土壤發(fā)生分類系統(tǒng)并不直接適用于遙感分類。

2)在青海湖流域這種地形復雜的區(qū)域，高分辨率遙感圖像的參與對樣本選擇具有一定的作用。

3)試驗區(qū)范圍有限，訓練樣本的采集相對較簡單，如果對整個青海湖流域進行土壤遙感分類，訓練樣本的采集將會比較困難，而且分類精度將會有所降低，所以本文所研究的土壤遙感分類系統(tǒng)在整個青海湖流域的推廣還有待進一步研究和驗證。

[1]趙英時.遙感應用分析原理與方法[M].北京:科學出版社，2003.Zhao Y S.The principles and methods for analysis and application of remote sensing[M].Beijing:Science Press，2003.

[2]Odeh I O A，McBratney A B，Chittleborough D J.Further results on prediction of soil properties from terrain attributes:Heterotopicco kriging and regression-kriging[J].Geoderma，1995，67(3/4):215-226.

[3]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(3/4):367-391.

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

[5]沙晉明，史 舟，王人潮，等.東南山區(qū)土壤遙感監(jiān)測的圖像處理及分類[J].水土保持學報，2000，14(1):38-43，47.Sha J M，Shi Z，Wang R C，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):38-43，47.

[6]亢 慶，張增祥，趙曉麗.基于MODIS產(chǎn)品的區(qū)域土壤遙感分類研究——以新疆為例[J].遙感技術與應用，2007，22(6):690-695.Kang Q，Zhang Z X，Zhao X L.A regional scale soil classification approach based on MODIS data[J].Remote Sensing Technology and Application，2007，22(6):690-695.

[7]亢 慶，張增祥，趙曉麗.基于遙感技術的干旱區(qū)土壤分類研究[J].遙感學報，2008，12(1):159-167.Kang Q，Zhang Z X，Zhao X L.A study of soil classification based on remote sensing in arid area[J].Journal of Remote Sensing，2008，12(1):159-167.

[8]陳桂琛，陳孝全，茍新京.青海湖流域生態(tài)環(huán)境保護與修復[M].西寧:青海人民出版社，2008:18-39.Chen G S，Chen X Q，Gou X J.Protection and restoration of the ecological environment at Qinghai Lake basin[M].Xining:The Peoples Press of Qinghai，2008:18-39.

[9]梅安新，彭望琭，秦其明，等.遙感導論[M].北京:高等教育出版社，2001.Mei A X，Peng W L，Qin Q M，et al.Introduction to remote sensing[M].Beijing:Higher Education Press，2001.

[10]羅紅霞，龔健雅，蹇代君.亞熱帶低山丘陵區(qū)土壤遙感監(jiān)測圖像處理[J].長江流域資源與環(huán)境，2006，15(1):41-47.Luo H X，Gong J Y，Jian D J.Image processing of soil survey by remote sensing in subtropical hilly lands[J].Resources and Environment in the Yangtze basin，2006，15(1):41-47.

[11]Crist E P，Cicone R C.A physically-based transformation of thematic mapper data-the TM tasseled cap[J].IEEE Transactions on Geoscience and Remote Sensing，1984，22(3):256-263.

[12]鄧書斌.ENVI遙感圖像處理方法[M].北京:科學出版社，2010.Deng S B.Image processing methods of remote sensing by ENVI[M].Beijing:Science Press，2010.

[13]Mcfeeters S K.The use of normalized difference water index(NDWI)in the delineation of open water feature[J].International Journal of Remote Sensing，1996，17(7):1425-1423.

[14]趙英時.美國中西部沙山地區(qū)環(huán)境變化的遙感研究[J].地理研究，2001，20(2):213-219.Zhao Y S，A study on environmental change analysis in sand hill of Nebraska using remote sensing[J].Geographical Research，2001，20(2):213-219.