基于裸土期多時相遙感影像特征及最大似然法的土壤分類

劉煥軍，楊昊軒，徐夢園，張新樂，張小康，于滋洋，邵 帥，李厚萱

?

基于裸土期多時相遙感影像特征及最大似然法的土壤分類

劉煥軍1,2，楊昊軒1，徐夢園1，張新樂1，張小康1，于滋洋1，邵 帥1，李厚萱1

（1. 東北農(nóng)業(yè)大學資源與環(huán)境學院，哈爾濱 150030；2. 中國科學院東北地理與農(nóng)業(yè)生態(tài)研究所，長春 130102）

運用單時相遙感數(shù)據(jù)進行土壤分類及制圖，其數(shù)據(jù)本身易受到其他因素干擾而出現(xiàn)誤差，存在一定的局限性，導(dǎo)致制圖精度不高。為了提高制圖精度，以松嫩平原林甸縣為研究區(qū)，利用裸土時期多時相Landsat 8遙感影像、DEM數(shù)據(jù)和全國第二次土壤普查數(shù)據(jù)，從所有單時相遙感影像中提取出多種分類特征，按照分類特征類型進行壓縮處理，得到新的多時相分類特征，將不同分類特征進行組合并分別進行最大似然法分類，得到不同分類特征組合下的土壤類型圖，通過不同土壤類型圖精度來判斷各分類特征對于制圖的影響。研究表明，該文所提取的分類特征均可以實現(xiàn)土壤制圖，使用壓縮處理后得到的多時相遙感數(shù)據(jù)分類特征完成制圖的精度更高，總體精度達到91.0%，研究可為土壤精細制圖提供依據(jù)。

遙感；土壤；分類；制圖；Kappa系數(shù)；K-T變換；最大似然法

0 引 言

中國曾在20世紀80年代完成了第二次土壤普查，花費了大量的時間、物力及財力[1]；同時，距今已近40 a之久，土壤出現(xiàn)了自然變化和人為原因變化，如何能夠更加簡便、快速、準確地完成土壤調(diào)查和制圖成為了當今眾多學者關(guān)注的焦點。伴隨著遙感技術(shù)的成熟，利用遙感手段完成土壤調(diào)查并精確制圖已經(jīng)成為了一種趨勢。

Jenny于1941年提出的土壤發(fā)生學是數(shù)字土壤制圖的理論基礎(chǔ)[2]。劉興文于1982年進行了利用遙感數(shù)據(jù)完成土壤自動分類及制圖的嘗試[3]，成土條件和土壤光譜特征被認為是利用遙感手段進行土壤分類的依據(jù)[4]。王蓓在分類當中加入了地形、地質(zhì)和植被的數(shù)據(jù)，減少了光譜特征相互混淆的現(xiàn)象[5]，以上因素均與土壤類型有著密切聯(lián)系[6]。計算機技術(shù)的發(fā)展加快了數(shù)據(jù)的處理速度，使研究多樣化[7-8]，將RS與GIS相結(jié)合可以更好地完成制圖[9-12]。數(shù)據(jù)類型的豐富進一步提高了分類及制圖的精度，多種光譜特征和土壤紋理等數(shù)據(jù)均有效地提升了分類及制圖精度[13-17]。隨著研究的深入，單一化的數(shù)據(jù)類型難以滿足科研的需要，多維度或多尺度的數(shù)據(jù)類型成為了更多研究者的選擇[18]，研究表明，使用大量遙感數(shù)據(jù)進行土壤分類及制圖的精度要高于使用單、雙、多時相遙感數(shù)據(jù)；使用多尺度的數(shù)字地形數(shù)據(jù)可以提升土壤分類及制圖的精度[19-22]。

以往的研究者通過單時相遙感影像的多個波段，提取出不同的光譜指數(shù)，再結(jié)合DEM等數(shù)據(jù)完成分類特征的構(gòu)建進而實現(xiàn)土壤分類及制圖[16,23]，但一幅遙感影像并不具有普遍適用性，易使影像出現(xiàn)異常而導(dǎo)致制圖誤差升高。因此本文嘗試使用多時相裸土時期遙感數(shù)據(jù)，從多時相遙感數(shù)據(jù)中提取的分類特征進行主成分分析處理，并用最大似然法對地形較平坦的松嫩平原林甸縣土壤類型進行分類及制圖。為土壤分類及制圖提供新的方法，并為當前多時相遙感數(shù)據(jù)的土壤分類及制圖提供新的思路。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)林甸縣位于黑龍江省西部，松嫩平原腹地，124°18￠～125°21￠E，46°44￠～47°29￠N，全縣面積約為 3 500 km2，隸屬于黑龍江省大慶市，中溫帶大陸性季風性氣候，夏季多雨溫暖，冬季干燥寒冷，地質(zhì)構(gòu)造屬于古亞洲構(gòu)造域，境內(nèi)濕地資源豐富，有烏裕爾河、雙陽河等天然河流。海拔較低且地勢低平，但微地形復(fù)雜低洼處較多導(dǎo)致排水困難，易形成沼澤地[24]。從全國第二次土壤普查數(shù)據(jù)可知，林甸縣成土母質(zhì)多為黃土狀堆積物，主要土壤類型共計4種（全國第二次土壤普查），分別為黑鈣土、草甸土、沼澤土和風沙土，其中黑鈣土面積占總土壤面積的60%以上，黑鈣土也是黑土資源的重要組成部分，其土壤中有機質(zhì)含量高，土壤肥力大，是非常適合糧食生產(chǎn)的土壤類型。

圖1 研究區(qū)及樣本分布

1.2 數(shù)據(jù)來源

本文選用了林甸地區(qū)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幅影像中的研究區(qū)幾乎沒有被云層覆蓋，5月份是裸土時期，既沒有大片的植被也沒有積雪，符合本文對于裸土時期土壤的研究要求。土壤數(shù)據(jù)為全國第二次土壤普查的結(jié)果，全國第二次土壤普查是以土壤發(fā)生分類學為理論基礎(chǔ)，進行土樣的挖掘和分析得出的土壤類型，土壤演化及變遷是一個十分漫長的過程，不會因為短期的自然及人為因素發(fā)生明顯的變化，本文使用遙感影像進行的土壤分類，則是利用了不同類型土壤的反射光譜特性不同，進行土壤分類[25]。2種分類方法的原理不同，可以用來相互驗證。由于不同的地形因素會發(fā)育出不同的土壤類型，所以還用了林甸縣30 m空間分辨率DEM數(shù)據(jù)。

1.3 數(shù)據(jù)處理方法

1.3.1 數(shù)據(jù)預(yù)處理

使用ENVI5.1分別對3幅Landsat 8 OLI遙感影像進行輻射定標、大氣校正、幾何精校正，隨后使用Arcgis10.2按照研究區(qū)矢量邊界將3幅遙感影像和DEM數(shù)據(jù)進行裁剪，用于后期分類特征的提取。

1.3.2 4類分類特征提取方法

1）K-T變換分類特征提取

K-T變換（Kauth-Thomas transformation，K-T）是一種特殊的主成分分析（principal component analysis，PCA），既可以對于遙感數(shù)據(jù)進行降噪，又可以使處理后的遙感影像實現(xiàn)數(shù)據(jù)壓縮和圖像增強的效果[26-27]。

將3幅Landsat 8 OLI影像分別進行K-T變換，變換后每幅遙感影像得到3個指數(shù)作為K-T變換分類特征（K-T1-3），分別是亮度指數(shù)，綠度指數(shù)和濕度指數(shù)，其中亮度指數(shù)可以反映出地物總體反射效果，綠度指數(shù)反映出地表植被情況，而濕度指數(shù)反映出地表的水分條件[28]。

2）光譜指數(shù)分類特征提取

不同的光譜指數(shù)可以反映出把不同地表的信息，共使用了3種光譜指數(shù)分類特征參與分類，分別是能夠反映出地表植被覆蓋程度的歸一化植被指數(shù)（normalized difference vegetation index，NDVI），以及能夠體現(xiàn)出土壤濕度信息的濕度指數(shù)（normalized differential moisture index，NDMI）和用來辨別影像中湖泊和坑塘的水體指數(shù)（normalized differential water index，NDWI）[16,23]。

3）地形分類特征提取

地形是重要的成土因素之一，所以地形因素也是土壤分類過程中不得不考慮的因素之一，其中尤為重要的是高程因素（elevation，ELE），另外也加入了坡度（slope，SLO），坡向（aspect，ASP）以及曲率（curvature，CUR）共計4種地形因素參與分類，4種地形因素均提取自30 m空間分辨率的DEM數(shù)據(jù)。

4）多時相遙感數(shù)據(jù)分類特征提取

為了能夠得到更加精準的土壤圖，嘗試用多時相遙感數(shù)據(jù)構(gòu)建土壤圖，使用ENVI5.1中Layer Stacking將從3幅影像中提取出的K-T變換分類特征疊加，共計9個K-T變換分類特征，將這9個K-T變換分類特征進行主成分分析再次降維處理，提取出3個主成分（PC(K-T9)1-3），3個主成分的累積貢獻率為88.85%，同時將3幅影像的NDVI、NDMI、NDWI分別進行主成分分析，均保留第一主成分波段為多時相遙感數(shù)據(jù)分類特征，并表示為（PC(NDVI3)1）、（PC(NDMI3)1）和（PC(NDWI3)1）。

1.4 分類特征數(shù)據(jù)集及樣本

以K-T1-3分類特征為基礎(chǔ)，不同光譜指數(shù)分類特征及地形分類特征之間的疊加組合，構(gòu)成分類特征數(shù)據(jù)集，序號2～4分別添加了不同光譜指數(shù)分類特征，序號5添加了所有光譜指數(shù)分類特征，在序號5的基礎(chǔ)之上，序號6又添加了高程數(shù)據(jù)，序號7添加了地形的的特征，包含了文中所提取的所有的分類特征，是信息量最全的分類特征數(shù)據(jù)集。詳見表1。

表1 分類特征數(shù)據(jù)集組合

注：K-T1-3指影像穗帽變換后前3波段；NDVI、NDMI、NDWI指所對應(yīng)指數(shù)的分類特征，ELE、SLO、ASP、CUR指各地形分類特征，PC(K-T9)1-3指將3幅影像分別進行穗帽變化后得到的9個波段合成，再進行主成分分析后保留的前3波段，PC(NDVI3)1、PC(NDMI3)1、PC(NDWI3)1分別指3幅影像中相對應(yīng)指數(shù)進行主成分分析后保留的第1個波段。

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.

訓(xùn)練樣本和驗證樣本均是在第二次土壤普查圖中采集，其中訓(xùn)練樣本的選擇主要集中在各類型土壤的典型區(qū)域當中，選擇訓(xùn)練樣本之后將所有訓(xùn)練樣本向內(nèi)進行300 m（10個像元）的緩沖區(qū)處理，得到最終的訓(xùn)練樣本共計190個，見圖1a，另外選擇點狀驗證樣本數(shù)量共計1 000個（黑鈣土500，草甸土220，沼澤土196，風沙土43，水體41）[29]，樣本采集時需要注意的問題如下：1）應(yīng)分別將不同區(qū)域內(nèi)相同類型的土壤進行采樣，不同區(qū)域之間的相同類型土壤可能會在地表存在差異，這樣可以避免因存在的部分差異而導(dǎo)致制圖出現(xiàn)錯誤。2）為了避免因土壤類型邊界模糊而造成分類出現(xiàn)誤差，應(yīng)盡量在土壤類型核心區(qū)域選取訓(xùn)練樣本。3）不同類型的訓(xùn)練樣本面積比和點狀驗證樣本數(shù)量比與研究區(qū)內(nèi)實際各土類之間面積比大致相同，同時盡可能保證驗證樣本分布均勻[30]，見圖1b。

2 結(jié)果與分析

2.1 分類特征分析

為了定量研究不同分類特征下土壤類型之間可分程度，本文對于訓(xùn)練樣本使用J-M距離方法進行可分性分析，J-M距離的數(shù)值范圍在0～2之間，若2種土壤類型J-M距離值越趨近于2，則這2種類型的土壤可分性越高，J-M距離大于1.9，土類之間具有較好可分性,各土壤類型間可分性見表2。通過表2可以看出，隨著分類特征的增加，分類特征數(shù)據(jù)集中的信息量越豐富，土類間的J-M距離也有不同程度的提升，說明所選取的分類特征以及構(gòu)建的分類特征數(shù)據(jù)集對于遙感影像下的土壤類型可分性具有較好的提升效果。同時，僅有少數(shù)土類之間的J-M距離在年際間具有一定差別，且差別主要存在于信息不完善的分類特征組合當中，大多數(shù)土類之間的J-M距離在年際間的差別較小，沒有明顯的差異，說明所選取的分類特征在年際間的變化不大，具有普遍適應(yīng)性。

表2 土壤類型間J-M距離

不同類型的土壤，其光譜反射曲線特征不同[31]，從典型訓(xùn)練樣本中提取出不同類型的土壤光譜反射曲線圖，見圖2?？梢钥闯觯L沙土在各個波段中的反射率均高于其他類型土壤，而沼澤土中水含量較高，所以反射率低于其他類型土壤，而由于草甸土具有“向鄰性”[32]，即表層草甸土的光譜曲線與其相鄰的土壤類型光譜曲線相似，提取了2個不同位置的草甸土，其光譜曲線特征也具有一定差異性，進一步解釋了表層草甸土的“向鄰性”。通過表2中也可以看出在相同分類特征數(shù)據(jù)集序號下的草甸土和其他土壤類型可分性普遍低于其他土壤類型之間可分性，主要因為裸土時期草甸土表面的植被覆蓋量較少，水分及有機質(zhì)等因素通過影像很難直接區(qū)分，同時在長期耕作方式及氣候等因素的影響下，表層草甸土擁有了與其相鄰?fù)寥李愋偷牟糠痔卣?。?shù)據(jù)集序號1中的部分土壤類型間單時相數(shù)據(jù)可分性明顯高于多時相數(shù)據(jù)可分性，主要由于多時相分類特征在經(jīng)過降維處理后減少了部分信息，但隨著分類特征的補充，信息逐漸完善，多時相數(shù)據(jù)可分性明顯提高。

圖2 土壤反射光譜曲線

本文所提取的4類分類特征當中，有3類分類特征（K-T變換、光譜指數(shù)、多時相遙感數(shù)據(jù)）是根據(jù)土壤光譜曲線的差異而提取的，但由于部分土類之間具有“向鄰性”，所以提取了地形分類特征輔助分類。

通過分類特征組合序號1和序號5（加入所有光譜指數(shù)分類特征）的J-M距離比較，發(fā)現(xiàn)序號5高于序號1，說明光譜曲線特征的差異能夠更好地識別土壤類型，比較草甸土和其他土壤類型在分類特征組合序號5與序號7（加入地形分類特征）的J-M距離可以看出，在對具有“向鄰性”土壤類對進行識別的情況下，引入地形因素可以提升土壤類對間的可分性，序號6與序號7（地形信息更加豐富）的比較說明更加豐富的地形信息也有助于識別土壤類對。

為了討論光譜指數(shù)分類特征對于草甸土與其他土壤類型可分性的影響，通過表2中分類特征序號2～4下單時相數(shù)據(jù)類型J-M距離得到圖3，能夠發(fā)現(xiàn)在區(qū)分草甸土和黑鈣土時，加入NDWI分類特征后的J-M距離要高于加入NDVI和NDMI分類特征，說明NDWI對于區(qū)分草甸土與黑鈣土效果明顯，在區(qū)分草甸土和沼澤土時，加入NDVI后的J-M距離低于加入NDMI和NDWI分類特征，說明NDVI對于區(qū)分草甸土和沼澤土的效果沒有NDMI和NDWI顯著，其主要原因則是裸土時期草甸土和沼澤土的地表植被覆蓋量相似。同時，3個光譜指數(shù)分類特征都可以提升草甸土與風沙土的可分程度，見圖3。

圖3 不同單時相光譜指數(shù)分類特征下草甸 土與其他土壤類型的J-M距離

2.2 制圖驗證及誤差分析

將訓(xùn)練樣本與所有的不同分類特征數(shù)據(jù)集組合分別進行最大似然法分類，得出不同分類特征下的土壤圖，僅列出分類特征最完善的數(shù)據(jù)集序號7中的土壤圖，見圖4。研究區(qū)中大部分土類為黑鈣土，研究區(qū)西部多為沼澤土和草甸土，東部多為草甸土。將驗證樣本與得到的土壤圖疊加，使用混淆矩陣進行分類精度檢驗，并根據(jù)總體精度和Kappa系數(shù)判斷制圖精度，見表3。從表3中可以看出，隨著分類特征的增加，土壤類型圖的精度均有不同程度的提升，足以證明所選擇的單時相影像分類特征以及處理后的多時相遙感數(shù)據(jù)分類特征均能夠有效地完成制圖。另外，通過表3可以發(fā)現(xiàn)，在相同分類特征數(shù)據(jù)集下年際間總體精度及Kappa系數(shù)存在一定的差異，這種差異的產(chǎn)生主要由遙感影像中地表反射率的不同所導(dǎo)致的，單時相影像所反映出的地物信息比較局限，很容易受到極端天氣引發(fā)的降水、溫度變化及其他人為因素所導(dǎo)致影像部分地區(qū)出現(xiàn)異常情況，最終導(dǎo)致遙感影像的地物反射率異常，這種異常情況出現(xiàn)的可能性非常大，而且很可能因異常的地物反射率致使分類出現(xiàn)錯誤，降低土壤圖的精度。

根據(jù)表2和表3中序號7的J-M距離及精度分析結(jié)果可以得出，在土壤分類及制圖中，使用多時相遙感數(shù)據(jù)要優(yōu)于單時相遙感數(shù)據(jù)。

使用1 000個驗證樣本對于序號7中多時相遙感數(shù)據(jù)下的土壤圖進行混淆矩陣分析，由表4可以得出，使用序號7中多時相遙感數(shù)據(jù)完成土壤制圖的總體分類精度為91.0%，Kappa系數(shù)為0.865。通過混淆矩陣可以分析討論該地區(qū)區(qū)分不同土壤類型的精度。

結(jié)合混淆矩陣表4發(fā)現(xiàn)、草甸土和風沙土的用戶精度較低（草甸土是80.6%，風沙土是75.0%），主要原因是由于裸土時期的草甸土與周圍其他土壤類型的地表反射率比較相似[32]，通過遙感影像進行分類的難度較大，同時林甸縣的風沙土面積小，而且大部分都分布在各類土壤邊界的交匯處，不易區(qū)分。沼澤土與草甸土易出現(xiàn)混淆，其原因主要是二者在裸土時期的水分和植被等地表狀況具有一定的相似性，部分沼澤與水體的混淆是由于研究區(qū)低洼的沼澤地較多，且排水困難，降水后很難排出，不同影像中相同低洼沼澤地的水含量也不同，所以在不同遙感影像下部分水體像元和沼澤土像元極易混淆。

圖4 序號7分類特征數(shù)據(jù)集下的土壤類型圖

表3 不同分類特征數(shù)據(jù)集下總體精度和Kappa系數(shù)

表4 多時相土壤制圖混淆矩陣

總體而言，使用多時相遙感影像進行土壤分類及制圖研究具有一定科學依據(jù)，可以快速獲得制圖所需要的數(shù)據(jù)，同時制圖過程簡單且精度較高，制圖成本低廉，但是分類特征的選擇會決定制圖的精度，本文所選擇的分類特征能否在其他研究區(qū)中正確完成制圖還有待考證。

黑鈣土的分類準確性較高，一方面原因是黑鈣土的有機質(zhì)含量更高，其光譜特征與其他土壤類型不同，另一方面研究區(qū)內(nèi)黑鈣土面積較大，驗證樣本點數(shù)量較多，容錯率高。所以運用本方法對于遙感影像中的黑鈣土進行分類效果較好，也可以將該方法運用到黑土的分類過程中來，進而可以對黑土資源進行精準、快速的分類[33]。

亢慶等對新疆艾比湖地區(qū)進行土壤分類[16]和劉娟等對青海湖流域[23]均使用單時相遙感影像，本文使用了3幅遙感影像，相比于單時相遙感影像，使用多時相遙感影像在分類及制圖當中的準確性有一定程度的提升，同時降低了單時相遙感影像研究中出現(xiàn)偶然性的可能。未來可以嘗試使用更多的遙感影像進行更加準確的土壤制圖研究，也可以嘗試運用多時相遙感影像結(jié)合機器學習進行制圖。

現(xiàn)階段的土壤數(shù)據(jù)大多數(shù)都是全國第二次土壤普查數(shù)據(jù)，經(jīng)過30多年的土壤自然變化和人為原因變化，特別是近年來研究區(qū)內(nèi)耕地旱改水情況較為普遍，導(dǎo)致地表土壤反射率變化。另外土壤類型的區(qū)分不僅僅體現(xiàn)在地表狀況，深層土壤中信息難以通過遙感影像得到，這些都將成為下一步研究需要面對的問題。

結(jié)合多時相且連續(xù)的遙感影像可以對某一個時間段進行土壤分類及制圖，通過連續(xù)幾個時間段的土壤類型圖可以觀察出土壤反射率的變化，運用該方法可以研究松嫩平原土壤退化等方面的問題，并為該方面問題的研究提供理論基礎(chǔ)和數(shù)據(jù)支撐。

3 結(jié) 論

本文使用3幅裸土時期Landsat 8 OLI遙感影像結(jié)合地形數(shù)據(jù)和第二次土壤普查數(shù)據(jù)對于裸土時期松嫩平原林甸地區(qū)進行土壤分類及制圖，構(gòu)建了不同的土壤分類特征，使用最大似然法分類方式經(jīng)過反復(fù)試驗和對比得到了以下結(jié)論：

1）相比較于單時相遙感數(shù)據(jù)，多時相遙感數(shù)據(jù)的使用對于土壤分類及制圖的精度有明顯提升。3幅裸土時期的遙感影像可以完成土壤分類及制圖，總體精度達為91.0%。

2）K-T變換、光譜指數(shù)（包括歸一化植被指數(shù)、濕度指數(shù)、水體指數(shù)）、地形（包括高程、坡度、坡向、表面曲率）及多時相遙感數(shù)據(jù)分類特征能夠完成土壤分類及制圖。

[1] 龔子同. 面臨新世紀挑戰(zhàn)的土壤地理學[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] 劉興文. 土壤遙感自動分類與制圖的初步試驗[J]. 土壤學報，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] 劉興文. 土壤遙感自動識別分類與制圖專家系統(tǒng)的研 究：國家基金課題通過成果鑒定[J]. 遙感技術(shù)與應(yīng)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. 遙感圖像自動識別與分類的試驗研究：以太原幅山地土壤為例[J]. 環(huán)境遙感，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] 黃禮輝，潘劍君，雷學成，等. 基于土壤系統(tǒng)分類的土壤類型和界線確定研究：以句容大頂山研究區(qū)為例[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. 利用衛(wèi)星資料對新疆干旱區(qū)土壤分類探討[J]. 干旱區(qū)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. 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] 楊勝天，朱啟疆，李天杰. RS和GIS支持下的土壤系統(tǒng)分類制圖方法研究：以貴州省貴陽市為例[J]. 土壤學報，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, Mendon?a Santos M L, Minasny B. On digital soil mapping[J]. Geoderma, 2003, 117: 3－52.

[11] 朱阿興，李寶林，楊琳，等. 基于GIS、模糊邏輯和專家知識的土壤制圖及其在中國應(yīng)用前景[J]. 土壤學報，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] 黃魏，羅云，汪善勤，等. 基于傳統(tǒng)土壤圖的土壤：環(huán)境關(guān)系獲取及推理制圖研究[J]. 土壤學報，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] 賈永紅. 遙感多光譜影像空間分解力增強的融合方法[J]. 遙感技術(shù)與應(yīng)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] 亢慶，張增祥，趙曉麗. 基于遙感技術(shù)的干旱區(qū)土壤分類研究[J]. 遙感學報，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，羅紅霞，劉光鵬，等. 基于Sentinel-1A極化SAR數(shù)據(jù)與面向?qū)ο蠓椒ǖ纳絽^(qū)地表覆被分類[J]. 自然資源學報，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] 張錦水，何春陽，潘耀忠，等. 基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J]. 遙感學報，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] 劉娟，蔡演軍，王瑾. 青海湖流域土壤遙感分類[J]. 國土資源遙感，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. 林甸自然資源概況及發(fā)展建議[J]. 防護林科技，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] 陳超，江濤，劉祥磊. 基于纓帽變換的遙感圖像融合方法研究[J]. 測繪科學，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] 劉煥軍，張柏，張淵智，等. 基于反射光譜特性的土壤分類研究[J]. 光譜學與光譜分析，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] 劉煥軍，張小康，張新樂，等. 面向土壤分類的高光譜反射特征參數(shù)模型[J]. 遙感學報，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] 劉煥軍，張柏，趙軍，等黑土有機質(zhì)含量高光譜模型研究[J]. 土壤學報，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

劉煥軍，楊昊軒，徐夢園，張新樂，張小康，于滋洋，邵 帥，李厚萱.基于裸土期多時相遙感影像特征及最大似然法的土壤分類[J]. 農(nóng)業(yè)工程學報，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

國家自然科學基金（41671438）；中國科學院東北地理與農(nóng)業(yè)生態(tài)研究所“引進優(yōu)秀人才”項目

劉煥軍，副教授，博士生導(dǎo)師，主要從事土壤遙感研究。 Email：huanjunliu@yeah.net

10.11975/j.issn.1002-6819.2018.14.017

S155

A

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