土壤光谱重建的湿地土壤有机质含量多光谱反演

引用本文

陈思明, 邹双全, 毛艳玲, 梁文贤, 丁卉. 土壤光谱重建的湿地土壤有机质含量多光谱反演[J]. 光谱学与光谱分析, 2018,38(3): 912-917.
CHEN Si-ming, ZOU Shuang-quan, MAO Yan-ling, LIANG Wen-xian, DING Hui. Inversion of Soil Organic Matter Content in Wetland Using Multispectral Data Based on Soil Spectral Reconstruction[J]. Spectroscopy and Spectral Analysis, 2018,38(3): 912-917.
Doi:10.3964/j.issn.1000-0593(2018)03-0912-06 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

土壤光谱重建的湿地土壤有机质含量多光谱反演

陈思明^1,^3,⁴, 邹双全^1,^4,^*, 毛艳玲^2,⁴, 梁文贤^1,⁴, 丁卉^1,⁴

1. 福建农林大学林学院, 福建福州 350002

2. 福建农林大学资源与环境学院, 福建福州 350002

3. 闽江学院, 福建福州 350108

4. 福建农林大学自然生物资源保育利用福建高校工程研究中心, 福建福州 350002

*通讯联系人 e-mail: Zou3789230@foxmail.com

作者简介: 陈思明, 1982年生, 福建农林大学林学院博士研究生 e-mail: Wujingwujing0900@163.com

收稿日期: 2017-05-17

基金: 国家自然科学基金项目(30972346)资助

摘要

土壤有机质是湿地生态系统的重要元素, 利用多光谱遥感技术可大尺度、快速获取其含量信息, 对保护湿地生态系统具有重要意义。然而, 由于不同地物光谱混合给多光谱数据带来光谱畸变, 影响湿地土壤有机质含量的反演精度。为了消除不同地物光谱混合, 实现湿地土壤有机质含量的准确、实时监测, 以闽江鳝鱼滩湿地为研究区, 利用线性波谱分解技术对原始影像的像元进行分解, 重建土壤光谱, 分析原始光谱、重建光谱与土壤有机质含量的相关性后, 建立土壤有机质含量的反演模型。结果表明: 利用线性波谱分解技术可有效消除原始影像中的植被端元, 减少大部分道路及建筑物的反射干扰, 重建后的土壤光谱特征曲线更趋近于自然状态下土壤的光谱曲线, 重建效果显著; 通过两种光谱与土壤有机质含量的相关系数对比, 重建光谱更能准确的反映土壤光谱与土壤有机质含量的相关性; 运用重建光谱构建土壤有机质含量的反演模型, 其预测精度优于基于原始光谱的反演模型, R²和 F分别提高0.124和2.223, RMSE则降低0.106, 1:1线检验的预测值与实测值的拟合度更高, 模型可行且有效。由此得出结论, 利用线性波谱分解技术消除不同地物光谱混合, 重建土壤光谱, 一定程度上可实现在自然条件下湿地土壤有机质含量的大面积、准确检测, 具有较好的实际应用价值。

关键词: 土壤; 遥感; 多光谱; 线性波谱分解技术; 光谱重建; 湿地

中图分类号:TP79 文献标志码:A

Inversion of Soil Organic Matter Content in Wetland Using Multispectral Data Based on Soil Spectral Reconstruction

CHEN Si-ming^1,^3,⁴, ZOU Shuang-quan^1,^4,^*, MAO Yan-ling^2,⁴, LIANG Wen-xian^1,⁴, DING Hui^1,⁴

1. College of Forestry, Fujian Agriculture and Forestry University, Fuzhou 350002, China

2. College of Resources and Environment, Fujian Agriculture and Forestry University, Fuzhou 350002, China

3. Minjiang University, Fuzhou 350108, China

4. Fujian Provincial Ornamental Germplasm Resources Innovation & Engineering Application Research Center, Fujian Agriculture and Forestry University Fuzhou 350002, China;

Abstract

Soil organic matter (SOM) is an important element of wetland ecosystem. Quick and wide monitor of SOM content with multispectral remote sensing technique has the vital significance to protect wetland ecosystem. More previous studies on the estimation of SOM content used hyperspectral analysis, while using multispectral was less. The main reason is that the spectral anomaly of multispectral data caused by spectral mixing of different objects affects the inversion accuracy of SOM content in wetland. Therefore, to avoid the spectral anomaly, this paper took the Shanyutan wetlands of Minjiang River Estuary as a survey region, trying to use Linear Spectral Unmixing Model(LSUM) to separate the pixel of original image and reconstruct the soil spectrum. Then, the correlation analyses between 2 different spectra (the raw spectrum and the reconstructed spectrum) and SOM content were done. Finally, according to correlation results, an inversion model for SOM content was established. The result showed that LSUM can effectively eliminate vegetation endmembers of the original image, reducing the reflection interference of most roads and buildings. The reconstructed spectral characteristic curve was closer to the spectral curve of soil under natural condition. It indicated that the effect of spectral reconstruction was remarkable; Compared to the correlation coefficients between 2 different spectra and SOM content, the reconstruct spectrum was more appropriate for reflecting the correlation between the soil spectrum and soil organic matter in the study area; using the reconstructed spectrum to build the predicting model could obtain more robust prediction accuracies than using the raw spectrum. Its values of R² and F were increased by 0.124 and 2.223 respectively. And RMSE was reduced by 0.106. Moreover, through the 1:1 line test, model of the reconstructed spectrum had a better fitting between the predicted and the measured. These results suggested that using LSUM has been proven to be effective in removing the spectral anomaly, ensuring a transferrable model for SOM content under natural condition. The study will provide some practical technology to monitor the SOM content in wetland by multispectral data.

Keyword: Soil; Remote sensing; Multispectral; Linear spectral unmixing; Spectral reconstruction; Wetland

文章图片

引言

土壤有机质是湿地土壤的重要组成部分, 其含量的多少是衡量土壤肥力的一项重要指标, 快速、准确监测土壤有机质含量对湿地的保护与维护具有重要意义^[1]。传统上常采用化学分析方法测定湿地土壤有机质含量, 该方法的测定结果虽较为准确, 但在实际操作中费时、费力, 容易污染环境, 影响湿地生态系统平衡。遥感技术因具有时效性强、无损无污染、可大范围的、较为准确获取信息的优点, 已逐渐被运用于湿地土壤有机质含量的测定, 成为研究湿地土壤的重要手段。

目前, 国内外学者已从土壤组成、光谱数据预处理以及反演模型等多个角度, 利用遥感技术对湿地土壤有机质含量开展大量的研究, 以期能提高测定结果的准确性和适用性^[2]。但其中多数应用地面高光谱数据^{[3, 4]}, 而针对多光谱数据的研究非常少。这是因为多光谱数据是以像元为单位获取地物的反射和辐射信息, 由于传感器的空间分辨率和湿地组成的复杂性, 在低空间分辨率下, 传感器的反射测量是不同类别元素光谱的加权混合^[5], 由此造成多光谱数据的光谱畸变, 限制了其应用。为解决这个问题, 根据国内外关于多光谱技术的相关研究, 提出了一些新的思路与方法。其中, Abd-EI Monsef等^[6]利用混合像元分解方法对Worldview-2卫星影像进行分类, 成功提取埃及南部西奈地区的岩石信息及热液蚀变类型; 王连喜等^[7]将混合像元分解技术进行扩展, 实现从多种类植被覆盖地区的影像中提取冬小麦信息。是否可利用线性波谱分解技术消除不同地物类型的光谱混合, 实现单一土壤光谱重建, 以提高多光谱数据在预测湿地土壤有机质含量的准确性和稳定性, 目前还鲜有相关研究。此外, 在湿地特殊环境下, 采用高光谱数据估测土壤有机质含量虽可以获得更高的精度, 但仅适用于所采集到土壤样品, 其他野外的土壤属性的光谱测定仍会受到土壤组成、环境因素等影响, 室内所建的高光谱反演模型很难应用于野外的遥感监测。

基于此, 以闽江鳝鱼滩湿地为研究区, 利用Landsat7 ETM多光谱数据, 采用线性波谱分解技术分离不同地物的光谱, 重建湿地土壤光谱, 然后分析重建光谱与土壤有机质相关性, 根据分析结果, 构建土壤有机质含量反演模型, 旨在提高湿地土壤有机质估测的准确度和稳定性。

1 实验部分

1.1 研究区概况

研究区位于福建省福州市长乐国家湿地自然保护区内的鳝鱼滩湿地, 地处闽江入海口, 地理坐标为东经119° 34'12″— 119° 41'40″E, 北纬26° 00'36″— 26° 00'42″N, 总面积为3 120 km²。该区属于南亚热带与中亚热带的过度地带, 气候暖热潮湿, 年均气温为19.3 ℃, 年均降雨量为1 380 mm。土壤类型以滨海沙土为主, 土壤pH值呈酸性到中性; 植物群落为芦苇(Phragmitesaustralis)、短叶茳芏(Cyperusmalaccensis)、互花米草(Spartina alterniflora)群落。

1.2 数据采集

于2013年1月冬季在闽江鳝鱼滩湿地进行采样, 采样时天气状况良好, 闽江正值枯水期, 闽江河水和土壤含水量处于整年最小时期, 对土壤多光谱反演影响最小。研究区的西北部和东南部有大量的芦苇和短叶茳芏覆盖, 中部和入海口处植被覆盖度较低, 仅有部分短叶茳芏和互花米草, 裸滩面积较大, 植被整体覆盖处于中等状况。依据研究区的实际情况, 选取40个采样点, 采样深度为0~30 cm, 并记录GPS坐标。其中芦苇土壤样本19个, 互花米草土壤样本11个, 短叶茳芏土壤样本8个, 裸地土壤样本2个, 采样点的分布如图1所示。收集的土壤样品混合均匀后用铝盒带回实验室, 经过自然风干, 研磨过筛处理, 采用重铬酸钾氧化外加热法测定土壤有机质的含量。选用K-S算法^[8]来划分训练集和测试集, 其中训练集样本26个, 测试集样本14个(表1)。

	Figure Option View Download New Window
	图1 研究区位置及采样点分布Fig.1 Location of study area and distribution of sampling points

表1 湿地土壤有机质含量统计特征 Table 1 Statistical characteristics of SOM content in Lake Wetland

1.3 影像数据预处理

美国陆地卫星7号(Landsat-7)于1999年发射, 共包括8个波段, 其中波段1— 波段5和波段7的空间分辨率为30 m, 波段6和波段8的空间分辨率分别为60和15 m。采用2013年1月的Landsat7 ETM遥感影像数据, 该数据由地理空间数据云网站下载, 云量0.03。研究选取TM影像中与地物波谱有关的TM1— TM5和TM7影像数据作为数据源进行预处理和建模。

遥感数据预处理主要包括去条带现象、辐射定标、大气校正、几何校正等。几何校正以1: 25 000的地形图进行校正, 校正后误差小于0.5个像元, 采用ENVI5.1软件对几何校正过的图像进行裁剪。大气校正采用FLAASH模型消除大气和光照等因素对地物反射的影响。

1.4 基于线性波谱分离的土壤光谱重建

线性波谱分离技术是针对混合像元的特点, 利用地物波谱组合等研究成果, 对遥感数据每一个像元进行波谱分离, 从而计算出每个像元中含有某类地物的含量, 达到解决混合像元问题的目的。根据其原理, 像元的反射率可以表示为

$\begin{array}{l} R_{i} = \overset{m}{\sum_{j = 1}} (F_{j} R_{ij}) + ε_{i} (i = 1, 2, \dots, n) (1) \\ \overset{m}{\sum_{j = 1}} F_{j} = 1 0 ≪ F_{j} ≪ 1 (2) \end{array}$

式中, n为波段数, m为地物类别总数, R_i为像元在第i波段的反射率值, F_j为第j类地物的丰度, R_ij为第i波段中第j类地物的反射率值, ε _i为第i波段的误差项。

为了降低端元数据数量, 保证线性波谱分解模型的有效性, 先利用修正的归一化水体指数(MNDWI), 在ENVI5.1平台上提取研究区的水体区域, 设定水体区域的数据值为0进行掩膜处理。在限制ε _i趋近于0的条件下, 再通过波谱矢量曲线分析划分出不同的地物类型, 从而确定出土壤反射率值为

$R_{i_soil} = R_{i} - \overset{X}{\sum_{j = 1}} (F_{j} R_{i} j) - R_{i_other} (3)$

式(3)中, R_{i_}_soil为第i波段的土壤反射率值, R_i为第i波段的原始反射率值, $\overset{X}{\sum_{j = 1}} (F_{j} R_{i} j) 为第 i 波段划分出的 X 种植被的反射率值, R_{i_other} 为第 i$ 波段的其他类型地物的反射率值。

为提高研究区土壤有机质含量的反演精度, 采用掩膜处理限制其他类型地物的反射率值趋近于0的条件下, 式(3)可改写为

$R_{i_soil} = R_{i} - \overset{X}{\sum_{j = 1}} (F_{j} R_{ij}) (4)$

式(4)中, $R_{i_soil}, R_{i}, \overset{X}{\sum_{j = 1}} (F_{j} R_{ij})$ 同上。

通过式(4)可将混合像元中的植被部分消除, 但是剩余土壤的反射率值不能代表整个像元的反射率值, 需利用土壤的反射率值弥补被消除的植被的反射率值。光谱弥补后像元的反射率值全部代表土壤的反射率值, 从而消除植被、水体等其他地物的干扰, 实现土壤光谱重建。

$R_{soil_restor} = \frac{R_{i} - \overset{X}{\sum_{j = 1}} (F_{j} R_{ij})}{1 - \overset{X}{\sum_{j = 1}} F_{j}} (5)$

式(5)中, R_{soil_restor}为光谱重建后的土壤反射率值, $R_{i}, F_{j}, \overset{X}{\sum_{j = 1}} (F_{j} R_{ij})$ 同上。

1.5 模型构建及精度验证

将原始光谱、重建光谱与土壤有机质含量进行相关性分析, 研究土壤光谱重建后, 光谱波段与土壤有机质含量相关性变化。利用分析结果, 采用回归分析法建立土壤有机质含量的光谱预测模型。模型检验通过决定系数R²、均方根误差RMSE, F检验及1: 1线等4个参数进行模型的精度检验。其中R²和F值越大, RMSE越小说明该模型稳定性较好, 具有较高精度; 1: 1线可通过实测值、估算值构成的点所偏离1: 1线的程度来估测模型拟合度^[9]。

2 结果与讨论

2.1 土壤光谱重建

在ENVI5.1平台上提取研究区的水体区域, 设定水体区域的数据值为0进行掩膜处理。对处理后的遥感影像进行最小噪声变换(minimum noise fraction, MNF), 通过MNF变换后选取前两个波段形成二维特征空间, 用以提取研究区的纯像元, 获取3个相对纯净端元(图2)。

	Figure Option View Download New Window
	图2 基于最小噪音分离法和二维空间获得研究区地物端元 (a): MNF变换的特征曲线; (b): 二维特征空间的地物端元Fig.2 Extraction of representative endmembers of the study area with MNF and 2D feature space (a): Spectral curves of MNF; (b): Selected endmembers of 2D feature space

为了鉴别这3个端元的地物类型, 采用波谱角分类法(spectral angle mapper)和波谱特征拟合法(spectral feature fitting), 将3个端元的波谱与波谱库中物质波谱进行匹配, 根据匹配度来鉴别未知波谱。匹配度最大值设置为1, 最小值设置为0, 越接近1, 表明匹配度越好。表2是参考植被波谱库和JHU波谱库识别3种端元波谱结果。由表2可知, 通过波谱分析端元1和端元2分别与植被波谱库的灌木丛和JHU波谱库的沙质土壤的匹配度达到0.75以上, 可确定为植被和裸露土壤, 虽植被类型与研究区实际情况存在一定差别, 这与植被波谱库的植被类型有限有一定关系, 但对本研究不造成影响; 端元3的地物类型比较复杂, 其分别与JHU波谱库中2种人造原料波谱库(波长分别为0.42~14和0.3~12.5 μ m)的混凝土和金属质匹配度最高, 经反复分析研究区的实际情况, 确定端元3的地物类型为建筑物和道路混合。考虑到端元3(道路及建筑物)与端元1(植被)、端元2(裸露土壤)是交凑存在, 且在像元中占有部分比例, 如全部掩膜会对研究区土壤有机质含量预测造成较大误差, 因此仅对部分较大建筑物进行掩膜, 保留小部分建筑物和道路。

表2 端元波谱识别结果 Table 2 Identification of endmember spectra

通过混合像元分解和波谱分析获得植被端元及其丰度值后, 根据式(4)和式(5), 对原始影像进行“ 去除植被” 处理, 实现影像的土壤光谱重建(图3)。对比重建前后的研究区光谱曲线特征图, 可以看出经过线性波谱分离技术消除原始影像中的植被端元, 减少大部分道路及建筑物的反射干扰, 生成以裸露土壤端元为主的影像图。重建后的土壤光谱特征曲线更趋近于自然状态下土壤的光谱曲线, 重建效果显著, 可有效增强土壤的信息。

	Figure Option View Download New Window
	图3 重建前后的光谱曲线特征图 (a): 原始光谱; (b): 重建光谱Fig.3 Spectral curves before and after reconstruction (a): Raw spectrum; (b): Reconstructed spectrum

2.2 土壤有机质含量与光谱反射率的相关性分析

分别计算土壤有机质含量与原始光谱反射率、重建光谱反射率的相关系数, 其相关性分析如表3所示。由表3可知, 原始光谱、重建光谱与土壤有机质含量的相关性有差异。原始光谱的TM4的反射率与土壤有机质含量呈正相关, 其余波段呈负相关; 重建光谱所有波段与土壤有机质含量均呈负相关。对比两者相关系数可以看出, 重建光谱的TM4与土壤有机质含量的相关性大幅度提高, 相关系数为-0.537, 而其余波段的相关性与原始光谱相比则有所降低。这些差异的产生与遥感影像的像元构成和植被反射光谱特性有一定关系。上文分析结果可知, 原始光谱的像元是由植被、土壤、部分建筑物和道路三种地物构成, 不同地物的光谱反射率不同。本研究的采样点主要集中在有植被覆盖的地区, 受到植被反射光谱特性影响, 特别是植被对TM4(近红外波段)最敏感, 具有很强的反射率, 使得原始光谱的反射率与土壤有机质含量的相关性出现正相关; 重建光谱去除植被因素, 构建以土壤反射率为主的遥感影像, 消除不同地物之间光谱反射率的干扰, 又增强土壤光谱信息, 因此, 重建光谱的反射率与土壤有机质含量均呈出负相关关系。相应的去除植被后, 消除了植被反射光谱特性, 虽利用土壤反射率值弥补消除的植被部分反射值, 一定程度弥补植被缺失部分, 但不同地物反射特性的不同使得重建光谱反射率发生变化, 在局部波段相关性有所降低, 却更准确反映土壤光谱与土壤有机质含量的相关性。该相关性分析结果与张法升^[10]等的研究结论相似, 表明通过线性波谱分离技术实现土壤光谱重建是有效的。

表3 土壤有机质与光谱反射率的相关系数 Table 3 Correlation coefficients between soil organic matter content and spectral reflectance

2.3 土壤有机质含量反演模型及验证

将原始光谱、重建光谱与土壤有机质含量进行回归分析, 并构建拟合方程, 结果如表4。从表4可以看出, 基于重建光谱的土壤有机质含量反演模型的预测精度比基于原始光谱的土壤有机质含量反演模型有大幅度提高, 决定系数R²由0.514提高到0.638, 提高了0.124, F值由3.35提高到5.573, 提高了2.223, RMSE则由7.80降低到0.674, 降低了0.106。这说明像元中多种地物混合确实影响土壤有机质的光谱监测精度, 利用线性波谱分离技术实现土壤光谱重建可提高土壤有机质反演精度。

表4 土壤有机质含量反演模型及精度分析 Table 4 Remote sensing models of SOM and precision validation

利用测试集的14个数据对两个反演模型进行检验, 作预测值与实测值1: 1关系图显示拟合度(见图4)。图中可以看出, 基于原始光谱的土壤有机质反演模型的预测值和实测值的拟合度较低, 形成趋势线y=0.471x+2.578, R²=0.517, 而重建光谱的拟合度较好, 预测值与实测值基本分布在1: 1线附近, 形成趋势线y=0.49x+2.489, R²提高0.206, 说明基于重建光谱的土壤有机质含量反演模型是可行的, 可提高在中等植被覆盖地区的土壤有机质含量预测精度。但进一步分析可知, 虽然基于重建光谱的土壤有机质反演模型可有效提升预测精度, 但仍有小部分预测值和实测值偏离1: 1线, 这是因为采用线性波谱分离技术是利用土壤反射率值弥补消除的植被部分反射值, 一定程度弥补植被缺失部分, 但只能部分代表植被土壤的实际反射值, 不可避免产生一定误差。再者考虑到两种光谱反演效果对比的有效性, 本研究未提取特征性波段进行建模, 导致谱间冗余和空间冗余影响预测效果, 这些有待于今后进一步深入研究和验证。

	Figure Option View Download New Window
	图4 预测值与实测值的散点图Fig.4 Scatter plots of predicted vs measured values

3 结论

以闽江鳝鱼滩湿地土壤为研究对象, 采用线性波谱分离技术对研究区的原始影像的像元进行分解和重建, 构建土壤有机质含量的反演模型, 探讨土壤光谱重建对湿地土壤有机质含量预测精度的影响, 得出主要结论:

采用线性波谱分离技术对研究区的原始影像的像元进行处理, 重建影像的土壤光谱。经对比, 发现处理后遥感影像已大大消除植被、水体、建筑物等干扰, 增强土壤的信息, 土壤光谱重建效果显著。但线性波谱分离技术利用掩膜技术和像元弥补来实现土壤光谱重建, 与实际的纯土壤光谱有一定误差, 需今后进一步深入研究和改进。

通过原始光谱、重建光谱与土壤有机质的相关性分析后发现, 与原始光谱相比, 除了TM4外, 重建光谱的大多数波段与土壤有机质相关性有所降低。这是因为改变遥感影像的像元组成, 使得光谱反射率发生变化, 在土壤有机质不变的情况下, 局部波段的相关性出现升高或降低, 却更准确反映土壤光谱与土壤有机质含量的相关性, 该结果与前人的研究结论相似, 但存在一些差别, 如张法升等^[10]认为土壤有机质含量与多光谱数据在第5波段达到最大相关, 这与本研究不同, 原因可能与数据源、研究方法、研究区不同有关。

在相关性研究的基础上, 构建土壤有机质含量的反演模型, 发现重建光谱的反演精度比原始光谱要高, 其决定系数R²提高0.124, F值提高2.223, RMSE则降低0.106, 这说明像元中多种地物混合确实影响土壤有机质的光谱监测精度。利用1: 1线验证模型的预测值与实测值的拟合度, 研究发现重建光谱模型的拟合度较好, 其R²为0.723, 形成趋势线y=0.49x+2.489, 表明基于重建光谱的土壤有机质反演模型是有效的, 但是该方法是利用像元弥补来实现土壤光谱重建, 不可避免产生一定误差。同时利用多光谱影像估测湿地土壤有机质含量, 土壤颜色、土壤粒径、土壤含水量等因素会对光谱估算有一定的影响, 因此今后将考虑改进土壤光谱重建方法, 构建土壤属性的修正系数^[11], 采集不同类型的样品进行研究, 以提高反演模型精度, 为促进湿地生态系统的保护和利用提供技术和数据支持。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	St Luce M, Ziadi N, Zebarth B J, et al. Geoderma, 2014, (232-234): 449. [本文引用:1]
[2]	CHEN Yi-yun, QI Kun, LIU Yao-lin, et al(陈奕云, 漆锟, 刘耀林, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(6): 1705. [本文引用:1]
[3]	Anne N J P, Abd-Elrahman A H, Lewis D B, et al. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 47. [本文引用:1]
[4]	Conforti M, Buttafuoco G, Leone A P, et al. Catena, 2013, 110: 44. [本文引用:1]
[5]	LIU Zheng-chun, ZENG Yong-nian, HE Li-li, et al(刘正春, 曾永年, 何丽丽, 等). Remote Sensing Technology and Application(遥感技术与应用), 2012, 27(2): 159. [本文引用:1]
[6]	Abd-EI Monsef H, Khalifa I H, Faisal M. Arabian Journal of Geosciences, 2015, 8(11): 9285. [本文引用:1]
[7]	WANG Lian-xi, XU Sheng-nan, LI Qi, et al(王连喜, 徐胜男, 李琪, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(5): 182. [本文引用:1]
[8]	Bilgili A V, van Es H M, Akbas F, et al. Journal of Arid Environments, 2010, 74(2): 229. [本文引用:1]
[9]	GAO Zhi-hai, BAI Li-na, WANG Beng-yu, et al(高志海, 白黎娜, 王琫瑜, 等). Scientia Silvae Sinicae(林业科学), 2011, 47(6): 9. [本文引用:1]
[10]	ZHANG Fa-sheng, QU wei, YIN Guang-hua, et al(张法升, 曲威, 尹光华, 等). Chinese Journal of Applied Ecology(应用生态学报), 2010, 21(4): 883. [本文引用:2]
[11]	ZHAO Jie-peng, ZHANG Xian-feng, BAO Hui-yi, et al(赵杰鹏, 张显峰, 包慧漪, 等). Journal of Infrared Millimeter Waves(红外与毫米波学报), 2012, 31(2): 137. [本文引用:1]

2014

0.0

... 引言土壤有机质是湿地土壤的重要组成部分, 其含量的多少是衡量土壤肥力的一项重要指标, 快速、准确监测土壤有机质含量对湿地的保护与维护具有重要意义^[1] ...

2015

0.0

... 目前, 国内外学者已从土壤组成、光谱数据预处理以及反演模型等多个角度, 利用遥感技术对湿地土壤有机质含量开展大量的研究, 以期能提高测定结果的准确性和适用性^[2] ...

2014

0.0

... 但其中多数应用地面高光谱数据^[3,4], 而针对多光谱数据的研究非常少 ...

2013

0.0

... 但其中多数应用地面高光谱数据^[3,4], 而针对多光谱数据的研究非常少 ...

2012

0.0

LIU

Zheng-chun

, ZENG

Yong-nian

, HE

Li-li

, et al(刘正春, 曾永年, 何丽丽, 等). Remote Sensing Technology and Application(遥感技术与应用), 2012, 27(2): 159.

For the low and medium spatial resolution remote sensing images,the issues of mixed pixels are particularly prominent,which does not only influence the accuracy of image classification,but also greatly hinder the development of quantitative remote sensing of land surface.Therefore,mixed pixels unmixing of remote sensing images and quantitative extraction of land coverage information have attracted more interest in recent years.In this paper,focused on quantitative extraction of land cover information,a method of integration of the Normalized Spectral Mixture Analysis (NSMA) and Multiple Endmember Spectral Mixture Analysis (MESMA) have been proposed to extract the quantitative information of vegetation,soil and impervious surface using the medium-resolution remote sensing image (Landsat TM),based on Vegetation-Impervious Surface-Soil (V—I—S) Model.Comparative analysis indicated the accuracy of the unmixing by using the Normalized Multiple Endmember Spectral Mixture Analysis (NMESMA) method is higher than that of the conventional fixed endmember of spectral mixture analysis.NMESMA can solve the mixed pixel problem of the high spectral heterogeneity in urban landscape effectively.Therefore,the proposed methodology can be used to extract urban land surface information effectively,and to analyze the urban ecological environment change.

(1.School of Geoscience and Geomatics,Central South University,Changsha 410083,China; 2.Center for Geoinformatics and Sustainabal Development Research,Central South University,Changsha 410083,China)

混合像元问题在低、中分辨率遥感图像中尤为突出,混合像元的存在不仅会影响地物识别和图像分类精度,也是遥感科学向定量化发展的主要障碍之一。因此,遥感图像混合像元分解及其地表覆盖信息的定量提取是近年来研究的热点。针对城市土地覆盖信息的定量提取问题,利用中等分辨率遥感图像(Landsat TM),集成光谱归一化与变组分光谱混合分析(NMESMA)的方法,基于植被—非渗透表面—土壤(V\|I\|S)模型,定量提取研究区植被、土壤和非渗透表面3类土地覆盖的定量信息,并与固定组分的光谱混合分析(LSMA)分解结果进行对比分析。结果表明:基于光谱归一化的变组分光谱混合分析(NMESMA)方法获得的精度高于传统固定组分的光谱混合分析(LSMA)结果,可有效解决光谱异质性较高的城市区域的混合像元问题,为有效提取城市地表覆盖信息,研究城市生态环境变化和模拟分析,提供了有效的信息提取方法。

... 这是因为多光谱数据是以像元为单位获取地物的反射和辐射信息, 由于传感器的空间分辨率和湿地组成的复杂性, 在低空间分辨率下, 传感器的反射测量是不同类别元素光谱的加权混合^[5], 由此造成多光谱数据的光谱畸变, 限制了其应用 ...

2015

0.0

... 其中, Abd-EI Monsef等^[6]利用混合像元分解方法对Worldview-2卫星影像进行分类, 成功提取埃及南部西奈地区的岩石信息及热液蚀变类型 ...

2016

0.0

WANG

Lian-xi

, XU

Sheng-nan

, LI

, et al(王连喜, 徐胜男, 李琪, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(5): 182.

归一化植被指数（normalized difference vegetation index，NDVI）时间序列曲线能提供作物生长动态变化信息，将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域，采用2013年1月1日－2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据，开展冬小麦种植面积的遥感识别，首先利用MODIS数据建立作物的归一化植被指数时间序列曲线，再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构，并基于农作物物候历、种植结构和种植模式等信息，提取研究区域典型地物物候生长期的关键值，在分析冬小麦、林地、水稻物候期（生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值）变化趋势的基础上，综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征，界定作物种类，确定训练规则，利用快速、高效的决策树方法，通过多阈值限定进行分类，初步提取冬小麦的空间分布范围；但是由于存在混合像元，阈值范围的设定会影响冬小麦种植面积的提取精度，针对此类问题，运用地表反射率影像数据提取冬小麦端元波谱曲线，结合线性光谱混合模型进行混合像元分解，进而根据冬小麦丰度比例精确提取冬小麦种植面积；最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明，研究区域的冬小麦种植面积提取精度达到90%，能够较准确地反映研究区域冬小麦的分布情况，表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积，为农作物种植面积信息提取提供参考。

... 王连喜等^[7]将混合像元分解技术进行扩展, 实现从多种类植被覆盖地区的影像中提取冬小麦信息 ...

2010

0.0

... 选用K-S算法^[8]来划分训练集和测试集, 其中训练集样本26个, 测试集样本14个(表1) ...

2011

0.0

GAO

Zhi-hai

, BAI

Li-na

, WANG

Beng-yu

, et al(高志海, 白黎娜, 王琫瑜, 等). Scientia Silvae Sinicae(林业科学), 2011, 47(6): 9.

The topsoil spectral characteristics and spectral segments sensitivity to soil organic matter (SOM) were studied on the basis of laboratory analysis and spectral measurement of soil samples collected from 2 typical areas of desertification, and then models for estimating SOM of topsoil layer were established. The results showed that the soils of desertified lands had the unique wave-shaped spectral curves, with an obvious bow-shaped protuberance area in 500-900 nm wavelength range, which could be used to extract SOM information from soil spectrum. It was found by the correlation analysis that there were two spectral segments sensitive to SOM, centered at 600 and 830 nm wavelengths respectively. The result of model validation indicated that the models, taking the logarithm reflectance and reciprocal reflectance at 588 nm (lg R 588 , 1/ R 588 ) and the first derivative reflectance of reciprocal reflectance and logarithm reflectance at 835 nm (1/ R 835 )', (lg R 835 )' as independent variable respectively, could be used to accurately estimate the SOM content in desertified lands.

1. Key Laboratory of Forestry Remote Sensing and Information Techniques of State Forestry Administration Institute of Forest Resource Information Techniques, Chinese Academy of Forestry Beijing 100091;2. Institute of Remote Sensing Applications, Chinese Academy of Sciences Beijing 100101;3. Water & Soil Conservation College, Beijing Forestry University Beijing 100083;4. Paulownia Research and Development Center of State Forestry Administration Zhengzhou 450003

在对2个荒漠化典型区土壤采样、化验分析和光谱测量的基础上,分析荒漠化土地土壤的反射光谱特征及土壤有机质的光谱敏感范围,构建多种土壤有机质含量高光谱估测模型。结果表明: 荒漠化土地土壤具独特的波浪型光谱曲线,其主要特点是在可见光和近红外的500~900 nm光谱范围存在一个明显的弓形突起区,其对提取土壤有机质信息有实际意义; 相关分析发现,在中心波长分别为600和830 nm的可见光和近红外光光谱范围分别存在1个有机质光谱敏感区; 土壤有机质含量高光谱估测模型验证结果表明,利用波长588 nm处的反射光谱对数lg R 588 和反射光谱倒数1/ R 588 以及波长835 nm处的反射光谱倒数的导数(1/ R 835 )'和反射光谱对数的导数(lg R 835 )'分别建立的模型,可以较好地估测荒漠化土地土壤有机质含量。

... 1线的程度来估测模型拟合度^[9] ...

2010

0.0

ZHANG

Fa-sheng

, QU wei, YIN Guang-hua, et al(张法升, 曲威, 尹光华, 等). Chinese Journal of Applied Ecology(应用生态学报), 2010, 21(4): 883.

Remotely sensed multispectral LandSat TM image was used to analyze the spatial pattern of surface soil organic matter across the cropland in Fuxin Town of Liaoning Province. The proper bands of the TM image that correlated with the distribution of surface soil organic matter were selected, and the quantitative relationships between surface soil organic matter and the digital number (DN) values of bands TM 1, TM 2, TM 3, TM 4, TM 5, TM 6, and TM 7 were analyzed and determined, which could be applied to establish a prediction model of surface soil organic matter. It was shown that the surface soil organic matter in study area had a strong negative correlation with the DN values of TM 4 and TM 5 ( r =-0.617 and -0.623, P R 2 =09134, P R 2 =0.9151, P -1 was mainly distributed in the zones at hill foot, while that with surface soil organic matter content usually more than 10 g·kg -1 and partly reached 15-20 g·kg -1 was in flat zone.

1 Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang 110016, China| 2 Graduate University of Chinese Academy of Sciences, Beijing 100049, China

利用多光谱LandSat TM遥感影像反演辽宁省阜新镇表层土壤有机质的空间格局，筛选出与土壤有机质分布相关的TM波段，分析并确定表层土壤有机质含量与TM1、TM2 、TM3、TM4、TM5、TM6、TM7波段亮度值（digital number, DN）的相关关系，建立了土壤有机质含量的光谱预测模型．结果表明：研究区表层土壤有机质含量与TM 4、TM 5波段DN值呈极显著的负相关关系（ r 分别为-0.617和-0.623， P R 2 =0.9134， P R 2 =0.9151， P -1 的农田主要分布在山地边缘地带，而平坦地区农田表层土壤有机质含量一般>10 g·kg -1 ,部分达到15～20 g·kg -1 .

... 该相关性分析结果与张法升^[10]等的研究结论相似, 表明通过线性波谱分离技术实现土壤光谱重建是有效的 ...

... 这是因为改变遥感影像的像元组成, 使得光谱反射率发生变化, 在土壤有机质不变的情况下, 局部波段的相关性出现升高或降低, 却更准确反映土壤光谱与土壤有机质含量的相关性, 该结果与前人的研究结论相似, 但存在一些差别, 如张法升等^[10]认为土壤有机质含量与多光谱数据在第5波段达到最大相关, 这与本研究不同, 原因可能与数据源、研究方法、研究区不同有关 ...

2012

0.0

... 同时利用多光谱影像估测湿地土壤有机质含量, 土壤颜色、土壤粒径、土壤含水量等因素会对光谱估算有一定的影响, 因此今后将考虑改进土壤光谱重建方法, 构建土壤属性的修正系数^[11], 采集不同类型的样品进行研究, 以提高反演模型精度, 为促进湿地生态系统的保护和利用提供技术和数据支持 ...