杨建锋，马军成，王令超

（1.河南省科学院 地理研究所，河南 郑州450052）

基于地貌类型的土壤有机质多光谱遥感反演

杨建锋1，马军成1，王令超1

（1.河南省科学院 地理研究所，河南 郑州450052）

基于地貌类型分析土壤有机质含量与多光谱遥感影像光谱波段之间相关关系，构建不同地貌类型区有机质含量反演模型。结果表明，各波段光谱反射率与土壤有机质含量均呈负相关关系。利用SPSS软件对所有波段进行剔除变量（remove）线性回归分析，当全部波段参与构建反演模型时，一次反演模型拟合效果较好。分地貌类型区构建土壤有机质反演模型精度高于整个区域反演模型精度，与实际值对比，当允许误差为7%时，土壤有机质含量识别度为91．65%。基于地貌类型构建土壤有机质含量反演模型提取研究区土壤有机质含量切实可行，且精度较高。

地貌类型；多光谱；回归分析；土壤有机质

利用遥感影像直接获取土壤有机质含量，是当前土壤学研究的一个热点[1-4]。Palacios-Orueta等用分级前台本底分析法（HFBA）从土壤化学成分差异的不同等级中提取光谱信息，依次得到一系列训练矢量用来在AVIRIS影像中判断有机质含量[5]。Chen等分析地表土壤有机碳含量与航空相片的红、绿、蓝波段图像亮度值之间的统计关系，建立一个对数方程预测地表有机碳含量[6]。Fox等利用数字摄影系统确定包含红波段和近红外波段的图像亮度值的土壤线，用于表层土有机质制图[7]。曾志远利用资源卫星多光谱图像，借助多元非线性回归方法，探测土壤表层（0～20 cm）有机质含量和全氮含量，把有机质含量和全氮含量表示成卫星图像4个波段辐射值的函数，所得的回归方程在0．01 水平上显著[8]。徐彬彬、戴昌达通过对南疆土壤研究发现，土壤有机质与土壤光谱在600 nm 波段处的弓曲差（即土壤光谱反射曲线在550 nm 和650 nm 2个波段的光谱反射系数的平均值与600 nm 波段处的光谱反射系数的差值）呈极显著负相关，并可用这一关系通过光谱反射系数预测分析土壤有机质的含量[9]。刘焕军等以田间原状黑土野外实测高光谱反射率为研究对象,分析黑土有机质的光谱响应波段,运用光谱分析方法提取光谱指数,建立基于反射光谱特征的黑土有机质高光谱预测模型[10]。

目前土壤有机质含量遥感估测研究主要集中在敏感波段分析、研究区域尺度、遥感影像来源以及反演模型建立等方面。本文以地貌类型为依据，获取不同地貌类型区的土壤有机质含量数据和遥感光谱数据，寻找不同光谱波段的有机质含量光谱特征，并构建不同地貌类型下的有机质含量反演模型，探求分地貌类型构建反演模型的可行性[11-17]。

1 数据与方法

1.1 研究区域

宜阳县位于东经111°45'～112°26'、北纬34°16'～34°42'之间，总土地面积1 666．25 km2。宜阳县地形复杂，山区位于西南部，丘陵区位于北部和东南部，川区位于县境中部、洛河两岸。根据地貌特征，可将宜阳县分为宜北丘陵区、洛河川区和宜南山地区。

为了确保模型的科学性，需要采用建模区以外的数据进行验证和反演，同时，为了使建模区和验证区都具有代表性，根据宜阳县的地貌特征，将研究区域分为东西两部分。西部为建模区，东部为验证区。基本思路是从建模区提取耕地质量信息建立模型，用验证区的信息对模型进行验证。

1.2 遥感影像数据选择

目前基于高光谱技术的土壤有机质反演多集中在室内或田间操作层面[18]，基于航空高光谱遥感影像反演土壤有机质的研究还少有尝试[19]。综合考虑各种数据源的优缺点及资料获取的难度等实际需要，选取Landsat多光谱影像作为数据源，为了取得研究区域裸露地面的土壤光谱数据，本文选取2008年10月份的空间分辨率为30 m的Landsat多光谱影像。

1.3 土壤样点采集

土壤样点进行实地采集，土样风干、过筛后采用重铬酸钾容量法测定土壤有机质含量。每个样点取样深度为0～20 cm，在30 m×30 m内采用5点取样法获得。根据研究需要，在建模区采集了121个样点，验证区采集了24个样点，最终采样共145个。

1.4 数据预处理

采用地面控制点多项式校正方法对遥感图像进行几何校正，采用内部平均法对遥感影像进行反射率反演。这种方法仅从图像数据本身进行反射率反演，不需要其他辅助数据，基本属于数据归一化范畴，但计算所得的反射率都是相对反射率。利用ArcGIS软件对土壤样点数据进行管理，并转换到与遥感影像相同的地理坐标系统，以进行空间叠加分析。

1.5 反演方法

本文反演模型的建模思路为：①根据样点位置，提取相对应的遥感影像光谱波段，计算各波段光谱反射率。②根据地貌类型，进行土壤样点分组。③利用SPSS软件分析各组各波段光谱反射率与土壤有机质含量相关关系。④构建各组土壤有机质含量识别模型。⑤对所有样点土壤有机质含量和光谱反射率进行相关关系分析。⑥基于所有样点与光谱反射率相关关系，构建土壤有机质含量反演模型。⑦进行精度检验。⑧根据反演模型进行有机质含量遥感识别及验证。

2 反演模型构建

利用SPSS软件分析土壤有机质含量和地物光谱反射率之间的相关关系，寻找不同光谱波段的有机质特征波谱特征，利用分析结果进行回归分析并建立土壤有机质含量的光谱预测模型。反演模型构建在建模区域内进行。

2.1 相关分析结果

在样点分组及其对应位置的波段光谱反射率计算完成后，采用SPSS软件的相关分析功能模块，对土壤有机质含量和各波段光谱反射率之间相关关系进行分析，结果见表1。

表1 土壤有机质含量和各波段光谱反射率相关关系

从表1可知，不同地貌类型区各波段光谱反射率与土壤有机质含量均呈负相关关系，除宜南山地区B5波段相关系数在α=0.05水平上有显著性意义外，其余相关系数均为在α=0.01水平上有显著性意义。宜北丘陵区在B4和B7波段，宜南山地区在B7波段，洛河川区在B4和B7波段，全部区域在B3波段相关性最强。

2.2 反演模型构建

利用SPSS软件对所有波段进行剔除变量线性回归分析。结果表明，参与回归的波段不同，其构建的反演模型确定系数也有所不同，当全部波段参与构建反演模型时，一次反演模型拟合效果较好。各地貌类型区反演模型见表2。

表2 各地貌类型区反演模型

2.3 验证分析

根据反演模型，分地貌类型区和全部区域提取土壤有机质含量，将验证区的土壤有机质含量识别值与其对应的土壤有机质含量实际值进行对比分析，结果见表3。从表3可以得出，宜北丘陵区、宜南山地区和洛河川区的土壤有机质反演模型识别差值绝对值均小于整个建模区反演模型识别差值绝对值，即以地貌类型为依据，构建地貌类型区土壤有机质反演模型精度高于整个建模区土壤有机质反演模型精度。鉴于此，以地貌类型为依据，构建各区土壤有机质反演模型提取研究区土壤有机质含量分布切实可行且精度较高。

表3 反演模型识别值与实际值差值

3 土壤有机质反演识别

分地貌类型，利用构建模型对土壤有机质进行反演识别，结果见图1。

图1 宜阳县土壤有机质含量遥感识别图

以宜阳县土壤有机质含量专题图和实地调查获取的数据为基准，计算土壤有机质差值的绝对值与其比值，获取土壤有机质含量识别误差。当误差≤1，有机质误差分布累计频率为61．25%，且随着误差范围的增大，有机质误差分布累计频率逐步递增。当误差≤7时，累计频率已达到91．65%。也就是说，随着允许误差的增大，模型反演有机质含量的识别度也逐步增大。当允许误差为5%时，识别度为87．51%，当允许误差为7%时，识别度为91．65%，当允许误差为9%时，识别度高达94．27%,当允许误差为11%时，识别度高达96．27%。

对比土壤有机质含量专题图和遥感识别图发现，基于遥感技术识别的土壤有机质含量图件能直观反映出土壤有机质含量的分布特征，且对局部细节特征表达较为细腻。

4 结 语

1）基于地貌类型分区域构建模型对土壤有机质含量进行识别，不仅识别精度高，而且能清楚表达土壤有机含量的各局部特征，其成果可为土地资源遥感监测与评价、粮食产能核算等工作提供科学依据。

2）多光谱数据与高光谱数据相比，在定量分析土壤属性及其含量上有一定差距，可以通过分析土壤高光谱反射率曲线的特征，确定影响土壤光谱反射曲线的主要特征控制点，简化土壤光谱反射率曲线，然后利用现有多光谱数据模拟高光谱反射率曲线，用于定量分析土壤属性及其含量[10]。这也是本文需要进一步深入研究的内容。

3）目前，关于遥感识别土壤有机质含量的研究存在诸多不一致性，如结论不一致、尺度不一致以及运用的遥感数据各不相同等，针对不同的研究区选取的敏感波段和建立的反演模型也不尽相同[20]，因此需要更多此类研究进一步讨论以确定通用性强的方法与模型[21]。

[1] Sparling G P, Wheeler D, Vesely E T, et al． What is Soil Organic Matter Worth? [J]． Journal of Environmental Quality, 2006,35 (2):548-557

[2] 高祥照,胡克林,郭焱,等．土壤养分与作物产量的空间变异特征与精确施肥[J]．中国农业科学, 2002,35(6) :660-666

[3] 陈庆强,沈承德,易惟熙,等．土壤碳循环研究进展[J]．地球科学进展,1998,13(6) :555-563

[4] 程彬,姜琦刚,王坤,等．遥感在土壤有机质含量估算中的应用及其研究进展[J]．山东农业大学学报:自然科学版,2011,42(2) :317-321

[5] Palacios-Orueta A, Pinzon J E, Ustin S L,et al． Remote Sensing of Soils in the Santa Monica Mountains: II． Hierarchical Foreground and Background Analysis [J]． Remote Sensing of Environment,1999 (68):138-151

[6] Chen F, Kissel D E, West L T, et al． Field-scale Mapping of Surface Soil Organic Carbon Using Remotely Sensed Imagery [J]．Soil Science Society of America Journal, 2000 (64): 746-753

[7] Fox G A, Sabbagh G J． Estimation of Soil Organic Matter from Red and Near-infrared Remotely Sensed Data Using a Soil Line Euclidean Distance Technique [J] ．Soil Science Society of America Journal, 2002 (66): 1 922-1 929

[8] 曾志远．土壤肥力的卫星遥感探测[J] ．土壤,1987 (2) : 73-78 [9] 徐彬彬,戴昌达．南疆土壤光谱反射特性与有机质含量的相关分析[J] ．科学通报,1980(6) :282-284

[10] 刘焕军,张新乐,郑树峰,等．黑土有机质含量野外高光谱预测模型[J]．光谱学与光谱分析,2010,30(12) :3 355-3 358

[11] 陈增文,陈光水,钟羡芳,等．基于高光谱遥感的土壤有机碳含量估算研究进展[J]．亚热带资源与环境学报,2009, 4(1) : 78-87

[12] 张文娟,王绍强,常华,等．遥感在土壤碳储量估算中的应用[J]．地理科学进展, 2005, 24(3) :118-126

[13] 李欣宇,宇万太,李秀珍,等．基于TM影像的表层土壤有机碳空间格局[J]．生态学杂志, 2008, 27(3) :333-338

[14] 尹云锋,蔡祖聪,钦绳武,等．长期施肥条件下潮土不同组分有机质的动态研究[J]．应用生态学报,2005, 16(5) :875-878 [15] 杨景成,韩兴国,黄建辉,等．土壤有机质对农田管理措施的动态响应[J]．生态学报, 2003, 23(4) :787-796[16] 杨建锋,马军成,王令超． 基于多光谱遥感的耕地等别识别评价因素研究[J]．农业工程学报, 2012,28(17) :230-236

[17] 程朋根,吴剑,李大军,等．土壤有机质高光谱遥感和地统计定量预测[J]．农业工程学报, 2009,25(3) :142-147

[18] 刘焕军,张柏,刘殿伟,等．基于反射率模拟模型的黑土有机质含量估测[J]．光谱学与光谱分析,2008,28(12):2 947-2 950

[19] Gomez C, Rossel R A V, McBratney A B． Soil Organic Carbon Prediction by Hyper Spectral Remote Sensing and Field VIS-NIR Spectroscopy: An Australian Case Study[J]． Geo Derma,2008 (146): 403-411

[20] 贺军亮,蒋建军,周生路,等．土壤有机质含量的高光谱特性及其反演[J] ．中国农业科学,2007,40(3) :638-643

[21] 张法升,曲威,尹光华,等．基于多光谱遥感影像的表层土壤有机质空间格局反演[J]．应用生态学报,2010,21(4) :883-888

P237.9

B

1672-4623（2015）02-0048-03

10.3969/j.issn.1672-4623.2015.02.018

杨建锋，助理研究员，主要研究地理信息系统、土地资源评价。

2014-03-27。

项目来源：国土资源部公益性行业科研资助项目（201011006）；河南省省属科研单位社会公益资助项目（200882）；河南省科学院基本科研资助项目（51.12.04）。