基于实测高光谱和Sentinel-2B影像的银川平原土壤盐分反演

毛鸿欣 贾科利 张旭

引用本文:
Citation:

基于实测高光谱和Sentinel-2B影像的银川平原土壤盐分反演

    作者简介: 毛鸿欣(1994‒),男,宁夏人,硕士生,主要研究土壤遥感监测与分析. E-mail:2714563418@qq.com;
    通讯作者: 贾科利, jiakl@nxu.edu.cn
  • 中图分类号: S127;TP79

Inversion of soil salinity in Yinchuan Plain based on measured hyperspectral data and Sentinel-2B images

    Corresponding author: JIA Ke-li, jiakl@nxu.edu.cn ;
  • CLC number: S127;TP79

  • 摘要: 土壤盐渍化是干旱半干旱区土壤资源损害、生境破坏和农业生产损失的重要影响因素,定量反演和监测盐渍化土壤,对防护土地生态安全具有重要意义. 文章基于光谱变换筛选盐分特征波段和特征光谱指数,构建实测高光谱和Sentinel-2B影像的岭回归模型和偏最小二乘回归盐分反演模型,并以特征光谱指数为敏感参量进行星‒地光谱匹配,构建匹配后盐分反演模型,实现银川平原土壤盐分定量反演. 结果表明,盐分指数3(Salinity index 3,S3)、强度指数1(Intensity index 1,Int1)和强度指数2(Intensity index 2,Int2)能够实现实测高光谱端元到多光谱像元尺度的匹配,有效地提升模型精度;经光谱匹配后构建的偏最小二乘模型精度最高(R2=0.721,RMSE=4.856 g·kg−1). 相比单独利用影像建模,其R2提升了0.309,均方根误差(Root Mean Square Error,RMSE)减小了2.085 g·kg−1. 盐分反演结果与实地采样具有较好一致性,表明特征光谱指数可为不同尺度遥感数据间光谱匹配与联合,实现地表点到空间面尺度盐渍化定量监测,为土壤盐分监测提供理论借鉴和实践参考.
  • 图 1  银川平原位置、地形和采样点分布

    Figure 1.  Location,terrain,and distribution of sampling points of Yinchuan Plain

    图 2  银川平原不同程度盐渍土光谱曲线

    Figure 2.  Spectral curves of soil with different degrees of salinity in Yinchuan Plain

    图 3  银川平原高光谱反射率数学变换与土壤盐分的相关性

    Figure 3.  Correlation between mathematical transformation of hyperspectral reflectance and soil salinity in Yinchuan Plain

    图 4  银川平原高‒多光谱敏感光谱指数融合

    Figure 4.  Fusion of hyperspectral-multispectral sensitive indices in Yinchuan Plain

    图 5  银川平原土壤盐分的不同光谱数据模型验证(单位:g·kg−1

    Figure 5.  Validation of different spectral data models of soil salinity in Yinchuan Plain(unit:g·kg−1

    图 6  银川平原土壤盐分反演

    Figure 6.  Inversion result of soil salinity in Yinchuan Plain

    表 1  银川平原土壤盐渍化程度及样本统计

    Table 1.  Soil salinization degree and sample statistics in Yinchuan Plain

    程度w(全盐)/
    (g·kg−1
    样本数样本均值w(盐)/
    (g·kg−1
    最大值w(盐)/
    (g·kg−1
    最小值w(盐)/
    (g·kg−1
    各等级变异
    系数/%
    总样本变异
    系数/%
    非盐渍化<1.0670.610.9720.11631.079163.678
    轻度盐渍化1~2341.3261.9271.00321.179
    中度盐渍化2~4133.1343.8992.29516.878
    重度盐渍化4~695.425.7565.0724.366
    盐土>64418.12453.2626.22764.212
    下载: 导出CSV

    表 2  植被指数和土壤盐分指数计算

    Table 2.  Calculation of vegetation indices and soil salinity indices

    土壤光谱指数公式文献
    盐分指数 S1=ρBlue/ρRed [33]
    S2=(ρBlueρRed)/(ρBlue+ρRed [33]
    S3=ρRed×ρNIR/ρGreen [33]
    SI-T=(ρRed/ρNIR)×100% [15]
    NDSI=(ρRedρNIR)/(ρRed+ρNIR [15]
    SI1=(ρBlue×ρRed0.5 [33]
    SI2=(ρGreen2+ρRed2+ρNIR20.5 [15]
    SI3=(ρGreen2+ρRed20.5 [15]
    植被指数 NDVI=(ρNIRρRed)/(ρNIR+ρRed [15]
    CRSI=[(ρNIR×ρRed)‒(ρGreen×ρBlue)]/(ρNIR×ρRed)+(ρGreen×ρBlue)]0.5 [15]
    SAVI=(ρNIRρRed)/(ρNIR+ρRed+L)×(1+L [15]
    ENDVI=(ρNIR+ρSWIR2ρRed)/(ρNIR+ρSWIR2+ρRed [15]
    Int1=(ρGreen+ρRed+ρNIR)/2 [15]
    Int2=(ρGreen+ρRed)/2 [15]
    ρBlueρGreenρRedρNIRρSWIR2分别对应Sentinel-2B影像的B2、B3、B4、B8、B12波段,L=1.
    下载: 导出CSV

    表 3  高光谱指数与含盐量的相关性

    Table 3.  The correlation between hyperspectral indices and soil salt content

    高光谱指数表达式R
    SI1ρ435×ρ5000.5‒0.898**
    SI2ρ4352+ρ5002+ρ50120.5‒0.896**
    SI3ρ4352+ρ50020.5‒0.902**
    S3ρ435×ρ498/ρ501‒0.881**
    Int1ρ435+ρ500+ρ498)/2‒0.893**
    Int2ρ435+ρ500)/2‒0.900**
    ρ435ρ500ρ501ρ498为筛选出的4个特征波段;**表示P<0.01;*表示P<0.05,下同.
    下载: 导出CSV

    表 4  基于特征波段和衍生高光谱指数的盐分反演模型构建

    Table 4.  Construction of salt inversion model based on sensitive band and derived hyperspectral index

    建模方法建模因子模型表达式R2RMSE/
    (g·kg−1
    RR435、500、499、
    498 nm及501 nm
    Y=0.005‒1.028ρ435‒0.311ρ500‒0.271ρ498‒0.263ρ499‒0.372 ρ5010.808**4.740
    S3、Int1、Int2Y=50.029‒6183.479×S3‒4208.201×Int1‒ 9797.519×Int20.811**4.659
    PLSR435、500、499、
    498 nm及501 nm
    Y=50.079‒18245.520ρ435‒711.615ρ500‒219.636ρ498‒1.089ρ499‒1524.400 ρ5010.821**4.447
    S3、Int1、Int2Y=50.739‒6792.835×S3‒5447.920×Int1‒7755.753×Int20.810**4.586
    下载: 导出CSV

    表 5  含盐量与影像各波段反射率的相关性

    Table 5.  Correlation between soil salinity and reflectance of multispectral bands

    变换B1B2B3B4B5B6B7B8B8aB9B11B12
    R0.289**0.291**0.313**0.321**0.368**0.421**0.379**‒0.380**0.379**0.358**0.473**0.447**
    1/R0.348**0.273**0.315**0.246**0.421**0.502**0.499**0.464**0.451**0.309**0.302**0.312**
    R0.50.325**0.298**0.318**‒0.320**0.384**0.452**0.423**0.425**0.424**0.381**0.475**‒0.460**
    lg(R‒0.360**0.299**‒0.320**0.311**0.399**0.477**0.458**0.488**0.452**0.381**0.451**0.449**
    **表示P<0.01,*表示P<0.05,下同.
    下载: 导出CSV

    表 6  含盐量与多光谱指数的相关性

    Table 6.  Correlation between soil salinity and multispectral indices

    变换SI3SI2SI1SI-TSAVIS3S2S1NDSINDVIInt2Int1ENDVICRSI
    R ‒0.053 0.009 0.312** 0.119 ‒0.066 0.508** ‒0.054 ‒0.026 0.066 ‒0.066 0.321** 0.447** ‒0.176 ‒0.380**
    1/R ‒0.133 ‒0.070 0.100 ‒0.133 0.133 0.087 0.370** 0.027 0.264* 0.029 0.061 0.474** 0.297** 0.522**
    R0.5 ‒0.049 0.013 0.314** 0.078 ‒0.029 0.525** ‒0.047 0.002 0.323** 0.471** 0.205* 0.378**
    lg(R ‒0.043 0.018 0.309** 0.034 0.535** ‒0.066 0.038 0.321** 0.494** 0.085 0.375**
    下载: 导出CSV

    表 7  多光谱RR和PLSR反演模型

    Table 7.  Multispectral RR and PLSR inversion model

    建模方法建模因子模型表达式R2RMSE/(g·kg−1
    RRB6、B7、B8、B8aY=‒3.061+0.715B6+0.713B7+0.434B8+0.256B8a0.399**7.051
    S3、Int1、Int2Y=‒9.009‒16.336×S3‒11.484×Int1+1.076×Int20.412**6.941
    PLSRB6、B7、B8、B8aY=‒2.008+0.633B6+0.746B7+0.412B8+0.395B8a0.396**6.902
    S3、Int1、Int2Y=‒9.083‒23.425×S3‒10.872×Int1+2.435×Int20.410**6.830
    下载: 导出CSV

    表 8  光谱匹配后RR和PLSR盐分反演模型

    Table 8.  Salt inversion model of RR and PLSR after spectral matching

    建模因子建模方法模型表达式R2RMSE/(g·kg−1
    S3、Int1、Int2RRY=22.469‒11.299×S3‒19.317×Int1‒46.143×Int20.715**4.872
    PLSRY=20.221‒24.232×S3‒20.326×Int1‒8.096×Int20.721**4.856
    下载: 导出CSV

    表 9  银川平原不同等级盐分反演像元数及占比

    Table 9.  Number and proportion of inversion pixels of different grades of salinity in Yinchuan Plain

    盐渍化等级像元数面积/km2占比/%
    非盐渍化159595391595.95422.451
    轻度盐渍化5272784527.2767.418
    中度盐渍化9044348904.43512.723
    重度盐渍化8074456807.44611.359
    盐土327335543273.35546.049
    下载: 导出CSV
  • [1] 王爽, 丁建丽, 王璐, 等. 基于地表光谱建模的区域土壤盐渍化遥感监测研究[J]. 干旱区地理, 2016, 39(1): 190-198. DOI:  10.13826/j.cnki.cn65-1103/x.2016.01.022. Wang S, Ding J L, Wang L, et al. Remote sensing monitoring of soil salinization based on surface spectral modeling[J]. Arid Land Geography, 2016, 39(1): 190-198.
    [2] 陈俊英, 王新涛, 张智韬, 等. 基于无人机−卫星遥感升尺度的土壤盐渍化监测方法[J]. 农业机械学报, 2019, 50(12): 161-169. DOI:  10.6041/j.issn.1000-1298.2019.12.018. Chen J Y, Wang X T, Zhang Z T, et al. Soil salinization monitoring method based on UAV-Satellite remote sensing scale-up[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(12): 161-169.
    [3] 再屯古丽·亚库普, 买买提·沙吾提, 阿卜杜萨拉木·阿布都加帕尔, 等. 基于PALSAR雷达数据的于田绿洲土壤盐渍化反演[J]. 资源科学, 2018, 40(10): 2 110-2 117. DOI:  10.18402/resci.2018.10.18. Zaytungul·Yakup, Mamat·Sawut, Abdusalam·Abdujappar, et al. Soil salinity inversion in Yutian Oasis based on PALSAR radar data[J]. Resources Science, 2018, 40(10): 2 110-2 117.
    [4] 厉彦玲, 赵庚星, 常春艳, 等. OLI与HSI影像融合的土壤盐分反演模型[J]. 农业工程学报, 2017, 33(21): 173-180. DOI:  10.11975/j.issn.1002-6819.2017.21.020. Li Y L, Zhao G X, Chang C Y, et al. Soil salinity retrieval model based on OLI and HSI image fusion[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(21): 173-180.
    [5] 陈实, 高超, 徐斌, 等. 新疆石河子农区土壤含盐量定量反演及其空间格局分析[J]. 地理研究, 2014, 33(11): 2 135-2 144. DOI:  10.11821/dlyj201411013. Chen S, Gao C, Xu B, et al. Quantitative inversion of soil salinity and analysis of its spatial pattern in agricultural area in Shihezi of Xinjiang[J]. Geographical Research, 2014, 33(11): 2 135-2 144.
    [6] 安德玉, 邢前国, 赵庚星. 基于HICO波段的滨海土壤盐分遥感反演研究[J]. 海洋学报, 2018, 40(6): 51-59. DOI:  10.3969/ji.ssn.0253-4193.2018.06.005. An D Y, Xing Q G, Zhao G X. Hyperspectral remote sensing of soil salinity for coastal saline soil in the Yellow River Delta based on HICO bands[J]. Acta Oceanologica Sinica, 2018, 40(6): 51-59.
    [7] 吾木提·艾山江, 买买提·沙吾提, 依力亚斯江·努尔麦麦提, 等. 基于WorldView-2影像的土壤含盐量反演模型[J]. 农业工程学报, 2017, 33(24): 200-206. DOI:  10.11975/j.issn.1002-6819.2017.24.026. Umiti·Aishanjiang, Maimat·Sawut, Iliasjang·Nurmaimet, et al. Inversion model of soil salt content based on WorldView-2 image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(24): 200-206.
    [8] 马驰. 基于Sentinel-1双极化雷达影像的土壤含盐量反演[J]. 农业工程学报, 2018, 34(2): 153-158. DOI:  10.11975/j.issn.1002-6819.2018.02.021. Ma C. Quantitative retrieval of soil salt content based on Sentinel-1 dual polarization radar image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(2): 153-158.
    [9] 马驰. 基于Sentinel-2B遥感数据对吉林白城市土壤含盐量的反演[J]. 干旱区研究, 2020, 37(3): 591-597. DOI:  10.13866/j.azr.2020.03.06. Ma C. Inversion of soil salt content based on Sentinel-2B remote sensing in Baicheng City, Jilin Province[J]. Arid Zone Research, 2020, 37(3): 591-597.
    [10] 张贤龙, 张飞, 张海威, 等. 基于光谱变换的高光谱指数土壤盐分反演模型优选[J]. 农业工程学报, 2018, 34(1): 110-117. DOI:  10.11975/j.issn.1002-6819.2018.01.15. Zhang X L, Zhang F, Zhang H W, et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(1): 110-117.
    [11] Neto O R, Teixeira A, Leão R, et al. Hyperspectral remote sensing for detecting soil salinization using ProSpec TIR-VS aerial imagery and sensor simulation[J]. Remote Sensing, 2017, 9: 42.
    [12] 张智韬, 王海峰, Arnon K, 等. 基于岭回归的土壤含水率高光谱反演研究[J]. 农业机械学报, 2018, 49(5): 240-248. DOI:  10.6041/j.issn.1000-1298.2018.05.028. Zhang Z T, Wang H F, Arnon K, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of the Chinese Society of Agricultural Machinery, 2018, 49(5): 240-248.
    [13] 王海峰, 张智韬, Arnon K, 等. 基于灰度关联−岭回归的荒漠土壤有机质含量高光谱估算[J]. 农业工程学报, 2018, 34(14): 124-131. DOI:  10.11975/j.issn.1002-6819.2018.14.016. Wang H F, Zhang Z T, Arnon K, et al. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 124-131.
    [14] 姚远, 丁建丽, 阿尔达克·克里木, 等. 基于实测高光谱和电磁感应数据的区域土壤盐渍化遥感监测研究[J]. 光谱学与光谱分析, 2013, 33(7): 1 917-1 921. DOI:  10.3964/j.issn.1000-0593(2013)07-1917-05. Yao Y, Ding J L, Aldak·Klimu, et al. Research on remote sensing monitoring of soil salinization based on measured hyperspectral and EM38 data[J]. Spectroscopy and Spectral Analysis, 2013, 33(7): 1 917-1 921.
    [15] 梁静, 丁建丽, 王敬哲, 等. 基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算[J]. 土壤学报, 2019, 56(2): 320-330. DOI:  10.11766/trxb201805070182. Liang J, Ding J L, Wang J Z, et al. Quantitative estimation and mapping of soil salinity in the Ebinur Lake wetland based on VIS-NIR reflectance and Landsat 8 OLI data[J]. Acta Pedologica Sinica, 2019, 56(2): 320-330.
    [16] 阿尔达克·克里木, 塔西甫拉提·特依拜, 张东, 等. 基于高光谱的ASTER影像土壤盐分模型校正及验证[J]. 农业工程学报, 2016, 32(12): 144-150. DOI:  10.11975/j.issn.1002-6819.2016.12.021. Aldak·Klimu, Tashiprati·Teybai, Zhang D, et al. Calibration and validation of soil salinity estimation model based on measured hyperspectral and ASTER image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(12): 144-150.
    [17] 武丹, 贾科利, 张晓东, 等. 基于异质SVM神经网络的土壤盐渍化灾害预测模型[J]. 水文地质工程地质, 2018, 45(5): 143-149. DOI:  10.16030/j.cnki.issn.1000-3665.2018.05.20. Wu D, Jia K L, Zhang X D, et al. Soil salinization disaster prediction model based on heterogeneous SVM neural network[J]. Hydrogeology and Engineering Geology, 2018, 45(5): 143-149.
    [18] 夏贵菊, 何彤慧, 于骥, 等. 银川平原草甸湿地表层土盐分累积特征[J]. 农业工程学报, 2016, 32(5): 142-148. DOI:  10.11975/j.issn.1002-6819.2016.05.020. Xia G J, He T H, Yu J, et al. Salt accumulation characteristics of topsoil in meadow wetland in Yinchuan Plain[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(5): 142-148.
    [19] 张荣群, 乔月霞, 薛佳妮. 银川平原土壤盐渍化与土地利用强度的空间关联分析[J]. 地球信息科学学报, 2015, 17(5): 598-606. DOI:  10.3724/SP.J.1047.2015.00598. Zhang R Q, Qiao Y X, Xue J N. Spatial relationship analysis between the soil salinization and land use intensity in Yinchuan Plain[J]. Journal of Geo-Information Science, 2015, 17(5): 598-606.
    [20] 陈廷钦. 土壤调理剂及应用进展[J]. 云南大学学报: 自然科学版, 2011, 33(S1): 338-342. Chen T Q. Classification of soil conditioner and its application progress[J]. Journal of Yunnan University: Natural Sciences Edition, 2011, 33(S1): 338-342.
    [21] 尚白军, 郑博文, 周智彬, 等. 新疆玛依湖区土壤盐渍化过程中土壤粒径分形特征[J]. 云南大学学报: 自然科学版, 2020, 42(5): 896-905. DOI:  10.7540/j.ynu.20190658. Shang B J, Zheng B W, Zhou Z B, et al. Characteristics of soil particle size and fractal dimension during soil salinization in Mayi Lake regions, Xinjiang[J]. Journal of Yunnan University: Natural Sciences Edition, 2020, 42(5): 896-905.
    [22] 张源沛, 胡克林, 李保国, 等. 银川平原土壤盐分及盐渍土的空间分布格局[J]. 农业工程学报, 2009, 25(7): 19-24. DOI:  10.3969/j.issn.1002-6819.2009.07.004. Zhang Y P, Hu K L, Li B G, et al. Spatial distribution pattern of soil salinity and saline soil in Yinchuan Plain of China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(7): 19-24.
    [23] 何文寿, 刘阳春, 何进宇. 宁夏不同类型盐渍化土壤水溶盐含量与其电导率的关系[J]. 干旱地区农业研究, 2010, 28(1): 111-116. He W S, Liu Y C, He J Y. Relationships between soluble salt content and electrical conductivity for different types of salt-affected soils in Ningxia[J]. Agricultural Research in the Arid Areas, 2010, 28(1): 111-116.
    [24] 蒋金豹, 陈云浩, 黄文江. 用高光谱微分指数监测冬小麦病害的研究[J]. 光谱学与光谱分析, 2007, 27(12): 2 475-2 479. DOI:  10.3964/j.issn.1000-0593.2007.12.024. Jiang J B, Chen Y H, Huang W J. Using hyperspectral derivative index to monitor winter wheat disease[J]. Spectroscopy and Spectral Analysis, 2007, 27(12): 2 475-2 479.
    [25] 张霞, 戚文超, 孙伟超. 基于数学形态滤波的植被光谱去噪方法研究[J]. 遥感技术与应用, 2016, 31(5): 846-854. DOI:  10.11873/j.issn.1004-0323.2016.5.0846. Zhang X, Qi W C, Sun W C. Research on vegetation spectrum denoising method based on mathematical morphology filtering[J]. Remote Sensing Technology and Application, 2016, 31(5): 846-854.
    [26] 雷林平. 基于Savitzky-Golay算法的曲线平滑去噪[J]. 电脑与信息技术, 2014, 22(5): 30-31. DOI:  10.3969/j.issn.1005-1228.2014.05.010. Lei L P. Curve smooth denoising based on Savitzky-Golay algorithm[J]. Computer and Information Technology, 2014, 22(5): 30-31.
    [27] 陈书旺, 王军星, 盛伟楠, 等. Savitzky-Golay滤波器最优参数的SPR信号分析[J]. 光谱学与光谱分析, 2015, 35(4): 1 124-1 128. DOI:  10.3964/j.issn.1000-0593(2015)04-1124-05. Chen S W, Wang J X, Sheng W N, et al. Analysis of SPR signal by using optimized Savitzky-Golay filter[J]. Spectroscopy and Spectral Analysis, 2015, 35(4): 1 124-1 128.
    [28] Savitzky A, Golay M J E, Chem A, et al. Smoothing and differentiation of date by simplified least squares procedures[J]. Analytical Biochemistry, 1964, 36(8): 1 627-1 639. DOI:  10.1021/ac60214a047.
    [29] 郑煜, 常庆瑞, 王婷婷, 等. 基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算[J]. 西北农林科技大学学报: 自然科学版, 2019, 47(8): 37-45. DOI:  10.13207/j.cnki.jnwafu.2019.08.006. Zheng Y, Chang Q R, Wang T T, et al. Hyperspectral estimation of SPAD value in oilseed rape based on continuum removal and partial least squares regression[J]. Journal of Northwest A & F University: Natural Science Edition, 2019, 47(8): 37-45.
    [30] 汪星, 宫兆宁, 井然, 等. 基于连续统去除法的水生植物提取及其时空变化分析——以官厅水库库区为例[J]. 植物生态学报, 2018, 42(6): 640-652. DOI:  10.17521/cjpe.2017.0240. Wang X, Gong Z N, Jing R, et al. Extraction of aquatic plants based on continuous removal method and analysis of its temporal and spatial changes—A case study of Guanting Reservoir[J]. Chinese Journal of Plant Ecology, 2018, 42(6): 640-652.
    [31] Curran P J, Dungan J L, Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry[J]. Remote Sensing of Environment, 2001, 76(3): 349-359. DOI:  10.1016/S0034-4257(01)00182-1.
    [32] 陈圣波, 周超, 王晋年. 黑龙江多金属矿区植物胁迫光谱及其与金属元素含量关系研究[J]. 光谱学与光谱分析, 2012, 32(5): 1 310-1 315. DOI:  10.3964/j.issn.1000-0593(2012)05-1310-06. Chen S B, Zhou C, Wang J N. Vegetation stress spectra and their relations with the contents of metal elements within the plant leaves in metal mines in Heilongjiang[J]. Spectroscopy and Spectral Analysis, 2012, 32(5): 1 310-1 315.
    [33] 王飞, 丁建丽, 魏阳, 等. 基于Landsat系列数据的盐分指数和植被指数对土壤盐度变异性的响应分析——以新疆天山南北典型绿洲为例[J]. 生态学报, 2017, 37(15): 5 007-5 022. DOI:  10.5846/stxb201605090890. Wang F, Ding J L, Wei Y, et al. Sensitivity analysis of soil salinity and vegetation indices to detect soil salinity variation by using Landsat series images: Applications in different oases in Xinjiang, China[J]. Acta Ecologica Sinica, 2017, 37(15): 5 007-5 022.
    [34] 孙亚楠, 李仙岳, 史海滨, 等. 基于多源数据融合的盐分遥感反演与季节差异性研究[J]. 农业机械学报, 2020, 51(6): 169-180. DOI:  10.6041/j.issn.1000-1298.2020.06.018. Sun Y N, Li X Y, Shi H B, et al. Remote sensing inversion of soil salinity and seasonal difference analysis based on multi-source data fusion[J]. Transactions of the Chinese Society of Agricultural Machinery, 2020, 51(6): 169-180.
    [35] 张智韬, 韩佳, 王新涛, 等. 基于全子集−分位数回归的土壤含盐量反演研究[J]. 农业机械学报, 2019, 50(10): 142-152. DOI: 10.6041/j.issn.1000-1298. 2019. 10. 016. Zhang Z T, Han J, Wang X T, et al. Soil salinity inversion based on best subsets-quantile regression model[J]. Transactions of the Chinese Society of Agricultural Machinery, 2019, 50(10): 142-152.
    [36] 王涛, 喻彩丽, 张楠楠, 等. 基于去包络线和连续投影算法的枣园土壤电导率光谱检测研究[J]. 干旱地区农业研究, 2019, 37(5): 193-199. DOI:  10.7606/j.issn.1000-7601.2019.05.29. Wang T, Yu C L, Zhang N N, et al. Spectral detection of electrical conductivity in jujube orchard soil based on continuum-removal and SPA[J]. Agricultural Research in the Arid Areas, 2019, 37(5): 193-199.
    [37] 王涛, 喻彩丽, 姚娜, 等. MLR和PLSR的沙壤土盐分含量光谱检测对比研究[J]. 干旱区地理, 2018, 41(6): 1 295-1 302. Wang T, Yu C L, Yao N, et al. A comparison of the salt content in sandy soil between the MLR model and PLSR model[J]. Arid Land Geography, 2018, 41(6): 1 295-1 302.
    [38] 尼加提·卡斯木, 师庆东, 郭玉川, 等. 基于EM38和WorldView-2影像的土壤盐渍化建模研究[J]. 土壤, 2019, 51(3): 594-601. DOI:  10.13758/j.cnki.tr.2019.03.024. Nijiati· Kasmu, Shi Q D, Guo Y CH, et al. Mapping and modelling of soil salinity using WorldView-2 data and EM38 in arid region of Keriya River, China[J]. Soils, 2019, 51(3): 594-601.
    [39] Kattenborn T, Maack J, Faβnaht F, et al. Mapping forest biomass from space-fusion of hyperspectral EO1- Hyperion data and Tandem-X and WorldView-2 canopy height models[J]. International Journal of Applied Earth Observations and Geo-Information, 2015, 35: 359-367. DOI:  10.1016/j.jag.2014.10.008.
    [40] Thenkabail P S, Enclona E A, Ashton M S, et al. Hyperion, IKONOS, ALI, and ETM+sensors in the study of African rainforests[J]. Remote Sensing of Environment, 2003, 90(1): 23-43. DOI:  10.1016/j.rse.2003.11.018.
    [41] 贾萍萍, 张俊华, 孙媛, 等. 基于实测高光谱和Landsat 8 OLI影像的土壤盐化和碱化程度反演研究[J]. 土壤通报, 2020, 51(3): 511-520. Jia P P, Zhang J H, Sun Y, et al. Inversion of soil salinity and pH degree based on measured hyperspectral and Landsat 8 OLI image[J]. Chinese Journal of Soil Science, 2020, 51(3): 511-520.
    [42] 贾萍萍, 尚天浩, 张俊华, 等. 利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量[J]. 农业工程学报, 2020, 36(17): 125-134. DOI:  10.11975/j.issn.1002-6819.2020.17.015. Jia P P, Shang T H, Zhang J H, et al. Inversion of soil salinity in dry and wet seasons based on multi-source spectral data in Yinbei Area of Ningxia, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(17): 125-134.
    [43] 尚天浩, 贾萍萍, 孙媛, 等. 宁夏银北地区盐碱化土壤水分光谱特征及模型拟合精度分析[J]. 水土保持通报, 2020, 40(4): 183-189. DOI:  10.13961/j.cnki.stbctb.2020.04.025. Shang T H, Jia P P, Sun Y, et al. Spectral characteristics of soil moisture in salinized soil and model fitting accuracy in northern Yinchuan City, Ningxia Hui Autonomous Region[J]. Bulletin of Soil and Water Conservation, 2020, 40(4): 183-189.
    [44] 张素铭, 赵庚星, 王卓然, 等. 滨海盐渍区土壤盐分遥感反演及动态监测[J]. 农业资源与环境学报, 2018, 35(4): 349-358. DOI:  10.13254/j.jare.2018.0016. Zhang S M, Zhao G X, Wang Z R, et al. Remote sensing inversion and dynamic monitoring of soil salt in coastal saline area[J]. Journal of Agricultural Resources and Environment, 2018, 35(4): 349-358.
  • [1] 于泉洲周蕾王绍强孙雷刚刘煜杰汤庆新曹建荣 . 基于EO-1 Hyperion的中国典型森林冠层高光谱特征分析*. 云南大学学报(自然科学版), 2018, 40(5): 947-954. doi: 10.7540/j.ynu.20170710
    [2] 汪金花曹兰杰郭云飞赵礼剑吴兵 . 铁尾矿高−多光谱遥感特征分析与信息识别. 云南大学学报(自然科学版), 2019, 41(5): 974-981. doi: 10.7540/j.ynu.20180656
    [3] 段焰青李青青者为王明锋夏建军王欣林邹楠邓国宾 . 近红外光谱相似度匹配分析方法鉴别烟支真伪. 云南大学学报(自然科学版), 2010, 32(4): 453-459 .
    [4] 陈天江王亚丽普小云 . 快速傅里叶变换在喇曼光谱信号噪声平滑中的应用. 云南大学学报(自然科学版), 2005, 27(6): 509-513.
    [5] 胡琳甘淑袁希平李雁付承彪宋春雨闫馨方 . 滇池不同空间分布水体的高光谱特征差异分析. 云南大学学报(自然科学版), 2020, 42(4): 695-700. doi: 10.7540/j.ynu.20190548
    [6] 马云强刘雪莲刘梦盈石雷张忠和赵宁 . 基于高光谱成像的不同花期薇甘菊特征分析及监测模型研究. 云南大学学报(自然科学版), 2021, 43(2): 290-298. doi: 10.7540/j.ynu.20200198
    [7] 伍冬兰谢安东余晓光万慧军 . 铝氢化物Al2Hn(n=1~6)团簇结构与光谱. 云南大学学报(自然科学版), 2012, 34(6): 673-678.
    [8] 俞帆董勤龚光林曾昭权刘刚 . 单晶硅片温度的拉曼光谱测定. 云南大学学报(自然科学版), 2002, 24(3): 202-203,217.
    [9] 刘品华迟绍明傅文甫于耀明赵希娟杨芬 . N,N-二(4-(6-2,2′-联吡啶)-苯甲基)-2-(氨甲基)吡啶的合成、结构和光谱性质. 云南大学学报(自然科学版), 2010, 32(3): 323-328 .
    [10] 彭泽瑜彭明春王崇云秦瑞潘燕李望军周瑞伍 . 金沙江流域(云南部分)植被光谱特征季节变化研究. 云南大学学报(自然科学版), 2013, 35(S2): 373-. doi: 10.7540/j.ynu.20130245
    [11] 翟阳阳陈竞博武宝明肖锋王雅圣魏高孟国营翟红李光 . 基于近红外漫反射光谱的煤灰分快速检测方法. 云南大学学报(自然科学版), 2013, 35(2): 214-218. doi: 10.7540/j.ynu.20120473
    [12] 段焰青陶鹰者为王明锋朱保昆黄静文叶灵李青青 . 近红外光谱分析技术在烟叶产地鉴别中的应用. 云南大学学报(自然科学版), 2011, 33(1): 77-82 .
    [13] 祖恩东段云彪张鹏翔 . 显微共焦拉曼光谱在宝石鉴定中的应用. 云南大学学报(自然科学版), 2004, 26(1): 51-55.
    [14] 阮春生张强陈林丁波洋方力陈穗云 . 不同烟草品种紫外-可见光谱特征的提取研究. 云南大学学报(自然科学版), 2009, 31(6): 616-624 .
    [15] 段焰青者为王明锋朱保昆黄静文叶灵李青青 . 近红外光谱分析技术在烟叶产地鉴别中的应用. 云南大学学报(自然科学版), 0, -1978(0): 0- .
    [16] 邹佳秀贾翔黄铁成陈蜀江来风兵尹小英汪东 . 天山北坡野苹果混生植被花期冠层光谱特征研究. 云南大学学报(自然科学版), 2018, 40(4): 726-733. doi: 10.7540/j.ynu.20170645
    [17] 闵良李俊杰王家强夏非 . 时间分辨红外光谱法测定乙醛的降解. 云南大学学报(自然科学版), 2007, 29(4): 401-403,407.
    [18] 赵霞马晓年丁中涛曹秋娥 . 锌试剂-蛋白质体系的共振光散射光谱研究. 云南大学学报(自然科学版), 2007, 29(5): 496-500.
    [19] 段焰青杨涛孔祥勇汤丹瑜李青青 . 样品粒度和光谱分辨率对烟草烟碱NIR预测模型的影响. 云南大学学报(自然科学版), 2006, 28(4): 340-344,349.
    [20] 李成刚赵永哲崔颍琦武冰洁申梓刚任保增胡燕飞 . CoB20团簇的几何结构、电子和光谱特性. 云南大学学报(自然科学版), 2021, 43(3): 532-537. doi: 10.7540/j.ynu.202000382
  • 加载中
图(6)表(9)
计量
  • 文章访问数:  225
  • HTML全文浏览量:  317
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-04
  • 录用日期:  2021-03-27
  • 网络出版日期:  2021-07-20
  • 刊出日期:  2021-09-15

基于实测高光谱和Sentinel-2B影像的银川平原土壤盐分反演

    作者简介:毛鸿欣(1994‒),男,宁夏人,硕士生,主要研究土壤遥感监测与分析. E-mail:2714563418@qq.com
    通讯作者: 贾科利, jiakl@nxu.edu.cn
  • 宁夏大学 地理科学与规划学院,宁夏 银川 750021

摘要: 土壤盐渍化是干旱半干旱区土壤资源损害、生境破坏和农业生产损失的重要影响因素,定量反演和监测盐渍化土壤,对防护土地生态安全具有重要意义. 文章基于光谱变换筛选盐分特征波段和特征光谱指数,构建实测高光谱和Sentinel-2B影像的岭回归模型和偏最小二乘回归盐分反演模型,并以特征光谱指数为敏感参量进行星‒地光谱匹配,构建匹配后盐分反演模型,实现银川平原土壤盐分定量反演. 结果表明,盐分指数3(Salinity index 3,S3)、强度指数1(Intensity index 1,Int1)和强度指数2(Intensity index 2,Int2)能够实现实测高光谱端元到多光谱像元尺度的匹配,有效地提升模型精度;经光谱匹配后构建的偏最小二乘模型精度最高(R2=0.721,RMSE=4.856 g·kg−1). 相比单独利用影像建模,其R2提升了0.309,均方根误差(Root Mean Square Error,RMSE)减小了2.085 g·kg−1. 盐分反演结果与实地采样具有较好一致性,表明特征光谱指数可为不同尺度遥感数据间光谱匹配与联合,实现地表点到空间面尺度盐渍化定量监测,为土壤盐分监测提供理论借鉴和实践参考.

English Abstract

  • 土壤盐渍化已成为中国生态文明建设和全球变化议题中的重要研究内容[1]. 盐渍土肥力低下,影响作物生长,阻碍农业经济可持续发展. 尤其在干旱、半干旱灌溉农业区,长期灌溉引起土壤次生盐渍化,对区域的农业生产和生态环境造成巨大影响,具有严重的生态环境风险,因而盐渍化监测和治理受到各界普遍关注.

    近年来,国内外学者利用遥感技术对土壤盐渍化监测和预测开展了较多研究. 如陈俊英等[2]将无人机航拍影像和高分1号卫星影像用于盐分反演模型构建;再屯古丽·亚库普等[3]引入土壤水分和pH因子,利用雷达遥感技术实现了土壤盐分预测;厉彦玲等[4]建立了高光谱和多光谱影像的机器学习和统计回归模型;陈实等[5]和安德玉等[6]通过构建土壤指数定量探究了盐分空间格局;吾木提·艾山江等[7]将实测高光谱与WorldView-2影像进行光谱匹配,提升了土壤盐分的预测精度和制图精度;马驰[8-9]基于Sentinel-1和Sentinel-2B影像,探究了哨兵影像反演土壤盐分的可行性,发现效果较好. 为提高模型精度,张贤龙等[10]基于15种光谱变换构建高光谱指数,能显著提升建模精度;Rocha等[11]利用PCA、一阶微分、和原始反射光谱作为极限学习机(Extreme Learning Machine,ELM)的输入参数,有助于提升模型的估算性能;张智韬等[12]和王海峰等[13]分别利用岭回归和灰度关联‒岭回归,可有效消除光谱变量间的共线性,提高反演精度. 此外,众多学者对于融合多光谱影像和实测高光谱数据反演土壤盐分做了较多研究,其一是寻找高‒多光谱数据间的敏感参量,进而实现不同尺度数据间的光谱匹配. 如王爽等[1]借助盐分指数SI3实现了实测高光谱到多光谱影像的光谱匹配;姚远等[14]利用SI2指数实现了TM影像和高光谱的光谱匹配. 另一种方法是利用重采样技术,通过传感器光谱响应函数,将实测光谱的连续波谱重采样至影像的对应波段上,从而进行分析和建模. 如梁静等[15]将美国ASD(Analytical Spectral Devices)公司生产的ASD FieldSpec 3光谱波段重采样至OLI(Operational Land Imager)影像的7个波段上;阿尔达克·克里木等[16]利用重采样技术将ASD与ASTER高光谱影像进行匹配. 但这种方法也存在一定缺点,其本质为利用加权平均方法使实测高光谱数据与多光谱影像的中心波长一一对应,结果难免会使原始高光谱数据失真. 且这些成果多以中空间分辨率影像作为数据源来反演土壤盐分. 以Sentinel-2B影像,并融合实测高光谱数据反演土壤盐分的研究较少,且利用岭回归方法构建土壤盐分反演模型的成果并不多见.

    因此,本文以银川平原为研究区,利用数理统计回归实现实测高光谱与Sentinel-2B影像间的地‒星光谱匹配,构建土壤盐分最优预测模型,实现银川平原土壤盐分的定量反演,其结果可为光谱匹配和不同尺度遥感数据联合反演土壤盐分提供理论借鉴和参考.

    • 银川平原位于宁夏回族自治区北部,地理坐标为105°45′~106°56′E,37°46′~39°23′N,南起青铜峡冲积扇口,北达石嘴山麻黄沟峡谷,西至贺兰山脊宁蒙分界,东达鄂尔多斯台地西南缘(图1(a)[17]. 银川平原由贺兰山洪积扇和黄河冲积平原两大地貌单元构成,东西宽42~60 km,南北长165 km[18-19],面积7615 km2. 地势自西向东、由南向北微倾,坡降比为0.6‰~1‰,形成一个巨大的“凹”字型地貌(图1(b)). 该区属温带半干旱大陆性气候,干旱少雨,蒸发强烈,年均降水量180~200 mm. 但湖泊密布,灌溉渠系纵横,成为水稻、小麦等作物的主产区. 长期的引黄灌溉和地下水埋深,加之强烈的地表蒸发,使盐渍化土壤分布广泛.

      图  1  银川平原位置、地形和采样点分布

      Figure 1.  Location,terrain,and distribution of sampling points of Yinchuan Plain

    • 基于ArcGIS软件,大致以5 km等间隔网格布设样点(图1(c)),利用美国ASD公司生产的FieldSpec 4野外便携式地物光谱仪进行光谱数据测定,其光谱范围为350~2500 nm,重采样间隔为1 nm. 土壤光谱反射率采集于2019年5月12—22日10:00—14:30进行,期间晴朗无风,光线充足. 采集时先用白板进行校正,选取地表面平坦光滑,远离植被阴影的区域,将光纤探头垂直对准地表进行光谱数据测定. 为使数据准确且具有代表性,每个样点采集5条光谱曲线取其均值作为该样点的光谱数据. 异常光谱曲线去除和光谱均值输出均在ViewSpecPro 软件中进行,并利用Origin 2018和ENVI 5.5软件进行光谱数据平滑去噪和连续统去除(Continuum Removal,CR)预处理.

    • 光谱采集后同点采集0~20 cm表层土装入自封袋中密封带回,利用手持GPS记录每个样点的经纬度坐标、采样日期、土样与光谱的对应编号及样点周围环境信息. 再将采集的土样剔除砖块、碎石、杂草等杂质,经自然风干、研磨、过2 mm(10目)孔筛[20],按照土水比1∶5配置浸提液[21],利用电导率法[22-23]计算其盐分含量. 经对测定结果及光谱数据进行分析,剔除异常样点后得到167个样本供试.

      参考文献[17],根据盐分含量进行土壤样本盐渍化程度分级. 银川平原盐渍化土壤分级和描述性统计分析如表1. 样本中盐渍化土壤样本共100个,约占样本的60%. 轻度盐渍化土壤样本占盐渍化样本比例为34%,盐土样本个数为44个,中度和重度盐渍化样本相对较少,约占总样本的13%. 样本土壤含盐量总体变异系数超过160%,变异性较强,表明样本分布离散,对土壤盐渍化反演模型建立具有普适性.

      程度w(全盐)/
      (g·kg−1
      样本数样本均值w(盐)/
      (g·kg−1
      最大值w(盐)/
      (g·kg−1
      最小值w(盐)/
      (g·kg−1
      各等级变异
      系数/%
      总样本变异
      系数/%
      非盐渍化<1.0670.610.9720.11631.079163.678
      轻度盐渍化1~2341.3261.9271.00321.179
      中度盐渍化2~4133.1343.8992.29516.878
      重度盐渍化4~695.425.7565.0724.366
      盐土>64418.12453.2626.22764.212

      表 1  银川平原土壤盐渍化程度及样本统计

      Table 1.  Soil salinization degree and sample statistics in Yinchuan Plain

    • 研究使用的Sentinel-2B影像从欧洲航天局数据网站(https://scihub.copernicus.eu/)获取,影像有13个波段,光谱范围为400~2400 nm,基准面为WGS84,地图投影为UTM投影,空间分辨率为10 m.

      选用覆盖研究区的5景Sentinel-2 L1C级数据产品,轨道号为61,数据时间为2019年5月22日,与野外采样时间对应. 数据已经过像元级几何精校正和正射校正,为实现大气表观反射率到地表辐射率间的转换,利用ESA自带插件Sen2cor进行Sentinel-2B数据生产和大气校正,于SNAP软件中进行重采样(重采样后剔除了卷云波段)和文件格式转换,最后在ENVI 5.5中进行波段合成和无缝镶嵌,利用研究区矢量边界裁剪拼接好的影像,得到研究区影像数据.

    • 为减弱和消除背景噪声,突出拐点和最值特征[24-27],增强吸收和反射特征[28-32],提高光谱敏感性与相关性,本文基于实测高光谱反射率做了对数、倒数、一阶微分、二阶微分、CR、SG(Savitzky-Golay,SG)等多种光谱变换,并与土壤盐分进行相关性分析.

      借助土壤光谱指数探究盐渍土对其上覆植被特征的响应和进行盐渍化信息提取已成为一种重要技术手段[33-35]. 植被长势是土壤盐分很好的指示因子,植被指数高低能在一定程度上反映土壤含盐量的多少. 参考已有研究成果,选取常用光谱指数见表2.

      土壤光谱指数公式文献
      盐分指数 S1=ρBlue/ρRed [33]
      S2=(ρBlueρRed)/(ρBlue+ρRed [33]
      S3=ρRed×ρNIR/ρGreen [33]
      SI-T=(ρRed/ρNIR)×100% [15]
      NDSI=(ρRedρNIR)/(ρRed+ρNIR [15]
      SI1=(ρBlue×ρRed0.5 [33]
      SI2=(ρGreen2+ρRed2+ρNIR20.5 [15]
      SI3=(ρGreen2+ρRed20.5 [15]
      植被指数 NDVI=(ρNIRρRed)/(ρNIR+ρRed [15]
      CRSI=[(ρNIR×ρRed)‒(ρGreen×ρBlue)]/(ρNIR×ρRed)+(ρGreen×ρBlue)]0.5 [15]
      SAVI=(ρNIRρRed)/(ρNIR+ρRed+L)×(1+L [15]
      ENDVI=(ρNIR+ρSWIR2ρRed)/(ρNIR+ρSWIR2+ρRed [15]
      Int1=(ρGreen+ρRed+ρNIR)/2 [15]
      Int2=(ρGreen+ρRed)/2 [15]
      ρBlueρGreenρRedρNIRρSWIR2分别对应Sentinel-2B影像的B2、B3、B4、B8、B12波段,L=1.

      表 2  植被指数和土壤盐分指数计算

      Table 2.  Calculation of vegetation indices and soil salinity indices

    • 岭回归模型(Ridge Regression,RR)是以牺牲无偏估计和部分建模精度,获取更为稳定可靠模型的一种改良最小二乘法,因其具有变量自动筛选和共线性消除功能,被广泛应用于光谱模型构建[12-13]. 偏最小二乘回归模型(Partial Least Squares Regression,PLSR)兼具多元逐步线性回归模型(Multivariable linear Stepwise Regression,MLSR)、主成分模型(Principal Component Analysis,PCA)以及简单线性回归的优势,既能依据相关性进行变量自动筛选,又可保证模型稳定性,近年来被广泛应用于高光谱数据建模[36-38]. 本文RR模型的构建在SPSS 22中编写代码实现,PLSR模型的构建在SIMCA-P 12.0软件中进行. 利用决定系数R2、RMSE评价模型的拟合度,R2越大、RMSE越小则模型预测效果越佳,将样本按含盐量从小到大进行排列,按留二选一的方法划分全部样本,得到110个建模样本和57个验证样本.

    • 图2(a)不同盐渍化程度土壤高光谱反射光谱曲线可知,400~1300 nm光谱反射率随着波长增加而逐渐增加,其中在400~750 nm曲线的斜率最大,形成了反射的“陡坡”. 在1450 nm和1950 nm附近有2个明显的吸收谷,为水体的吸收带. 在2200~2500 nm,反射率逐渐减小,从不同程度盐渍化土壤光谱反射率看,盐土光谱在整个波段范围都具有最大反射率. 非、轻、中、重盐渍化土壤在450~1800 nm,盐分含量越高其反射率越大. 在 1800~2500 nm,不同程度盐渍化土壤光谱反射率没有明显规律,但随着盐分的增加,反射率有下降的趋势.

      图  2  银川平原不同程度盐渍土光谱曲线

      Figure 2.  Spectral curves of soil with different degrees of salinity in Yinchuan Plain

      利用ArcGIS“Extract Multi values to points”工具获取各样点在Sentinel-2B影像上逐波段光谱反射率,并按盐分等级进行均值处理,得到多光谱反射率曲线(图2(b)). 由图2(b)可知,在可见光范围内,光谱反射率随波长的增加持续上升,于780 nm附近达到反射顶峰后开始逐渐下降,并于2200 nm处到达吸收谷,曲线走势与高光谱反射光谱特征一致. 但由于多光谱影像光谱分辨率较小,难以识别地物的细微光谱特征变化,在1640 nm后重度盐渍化和盐土曲线下降速度较快,没有呈现出明显规律性变化.

    • 对土壤实测光谱反射率做对数、倒数、一阶微分、二阶微分、CR、SG等变换,与土壤含盐量进行相关性分析. 由图3可知,R、[lg(R)]′、[lg(1/R)]′、SG和(SG)0.5与土壤含盐量的最大相关系数绝对值依次为0.632、0.703、0.696、0.629、0.614,相关性较好,所含特征波段较多. 其中[lg(R)]′为最优光谱变换,其最大相关系数达到了0.703,相关性较大的波段为435、500、499、498 nm和501 nm. 故本文以这些波段为特征波段构建模型.

      图  3  银川平原高光谱反射率数学变换与土壤盐分的相关性

      Figure 3.  Correlation between mathematical transformation of hyperspectral reflectance and soil salinity in Yinchuan Plain

      基于敏感波段衍生计算高光谱指数,并与含盐量进行相关分析,依据Pearson相关系数选取特征光谱指数,进行土壤盐分与实测光谱反演模型的构建. 表3所列出的6个特征高光谱指数与盐分相关性较好,且均在0.01置信水平上显著,部分指数相关性较低,文中未详细列出. 为与多光谱指数对应,选用SI1、SI2、SI3、S3、Int1、Int2为建模所用的特征光谱指数.

      高光谱指数表达式R
      SI1ρ435×ρ5000.5‒0.898**
      SI2ρ4352+ρ5002+ρ50120.5‒0.896**
      SI3ρ4352+ρ50020.5‒0.902**
      S3ρ435×ρ498/ρ501‒0.881**
      Int1ρ435+ρ500+ρ498)/2‒0.893**
      Int2ρ435+ρ500)/2‒0.900**
      ρ435ρ500ρ501ρ498为筛选出的4个特征波段;**表示P<0.01;*表示P<0.05,下同.

      表 3  高光谱指数与含盐量的相关性

      Table 3.  The correlation between hyperspectral indices and soil salt content

      利用RR和PLSR方法,分别基于高光谱特征波段和特征光谱指数进行盐分反演模型构建. 表4表明,基于实测光谱数据构建的RR和PLSR盐分反演模型决定系数均通过0.01置信水平检验,显著性相差不大. 其中,基于特征波段构建的PLSR模型拟合度最高.

      建模方法建模因子模型表达式R2RMSE/
      (g·kg−1
      RR435、500、499、
      498 nm及501 nm
      Y=0.005‒1.028ρ435‒0.311ρ500‒0.271ρ498‒0.263ρ499‒0.372 ρ5010.808**4.740
      S3、Int1、Int2Y=50.029‒6183.479×S3‒4208.201×Int1‒ 9797.519×Int20.811**4.659
      PLSR435、500、499、
      498 nm及501 nm
      Y=50.079‒18245.520ρ435‒711.615ρ500‒219.636ρ498‒1.089ρ499‒1524.400 ρ5010.821**4.447
      S3、Int1、Int2Y=50.739‒6792.835×S3‒5447.920×Int1‒7755.753×Int20.810**4.586

      表 4  基于特征波段和衍生高光谱指数的盐分反演模型构建

      Table 4.  Construction of salt inversion model based on sensitive band and derived hyperspectral index

    • 在ENVI软件中利用“Band Math”计算表3所示植被指数和盐分指数,并在ArcGIS软件中运用“Extract Multi values to points”工具提取各样点对应多光谱指数值. 将提取的多光谱反射率和多光谱指数进行数学变换,并与含盐量进行相关性分析,筛选多光谱最优变换、特征波段和特征光谱指数.

      表5表明,土壤盐分与影像各波段反射率的相关性在0.01置信水平上通过检验. 其中,光谱倒数变换与含盐量呈正相关关系,其余3种变换与盐分呈现负相关关系. 多光谱反射率经1/R变换后与盐分相关性较好,B6波段与盐分的相关系数达到最大值0.502. 经RR0.5、lg(R)变换后与盐分的最大相关系数分别为0.473、0.475、0.488,对应波段分别为B11、B11、B8. lg(R)变换特征波段最多,有6个波段相关系数绝对值大于0.45.

      变换B1B2B3B4B5B6B7B8B8aB9B11B12
      R0.289**0.291**0.313**0.321**0.368**0.421**0.379**‒0.380**0.379**0.358**0.473**0.447**
      1/R0.348**0.273**0.315**0.246**0.421**0.502**0.499**0.464**0.451**0.309**0.302**0.312**
      R0.50.325**0.298**0.318**‒0.320**0.384**0.452**0.423**0.425**0.424**0.381**0.475**‒0.460**
      lg(R‒0.360**0.299**‒0.320**0.311**0.399**0.477**0.458**0.488**0.452**0.381**0.451**0.449**
      **表示P<0.01,*表示P<0.05,下同.

      表 5  含盐量与影像各波段反射率的相关性

      Table 5.  Correlation between soil salinity and reflectance of multispectral bands

      表6表明,光谱指数SI1S3、Int1、Int2和冠层响应植被指数(Canopy Response Salinity Index,CRSI)与土壤盐分相关性较好. 除1/R变换外,其余变换的SI1S3和Int2均在0.01置信水平显著. 其中S3指数对盐分的响应程度最好,除1/R变换外相关系数绝对值均大于0.5,经lg(R)变换后与含盐量相关性最好(0.535). 其余光谱指数与盐分相关性较低,相关系数未通过置信度检验.

      变换SI3SI2SI1SI-TSAVIS3S2S1NDSINDVIInt2Int1ENDVICRSI
      R ‒0.053 0.009 0.312** 0.119 ‒0.066 0.508** ‒0.054 ‒0.026 0.066 ‒0.066 0.321** 0.447** ‒0.176 ‒0.380**
      1/R ‒0.133 ‒0.070 0.100 ‒0.133 0.133 0.087 0.370** 0.027 0.264* 0.029 0.061 0.474** 0.297** 0.522**
      R0.5 ‒0.049 0.013 0.314** 0.078 ‒0.029 0.525** ‒0.047 0.002 0.323** 0.471** 0.205* 0.378**
      lg(R ‒0.043 0.018 0.309** 0.034 0.535** ‒0.066 0.038 0.321** 0.494** 0.085 0.375**

      表 6  含盐量与多光谱指数的相关性

      Table 6.  Correlation between soil salinity and multispectral indices

      基于上述分析,选取1/R变换后的B6、B7、B8、B8a波段作为特征波段,lg(R)变换后的S3、Int1、Int2指数作为特征光谱指数,构建多光谱RR和PLSR盐分反演模型. 如表7所示,多光谱RR和PLSR模型显著性相差不大,但特征光谱指数模型整体略高于特征波段模型,其中基于特征光谱指数的PLSR模型RMSE最小,拟合度最高. 由于采样时间为2019年5月中旬至下旬,此时植被长势良好,反映在多光谱影像上多为混合像元,采样点提取的土壤光谱反射率不可避免地掺杂了植被光谱特征. 为减小植被等的影响,本文基于特征光谱指数进行高‒多光谱数据融合,以精度较高的高光谱反演模型修正多光谱模型,以提升模型反演精度.

      建模方法建模因子模型表达式R2RMSE/(g·kg−1
      RRB6、B7、B8、B8aY=‒3.061+0.715B6+0.713B7+0.434B8+0.256B8a0.399**7.051
      S3、Int1、Int2Y=‒9.009‒16.336×S3‒11.484×Int1+1.076×Int20.412**6.941
      PLSRB6、B7、B8、B8aY=‒2.008+0.633B6+0.746B7+0.412B8+0.395B8a0.396**6.902
      S3、Int1、Int2Y=‒9.083‒23.425×S3‒10.872×Int1+2.435×Int20.410**6.830

      表 7  多光谱RR和PLSR反演模型

      Table 7.  Multispectral RR and PLSR inversion model

    • Sentinel-2B影像的光谱混合像元难以准确探测地物细微的光谱特征,所构建模型难以实现空间范围内的准确反演. 实测高光谱反射率光谱特征连续,可视为遥感影像的纯净像元,能够实现地表参量的精细探测. 为提升土壤盐分反演精度,本文对3种特征光谱指数进行曲线估计,选取最优拟合度模型进行高光谱实测端元和多光谱像元间的光谱匹配,实现地面点到空间面域尺度的土壤盐渍化反演.

      图4可知,光谱指数S3和Int2以三次多项式曲线模型为最优拟合度模型,Int1指数的最优拟合度模型为幂模型. 3种高‒多光谱指数间均为正相关关系,其中Int2指数(R2=0.740,RMSE=0.023 g·kg−1)拟合度最高,光谱数据融合效果最好.

      图  4  银川平原高‒多光谱敏感光谱指数融合

      Figure 4.  Fusion of hyperspectral-multispectral sensitive indices in Yinchuan Plain

      利用光谱匹配后的多光谱指数构建RR和PLSR盐分反演回归模型(表8),拟合度比表9中单独影像建模(R2=0.412,RMSE=6.941)有了较大提升,R2最大值提升了0.309,RMSE减小了2.085 g·kg−1. 其中,PLSR模型较RR模型拟合度更好,其R2更大,RMSE更小,表明基于光谱匹配后建立的PLSR模型为最优盐分反演模型.

      建模因子建模方法模型表达式R2RMSE/(g·kg−1
      S3、Int1、Int2RRY=22.469‒11.299×S3‒19.317×Int1‒46.143×Int20.715**4.872
      PLSRY=20.221‒24.232×S3‒20.326×Int1‒8.096×Int20.721**4.856

      表 8  光谱匹配后RR和PLSR盐分反演模型

      Table 8.  Salt inversion model of RR and PLSR after spectral matching

      利用验证集样本对拟合度最高的高光谱反演模型、多光谱反演模型和光谱匹配后反演模型进行验证,结果如图5所示. 各反演模型均能通过验证,其中高光谱反演模型验证精度最高,多光谱最低,经光谱匹配后的反演模型验证精度较多光谱模型也有较大提升. 可见,基于特征光谱指数进行地表实测高光谱与影像间光谱匹配,进而提升单独利用影像构建模型的精度是可行的. 因此,本文基于光谱匹配后反演模型预测银川平原空间尺度上的盐渍化分布格局.

      图  5  银川平原土壤盐分的不同光谱数据模型验证(单位:g·kg−1

      Figure 5.  Validation of different spectral data models of soil salinity in Yinchuan Plain(unit:g·kg−1

    • 利用光谱匹配后PLSR反演模型对银川平原土壤盐分进行预测,并按盐分含量进行分级和统计,结果如图6表9. 银川平原盐分空间格局总体呈现南轻北重分布趋势. 原因可能是平原北部地势低洼、地下埋水较深且蒸发强烈、引黄河水和沟渠灌溉且排水不畅,盐分极易于土壤表层聚积形成盐结皮、盐壳、和龟裂碱土等现象,如平原北部平罗县、大武口区,以及黄河沿岸主要分布盐土,且面积较大,占盐渍化总面积的59.38%. 而平原南部地势高,且作为黄河入水口排水顺畅,携带盐基离子外流,土壤积盐较少,如平原南部永宁县、青铜峡市和利通区主要分布非盐渍化和轻度盐渍化土,占区域总面积的29.87%. 反演结果与实际采样情况较为一致,表明光谱匹配后的反演模型可用于该区土壤盐分预测.

      图  6  银川平原土壤盐分反演

      Figure 6.  Inversion result of soil salinity in Yinchuan Plain

      盐渍化等级像元数面积/km2占比/%
      非盐渍化159595391595.95422.451
      轻度盐渍化5272784527.2767.418
      中度盐渍化9044348904.43512.723
      重度盐渍化8074456807.44611.359
      盐土327335543273.35546.049

      表 9  银川平原不同等级盐分反演像元数及占比

      Table 9.  Number and proportion of inversion pixels of different grades of salinity in Yinchuan Plain

    • 融合多源卫星影像数据进行优势互补,从而反演土壤盐分已成为盐分预测和空间可视化表达的重要手段. 如利用WorldView-2[39]、IKONOS[40]等高分辨率的多光谱影像与Hyperion高光谱影像数据融合,与OLI[4]中分辨率多光谱影像和HIS高光谱影像的数据融合能有效地提升盐分预测精度. ASD地表实测高光谱数据的光谱连续,像元相对纯净,能够实现地表参量的精细探测,已被广泛用于卫星影像融合和模型精度提升. 如贾萍萍[41-42]和尚天浩等[43]利用重采样法实现了ASD高光谱和OLI影像的数据融合,构建了宁夏银北地区土壤盐分的高精度预测模型;王爽[1]和姚远等[14]借助统计回归法进行了ASD数据与TM影像数据的尺度转换. 同时,数理统计回归法也被认为是衔接和转换地−星光谱关系的一种有效途径,因此本文利用数理统计回归法进行地−星光谱匹配具有可行性和普适性.

      利用统计回归方法进行光谱数据匹配,对于实现由点及面的方法实践,解决单纯利用影像建模精度较差等问题具有重要意义. 研究表明,利用敏感波段构建的特征光谱参量[44]和进行光谱数学变换[10]能有效增强光谱响应特征,提升模型精度. 本文以3种光谱响应指数S3、Int1、Int2为匹配参量,通过回归方法实现地−星遥感数据光谱匹配,发现数据匹配后的模型能有效地提升模型精度,相比单独利用影像建模,其R2提升了0.309,RMSE减小了2.085 g·kg−1,且反演结果与野外实地采样具有一致性,均呈现出盐分北高南低的空间格局特征,这与孙亚楠等[34]的研究结果一致.

      由于土壤盐分受到地下水、地势、降水量、灌溉渠系分布等空间因子的影响,本文利用光谱反射率和土壤盐分较好的光谱响应关系,构建统计回归模型对盐分空间分布格局进行了定量估测,未考虑这些因素对盐渍化的影响;且Sentinel-2B多光谱影像为中等空间分辨率数据,所构建模型的普适性有待进一步验证. 下一步将机器学习和深度学习等方法用于土壤盐渍化反演,期望进一步提高模型的反演精度和普适性.

    • 本文基于实测高光谱和Sentinel-2B影像数据,通过光谱变换,选取特征波段和特征光谱指数,构建RR和PLSR盐分反演模型,并以特征光谱指数为光谱参量进行地‒星数据光谱匹配,利用数据匹配后的模型对银川平原土壤盐分进行了定量反演. 主要结论如下:

      (1)光谱变换能显著地提高盐分与光谱反射率敏感程度. 高光谱最优变换为[lg(R)]′,特征波段为ρ435ρ500ρ499ρ498、和ρ501. 1/R变换后B6、B7、B8和B8a为多光谱特征波段,lg(R)变换后S3、Int1、Int2指数为多光谱特征光谱指数.

      (2)以特征光谱指数为敏感参量,对于实现高光谱实测端元到多光谱影像像元尺度间的过度,提升高‒多光谱融合反演模型精度是行之有效的.

      (3)经光谱数据匹配后构建的PLSR模型为最优盐分反演模型,其精度比单独影像建模有了较大提升,R2提升了0.309,RMSE减小了2.085 g·kg−1.

      (4)利用光谱数据匹配后的模型对银川平原空间范围内土壤盐分进行预测,反演结果与野外实地调研具有较好的一致性. 银川平原盐分空间格局表现为南轻北重,盐渍化土壤类型多为重度盐渍化土和盐土,南部主要分布非盐渍化和轻度盐渍化土.

参考文献 (44)

目录

    /

    返回文章
    返回