土壤盐分含量遥感反演研究

钟晓满

摘 要： 土壤盐碱化使干旱、半干旱地区稀缺的土地资源退化，也是亟待解决的生态环境大难题。遥感技术在获取盐碱地土壤性质、空间分布、盐碱化程度等信息上具有高效性和即时性。土壤盐分含量反演比较复杂，不是一个简单的线性问题。本文以山东省东营市垦利县为研究区，对LandSat遥感影像各波段作相关性分析，发现土壤盐分对近红外波段较敏感，将影像反射率值数学变化后，相关性明显提高，建立了土壤盐分含量反演的多元回归模型，并将之应用于影像，提取盐碱地特征信息，为研究区盐碱地监测和治理提供参考和帮助。

关键词： 垦利县； 土壤盐碱化； 遥感； 反演

前言

国外利用卫星遥感监测土壤盐碱化始于 20世纪70年代。近期国内诸多学者对中国盐碱地进行深入研究，彭望琭将地下水埋深、地下水矿化度和地貌等因子，借助地理信息系统 （GIS）技术、遥感数据和专家知识树系统，构建土壤盐碱化数学模型；关云秀对土壤盐碱化进行科学分类，提供一定参考价值；王明宽结合Landsat 8影像，建立了土壤盐分遥感反演的BP神经网络、偏最小二乘回归、主成分分析、多元线性回归多种模型，并进行比较分析，精度较高。

通过对国内外成果总结比较发现，研究多拘于关系定性探讨，而基于遥感影像光谱数据的分析和定量的机理研究甚少，精度和科学性存在不足。

1. 研究区概况

垦利县位于山东省东北部，黄河三角洲地区的黄河最下游入海口处，位置为北纬37°24′～38°10′，东经118°15′～119°19′。东濒渤海，西北与利津县隔黄河相望，南接东营市东营区，东北部与东营市河口区毗邻。垦利县属黄河冲积平原，地形沿黄河走向，自西南向东北倾斜，地面坡度为万分之一。主要土壤类型有褐土、潮土、盐土、水稻土和砂姜黑土。

2. 研究方法

2.1 数据获取及数据预处理

遥感影像的选取，直接影响分析的效果，为了得到较好的结果，本文选用最新的LandSat8遥感影像。考虑到云量、植被、水分等对土壤盐分反演的影响，选用的垦利县的数据下载自USGS网站，为2015年3月14日的Landsat8卫星的数据，该数据云量为7%，符合要求。

2.1.1 辐射定标

利用ENVI5.1软件进行辐射定标，ENVI5.1工具箱中查找工具：/Radiometric Correction/Radiometric Calibration；利用此工具，设置好定标参数（注意参数设置要符合FLAASH大气校正的要求），进行辐射定标，得到定标后的图像。

2.1.2 大气校正

虽然对于影像分类、变化检测的情况不需要进行大气校正，但大气校正作为光学遥感信息定量化研究中必不可少的一步，已受到越来越多的重视。近年来，传统的大气校正方法也在不断改进，越来越多的大气校正模型将更多的大气参数纳入定量分析范围，以提高大气校正的精度和适用性。

本文运用FLAASH大气校正法，选择大气模型参数和野外气溶胶模型，去除大气对影像干扰，使得地表覆被波谱曲线接近真实值。

2.1.3 图像配准

打开ENVI5.1，在Toolbox中启动工具：Geometric Correction>Registration>Image Registration Workflow。注意连接点的误着值要小于1.5，删除误差大的点。

2.1.4 图像裁剪

打开校正后的影像，在ToolBox中找到Regions of Interest/Subset Data from ROIs工具，裁剪影像，方便之后的数据处理，结果为图1。

2.1.5 提取对应点的反射率

将传感器原始记录信号反演为地面反射率对于遥感定量化应用非常重要。经过辐射定标、大气校正，得到能够反应地表反射率的遥感影像，再将此影像进行配准，便可对相应点的地表反射率的值进行提取。在这里，利用ArcGIS10.2中“多值提取至点”的工具，对地表反射率进行提取。注意：提取后的反射率为扩大10000倍的结果。

3. 土壤盐分含量遥感反演

3.1 土壤盐分的性状

土壤盐分大多是土壤中的易溶性盐，包括钠、镁等阳离子和氯等阴离子。本文的全盐含量还包括土壤中不溶解的盐，顾名思义，就是指土壤中全部的盐含量。含盐土壤大多呈碱性反应，植被稀疏，因为当土壤中的含盐量大于0.1%时，一般植物是会受到影响的，甚至是不能够生长的。

3.2 统计模型的构建与分析

建立模型时输入的自变量与因变量之间需要达到一定要求（一般要求相关系数要大于0.5），需要提高土壤地表反射率与土壤盐分含量的相关性，本文对各波段地表反射率进行对数、指数数学变换。经反复试验，取对数后，相关系数P有了明显的提高，其中第5波段即近红外波段（845nm～885nm）的反射率与土壤盐分含量的相关系数P最高。

引入自变量的增多，会导致复相关系数增大，模型解释比率（校正的R2）也随之增大。模型2的R2为0.6，拟合优度较高。

根据结果，可以得出，两个模型都具有统计学意义，自变量与因变量是显著相关的，可以很容易得出逐步回归分析的回归议程依次为：

①Y=-0.018×X1-0.382

②Y=-0.029×X1+2.536××X2+2.664

X1为LN（B5），X2为LN（B52）/B52，方程2即为最优的回归方程，从回归方程中可以看出，土壤含盐量与X1，X2存在着一定的线性关系。

4. 模型应用于影像

4.1 遥感反演理论

遥感的本质是反演，而从反演的数学角度来看，反演是在遥感信号或遥感数据与地球表面规律趋势之间构建关系模型，即反演的对象其实就是构建的关系模型。目前定量遥感理论研究不足，大都用很少的数据信息通过数学的方法去模拟或者预测地表特征或者状况，这样可能会与实际情况不符。

4.2 ENVI实现定量反演

通過对数据统计和分析，构建土壤地表反射率与土壤盐分含量的统计模型。借助ENVI软件，编写IDL程序运算分析，用反演模型对遥感影像进行计算，实现土壤中盐分估测。在BandMath工具，输入以下公式：

-0.029×a×log（b5）+2.536×（a×log（b5×b5）/（b5×b5））+2.664

将所得的图像进行处理，得到图2。

从绿—蓝—红土壤的含盐量依次递增，图中大概可以看出靠近海岸的土壤含盐量较高。

5结论与讨论

本文在获取土壤样品全盐含量与研究区遥感影像的基础上，通过数学变换，尤以对数变换为主，提高了光谱与土壤盐分含量的相关性，可以看出LandSat8卫星影像的第5波段，即近红外波段（845nm～885nm）为土壤盐分含量的敏感波段。并通过多元线性回归的方法建立了传统的统计模型，但通过检验可知，在此模型上进行土壤盐分含量的遥感反演并不是特别理想。

综上，传统的统计模型对于土壤盐分含量的反演不能达到令人满意的效果，而BP神经网络模型可以提高盐分预测精度。但遥感影像特征与土壤盐分信息之间关系复杂，BP神经网络模型也很难定量表达其关系，因此神经网络在土壤含盐量的反演中的研究还有待进一步深入。

参考文献：

[1] 彭望琭， 李天杰. TM数据的Kauth-Thomas变换在盐渍土分析中的作用--以阳高盆地为例[J]. 遥感学报， 1989（3）：183-190.

[2]关元秀， 刘高焕. 黄河三角洲盐碱地动态变化遥感监测[J]. 国土资源遥感， 2003， 56（2）：19-22.

[3] 王明宽， 莫宏伟， 陈红艳. 基于多光谱影像反演土壤盐分的建模方法研究[J].