尹 君，張 東，劉 鑫，陶 旭

（南京師范大學(xué) 地理科學(xué)學(xué)院，江蘇 南京210023）

潮灘是海陸交互作用的地帶，擁有豐富的生物、海洋能等資源，對人類生活和經(jīng)濟(jì)活動具有重要意義［1］。淤泥質(zhì)潮灘是潮灘的一種重要類型，在我國分布廣泛。由于其自身的自然特性以及潮汐水位變動等因素的影響，遙感是研究和監(jiān)測淤泥質(zhì)潮灘地物信息變化的重要技術(shù)手段［2－4］。對于潮灘地區(qū)而言，其獨(dú)特的水動力及沉積動力環(huán)境使得地表反射率光譜受到沉積物粒徑、含水量等因素的影響，其中水分對利用遙感手段準(zhǔn)確提取地物信息起著關(guān)鍵作用。同時潮灘表層沉積物含水量與潮灘的高程、潮侵率等要素有關(guān)，因此準(zhǔn)確提取潮灘沉積物含水量有助于進(jìn)一步了解潮灘特性，推動相關(guān)科學(xué)研究的開展以及潮灘資源的開發(fā)利用［5］。

目前針對潮灘沉積物含水量的遙感研究主要集中在多光譜遙感解譯方面，代表性的研究有：張鷹等［1］結(jié)合地表實(shí)測光譜和同步含水量測量，建立了潮灘沉積物含水量的遙感反演模型，初步獲取了潮間帶光灘區(qū)的含水量空間分布，結(jié)果表明利用遙感技術(shù)快速獲得潮間帶沉積物含水量是可行的；沈永明等［5］利用Landsat TM遙感影像進(jìn)行多種圖像處理，找出TM圖像與潮灘表層沉積物含水量相關(guān)系數(shù)絕對值最高的數(shù)字圖像處理方法，然后結(jié)合傅立葉變換處理，實(shí)現(xiàn)了潮灘沉積物含水量模型的推算。以上這些方法雖然可以從遙感影像中提取沉積物含水量，但是由于許多地物光譜吸收特征在吸收深度一半處的寬度為20～40nm，因而多光譜傳感器不足以用于沉積物含水量監(jiān)測，無法準(zhǔn)確反映潮灘沉積物含水量的變化［6］。為了構(gòu)建更加適合潮灘區(qū)的沉積物含水量遙感反演模型，以便從影像光譜信息中快速、準(zhǔn)確地獲取含水量信息，高光譜遙感數(shù)據(jù)的應(yīng)用是一種有效解決方案。

據(jù)此，本研究通過實(shí)驗室環(huán)境下采集不同類型沉積物樣本的含水量及同步的實(shí)測光譜曲線，在對波段反射率數(shù)據(jù)進(jìn)行統(tǒng)計分析的基礎(chǔ)上，結(jié)合現(xiàn)有的土壤含水量簡化模型形式和常用的4種植被指數(shù)模型形式，構(gòu)建適合于淤泥質(zhì)潮灘表層沉積物含水量遙感反演的半經(jīng)驗?zāi)Ｐ停瑢?shí)現(xiàn)含水量的準(zhǔn)確預(yù)測。該模型的建立可有效削弱含水量對潮灘地物信息遙感采集帶來的影響，提高潮灘地物遙感反演的精度。

1 數(shù)據(jù)獲取

1.1 研究區(qū)概況

本研究選取2個研究區(qū)，分別為鹽城市的大豐王港潮灘（120°45＇～120°57＇E，33°03＇～33°16＇N）和新洋港潮灘（119°48＇～120°56＇E，32°34＇～34°28＇N）。研究區(qū)灘面平坦，表層沉積物主要為粉砂，是典型的粉砂淤泥質(zhì)海岸。其中大豐王港潮灘位于蘇北輻射沙脊群內(nèi)側(cè)的潮間帶，水動力條件主要受南黃海旋轉(zhuǎn)潮波和蘇北沿岸流的影響［7］；新洋港位于鹽城珍禽國家級自然保護(hù)區(qū)的核心區(qū)內(nèi)，是里下河地區(qū)主要入海水道之一。

1.2 野外樣品采集與分析

在大豐王港采樣的時間為2008－06－01－05，在新洋港采樣的時間為2011－07－06－08，分別采集潮灘表層約1cm厚的土樣。采樣時使用密封袋對樣品密封、編號并保存。采樣區(qū)及采樣點(diǎn)位置如圖1所示，兩個潮灘共采集230個沉積物樣本。使用Malvern MasterSizer 2000激光粒度儀對樣品進(jìn)行沉積物粒度參數(shù)分析，然后根據(jù)Shepard分類方法進(jìn)行分類。經(jīng)分析，樣品一共可分為5類：粉砂、砂質(zhì)粉砂、粉砂質(zhì)砂、砂和粘土質(zhì)粉砂。

圖1 研究區(qū)采樣點(diǎn)示意圖Fig.1 Locations of sampling points in the study area

1.3 沉積物含水量及光譜數(shù)據(jù)的獲取

1.3.1 實(shí)驗儀器及實(shí)驗環(huán)境介紹

沉積物光譜測量采用美國ASD公司的全光譜便攜式光譜分析儀（ASD FieldSpec Pro FR），儀器波長范圍為350～2 500nm。為了便于沉積物樣品的存放、稱重、烘干，統(tǒng)一使用直徑為9cm，高度為1.6cm的培養(yǎng)皿盛放實(shí)驗樣品。在暗室中進(jìn)行實(shí)驗，采用ASD自帶的50w鹵素?zé)羧斯す庠刺峁┢叫泄?。人工光源照射方向與垂直方向夾角15°，光源距離培養(yǎng)皿的垂直高度為50cm。光譜儀探頭選取5°視場角，距離培養(yǎng)皿20cm且垂直于培養(yǎng)皿架設(shè)。測試時培養(yǎng)皿邊壁進(jìn)行涂黑處理，上方用中心被剪成直徑約為6cm的圓形黑色吸光絨布遮蓋，以進(jìn)一步減少光線的二次反射對光譜測量結(jié)果的影響。

1.3.2 沉積物含水量及光譜數(shù)據(jù)采集

實(shí)驗共選取40個沉積物樣本，實(shí)驗選點(diǎn)的空間分布如圖1所示，其中粉砂5個，粉砂質(zhì)砂12個，砂8個，砂質(zhì)粉砂10個，粘土質(zhì)粉砂5個。測量前，清洗、烘干培養(yǎng)皿并記錄培養(yǎng)皿凈重。為使實(shí)驗更加接近野外實(shí)測條件，將測試的沉積物樣本放入燒杯并加入約400mL的海水?dāng)噭?，靜置12h以上，待土樣全部沉淀之后抽去上層多余的海水，最后將濕土倒入培養(yǎng)皿。土樣高度約為1cm，該高度可以屏蔽培養(yǎng)皿底部的反射，模擬無限深的現(xiàn)場沉積物環(huán)境。測量時，每隔10min采集一次樣品的光譜曲線，同時記錄樣品質(zhì)量。因在室內(nèi)環(huán)境下進(jìn)行含水量變化實(shí)驗，含水量變化過慢，因此使用烘箱對土樣進(jìn)行短時間的烘干，以加速水分蒸發(fā)。由于沉積物表面的不均一性，同時為了避免隨意移動樣品造成人為誤差，在測量同一樣品時按照以下規(guī)律移動樣品：以光纖探頭在測試臺的垂直落點(diǎn)為中心位，以人工光源入射方向為0°方位，取1cm為移動幅度，避開0°方位逆時針方向移動，測量中心位、90°、180°、270°共計4個方位，每個方位采集10次反射率曲線。濕土光譜測量完成之后，將樣品放入烘箱，在105℃條件下烘干6h獲得干土樣本，再對其稱重并采集干土?xí)r的反射率光譜曲線。本階段累計共測得581個含水量及同步光譜反射率數(shù)據(jù)，其中砂樣品98測次，粉砂樣品80測次，粉砂質(zhì)砂樣品145測次，砂質(zhì)粉砂樣品141測次，粘土質(zhì)粉砂樣品117測次。

1.3.3 含水量及光譜數(shù)據(jù)處理

本研究采用稱重法計算得到沉積物含水量。由于在相同溫度條件下，黏粒的持水能力要超過粒徑較粗的顆粒，因此實(shí)驗中獲得的不同類型沉積物的最高含水量有較大差異，按照由低到高排列，測得各類型沉積物的最大含水量：砂22.3%、粉砂質(zhì)砂31.0%、砂質(zhì)粉砂41.4%、粉砂49.0%和粘土質(zhì)粉砂6.60%。

對獲取的反射率數(shù)據(jù)計算3點(diǎn)滑動平均以消除“毛刺”現(xiàn)象，之后對同一樣品不同位置的反射率計算平均值，以此作為該樣品在該含水量條件下的光譜最終測量結(jié)果。為了配合Hyperion影像的波段設(shè)置，并去除高光譜影像中未標(biāo)定以及受水汽影響較大的波段，我們對所采集的2151波段進(jìn)行重采樣，采樣間隔為10 nm，最后獲得164波段的反射率數(shù)據(jù)。

2 研究方法

2.1 單波段含水量遙感反演模型

沉積物反射率與含水量關(guān)系的研究結(jié)果表明：指數(shù)模型能夠更好的表征沉積物反射率與含水量之間的變化關(guān)系［8－11］。但是當(dāng)不考慮沉積物類型時，指數(shù)模型的反演結(jié)果會變差，甚至是無效的［6，10］。因此針對不同的沉積物類型，我們選用沉積物反射率－含水量簡化指數(shù)模型［9］構(gòu)建沉積物含水量單波段模型，該模型適用于近乎裸土且沉積物結(jié)構(gòu)均勻時的情況，這與本研究區(qū)（潮灘裸地）的環(huán)境相似。模型如下：

式中Rw，i、Rd，i分別為波段i的濕土反射率和干土反射率；a為沉積物水吸收率；WI為反演的沉積物含水量。

對式（1）變形，可得到單波段含水量模型表達(dá)式：

單波段模型中，水吸收率a對于同一種沉積物類型近似為常數(shù)，因此可利用式（2）對不同含水量下的不同波段分別計算對應(yīng)的a值，然后求平均確定a值。通過統(tǒng)計實(shí)測含水量與對應(yīng)的濕、干土反射率對數(shù)之間的相關(guān)性，根據(jù)相關(guān)性大小，確定出反演含水量的最佳波段i。

2.2 波段組合含水量遙感反演模型

波段組合模型參考了4種常見的植被指數(shù)的形式，通過選取適合的波段來構(gòu)建沉積物含水量反演指數(shù)，然后利用含水量反演指數(shù)構(gòu)建含水量遙感反演模型。本研究構(gòu)建的含水量指數(shù)：比值含水量指數(shù)RWCI（Ratio Water Content Index）（IRWCI）、歸一化差值含水量指數(shù) NDWCI（Normalized Difference Water Content Index）（INDWCI）、沉積物調(diào)整含水量指數(shù)SAWCI（Sediment－Adjusted Water Content Index）（ISAWCI）和增強(qiáng)型含水量指數(shù) EWCI（Enhanced Water Content Index）（IEWCI）［12－15］。各指數(shù)表達(dá)式如下：

式中Ri、Rj為波段i、j的反射率；L為沉積物調(diào)節(jié)參數(shù)，L1＝0.5，L2＝1；Ro為不同沉積物光譜曲線上特征峰對應(yīng)的波段反射率。

由分析知，對于不同的沉積物類型，各特征峰所處的波段范圍大致相同，并且特征峰的范圍不因含水量的變化而變化。由于這些特征峰處的反射率受到沉積物類型影響較大，因此利用EWCI指數(shù)剔除該部分影響，并初步將Ro定為600，783，1 296，1 609和2 143nm五個波段對應(yīng)的反射率值，隨后利用 Matlab軟件對每個波段進(jìn)行二重循環(huán)，從中選取反演結(jié)果最好的波段，由此來確定構(gòu)建EWCI模型的最佳Ro波段。

在4種波段組合模型構(gòu)建時，首先利用Matlab軟件編制程序，對實(shí)測光譜曲線的所有波段進(jìn)行二重循環(huán)，計算各波段或波段組合與實(shí)測含水量之間的相關(guān)性，篩選出最佳波段，構(gòu)建模型；然后再利用驗證數(shù)據(jù)對模型進(jìn)行驗證，評估各模型的實(shí)用性，獲得最佳含水量遙感反演模型。

3 結(jié)果分析

3.1 沉積物光譜曲線特征分析

研究表明，含水量對沉積物的反射率有重要影響。以粉砂樣本的部分含水量光譜曲線（圖2）為例進(jìn)行分析：1）當(dāng)粉砂含水量較高，為0.490和0.451時，采集的光譜值較低，且在1 457nm附近接近0值，這是由于在含水量較高時反射率主要受水分吸收的影響，在短波紅外波段水體的強(qiáng)吸收使得該波段內(nèi)的光譜值急劇減?。?6］。2）而當(dāng)粉砂含水量在0.451以下時，光譜值明顯增大，這主要是由于在含水量較低時反射率受到水體吸收和光譜散射的雙重作用影響［10］。3）當(dāng)粉砂含水量為0時，在427～1 790nm以及2 002～2 153 nm沉積物光譜曲線隨波長的增加而單調(diào)上升，且在427～824nm和2 002～2 153nm時光譜反射率上升劇烈，993～1 790nm沉積物光譜反射率的整體趨勢為上升，但上升趨勢減緩，在993～1 064nm處有小幅震蕩；在824～993nm光譜反射率近乎水平；2 133～2 335nm沉積物光譜反射率值隨波長的增加呈震蕩下降趨勢。

由曲線形態(tài)知，無論含水量高低，獲得的光譜曲線在427～824nm時與干土?xí)r的曲線形態(tài)相似，而在1 457～2 335nm范圍內(nèi)光譜曲線變化劇烈，且當(dāng)含水量較低時曲線在1 679nm和2 034nm附近有強(qiáng)吸收帶。在933～1 346nm曲線形態(tài)也有明顯差異：當(dāng)含水量較高時光譜曲線變化劇烈，而當(dāng)含水量較低時光譜曲線則與干土?xí)r的形態(tài)類似。由圖2及以上分析可知：當(dāng)含水量較低時波長較長的波段如1 679和2 034 nm波段對沉積物含水量的變化敏感；而當(dāng)含水量較高時，在933～1 346nm范圍內(nèi)的波長對沉積物含水量的變化更加敏感。

圖2 不同含水量下粉砂光譜曲線Fig.2 Spectral curves of silt samples with different water content

3.2 單波段含水量遙感模型反演結(jié)果分析

根據(jù)吳代輝等的研究［6，10］，對單波段模型根據(jù)沉積物類型分別進(jìn)行建模。按照砂、粉砂、粉砂質(zhì)砂、砂質(zhì)粉砂、粘土質(zhì)粉砂的順序，其建模和驗證數(shù)據(jù)分別為：建模59，48，87，85和70個樣本，驗證39，32，58，56和47個樣本。表1列出了不同類型沉積物的水吸收率值以及進(jìn)行含水量反演的最佳波段，R2和RMSE為利用驗證樣本光譜計算得到的模擬含水量與實(shí)測含水量之間的確定性系數(shù)和均方根誤差。

表1 沉積物含水量反演的單波段模型Table 1 Single－band model for the sediment water content inverse

由于粒徑、結(jié)構(gòu)等的差異，導(dǎo)致不同類型沉積物的持水能力不同，因此類型沉積物的水吸收率系數(shù)a也不同。由建模結(jié)果知：除砂質(zhì)粉砂模型確定性系數(shù)R2為0.543外，其余沉積物含水量模擬的確定性系數(shù)均高于0.62，其中具有較高含水量的粘土質(zhì)粉砂反演情況最好，反演的確定性系數(shù)R2為0.694。由于各沉積物實(shí)測最高含水量存在差異，因此通過計算各沉積物RMSE與最高含水量Wmax的比值來分析單波段模型對不同沉積物含水量擬合精度的好壞。由計算結(jié)果知：砂、粉砂、粘土質(zhì)粉砂擬合精度較好，分別為0.148，0.145和0.136；而粉砂質(zhì)砂和砂質(zhì)粉砂擬合精度較差，分別為0.268和0.191。從整體看含水量高低差異對沉積物含水量單波段反演結(jié)果影響小。

單波段模型選取的最佳波段多集中于1 990～2 100nm附近，這主要是由于在波段重采樣時將主要的水汽吸收波段去除，但是高光譜數(shù)據(jù)的波段與波段間的間隔小，信息相關(guān)性高，因而單波段模型選取的最佳波段仍集中于對水分反應(yīng)敏感的水汽吸收波段附近。

廣東缺煤、少油、乏氣，水電已基本開發(fā)完畢，一次能源擴(kuò)大生產(chǎn)能力有限。受資源條件限制，廣東能源生產(chǎn)結(jié)構(gòu)簡單，能源消費(fèi)對外依存度高，80%以上的能源消費(fèi)總量靠從省外和國外購入，非可再生能源消費(fèi)比重高，清潔優(yōu)質(zhì)能源比重較低。廣東能源生產(chǎn)和消費(fèi)結(jié)構(gòu)不盡合理，綜合利用水平偏低，環(huán)保壓力大，供需矛盾突出，用能成本居高不下。

3.3 波段組合含水量遙感模型反演結(jié)果分析

除單波段模型外，波段組合模型也是遙感反演提取地物參數(shù)的常用方法。波段組合的方式可以最大限度地利用不同波段的光譜信息，通過波段間的運(yùn)算組合生成新的反演因子，從而達(dá)到削弱背景噪聲、提高模型反演精度的目的。表2列出了沉積物含水量反演的波段組合模型及精度驗證結(jié)果。

表2 沉積物含水量反演的波段組合模型Table 2 Combinative band model for the sediment water content inverse

根據(jù)表2中各指數(shù)模型的確定性系數(shù)R2及RMSE，按照沉積物粒徑由大到小依次排列作圖3和圖4。為全面進(jìn)行比較，在圖中加入不區(qū)分沉積物類型以及單波段模型的模擬結(jié)果。

分析沉積物粒徑大小對持水能力的影響知：除SAWCI指數(shù)模型模擬得到的粉砂質(zhì)砂的R2比砂質(zhì)粉砂大0.005以外，其余沉積物類型的確定性系數(shù)均隨著沉積物粒徑的減小、沉積物持水能力的增強(qiáng)而呈逐漸增大趨勢，其中砂的R2最低，粘土質(zhì)粉砂的R2最高，4種波段組合模型的平均R2分別為0.626和0.868。表明沉積物粒徑越小，土質(zhì)結(jié)構(gòu)越致密，含水量模擬精度越高。

從模型擬合精度對比分析可知（圖3和圖4）：EWCI指數(shù)模型擬合得到的各沉積物R2中，除粉砂的擬合結(jié)果比RWCI指數(shù)模型略低外，其余沉積物類型模擬的R2均為最高，擬合得到的各沉積物R2平均值0.818；SAWCI、RWCI指數(shù)模型得到的擬合結(jié)果次之，R2平均值分別為0.750和0.771；NDWCI指數(shù)模型擬合得到的沉積物R2均為最低值，為0.675。說明NDWCI指數(shù)模型的估算能力最差，而EWCI指數(shù)模型的估算能力則相對較好。NDWCI指數(shù)模型的RMSE最大，而EWCI指數(shù)模型的RMSE結(jié)果中，除粉砂類型模擬的RMSE值較高外，其余沉積物類型模擬的RMSE均為最小。這也說明了EWCI指數(shù)模型的預(yù)測精度最好，殘差較小。

對比分析不區(qū)分沉積物類型時的擬合結(jié)果可知：由于各類型沉積物含水量對光譜響應(yīng)不同，造成了不區(qū)分沉積物類型條件下各含水量指數(shù)模型的估算能力均下降，其中NDWCI指數(shù)模型的R2最小，僅有0.602，但RMSE在4種指數(shù)模型中卻為最大；EWCI指數(shù)模型的R2最大，達(dá)到了0.706，而RMSE最小，僅為0.071。說明當(dāng)不區(qū)分沉積物類型時EWCI指數(shù)模型的估算能力最佳，預(yù)測精度最好。

圖3 不同模型反演含水量的R2對比Fig.3 Comparison of R2 of the sediment water contents reproduced with different models

圖4 不同模型反演含水量的RMSE對比Fig.4 Comparison of RMSEof the sediment water contents reproduced with different models

3.4 單波段模型與波段組合模型擬合結(jié)果對比分析

從波段組合模型與單波段模型的擬合結(jié)果對比可知：當(dāng)沉積物粒徑較大、含水量較小時，波段組合模型的R2出現(xiàn)小于單波段的情況。如砂類型時，單波段模型的R2僅小于EWCI指數(shù)模型，而粉砂質(zhì)砂類型時，單波段模型的R2大于NDWCI指數(shù)模型。因波段組合模型通過波段間的數(shù)學(xué)運(yùn)算，最大限度地利用了不同波段的光譜信息，因此大部分波段組合模型擬合得到的結(jié)果仍要好于單波段模型。就EWCI指數(shù)而言，其在NDWCI和SAWCI指數(shù)的基礎(chǔ)上，引入了受沉積物類型影響較大的敏感波段，通過減去敏感波段反射率的方法來進(jìn)一步突出含水量信息，因此EWCI擬合得到的R2要遠(yuǎn)大于單波段模型，且RMSE也小于單波段模型。

此外，單波段模型、RWCI、NDWCI及SAWCI指數(shù)模型對砂質(zhì)粉砂的擬合結(jié)果均為降低，這與R2隨沉積物粒徑的減小而增大的趨勢相反，而EWCI指數(shù)模型則能很好地解決該問題，其砂質(zhì)粉砂擬合得到的R2為0.823。因此，EWCI指數(shù)模型最適合反演潮灘表層沉積物含水量。

3.5 沉積物類型歸一化構(gòu)建波段組合模型結(jié)果分析

式中RN為沉積物歸一化之后的反射率；RM為不同含水量對應(yīng)的沉積物反射率；Rθ為相應(yīng)的沉積物干土反射率。

NEWCI指數(shù)模型建模及驗證結(jié)果如表3所示。由于沉積物歸一化后得到的反射率曲線在可見光范圍內(nèi)變化平緩，而在近紅外波段有強(qiáng)吸收峰，因此不同于EWCI指數(shù)模型選取的最佳波段，NEWCI指數(shù)模型的最佳波段均集中于近紅外波段。最佳波段的選取說明利用沉積物類型歸一化的方法可以進(jìn)一步削弱沉積物類型對含水量反演結(jié)果的影響，突出含水量信息，從而提高反演精度。

表3 沉積物含水量反演的NEWCI指數(shù)模型Table 3 NEWCI index based band combinative model for sediment moisture inversion

對比EWCI和NEWCI兩個指數(shù)模型的確定性系數(shù)R2可知：當(dāng)區(qū)分沉積物類型時，NEWCI指數(shù)模型對部分沉積物的估算能力好于EWCI指數(shù)模型，其中粉砂質(zhì)砂、粉砂以及粘土質(zhì)粉砂的估算能力均好于EWCI指數(shù)模型，僅砂和砂質(zhì)粉砂的確定性系數(shù)比EWCI指數(shù)模型低0.083和0.014；當(dāng)忽略沉積物類型時，NEWCI模型的估算能力明顯好于EWCI指數(shù)模型，R2提高到了0.8，且均方根誤差也比EWCI指數(shù)模型時降低了0.012。這說明沉積物類型歸一化的方法可以有效地減小由于沉積物類型差異帶來的誤差，從而提高模型含水量估算能力和預(yù)測精度。

為了進(jìn)一步對比EWCI與NEWCI對含水量的預(yù)測效果，將驗證組光譜數(shù)據(jù)分別代入2個模型，計算出預(yù)測含水量，然后與實(shí)測含水量進(jìn)行比較。圖5為不區(qū)分沉積物類別時EWCI指數(shù)模型以及NEWCI指數(shù)模型獲得的預(yù)測與實(shí)測含水量對比圖。從圖中可知：

1）當(dāng)實(shí)測含水量為0時，EWCI指數(shù)模型的預(yù)測含水量為0～0.15，而NEWCI指數(shù)模型因利用干土反射率進(jìn)行了歸一化處理，所以預(yù)測含水量更符合實(shí)際情況。

2）當(dāng)預(yù)測含水量為0.3～0.6時，EWCI指數(shù)模型的散點(diǎn)過于分散，NEWCI指數(shù)模型的散點(diǎn)相對集中，導(dǎo)致NEWCI指數(shù)模型的擬合度高于EWCI指數(shù)模型，其擬合得到的R2分別為0.565、0.334，說明EWCI指數(shù)模型相對于NEWCI指數(shù)模型在對高含水量時的預(yù)測能力偏弱。而在預(yù)測0.3以下的沉積物含水量時兩者精度接近?？傮w說明NEWCI指數(shù)模型對含水量的估算范圍比EWCI指數(shù)模型更廣，因此NEWCI指數(shù)模型更加適合潮灘沉積物含水量遙感反演。

圖5 預(yù)測含水量與實(shí)測含水量對比圖Fig.5 Comparison diagram between the predicted and the observed water contents

4 結(jié)論

為提高含水量遙感反演精度，我們根據(jù)單波段含水量簡化模型和波段組合模型構(gòu)建了5種形式的沉積物含水量遙感反演模型。為了減小沉積物類型對模型預(yù)測精度的影響，對沉積物類型進(jìn)行歸一化運(yùn)算，其反演結(jié)果可在潮灘地物信息遙感反演時有效削弱水分的影響，提高地物信息提取的精度。研究結(jié)果表明：

1）單波段模型的擬合結(jié)果中，除砂質(zhì)粉砂模型確定性系數(shù)R2為0.543外，其余沉積物含水量模型確定性系數(shù)均高于0.62。從整體看含水量高低差異對沉積物含水量單波段反演結(jié)果影響不大；

2）RWCI、NDWCI、SAWCI和EWCI含水量指數(shù)構(gòu)建的含水量波段組合反演模型中，NDWCI指數(shù)模型對含水量的預(yù)測能力最差，擬合得到的各沉積物R2平均值為0.675，EWCI指數(shù)模型的含水量估算能力相對較好，擬合得到的各沉積物R2平均值為0.818。當(dāng)忽略沉積物類型時EWCI指數(shù)模型擬合得到的R2為0.706，RMSE為0.059，這是因為EWCI指數(shù)在NDWCI和SAWCI的基礎(chǔ)上增加了沉積物調(diào)節(jié)系數(shù)，并引入了受沉積物類型影響較大的敏感波段，通過減去敏感波段反射率的方法，來進(jìn)一步突出含水量信息，從而達(dá)到提高反演精度的目的；

3）利用不同類型沉積物的干土反射率對沉積物樣本反射率進(jìn)行歸一化處理，在EWCI指數(shù)模型的基礎(chǔ)上進(jìn)一步構(gòu)建NEWCI含水量反演模型，該模型在預(yù)測含水量為0以及30%～60%含水量時，R2比EWCI指數(shù)模型高0.231，而在預(yù)測0.3以下的沉積物含水量時兩者精度接近，表明NEWCI指數(shù)模型更適用于潮灘沉積物含水量的預(yù)測。

（References）：

［1］ZHANG Y，ZHANG D，HU P X.Water content of soil on outcrop beach measured by remote sensing［J］.Acta Oceanologica Sinica，2008，5（30）：29－34.張鷹，張東，胡平香.海岸帶潮灘土壤含水量遙感測量［J］.海洋學(xué)報，2008，5（30）：29－34.

［2］THOMAS S，JüRGEN B，URSSCHIMIDHALTER.High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures［J］.Geoderma，2006，136（1－2）：235－244.

［3］ZHENG Z S，ZHOU Y X，LI X，et al.Relationship between mudflat evolution dynamic and vegetation at Chongming Dongtan integrating with remote sensing and hydrodynamic model［J］.Resources and Environment in The Yangtze Basin，2010，19（12）：1368－1373.鄭宗生，周云軒，李行，等.基于遙感及數(shù)值模擬的崇明東灘沖淤與植被關(guān)系探討［J］.長江流域資源與環(huán)境，2010，19（12）：1368－1373.

［4］HUO M，F(xiàn)AN D D，LU Q，et al.Decadal variations in the erosion/deposition pattern of Nanhui muddy bank and their mechanism in the Changjiang Delta［J］.Acta Oceanologica Sinica，2010，32（5）：41－51.火苗，范代讀，陸琦，等.長江口南匯邊灘沖淤變化規(guī)律與機(jī)制［J］.海洋學(xué)報，2010，32（5）：41－51.

［5］SHEN Y M，YANG J S，ZHANG R S，et al.Study on model of surface sediment humidity on tidal flat based on remote sensing image of TM［J］.Scientia Geographica Sinica，2009，29（3）：415－420.沈永明，楊勁松，張忍順，等.基于TM 圖像的潮灘表層沉積物含水量推算模型研究——以江蘇輻射沙洲區(qū)為例［J］.地理科學(xué)，2009，29（3）：415－420.

［6］WU D H，F(xiàn)AN W J，CUI Y K，et al.Review of monitoring soil water content using hyperspectral remote sensing［J］.Spectroscopy and Spectral Analysis，2010，30（11）：3067－3071.吳代輝，范聞捷，崔要奎，等.高光譜遙感監(jiān)測土壤含水量研究進(jìn)展［J］.光譜學(xué)與光譜分析，2010，30（11）：3067－3071.

［7］JIA J J，WANG Y P，GAO S，et al.Bedload transport and grain size trend information interpretation of tidal flat in JiangSu DaFeng［J］.Chinese Science Bulletin，2005，50（22）：2546－2554.賈建軍，汪亞平，高抒，等.江蘇大豐潮灘推移質(zhì)輸運(yùn)與粒度趨勢信息解譯［J］.科學(xué)通報，2005，50（22）：2546－2554.

［8］BACH H，MAUSER M.Modelling and model verification of the spectral reflectance of soils under varying moisture conditions［J］.Proceedings of IGASS’94，Pasadena，IEEE，1994，4：2354－2356.

［9］ETIENNE M，HENRI D.Modeling soil moisture－reflectance［J］.Remote Sensing of Environment，2000，76（2）：173－180.

［10］LIU W，BARET F，GU X F，et al.Relating soil surface moisture to reflectance［J］.Remote Sensing of Environment，2002，81（2－3）：238－246.

［11］DENG R R，TIAN G L，LIU Q H.Bi－directional Reflectance Model of Canopy and Soil Based on Multi－Scatterings［J］.Journal of Remote Sensing，2004，8（3）：193－200.鄧孺孺，田國良，柳欽火.基于多次散射的植被—沉積物二向反射模型［J］.遙感學(xué)報，2004，8（3）：193－200.

［12］JIA H F，LIU X H，et al.The principle of environmental remote sensing and its applications［M］.Beijing：Tsinghua University Press，2006：175－76.賈海峰，劉雪華，等.環(huán)境遙感原理與應(yīng)用［M］.北京：清華大學(xué)出版社，2006：175－176.

［13］LUO Y，XU J H，YUE W Z.Research on vegetation indices based on the remote sensing images［J］.Ecologic Science，2005，24（1）：75－79.羅亞，徐建華，岳文澤.基于遙感影像的植被指數(shù)研究方法述評［J］.生態(tài)科學(xué)，2005，24（1）：75－79.

［14］WANG Z X，LIU C，HUETE A.From AVHRR－NDVI to MODIS－EVI：Advances in vegetation index research［J］.Acta Ecologica Sinca，2003，23（5）：979－987.王正興，劉闖，Huete Alfredo.植被指數(shù)研究進(jìn)展：從AVHRR－NDVI到 MODIS－EVI［J］.生態(tài)學(xué)報，2003，23（5）：979－987.

［15］LI X S，LI Z Y，GAO Z H，et al.Estimation of sparse vegetation cover in arid regions based on vegetation indices derived from Hyperion data［J］.Journal of Beijing Forestry university，2010，32（3）：95－100.李曉松，李增元，高志海，等.基于Hyperion植被指數(shù)的干旱地區(qū)稀疏植被覆蓋度估測［J］.北京林業(yè)大學(xué)學(xué)報，2010，32（3）：95－100.

［16］TONG Q X，ZHANG B，DENG L F.Hyperspectral remote sensing［M］.Beijing：Higher Education Press，2006：25.童慶禧，張兵，鄭蘭芬.高光譜遙感——原理、技術(shù)與應(yīng)用［M］.北京 ：高等教育出版社，2006：25.