吳成永, 曹廣超, 陳克龍,*, 毛亞輝, 王琪,袁杰, 鄂崇毅

?

一種青海湖流域消除植被光譜對(duì)土壤光譜影響的土壤有機(jī)質(zhì)含量遙感估算方法

吳成永1,2,3, 曹廣超2,3, 陳克龍2,3,*, 毛亞輝1,2,3, 王琪1,2,3,袁杰1,2,3, 鄂崇毅1,2,3

1. 青海師范大學(xué)地理科學(xué)學(xué)院, 西寧 810008 2. 青藏高原環(huán)境與生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室, 西寧 810008 3. 青海省自然地理與環(huán)境過(guò)程重點(diǎn)實(shí)驗(yàn)室, 西寧 810008

基于遙感技術(shù)手段快速測(cè)定區(qū)域尺度土壤有機(jī)質(zhì)含量(SOM), 對(duì)氣候、陸地生態(tài)系統(tǒng)和農(nóng)業(yè)等領(lǐng)域具有重要的作用和意義。但現(xiàn)有的多光譜遙感影像因其波段寬度較窄, 包含的土壤有機(jī)質(zhì)信息有限, 導(dǎo)致其估算結(jié)果的可靠性與精度較低。為此, 以青海湖流域?yàn)閷?shí)證試驗(yàn)區(qū), 將2016年9月底(此時(shí), 青海湖流域牧草等植被停止生長(zhǎng), 土壤有機(jī)質(zhì)積累達(dá)到全年最高)地面采集并測(cè)定的土壤有機(jī)質(zhì)含量數(shù)據(jù)與同時(shí)期MODIS 黑空BRDF/Albedo產(chǎn)品的寬、窄波段進(jìn)行了對(duì)比與檢驗(yàn)。發(fā)現(xiàn): BRDF/Albedo寬波段的相關(guān)性(近紅外、短波波段相關(guān)系數(shù)分別為0.704和 0.670)高于窄波段相關(guān)性(第2, 5, 6波段的相關(guān)系數(shù)分別是0.583、0.631和0.625), 證實(shí)了寬波段含有更加豐富、完整的土壤有機(jī)質(zhì)含量信息。為了進(jìn)一步提高SOM估算的精度, 基于梯形方法構(gòu)建了寬波段近紅外反照率/植被覆蓋度梯形特征空間, 從寬波段近紅外反照率(包含植被、土壤混合光譜)中成功分離出裸土反照率, 并分別構(gòu)建了SOM遙感估算模型。經(jīng)驗(yàn)證, 消除了植被對(duì)土壤光譜影響的裸土反照率模型精度(均方根誤差為16.87、平均絕對(duì)百分比誤差為30.0%, 希爾不等系數(shù)為0.22)高于寬波段近紅外反照率模型精度(均方根誤差為20.12、平均絕對(duì)百分比誤差為31.0%, 希爾不等系數(shù)為0.27)。該方法簡(jiǎn)單易操作, 不僅有助于提高表層土壤有機(jī)質(zhì)含量遙感估算的精度, 也可為土壤其他屬性如N, P等元素含量的遙感估算提供了新思路。

土壤有機(jī)質(zhì); 遙感反演; 反照率; 梯形方法

1 前言

土壤有機(jī)質(zhì)(Soil Organic Matter, SOM), 是土壤的重要組成部分, 對(duì)土壤物理性質(zhì)具有深刻的影響[1], 其含量的多寡是衡量土壤肥力的一項(xiàng)重要指標(biāo)[2]。它參與生物圈、大氣圈的物質(zhì)循環(huán), 是土壤碳庫(kù)的活躍部分, 直接決定與改變了陸地生態(tài)系統(tǒng)碳變化[3], 并參與地球系統(tǒng)的能量循環(huán), 間接地決定與改變了陸地表面的太陽(yáng)短波輻射和地表長(zhǎng)波輻射吸收、反射和發(fā)射特性[4], 進(jìn)而影響著地球系統(tǒng)能量收支平衡。因此, 土壤有機(jī)質(zhì)在農(nóng)業(yè)、陸地生態(tài)系統(tǒng)和氣候等領(lǐng)域研究中扮演著重要的角色, 其含量的準(zhǔn)確、快速測(cè)定具有重要的作用和意義。傳統(tǒng)的土壤有機(jī)質(zhì)含量測(cè)定方法雖然具有很高的精度, 但費(fèi)時(shí)、費(fèi)力, 獲取成本高, 樣點(diǎn)有限, 難以廣泛應(yīng)用到區(qū)域尺度。目前, 區(qū)域尺度上對(duì)土壤有機(jī)質(zhì)含量測(cè)定研究, 主要是通過(guò)地統(tǒng)計(jì)和遙感反演方法。因地統(tǒng)計(jì)法建立在統(tǒng)計(jì)學(xué)基礎(chǔ)之上, 為了獲取較高精度的預(yù)測(cè)結(jié)果, 需大量采集樣點(diǎn), 耗費(fèi)大量人力物力。衛(wèi)星遙感技術(shù)能夠在短時(shí)間內(nèi), 低成本地獲取廣闊地表的地物光譜信息, 通過(guò)遙感模型, 借助尺度推繹方法, 實(shí)現(xiàn)像元尺度上的土壤有機(jī)質(zhì)測(cè)定與空間格局, 已成為區(qū)域尺度土壤有機(jī)質(zhì)含量估算的主要技術(shù)手段, 得到了廣泛應(yīng)用。

目前, 多光譜衛(wèi)星遙感土壤有機(jī)質(zhì)含量估算研究中, 土壤有機(jī)質(zhì)敏感波段存在著較大差異。GALV?O LS等[5], KRISHNAN P等[6]研究發(fā)現(xiàn), SOM與可見(jiàn)光波段有較強(qiáng)的相關(guān)性, 而GUNSAULIS FR等[7]研究表明, SOM與紅光波段則具有較強(qiáng)的相關(guān)性。黑土的有機(jī)質(zhì)響應(yīng)波段, 劉煥軍等[8]認(rèn)為集中在可見(jiàn)光和近紅外范圍, 盧艷麗等[9]則認(rèn)為, 在480—740 nm范圍內(nèi), 且與光譜呈極顯著負(fù)相關(guān), 而在816—1415 nm范圍內(nèi), 則與光譜呈極顯著正相關(guān)。紅壤有機(jī)質(zhì)敏感波段, 劉煒等[10]認(rèn)為在400—1000 nm, 沈潤(rùn)平等[11]則認(rèn)為在可見(jiàn)光與近紅外區(qū)域。但是, 不管多光譜遙感應(yīng)用了哪些波段反演SOM, 其估算精度尚未達(dá)到預(yù)期, 這是由多光譜遙感固有缺陷決定的。根據(jù)大氣窗口, 多光譜傳感器在可見(jiàn)光、紅外等范圍內(nèi)只設(shè)置了有限的幾個(gè)波段, 例如, 在可見(jiàn)光范圍內(nèi), Landsat-8 OLI只有紅(630—680 nm)、綠(525—600 nm)和藍(lán)(450—515 nm)3個(gè)波段, 未完全覆蓋可見(jiàn)光全范圍(380—780 nm)。而且, 多光譜傳感器的各個(gè)波段, 其電磁波寬度普遍較窄, 例如, Landsat-8 OLI紅光波段范圍, 并非紅光全部范圍(622—770 nm)。另外, 多光譜遙感反演應(yīng)用了一個(gè)或多個(gè)土壤有機(jī)質(zhì)敏感波段, 這些波段本身包含的有機(jī)質(zhì)等土壤屬性信息有限或不完整, 其反演的可靠性與精度難以保障。波段寬度大的寬波段地表反照率, 包含了可見(jiàn)光、短波和近紅外等全譜段的地物光譜信息。因此, 我們提出猜想, 它可能存在土壤有機(jī)質(zhì)的敏感譜段, 且這些譜段應(yīng)該包含比較豐富、全面的土壤有機(jī)質(zhì)等信息, 運(yùn)用寬波段地表反照率估算有機(jī)質(zhì)含量等土壤屬性, 有望提高反演的可靠性與精度。

另外, 寬波段地表反照率與其他遙感影像一樣, 受空間分辨率影響, 其像元是混合像元, 導(dǎo)致遙感反演土壤屬性的精度下降。對(duì)于非人工干擾的自然景觀, 其遙感像元包含植被與土壤2類地物的反射率, 也就是說(shuō), 當(dāng)有植被覆蓋時(shí), 像元的反射率不完全是純土壤(裸土)的光譜反射率, 而是土壤與植被反射率的加權(quán)和。因此, 植被(植被覆蓋度)對(duì)土壤反射率的影響巨大, 欲進(jìn)一步提高遙感反演的精度, 需將植被對(duì)混合像元光譜反射率的貢獻(xiàn)設(shè)法予以消除或盡可能地降低, “消除”植被光譜的影響, 分離出裸土的光譜反照率。目前, 有3大類“消除”植被光譜的方法。一是混合像元分解模型。主要有線性、非線性、幾何光學(xué)、隨機(jī)幾何和模糊分析5種模型[12]。線性模型的關(guān)鍵是要輸入各種地物的參照光譜值, 而實(shí)際地物的光譜值很難獲得, 應(yīng)用困難。非線性模型, 其混合像元的分解效果通常好于線性模型, 但計(jì)算過(guò)程較復(fù)雜, 且受殘差的影響, 其結(jié)果仍不理想[13]。幾何(光學(xué)與隨機(jī)幾何)模型, 需要大量參數(shù), 如植被的高度、形狀參數(shù)以及太陽(yáng)參數(shù)(入射與觀測(cè)方向)等, 這些參數(shù)通常難以全部獲取[14]。模糊分析模型, 運(yùn)用的前提是數(shù)據(jù)需符合正態(tài)分布, 但實(shí)際上, 并不是所有區(qū)域的遙感數(shù)據(jù)滿足這一前提條件。因此, 混合像元分解模型雖然取得了較好的效果, 但仍然存在不足。二是“光學(xué)植被蓋度”方法[15]。該方法成功地將混合像元的光譜信息純化為裸土的光譜信息, 但需要用統(tǒng)計(jì)方法確定裸土的虛生物量本底、全是植被光學(xué)信息時(shí)的近紅外波段的光譜亮度等眾多模型參數(shù), 因此, 反演過(guò)程較為復(fù)雜, 實(shí)際操作困難。三是梯形或三角形方法。研究表明, 地表溫度/植被指數(shù)、反照率/植被指數(shù)和反照率/植被蓋度等的散點(diǎn)圖能夠形成梯形或三角形特征空間, 因而得名。因其操作簡(jiǎn)便, 與其他模型結(jié)合, 可以對(duì)植被蒸騰、地表通量、干旱監(jiān)測(cè)、土壤蒸發(fā)和土壤含水量等進(jìn)行估算, 但對(duì)土壤有機(jī)質(zhì)含量的估算尚未見(jiàn)報(bào)道。

綜上所述, 以地表景觀類型豐富多樣的青海湖流域作為實(shí)證研究區(qū), 使用時(shí)間分辨率高、地面成像寬幅大, 且數(shù)據(jù)質(zhì)量較高的MODIS遙感合成產(chǎn)品數(shù)據(jù)和地面實(shí)測(cè)有機(jī)質(zhì)含量數(shù)據(jù), 其一是, 探尋MODIS BRDF/Albedo地表反照率產(chǎn)品的土壤有機(jī)質(zhì)敏感波段, 并比較敏感波段含有有機(jī)質(zhì)含量信息的“豐度”, 以嘗試、驗(yàn)證寬波段反照率反演土壤有機(jī)質(zhì)含量的可行性與優(yōu)越性, 克服運(yùn)用多光譜窄波段反照率反演的固有缺陷, 拓寬多光譜遙感反演土壤有機(jī)質(zhì)等屬性的技術(shù)渠道。其二是, 為了進(jìn)一步提高寬波段反照率反演土壤有機(jī)質(zhì)含量的精度, 基于梯形方法, 嘗試構(gòu)建地表反照率/植被覆蓋度梯形特征空間, 從包含植被、土壤混合光譜的寬波段地表反照率中提取出裸露土壤的反照率, 以剔除植被覆蓋對(duì)土壤光譜的影響, 恢復(fù)土壤固有的光譜信息, 以期提高土壤有機(jī)質(zhì)含量及其他土壤屬性的遙感反演精度。

2 數(shù)據(jù)與方法

2.1 實(shí)驗(yàn)區(qū)概況

青海湖流域, 位于青藏高原東北部, 介于36°15′—38°20′N, 97°50′—101°20′E, 海拔3194— 5174 m。境內(nèi)有青海青海湖國(guó)家級(jí)自然保護(hù)區(qū), 地處我國(guó)西北部干旱區(qū)、東部季風(fēng)區(qū)和西南部高寒區(qū)的交匯地帶, 對(duì)氣候變化的響應(yīng)非常敏感[16]。氣候?yàn)榈湫偷母吆珊荡箨懶詺夂? 太陽(yáng)輻射強(qiáng)、氣溫日較差大, 年均氣溫–4.6—4.0 ℃, 年蒸發(fā)量1300—2000 mm, 年降水量291—579 mm[17]。主要土壤類型為沼澤土、草氈土、栗鈣土、寒鈣土和黑氈土等。植被以芨芨草()、華扁穗()、紫花針茅()、垂穗披肩草()、嵩草()和冰草()等為主[18]。

2.2 數(shù)據(jù)來(lái)源與處理

2.2.1 基礎(chǔ)地理信息數(shù)據(jù)

植被類型數(shù)據(jù)為1: 400萬(wàn)中國(guó)植被圖, 來(lái)源于國(guó)家自然科學(xué)基金委員會(huì)“中國(guó)西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心”。土壤類型數(shù)據(jù), 來(lái)源于聯(lián)合國(guó)糧農(nóng)組織和維也納國(guó)際應(yīng)用系統(tǒng)研究所構(gòu)建的世界和諧土壤數(shù)據(jù)庫(kù)(Harmonized World Soil Database, HWSD), 中國(guó)境內(nèi)數(shù)據(jù)源為第二次全國(guó)土地調(diào)查南京土壤所提供的1: 100萬(wàn)土壤數(shù)據(jù), 從“黑河計(jì)劃數(shù)據(jù)管理中心”(http://westdc.westgis.ac.cn)獲取。植被與土壤類型數(shù)據(jù), 用于評(píng)價(jià)實(shí)測(cè)樣點(diǎn)建模與精度驗(yàn)證的代表性以及土壤有機(jī)質(zhì)含量遙感估算結(jié)果的空間異質(zhì)性分析。

2.2.2 土壤有機(jī)質(zhì)含量實(shí)測(cè)數(shù)據(jù)

9月底10月初, 青海湖流域牧草等植被停止生長(zhǎng), 植被覆蓋度達(dá)到全年最高, 土壤有機(jī)質(zhì)積累亦達(dá)到全年最高, 是研究“消除”植被光譜對(duì)土壤光譜影響, 進(jìn)而獲取裸土反照率的最佳時(shí)段。2013年9月底和2016年9月27日至10月4日, 項(xiàng)目組進(jìn)行了野外土壤樣點(diǎn)的采集。兩個(gè)時(shí)期都采用環(huán)刀法取地表 (0—10 cm、10—20 cm和20—30 cm)的土樣。樣品帶回實(shí)驗(yàn)室后, 稱取0—10 cm、10—20 cm每個(gè)采樣點(diǎn)土壤樣品各50 g, 混勻、自然風(fēng)干后, 取少量土壤樣品, 進(jìn)行除雜、研磨, 過(guò)100目篩, 最后用重絡(luò)酸鉀容量—外加熱法測(cè)定土壤有機(jī)質(zhì)含量。2013年, 共獲得13個(gè)有效樣點(diǎn)數(shù)據(jù), 這些樣點(diǎn)分布在環(huán)青海湖周圍, 對(duì)應(yīng)的植被與土壤類型不多, 遙感反演的代表性不足, 作為驗(yàn)證數(shù)據(jù)。2016年, 共獲得28個(gè)有效樣點(diǎn)數(shù)據(jù), 所屬植被與土壤類型較多, 作為遙感反演與驗(yàn)證數(shù)據(jù), 樣點(diǎn)具體分布見(jiàn)圖2。

2.2.3 遙感數(shù)據(jù)

共兩種數(shù)據(jù), 一是歸一化植被指數(shù)NDVI; 二是MODIS BRDF/Albedo產(chǎn)品數(shù)據(jù), 它根據(jù)Terra和Aqua兩個(gè)衛(wèi)星傳感器得到的地表反射率數(shù)據(jù)(即Surface reference, 經(jīng)云處理, 大氣校正等處理), 通過(guò)雙向反射分布函數(shù)(Bidirectional Reflectance Distribution Function, BRDF)模型計(jì)算得到[19], 其分辨率為500 m, 相鄰兩個(gè)時(shí)次相隔8天, 包括7個(gè)窄波段和3個(gè)寬波段(可見(jiàn)光波段0.4—0.7 μm、近紅外波段0.7—3.0 μm和短波波段0.4—3.0 μm)的黑空反照率和白空反照率[20]。黑空反照率反映了正午時(shí)刻(地方時(shí))地表對(duì)太陽(yáng)光的反照率。從http://reverb. echo.nasa.gov/reverb/獲取了研究時(shí)段的NDVI和MODIS BRDF/Albedo 43A3數(shù)據(jù)集。為了消除微地形與其他噪聲影響, 更宏觀地反映土壤有機(jī)質(zhì)含量的空間分布格局, 利用3×3 窗口的中值濾波處理上述2類影像數(shù)據(jù)。同時(shí), 為了計(jì)算方便, 將濾波后的影像數(shù)據(jù)除以1000, 然后用于相關(guān)計(jì)算與模型建立。

2.3 研究方法

2.3.1植被覆蓋度計(jì)算方法

植被覆蓋度和歸一化植被指數(shù)之間存在極顯著的線性相關(guān)關(guān)系, 可以通過(guò)建立二者之間的轉(zhuǎn)換關(guān)系, 直接提取植被覆蓋度信息。使用廣泛應(yīng)用的像元二分模型來(lái)計(jì)算[21]。

式中,NDVI為植被覆蓋部分的值,NDVI為土壤部分的值,為植被覆蓋度。

在ENVI5.1軟件平臺(tái)下, 計(jì)算值的累積頻率, 以 2% 的置信度截取的上下限閾值分別代表NDVI和NDVI

2.3.2 梯形方法

研究表明, 地表溫度/植被指數(shù)、反照率/植被指數(shù)和反照率/植被蓋度等的散點(diǎn)圖在二維空間上形成梯形或三角形, 因此得名為梯形或三角形方法。結(jié)合其他模型, 梯形方法可以對(duì)植被蒸騰、地表通量、干旱監(jiān)測(cè)、土壤蒸發(fā)和土壤含水量等進(jìn)行估算。20世紀(jì)90年代, PRICE JC[22]等提出了“地表溫度/歸一化植被指數(shù)(LST/NDVI)”梯形空間并對(duì)區(qū)域尺度的蒸散量進(jìn)行了估算。NEMANI R等[23]認(rèn)為, 從理論上講, 地表溫度和植被指數(shù) (NDVI) 之間是梯形關(guān)系。CHOUDHURY B等[24]率先以地表反照率代替地表溫度, 構(gòu)建了歸一化植被指數(shù)/反照率的特征空間, 并對(duì)干旱監(jiān)測(cè)進(jìn)行了研究。張仁華[25]、潘竟虎等[26]認(rèn)為, 地表反照率是植被蓋度與土壤含水量的函數(shù), 并且反照率/植被覆蓋度散點(diǎn)圖構(gòu)成的包絡(luò)線呈現(xiàn)梯形, 如圖1所示。

四個(gè)頂點(diǎn)a、a、a和a構(gòu)成了梯形特征空間。點(diǎn)a與a分別代表植被覆蓋率為0時(shí)的裸土表面的最高與最低反照率, 而點(diǎn)a與a分別表示全植被覆蓋時(shí), 植被表面的最高與最低反照率。由a,a兩點(diǎn)決定的上邊界線為“理論干邊”, 表示土壤水分極干的情況, 是給定植被蓋度條件下完全干旱地表對(duì)應(yīng)的最高反照率的極限?，F(xiàn)實(shí)條件下, 由于研究區(qū)范圍與地理位置、地表性狀等的影響, “理論干邊”往往無(wú)法準(zhǔn)確地獲得, 通常用“實(shí)際干邊”來(lái)代替, 即對(duì)應(yīng)覆蓋度變化得到的地表反照率實(shí)際最高值組成的上邊界線。由a,a兩點(diǎn)決定的上邊界線為最低反照率線, 表示地表水分充足的狀況, 同樣, 在應(yīng)用中通常用“實(shí)際濕邊”來(lái)代替。位于“理論干邊”、“理論濕邊”、“實(shí)際干邊”和“實(shí)際濕邊”中間的過(guò)渡線(圖中用虛線表示)近似為直線, 且同一條線上的點(diǎn)具有相同的土壤濕度狀況, 即土壤等濕度線[27–28]。當(dāng)確定了梯形的4個(gè)頂點(diǎn)后, 土壤等濕度線可以由線性內(nèi)插方法獲得[29]。

2.3.3 裸土反照率計(jì)算方法

研究表明, 遙感像元包含植被與土壤2類地物的反射率, 混合像元地表反照率是土壤和植被反照率的加權(quán)和[25,30], 即:

= (1 –)a+Ca(2)

式中,為混合像元地表反照率,為植被覆蓋度,a、a分別表示土壤、植被部分的反照率。以對(duì)上式進(jìn)行求導(dǎo), 得到:

由式(2)、(3), 解得a、a:

,可以由遙感數(shù)據(jù)計(jì)算獲得, 為已知項(xiàng)。欲求得a, 需解得。是梯形框架中等土壤濕度線的斜率, 令

由線性內(nèi)插的假設(shè), 得到方程(6):

式中,k表示第條土壤等濕度線的斜率, k, k分別表示“理論干邊”和“理論濕邊”的斜率值, 實(shí)際應(yīng)用時(shí), 通常用“實(shí)際干邊”和“實(shí)際濕邊”的斜率來(lái)代替, 其余參數(shù)及其含義見(jiàn)圖1。至此, 聯(lián)立方程(4)、 (5)、(7)就可實(shí)現(xiàn)混合像元地表反照率的分解, 進(jìn)而得到剔除植被影響的裸露土壤反照率a。

3 結(jié)果與討論

3.1 裸土反射率

據(jù)上文論述, 欲求反照率/植被覆蓋度的散點(diǎn)圖, 需納入植被覆蓋度和反照率的極值(極大值, 極小值)與其它任意值。因反照率的大小與地物類型密切相關(guān), 因此, 結(jié)合植被覆蓋度和具有特殊反照率的典型地物(如沙漠, 水體等), 在MODIS假彩色合成圖像(波段1、2、3)上選取樣區(qū)(圖2), 以獲取點(diǎn)集(,)。

沙漠可以視為十分干旱的地表, 其反照率近似等于極干裸地(植被覆蓋度近似等于0)的反照率, 實(shí)驗(yàn)區(qū)青海湖湖東洱海周邊沙漠廣泛分布, 選取了2個(gè)典型樣區(qū)以確定“實(shí)際干邊”。大范圍水體可以被看作是非常濕的地表, 其表面反照率近似等于極濕裸地(植被覆蓋度近似等于0)的反照率, 其替代的可行性已經(jīng)得到了科學(xué)論證[31], 在青海湖湖體中選取了2個(gè)典型樣區(qū), 以確定“實(shí)際濕邊”。為了充分利用不同植被覆蓋度條件下, 地物所蘊(yùn)含的反照率信息, 將植被覆蓋度劃分為無(wú)植被、較少、較多覆蓋和基本全覆蓋4個(gè)等級(jí), 然后在各個(gè)等級(jí)中選取若干個(gè)樣區(qū), 以確定土壤等濕度線。上述樣區(qū)內(nèi), 按照MODIS數(shù)據(jù)空間分辨率, 生成格網(wǎng)點(diǎn)(500 m×500 m), 分別提取格網(wǎng)點(diǎn)地理位置上相應(yīng)的黑空寬波段近紅外反照率、植被覆蓋度值, 進(jìn)而形成點(diǎn)集(,)。刪除異常值的點(diǎn)集(植被蓋度為負(fù)數(shù)或者大于1, 由MODIS NDVI數(shù)據(jù)異常所致), 然后繪制散點(diǎn)圖, 得到試驗(yàn)區(qū)實(shí)際地表反照率/植被覆蓋度梯形特征空間(圖3)。

于是得到實(shí)際梯形4個(gè)頂點(diǎn)坐標(biāo): A(0.058, 0.3487), B(0.4343, 0.3739), C(0.4343, 0.1242)和D(0.058, 0.1980)。據(jù)此, 就很容易得到: 實(shí)際干邊斜率K=0.058, 即式(7)中的k, “實(shí)際濕邊”斜率K=-0.17, 即式(7)中的, 以及a=0.3739和a=0.1242。依據(jù)公式(4)、(5)、(6)和(7), 得到消除植被影響的裸土反射率s。

圖2 實(shí)測(cè)土壤采樣點(diǎn)位置及獲取地表反照率、植被覆蓋度值的樣區(qū)圖

至此, 裸土反照率由寬波段地表反照率(屬混合像元)和植被覆蓋度計(jì)算獲得。

3.2 土壤有機(jī)質(zhì)含量遙感估算

3.2.1 土壤有機(jī)質(zhì)含量遙感敏感波段

將實(shí)測(cè)土壤有機(jī)質(zhì)點(diǎn)矢量數(shù)據(jù)和處理后MODIS BRDF/Albedo柵格數(shù)據(jù)空間位置匹配后, 進(jìn)行兩者之間的相關(guān)性分析(表1)。結(jié)果表明, BRDF/Albedo的7個(gè)黑空窄波段反照率中, 波段2, 波段5和波段6的相關(guān)系數(shù)分別為0.583、0.631和0.625, 與土壤有機(jī)質(zhì)含量顯著相關(guān); 3個(gè)寬波段反照率中, 近紅外與短波寬波段相關(guān)系數(shù)分別為0.704與0.670, 與土壤有機(jī)質(zhì)含量顯著相關(guān)。這證明了本文提出的猜想, 即寬波段寬度大, 含有更加豐富、完整的土壤有機(jī)質(zhì)信息。同時(shí), 相關(guān)性分析也表明, 上述5個(gè)波段均含有土壤有機(jī)質(zhì)信息, 是青海湖流域表層土壤有機(jī)質(zhì)含量遙感反演的敏感波段, 至此, 可以將這5個(gè)波段進(jìn)行組合, 構(gòu)建有機(jī)質(zhì)反演模型, 然后選取最優(yōu)模型。但是, 為了實(shí)證消除植被影響而恢復(fù)裸露土壤光譜信息, 進(jìn)而可能會(huì)提高遙感估算精度的這一假設(shè), 我們只選取相關(guān)性最大的黑空寬波段近紅外反照率進(jìn)行區(qū)域尺度的土壤有機(jī)質(zhì)含量遙感估算研究。

圖3 試驗(yàn)區(qū)實(shí)際地表反射率/植被覆蓋度梯形特征空間

3.2.2 估算模型構(gòu)建

從2016年的28個(gè)土壤樣點(diǎn)中選取14個(gè), 將實(shí)測(cè)土壤有機(jī)質(zhì)含量與黑空寬波段近紅外反照率, 裸土反照率s分別進(jìn)行逐步線性回歸, 構(gòu)建遙感估算模型(圖4)。

表1 實(shí)測(cè)土壤有機(jī)質(zhì)含量與MODIS BRDF/Albedo產(chǎn)品的相關(guān)性分析表

注: * 表示在 0.01 水平(雙側(cè))上顯著相關(guān)。

圖4 土壤有機(jī)質(zhì)含量遙感估算模型 a.基于黑空寬波段近紅外反照率的線性模型 b.基于裸土反照率的線性模型

Fig. 4 Remote sensing model for estimation soil organic matter. There into, a. linear model based on black-sky albedo of near-infrared broad band, and b. linear model based on bare soil albedo

黑空寬波段近紅外反照率土壤有機(jī)質(zhì)估算模型:

= 774.05– 137.38,2 = 0.70 (9)

裸土反射率土壤有機(jī)質(zhì)估算模型:

840.67a- 165.86,2 = 0.75 (10)

式中,為遙感估算的土壤有機(jī)質(zhì)含量(g·kg–1),為黑空寬波段近紅外反照率,s為裸土反照率。

通常, 線性回歸模型的優(yōu)劣取決于兩個(gè)方面, 一是模型的決定系數(shù)2,2越大, 模型越好, 二是擬合模型點(diǎn)群的趨勢(shì), 若點(diǎn)群中, 更多的點(diǎn)通過(guò)或更加接近擬合直線, 則模型優(yōu)。因消除植被覆蓋影響后的裸土反照率值小于混合像元反照率(即黑空寬波段近紅外反照率)值, 建模點(diǎn)在圖4. a相對(duì)離散, 而在4. b圖中相對(duì)集中(圖4. a, 4. b的縱橫坐標(biāo)單位與刻度相同), 因此, 在圖4. b中, 更多的點(diǎn)通過(guò)或更加接近擬合直線。另外, 從模型的判定系數(shù)2來(lái)看, 裸土反射率估算模型的最大。因此, 消除植被覆蓋影響的裸土反照率估算模型, 其擬合效果好。為了進(jìn)一步驗(yàn)證模型估算的準(zhǔn)確性, 需進(jìn)行估算精度的比較。

3.2.3 模型精度比較

用均方根誤差(Root Mean Squared Error, RMSE), 平均絕對(duì)百分比誤差(Mean Absolute Percentage Error, MAPE)和希爾不等系數(shù)(Theil Inequality Coefficient, TIC)評(píng)價(jià)模型誤差[32]?？紤]到青藏高原高寒地區(qū), 土壤有機(jī)質(zhì)含量值在較短的幾年內(nèi)變化不大, 將2013年的13個(gè)土樣和2016年建模剩余的14個(gè)土樣, 共27個(gè)有機(jī)質(zhì)實(shí)測(cè)值與上述2種遙感模型估算結(jié)果進(jìn)行精度評(píng)價(jià)(表2)。均方根誤差、平均絕對(duì)百分比誤差和希爾不等系數(shù)3個(gè)評(píng)價(jià)指標(biāo)均表明, 裸土反照率模型的精度高于黑空寬波段近紅外反照率模型的精度。

3.2.4 土壤有機(jī)質(zhì)含量空間格局

據(jù)(10)式, 在ARCGIS 10軟件平臺(tái)下, 借助柵格計(jì)算工具得到像元尺度的表層(0—20 cm)土壤有機(jī)質(zhì)含量, 并繪制成空間分布圖(圖5)。整體上看, 土壤有機(jī)質(zhì)含量的空間異質(zhì)性與土壤類型和植被類型的空間異質(zhì)性基本一致, 這種異質(zhì)性是由土壤屬性(理化性質(zhì), 土壤濕度, 容重和顆粒組成等)以及地形(海拔, 坡度坡向等)、植被和人類活動(dòng)(例如耕地等土地利用類型)等因素綜合影響的結(jié)果[33-34]。也正是這些因素的影響, 使局部地區(qū)土壤有機(jī)質(zhì)含量估算出現(xiàn)了誤差。青海湖湖東沙漠地區(qū)估算值偏大。沙地植被稀疏, 土壤有機(jī)質(zhì)含量少。沙子在近紅外范圍內(nèi)的反照率較高, 導(dǎo)致估算結(jié)果偏高。河谷地區(qū), 距離水源較近, 土壤含水量較大, 致使近紅外的反照率較低, 有機(jī)質(zhì)含量估算偏低。

表2 兩種模型估算結(jié)果精度比較

在ARCGIS 10軟件空間分析區(qū)統(tǒng)計(jì)模塊下, 計(jì)算得到青海湖流域表層(0—20 cm)土壤有機(jī)質(zhì)含量與各土壤類型的SOM統(tǒng)計(jì)特征。表層土壤有機(jī)質(zhì)含量介于47.41—77.40 g·kg–1之間的, 其面積占整個(gè)流域總面積的30.83%, 所占比例最大, 介于27.42—47.41 g·kg–1范圍內(nèi)的面積占流域總面積的25.72%, 在117.38—187.35 g·kg–1范圍內(nèi)的占0.70%, 大于187.35 g·kg–1的占0.12%, 所占比例小。流域內(nèi)面積較大的土壤類型是草氈土, 薄黑氈土和栗鈣土, 分別占流域總面積的30.67%, 14.98%和11.43%, 其總的SOM分別為928667 g·kg–1, 705237 g·kg–1和608342 g·kg–1。

3.3 不同植被類型下土壤有機(jī)質(zhì)估算結(jié)果

植被是自然地理環(huán)境的重要組成部分, 很大程度上影響了土壤有機(jī)質(zhì)的空間格局, 因此, 利用植被類型基礎(chǔ)地理信息數(shù)據(jù), 在ARCGIS 10空間分析區(qū)統(tǒng)計(jì)模塊中, 將裸土反照率模型估算結(jié)果進(jìn)行統(tǒng)計(jì), 并與相關(guān)研究成果進(jìn)行了對(duì)比分析與討論(表3)。

圖5 青海湖流域表層(0—20 cm)土壤有機(jī)質(zhì)含量遙感估算圖

溫帶高寒草原植被類型, 青海湖流域主要是針茅草原, 估算值與文獻(xiàn)[35-36]結(jié)果相近。溫帶高寒草甸植被類型, 流域內(nèi)主要是嵩草草甸, 大部分分布在流域的西北部, 海拔較高, 地形起伏大, 估算結(jié)果比文獻(xiàn)[37-38]值略低, 這可能是建模點(diǎn)數(shù)量較少, 且空間上距離該植被類型較遠(yuǎn), 加之, 地形坡度坡向的影響, 致使遙感像元值總體比真實(shí)值低, 估算值偏低, 與實(shí)際不符。溫帶叢生矮禾草、矮半灌木草原, 文獻(xiàn)[39-40]中, 無(wú)論是金露梅灌叢草地, 高山柳—金露梅灌叢草地, 還是祁連圓柏的土壤有機(jī)質(zhì)含量, 均是在這些優(yōu)勢(shì)種占絕對(duì)優(yōu)勢(shì)的群落中的實(shí)測(cè)值, 因此文獻(xiàn)值較高, 但實(shí)驗(yàn)區(qū), 這些矮半灌木主要分布在青海湖環(huán)湖周圍的山坡上, 群落密度較低, 且多為零星分布, 加之, 由于水土流失, 因而表層土壤有機(jī)質(zhì)較低, 因此, 模型估算結(jié)果是可靠的。溫帶草甸, 主要植被為芨芨草鹽生草甸, 廣泛分布于青海湖湖岸, 尤其是湖東岸, 估算值與文獻(xiàn)[41]值接近。無(wú)植被地段, 主要是高寒荒漠和冰川雪被, 分布在海拔高的流域西部。這些地段, 目前人類難以開(kāi)展農(nóng)牧業(yè)活動(dòng), 故估算有機(jī)質(zhì)含量的意義不大。耕地主要分布在青海湖農(nóng)場(chǎng), 該農(nóng)場(chǎng)自1958年創(chuàng)建以來(lái), 經(jīng)過(guò)近60年的人為耕作, 土壤有機(jī)質(zhì)含量自然較高, 其有機(jī)質(zhì)含量估算值是整個(gè)植被類型中最高的, 估算結(jié)果可靠。

表3 不同植被類型下土壤有機(jī)質(zhì)估算結(jié)果及其相關(guān)文獻(xiàn)研究成果

4 結(jié)論

針對(duì)多光譜遙感波段寬度較窄的固有缺陷, 提出了寬波段可能含有較豐富的土壤有機(jī)質(zhì)信息的假設(shè), 并得到了實(shí)證。另外, 利用MODIS遙感數(shù)據(jù), 繪制了地表反照率/植被覆蓋度梯形特征空間, 從混合像元地表反照率中成功地分離出裸土反照率, 消除了植被的影響, 恢復(fù)了土壤固有的光譜反射特性。該方法只需在遙感圖像上選取沙地、水體以及不同植被覆蓋度下的典型地物以確定 “干邊”、“濕邊”以及干濕邊間的過(guò)渡線, 然后依據(jù)這些邊線形成的梯形特征空間, 通過(guò)推導(dǎo)計(jì)算, 就能獲得裸土反照率, 因此簡(jiǎn)單易操作, 有助于提高有機(jī)質(zhì)等土壤屬性的遙感估算精度。

(1) 裸土反照率a是寬波段地表反照率與植被覆蓋度的函數(shù), 即a=(1+) +。和參數(shù)均可以從遙感數(shù)據(jù)獲得, 且來(lái)自于同一個(gè)遙感平臺(tái), 數(shù)據(jù)獲取時(shí)間同步, 保證了數(shù)據(jù)參數(shù)的可靠性。,是待定系數(shù), 實(shí)證實(shí)驗(yàn)區(qū)青海湖流域中,=–0.8811,=0.2794。

(2) 實(shí)驗(yàn)區(qū)表層(0—20 cm)土壤有機(jī)質(zhì)含量與MODIS 黑空BRDF/Albedo反照率的3個(gè)窄波段(波段2, 波段5, 波段6)和2個(gè)寬波段(近紅外與短波)呈正相關(guān), 且寬波段的相關(guān)性高于窄波段, 其中, 近紅外寬波段的相關(guān)性最高, 含有更加豐富、完整的有機(jī)質(zhì)信息。

(3) 黑空寬波段近紅外反照率可以估算實(shí)驗(yàn)區(qū)表層(0—20 cm)土壤有機(jī)質(zhì)含量, 但其消除植被影響后而得到的裸土反照率, 更顯著地提高了估算精度。

構(gòu)建地表反照率/植被覆蓋度梯形空間時(shí), 關(guān)鍵是干、濕邊的確定。本文分別采用沙漠、湖泊水體確定。因估算的是區(qū)域尺度的土壤有機(jī)質(zhì)含量, 其地域范圍大, 一般能夠找尋到相應(yīng)的地物類別, 如河流、湖泊、水庫(kù)和池塘等“濕邊”。對(duì)于“干邊”, 如果沒(méi)有沙漠等極其干旱的地類, 可以找尋相對(duì)含水量較低的地類(一般地, 反照率圖像上色調(diào)為白色的地類), 但要確保干、濕邊形成梯形。

實(shí)驗(yàn)區(qū)嵩草草甸的土壤有機(jī)質(zhì)含量估算較低, 與實(shí)際不符。原因可能是, 嵩草草甸主要分布在青海湖流域的西北部, 海拔較高, 地形崎嶇, 交通不暢, 采樣困難, 導(dǎo)致建模點(diǎn)數(shù)量較少, 且空間上距離該植被類型較遠(yuǎn), 加之, 復(fù)雜地形的影響, 導(dǎo)致遙感像元值比真實(shí)值低, 導(dǎo)致估算值低。未來(lái)可通過(guò)采樣或其他方式獲取更多的土壤有機(jī)質(zhì)含量數(shù)據(jù)作為實(shí)測(cè)數(shù)據(jù), 地形的影響可以通過(guò)遙感圖像的地形校正予以消除或降低這種影響。沙漠以及含水量較大的土壤如河谷等接近水體地區(qū)的土壤, 在近紅外范圍內(nèi)反射率較高或較低, 導(dǎo)致土壤有機(jī)質(zhì)含量估算結(jié)果偏高或偏低, 這是應(yīng)用近紅外波段反演土壤有機(jī)質(zhì)含量的最大難題與挑戰(zhàn), 今后可以嘗試結(jié)合其他波段予以解決。

實(shí)驗(yàn)區(qū)青海湖流域?qū)儆诟吆貐^(qū), 植被以低矮的草類為主, 植被結(jié)構(gòu)為連續(xù)型, 電磁輻射在植被/地表界面涉及的散射次數(shù)較少, 該方法在地表反照率分解與土壤有機(jī)質(zhì)含量遙感估算方面取得了較好的效果, 但在其他地區(qū), 例如植被結(jié)構(gòu)為離散型的森林地區(qū), 其適宜性尚需進(jìn)一步驗(yàn)證。

[1] 王盼盼, 李艷紅, 徐莉. 艾比湖濕地典型植物群落下土壤有機(jī)質(zhì)空間變異性研究[J]. 生態(tài)科學(xué), 2015, 34(4): 131–136.

[2] 夏楠, 塔西甫拉提·特依拜, 丁建麗, 等. 基于多光譜數(shù)據(jù)的荒漠礦區(qū)土壤有機(jī)質(zhì)估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(6): 263–267.

[3] 彭文甫, 周介銘, 徐新良, 等. 成都平原及其周邊區(qū)域土地利用碳排放效應(yīng)及空間格局[J]. 生態(tài)科學(xué), 2017, 36(3): 105–114.

[4] 劉影, 姚艷敏. 土壤含水量高光譜遙感定量反演研究進(jìn)展[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2016, 32(7): 127–134.

[5] GALV?O L S, VITORELLO í. Variability of laboratory measured soil lines of soils from southeastern Brazil [J]. Remote Sensing of Environment, 1998, 63(2): 166–181.

[6] KRISHNAN P, ALEXANDER J D, BUTLER B J, et al. Reflectance technique for predicting soil organic matter [J]. Soil Science Society of America Journal, 1980, 44(6): 1282–1285.

[7] GUNSAULIS F R, KOCHER M F, GRIFFIS C L. Surface structure effects on close–range reflectance as a function of soil organic matter content [J]. Transactions of the ASAE, 1991, 34(2): 641–0649.

[8] 劉煥軍, 張柏, 趙軍, 等. 黑土有機(jī)質(zhì)含量高光譜模型研究[J]. 土壤學(xué)報(bào), 2007, 44(1): 27–32.

[9] 盧艷麗, 白由路, 楊俐蘋, 等. 基于主成分回歸分析的土壤有機(jī)質(zhì)高光譜預(yù)測(cè)與模型驗(yàn)證[J]. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào), 2008, 14(6): 1076–1082.

[10] 劉煒, 常慶瑞, 郭曼, 等. 土壤導(dǎo)數(shù)光譜小波去噪與有機(jī)質(zhì)吸收特征提取[J]. 光譜學(xué)與光譜分析, 2011, 31(1): 100–104.

[11] 沈潤(rùn)平, 丁國(guó)香, 魏國(guó)栓, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的土壤有機(jī)質(zhì)含量高光譜反演[J]. 土壤學(xué)報(bào), 2009, 46(3): 391–397.

[12] 呂長(zhǎng)春, 王忠武, 錢少猛. 混合像元分解模型綜述[J]. 遙感信息, 2003, 17(3): 55–60.

[13] 桂預(yù)風(fēng), 張繼賢, 林宗堅(jiān). 土地利用遙感動(dòng)態(tài)監(jiān)測(cè)中混合像元的分解方法研究[J]. 遙感信息, 2000, 14(2): 18–20.

[14] 鄭麗. 混合像元分解及其應(yīng)用研究[D]. 重慶: 重慶交通大學(xué), 2010.

[15] 劉培君, 張琳, 庫(kù)爾班艾·里西爾,等. 衛(wèi)星遙感估測(cè)土壤水分的一種方法[J]. 遙感學(xué)報(bào), 1997, 1(2): 135–138.

[16] HENDERSON A C G, HOLMES J A, ZHANG J, et al. A carbon-and oxygen-isotope record of recent environmental change from Qinghai Lake, NE Tibetan Plateau [J]. Chinese Science Bulletin, 2003, 48(14): 1463–1468.

[17] 江波, 張路, 歐陽(yáng)志云. 青海湖濕地生態(tài)系統(tǒng)服務(wù)價(jià)值評(píng)估[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2015, 26(10): 3137–3144.

[18] 曹生奎, 曹廣超, 陳克龍, 等. 青海湖高寒濕地土壤有機(jī)碳含量變化特征分析[J]. 土壤, 2013, 45(3): 392–398.

[19] ROMáN M O, SCHAAF C B, WOODCOCK C E, et al. The MODIS (Collection V005) BRDF/albedo product: Assessment of spatial representativeness over forested landscapes [J]. Remote Sensing of Environment, 2009, 113(11): 2476–2498.

[20] NASA EOSDIS LAND PROCESSES DAAC. MODIS Bidirectional Reflectance Distribution Function (BRDF) / Albedo Parameter [OL]. https://modis.gsfc.nasa.gov/ data/dataprod/mod43.php, 2014–04–14.

[21] 張學(xué)珍, 朱金峰. 1982—2006 年中國(guó)東部植被覆蓋度的變化 [J]. 氣候與環(huán)境研究, 2013, 18(3): 365–374.

[22] PRICE J C. Using spatial context in satellite data to infer regional scale evapotranspiration [J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(5): 940-948.

[23] NEMANI R, PIERCE L, RUNNING S, et al. Developing satellite-derived estimates of surface moisture status [J]. Journal of Applied Meteorology, 1993, 32(3): 548–557.

[24] CHOUDHURY B J, AHMED N U, IDSO S B, et al. Relations between evaporation coefficients and vegetation indices studied by model simulations[J]. Remote sensing of Environment, 1994, 50(1): 1–17.

[25] 張仁華, 孫曉敏, 王偉民, 等. 一種可操作的區(qū)域尺度地表通量定量遙感二層模型的物理基礎(chǔ)[J]. 中國(guó)科學(xué)D輯: 地球科學(xué), 2004, 34(增刊II): 200–216.

[26] 潘竟虎, 李天宇. 基于光譜混合分析和反照率-植被蓋度特征空間的土地荒漠化遙感評(píng)價(jià)[J]. 自然資源學(xué)報(bào), 2010, 25(11): 1960–1969.

[27] SANDHOLT I, RASMUSSEN K, ANDERSEN J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment, 2002, 79(2): 213–224.

[28] GILLIES R R, KUSTAS W P, HUMES K S. A verification of the 'triangle' method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface e [J]. International Journal of Remote Sensing, 1997, 18(15): 3145–3166.

[29] 田靜, 蘇紅波, 孫曉敏, 等. 遙感反演土壤蒸發(fā)/植被蒸騰二層模型在華北地區(qū)的應(yīng)用[J]. 地理研究, 2009, 28(5): 1297–1306.

[30] 龍曉閩, 周忠發(fā), 張會(huì), 等. 基于NDVI像元二分模型植被覆蓋度反演喀斯特石漠化研究——以貴州畢節(jié)鴨池示范區(qū)為例[J].安徽農(nóng)業(yè)科學(xué), 2010, 38(8): 4184–4186.

[31] CARLSON T. An overview of the "triangle method" for estimating surface evapotranspiration and soil moisture from satellite imagery [J]. Sensors, 2007, 7(8): 1612–1629.

[32] 余向洋, 朱國(guó)興, 沙潤(rùn), 等. 基于月度數(shù)據(jù)的景區(qū)客流預(yù)測(cè)優(yōu)化研究——以黃山風(fēng)景區(qū)為例[J]. 經(jīng)濟(jì)地理, 2012, 32(7): 152–158.

[33] 王茵茵, 齊雁冰, 陳洋, 等. 基于多分辨率遙感數(shù)據(jù)與隨機(jī)森林算法的土壤有機(jī)質(zhì)預(yù)測(cè)研究[J]. 土壤學(xué)報(bào), 2016, 53(2): 342–254.

[34] 宮兆寧, 李洪, 阿多, 等. 官?gòu)d水庫(kù)消落帶土壤有機(jī)質(zhì)空間分布特征[J]. 生態(tài)學(xué)報(bào), 2017, 37(24): 1–12.

[35] 趙帥, 張靜妮, 賴欣, 等. 放牧與圍欄內(nèi)蒙古針茅草原土壤微生物生物量碳、氮變化及微生物群落結(jié)構(gòu)PLFA分析[J]. 2011, 30(6): 1126–1134.

[36] 耿遠(yuǎn)波, 章申, 董云社, 等. 草原土壤的碳氮含量及其與溫室氣體通量的相關(guān)性[J]. 地理學(xué)報(bào), 2001, 56(1): 44–53.

[37] 鄢燕, 張建國(guó), 張錦華, 等.西藏那曲地區(qū)高寒草地地下生物量[J]. 生態(tài)學(xué)報(bào), 2006, 26(6): 1926–1932.

[38] 李明森. 藏北高原草地資源合理利用. 自然資源學(xué)報(bào)[J]. 2000, 15(4): 335–339.

[39] 丁玲玲, 龍瑞軍, 祁彪, 等. 東祁連山高寒草地土壤微生物碳氮研究[J]. 甘肅農(nóng)業(yè)大學(xué)學(xué)報(bào), 2005, (5): 639–645.

[40] 高嬋嬋, 趙傳燕, 王超, 等. 黑河上游天老池流域不同植被下土壤理化性質(zhì)和入滲特征[J]. 水土保持學(xué)報(bào), 2016,30(1): 117–126.

[41] 馮曉航, 陳克龍, 毛亞輝. 青海湖小泊湖濕地不同群落土壤有機(jī)碳、氮研究[J]. 安徽農(nóng)業(yè)科學(xué), 2014, 53(15): 4736–4739.

A soil organic matter retrieval method by eliminating the influence of vegetation spectra on soil spectra inQinghai Lake Basin

WU Chengyong1, 2, 3, CAO Guangchao2, 3, CHEN Kelong2, 3,*, MAO Yahui1, 2, 3, WANG Qi1, 2, 3, YUAN Jie1, 2, 3, E Chongyi1, 2, 3

1. College of Geographical Science, Qinghai Normal University, Xining 810008, China 2. Key Laboratory of Environment and Ecology of Qinghai-Tibet Plateau, Ministry of Education, Xining 810008, China 3. Qinghai Key Laboratory of Natural Geography and Environmental Processes, Xining 810008, China

Remote sensing (RS) technique can measure soil organic matter (SOM) at regional scales, which plays an important role in climate, terrestrial ecosystem and agriculture field. However, the existing multi-spectral RS images have limited SOM information because of their narrow band width, which leads to the low accuracy of estimation SOM results. Therefore, taking the Qinghai Lake basin as an empirical research area, we comparatively analyzed the field SOM data that was collected at the end of September 2016 (During this time period, the grasses and other vegetation stopped growth and the accumulation of SOM reached the highest throughout the year) and the data of MODIS black sky BRDF / Albedo products. Analysis showed that the correlation of the broad bands (correlation coefficientof near-infrared and shortwave band wereR=0.704 andR=0.670 respectively) was higher than that of the narrow bands (R=0.583,R=0.631 andR=0.625), which confirmed that broad bands contained all-round SOM information. To further improve SOM estimation accuracy, a wide band near-infrared albedo/vegetation coverage trapezoidal feature space was constructed based on trapezoidal method. The bare soil albedo was successfully separated from the broad band soil albedo containing soil and vegetation mixed spectra, and both RS models for estimating SOM were constructed separately. Verification showed that the accuracy of bare soil albedo model which eliminated the influence of vegetation spectra on mixed spectra (Root Mean Squared Error, RMSE = 16.87, Mean Absolute Percentage Error, MAPE = 30.0% and Theil Inequality Coefficient, TIC = 0.22) was higher than the broad band albedo model (RMSE = 20.12, MAPE = 31.0% and TIC = 0.27). As its maneuverability and practicability, this method has great significance not only for improving retrieval accuracy of SOM, but also providing a new sight for RS retrieval other soil properties such as the content of N, P and other elements.

SOM; remote sensing retrieval; albedo; trapezoid method

10.14108/j.cnki.1008-8873.2018.05.009

TP79

A

1008-8873(2018)05-060-12

2017-09-28;

2018-09-08

國(guó)家自然科學(xué)基金(41661023); 國(guó)家哲學(xué)社會(huì)科學(xué)基金(14XMZ072); 青海省科技廳自然科學(xué)基金項(xiàng)目(2017-ZJ-901); 教育部“春暉計(jì)劃”合作科研項(xiàng)目基金(Z2012092, S2016026)

吳成永(1978—), 男, 甘肅通渭人, 在讀博士, 主要從事遙感與地理信息系統(tǒng)應(yīng)用研究, E-mail: giswuchengyong@163.com

通信作者:陳克龍(1965—), 男, 安徽蕪湖人, 教授, 博士生導(dǎo)師, 主要從事生物地理與濕地生態(tài)研究, E-mail: ckl7813@163.com

吳成永, 曹廣超, 陳克龍,等.一種青海湖流域消除植被光譜對(duì)土壤光譜影響的土壤有機(jī)質(zhì)含量遙感估算方法[J]. 生態(tài)科學(xué), 2018, 37(5): 60-71.

WU Chengyong, CAO Guangchao, CHEN Kelong, et al. A soil organic matter retrieval method by eliminating the influence of vegetation spectra on soil spectra in Qinghai Lake Basin[J]. Ecological Science, 2018, 37(5): 60-71.