本文摘要：本中國土地科學論文以黃河三角洲地區墾利縣一處典型區域為研究對象，以Landsat8遙感影像獲取的土壤光譜信息為基礎，通過光譜分析、光譜與土壤鹽分的相關性分析，探索基于Landsat8遙感數據的土壤鹽漬化信息提取方法，以期快速經濟地提取土壤鹽漬化定量信息，
本中國土地科學論文以黃河三角洲地區墾利縣一處典型區域為研究對象，以Landsat8遙感影像獲取的土壤光譜信息為基礎，通過光譜分析、光譜與土壤鹽分的相關性分析，探索基于Landsat8遙感數據的土壤鹽漬化信息提取方法，以期快速經濟地提取土壤鹽漬化定量信息，為預報區域土壤鹽漬化狀況、制訂綜合治理措施、合理利用土地提供依據。
《中國土地科學》是由中國科協主管、中國土地學會和中國土地勘測規劃院共同主辦的中國土地科學領域惟一全國性學術期刊，也是中國土地學會會刊�！吨袊恋乜茖W》[1] 是集中文核心期刊、中國科技核心期刊、中國人文社會科學核心期刊、中文社會科學引文索引期刊、中國科學引文數據庫來源期刊、中國學術期刊引文期刊、SPCUE50家來源期刊和JI收錄期刊于一身的權威學術刊物。
摘要： 土壤鹽漬化是最常見的土壤退化過程，墾利縣位于黃河三角洲核心地帶，是土壤鹽漬化比較典型的區域。本研究在鹽漬土野外調查采樣的基礎上，依據土壤理化分析和Landsat8衛星光譜數據，選取了相關性以及診斷指數較好的3個波段的反射率作為鹽分反演因子，分別建立數理統計模型與BP神經網絡鹽分反演模型。研究表明：BP神經網絡模型的精度明顯優于傳統多元回歸模型，且反演模型更適合高鹽度區域土壤鹽漬化反演制圖，具有較好的應用前景。
關鍵詞：BP神經網絡;土壤鹽漬化;Landsat8;黃河三角洲
鹽漬化土壤是在一定環境條件下，諸多因素(特別是氣候、地形、地質、水文和水文地質及生物因素)共同對水鹽運動產生影響的結果1。土壤鹽漬化通常出現在氣候干旱、土壤蒸發強度大及地下水中含有較多可溶性鹽類的地區。土壤性質不良、地下水位高過臨界深度、毛細管水向上運動和土壤強烈蒸發，使土壤水中的鹽分逐漸在土壤表層積累形成土壤鹽漬化。土壤鹽漬化不但造成資源的破壞和農業生產的巨大損失，而且還對生物圈和生態環境構成威脅。
黃河三角洲是我國重要的后備土地資源區，受河流、陸地、海洋等多種動力系統的作用，鹽漬土面積大、分布廣，土地鹽漬化成了制約黃河三角洲區域經濟發展的主要因素2。因此，土壤鹽漬化的監測和預報成為開發利用鹽漬土資源、實現當地農業可持續發展急需解決的研究課題，土壤鹽漬化遙感提取與監測則是重要的研究手段。
目前，針對土壤鹽漬化信息遙感提取的相關研究，多以TM、SPOT等多光譜影像為信息源，波段較少，對土壤鹽漬化細微變化反映不明顯。國外利用衛星遙感進行土壤鹽漬化監測研究始于20世紀70年代，90年代以來，遙感數據源更加豐富，方法日趨成熟。鹽漬土信息的提取主要是基于光譜響應特征。 Dwivedi等3對鹽漬土監測的最佳波段組合進行試驗研究，單純從信息量來衡量，TM數據1、3和5波段組合所含信息量最大，但鹽漬土信息提取的精度并不與遙感數據信息量的大小成正比關系。Ben-Dor等4利用DAIS-7915傳感器的高光譜數據定量反演了土壤濕度信息，通過土壤濕度參數間接反演土壤鹽分。國內學者也進行了相關研究，關元秀等5先對TM數據作纓帽變換，對亮度、綠度和濕度分量進行假彩色合成，然后再監督分類，將黃河三角洲土地鹽堿化的現狀分為4個等級。吳陽春6利用最小二乘支持向量機回歸分析方法建立了松遼平原鹽漬土土壤鹽分關系模型，揭示了環境減災衛星在土壤鹽漬化中的監測和鹽分定量估算的能力。
1研究區概況與數據
1.1研究區概況
研究區在黃河三角洲核心區域墾利縣，地處東經118°35′19.26″～118°50′25.94″，北緯37°31′22.22″ ～37°44′06.47″，屬于黃河沖積平原，溫帶季風型大陸性氣候，其成土過程短，土層薄，加之當地區域地勢低平，地下水位高，礦化度大，多年平均降水量為600 mm，平均蒸發量1 944 mm，蒸降比達3∶1，毛細管作用強烈，鹽分容易升至地表，導致土壤大面積鹽漬化7。
1.2基礎數據
來源于東營市1∶100 000比例尺土地利用現狀圖，中國科學院地理科學與資源研究所提供的數據，以及黃河三角洲地區2002、2003、2006年土壤采集樣品的pH值、全鹽量、有機質、八大離子的化驗數據。
1.3野外實測鹽分數據
野外采集土壤樣本的時間為2014年4月下旬的4天，此時該地區大部分農田閑耕，土壤裸露，光板地上有斑塊插花分布的枯敗翅堿蓬、檉柳或蘆葦。為了保持數據的準確性，將野外采集時間定在10∶00～14∶30之間，與Landsat8遙感影像的獲取時間基本同步，以便合理地提取土壤含鹽量信息。選擇地勢平坦、地表裸露的研究區域進行采樣，共選擇了50處采集點：耕地13處，草地8處，蘆葦地10處，裸地7處，棉花地9處，林地3處。記錄每處位置坐標，在50 m×50 m的采樣單元范圍內，均勻混合2～4份表層0～10 cm的土壤樣本，風干后適當研磨，裝入容器待用。委托東營市城市管理局園林綠化處進行全鹽量化驗，使用土壤電導率儀DDSJ-308A測量，電導率法求得土壤中可溶鹽分總量(表1)。
1.4Landsat8影像介紹
Landsat8衛星由美國地質調查局于2013年2月11日發射，是Landsat系列對地觀測遙感衛星的最新型號。Landsat8首次采用推掃式成像掃描方式，該衛星搭載了OLI和TIRS兩個傳感器，其中OLI共包括9個波段：1個空間分辨率為15 m的全色波段，7個空間分辨率為30 m的多光譜波段，以及1個中心波長為1.3730 μm卷云(Cirrus)識別波段;TIRS則設置了兩個熱紅外波段8。
本研究采用從USGS網站上下載的2014年5月1日云覆蓋量為3.29%的Landsat8多光譜影像。第一步：對下載衛星影像進行預處理，主要包括幾何校正、輻射定標和Flaash大氣校正。由MTL文件可知Y方向的幾何誤差為5.267 m，X方向的幾何誤差為5.236 m，滿足幾何精度要求。隨后進行輻射定標。用ENVI工具箱對多光譜數據進行FLAASH大氣校正，經過大氣校正后的光譜反射率已無明顯的大氣、水汽等吸收特征，較好地體現出地物真實的光譜特征。第二步：對影像進行裁剪，建立感興趣區，裁剪后得到研究區域。研究區假彩色合成圖及其采樣點分布如圖2所示。
2數據處理
2.1鹽漬土光譜曲線特征分析
將研究區50個土壤光譜按鹽分含量對反射率曲線分為5組，組內土樣光譜反射率取均值，結果見圖3，可以看出曲線總體形態和趨勢是一致的，即光譜反射率在可見光和近紅外部分不高，呈增大趨勢，在短波紅外波段達最高后，隨著土壤鹽漬化程度的加重，又呈現降低趨勢。該研究區土樣為氯化物型濱海鹽土，富含NaCl和MgCl2，而氯化物極易吸收空氣中的水分，因此，鹽漬化程度越高的土壤其光譜反射率越低9。
2.2特征波段的選擇
通過研究遙感影像中鹽漬化土壤光譜曲線的光譜特征，選擇出能夠定量反演研究區土壤鹽分含量的光譜反射率敏感波段，計算實測光譜在各波段的反射率值的均方差、反射率值與土壤鹽分含量之間的相關系數和診斷指數，以期建立可靠的預測方程，進行定量化制圖。
2.2.1單波段光譜反射率與鹽分的相關分析將Landsat8遙感影像中對50個采樣點7個波段的多光譜反射率數據與采樣點的土壤鹽分含量數據進行相關性分析，從單相關系數的計算結果(表2)可以看出，監測點土壤鹽分與實測地面光譜反射率值呈負相關;在第5、6、7波段的相關性明顯高于前4 個波段的，因此，土壤含鹽量在近紅外波和短波紅外波段與光譜反射率相關系數比較大。
2.2.2獲得土壤含鹽量的診斷光譜各種地物具有豐富且獨特的波譜信息，進行光譜診斷的目的，就是要從豐富的光譜信息中提取最能反映樣本間差異的波段。本文所用的診斷指數，主要用于研究Landsat8多光譜各個波段對土壤鹽分含量的敏感程度的差異。診斷指數Pi的計算公式如下：
Pi=σi×Ri
式中σi為樣本光譜曲線在波段i上反射率值的標準差，Ri為波段i上的反射率數值與土壤鹽分含量之間的相關系數。分別計算出Landsat8遙感影像1～7波段的Ri、σi、Pi，結果見表2。
3統計模型的建立與應用
由以上光譜分析可知，研究區的土壤反射率數據在第5、6、7波段與土壤鹽分含量數據存在較好的相關關系。為了將兩者的關系進一步量化，嘗試建立了兩者的統計模型。從50個樣本中剔除不佳采樣點以及儀器或人為操作而造成的畸異值5個，將剩下的45個樣本隨機分成兩組：一組35個土壤樣本，用于建立回歸預測模型;另一組10個土壤樣本，作為檢驗樣本用于驗證建立的模型。
對獲取的采樣點影像各波段反射率進行倒數、對數、對數的倒數變換，以土壤鹽分含量作為因變量，對應的地表反射率及其數學變換形式作為自變量，進行多元線性回歸分析11。模型的穩定性用判定系數R2和調整的判定系數R2檢驗。用判定系數R2進行的檢驗稱為擬合優度檢驗，R2越大，模型的擬合度越高。引進經調整的判定系數(Adjusted R2)，能夠消除自變量個數以及樣本大小對判定系數的影響。模型的預測能力用總均方根差(RMSE，來自建模與檢驗樣本)來檢驗，RMSE越小，模擬值和測量值之間的偏差越小，預測能力越強。
由表5可知，用多元線性回歸模型預測得到的結果中，最大的相對誤差達到了242.22%，最小的相對誤差為1.53%，大部分樣本點的殘差和相對誤差較大，可見利用建立好的多元線性回歸模型反演精度不夠理想。這主要是因為土壤光譜是諸多因素共同作用的結果，土壤含鹽量的反演比較復雜，并不是一個簡單的線性問題10。
4BP 神經網絡模型的建立與應用
BP神經網絡是20世紀80年代后發展起來的，具有訓練速度快、非線性映射能力強等優點，可以為土壤含鹽量的反演提供一種新的方法和手段。
4.1BP神經網絡原理
人工神經網絡技術(ANN)是模擬基本結構和功能建立的分布式并行信息處理算法的數學模型。目前人工神經網絡模型有多種，比較典型的有BP神經網絡、Hopfield網絡及BAM網絡等。其中，BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，常用于復雜的非線性數學計算，其基本思想是把學習過程分為兩階段：第一階段是信號的正向傳播過程，通過輸入層、隱含層逐層處理并計算各個單元的輸出值;第二階段是誤差的反向傳遞過程，若在輸出層未能得到期望的輸出值，則逐層遞歸地計算實際輸出和期望輸出的差值(即誤差)，以便根據此差值調節權值。這種過程不斷迭代，調整權值使網絡總誤差最小，從而達到預期的學習目的12。
4.2模型的建立與應用
設計BP神經網絡時主要考慮網絡的層數、每層中的神經元個數和激活函數、初始值以及學習速率等幾個方面。本研究應用Matlab7.0構建 BP神經網絡模型來反演土壤鹽分含量，數據分成兩組：35個訓練樣本，10個測試樣本。選取Landsat8的第5、6、7波段反射率數據倒數作為神經網絡的輸入層，根據本試驗的要求，單隱含層即可達到建模要求，輸出層1個節點對應于土壤鹽分含量。采用逐步增長法來確定隱含層的節點數：反復試驗5到15個節點，計算得到訓練樣本的神經網絡模型在隱含層節點數不同情況下訓練樣本的均方根誤差RMSE和決定系數R2，見表4，并綜合考慮時間效率和模擬效果，最終將隱含層的節點數確定為11個。
神經網絡訓練前首先對樣本數據做歸一化處理，訓練完畢再反歸一化。隱含層傳遞函數選擇tansig函數，輸出層選擇logsig型非線性傳輸函數，使整個網絡的輸出可以限制在較小的范圍。訓練函數的選擇是關鍵，研究中采用traingdx(自適應調整學習率并附加動量因子的梯度下降反向傳播算法)、trainlm(L-M優化算法)和trainscg(反向傳播算法)三種訓練算法分別進行訓練，trainlm函數收斂速度快，但易過度匹配;trainscg函數實驗時訓練樣本擬合度好，但泛化能力差;traingdx能夠自適應調整學習速率，可以縮短訓練時間，一旦網絡誤差平方和小于期望差，網絡便提前終止。本模型最大迭代次數4 000次，目標誤差0.001，初始學習速率為0.01，各個參數、傳遞函數、訓練函數等是經過多次試驗比較而得出，并非是最優結果。
由表5可以看出，BP神經網絡模型反演精度，最大的相對誤差為57.08% ，最小相對誤差為1.46%，平均相對誤差為24.32%，與多元線性回歸模型51.26%相比，BP神經網絡模型反演實際精度高，更接近真實的土壤鹽分含量值。但神經網絡需要較多的時間進行網絡訓練與迭代運算。當土壤含鹽量高時，BP神經網絡反演結果誤差較小，說明利用Landsat8遙感影像，更適合反演高鹽度區域的土壤含鹽量。在制圖時用閾值NDVI≥0.25來提取植被，利用歸一化差異水體指數(MNDWI)提取水體，由于建筑與裸地混分嚴重，用土地利用現狀圖經過多次掩膜，提取土壤信息，用BP神經網絡模型反演生成土壤鹽分含量圖，進行3×3低通濾波去噪。依據半濕潤地區鹽堿土分級標準，制成研究區土壤鹽漬化程度空間分布圖13，見圖5。將研究區中的用地分為非鹽漬化、輕度鹽漬化、中度鹽漬化、重度鹽漬化、鹽土以及水體、植被和居民地8類。由圖 5可以看出，北部靠近黃河的五七灌區大部分為非鹽漬化區域，說明人為因素對鹽漬化的分布有較大影響;而在中部水庫與河流附近，鹽漬化程度較高，這與其微地形有關，地勢低洼的地方易于積水積鹽，符合研究區——墾利縣的實際情況。總體而言，整個研究區以非鹽漬化和輕度鹽漬化為主，占比62.7%，鹽土級別占比 9.6%。
5結論
以黃河三角洲典型鹽漬化區域為對象，在野外調查采樣和分析基礎上，重點研究利用土樣鹽分信息與Landsat8衛星多光譜數據基于BP神經網絡模型定量反演土壤鹽漬化信息，得出了以下結論：
�、倮枚嘣鸩交貧w模型建立的方程，建立了表層土壤含鹽量和Landsat8多光譜之間的定量關系，模型決定系數為0.75。所建立的多元回歸模型反演精度不夠理想。
�、贐P神經網絡預測鹽漬土鹽分的性能比傳統多元回歸方法更精確，應用BP神經網絡方法反演鹽漬土鹽分含量是可行的，具有較好的精度和穩定性，可制作研究區土壤鹽漬化程度空間分布圖。
�、鄄蛔阒帲翰捎肂P神經網絡方法得出的結果并不是最優解。因此，需要對BP神經網絡在訓練算法和訓練策略方面進一步改進，應用高光譜數據建模是下一個方向。本研究中未考慮鹽漬土與地下水埋深、地下水礦化度、地形、氣候等因素的關系，若能綜合考慮建立模型，表達的結果將更加合理與準確。
轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/nylw/9185.html
