王欽軍，魏永明，陳 玉*，陳家閣，藺啟忠

1. 中國科學院遙感與數(shù)字地球研究所，數(shù)字地球重點實驗室，北京 100094 2. 三亞中科遙感研究所，海南省地球觀測重點實驗室，海南 三亞 572029 3. 山東科技大學，山東 青島 266590

舟曲泥石流源區(qū)土壤分散性高光譜探測模型

王欽軍1,2，魏永明1，陳 玉1,2*，陳家閣3，藺啟忠1

1. 中國科學院遙感與數(shù)字地球研究所，數(shù)字地球重點實驗室，北京 100094 2. 三亞中科遙感研究所，海南省地球觀測重點實驗室，海南 三亞 572029 3. 山東科技大學，山東 青島 266590

通過開展土壤分散性高光譜測量實驗，首次明確了舟曲泥石流源區(qū)土壤分散性敏感波段位置、建立了土壤分散性高光譜探測模型、探討了土壤分散性高光譜探測機理。結果表明，(1)傅里葉變換可以將光譜從時間域轉換為頻率域，實現(xiàn)對光譜信號與噪聲的分離。通過開發(fā)礦物組分精細鑒別系統(tǒng)，實現(xiàn)了光譜去噪，為構建土壤分散性高光譜探測模型提供了高保真數(shù)據(jù)源； (2)基于多元線性回歸分析法建立的土壤分散性高光譜探測模型在研究區(qū)具有較好的預測能力，所確定的敏感波段位置及其反射率與土壤分散性具有較高的相關性； (3)分析礦物光譜結果表明，土壤分散性高光譜探測的敏感波段位置實際上反映了土壤礦物組分及其所吸附的離子類型，揭示了導致土壤分散的深層原因： 與舟曲泥石流源區(qū)土壤分散性關系最為密切的是鈉離子，其次是方解石、蒙脫石和伊利石，與綠泥石、高嶺石、pH值、石英、鉀長石、斜長石等的相關性較弱。其原因主要是與鈉離子所具有的離子價低、半徑小、水化力強的特點，方解石所具有的水溶性特點，蒙脫石所具有的層間結合力極弱、易吸附鈉離子的特點，伊利石在高PH值條件下所具有的強吸附陽離子、高土壤分散性的特性有關。

舟曲； 泥石流； 分散性； 高光譜

引 言

2010年8月7日晚，在百年一遇的特大暴雨誘發(fā)之下，多條泥石流溝，尤其是在甘肅省舟曲老城北面的三眼峪形成了特大泥石流，自北向南沖向縣城，沖垮了房屋、堵塞了白龍江、中斷了電力、交通和通訊等設施，造成1 435人遇難，330人失蹤，直接經濟損失高達4億元[1]。因其規(guī)模大、破壞性強，舟曲泥石流成為現(xiàn)代泥石流研究的典型。

土壤分散性對泥石流的形成具有重要影響： 首先，在一定水量和地形地貌條件下，土壤分散性是制約泥石流規(guī)模的重要因素。土壤是泥石流的主要物質成分，并在泥石流中起攪拌作用。土壤含量越多，泥石流的密度越大，所產生的沖蝕力也就越強，從而能啟動更大粒度的山間滾石等堆積物。以此規(guī)律往復，泥石流的規(guī)模也越來越大。因此，分散性高的土壤，在較小臨界雨量的作用下就可以啟動，形成較大規(guī)模的泥石流； 相反，在相同條件下，分散性低的土壤啟動條件要求高，形成的泥石流規(guī)模相對較小。因為在同等社會、經濟發(fā)展背景條件下，泥石流危險程度與其規(guī)模成正比，所以，泥石流物源區(qū)的土壤分散性在一定程度上也決定了其危險性。

正因為如此，近年來，有關土壤分散性的研究得到國內外專家的重視。目前的研究大多集中在分散性土壤鑒別[2-7]，土壤分散性成因[8-16]和分散性粘土工程防治[11, 18-19]三個方面； 在土壤與高光譜聯(lián)合反演方面，主要集中在土壤有機質[20-21]、土壤濕度[22]、土壤重金屬含量[23]的高光譜探測等方面，但是，到目前為止尚未構建定量的土壤分散性高光譜探測模型。

本研究的目的是通過土壤分散性測量實驗，揭示土壤分散性與礦物成分、酸堿度、離子類型及含量間的內在規(guī)律； 通過土壤分散性高光譜測量實驗，研究土壤分散性高光譜探測方法。為利用高光譜大面積計算泥石流土壤總量、定量分析泥石流規(guī)模、評價泥石流危險性與泥石流預警提供一種新方法。

1 研究區(qū)

研究區(qū)(左上： 104°15′，33°50′； 右下： 104°25′，33°43′)東以舟曲老城為界，西至舟曲新城，北抵大峪溝的最北側，南臨廟兒溝的最南側； 東西長約16km，南北長約14 km。白龍江自北西向南東貫穿研究區(qū)，位于江邊的S313省道沿江向西連接迭部縣，向東與G212國道相連，可達隴南市。

舟曲老城就建在沖積扇上，周邊山體內含多條泥石流沖溝，較大的包括三眼峪、羅家峪、武都關溝和廟兒溝。其中，造成損失最嚴重的是三眼峪泥石流溝。它包括大峪溝、小峪溝和三眼峪三部分： 大峪溝位于縣城的正北，長5.8 km，最小寬度5 m，最大寬度800 m，平均寬度約70 m，流域內匯水面積達13 km2； 小峪溝位于縣城的東北方向，長3.8 km，最小寬度2 m，最大寬度90 m，平均寬度約50 m，流域內匯水面積高達8 km2； 二者在縣城北側約2公里處匯聚形成三眼峪，長2 km，寬70 m，自北東向南西流入白龍江； 它們呈“瓢”狀懸在縣城的北側上方，大峪溝和小峪溝的交匯處，也就是三眼峪北邊的起點成為名副其實的“瓢把”，對上游匯聚的水流形成嚴重的轄制、滯流作用，非常不利于泄洪，成為形成特大泥石流的爆發(fā)口； 另一方面，研究區(qū)基巖以灰?guī)r為主，巖石表面風化嚴重、劈理發(fā)育、植被覆蓋稀疏，在坡高谷窄的地貌上極易形成崩塌，導致小到拳頭、大到房屋的灰?guī)r滾石隨處可見，為泥石流的形成提供了大量物源； 此外，泥石流溝中的土壤大多為松散坡積物，成分以方解石、白云石為主，其次是石英和以伊利石為主的粘土礦物，總體呈堿性。由于土壤以松散的顆粒堆積為主，再加上方解石易溶于水，蒙脫石、伊利石等粘土礦物在堿性環(huán)境中也具有較強分散性的特點，當遭遇強降雨的觸發(fā)條件下，容易隨波逐流，形成大規(guī)模泥石流。

2 數(shù)據(jù)獲取及其預處理

2.1 樣品采集與預處理

2012年9月16日至22日，在舟曲泥石流災區(qū)分別考察了三眼峪、羅家峪、武都關溝和廟兒溝。其中，前三條溝為泥石流溝，共采樣102個； 廟兒溝為非泥石流溝，共采樣93個。利用8411型振篩機對采樣后的樣品過2 mm土壤篩，去除植物根系、碎石等雜質后，研磨至50，100和200目，對其進行光譜測量。

2.2 土壤參數(shù)測量

利用IQ150土壤原位pH值測定儀測定土壤酸堿度，利用Item #2500 Na+測定儀測量土樣的鈉離子含量，委托中石化石油勘探開發(fā)研究院利用日本理學D/MAX2500 X射線衍射分析儀測量樣品的造巖礦物及粘土礦物含量，部分結果見表1。

Table 1 Results of partial soil parameters

續(xù)表1

ZQ535.400.919.03.50.70.708.220.0032ZQ554.00.2037.01.90.70.708.20.033ZQ5610.30.13.332.03.61.11.00.998.390.02ZQ575.00.41.434.41.50.40.507.320.13ZQ585.80.61.628.72.91.20.808.010.017ZQ594.80.21.528.94.20.91.107.40.028ZQ6111.301.129.63.90.60.608.290.013

2.3 土壤分散性測量

目前，測量土壤分散性的方法主要包括碎塊、雙比重計、針孔、孔隙水可溶鹽和交換性鈉百分比五種，其中，針孔實驗是由美國謝拉德(Sherard)在1976年提出的，被認為是最可靠的土壤分散性鑒定方法。其基本原理是在擊實的土樣中心穿一直徑為1.0 mm的細孔，分別在50，180，380和1 020 mm水頭的滲流作用下，用蒸餾水進行沖蝕試驗。通過觀測終了孔徑和流量來鑒定土樣的分散性(表2)。根據(jù)美國材料與試驗協(xié)會制定的《關于利用針孔實驗進行土壤分散性鑒別與分類的標準測試方法(ASTM-D4647-1993)》的要求，制作了土壤分散性針孔實驗裝置(圖2)，并依據(jù)標準測試流程對土壤分散性進行測量，結果見表3和表4。

Fig.2 Experimental instrument for the pinhole test

Table 2 Evaluation criteria of soil dispersion pinhole test

Table 3 Results of pinhole test in the Sanyanyu and Wuduguangou debris flow area

續(xù)表3

1910203004352.71.45完全清澈完全清澈無1ND12010203005102.51.7完全清澈完全清澈無1ND121503003301.381.1渾濁很渾濁有2.3D12210203006302.62.1完全清澈完全清澈無1ND1233803004352.31.45肉眼可見輕微渾濁無2.2ND3245060045010.75輕微渾濁較渾濁無1.3ND4251803003302.31.1肉眼可見輕微渾濁有2.3ND326503003601.41.2渾濁很渾濁無2.5D12710203003632.31.21完全清澈完全清澈無1ND128503002701.30.9渾濁很渾濁無2.2D12910203005102.61.7完全清澈完全清澈無1ND13010203006002.82完全清澈完全清澈無1ND131503004051.41.35渾濁很渾濁有2.8D13210203007203.22.4清澈肉眼可見無1.4ND23310203003753.21.25清澈肉眼可見無1.7D234503004051.41.35渾濁很渾濁無2D1

2.4 土壤光譜測量及其預處理

高光譜遙感所具有的光譜分辨率高，波段連續(xù)性強，能捕獲礦物成分的精細光譜信息的特點，使其能有效開展土壤礦物鑒別及其含量的提取。但是，由于受光譜儀本身及測試環(huán)境的影響，測量的光譜數(shù)據(jù)存在著階躍和白噪聲，它們對確定礦物類型與含量、提取土壤分散性敏感波段位置、構建土壤分散性模型等產生嚴重影響。為此，開發(fā)了礦物組分精細鑒別系統(tǒng)(fine mineral component identification system, FMIS)，有效去除了上述影響因素，并通過了國家級專業(yè)軟件機構的測評，為構建土壤分散性高光譜探測模型提供高保真數(shù)據(jù)源。

(1)光譜測量

為盡可能避免大氣效應對土壤光譜的影響，在實驗室條件下，利用美國ASD便攜式光譜儀(ASD FieldSpec○R3)分別測量50，100和200目下的土樣光譜。測量時光譜儀探頭與目標物垂直距離為10 cm，使用1 000 W的鹵光燈照射。每個樣品重復測量五條光譜曲線，去除異常光譜曲線后進行算術平均，得到該樣本的平均光譜反射率數(shù)據(jù)。實驗共測量光譜2 925條，部分樣品的光譜數(shù)據(jù)如圖3所示。

Fig.3 Original spectra of soil samples

(2)光譜去噪

受儀器自身的影響，測量的光譜存在白噪聲，它們以毛刺的形式表現(xiàn)在光譜曲線上，尤其是在藍色可見光區(qū)和短波紅外區(qū)較為明顯。它們會顯著降低礦物的預測精度、影響土壤分散性建模的準確性，需要徹底去除。根據(jù)噪聲與信號在頻率上的差別，在FMIS系統(tǒng)中實現(xiàn)了基于傅里葉變換的光譜去噪。圖4是利用FMIS系統(tǒng)進行光譜去噪前后的效果對比圖，結果表明，該系統(tǒng)有效去除了噪聲，對提高礦物定量反演和土壤分散性高光譜探測模型的精度起重要作用。

Fig.4 Results of spectral noises removal using FMIS system

3 舟曲泥石流源區(qū)土壤分散性高光譜探測模型

基于土樣高光譜測量數(shù)據(jù)、土壤分散性數(shù)據(jù)及土壤物理化學測試數(shù)據(jù)，探討土壤分散性的敏感波段位置，構建土壤分散性高光譜探測模型，實現(xiàn)基于高光譜數(shù)據(jù)的土壤分散性定量化提取。

3.1 建模數(shù)據(jù)

在針孔實驗中，在某一水頭下的沖蝕孔徑的大小是衡量土壤分散性的重要依據(jù)，據(jù)此，選擇泥石流區(qū)的24個分散性土壤樣品在50水頭下測量的孔徑數(shù)據(jù)及相應的土壤物、化參數(shù)進行土壤分散性高光譜建模，如表5所示。

Table 5 Soil dispersion modeling data

續(xù)表5

ZQ4311.70.22.326.04.61.00.90.60277.760.0132.2ZQ4510.50.43.079.61.80.50.407.980.0053.5ZQ4730.81.211.241.58.411.32.00.964258.380.012.8ZQ49-143.50.89.624.18.51.82.408.010.0274ZQ535.400.919.03.50.70.708.220.00323.5ZQ554.00.2037.01.90.70.708.20.0335ZQ5610.30.13.332.03.61.11.00.99338.390.024ZQ575.00.41.434.41.50.40.507.320.132.3ZQ585.80.61.628.72.91.20.808.010.0172.5ZQ594.80.21.528.94.20.91.107.40.0285.5ZQ6111.301.129.63.90.60.608.290.0132

3.2 土壤分散性敏感波段區(qū)間位置

基于上述數(shù)據(jù)，計算針孔實驗的沖蝕孔徑與光譜波段反射率間的相關系數(shù)，如圖5所示。根據(jù)相關系數(shù)的大小，提取土壤分散性的敏感波段位置分別為370～410，565～581，1 918～1 934，2 392～2 401，2 444～2 452 nm。對它們按照波長從小到大的順序進行Ⅰ—Ⅴ編號，顯示在圖6所示的礦物光譜圖中。

Fig.5 Correlation coefficient between soil dispersive parameters and band reflections

Fig.6 Soil dispersion sensitive bands and mineral spectra

對比結果表明，Ⅰ，Ⅱ區(qū)的土壤分散性敏感波段位置主要與伊利石等粘土礦物、方解石、pH值、Na離子有關，Ⅲ區(qū)主要與蒙脫石等粘土礦物、方解石有關，Ⅳ區(qū)主要與蒙脫石等粘土礦物、方解石、pH值有關，Ⅴ區(qū)主要與蒙脫石等粘土礦物、方解石、pH值有關。因此，土壤分散性高光譜探測的敏感波段位置實際上反映了影響土壤分散性的礦物組分及其所吸附的離子類型，對揭示導致土壤分散性的深層原因具有指示意義。

3.3 土壤分散性高光譜探測模型

基于土壤分散性敏感波段位置分析結果，選擇沖蝕孔徑和敏感波段區(qū)間的光譜數(shù)據(jù)，利用多元線性分析方法進行建模，公式如下。通過繪制預測孔徑與實測孔徑間的相關關系圖，結果表明模型的決定系數(shù)達到0.84，說明該模型具有較好的預測能力； 同時，也明確了土壤分散性的敏感波段位置分別為370，377，387，398，410，570，1 918，1 933，2 392，2 401，2 444，2 448和2 452 nm。

Y=3.728-502.948X370+351.238X377-95.863X387+571.108X398-355.982X410+26.422X570+89.116X1 918-122.519X1 933+115.307X2 392-107.671X2 401-162.515X2 444+235.723X2 448-51.339X2 452

其中，Y表示孔徑(mm)，X370表示波長370 nm處的反射率，其他類推。

Fig.7 Correlation between measured and forecasted pinhole diameters

3.4 土壤分散性高光譜探測機理探討

土壤分散性高光譜探測模型明確了土壤分散性與敏感波段位置的定量關系，揭示了導致土壤分散的主要因子類型及其貢獻，它們?yōu)槭裁磁c土壤分散性具有如此緊密的聯(lián)系？ 是值得深入研究的土壤分散性高光譜探測機理問題。

Table 6 Correlation coefficients between soil physical and chemical parameters

**: Significant correlation on 0.01 level； *: Significant correlation on 0.05 level；N=24

土壤分散性與土壤參數(shù)的相關性分析結果表(表6)表明： 在舟曲泥石流區(qū)，與土壤分散性關系最為密切的是鈉離子，它們在0.05水平上顯著相關，其次是方解石、蒙脫石和伊利石，而綠泥石、高嶺石、pH值、石英、鉀長石、斜長石等與土壤分散性的相關性較弱，分析其原因如下：

各種電解質以離子或化合物的形式存在于水中，形成土—水—電解質系統(tǒng)。離子的帶電性導致在電解質系統(tǒng)中形成了雙電層，其厚度越厚，土粒絮凝的傾向就越小，導致土壤的分散性就越強。因此，離子濃度和化合價對控制土壤分散性具有顯著的影響[4]。

(1)鈉離子具有低離子價、小半徑、強水化力的特點，可增大土顆粒表面的雙電層厚度與距離，減弱顆粒間的連結力，導致土壤產生較強的分散性。

(2)方解石是研究區(qū)土壤含量最多的礦物成分，一方面，它在土壤中的顆粒性強、粒間粘結力弱，遇水容易分散； 另一方面，它的化學成分是CaCO3，容易與水相結合，形成易溶于水的CaHCO3，造成組分流失，成為孔徑增大和分散性增強的主要因子之一。

(3)蒙脫石粘土礦物晶格是由SiO2和Al2O3晶片組成2∶1三層定向組構，晶格間以氧基相連，具有強親水性、弱層間結合力、高晶格活動性的特點，導致水分子進入層間自由。當遇水后，尤其是小半徑、強水化力的Na+進入層間，增大了雙電層厚度，使得土粒處于高分散懸浮狀，容易分散。

(4)伊利石是一種富鉀的2∶1型二八面體硅酸鹽云母類粘土礦物，擁有兩個硅氧四面體夾一個鋁氧八面體的(即T-O-T)結構。因部分硅氧四面體結構中的Si被Al取代而帶負電荷。在電荷不平衡的條件下，Ca和Mg離子可以取代K離子，從而阻止水分子進入層間，具有晶層聯(lián)結牢固、晶格無擴展性的特點。但是，如果土樣中的黏土礦物以伊利石為主，且處于高pH值溶液中，其黏土顆粒表面的負電荷增大，吸附的陽離子數(shù)量增多，增加了顆粒表面的雙電層厚度，使土壤具有較強的分散性[4]。

4 結 論

(1)傅里葉變換可以較好地去除光譜噪聲，礦物組分精細鑒別(FMIS)系統(tǒng)為提高土壤分散性高光譜探測的精度提供了技術支撐。

在光譜測量過程中，受儀器自身的影響，測量的光譜曲線存在白噪聲，尤其在藍色可見光和短波紅外波段較為明顯。研究結果表明，噪聲與信號間的差異主要體現(xiàn)在頻率上： 信號位于低頻區(qū)，而噪聲則位于高頻區(qū)。傅里葉變換可以將光譜從時間域轉換為頻率域，實現(xiàn)對光譜信號與噪聲的分離； 因此，可以通過低通濾波消除噪聲?；谏鲜鲈?，通過開發(fā)礦物組分精細鑒別系統(tǒng)，實現(xiàn)了光譜去噪，為構建土壤分散性高光譜探測模型提供了高保真數(shù)據(jù)源。

(2)利用多元線性分析方法建立的土壤分散性高光譜探測模型具有良好的預測能力。

基于針孔實驗的孔徑值和敏感波段區(qū)間的光譜數(shù)據(jù)，通過對比多元線性分析法(決定系數(shù)為0.843 1)、主成分分析法(決定系數(shù)為0.12)和偏最小二乘法(決定系數(shù)小于0.1)的建模結果表明，基于多元線性分析法建立的土壤分散性高光譜探測模型在研究區(qū)具有較好的預測能力，所確定的敏感波段位置及其反射率與土壤分散性具有較高的相關性。

(3)土壤分散性高光譜探測的敏感波段位置反映了影響土壤分散性的礦物組分及其所吸附的離子類型，對揭示土壤分散性的深層原因具有指示意義。

土壤分散性高光譜探測模型明確了舟曲泥石流源區(qū)土壤分散性的敏感波段位置分別為370，377，387，398，410，570，1 918，1 933，2 392，2 401，2 444，2 448和2 452 nm。通過分析土壤參數(shù)與高光譜波段間的相關性，結合礦物光譜曲線圖表明，土壤分散性高光譜探測的敏感波段位置實際上反映了土壤礦物組分及其所吸附的離子類型，揭示了導致土壤分散的深層原因。

(4)鈉離子、方解石、蒙脫石和伊利石是導致舟曲泥石流源區(qū)土壤分散的主要因素。

通過分析土壤分散性與土壤參數(shù)的相關關系的結果表明，與舟曲泥石流源區(qū)土壤分散性關系最為密切的是鈉離子，其次是方解石、蒙脫石和伊利石，而綠泥石、高嶺石、pH值、石英、鉀長石、斜長石等的相關性較弱。其原因主要是與鈉離子所具有的離子價低、半徑小、水化力強的特點，方解石所具有的水溶性特點，蒙脫石所具有的層間結合力極弱、易吸附鈉離子的特點，伊利石在高PH值條件下所具有的強吸附陽離子、高土壤分散性的特性有關。

[1] LIU De-yi, YU Ke(劉德鎰，喻 刻). Land & Resources Herald(國土資源導刊), 2010，9： 20.

[2] LI Hua-luan, GAO Pei-fa, MU Nai-min, et al(李華鑾，高培法，穆乃敏，等). Journal of Shandong University·Engineering Science(山東大學學報·工學版)，2010，40(4)： 92.

[3] FAN Heng-hui, WU Pu-te, LI Peng, et al(樊恒輝，吳普特，李 鵬，等). Chinese Journal of Geotechnical Engineering(巖土工程學報)，2005，27(11)： 1310.

[4] ZHAO Gao-wen, FAN Heng-hui, CHEN Hua, et al(趙高文，樊恒輝，陳 華，等). Journal of Northwest A&F University·Nat. Sci. Ed(西北農林科技大學學報·自然科學版)，2013，41(6)： 202.

[5] SUN Xiao-ming, ZHANG Xiao-jing, WU Fu-ping(孫曉明，張曉靜，吳富萍). Water Conservancy Science and Technology and Economy(水利科技與經濟)，2002, 8(2)： 87.

[6] LU Xue-qing, DANG Jin-qian, FAN Heng-hui, et al(盧雪清，黨進謙，樊恒輝，等). Journal of Northwest A&F University·Nat. Sci. Ed.(西北農林科技大學學報·自然科學版), 2011, 39(5): 208.

[7] FAN Heng-hui, LI Hong-liang, ZHAO Gao-wen(樊恒輝，李洪良，趙高文). Chinese Journal of Geotechnical Engineering(巖土工程學報), 2012, 34(9): 1740.

[8] Peltonen C, Marcussen ?, Bj?rlykke K, et al. Marine and Petroleum Geology, 2009, 26: 887.

[9] Mohamed A M O. Engineering Geology, 2000, 57: 193.

[10] Peethamparan S, Olek J, Diamond S. Cement and Concrete Research, 2009, 39: 580.

[11] TIAN Kan-liang, ZHANG Hui-li, FAN Heng-hui(田堪良，張慧莉，樊恒輝). Journal of Hydroelectric Engineering(水力發(fā)電學報)，2010，29(2)： 204.

[12] LI Hong-liang, DANG Jin-qian, FAN Heng-hui(李洪良, 黨進謙, 樊恒輝). Yangtze River(人民長江)，2010，41(2)： 84.

[13] Erguler Z A, Ulusay R. Engineering Geology, 2003, 67: 331.

[14] Kau P M H, Binning P J, Hitchcock P W, et al. Journal of Contaminant Hydrology. 1999, 36: 131.

[15] Khalfaoui A, Hajjaji M. Applied Clay Science, 2009, 45: 83.

[16] Trindade M J, Dias M I, Coroado J, et al. Applied Clay Science, 2009, 42: 345.

[17] Faulkner H, Ruiz J, Zukowskyj P, et al. Environmental Science & Policy, 2003, 6: 115.

[18] LIU Xiao-li, SONG Zhi-xiang, GONG Ji-chang, et al(劉曉黎，宋智香，宮繼昌，等). Yellow River(人民黃河)，2007，29(12)： 85.

[19] JU Juan-li, YAN Bao-wen, FAN Heng-hui, et al(巨娟麗，嚴寶文，樊恒輝，等). Yangtze River(人民長江)，2007，38(6)： 132.

[20] LU Yan-li, BAI You-lu, YANG Li-ping, et al(盧艷麗，白由路，楊俐蘋，等). PIant Nutrition and Fertilizer Science(植物營養(yǎng)與肥料學報)，2008，14(6)： 1076.

[21] QIAO Lu, CHEN Li-xin, ZHANG Jie, et al(喬 璐，陳立新，張 杰，等). Journal of Northeast Forestry University(東北林業(yè)大學學報)，2010，38(7)： 116.

[22] LIU Wei-dong, Frederic Baret, ZHANG Bing, et al(劉偉東，F(xiàn)rederic Baret，張 兵，等). Acta Pedologica Sinica(土壤學報)，2004，41(5)： 700.

[23] JIANG Jian-jun, XU Jun, HE Jun-liang, et al(蔣建軍，徐 軍，賀軍亮，等). Acta Pedologica Sinica(土壤學報)，2009，46(1)： 177.

*Corresponding author

Hyperspectral Detection Model for Soil Dispersion in Zhouqu Debris Flow Source Region

WANG Qin-jun1,2, WEI Yong-ming1, CHEN Yu1，2*, CHEN Jia-ge3, LIN Qi-zhong1

1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China 2. Key Laboratory of the Earth Observation of Hainan Province, Institute of Remote Sensing for Chinese Sciences, Sanya 572029, China 3. Shandong University of Science and Technology, Qingdao 266590, China

Sensitive band positions, models and the principles of soil dispersion detected by hyperspectral remote sensing were firstly discussed according to the results of soil dispersive hyperspectral remote sensing experiment. Results showed that, (1) signals and noises could be separated by Fourier transformation. A finely mineral identification system was developed to remove spectral noises and provide highly accurate data for establishing soil dispersive model; (2) Soil dispersive hyperspectral remote sensing model established by the multiple linear regression method was good at soil dispersion forecasting for the high correlation between sensitive bands and the soil dispersions. (3) According to mineral spectra, soil minerals and their absorbed irons were reflected by sensitive bands which revealed reasons causing soils to be dispersive. Sodium was the closest iron correlated with soil dispersion. The secondary was calcite, montmorillonite and illite. However, the correlation between soil dispersion and chlorite, kaolinite, PH value, quartz, potassium feldspar, plagioclase was weak. The main reason was probably that sodium was low in ionic valence, small ionic radius and strong hydration forces; calcite was high water soluble and illite was weak binding forces between two layers under high pH value.

Zhouqu; Debris flow; Dispersion; Hyperspectral remote sensing

Jan. 18, 2015; accepted Apr. 26, 2015)

2015-01-18，

2015-04-26

國家自然科學基金項目(41171280)，中國科學院“西部之光人才培養(yǎng)計劃”(Y32301101B)和三亞市院地合作項目(sy14ys01132)資助

王欽軍, 1975年生，中國科學院遙感與數(shù)字地球研究所數(shù)字地球重點實驗室研究員 e-mail： qjwang@ceode.ac.cn *通訊聯(lián)系人 e-mail： yuchen@ceode.ac.cn

P585.1

A

10.3964/j.issn.1000-0593(2016)02-0502-09