李　超，文天晟，張鳳榮，徐　艷

（1. 中國農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，北京 100193；2. 國土資源部農(nóng)用地質(zhì)量與監(jiān)控重點實驗室，北京 100193）

0　引　言

土壤類型圖作為最基礎(chǔ)的土壤數(shù)據(jù)，在土壤資源開發(fā)利用和農(nóng)業(yè)生產(chǎn)建設(shè)等方面發(fā)揮了重要作用。自20世紀(jì)80年代起，全國第2次土壤普查所形成的資料和圖件，作為資源環(huán)境管理、全球變化研究、生態(tài)水文模擬的基礎(chǔ)資料一直沿用至今。但已有研究顯示，全國第 2次土壤普查中土類/亞類的劃分精度不高[1]。隨著社會發(fā)展水平的不斷提高，傳統(tǒng)土壤類型圖越來越難以滿足精準(zhǔn)農(nóng)業(yè)、生態(tài)環(huán)境建設(shè)、土地管理等對土壤類型圖的精度和時效性提出的更高要求[2-3]。伴隨著遙感調(diào)查技術(shù)的不斷發(fā)展，在大范圍土壤資源調(diào)查中，遙感調(diào)查技術(shù)在一定程度上逐漸取代部分常規(guī)調(diào)查技術(shù)，成為通用的土壤數(shù)字制圖方法之一，基于遙感信息獲取的數(shù)字土壤類型圖，能夠大大降低傳統(tǒng)野外調(diào)查方法的工作量，制得的土壤類型圖也更符合土壤類型在空間分布上的過渡和連續(xù)性特征[2,4]。

近年來，國內(nèi)外學(xué)者圍繞土壤遙感調(diào)查制圖相關(guān)技術(shù)方法展開了大量研究。研究內(nèi)容主要集中于通過提取土壤光譜[5-6]、植被特征[7-8]等土壤環(huán)境因子信息，探討不同尺度、不同區(qū)域、不同遙感數(shù)據(jù)源與常規(guī)數(shù)據(jù)集組合對特定土壤類型和性質(zhì)的分類方法及其效果[9-11]。采用的方法主要可分為基于土壤景觀綜合分析法的人工目視判讀法[12]和基于地統(tǒng)計學(xué)[13-14]、專家知識系統(tǒng)[15-17]、決策樹[18-19]、回歸樹[20-21]、神經(jīng)網(wǎng)絡(luò)[22-23]等方法的自動分類法，無論何種方法，都是以土壤與環(huán)境的關(guān)系為分類基礎(chǔ)。從研究現(xiàn)狀來看，限制土壤遙感調(diào)查制圖發(fā)展的主要因素是缺乏土壤專家與數(shù)學(xué)專家的有效結(jié)合，以確定表征各地區(qū)典型土壤類型/性質(zhì)的特定土壤環(huán)境因子及其遙感提取方法。當(dāng)前，中國已經(jīng)初步建立了基于遙感技術(shù)的數(shù)字土壤調(diào)查制圖方法，但總體仍處于研究階段[2]，有關(guān)土壤遙感調(diào)查制圖的研究范圍主要集中于黑龍江省鶴山農(nóng)場老萊河流域、安徽省宣城市丘陵區(qū)、浙江省龍游縣等研究區(qū)，針對半干旱沙區(qū)土壤環(huán)境因子及其遙感提取方法方面的研究較為罕見。

本文以土壤發(fā)生學(xué)原理及對半干旱沙區(qū)土壤環(huán)境狀況的分析為基礎(chǔ)，以內(nèi)蒙古科爾沁左翼后旗為例，結(jié)合野外實地調(diào)查和專家知識，分析半干旱沙區(qū)土壤類型分布特征與環(huán)境因素之間的關(guān)系，并基于多時相 Landsat8 OLI影像數(shù)據(jù)提取土壤環(huán)境信息，探討半干旱沙區(qū)土類/亞類遙感調(diào)查制圖方法，以期為半干旱沙區(qū)數(shù)字土壤調(diào)查制圖提供科學(xué)參考。

1　研究區(qū)概況

科爾沁左翼后旗（科左后旗 121°30′E～123°42′E，42°40′N～43°42′N）位于中國內(nèi)蒙古自治區(qū)東南部，西接庫倫旗，東連吉林省雙遼縣，南鄰遼寧省彰武縣，是科爾沁沙地的重要組成部分，土壤類型以風(fēng)沙土為主。全旗東西長約 154 km，南北長約 107 km，面積約為11 491 km2。地勢呈西北高、東南低，海拔為14～364 m（圖 1），旗內(nèi)高差變化不大且地形坡度小，長期風(fēng)蝕沙化堆積形成的“坨”和“甸”相間分布的微地貌是當(dāng)?shù)刈钪饕牡孛簿坝^特征?？谱蠛笃烊晁募痉置鳎杭撅L(fēng)多干旱，夏季溫?zé)岫嘤辏锛旧儆暌缀?，冬季寒冷少雪，屬溫帶半干旱大陸性季風(fēng)氣候。

圖1　科左后旗地理位置與高程示意圖Fig.1　Sketch map of location and elevation in Horqin Left Back Banner

2　數(shù)據(jù)來源與研究方法

2.1　數(shù)據(jù)來源與預(yù)處理

遙感數(shù)據(jù)：本文所用的遙感影像資料為2013年4月、2014年8月和2014年10月共3期低云量的Landsat8 OLI影像，數(shù)據(jù)下載于中國科學(xué)院計算機網(wǎng)絡(luò)信息中心地理數(shù)據(jù)云（http://www.gscloud.cn），各景影像云量均小于3%，經(jīng)輻射定標(biāo)、大氣校正、影像鑲嵌與裁剪等操作，獲取研究區(qū)春、夏、秋季遙感影像各1期。

土壤調(diào)查數(shù)據(jù)：2014年6月—2016年8月，先后5次對科左后旗進行了野外實地調(diào)查，并采集了表層土壤樣品采集。共野外觀測土壤剖面48個（涵蓋了科左后旗所有土壤類型），采集土壤樣品235個（0～20 cm表層），按照土壤調(diào)查實驗室分析方法[24]測定各土壤樣品的顆粒組成、有機質(zhì)含量、含鹽量、pH值、電導(dǎo)率等理化性質(zhì)。土壤樣點的選取采用隨機采樣法，并充分考慮了不同土壤類型樣點的代表性和典型性，在道路通達的情況下，盡量選取不同區(qū)域、不同地形部位、不同土地利用類型的采樣點。其中，154個采樣點用于建立遙感影像解譯標(biāo)志（40個沼澤土/非沼澤土樣點作為沼澤土分類的訓(xùn)練點；40個鹽堿土/非鹽堿土樣點作為鹽堿土分類的訓(xùn)練點；40個風(fēng)沙土/草甸土樣點作為風(fēng)沙土/草甸土分類的訓(xùn)練點；34個采樣點作為風(fēng)沙土亞類分類的訓(xùn)練點）；81個采樣點用于對遙感數(shù)字制圖結(jié)果的精度驗證（沼澤土、鹽堿土、草甸土、風(fēng)沙土類的驗證點分別為13個、18個、20個、30個）。

植被覆蓋度調(diào)查數(shù)據(jù)：植被覆蓋度的地表實測數(shù)據(jù)對于遙感估算植被覆蓋度定量模型的確定十分重要。2015年9月上旬，對不同風(fēng)沙土亞類區(qū)域進行野外植被覆蓋度調(diào)查，調(diào)查樣點均勻覆蓋全旗風(fēng)沙土地區(qū)，共獲取植被覆蓋度實測樣點數(shù)據(jù) 34個。由于半干旱沙區(qū)風(fēng)沙土地區(qū)主要植被類型為低矮灌木，采用數(shù)碼相機照相法[25]，獲取半干旱沙區(qū)風(fēng)沙土地區(qū)野外實測植被覆蓋度（vegetation coverage，VC）數(shù)據(jù)。具體方法為：在植被覆蓋均勻區(qū)域設(shè)置30 m×30 m的樣方，使用數(shù)碼相機由上向下拍攝（拍攝高度為1.6 m[25]）。所得圖像運用Photoshop軟件進行二值化處理，計算照片中植被像元占總像元的比例，計算公式為：

2.2　土壤-環(huán)境信息特征分析

半干旱沙區(qū)土壤-環(huán)境信息特點可概括如下：1）成土母質(zhì)相似，大多為均一的砂質(zhì)風(fēng)積物和湖積物，又由于氣候干燥，風(fēng)力大，經(jīng)風(fēng)力吹動，形成風(fēng)沙流動；2）氣候條件均一，為半干旱氣候，降雨量200～400 mm之間，干燥度為 1.50～3.99；3）植被稀疏低矮，植被類型組成為耐旱喬木和低矮灌木，但植被覆蓋狀況有所不同。說明半干旱沙區(qū)具有母質(zhì)和氣候條件相似、植被類型單一的土壤環(huán)境特征。根據(jù)土壤發(fā)生學(xué)原理，在母質(zhì)、氣候條件相似的地區(qū)，地形因素在成土過程中起主導(dǎo)作用，決定了土壤的發(fā)育方向。這主要是由于在半干旱沙區(qū)較為相似的母質(zhì)和氣候條件下，水分受地形的影響發(fā)生再分配，即高“坨”處水分向低“甸”處聚集，使得不同地形部位土壤水分狀況不同，進而影響到植被分布狀況，而植被又對于風(fēng)沙流動產(chǎn)生重要影響。因此，受地形因素影響造成的不同地形部位土壤水分與植被狀況差異，是影響半干旱沙區(qū)土壤發(fā)育的主導(dǎo)因素，不同地形部位土壤類型分布特征明顯（圖2）。但當(dāng)缺少高精度DEM數(shù)據(jù)時，難以以地形因素為基礎(chǔ)進行數(shù)字土壤制圖。由于遙感數(shù)據(jù)對土壤水分和植被覆蓋度反應(yīng)較為敏感，可利用遙感影像提取土壤水分狀況、植被覆蓋度等環(huán)境信息進行沙區(qū)土壤分類制圖。根據(jù)第 2次土壤普查資料，科左后旗主要的土壤類型（土類）有風(fēng)沙土、草甸土、鹽堿土和沼澤土，這4類土壤占土地總面積的99%以上。結(jié)合遙感影像分類特征，將科左后旗土壤遙感調(diào)查制圖類型劃分為沼澤土、鹽堿土、草甸土、風(fēng)沙土 4類。由于半干旱沙區(qū)土壤的成土母質(zhì)主要是砂質(zhì)風(fēng)積物和湖積物，成土作用以風(fēng)蝕過程為主，全旗因風(fēng)蝕過程而產(chǎn)生“固定風(fēng)沙土—半固定風(fēng)沙土—流動風(fēng)沙土”土壤類型演替，因此，結(jié)合當(dāng)?shù)赝寥拉h(huán)境特征，將風(fēng)沙土細分為流動風(fēng)沙土、半固定風(fēng)沙土和固定風(fēng)沙土3個亞類。

圖2　半干旱沙區(qū)土壤類型分布特征示意圖Fig.2　Sketch map of soil type distribution in semi-arid sand region

2.3　遙感調(diào)查制圖方法

2.3.1半干旱沙區(qū)土類/亞類的遙感調(diào)查制圖方案

以半干旱沙區(qū)土壤類型分布特征與環(huán)境因素之間的關(guān)系為基礎(chǔ)，基于野外觀測樣點土壤理化性質(zhì)測定數(shù)據(jù)建立的土壤信息數(shù)據(jù)庫和3期Landsat8 OLI影像，運用專家知識和遙感信息提取方法，對研究區(qū)各土壤類型進行相關(guān)訓(xùn)練，并進行精度驗證，得出沼澤土、鹽堿土、草甸土、風(fēng)沙土及其亞類遙感提取方法。通過反復(fù)分析驗證，得到半干旱沙區(qū)土類/亞類的遙感調(diào)查制圖方案，如圖3所示。

圖3　半干旱沙區(qū)土類/亞類數(shù)字土壤制圖方案Fig.3　Digital soil mapping plan for soil types and subtypes in semi-arid sand region

1）沼澤土提取方案

沼澤土常年處于水淹狀況?；谕寥腊l(fā)生分類和中國濕地分類系統(tǒng)[26]，可將長期水淹地區(qū)（湖泊），即基于改進的歸一化水體指數(shù)（modified normalized difference water index，MNDWI）將秋季（雨季末，最高水位）與春季（旱季末，最低水位）遙感影像水體中的重疊部分提取為沼澤土。

2）鹽堿土提取方案

鹽堿土在可見光和近紅外波段光譜反射強，并且土壤鹽堿化程度與光譜反射率呈正相關(guān)關(guān)系[27]。由于春季半干旱區(qū)蒸發(fā)量大于降水量，鹽堿土區(qū)域的地表出現(xiàn)大量的鹽斑、鹽霜或者鹽結(jié)皮，地表反射率較高，光譜特征明顯，在遙感影像中易于識別。因此，可以基于歸一化差異植被指數(shù)（normalized difference vegetation index，NDVI）和鹽分指數(shù)（salt index，SI）通過春季遙感影像光譜信息的差異提取鹽堿土。

3）草甸土與風(fēng)沙土提取方案

由上文對半干旱沙區(qū)土壤-環(huán)境信息特征分析可知，在母質(zhì)和氣候條件均一、植被覆蓋類型單一的半干旱沙區(qū)，水分再分配過程決定了植被覆蓋狀況和土壤類型的發(fā)育方向。而基于遙感的土壤水分信息可以通過提取歸一化差異濕度指數(shù)(normalized difference moisture index，NDMI)來表征[4]。草甸土受到地下水的影響較大，在水分更充沛時，可以向沼澤土發(fā)育；而當(dāng)?shù)叵滤畢T乏或生態(tài)環(huán)境遭到破壞時，則會向風(fēng)沙土轉(zhuǎn)變。因此，水分的再分配過程直接影響半干旱沙區(qū)草甸土的發(fā)育。根據(jù)草甸土和風(fēng)沙土的土壤環(huán)境特征，草甸土的土壤濕度值明顯大于風(fēng)沙土。因此，可使用 Landsat8秋季（雨季末，最高水位）遙感影像擦除已分類出的鹽堿土和沼澤土區(qū)域，并利用歸一化差異濕度指數(shù)（NDMI）范圍差異提取草甸土和風(fēng)沙土。

4）風(fēng)沙土亞類提取方案

在傳統(tǒng)的土壤分類中，通常將地表是否產(chǎn)生結(jié)皮和表層土壤有機質(zhì)含量作為風(fēng)沙土亞類的劃分依據(jù)。植物因素是影響土壤形成和發(fā)育的重要因素，同一地區(qū)土壤的發(fā)育程度會由于植被覆蓋度的差異而有所不同。隨著植被覆蓋度的提高，土壤表層出現(xiàn)結(jié)皮現(xiàn)象，有機質(zhì)含量逐漸提高。因此，可通過植被生長最茂盛的夏季遙感影像反演的植被覆蓋狀況，基于歸一化差異植被指數(shù)（NDVI）來區(qū)分流動風(fēng)沙土、半固定風(fēng)沙土與固定風(fēng)沙土3個風(fēng)沙土亞類。

2.3.2基于歸一化差異水體指數(shù)（MNDWI）的沼澤土分類

選用Landsat8春季遙感影像與秋季遙感影像的綠光和中紅外波段（B3、B6），依據(jù)公式（2）分別計算Landsat8春、秋季遙感影像的改進歸一化差異水體指數(shù)（MNDWI）[4,28]，利用ArcGIS進行空間疊加，水體中的重疊部分即為沼澤土；而對于沒有積水但受地下水影響的沼澤區(qū)域，難以在計算機中運用遙感光譜判讀，需進行人工目視解譯補充。

式中，MNDWI為改進的歸一化差異水體指數(shù)；B3、B6代表Landsat8影像綠光、中紅外波段。

2.3.3基于歸一化差異植被指數(shù)（NDVI）和鹽分指數(shù)（SI）的鹽堿土分類

選用Landsat8春季遙感影像的紅光和近紅外波段（B4、B5），依據(jù)公式（3）計算其歸一化差異植被指數(shù)（NDVI），通過分析野外調(diào)查樣點植被狀況與歸一化差異植被指數(shù)（NDVI）之間的關(guān)系，來區(qū)分鹽堿土與非鹽堿土區(qū)域[7]。統(tǒng)計結(jié)果顯示：當(dāng)NDVI＞0.135 7時，地表開始有大量植被生長，鹽漬化程度較輕，可認定為非鹽堿土區(qū)域。

式中，NDVI為歸一化差異植被指數(shù)；B4、B5代表Landsat8影像紅光、近紅外波段。

為了區(qū)分鹽堿土和風(fēng)沙土區(qū)域，需通過Landsat8影像波段的組合，對鹽堿土和風(fēng)沙土進行分類。通過對比分析典型地物波譜信息，利用春季影像的藍綠光與紅光波段（B2、B4）確定鹽分指數(shù)（SI），可有效反應(yīng)土壤鹽堿化程度[29]。結(jié)合野外土壤調(diào)查數(shù)據(jù)，建立鹽分指數(shù)（SI）與鹽堿土之間的線性關(guān)系，進而可反演得出鹽堿土分布區(qū)域。

式中，SI代表鹽分指數(shù)；B2、B4代表Landsat8春季影像藍綠光、紅光波段。

依據(jù)公式（4）計算 Landsat8春季影像的鹽分指數(shù)（SI），利用ArcGIS的Extract Value to Points功能提取40個訓(xùn)練點，經(jīng)統(tǒng)計確定鹽分指數(shù)（SI）與鹽堿土和非鹽堿土的關(guān)系：鹽堿土（SI＞0.22）；非鹽堿土（SI≤0.22）。由此可實現(xiàn)對鹽堿土的分類。

鹽堿土的分類流程，如圖4所示。

圖4　鹽堿土分類流程圖Fig.4　Flow chart of saline-alkali soil classification

2.3.4基于歸一化差異濕度指數(shù)（NDMI）的草甸土分類

選用 Landsat8秋季遙感影像的綠光和中紅外波段（B3、B7），在ENVI中進行纓帽變換（K-T變換）[30-32]，得到歸一化差異濕度指數(shù)（NDMI）數(shù)據(jù)；利用 ArcGIS的Extract Value to Points功能提取40個風(fēng)沙土/草甸土訓(xùn)練點的歸一化差異濕度指數(shù)（NDMI）值，并通過對風(fēng)沙土/草甸土訓(xùn)練點土壤濕度值的統(tǒng)計分析，得到風(fēng)沙土、草甸土土壤濕度范圍：風(fēng)沙土（–75.95＜NDMI≤–28.98；草甸土（–28.98＜NDMI≤18.00）。借助ArcGIS平臺空間分析功能，使用Landsat8秋季遙感影像擦除已分類出的鹽堿土和沼澤土區(qū)域，利用上述歸一化差異濕度指數(shù)（NDMI）范圍，即可實現(xiàn)對風(fēng)沙土與草甸土的分類。

2.3.5基于歸一化差異植被指數(shù)（NDVI）的風(fēng)沙土亞類分類

采用植被指數(shù)法，即利用遙感反演植被指數(shù)與實測植被覆蓋數(shù)據(jù)的線性擬合關(guān)系來估算植被覆蓋狀況[33]。具體方法為：選取Landsat8夏季影像中的紅光和近紅外波段（B4、B5），依據(jù)公式（3）計算其歸一化差異植被指數(shù)（NDVI），并結(jié)合野外實測植被覆蓋度（VC）數(shù)據(jù)，建立植被覆蓋度的二項式擬合關(guān)系，以此反演得出風(fēng)沙土區(qū)域的植被覆蓋度。

計算 Landsat8夏季影像歸一化差異植被指數(shù)（NDVI），結(jié)合野外實測植被覆蓋度（VC）數(shù)據(jù)，統(tǒng)計得出歸一化差異植被指數(shù)（NDVI）與野外實測植被覆蓋度（VC）的擬合關(guān)系（圖5）：NDVI=0.207 6VC+0.107 7，R2=0.530，P＜0.01。

根據(jù)成土過程，將荒漠化分類概念引入土壤發(fā)生分類中，即定義植被覆蓋度（VC）＜10%為流動風(fēng)沙土，植被覆蓋度（VC）10%～30%為半固定風(fēng)沙土，植被覆蓋度（VC）＞30%為固定風(fēng)沙土。結(jié)合上文得出的 NDVI與VC關(guān)系模型，得到科左后旗風(fēng)沙土亞類的遙感分類標(biāo)準(zhǔn)：流動風(fēng)沙土（0.107 7＜NDVI≤0.128 5；半固定風(fēng)沙土（0.128 5＜NDVI≤0.190 8）；固定風(fēng)沙土（NDVI＞0.190 8）。

圖5　歸一化植被指數(shù)與野外實測植被覆蓋度的相關(guān)關(guān)系Fig.5　Correlationship between normalized difference vegetation index(NDVI) and vegetation coverage(VC)

2.3.6半干旱沙區(qū)土類/亞類的遙感影像解譯標(biāo)志

結(jié)合半干旱沙區(qū)土類/亞類遙感調(diào)查制圖方案和沼澤土、鹽堿土、草甸土、風(fēng)沙土及其亞類的遙感調(diào)查分類方法，通過Landsat8 OLI多時相遙感影像（春季、夏季、秋季）相應(yīng)波段計算，得到半干旱區(qū)各土類/亞類的遙感影像解譯標(biāo)志，如表1所示。

表1　半干旱沙區(qū)各土類/亞類的遙感影像解譯標(biāo)志Table 1　Interpretation markers of remote sensing images of different soil types and subtypes in semi-arid sand region

2.3.7精度評價方法

利用野外采集的81個驗證點（圖6），對本文所建立的方法得到的土壤遙感調(diào)查圖進行精度評價和驗證。利用混淆矩陣，通過總體分類精度、Kappa系數(shù)、生產(chǎn)精度、用戶精度等指標(biāo)來表征[34]。

圖6　驗證點分布圖Fig.6　Distribution map of verification points

3　結(jié)果與分析

基于多時相Landsat8 OLI影像數(shù)據(jù)（春、夏、秋季各1期），應(yīng)用本文提出的半干旱沙區(qū)土類/亞類遙感調(diào)查制圖方法，得到科爾沁左翼后旗土類/亞類遙感調(diào)查圖（圖 7），結(jié)果顯示：科爾沁左翼后期分布最廣泛的土壤類型為風(fēng)沙土和草甸土，面積分別為 9 571.12 km2和1 801.27 km2，面積占比分別為83.29%和15.68%。其中，流動風(fēng)沙土、半固定風(fēng)沙土和固定風(fēng)沙土占風(fēng)沙土的比例分別為0.62%、19.47%和79.91%；鹽堿土和草甸土分布較少，面積分別為62.48 km2和56.21 km2，面積占比分別為0.54%和0.49%。

利用野外采集的81個驗證點與提取的分類結(jié)果信息建立混淆矩陣，對科左后旗土類/亞類遙感調(diào)查圖進行精度評價（表 2）。結(jié)果顯示，土壤類型圖的總體精度為72.84%，總體Kappa系數(shù)為0.667 8，各土壤類型的分類用戶精度均達到 60%以上。但沼澤土、鹽堿土的制圖精度相對較低（制圖精度≤50%），分析造成這種情況的原因如下：1）沼澤土野外采樣點多位于湖泊周圍，對于常年水淹的沼澤區(qū)域，受環(huán)境條件限制難以到達，因而沼澤土的驗證結(jié)果可能存在一定誤差；2）鹽堿土受地下水影響較大，由于野外采集驗證點時間不一，在降水充沛的情況下，鹽堿難以在土地表面積聚，驗證點中可能存在誤將鹽堿土判讀為堿化草甸土的情況；3）外業(yè)調(diào)研時間沒有與遙感圖像完全重合，存在一定偏差。

圖7　科爾沁左翼后旗土類/亞類遙感調(diào)查圖Fig.7　Distribution map of soil types and subtypes in Horqin Left Back Banner

表2　制圖結(jié)果精度驗證情況Table 2　Accuracy verification of mapping results

4　結(jié)論與討論

本文以土壤發(fā)生學(xué)原理及對半干旱沙區(qū)土壤環(huán)境狀況的分析為基礎(chǔ)，以位于半干旱沙區(qū)的內(nèi)蒙古科爾沁后旗為例，基于Landsat8 OLI影像數(shù)據(jù)、野外實地調(diào)查和專家知識，探討了表征半干旱沙區(qū)典型土壤類型的特定土壤環(huán)境因子及其遙感提取方法，得到如下結(jié)論：1）半干旱沙區(qū)具有母質(zhì)和氣候條件相似、植被類型單一的土壤環(huán)境特征，地形是影響半干旱沙區(qū)土壤發(fā)育的主導(dǎo)因素，不同地形部位土壤類型分布特征明顯；2）利用多時相 Landsat8 OLI影像數(shù)據(jù)提取的歸一化差異水體指數(shù)（modified normalized difference water index，MNDWI）、鹽分指數(shù)（salt index，SI）、歸一化差異濕度指數(shù)（normalized difference moisture index，NDMI）、歸一化差異植被指數(shù)（normalized difference vegetation index，NDVI）等環(huán)境信息，可實現(xiàn)對沼澤土、鹽堿土、草甸土、風(fēng)沙土及其亞類等半干旱沙區(qū)主要土壤類型的遙感調(diào)查制圖；3）應(yīng)用本文提出的半干旱區(qū)土類/亞類遙感調(diào)查制圖方法對科左后旗進行土壤遙感調(diào)查制圖和精度驗證，總體精度約為72.84%，Kappa系數(shù)為0.667 8。

本文可為半干旱沙區(qū)數(shù)字土壤調(diào)查制圖提供思路和參考，為數(shù)字土壤制圖代替?zhèn)鹘y(tǒng)土壤類型圖應(yīng)用于半干旱沙區(qū)的資源環(huán)境管理、氣候變化研究和生態(tài)水文模擬等提供技術(shù)支撐，但不可直接使用“二普”土壤圖等傳統(tǒng)土壤類型圖進行精度驗證和類比分析，也不適合于基于土壤系統(tǒng)分類規(guī)則的土壤調(diào)查制圖。相較于“二普”等大范圍土壤資源調(diào)查，本文存在研究尺度偏小、驗證點數(shù)量偏少等不足，在后續(xù)研究中需將本文提出的土壤遙感調(diào)查制圖方法推廣和應(yīng)用到更大的區(qū)域內(nèi)，并圍繞制圖結(jié)果精度評價展開深入研究，檢驗本方法的可靠性和結(jié)果的準(zhǔn)確性。

[參考文獻]

[1] 張鳳榮，王秀麗，梁小宏，等. 對全國第二次土壤普查中土類、亞類劃分及其調(diào)查制圖的辨析[J]. 土壤，2014(4)：761－765.Zhang Fengrong, Wang Xiuli, Liang Xiaohong, et al.Analysis of classification and mapping for great group,subgroup in second national soil survey[J]. Soil, 2014(4): 761－765. (in Chinese with English abstract)

[2] 孫福軍，雷秋良，劉穎，等. 數(shù)字土壤制圖技術(shù)研究進展與展望[J]. 土壤通報，2011，42(6)：1502－1507.Sun Fujun, Lei Qiuliang, Liu Ying, et al. The progress and prospect of digital soil mapping research [J]. Chinese Journal of Soil Science, 2011, 42(6): 1502－1507. (in Chinese with English abstract)

[3] 朱阿興，李寶林，楊琳，等. 基于 GIS、模糊邏輯和專家知識的土壤制圖及其在中國應(yīng)用前景[J]. 土壤學(xué)報，2005，42(5)：844－851.Zhu Axing, Li Baolin, Yang Lin, et al. Predictive soil mapping based on a GIS, expert knowledge, and fuzzy logic framework and its application prospects in China [J]. Acta Pedologica Sinica, 2005, 42(5): 844－851. (in Chinese with English abstract)

[4] 亢慶，張增祥，趙曉麗. 基于遙感技術(shù)的干旱區(qū)土壤分類研究[J]. 遙感學(xué)報，2008，12(1)：159－167.Kang Qing, Zhang Zengxiang, Zhao Xiaoli. A Study of soil classification based on remote sensing in arid area[J]. Journal of Remote Sensing, 2008, 12(1): 159－167. (in Chinese with English abstract)

[5] 鄭立華，李民贊，安曉飛，等. 基于近紅外光譜和支持向量機的土壤參數(shù)預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(14)：81－87.Zheng Lihua, Li Minzan, An Xiaofei, et al. Forecasting soil parameters based on NIR and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(14): 81－87. (in Chinese with English abstract)

[6] 宋海燕，秦剛，韓小平，等. 基于近紅外光譜和正交信號-偏最小二乘法對土壤的分類[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(7)：168－171.Song Haiyan, Qin Gang, Han Xiaoping, et al. Soil classification based on near infrared reflectance spectroscopy and orthogonal signal correction-partial least square[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 168－171. (in Chinese with English abstract)

[7] 王飛，丁建麗，伍漫春. 基于NDVI-SI特征空間的土壤鹽漬化遙感模型[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(8)：168－173.Wang Fei, Ding Jianli, Wu Manchun. Remote sensing monitoring models of soil salinization based on NDVI-SI feature space.[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(8): 168－173. (in Chinese with English abstract)

[8] 張素梅，王宗明，張柏，等. 利用地形和遙感數(shù)據(jù)預(yù)測土壤養(yǎng)分空間分布[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(5)：188－194.Zhang Sumei, Wang Zongming, Zhang Bai, et al. Prediction of spatial distribution of soil nutrients using terrain attributes and remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(5):188－194. (in Chinese with English abstract)

[9] Dobos E, Micheli E, Baumgardner M F, et al. Use of combined digital elevation model and satellite radiometric data for regional soil mapping[J]. Geoderma, 2000, 97(3/4):367－391.

[10] 曾志遠. 衛(wèi)星遙感圖像計算機分類與地學(xué)應(yīng)用研究[M].北京：科學(xué)出版社，2004.

[11] 劉煥軍，張小康，張新樂，等. 面向土壤分類的高光譜反射特征參數(shù)模型[J]. 遙感學(xué)報，2017，21(1)：105－114.Liu Huanjun, Zhang Xiaokang, Zhang Xinle, et al.Hyperspectral reflectance characteristics paramter extraction for soil classification model[J]. Journal of Remote Sensing,2017, 21(1): 105－114. (in Chinese with English abstract)

[12] 李錦主編. 土壤制圖[M]. 福州：福建省地圖出版社，1997.

[13] Heuvelink G B M, Webster R. Modelling soil variation: Past,present, and future[J]. Geoderma, 2001, 100(34): 269－301.

[14] 谷海斌，張麗，盛建東，等. 基于地統(tǒng)計學(xué)和GIS的灌區(qū)鹽漬化土壤制圖及評價[J]. 干旱區(qū)研究，2010，27(6)：962－968.Gu Haibin, Zhang Li, Sheng Jiandong, et al. Mapping and evaluation of salinized soil in an irrigated area based on geostatistics and GIS[J]. Arid Zone Research, 2010, 27(6):962－968. (in Chinese with English abstract)

[15] 江凈超，朱阿興，秦承志，等. CyberSoLIM: 基于知識驅(qū)動的在線數(shù)字土壤制圖原型系統(tǒng)[J]. 土壤學(xué)報，2013，50(6)：1216－1220.Jiang Jingchao, Zhu Axing, Qin Chengzhi, et al. CyberSoLIM:Knowledge-driven online digital soil mapping[J]. Acta Pedologica Sinica, 2013, 50(6): 1216－1220. (in Chinese with English abstract)

[16] De Bruin S, Stein A. Soil-landscape modeling using fuzzy c-means clustering of attribute data derived from a digital elevation model (DEM)[J]. Proc, 1988, 83(1/2): 17-33.

[17] Smith M P, Zhu A X, Burt J E, et al. The effects of DEM resolution and neighborhood size on digital soil survey[J].Geoderma, 2006, 137(1/2): 58－69.

[18] Bui E N, Moran C J. A strategy to fill gaps in soil survey over large spatial extents: An example from the Murray–Darling basin of Australia[J]. Geoderma, 2003,111(1): 21－44.

[19] 周斌，王人潮，史舟. 土壤自動制圖中的知識分類[J]. 科技通報，2002，18(4)：261－264.Zhou Bin, Wang Renchao, Shi Zhou. Knowledge classification on soil automatic mapping[J]. Bulletin of Science & Technology, 2002, 18(4): 261－264. (in Chinese with English abstract)

[20] Lane P W. Generalized linear models in soil science[J].European Journal of Soil Science, 2002, 53(2): 241－251.

[21] Kempen B, Brus D J, Heuvelink G B M, et al. Updating the 1:50,000 Dutch soil map using legacy soil data: A multinomial logistic regression approach.[J]. Geoderma,2009, 151(34): 311－326.

[22] Minasny B, Mcbratney A B. The neuro-m method for fitting neural network parametric pedotransfer functions[J]. Soil Science Society of America Journal, 2002, 66(2): 352－361.

[23] 付強，王志良，梁川. 自組織競爭人工神經(jīng)網(wǎng)絡(luò)在土壤分類中的應(yīng)用[J]. 水土保持通報，2002，22(1)：39－43.Fu Qiang, Wang Zhiliang, Liang Chuan. Application of self-organizing competition artificial neural networks in soil classification[J]. Bulletin of Soil & Water Conservation,2002, 22(1): 39－43. (in Chinese with English abstract)

[24] 張甘霖，龔子同. 土壤調(diào)查實驗室分析方法[M]. 科學(xué)出版社，2012.

[25] 陳祖剛，巴圖娜存，徐芝英，等. 基于數(shù)碼相機的草地植被蓋度測量方法對比研究[J]. 草業(yè)學(xué)報，2014，23(6)：20－27.Chen Zugang, Batu Nacun, Xu Zhiying, et al. Measuring grassland vegetation cover using digital camera images[J].Acta Prataculturae Sinica, 2014, 23(6): 20－27. (in Chinese with English abstract)

[26] 牛振國，宮鵬，程曉，等. 中國濕地初步遙感制圖及相關(guān)地理特征分析[J]. 中國科學(xué)D輯：地球科學(xué)，2009，39(2)：188－203.Niu Zhenguo, Gong Peng, Cheng Xiao, et al. Primary remote sensing mapping of Chinese wetland and related geography characteristics analysis[J]. Science in China Series D:Geoscience, 2009, 39(2): 188－203. (in Chinese with English abstract)

[27] Subba Rao N S. Soil microorganisms and plant growth[J].American Biology Teacher, 1977, 25(2): 122－126.

[28] 徐涵秋. 利用改進的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]. 遙感學(xué)報，2005，9(5)：589－595.Xu Hanqiu. A study on information extraction of water body with the modified normalized difference water index(MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589－595. (in Chinese with English abstract)

[29] Khan N M, Rastoskuev V V, Sato Y, et al. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management,2005, 77(1/3): 96－109.

[30] Baig M H A, Zhang L, Tong S, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5): 423－431.

[31] 李博倫，遆超普，顏曉元. Landsat 8陸地成像儀影像的纓帽變換推導(dǎo)[J]. 測繪科學(xué)，2016，41(4)：102－107.Li Bolun, Ti Chaopu, Yan Xiaoyuan. Study of derivation of tasseled cap transformation for Landsat 8 OLI images[J].Science of Surveying and Mapping, 2016, 41(4): 102－107.(in Chinese with English abstract)

[32] 李苗苗. 植被覆蓋度的遙感估算方法研究[D]. 北京：中國科學(xué)院研究生院，2003.Li Miaomiao. The Method of Vegetation Fraction Estimation by Remote Sensing[D]. Beijing: Graduate University of Chinese Academy of Sciences, 2003. (in Chinese with English abstract)

[33] 羅開盛，陶福祿. 融合面向?qū)ο笈c纓帽變換的濕地覆被類別遙感提取方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(3)：198－203.Luo Kaisheng, Tao Fulu. Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2017, 33(3): 198－203. (in Chinese with English abstract)

[34] 蘆園園，張甘霖，趙玉國，等. 復(fù)雜景觀環(huán)境下土壤厚度分布規(guī)則提取與制圖[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(18)：132－141.Lu Yuanyuan, Zhang Ganlin, Zhao Yuguo, et al. Extracting and mapping of soil depth distribution rules in complex landscape environment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 132－141. (in Chinese with English abstract)