孫問娟 李新舉

摘要：本研究利用Landsat 8遙感影像數(shù)據(jù)以及土壤有機碳實測數(shù)據(jù)，以研究區(qū)表層0～20 cm土壤的有機碳含量為研究對象，通過SPSS的多元線性回歸分析，建立預(yù)測模型：Ysoc=23.448+65.958b1-67.703b4-21.778b7（R2=0.744，P<0.01）；進而采用基于ENVI的波段運算及決策樹分類法，獲取了濟寧市土壤的有機碳含量與分布狀況。結(jié)果表明：（1）研究區(qū)的土壤有機碳含量平均約為12.45 g/kg，處于中等偏下水平，部分地區(qū)有機碳含量接近于零，微山縣和任城區(qū)含量最高；（2）研究區(qū)有機碳含量主要集中在12～18 g/kg，面積約為6 165.13 km2，占研究區(qū)土地總面積的59.99%，分布最為廣泛，在各個縣區(qū)均有分布。

關(guān)鍵詞：土壤有機碳；遙感反演；多元回歸分析；決策樹分類；濟寧市

中圖分類號：S127文獻標識號：A文章編號：1001-4942（2018）04-0133-05

Abstract Taking 0～20 cm soil layer as research object， the remote sensing data of soil organic carbon were obtained from Landsat 8 and the actual values were measured in laboratory. Through the multiple linear SPSS regression analysis，the prediction model of Ysoc=23.448+65.958b1-67.703b4-21.778b7（R2=0.744，P<0.01） was established. Then the soil organic carbon content and distribution in Jining City were obtained by the band math and decision tree classification based on ENVI. The results were as follows. （1） The average soil organic carbon content in the study area was about 12.45 g/kg， which was in the lower middle level. The organic carbon content in some areas was close to 0. The highest content was in Weishan and Rencheng districts. （2） The content of organic carbon in the study area was mainly concentrated at 12～18 g/kg，which was about 6 165.13 km2 and accounted for 59.99% of the total study land area. It had the most widely distribution area， even was in each county or district of Jining City.

Keywords Soil organic carbon； Remote sensing retrieval； Multiple regression analysis；Decision tree classification； Jining city

碳作為自然界中的一種元素，在各個圈層之間是不斷循環(huán)的，尤其是大氣圈CO2和巖石圈SOC的存在形式，與人類生存密切相關(guān)[1]。土壤有機碳（soil organic carbon，SOC）作為土壤碳庫的一部分，直接或間接影響著全球的氣候和土地生產(chǎn)力。土壤有機碳的研究至今已有200多年的歷史，20 世紀 70 年代以來，隨著統(tǒng)計學(xué)方法的普及，生命帶法、土壤類型法、有機碳模型法等開始大量應(yīng)用于有機碳含量及其垂直分布的研究[2-7]。近年來基于RS和GIS軟件的遙感反演越來越成為研究土壤有機碳空間分布特征的重要方法，空間插值法、光譜反射率、DN值等遙感信息建模法[8，9]都是常用的遙感反演方法。代杰瑞等[10]利用土壤剖面資料和MapGIS 軟件中的空間分析功能實現(xiàn)了山東省表層土壤有機碳密度空間分布的可視化；游浩辰[11]利用ArcGIS的空間插值法實現(xiàn)了遙感反演制圖，進而研究了順昌縣林地土壤有機碳的空間分布特征；王瓊等[12]通過波段運算實現(xiàn)了北疆綠洲區(qū)棉田表層土壤有機碳的遙感反演。

決策樹法是遙感應(yīng)用中一種有效的影像分類方法，不僅適用于訓(xùn)練數(shù)據(jù)集較大的情況，而且構(gòu)建結(jié)構(gòu)簡單、模型效率高、分類精度好[13]。但目前很少有利用決策樹分類法進行土壤有機碳空間反演的研究報道。本研究以山東省濟寧市耕作層0～20 cm土壤的有機碳含量為研究對象，以遙感影像各波段反射率與土壤有機碳含量為因子進行多元線性回歸分析，建立有機碳預(yù)測模型，并借助決策樹分類法對整個研究區(qū)域土壤有機碳含量進行了空間反演。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

濟寧市位于魯西南腹地，地處黃淮海平原與魯中南山地交接地帶，在34°27′11.83″N～35°58′42.27″N、115°51′28.51″E～117°34′57.24″E之間，南北跨越167 km，東西跨越158 km；地形較為復(fù)雜，以平原洼地為主，山地、丘陵、盆地都有分布，地勢東高西低；屬于暖溫帶季風(fēng)氣候，平均氣溫13.3～14.1℃，年均降水量597～820 mm。

濟寧市既屬于農(nóng)業(yè)型城市又屬于資源型城市。土地總面積約為11 187 km2，耕地面積約為6 113.2 km2，包含了棕壤、褐土、砂姜黑土、潮土、水稻土等多種土壤類型。濟寧市還是全國八大煤炭開采基地之一，主要含煤地層都在10層以上，可采厚度10 m左右。

1.2 土壤采樣與分析方法

根據(jù)研究區(qū)的耕作機制，為避免其他地物遮擋地面，在2015年10月初，按照試驗設(shè)計在研究區(qū)內(nèi)共采集134個樣點的土樣，考慮到樣點的均勻性與可靠性，最終選出129個有效樣點的數(shù)據(jù)參與統(tǒng)計。樣點分布如圖1所示。

每個樣點均通過手持式GPS進行定位，采樣深度為表層0～20 cm，每份土樣均由30 m×30 m范圍內(nèi)按照對角線取樣法取得的5份土樣混合而成。將土樣帶回實驗室后，挑出植物根系、石子磚塊、小動物等侵入物，經(jīng)晾曬、風(fēng)干、敲打、研磨過篩后，采用重鉻酸鉀容量法——外加熱法測定土壤有機碳含量。

1.3 遙感影像獲取及處理

遙感影像來源于地理空間數(shù)據(jù)云，選擇與采樣時間相對應(yīng)的2015年10月2日的兩幅Landsat 8數(shù)據(jù)影像，條代號-行編號分別為122-35、122-36。

遙感影像經(jīng)過輻射定標、大氣校正、幾何校正、鑲嵌與裁剪后，利用改進的歸一化差異水體指數(shù)（NDWI）制作掩膜去除遙感影像中的水域；利用線性混合像元分解法去除植被信息。采用像元二分模型[15-17]，把遙感影像的像元反射信息看作是由植被和土壤兩者組成，進而通過歸一化植被指數(shù)（NDVI）[18]和波段運算從像元的混合波譜中去除植被信息，獲取只包含土壤信息的遙感影像。

1.4 SOC含量預(yù)測模型建立

采用多元回歸逐步分析法，構(gòu)建土壤有機碳含量與遙感影像各波段反射率的反演模型。以相關(guān)系數(shù)越高、標準差越小且顯著性較高為準則優(yōu)選反演模型。

1.5 決策樹分類

決策樹分類是基于遙感圖像及其他空間數(shù)據(jù)，通過專家經(jīng)驗總結(jié)、簡單的數(shù)學(xué)統(tǒng)計和歸納等獲得分類規(guī)則，然后進行遙感分類的方法[19]。決策樹分類是一種逐級分層分類方法[20]，它的分類過程可以用決策樹結(jié)構(gòu)很好地表達。決策樹由一個父節(jié)點和若干個子節(jié)點組成，每個節(jié)點是一個單獨的分類過程，每個節(jié)點的末端代表一個分類結(jié)果，即一個數(shù)據(jù)類別。

本研究根據(jù)密度分割獲得土壤有機碳含量范圍，將其劃分為4個含量梯度，分別為0～5、5～12、12～18、18～27 g/kg，以預(yù)測模型為分類的基本規(guī)則，每個含量梯度作為一個節(jié)點構(gòu)建決策樹，執(zhí)行決策樹分類，并對其結(jié)果進行Majority/Minority 分析、聚類處理以及過濾處理，最后將其轉(zhuǎn)化為矢量文件導(dǎo)入ArcMap出圖。

2 結(jié)果與分析

2.1 土壤有機碳含量預(yù)測模型的建立與檢驗

根據(jù)有機碳測得結(jié)果，把樣點分為4組，即土壤有機碳含量分別為5～10、10～15、15～20、20～25 g/kg，然后從每組中均勻抽取7個，共計28個樣點作為驗證點，其余的101個樣點作為建模點（表1）。

利用建模點數(shù)據(jù)及各遙感光譜反射率進行多元逐步回歸，結(jié)果（表2）顯示，模型四的R2最大且RMSE最小，模型五次之，但模型五的顯著性明顯高于模型四，綜合考慮R2、RMSE及P值，擇優(yōu)選擇顯著性更高的模型五作為濟寧市0～20 cm土層土壤有機碳含量的預(yù)測模型，即：Ysoc=23.448+65.958b1-67.703b4-21.778b7，其中YSOC為土壤有機碳含量，b1、b4、b7分別為遙感影像第一、四、七波段的反射率。

為了驗證模型的可靠性，本研究利用ENVI 4.7提取了與28個驗證點相對應(yīng)的各波段反射率，代入上述反演模型中得到相應(yīng)的有機碳預(yù)測值，對預(yù)測值與實測值進行線性擬合，R2=0.797 2，二者存在較好的線性關(guān)系（圖2），即有機碳含量反演模型有較好的可靠性，可以用于整個研究區(qū)土壤有機碳含量的預(yù)測。

2.2 土壤有機碳含量反演

2.2.1 土壤有機碳的數(shù)量特征 本研究根據(jù)有機碳模型采用密度分割法估測了整個研究區(qū)土壤有機碳含量范圍?？紤]到實際情況，有機碳含量不可能小于零，因此把有機碳含量在-1.62～0 g/kg 范圍內(nèi)的計算結(jié)果剔除；由于最大值超出樣本值過多，在逐級試驗計算中，首先對34～39 g/kg進行Aplay，發(fā)現(xiàn)肉眼在圖像上難以找到此類別，把對應(yīng)的數(shù)據(jù)剔除；然后依次查看了30～34、28～30、26～28、27～28、26～27 g/kg，最終發(fā)現(xiàn)最大值接近于27 g/kg，于是把27.00～39.14 g/kg范圍內(nèi)的數(shù)據(jù)也剔除，之后統(tǒng)計出平均值。因此，本研究認為研究區(qū)內(nèi)0～20 cm土層的土壤有機碳含量最高約為27.00 g/kg，最低約為零，平均值為12.45 g/kg（表3）。

2.2.2 決策樹分類法反演結(jié)果 決策樹分類反演結(jié)果如圖3所示。利用ENVI的數(shù)據(jù)統(tǒng)計功能對決策樹分類結(jié)果進行統(tǒng)計分析，結(jié)果（表4）表明：研究區(qū)有機碳含量主要集中在12～18 g/kg，面積約為6 165.13 km2，占研究區(qū)土地總面積的59.99%，各個縣區(qū)均有分布，分布最為廣泛，也表明濟寧市土壤有機碳含量的總體水平不高；分布最小的為0～5 g/kg，面積為717.34 km2，不到全區(qū)的7%，主要分散在東北部地區(qū)；有機碳含量為5～12、18～27 g/kg的兩個梯度，面積相當(dāng)，前者分布較后者廣泛，后者集中分布在微山縣與任城區(qū)，微山縣幾乎全部地區(qū)有機碳含量都處于全市最高水平，而其農(nóng)林牧漁業(yè)也一直領(lǐng)先于其他地區(qū)，可見土壤有機碳含量在土地生產(chǎn)中有重要作用。

2.3 決策樹分類法與克里金插值法和密度制圖法空間反演結(jié)果的比較

本研究還利用反演制圖中常用的克里金插值制圖法和密度制圖法對研究區(qū)有機碳含量進行了空間反演。結(jié)果（圖4、圖5）表明，完全依賴于樣點值的克里金插值法制圖效果并不理想，與基于光譜特征的密度制圖結(jié)果相差較大?？死锝鸩逯捣ㄊ且詷狱c為中心、其值為依據(jù)，在插值圖中含量呈片狀分布，具有明顯的幾何特征，所以只有在樣點分布較密集的情況下，才能保持一定的精度。而密度制圖法是基于預(yù)測模型及波段計算，含量呈點狀分布，反演效果較好，但是圖像粗糙。

決策樹分類法與密度分割法雖然在分類依據(jù)上相似，都是依據(jù)光譜特征，精度相同，但是分類過程不同，出圖質(zhì)量不同。決策樹分類法可以借助ENVI本身的分類后優(yōu)化功能對反演圖像上的小圖斑進行合并或清除，使圖像各類別之間的輪廓更加平滑；而密度分割圖像后期處理艱難，圖像較為粗糙，分類效果不如前者。所以，決策樹分類在土壤有機碳的空間反演中是一種較好的制圖方法，既保持了分類精度，又保證了較好的視覺效果。

3 結(jié)論

（1）通過基于ENVI的波段計算和密度分割，得到濟寧市耕作層土壤的有機碳平均含量約為12.45 g/kg，處于中等偏下水平，部分地區(qū)有機碳含量接近于零，以微山縣和任城區(qū)含量最高。

（2）根據(jù)遙感反演與統(tǒng)計分析結(jié)果，濟寧市土壤有機碳含量主要集中在12～18 g/kg，面積約為6 165.13 km2，占研究區(qū)土地總面積的59.99%，分布最為廣泛，在各個縣區(qū)均有分布。

（3）與克里金插值法相比，決策樹分類法不需要過多的樣點，采樣工作量相對較少；與密度分割法相比，決策樹分類法既保持了反演圖像的精度，又提高了分類圖像的視覺質(zhì)量。

參 考 文 獻：

[1] 金峰， 楊浩. 土壤有機碳儲量及影響因素研究進展[J]. 土壤， 2000， 32（1）： 11-17.

[2] Post W M， Emanuel W R， Zinke P J， et al. Soil carbon pools and world life zones [J]. Nature， 1982， 298（5870）：156-159.

[3] Foley J A. An equilibrium model of the terrestrial carbon budget [J]. Tellus Series B-chemical & Physical Meteorology， 1995， 47（3）： 310-319.

[4] 薛志婧， 侯曉瑞， 程曼， 等. 黃土丘陵區(qū)小流域尺度上土壤有機碳空間異質(zhì)性[J]. 水土保持學(xué)報， 2011， 25（3）： 160-163.

[5] 苗正紅. 1980—2010年三江平原土壤有機碳儲量動態(tài)變化[D]. 長春： 中國科學(xué)院研究生院東北地理與農(nóng)業(yè)生態(tài)研究所， 2013.

[6] 黃雪夏， 倪九派， 高明， 等. 重慶市土壤有機碳庫的估算及其空間分布特征[J]. 水土保持學(xué)報， 2005， 19（1）：54-58.

[7] 袁芳， 趙小敏， 樂麗紅， 等. 江西省表層土壤有機碳庫儲量估算與空間分布特征[J]. 生態(tài)環(huán)境學(xué)報， 2008， 17（1）： 268-272.

[8] 李玉環(huán)， 王靜， 呂春燕， 等. 基于 TM/ETM+遙感數(shù)據(jù)的地面相對反射率反演[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 2005， 36（4）： 545-551.

[9] 陳紅艷， 趙庚星， 陳敬春， 等. 基于改進植被指數(shù)的黃河口區(qū)鹽漬土鹽分遙感反演[J]. 農(nóng)業(yè)工程學(xué)報， 2015， 31（5）： 107-114.

[10]代杰瑞， 龐緒貴， 曾憲東， 等. 山東省土壤有機碳密度的空間分布特征及其影響因素[J].環(huán)境科學(xué)研究， 2015， 28（9）： 1449-1458.

[11]游浩辰. 林地土壤有機碳遙感反演及空間分異研究[D]. 福州：福建農(nóng)林大學(xué)， 2012.

[12]王瓊， 陳兵， 王方永， 等. 基于HJ衛(wèi)星的棉田土壤有機質(zhì)空間分布格局反演[J]. 農(nóng)業(yè)工程學(xué)報， 2016， 32（1）：174-180.

[13]陳文， 史金成. 決策樹分類技術(shù)研究[J]. 福建電腦， 2005（8）：5-6.

[14]雙龍， 妮薩娜， 杜江， 等. 重鉻酸鉀氧化——外加熱法測定化探土壤樣品中有機碳含量[J].安徽化工， 2016， 42（4）： 110-112.

[15]李萍， 趙庚星， 高明秀， 等. 黃河三角洲土壤含水量狀況的高光譜估測與遙感反演[J]. 土壤學(xué)報， 2015， 52（6）： 1262-1272.

[16]吳陽， 甘淑， 王策， 等. 基于綜合遙感調(diào)查的滇中星云湖流域水資源狀況評估分析[J]. 浙江農(nóng)業(yè)科學(xué)， 2016， 57（8）： 1304-1307.

[17]曹文濤， 康日斐， 王集寧， 等. 基于高光譜遙感的土壤氯化鈉含量監(jiān)測[J]. 江蘇農(nóng)業(yè)學(xué)報， 2016， 32（4）： 817-823.

[18]樊彥國， 張維康， 劉敬一. 基于植被指數(shù)-鹽分指數(shù)特征空間的黃河三角洲鹽漬化遙感監(jiān)測研究[J]. 山東農(nóng)業(yè)科學(xué)， 2016， 48（5）：137-141.

[19]鄧書斌. 遙感圖像處理方法[M]. 北京：科學(xué)出版社， 2010： 150-164.

[20]張倩. 基于決策樹方法的航空高光譜遙感土地覆蓋分類研究——以江蘇宜興試驗區(qū)為例[D]. 青島：山東科技大學(xué)， 2005.