孟祥添，鮑依臨，劉煥軍,3※，張艾明，劉云超，王丹丹

（1. 赤峰學(xué)院資源環(huán)境與建筑工程學(xué)院，赤峰 024000；2. 東北農(nóng)業(yè)大學(xué)公共管理與法學(xué)院，哈爾濱 150030；3. 中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，長春 130012）

0 引 言

精準(zhǔn)監(jiān)測土壤類型的空間分布有助于更好的制定土地資源利用策略和指導(dǎo)農(nóng)業(yè)生產(chǎn)。目前，遙感技術(shù)已被廣泛應(yīng)用于土壤分類的研究中，利用遙感技術(shù)可低成本、快速、全面的進行土壤分類，避免了傳統(tǒng)土壤分類中必須根據(jù)診斷層和土壤的理化性質(zhì)進行分類的過程。土壤光譜反射率是土壤理化性質(zhì)和內(nèi)在結(jié)構(gòu)的綜合反映，已有大量研究利用土壤反射光譜數(shù)據(jù)進行土壤分類[1-3]。

依據(jù)土壤反射光譜數(shù)據(jù)進行土壤分類的研究中，數(shù)據(jù)來源可大致分為室內(nèi)測量的高光譜數(shù)據(jù)、機載高光譜數(shù)據(jù)、星載多光譜數(shù)據(jù)和星載高光譜數(shù)據(jù)?；谑覂?nèi)測量的高光譜數(shù)據(jù)易于獲取，且已經(jīng)實現(xiàn)了高精度的土壤分類。如Wang 等[4]提取土壤反射光譜的形狀特征，實現(xiàn)在土類、土屬級別上進行高精度的土壤分類；Zhang 等[5]提取了 148 個土壤樣本的光譜特征參數(shù)，實現(xiàn)了土壤在土類級別的劃分，總精度高達90.54%。然而，基于室內(nèi)測量的高光譜數(shù)據(jù)的樣點采集在空間是非連續(xù)的，無法實現(xiàn)區(qū)域性乃至更大尺度的土壤分類及制圖，且不利于土壤類型的實時更新與監(jiān)測。利用機載高光譜數(shù)據(jù)已實現(xiàn)了對植物、地物類型的高精度分類[6-8]，然而部分機載傳感器存在光譜帶個數(shù)有限、低信噪比（Signal to Noise Ratio，SNR）和覆蓋范圍有限的問題，導(dǎo)致使用機載高光譜數(shù)據(jù)在土壤分類研究中存在一定的劣勢。星載多光譜遙感數(shù)據(jù)是發(fā)展時間最久、使用范圍最廣的數(shù)據(jù)，已廣泛應(yīng)用于土壤分類中[9-10]，然而，多光譜數(shù)據(jù)波段數(shù)量較少，某些與土壤類型相關(guān)的細節(jié)信息被綜合或忽略掉，導(dǎo)致利用星載多光譜數(shù)據(jù)進行土壤分類的精度不高。如Meng等[11]證明了Landsat8 OLI星載多光譜數(shù)據(jù)范圍在土壤屬性相關(guān)性較高的波段范圍（600～800 nm）內(nèi)，僅包含其中的2/5 的信息，難以實現(xiàn)高精度的土壤屬性預(yù)測。利用星載高光譜數(shù)據(jù)進行土壤分類及制圖可彌補室內(nèi)測量高光譜數(shù)據(jù)進行土壤性質(zhì)預(yù)測時無法獲取連續(xù)的土壤性質(zhì)的缺陷、解決機載高光譜數(shù)據(jù)覆蓋范圍有限、星載多光譜數(shù)據(jù)波段數(shù)量少的問題。在高分 5 號（GF-5）全譜段高光譜衛(wèi)星正式投入使用前，僅NASA EO-1 平臺上的Hyperion 傳感器和歐洲航天局PROBA 上的CHRIS 光譜成像平臺具有足夠空間分辨率用于土壤研究[12-13]。但可進行土壤屬性預(yù)測應(yīng)用的Hyperion 與CHRIS 成像光譜儀在定量土壤估算中均存在一定的局限性：Hyperion 數(shù)據(jù)的短波紅外區(qū)域（2 200 nm 附近）的SNR 較低，無法滿足土壤屬性遙感預(yù)測的要求[14]。CHRIS 數(shù)據(jù)由于光譜范圍（415～1 050 nm）受限，在短波紅外區(qū)域沒有光譜信息[15]?；谏鲜鲈?，有必要驗證 GF-5 星載高光譜數(shù)據(jù)進行高精度、大范圍的土壤分類及制圖的可能性，以期為基于星載高光譜數(shù)據(jù)進行土壤分類的研究提供參考。

僅考慮土壤光譜特征難以實現(xiàn)高精度的土壤分類及制圖，而成土因素的引入可有效地提高土壤分類精度[16-17]。在五大成土因素（氣候、生物、母質(zhì)、地形和時間）中，地形因子可減弱光譜特征相互混淆的現(xiàn)象且適用于大尺度的土壤分類研究[18]。同時，與生物，母質(zhì)要素相比，地形可直接通過光學(xué)影像進行觀測，其顯著的高程變化幅度可以縮小其他干擾信息的特征。地形通過引起物質(zhì)、能量的再分配而間接地作用于土壤的形成及演變，使得不同的土類在地形上具有顯著的差異，且不同土壤類型的交界位置與空間地形特征緊密關(guān)聯(lián)。

目前，由于可以使用的星載高光譜數(shù)據(jù)少，且對星載高光譜數(shù)據(jù)進行包絡(luò)線去除和主成分分析處理以及加入地形因子（Terrain，TA）是否能夠有效的提高土壤分類精度有待驗證，因此，本研究利用拜泉縣、明水縣星載高光譜影像數(shù)據(jù)，對高光譜數(shù)據(jù)分別進行包絡(luò)線去除和主成分分析處理，明確進行包絡(luò)線去除處理能否提高不同土類之間的差異性；在經(jīng)過包絡(luò)線去除和主成分處理后的數(shù)據(jù)中加入地形因子，并結(jié)合隨機森林模型構(gòu)建土類級別的土壤分類模型，以期為利用GF-5 高光譜數(shù)據(jù)實現(xiàn)高精度土壤分類及制圖提供新的方法。

1 材料與方法

1.1 研究區(qū)概況

東北黑土區(qū)的糧食商品量、調(diào)出量均居全國首位，精準(zhǔn)的土壤分類及制圖結(jié)果可為精準(zhǔn)農(nóng)業(yè)提供依據(jù)。拜泉縣、明水縣位于黑土帶中心，包含黑土區(qū)中三大土壤類型，以此為研究區(qū)具有代表性。拜泉縣、明水縣，位于松嫩平原北部、黑龍江西部（124°18′～126°31′E，46°44′～47°55′N），研究區(qū)面積約為 6 000 km2，溫帶大陸性季風(fēng)氣候，夏季多雨溫暖，冬季干燥寒冷，年平均氣溫在2.9 ℃，年平均降水485 mm 左右，主要農(nóng)作物種植類型為玉米和大豆。平均海拔為240.5 m，地勢整體呈北高南低，空間差異顯著（圖1）。從全國第二次土壤普查數(shù)據(jù)可知，研究區(qū)內(nèi)成土母質(zhì)多為黃土母質(zhì)和沉積物，少部分為沖積物，主要土壤類型共計3 種，分別為黑土、黑鈣土和草甸土，占總面積的 95%以上，黑鈣土和黑土均是黑土資源的重要組成部分，其有機質(zhì)含量高，是非常適合糧食生產(chǎn)的土壤類型。不同土壤類型具有不同的地形特征。其中黑土主要分布在高程較高、地表起伏度較低且坡度平緩的區(qū)域；黑鈣土主要分布在研究區(qū)的西南部，整體高程較低；草甸土主要分布在地勢較低洼的地區(qū)。

東北地區(qū)農(nóng)作物為一年一熟，每年 4 月初期，積雪融化，土壤表面完全裸露出來。當(dāng)?shù)剞r(nóng)民將農(nóng)田里的農(nóng)作物殘留物（如秸稈與地膜）進行焚燒處理。為了使土壤變得疏松，促進土壤中潛在養(yǎng)分轉(zhuǎn)化為有效養(yǎng)分和作物根系的伸展，在耕種前通常進行翻地處理，由于重復(fù)耕作，耕層的土壤性質(zhì)通常是均勻的，4 月初到5 月初期，拍攝的影像不被農(nóng)作物殘留物和積雪覆蓋，未受到混合像元影響，這一時期被稱之為“裸土窗口期”[1]。

圖1 研究區(qū)位置及海拔Fig.1 Location and elevation of the study area

1.2 數(shù)據(jù)來源

GF-5 高光譜數(shù)據(jù)從黑龍江省高分衛(wèi)星數(shù)據(jù)中心申請獲取。本研究選取了拜泉縣、明水縣共 4 幅符合“裸土窗口期”的GF-5 號高光譜影像，影像的具體拍攝時間為4月 18 日，無云覆蓋，獲取的前一周無雨，且土壤的表面沒有被大片植被和積雪所覆蓋。全國第二次土壤普查數(shù)據(jù)從黑龍江省農(nóng)墾科學(xué)院科技情報研究所申請獲取，該土壤普查結(jié)果是根據(jù)土壤發(fā)生學(xué)理論對土壤進行劃分。從http://glovis.usgs.gov/網(wǎng)站獲取了研究區(qū) 30 m 空間分辨率數(shù)字高程模型（Digital elevation model，DEM）數(shù)據(jù)。

1.3 數(shù)據(jù)處理

1.3.1 數(shù)據(jù)預(yù)處理

利用ENVI5.1 軟件對GF-5 高光譜影像進行輻射定標(biāo)和大氣校正處理，隨后使用Arcgis10.1 按照縣域耕地范圍將影像進行裁剪，用于后期處理。提取各采樣點所對應(yīng)的反射光譜曲線，由于傳感器在400～430、2 450～2 500 nm波譜范圍具有較低的SNR，在900～1 050 nm 受到傳感器自身缺陷的影響[12]、且在1 350～1 451、1 771～1 982 nm受到大氣中水蒸氣吸收的影響，造成光譜數(shù)據(jù)不連續(xù)。因此，本文選取 430～900、1 050～1 350、1 451～1 771、1 982～2 450 nm 作為本次研究的光譜區(qū)間。

1.3.2 包絡(luò)線去除

包絡(luò)線去除也稱連續(xù)統(tǒng)去除法，去除土壤中特定物質(zhì)化學(xué)鍵內(nèi)電子躍遷引起的特征吸收，分離出土壤本身的吸收特征。經(jīng)包絡(luò)線去除處理后，反射率（Original Reflectance，OR）被歸一化到0～1 之間[19]，原始光譜中“峰值點”為 1，其余點小于 1，從而得到去包絡(luò)線數(shù)據(jù)（Continuum Removal，CR）。該處理可以有效地突出不同土壤的光譜曲線的吸收和反射光譜特征，最大限度地增加不同土壤類別之間的差異。

1.3.3 主成分分析

主成分分析（Principal Component Analysis，PCA）是一種常用的數(shù)據(jù)分析方法，PCA 通過線性變換將高維度的原始數(shù)據(jù)轉(zhuǎn)換成低維度且各維度線性無關(guān)的向量，可用于提取數(shù)據(jù)的主要特征分量，常用于數(shù)據(jù)降維。本文分別對OR 和CR 進行PCA 處理，提取累計貢獻率大于85%主成分信息，分別記作OR-PCA 和CR-PCA 作為土壤分類模型的輸入量。

1.3.4 地形因子獲取

地形（Terrain，TA）是五大成土因素之一，其中海拔高度是基礎(chǔ)的地形因子，衍生因子如坡向，曲率及地表起伏度共計 5 種地形因子參與土壤分類。地形因子均提取自30 m 空間分辨率的DEM 數(shù)據(jù)。分別在OR-PCA和CR-PCA 的基礎(chǔ)上加入這5 種地形因子，得到輸入量OR-PCA-TA 和 CR-PCA-TA。

1.4 土壤可分性分析方法

土壤的可分性代表了該土壤與整個土壤集中的其他土壤的差異性，可分性越大，該土壤與其他土壤的差異性越大，原則上更易實現(xiàn)較高的分類精度?？煞中裕⊿）的計算公式如下：

式中Vi為土類內(nèi)差異性；Vb為土類間差異性；STmn為土類m和土類n之間的標(biāo)準(zhǔn)差；Mmn為土類m和土類n之間的均值；STm為土類m的標(biāo)準(zhǔn)差；Mm為土類m的平均值。

1.5 隨機森林分類模型

隨機森林（Random Forest，RF）是由多個決策樹組成的集成模型。該模型是美國統(tǒng)計學(xué)家Breiman[20]提出的一種基于樹的集成學(xué)習(xí)模型，訓(xùn)練過程采用隨機采樣方式，增加了模型的泛化能力；目前被廣泛地應(yīng)用于解決分類和回歸問題[20-22]。本文在建立RF 模型時，通過觀察袋外誤差選擇最佳回歸樹的數(shù)量（ntree）和分裂節(jié)點數(shù)（mtry），從而建立最優(yōu) RF 預(yù)測模型。在訓(xùn)練模型時，確定了不同的參數(shù)值：ntree 為500，mtry 為輸入量個數(shù)的平方根[23]。

1.6 樣點選取及精度驗證

根據(jù)全國第二次土壤普查圖選取訓(xùn)練樣本和驗證樣本（圖 2），樣點采集原則如下：1）同一土壤類型在不同區(qū)域的反射光譜特性具有差異，因此，同一土壤類型需要在不同的區(qū)域分別采樣；2）為了避免不同土壤類型的交界處模糊而造成分類誤差，盡量在不同土壤類型的中心區(qū)域選取樣點；3）不同土壤類型采樣點數(shù)量的比例要與研究區(qū)中不同土壤類型之間面積的比例大致相同，以保證樣點分布均勻[24]。選擇樣本后將所有的樣本進行60 m（2 個像元）的緩沖區(qū)處理，最終得到訓(xùn)練樣本2 269個（黑土863 個、黑鈣土461 個、草甸土945 個）、驗證樣本 1 169 個（黑土 492 個、黑鈣土 294 個、草甸土383 個）。使用混淆矩陣驗證分類的準(zhǔn)確性，并使用總精度和Kappa 系數(shù)代表混淆矩陣中的結(jié)果，具體計算公式如下：

圖2 研究區(qū)采樣點F i g.2 S a m p l e s i t e s o f s t u d y a r e a

式中k為混淆矩陣中列的數(shù)量；Pii為混淆矩陣中第i行第i列的像元數(shù)，表示正確分類的個數(shù)；Pi+和P+i分別第i行和第i列總像元個數(shù)；N代表驗證像元的總個數(shù)。

2 結(jié)果與分析

2.1 不同土壤類型反射光譜特征分析

不同類型的土壤具有不同的反射光譜特征[25]。圖 3a為不同土壤類型的反射率曲線，不同土壤類型的原始反射率曲線的形狀差異較小。其中，黑鈣土的反射率最高，這是由于黑鈣土的表面有一層鈣化層。與黑鈣土相比，黑土的反射率稍低，這主要由于其保水保肥能力強，有機質(zhì)含量較高，顏色比較暗。由于草甸土主要分布在地勢較低的地方，其水分含量較高，從而導(dǎo)致其反射率最低。圖3b 代表不同土壤類型的去包絡(luò)線，草甸土在400～900 nm 的去包絡(luò)線值最低，該區(qū)間對應(yīng)的面積也是最大的。黑鈣土在整個光譜區(qū)間內(nèi)的去包絡(luò)線值都比較高，特別是在1 100～1 350 nm 區(qū)間，通過去包絡(luò)線處理后，不同土壤類型的光譜特征差異增加，有助于土壤分類精度的提升。

2.2 可分性描述

包絡(luò)線去除處理可明顯的增加不同土壤類型之間的差異，從而提高不同土類的可分性，與OR、OR-PCA相比，CR、CR-PCA 的可分性的絕對值分別提高了0.04、0.09。PCA 處理有效的提高了 OR、CR 的可分性，與OR、CR 相比，OR-PCA、CR-PCA 可分性的絕對值分別提高了0.04、0.09（圖4a）。圖4b 顯示了不同土壤類型中，5 種地形因子的可分性大小。在不同土壤類型中，5 種地形因子的可分性由高到低的順序是不同的。與OR、CR 的可分性相比，地形因子整體的可分性更高。

圖3 訓(xùn)練樣本不同土類的原始反射率曲線和去包絡(luò)線Fig.3 Original reflectance curves and continuum removal curves of different soil types in training samples

2.3 土壤分類結(jié)果

2.3.1 未經(jīng)PCA 的土壤分類結(jié)果

表 1 為基于星載高光譜遙感影像數(shù)據(jù)不同輸入量的土壤分類結(jié)果。以O(shè)R 為輸入量的不同土壤類型分類精度由高到低依次是黑鈣土、草甸土、黑土。在黑土中，有213 個土壤樣本被錯分到草甸土中，在草甸土中共有106個樣本被誤分到黑土中，這是由于黑土和草甸土的土壤反射率特征差異較小導(dǎo)致的，而黑鈣土的反射率特征與黑土和草甸土的差異較大，因此只有少量的土壤樣本被誤分至黑土或草甸土中。

CR 作為輸入量時，不同類型土壤的分類精度均高于OR 作為輸入量時的分類精度。與OR 作為輸入量相比，CR 作為輸入量的分類總精度提高了5.48%，Kappa系數(shù)提高了0.12，黑土、黑鈣土、草甸土的正確分類數(shù)分別提高了20、17 和27 個。這是由于經(jīng)過包絡(luò)線去除處理，有效的增加了不同土壤類型之間的差異性，特別是黑土與草甸土之間的差異。

圖4 不同輸入量、不同地形因子的可分性Fig.4 Separability of different inputs and terrain factors

表1 基于不同輸入量的土壤分類結(jié)果Table1 Soil classification results based on different inputs

2.3.2 PCA 后的土壤分類結(jié)果

對OR 進行PCA 處理，提取了3 個主成分信息（累計貢獻率為96.28%），以O(shè)R-PCA 作為輸入量時，不同土壤類型分類精度由高到低的順序是草甸土、黑鈣土、黑土。與OR 作為輸入量相比，土壤分類的總精度提高了1.71%，Kappa 系數(shù)提高了0.02，黑土、草甸土的分類精度提高，黑鈣土的分類精度降低。

對CR 進行PCA 處理，提取了7 個主成分信息（貢獻率為85.95%），在CR-PCA 中，不同土壤類型的分類精度依次是黑鈣土、草甸土、黑土。與CR 作為輸入量相比，土壤分類總精度提高了 3.67%，Kappa 系數(shù)提高了0.02。與OR-PCA 作為輸入量相比，土壤分類總精度提高了7.54%，Kappa 系數(shù)提高了0.12，黑土、黑鈣土、草甸土的正確分類數(shù)分別提高了21、39 和27 個，較大程度地提高了土壤分類精度。

2.3.3 引入地形因子后土壤分類結(jié)果

從表 1 中可以看出，加入地形因子后各土壤類型的分類精度顯著提升。在OR-PCA-TA 中，各土類的分類精度都提高了10%以上，與OR-PCA 作為輸入量相比，土壤分類的總精度提高了14.12%，Kappa 系數(shù)提高了0.23。在 CR-PCA-TA 中，黑鈣土和草甸土的分類精度達到了80%以上，與 CR-PCA 相比，黑土、黑鈣土、草甸土的正確分類數(shù)分別提高了81、30 和41 個。

2.4 土壤類型結(jié)果

在 OR、CR 作為輸入量時，制圖結(jié)果中（圖 5）出現(xiàn)了明顯的“椒鹽”現(xiàn)象。經(jīng)過PCA 處理后，制圖結(jié)果中的“椒鹽”現(xiàn)象減弱，土壤類型中心區(qū)域的空間分布更符合第二次土壤普查結(jié)果。以 OR-PCA-TA、CR-PCA-TA 作為輸入量的制圖中，不同土壤類型的邊界劃分的更加細致，研究區(qū)中部及東北部大部分是黑土，空間分布成條帶狀，黑鈣土主要分布在研究區(qū)的西南部，草甸土穿插分布于各類土之間。這主要由于黑土主要分布在地勢較為平坦處，本研究區(qū)大部分地區(qū)地勢平坦，草甸土主要分布在低洼地勢中。

圖5 基于不同輸入量的土壤制圖結(jié)果Fig.5 Mapping results of soil based on different inputs

3 討 論

過去利用遙感手段進行土壤分類的研究中，包絡(luò)線去除方法主要對室內(nèi)測量的高光譜數(shù)據(jù)進行處理[4,5,26]，而對星載高光譜數(shù)據(jù)進行處理的研究有限。本文利用GF-5 星載高光譜數(shù)據(jù)進行土壤分類，證明了CR 作為輸入量可明顯提高土壤分類精度，這是由于包絡(luò)線去除處理可明顯的增加不同土壤類型之間的差異，從而提高不同土類的可分性（圖4a）。

經(jīng)過PCA 處理可有效的降低制圖結(jié)果中的“椒鹽”現(xiàn)象，提高了土壤分類精度，尤其是黑土和草甸土的正確分類數(shù)得到了明顯的提升，證明了PCA 可以增加黑土和草甸土之間的可分性；同時PCA 能夠降低高光譜數(shù)據(jù)的維度，極大減少了分類模型的計算時間，提高模型的運算效率，且降低了遙感影像中像元的錯分，減弱了不同影像獲取時間對于土壤分類結(jié)果的影響，使土壤類型的變化更加圓滑。試驗證實了在星載高光譜數(shù)據(jù)中，PCA 仍然是降低數(shù)據(jù)冗余性并提高土壤分類精度的有效方法。

地形作為五大成土要素之一，對母質(zhì)起著重新分配的作用，同時，支配地表徑流，通過改變局地小氣候影響環(huán)境。以往的研究表明，地形因子的選取通常與研究區(qū)范圍有關(guān)[27-30]，一般而言，研究區(qū)尺度越大，地表空間差異越明顯。同時，本研究發(fā)現(xiàn)不同土壤類型的可分性最高的地形因子具有差異（圖 4b），在黑土中，海拔高度的可分性最高，這是由于黑土主要分布于研究區(qū)北部，其中分布著大量的草甸土，而草甸土地勢低。黑鈣土位于研究區(qū)中部地帶，地勢相對于黑土較低，且主要分布在地表變化較大的地區(qū)，因此地表起伏度在黑鈣土中的可分性較高。草甸土發(fā)育于地勢低平區(qū)域，如洼地，溝壑等，在研究區(qū)內(nèi)較為分散，土壤邊界位置高程差異明顯，因此海拔高度與地表起伏度對提升草甸土分類精度具有重要意義。

4 結(jié) 論

本文利用東北黑土區(qū)拜泉縣、明水縣高分 5 號星載高光譜影像數(shù)據(jù)，對原始反射率進行包絡(luò)線去除處理得到去包絡(luò)線，再對原始反射率和去包絡(luò)線進行主成分分析（Principal Component Analysis，PCA），并引入地形因子，建立隨機森林土壤高光譜遙感分類模型，進行土壤研究并制圖，得到如下結(jié)論：

1）經(jīng)過包絡(luò)線去除處理可有效地增加不同土壤類型間的可分性，從而提高土壤分類的精度。與原始反射率相比，經(jīng)過包絡(luò)線去除處理的總精度提高了 5.48%，Kappa 系數(shù)提高了0.12。

2）利用 PCA 可以提高土壤分類精度，尤其是黑土和草甸土的正確分類數(shù)的提高，同時，降低高光譜數(shù)據(jù)的維度，減少數(shù)據(jù)冗余，提高模型的分類效率。在制圖結(jié)果中，經(jīng)過PCA 處理后可明顯降低了像元的錯分，使土壤類型的變化更趨于實際。

3）引入地形因子，有效的提高了土壤分類精度，且不同土壤類型可分性最高的地形因子是不同的，其中以經(jīng)過PCA 處理后的去包絡(luò)線結(jié)合地形因子作為輸入量的精度最高，分類精度為81.61%，Kappa 系數(shù)為0.72，實現(xiàn)了區(qū)域尺度的高精度土壤分類及制圖。且研究結(jié)果可為進行大范圍土壤分類及制圖提供參考。