土壤侵蚀遥感监测方法研究

土壤侵蚀遥感监测方法研究

摘要:本文基于笔者多年从事水土保持的相关工作经验,以土壤侵蚀遥感监测为研究对象,探讨了目视解译分析方法和基于遥感光谱反射值自动监测,分别给出了具体的计算方法和相关研究现状,全文是笔者长期研究基础上的理论总结,相信对从事相关工作的同行能有所裨益。

关键词:土壤侵蚀遥感监测目视解译遥感光谱

遥感技术的发展为人类提供了从多维和宏观角度进行陆地生态环境监测的可能。遥感的优势在于能以不同的时空尺度不断地提供多种地表特征信息,这对于传统的以稀疏离散点为基础的对地观测手段是一场革命性的变化(赵英时,2003)。自从有了航空摄影以来,航空像片就在土壤侵蚀监测中发挥着重要的作用(陈述彭,1992),而航天遥感的出现,更为土壤侵蚀的监测提供了丰富的信息和广阔的空间,使得土壤侵蚀监测从定位监测拓展到区域或更大范围,从而将水土保持监测推向更深广的层次。国内外目前发展的土壤侵蚀遥感监测方法,主要有目视解译方法和计算机自动分类方法。

1 目视解译分析方法

目视解译方法根据操作手段和辅助工具的不同,主要有两种方式,目视解译和计算机人机交互解译。但两者只是由于硬件设施的差异所导致的操作手段和方式的不同,其实质是一样的。该方法着重于根据

土壤侵蚀环境因子特征在遥感影上的客观反映来进行分析解译和光谱特征识别。首先需要确定分类分级系统,其次建立解译标志,然后进行图像的判读、绘制专题图等流程。早期的目视解译方式,是“通过直接观察或借助判读仪器(放大镜、立体镜、密度分割仪和彩色合成仪等)研究地物在遥感图像上的各种影像特征(如形状、大小、灰度、阴影、图形结构),并通过地物间的相互关系的推理、分析,达到识别地物目标的过程”(陈述彭,1990)。而人机交互解译是以计算机为平台,借助GIS软件,以数字遥感影像为信息源,依据野外验证过程中所建立的解译标志,建立遥感影像特征与地物原型之间的直接和间接关系,并综合地物波谱知识、植被指数、地学空间分布规律和物候知识等,来识别地物的过程。

随着遥感和计算机信息技术的发展,由水利部水土保持监测中心为项目主持单位,由中国院遥感应用研究所为项目技术主持单位,采用人机交互解译方式,于1999年3月正式实施全国第二次土壤侵蚀遥感调查,并于2002年发布了成果公告。2000年水利部又组织开展了全国第三次土壤侵蚀遥感调查。近期水利部陆续在黄河、长江中上游地区、黑河、塔里木河流域等重点水土保持生态建设区开展了水土保持监测(许峰,2004)。到20世纪90年代,随着遥感技术的快速发展,人机交互解译方法已广泛应用于土壤侵蚀监测(赵忠海,2003,曾琪明,1996)。土壤侵蚀目视解译除了应用于全国土壤侵蚀调查外,目前基本上呈现出应用范围广、手段单一,以区域性研究为主、零散分散、缺乏系统性,研究结果也只反映了“一家之言”,缺乏实地验证。同时受监测手段的限

制,效率低、非定量化、监测结果易忽视细节信息,受主观因素影响较大。但在大尺度土壤侵蚀遥感调查中,尤其是对我国这样地域广、地形复杂的现实条件,在新的技术未突破之前,人机交互解译是目前主要的监测手段。

国外学者也有采用目视解译方法进行土壤侵蚀监测,Bococ(1988)利用SPOT立体影像图,用目视解译的方法绘制了Mxeioc的土壤侵蚀图。Raina(1993)通过TM假彩色合成影像进行重度、中度和轻度土壤侵蚀图的绘制。

2 基于遥感光谱反射值自动监测

该方法是依据遥感影像中地物光谱反射值进行定量分析,以提取土壤侵蚀的信息。即将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或其他信息,按照某种规则或算法划分为不同的类别。最简单的分类是只利用不同波段的光谱亮度值进行单像元自动分类;另一种不仅考虑像元的光谱亮度值,还利用像元和其周围像元之间的空间关系,如图像纹理、特征大小、形状、方向性、复杂性和结构,对像元进行分类。

图像分类中最常用的即监督分类和非监督分类,其中监督分类的算法有平行算法、最小距离法、最大似然法和基于概率分布的贝叶斯(Byaes)分类器等,非监督分类也称为聚类分析或点群分析,即在多光谱

图像中搜寻、定义其自然相似光谱集群组的过程。其算法主要有重复自组织数据分析技术。除以上图像分类方法外,还发展了模糊分类、空间结构纹理分类和人工智能神经元网络方法等。

Evnas(1990)认为,真正反映土壤侵蚀的信息通常是土壤表层微观的色调、质地和光谱特征,然而这些微观信息差异由于地表覆盖物或其它信息干扰,很难被遥感探测器感知,所以单纯地利用遥感方法进行土壤侵蚀研究十分困难。所以基于遥感影像光谱值监测土壤侵蚀,主要原理是基于土壤侵蚀所导致的地形地貌或植被因子的变化,如裸露地表的冲沟、细沟,植被枯竭等效应信息在光谱影像上的客观反映。

除了采用遥感影像分类方法提取侵蚀信息,模糊分类方法、混合像元分解方法的发展,己不仅仅应用于土地覆盖、农作物分类中,同时也应用于土地退化监测,这些方法在欧洲地中海地区土地退化监测中应用最多。由于土壤侵蚀,造成地形地貌或植被因子的变化,如冲沟、植被枯竭等信息在光谱影像上会被客观地反映,从而利用植被指数或混合像元光谱分解方法可获得植被或土壤信息。尽管光谱指数对估算植被覆盖率效果不错,但对于衰老植被则效果不太理想,但衰老植被对土壤侵蚀有着抑制作用,因此在土地退化监测中相关学者采用像元光谱分解一线性光谱分解法监测了地中海地区意大利Sicliy的植被覆盖度(deJnog,1999)。分解方法的基本假设则是每个像元的光谱反射值是每个纯组分光谱反射值与其所占权重的线性组合。同样,Mettemihct(1998)采用线性光谱分解方法,提取了玻利维亚的

Sacbaa流域的土壤侵蚀信息与制图。他利用LnadsatTM的六个波段的信息,选择了五个端元,而从影像中选择端元是其中的关键。研究结果表明,线性光谱分解模型可以有效地应用于区域土壤侵蚀信息提取及制图。同样,在地中海地区土地退化监测中,有学者采用了光谱分解方法和波谱形状指数来监测土地退化。结果表明,采用上述方法可以进行区域土地退化的制图,而采用光谱分解方法从光学遥感影像中提取土壤侵蚀性状特征有更大的潜力。同时景观单元分析表明,结合DEM变量与光谱信息对土地退化评价十分有用。在地中海区域土地退化评价监测中,基于线性光谱分解方法计算植被丰度、提取土地退化特征信息研究很多。除上述方法外,部分学者分析了由于土壤侵蚀而导致的环境要素的改变,从而尝试建立这些变化与植被指数的相关关系。Sinhg(2004)认为由于土地退化、如土壤侵蚀,会导致表土丧失、有机质减少、土壤物理化学性质的改变,最终表现于土壤颜色的改变,在颜色上表现较高的Munesll值。他们通过长时间序列的NOAA/A VHRR影像来监测土壤亮度值,最终达到监测土壤侵蚀的过程。首先通过NOAA A VHRR影像研究土壤颜色(Mun esll)与NDVI 之间相关关系,结果表明Hue与NDVI、Chorma与NDVI之间的相关性很好,从而基于NDVI与土壤颜色之间的相关关系来评价土壤颜色,最终用于土壤侵蚀监测。通过理论模型建立了土壤颜色、植被指数、表面温度和发射率(emissiviyt)之间的回归方程,结果表明通过多种植被指数(NDVI、MSA VI、PA VI等)来监测土壤颜色是有效的,从而可以监测土壤侵蚀或其它自然灾害导致的土壤变化(singh,2005)。无论是目