0 引言
石漠化是由于人类不合理的社会经济活动,使岩溶地区出现的土壤功能丧失、植被破坏、基岩裸露和生产力下降等土地退化过程。目前,石漠化是我国西南岩溶地区面临的主要生态问题之一,不仅制约了当地社会经济的发展,而且威胁到人们的生存环境,因此,解决石漠化问题迫在眉睫。
快速准确地获取岩溶地区石漠化的分布及石漠化等级是预防和治理石漠化的关键问题之一[1-2],而遥感技术快速定位、覆盖区域广、经济高效的特点使其成为进行快速、大面积石漠化定性评价和定量提取的有效手段。目前,对石漠化信息遥感提取方法的研究颇多,主要以多光谱遥感为主,从不同角度提出了多种信息提取的思路和方法,其中,人机交互解译、比值增强和光谱分析等传统方法[3⇓-5],计算简单,适应性强且快捷有效; 但此类方法工作量大,主观性强,并且受最优波段的限制。模型构建法[6]、专家经验法[7]以及面向对象分类法[8],结果稳定、普及性强,但是过于依赖经验模型,缺乏阈值标准,精度偏低。 高光谱遥感的发展为石漠化信息的提取提供了新的思路和方法,岳跃民等[9]基于Hyperion成像光谱数据,利用光谱指数提取了干枯植被、裸露碳酸盐岩及石灰土等石漠化评价因子,对典型岩溶地区石漠化程度进行了评价; 杨苏新等[10]提出了利用Hyperion高光谱影像混合像元分解进行石漠化典型地物植被、裸岩和裸土丰度估测的方法,研究表明,高光谱影像光谱指数和混合像元分解等方法提取石漠化信息具有一定的可行性。但是由于Hyperion数据幅宽较窄,数据源获取困难且信噪比较低[11]等因素,难以进行大面积的石漠化调查应用研究。且石漠化形成的物质基础碳酸盐岩的主要造岩矿物为方解石和白云石,不同的矿物成分因抗风化和溶解能力的差异会形成不同严重程度的石漠化现象,因此,仅凭借石漠化因子的提取,虽然可以快速地监测和评价石漠化现象,但是很难为后续的石漠化综合治理提供精确和针对性的决策支撑。
1 研究区概况及数据源
1.1 研究区概况
研究区位于云南省华宁县东部的盘溪镇及其周边区域(图1),其地理坐标为E103°~103.33°,N24.04°~24.25°,属于亚热带高原季风气候,立体气候明显,干湿分明,雨热同期; 雨量夏秋充沛,冬春较少,年平均降水量约为950 mm,年平均相对湿度为69%,常年主导风向为东南风[14]。大部分地区地处干热河谷区,平均海拔为2 000 m左右,地貌类型以侵蚀溶蚀低中山为主,受南盘江下切影响,形成多条贯通南盘江谷底的构造侵蚀溶蚀谷底。基岩裸露,基岩溶系发育,以碳酸盐岩地层为主,大面积分布灰岩和白云岩,局部出露玄武岩,土壤类型主要为红壤。该区内石漠化现象严重[15],山高坡陡的地形地貌条件、短期过于集中的降雨、稀疏的植被状况以及矿化严重的土壤类型,加剧了水土流失速率,是石漠化严重的重要因素。另外,区内裸露基岩碳酸盐岩与上覆土层间无过渡层,为松散/坚硬接触关系,在强降雨条件下,水土流失剧增,更加快了石漠化的形成。
图1
1.2 数据源及其预处理
1.2.1 GF-5高光谱数据
GF-5卫星于2018年9月发射升空,卫星高度705 km,所搭载的可见光短波红外高光谱相机是国际上首台同时兼顾宽覆盖和宽谱段的高光谱相机,幅宽达60 km,空间分辨率为30 m,在可见光—短波红外光谱范围里具有330个光谱通道,光谱采样间隔优于10 nm,其载荷的基本参数见表1。
表1 GF-5高光谱相机主要技术指标
Tab.1
| 波段类型 | 波段范围/nm | 波段数/个 | 波谱分辨率/nm |
|---|---|---|---|
| VNIR | 390~1 029 | 150 | 5 |
| SWIR | 1 005~2 513 | 180 | 10 |
本文选取2019年12月9日获取的GF-5高光谱数据1景。预处理包括: 首先,将VNIR和SWIR数据波段进行合成,剔除重合波段和信噪比较低的波段; 然后,根据辐射定标系数将影像DN值转换为辐亮度值,并利用Modtran模型,进行大气校正得到反射率数据; 最后,将影像裁剪为研究区范围。
1.2.2 Landsat8数据
Landsat8卫星包含陆地成像仪(operational land imager,OLI)和热红外传感器(thermal infrared sensor,TIRS)2种传感器。本文采用的OLI影像包括9个波段,空间分辨率为30 m(其中包括1个15 m的全色波段),成像幅宽为185 km×185 km。本文选取2020年1月28日获取的OLI影像1景,此影像与GF-5数据成像时间较接近,经辐射校正和大气校正并裁剪后得到研究区范围影像。
1.2.3 野外波谱测试数据
野外波谱测量采用美国FieldSpec PROFR型便携式光谱仪,波谱范围覆盖为400~2 400 nm,波谱采样间隔优于2 nm。野外现场测试时,要求地面能见度好,天气晴朗,光照良好、稳定,测点周围有良好的通视条件,高度角10°以上无近遮挡物,测量人员应穿着暗色衣物,仪器操作人员与仪器探头组成的平面应垂直太阳入射方向,太阳入射方向不能有其他人员或地物遮挡。每个典型地物光谱测量时获取光谱数据不低于5条。
2 研究方法
2.1 混合像元分解模型
混合像元分解是对高光谱影像实现地物精细划分和丰度反演的主要方法,亦是近几年高光谱研究的热点。混合像元分解模型从本质上可分为线性混合光谱模型和非线性混合光谱模型[16⇓-18]。非线性模型在影像受到大气散射、地形起伏、目标表面粗糙度等因素影响时会更加符合实际情况,但其需要事先了解端元的先验知识或者相应的特征信息,且模型在多种地物间相互作用的普适性差,算法不够成熟。线性模型则提出最早、研究最多,在大部分场景下能够很好地近似反映光散射机理,具有易于理解、实施简单且适应性高的特点。本文设定绿色植被、裸露基岩和裸露土壤3种端元类型,采用纯像元指数(pure pixel index,PPI)端元提取方法[19]获取纯净像元光谱作为偏最小二乘线性混合像元分解模型的端元波谱,进行绿色植被、裸露基岩和裸露土壤3种石漠化评价因子的丰度估测。
2.2 矿物识别模型
2.3 光谱指数模型
式中: ρ4,ρ5,ρ6,ρ7分别为Landsat8影像第4,5,6,7波段的反射率值;
3 石漠化信息提取
3.1 GF-5高光谱数据石漠化评价因子提取
基岩裸露率及植被覆盖率是石漠化主要的地表特征,也是评价石漠化的关键指标。但同时石漠化又是一种动态的土地退化过程,是植被、裸露基岩、裸露土壤等多种地表覆盖要素特征的综合反映,因此本文采用偏最小二乘混合像元分解方法,从GF-5高光谱数据中提取研究区植被覆盖率、土被覆盖率、基岩裸露率3个石漠化评价和分级的关键指标,如图2所示。并根据方解石和白云石矿物光谱吸收位置的差异(方解石吸收深度在2 336 nm附近,白云石吸收深度在2 319 nm附近),利用综合光谱特征增强匹配度和特征参量的方法识别出研究区裸露基岩的方解石和白云石矿物成分(图3)。为了验证石漠化评价因子以及矿物信息提取的正确性,一方面在研究区植被覆盖率、基岩裸露率和土被覆盖率较高的区域随机选取植被信息验证点v1,v2,v3,裸露土壤信息验证点s1,s2,s3,白云石信息验证点d1,d2,d3以及方解石信息验证点c1,c2,c3,分析其影像光谱; 另一方面在研究区石漠化现象比较明显区域采集方解石样品field1和白云石样品field2,野外进行光谱测量并开展室内化学测试分析。结果表明: ①植被验证点影像光谱在可见光波段与近红外波段之间,大约在0.76 μm附近,反射率急剧上升,形成独特的“红边”现象(图4(a)),符合植被光谱特征; ②由于土壤中黏土含量较高,因此裸露土壤光谱在2 200 nm附近形成黏土矿物的吸收特征(图4(b)); ③裸露基岩光谱整体在2 300 nm附近吸收特征明显,白云石和方解石光谱吸收特征分别在2 319 nm和2 336 nm附近(图4(c)—(d)),与USGS标准波谱库中白云石和方解石的光谱曲线吻合; ④方解石和白云石野外样品ASD实测光谱曲线吸收特征与影像光谱及USGS标准波谱库光谱一致性较强(图4(e)),且方解石和白云石样品XRD化学测试分析含量分别为97%和89%。
图2
图2
GF-5数据植被覆盖率、土被覆盖率和基岩裸露率
Fig.2
Vegetation coverage,soil coverage and bedrock exposure rate of GF-5 data
图3
图4
图4
验证点影像光谱曲线、野外样品ASD曲线及野外照片
Fig.4
Image spectrum of verification points,ASD curve of field samples and photo of rocky desertification area
通过影像光谱特征分析以及野外实测光谱对比和XRD化学测试分析说明,利用偏最小二乘线性混合像元分解方法估测研究区的植被覆盖率、基岩裸露率和土被覆盖率的精度较高,且采用综合光谱特征增强匹配度和特征参量方法识别的方解石和白云石矿物成分较准确。
3.2 Landsat8数据石漠化评价因子提取
Landsat8数据得益于其开源性和数据质量稳定性,应用于石漠化区域监测和评价的研究较多。本文利用Landsat8数据根据2.3节公式分别计算研究区植被覆盖率、土被覆盖率以及基岩裸露率,如图5所示。
图5
图5
Landsat8数据植被覆盖率、土被覆盖率和基岩裸露率
Fig.5
Vegetation coverage,soil coverage and bedrock exposure rate of Landsat8 data
通过将Landsat8与GF-5高光谱数据提取结果对比发现,研究区植被覆盖分布范围和趋势基本一致,但裸露基岩和裸露土壤的提取结果差异较大,混淆严重。
3.3 对比分析
利用多光谱数据提取石漠化评价因子目前研究颇多,技术方法成熟,各种指数方法在植被和裸露基岩信息的提取方面应用广泛,也取得了较好的效果。除了植被和裸露基岩信息外,裸露土壤信息也是评价石漠化现象的重要指标,但由于波段设置及光谱分辨率的限制,采用不同的影像波段构建的裸露基岩和裸露土壤提取模型,提取的信息在分布范围和分布趋势上基本一致,如图5(b)和(c)所示,两者混淆严重,无法区分,这给石漠化等级的划分和评定增加了很多错误信息和不确定因素,降低了石漠化程度的评价精度。而GF-5高光谱数据凭借其超高光谱维的优势,能够直接有效地区分裸露基岩信息和裸露土壤信息,如图2(b)和(c)所示,进而提高了石漠化信息提取的精度。
研究区裸露基岩以碳酸盐岩为主,其主要矿物成分为方解石和白云石,由于化学成分和矿物晶格能差异,方解石比白云石更容易遭受风化和溶解[22],因此裸露基岩中方解石分布区的石漠化比白云石分布区更严重。但是,目前基于高光谱数据的石漠化应用研究主要以估测裸露基岩碳酸盐岩的丰度为主,未提及对矿物成分的识别,本文在反演研究区裸露基岩丰度的同时,首次对裸露基岩的主要矿物成分方解石和白云石进行提取,准确的矿物成分信息可为石漠化现象的成因分析及后续的综合治理提供更有针对性的决策支撑。
4 结论
1)植被覆盖率作为石漠化主要的地表特征,近红外波段独特的“红边”现象使其不管是Landsat8多光谱数据还是GF-5高光谱数据都能对植被信息进行准确提取。裸露土壤和裸露基岩在短波红外的吸收特征比较接近(裸露土壤在2 200 nm附近,裸露基岩在2 300 nm附近),故Landsat8等多光谱数据很难将其区分,而GF-5高光谱数据可对裸露土壤和裸露基岩信息进行直接有效的提取。
2)GF-5高光谱数据不仅可以有效区分裸露土壤和裸露基岩,还能够精确识别裸露基岩中的矿物成分,有利于遥感技术准确、快速、客观、直接地为大区域尺度的石漠化遥感调查与监测提供服务支撑。
3)实测光谱数据可为高光谱混合像元分解模型提供准确的端元信息,后续将加强野外均匀地物实测光谱的积累,建立不同地表覆盖要素光谱库,为石漠化及其他生态环境调查应用提供数据支撑。
参考文献
Evaluation of soil fertility in the succession of Karst rocky desertification using principal component analysis
[J].
DOI:10.5194/se-6-515-2015
URL
[本文引用: 1]
. Expanding of karst rocky desertification (RD) area in southwestern China is strangling the sustainable development of local agricultural economy. It is important to evaluate the soil fertility at RD regions for the sustainable management of karst lands. The changes in 19 different soil fertility-related variables along a gradient of karst rocky desertification were investigated in five different counties belonging to the central Hunan province in China. We used principal component analysis method to calculate the soil data matrix and obtained a standardized integrate soil fertility (ISF) indicator to reflect RD grades. The results showed that the succession of RD had different impacts on soil fertility indicators. The changing trend of total organic carbon (TOC), total nitrogen (TN), available phosphorus, microbial biomass carbon (MBC), and microbial biomass nitrogen (MBN) was potential RD (PRD) > light RD (LRD) > moderate RD (MRD) > intensive RD (IRD), whereas the changing trend of other indicators was not entirely consistent with the succession of RD. The degradation trend of ISF was basically parallel to the aggravation of RD, and the strength of ISF mean values were in the order of PRD > LRD > MRD > IRD. The TOC, MBC, and MBN could be regarded as the key indicators to evaluate the soil fertility.\n
Characteristics of climate change in southwest China Karst region and their potential environmental impacts
[J].DOI:10.1007/s12665-014-3847-8 URL [本文引用: 1]
An overview of Karst ecosystem in Southwest China:Current state and future management
[J].
基于遥感光谱特征的喀斯特石漠化信息提取
[J].
Extraction of Karst rocky desertification information based on remote sensing spectral features
[J].
典型喀斯特槽谷区石漠化时空演变及未来情景模拟
[J].
Temporal and spatial evolution and future scenario simulation of rocky desertification in typical Karst valley area
[J].
OSCAR - object oriented segmentation and classification of advanced Radar allow automated information extraction
[C]//
石漠化遥感评价因子提取研究
[J].
Study on extraction of remote sensing evaluation factors of rocky desertification
[J].
基于混合像元分解的喀斯特石漠化地物丰度估测
[J].
Abundance estimation of Karst rocky desertification based on mixed pixel decomposition
[J].
Processing of Hyperion data set for detection of indicative minerals using a hybrid method in Dost-Bayli,Iran
[J].DOI:10.1080/01431161.2016.1225176 URL [本文引用: 1]
高分五号高光谱影像矿物精细识别
[J].
Fine mineral identification of GF-5 hyperspectral image
[J].
高光谱遥感技术在基岩区区域地质调查填图中的应用
[J].
Application of hyperspectral remote sensing technology in regional geological survey and mapping of bedrock area
[J].
云南华宁县盘溪大龙潭水文地质特征
[J].
Hydrogeological characteristics of Panxi Dalongtan in Huaning County,Yunnan Province
[J].
云南省县域尺度的石漠化分布与区划
[J].
Distribution and regionalization of rocky desertification at county scale in Yunnan Province
[J].
Semi-supervised linear spectral unmixing using a hierarchical Bayesian model for hyperspectral imagery
[J].DOI:10.1109/TSP.2008.917851 URL [本文引用: 1]
Spectral unmixing
[J].DOI:10.1109/79.974727 URL [本文引用: 1]
基于混合像元分解的天山典型地区冰雪变化监测
[J].
Monitoring of snow cover changes in Tianshan mountains based on mixed pixel decomposition
[J].
Hyperspectral remote sensing image analysis with SMACC and PPI algorithms for endmember extraction
[J].
成像光谱矿物识别方法与识别模型评述
[J].
A review of mineral spectral identification methods and models with imaging spectrometer
[J].
Landsat TM data processing guide for forest canopy density mapping and monitoring model
[C]//
