基于光学和雷达多源遥感的于田绿洲土壤盐渍化时空分析_肖森天.pdf

第40卷第1期2023年1月Vol.40No.1Jan.2023干 旱 区 研 究ARIDZONERESEARCHhttp:/DOI：10.13866/j.azr.2023.01.07基于光学和雷达多源遥感的于田绿洲土壤盐渍化时空分析肖森天1,2，依力亚斯江 努尔麦麦提1,2，努尔比耶 穆合塔尔1,2，赵静1,2，阿迪莱 阿卜来提1,2（1.新疆大学地理与遥感科学学院，新疆 乌鲁木齐830046；2.新疆大学绿洲生态重点实验室，新疆 乌鲁木齐830046）摘要：目前土壤盐渍化是全球重要的环境问题，探明于田绿洲土壤盐渍化的时空变化规律，挖掘雷达遥感探测土壤盐分的优势，对干旱区绿洲的土壤盐渍化时空变化进行监测评估。以于田绿洲为研究区，基于PALSAR-2、Sentinel-1极化合成孔径雷达数据和Landsat 8 OLI等多源数据集，筛选雷达影像的最优后向散射特征与主成分分析后的光学影像组合，最后利用随机森林方法进行图像分类，定量提取于田绿洲土壤盐渍化信息，对土壤盐渍化时空变化进行分析。结果表明：（1）在同时使用随机森林分类方法下，各年的光学影像总体精度平均为80.36%，Kappa系数平均为0.77；光学影像结合雷达影像的分类精度比光学影像分类精度高，总体精度平均为85.62%，Kappa系数平均为0.82。（2）20152021年于田绿洲产生土壤盐渍化的区域主要分布于研究区北部的绿洲边缘和荒漠交错带。（3）20152021年盐渍地面积年均变化量为-1120.55 hm2a-1，变化率为-10.67%。于田绿洲盐渍化程度总体呈下降趋势，盐渍化以轻中度盐渍地为主。关键词：土壤盐渍化；合成孔径雷达；Landsat 8 OLI；随机森林分类；时空变化土壤盐渍化是全世界目前共同面临的生态环境问题，盐渍化问题会间接损害生态系统，严重阻碍干旱、半干旱区当地的农业生产活动和经济的可持续发展1。我国盐渍土壤分布广泛且各种盐碱土所占面积约9.9107hm2，新疆的盐渍化土壤总面积约8.5105hm2，是由当地气候条件和独特的地形地貌所造成2-5。利用遥感手段对绿洲地区土壤盐渍化时空分布和土壤盐渍化程度进行监测，实现当地自然生态环境稳定和确保绿洲农业生产的健康发展起到重要作用6-8。遥感技术监测区域范围内的土壤盐渍化始于20世纪70年代9。国内外涉及遥感的应用中，光学图像的应用最为广泛，但由于光学遥感属于被动遥感，在获取数据过程中因其光谱特性易受到入射光源和天气条件影响，导致土壤信息的监测分类精度降低10，光学遥感利用地物的光谱特征对盐渍化土壤进行监测，但日间成像和受云雨影响的情况下，盐渍化信息的提取依赖光谱特征具有局限性11。雷达遥感作为主动遥感，不受气候和昼夜影响，具备全天时、全天候的成像特点，且能提供光学遥感不包含的信息12。融合了微波遥感等多源遥感数据的监测方法可以弥补光学遥感数据的局限性，为目标检测提供光谱和纹理特征的独特组合13。目前基于微波遥感数据监测土壤盐渍化的相关研究中，学者们通过分析图像后向散射强度、土壤盐分和介电常数的关系，发现微波影像可以作为土壤盐分监测的有效手段14。利用雷达全极化数据，分析雷达后向散射系数与土壤盐分之间的关系，证明结合极化组合特征的微波影像能对不同程度的盐渍化进行区分15。使用光学和雷达影像多源数据，基于机器学习模型估算土壤盐分和空间分布，证明机器学习算法利用光学与雷达融合数据在土壤盐渍收稿日期：2022-05-01；修订日期：2022-07-22基金项目：国家自然科学基金项目（42061065，41561089）；国家自然科学基金联合基金（U1703237）作者简介：肖森天（1998-），男，硕士研究生，主要从事干旱区土壤盐渍化研究.E-mail:通迅作者：依力亚斯江 努尔麦麦提.E-mail:5968页40卷干旱区研究化监测方面的可行性16-18。综上，集成多源光学与雷达数据应用在盐渍化监测的研究已有一定成果，但对盐渍化时空变化监测的相关研究较少。对此，本文探讨利用多源遥感数据和野外实测数据，通过提取有效的影像特征信息进行最优特征组合，对研究区使用随机森林分类方法，识别土壤盐渍化的分布并分析结果，研究于田绿洲土壤盐渍化的时空变化特征，探索微波与光学数据监测干旱区绿洲土壤盐碱化的能力。1研究区及数据来源1.1 研究区概况于田绿洲（36303705N，81098203E）位于塔克拉玛干沙漠南缘（图1），昆仑山北麓中部。东接民丰县，西邻策勒县，南与西藏自治区日土县相接，绿洲面积约 3.95104km2 19。地势呈南高北低，垂直地带差异明显，相对高差4142 m，地形呈牛腿状20。绿洲内季节性河流发源于昆仑山的克里雅河属于以冰川融雪为补给的内陆河，流经于田绿洲，消失在塔克拉玛干沙漠腹地，当地水资源缺乏，水系相对封闭21。该区域属于暖温带内陆干旱荒漠气候，昼夜温差大，多年平均气温为12.2，最高温度39.4，最低温度-17.6；蒸发作用强，年降水量约33.5 mm；绿洲植被种类贫乏，生物群落结构单一，生态系统较脆弱，土壤盐渍化现象严重22。1.2 数据资料与处理1.2.1 遥感数据雷达数据首先选取日本航天局发射的对地观测卫星（Advanced Land Observing Satellite，ALOS-2）所获取成像时间为 2015年 4月 23日的（Phased Array type L-band Synthetic Aperture Radar，PALSAR）全极化数据。其次选择了欧洲空间局（European Space Agency，ESA）开发的 Sentinel-1 卫星，成像日期为2018年4月23日、2021年4月18日的Sentinel-1A SAR双极化数据。使用ENVI 5.3软件中的 SARscape 5.2.1模块对影像进行多视处理、3 m3 m窗口精细Lee滤波、地理编码、辐射定标，并重采样为20 m分辨率，为与Sentinel-1极化方式保持一致，选择VV、VH极化方式进行极化组合。光学遥感数据采用Landsat 8陆地成像仪（Operational Land Imager，OLI）数据，成像时间分别为2015年4月26日、2018年4月18日和2021年4月10日，具体参数信息见表1。使用ENVI 5.3软件对时序Landsat 8数据进行辐射定标、大气校正、影像配准、重采样为20 m分辨率等预处理流程。1.2.2 野外数据本研究根据于田绿洲的土壤盐渍化和交错带分布空间规律，于2015年4月22日至5月7日和2021年7月9日至7月15日进行野外样品的采集，筛选出74个有代表性的采样点，分布如图1a所示，每个采样点取020 cm表层土样、拍照并记录土壤类型、周围植被类型、建立采样点图片库便于对研究结果进行精度评价。将样本进行自然风干、研磨和使用1.5 mm筛子过筛，使土壤样品和蒸馏水混合，溶液配制为1:5的土水比，使用电导仪在25 的室温下测量电导率。通过构建电导率和总可溶性盐之间的方程式对土壤的含盐量进行计算和pH值的测定23。注：图a中R为Band 7，G为Band 5，B为Band 2；图b中R为Band VH，G为Band VV，B为Band VH+VV。下同。图1 研究区影像及采样点Fig.1 Images and sampling points of study area601期肖森天等：基于光学和雷达多源遥感的于田绿洲土壤盐渍化时空分析2 研究方法首先获取于田绿洲研究区的野外实测数据、光学和雷达多源数据。然后将光学和雷达数据以多源融合的方式，通过特征提取、J-M距离分析和随机森林分类方法，对研究区土壤盐渍化进行分析，最后对研究区土壤盐渍化动态变化进行监测。具体技术路线如图2所示。2.1 特征提取及分析遥感影像依赖不同的地物光谱信息区分地物类别，单一的特征信息无法提供足够的区分信息24。将不同的特征信息进行融合，融合后的特征数据在一定程度解决了单一特征信息片面问题，将各种特征描述的信息聚合，可提升高分辨率影像的分类精度25。首先将预处理后的光学影像进行主成分分析（Principal Component Analysis，PCA），再对雷达影像进行后向散射特征提取并组合，最后使用Pearson相关分析，计算电导率EC值与后向散射组合特征间的显著性。根据图3筛选出最优后向散射特征组合。以主成分分析后的光学影像为基础，将各分类特征进行叠加组合，建立分类特征数据集（表2），用同样的方法得到不同年份下的相同分类特征数据集。2.2 J-M距离为定量研究不同分类特征下地物间的可分离程度，对训练样本使用J-M距离评估地物间的可分离性，J-M距离的数值范围在02之间，若两种地物的距离值越趋近 2，说明两种类型的可分离性越高26。J-M计算方法如下：J-M=2(1-e-B)式中：B表示巴氏距离。计算结果如表 3，方式三光学主成分特征和SAR影像的极化组合特征叠加下，重度盐渍地与其他地物的J-M距离最佳，表明各地物的可分离性在光学和雷达数据的组合下可区分性较好。2.3 随机森林分类将随机森林（RF）算法用于土壤盐渍化的分类。随机森林以集成分类器的形式进行分类，分类器由众多决策树组合而成，具有训练速度快、泛化性能强和模型稳定等优点27。随机森林方法对于集成多源遥感数据，具有多个分类特征的数据集可以有效提高分类精度28。徐乔等29对极化SAR影像进表1 遥感数据参数Tab.1 Parameters of remote sensing data卫星传感器PALSAR-2Sentinel-1ASentinel-1ALandsat8 OLILandsat8 OLILandsat8 OLI获取日期2015-04-232018-04-232021-04-182015-04-262018-04-182021-04-10分辨率/m101010101010303030303030产品类型Level 1.1GRDGRDLevel1TLevel1TLevel1T极化方式/波段VV、VHVV、VHVV、VH171717图2 技术路线图Fig.2 Workflow of study6140卷干旱区研究行分类，利用随机森林分类算法实验得到高精度、光滑且分类层次连续的分类结果。本文结合文献27-30 中的方法，根据特征数来对决策树的个数进行调试。3 结果与分析3.1 基于多源数据的盐渍化识别精度分析为对比不同分类特征条件下地物的识别效果，将各年的PCA光谱特征影像和PCA+后向散射特征影像进行分类结果对比。因方式二，雷达影像进行多次分类后，总体精度平均为67.07%，难以达到区分地物的目的，故排除方式二。根据乔木等31对新疆土壤盐渍化程度分级标准，将地物分为裸地、植被、水体、轻中度盐渍地和重度盐渍地5类（轻中度盐渍地为有盐生植被覆盖，pH值在7.19.5；重度盐渍地为无植被覆盖pH值在9.5以上）。本研究以高分辨率影像（奥维互动地图）和野外图片库作为目视解译的参考，选取训练样本和验证样本32。对不同的训练样本均使用相同的验证样本进行分类后的评价，便于科学对比分析分类后的验证结果。根据表4中分类精度可知，方式一的总体精度平均为80.36%，Kappa系数平均为0.77。方式三的总体精度平均为 85.62%，Kappa 系数平均为 0.82。结合表3和表4，随机森林分类的精度说明多源数据特征组合的分类效果是要优于光学遥感数据。雷达影像的后向散射系数对土壤盐渍化的介电常数比较敏感，土壤含盐量直接影响介电常数的变化33，利用这一特性将雷达和光学影像结合，可以弥补雷达影像噪声对地物识别的干扰，增强后向散射系数对盐渍地的识别从而提高分类精度。为详细对比不同数据源分类的结果，以分类精度较好的2021年为例，选择于田绿洲具有代表性的、区域进行局部特征的对比。如图4所示，区域、是于田绿洲两个“牛角”边缘，沙漠与盐渍地注：EC为土壤电导率；*在0.05级别（双尾）相关性显著。图3 Pearson相关性矩阵Fig.3 Pe