王 玲, 劉詠梅, 常 偉, 李曉煥, 凱 楠, 趙牡丹

(西北大學(xué) 城市與環(huán)境學(xué)院, 陜西 西安 710127)

基于Landsat 8 OLI影像的延河流域土壤線提取及其應(yīng)用研究

王 玲, 劉詠梅, 常 偉, 李曉煥, 凱 楠, 趙牡丹

(西北大學(xué) 城市與環(huán)境學(xué)院, 陜西 西安 710127)

[目的] 以延河流域?yàn)檠芯繀^(qū),利用自動(dòng)提取算法建立典型黃土的土壤線方程,為土壤調(diào)節(jié)植被指數(shù)的計(jì)算提供基本參數(shù)。[方法] 基于Landsat 8 OLI遙感影像,采用自動(dòng)提取算法獲取土壤線參數(shù);分析歸一化植被指數(shù)NDVI，土壤調(diào)節(jié)植被指數(shù)PVI,TSAVI,ATSAVI與實(shí)測(cè)蓋度的相關(guān)性,探討所構(gòu)建的土壤線方程在黃土高原地區(qū)植被指數(shù)提取中的適用性。[結(jié)果] 通過(guò)自動(dòng)算法與常規(guī)方法對(duì)比發(fā)現(xiàn)兩者偏差較小,且自動(dòng)提取算法具有較高的精度和穩(wěn)定性;各植被指數(shù)與實(shí)測(cè)蓋度的相關(guān)性大小為:PVI>NDVI>TSAVI>ATSAVI,PVI為延河流域植被蓋度反演的最優(yōu)植被指數(shù),NDVI次之,TSAVI與ATSAVI較差;與NDVI指數(shù)相比,PVI指數(shù)能夠較好地抵抗土壤噪聲的影響,對(duì)不同植被類型的敏感性較高,更適用于植被覆蓋度較低的黃土高原。[結(jié)論] 自動(dòng)提取算法對(duì)延河流域土壤線的提取較為適用,所得參數(shù)適合于計(jì)算土壤調(diào)節(jié)植被指數(shù)。

土壤; 植被; 土壤線; 植被指數(shù)

文獻(xiàn)參數(shù)： 王玲, 劉詠梅, 常偉, 等.基于Landsat 8 OLI影像的延河流域土壤線提取及其應(yīng)用研究[J].水土保持通報(bào)，2017,37(1)：161-165.DOI:10.13961/j.cnki.stbctb.2017.01.029； Wang Ling, Liu Yongmei, Chang Wei, et al. Extraction and application of soil line in Yanhe River basin based on Landsat 8 OLI[J]. Bulletin of Soil and Water Conservation, 2017,37(1)：161-165.DOI:10.13961/j.cnki.stbctb.2017.01.029

土壤線是指土壤的反射率或亮度值在可見(jiàn)光紅、近紅外波段之間的線性關(guān)系[1-3]。土壤的光譜特征受土壤有機(jī)質(zhì)、氧化鐵、粗糙度等眾多因素的影響，但是對(duì)于同一種土壤來(lái)說(shuō)，其反射光譜在紅與近紅外波段形成了特定的土壤線[4-6]。土壤線不僅反映土壤的光學(xué)特性，有助于了解土壤和植被的理化性質(zhì)與生態(tài)特征，并且參與植被指數(shù)計(jì)算，消除觀測(cè)場(chǎng)土壤背景的影響，如垂直植被指數(shù)(perpendicular vegetation index, PVI)[3]、土壤調(diào)整植被指數(shù)(soil-adjusted vegetation index, SAVI)[7]和轉(zhuǎn)換型土壤調(diào)整植被指數(shù)(transformed soil-adjusted vegetation index, TSAVI)[8]等均基于土壤線方程的參數(shù)進(jìn)行計(jì)算。另外，土壤線還可用于表征土壤的不同濕度狀況，詹志明等[9]基于土壤線斜率提出的土壤干旱指數(shù)(perpendicular drought index, PDI)，可以有效監(jiān)測(cè)土壤水分。

常規(guī)提取土壤線的方法，是利用地面實(shí)測(cè)土壤光譜、影像解譯及其他方法從遙感影像上識(shí)別出裸土像元，進(jìn)行土壤線參數(shù)的計(jì)算。劉煥軍等[5]利用室內(nèi)測(cè)定的土壤光譜反射率計(jì)算得到土壤線，并在研究東北黑土帶土壤線變異規(guī)律時(shí)，使用比值植被指數(shù)確定裸土像元的方法提取黑土帶不同分區(qū)的土壤線參數(shù)[10]；武婕等[4]采用遙感圖像解譯裁剪出裸土像元的方法提取山東典型土壤的土壤線。常規(guī)方法較為復(fù)雜，受人為因素影響較多，并且對(duì)于中低分辨率的遙感影像來(lái)說(shuō)，裸土的識(shí)別難度較大而難以實(shí)行。因此，越來(lái)越多的學(xué)者將研究重點(diǎn)轉(zhuǎn)向土壤線的自動(dòng)提取，土壤線自動(dòng)提取是通過(guò)一系列算法提取圖像上的裸露像元，如Fox等[11]和秦其明等[12]提出的土壤線自動(dòng)提取算法；徐丹丹等[13]在提取加拿大混合草地的土壤線時(shí)采用的(R，NIRmin)法和分?jǐn)?shù)位回歸法；楊國(guó)范等[14]在秦其明的算法基礎(chǔ)上進(jìn)行改進(jìn)提出的修正土壤線自動(dòng)提取算法等。自動(dòng)算法在保證模型精度的情況下，使得土壤線的提取易于實(shí)現(xiàn)。

延河流域作為黃土丘陵溝壑區(qū)的第二副區(qū)，其土壤類型在該地區(qū)具有代表性。準(zhǔn)確提取典型黃土的土壤線，將為各種土壤調(diào)節(jié)植被指數(shù)提供基本參數(shù)，對(duì)于黃土高原地區(qū)的水土流失監(jiān)測(cè)和植被生態(tài)建設(shè)有重要意義。由于土壤類型復(fù)雜多樣，目前對(duì)于土壤線的研究仍具有一定的地域限制，國(guó)內(nèi)對(duì)于土壤線的研究集中于東北黑土區(qū)[5,10]、山東省[4]、寧夏[12]與遼寧[14]等省份，而對(duì)陜北黃土高原典型黃土的土壤線研究甚少。其次，目前自動(dòng)提取算法的應(yīng)用未得到廣泛推廣，準(zhǔn)確提取土壤線參數(shù)仍具有一定難度。本文擬以延河流域?yàn)檠芯繀^(qū)，基于Landsat 8 OLI遙感影像，采用自動(dòng)提取算法獲取典型黃土土壤線參數(shù)；通過(guò)歸一化植被指數(shù)NDVI,土壤調(diào)節(jié)植被指數(shù)PVI，TSAVI，ATSAVI與實(shí)測(cè)蓋度的相關(guān)性分析，探討所構(gòu)建的土壤線方程在黃土高原地區(qū)植被指數(shù)提取中的適用性，以期為區(qū)域植被覆蓋度的遙感估算提供基本參數(shù)。

1 研究區(qū)與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

延河是黃河的一級(jí)支流，發(fā)源地為靖邊縣天賜灣鄉(xiāng)周山，主要支流有杏子河、西川、蟠龍川和南川等，由西北向東南注入黃河。延河流域位于陜北黃土高原丘陵溝壑區(qū)，東經(jīng)108°45′—110°28′，北緯36°23′—37°17′，海拔495～1 795 m，流域面積7 725 km2，年平均氣溫9 ℃，年平均降水量520 mm，屬典型的溫暖半干旱大陸性氣候。流域內(nèi)黃土丘陵溝壑占總面積的90%，主要土壤類型為粉沙質(zhì)黃綿土，占土地面積的85%以上。由于自然條件和人為活動(dòng)的原因，該地區(qū)土壤侵蝕十分嚴(yán)重。植被分布具有明顯的地帶性規(guī)律，從南向北依次為森林區(qū)、森林草原區(qū)和草原區(qū)[15]。

1.2 數(shù)據(jù)源及其預(yù)處理

1.2.1 遙感數(shù)據(jù) 黃土高原在冬季植被覆蓋度低，裸露地面較多，故研究中選取覆蓋延河流域的2015年1月22日127/34，127/35與2014年12月30日126/35軌道上的3景Landsat OLI遙感影像(含云量分別為0.11，0.07與6.28)提取土壤線。選取2014年8月15日127/34，127/35與2014年8月24日126/35軌道上的3景Landsat OLI遙感影像(含云量分別為0.08，0.54與2.77)用于計(jì)算研究區(qū)各種植被指數(shù)，所使用的投影類型為UTM，橢球體為WGS84。

遙感影像的預(yù)處理主要包括以下幾個(gè)部分：① 對(duì)冬、夏兩期遙感影像分別進(jìn)行輻射定標(biāo)，將DN值轉(zhuǎn)換為輻亮度值； ② 對(duì)定標(biāo)后的影像進(jìn)行Flaash大氣校正，得到地表真實(shí)反射率值； ③ 進(jìn)行遙感影像拼接并利用延河流域邊界矢量文件裁剪出研究區(qū)；④ 對(duì)野外實(shí)測(cè)點(diǎn)與遙感影像進(jìn)行配準(zhǔn)，以確保實(shí)測(cè)樣點(diǎn)位置的準(zhǔn)確性。

1.2.2 實(shí)測(cè)數(shù)據(jù) 為了研究各種土壤調(diào)節(jié)植被指數(shù)反演植被蓋度的適用性，2012—2014年8月在研究區(qū)進(jìn)行了群落蓋度實(shí)地調(diào)查，選取典型植被群落樣方54個(gè)，主要包括刺槐林、楊樹(shù)林、沙棘灌叢、檸條灌叢、退耕草地等。調(diào)查內(nèi)容包括主要植被類型、群落總蓋度，樣地經(jīng)緯度坐標(biāo)、坡度、坡向、海拔高度等。為保證群落總蓋度測(cè)量的準(zhǔn)確性，由多名野外調(diào)查人員目測(cè)估算蓋度，取平均值作為樣地群落的總蓋度。

2 研究方法

2.1 土壤線提取方法

根據(jù)前人研究成果，本文使用歸一化水體指數(shù)與閾值相結(jié)合的方法去除水體像元，再結(jié)合基于二維光譜特征空間的(R,NIRmin)法提取土壤線，其中R，NIRmin分別指紅光波段反射率值、近紅外波段反射率的最小值。(R,NIRmin)法的核心思想是：在NIR-RED空間中，由于水體與植被像元明顯地分列于土壤線兩側(cè)[16-17]，且裸土像元與植被覆蓋像元整體呈典型三角形分布[12]，剔除水體像元的影響后，土壤像元多分布于散點(diǎn)圖的下方，即橫坐標(biāo)所對(duì)應(yīng)縱坐標(biāo)的最小值，據(jù)此找出土壤像元，計(jì)算土壤線參數(shù)。本文提取土壤線過(guò)程分為以下2個(gè)部分：

(1) 水體像元的剔除。(R,NIRmin)自動(dòng)提取算法的精度受水體影響較大，選擇合適的水體提取方法尤為重要。常用的水體提取方法有：?jiǎn)尾ǘ伍撝捣?、多波段譜間關(guān)系法和水體指數(shù)法等[18-20]。程磊等[19]指出各種水體識(shí)別方法均不能提取滿意的水體信息，反映了黃土高原地區(qū)水體識(shí)別的復(fù)雜性和下墊面的特殊性，給水體識(shí)別帶來(lái)了很大的不確定性，相比這3種方法，歸一化水體指數(shù)(normalized difference water index， NDWI)[21]和閾值法的綜合應(yīng)用能夠有效去除山體陰影的影響，提取的水體信息更為真實(shí)準(zhǔn)確。故本文選取NDWI指數(shù)與閾值相結(jié)合的方法提取水體并進(jìn)行掩膜處理，NDWI的表達(dá)式如下：

NDWI=(ρGreen-ρNIR)/(ρGreen+ρNIR)

(1)

式中：ρGreen和ρNIR——影像綠波段與近紅外波段的反射率值。通過(guò)對(duì)水體像元的NDWI值進(jìn)行統(tǒng)計(jì)，最終確定的NDWI閾值范圍大于-0.13。

(2) 土壤線參數(shù)的獲取。本文提取土壤線參數(shù)的獲取流程如圖1所示。

該過(guò)程主要在Envi 5.2環(huán)境中實(shí)現(xiàn)，首先，以剔除水體后的延河流域OLI影像波段4為橫軸，波段5為縱軸繪制二維散點(diǎn)圖；其次，使用ROI工具將散點(diǎn)圖中分布于較下方的散點(diǎn)篩選出來(lái)，并將其以感興趣區(qū)的形式輸出在影像上；然后，將ROI導(dǎo)出為CSV格式文件并用Excel等工具打開(kāi)，該文件中含有每個(gè)ROI像元在遙感影像上對(duì)應(yīng)的所有波段信息。由于遙感影像的像元數(shù)過(guò)多，尋找所有土壤點(diǎn)的效率較低，為了保證土壤點(diǎn)集的準(zhǔn)確度，將NIR-RED空間的橫坐標(biāo)按照反射率為0.002 5的間隔分為200組，分別求取每個(gè)間隔的反射率值所對(duì)應(yīng)的波段5的最小值，得到初始土壤點(diǎn)集；接下來(lái)，為了數(shù)據(jù)的代表性與方程的穩(wěn)定性，分別計(jì)算以橫坐標(biāo)總區(qū)間范圍的0%～50%，0%～100%，25%～100%，50%～100%，0%～75%與25%～75%為區(qū)間子集的土壤點(diǎn)集的相關(guān)系數(shù)[12]，對(duì)初始土壤點(diǎn)集進(jìn)行篩選，取相關(guān)系數(shù)最大的為最佳橫坐標(biāo)區(qū)間，得到最終的土壤點(diǎn)集；最后，采用最小二乘法擬合方程，得到土壤線參數(shù)。

圖1 土壤線提取流程

2.2 土壤調(diào)節(jié)植被指數(shù)

為了驗(yàn)證所提取的土壤線參數(shù)應(yīng)用于土壤調(diào)節(jié)植被指數(shù)計(jì)算的有效性，選用了以下植被指數(shù)：PVI，TSAVI與ATSAVI(改進(jìn)轉(zhuǎn)換型土壤調(diào)整植被指數(shù)，adjusted transformed soil-adjusted vegetation index)[8]，分析PVI，TSAVI，ATSAVI以及應(yīng)用最為廣泛的植被指數(shù)NDVI與實(shí)測(cè)蓋度之間的相關(guān)性，并通過(guò)與NDVI的對(duì)比探討研究區(qū)最適宜的植被指數(shù)。其中，各植被指數(shù)的計(jì)算公式如下所示[13,22]。

(2)

(3)

(4)

(5)

式中：R，NIR——影像紅光波段、近紅外波段的反射率；a，b——土壤線的斜率、截距；ATSAVI計(jì)算公式中X=0.08。

3 結(jié)果與分析

3.1 土壤線提取結(jié)果

采用自動(dòng)算法獲取土壤線，并將其加載在延河流域OLI影像所構(gòu)成的NIR-RED光譜特征空間中，結(jié)果如圖2所示，該結(jié)果表明Landsat 8 OLI的第4，5波段反射率之間具有較好的線性關(guān)系，提取出的土壤線在NIR-RED光譜空間中的實(shí)際位置與理論上的相符。

圖2 自動(dòng)算法提取土壤線擬合結(jié)果

目前，有學(xué)者在計(jì)算延河流域土壤調(diào)節(jié)植被指數(shù)時(shí)，采用純凈像元指數(shù)法確定土壤線參數(shù)[16]。為了檢驗(yàn)自動(dòng)提取算法的可靠性，本文在使用自動(dòng)提取算法的同時(shí)，在Envi 5.2中對(duì)影像進(jìn)行MNF變換，計(jì)算純凈像元指數(shù)，在N維可視化窗口中選取純凈裸土像元，并在NIR-RED空間中進(jìn)行回歸分析擬合出土壤線，結(jié)果如圖3所示。將自動(dòng)提取算法與常規(guī)方法得到的土壤線參數(shù)進(jìn)行對(duì)比，兩者斜率相差0.067，截距相差0.061，由此可看出，2種方法提取的土壤線參數(shù)相差較小，且前者方程的擬合度較高，說(shuō)明自動(dòng)提取算法對(duì)延河流域土壤線的提取較為適用。

圖3 常規(guī)方法獲取土壤線結(jié)果

3.2 土壤線參數(shù)應(yīng)用

3.2.1 植被指數(shù)與實(shí)測(cè)蓋度的相關(guān)性分析 利用自動(dòng)提取和常規(guī)方法得到的土壤線參數(shù)計(jì)算垂直植被指數(shù)PVI，轉(zhuǎn)換型土壤調(diào)整植被指數(shù)TSAVI，改進(jìn)轉(zhuǎn)換型土壤調(diào)整植被指數(shù)ATSAVI，歸一化差值植被指數(shù)NDVI，提取實(shí)測(cè)樣方蓋度對(duì)應(yīng)的各植被指數(shù)值，計(jì)算各植被指數(shù)與實(shí)測(cè)蓋度之間的相關(guān)性，得到的結(jié)果如表1所示。

從2種不同方法所計(jì)算的相關(guān)性結(jié)果可以看出，采用自動(dòng)算法計(jì)算的植被指數(shù)與實(shí)測(cè)蓋度的相關(guān)性在一定程度上有所提高，說(shuō)明自動(dòng)提取算法能夠提高基于土壤線參數(shù)的植被指數(shù)對(duì)植被覆蓋度的敏感性。這主要是因?yàn)樽詣?dòng)算法能夠?yàn)橹脖恢笖?shù)提供更加準(zhǔn)確和穩(wěn)定的土壤線參數(shù)，消除不確定因素的影響。

表1 植被指數(shù)與實(shí)測(cè)蓋度的相關(guān)性

注:置信度為95%; 數(shù)據(jù)檢驗(yàn)的有效性sig.<0.05; 上述回歸分析均顯著相關(guān)。

從各植被指數(shù)與實(shí)測(cè)蓋度的相關(guān)性結(jié)果可以看出，NDVI，PVI，TSAVI，ATSAVI與實(shí)測(cè)蓋度之間存在顯著相關(guān)性，均可以用于反演植被覆蓋度。各植被指數(shù)與實(shí)測(cè)蓋度的相關(guān)性大小依次為：PVI>NDVI>TSAVI>ATSAVI，說(shuō)明PVI為該區(qū)域最優(yōu)植被指數(shù)，其次是NDVI，TSAVI與ATSAVI最差。黃土高原地區(qū)植被覆蓋度較低，NDVI等指數(shù)受土壤背景的影響比較強(qiáng)烈，而PVI充分考慮研究區(qū)土壤背景的影響，引入土壤線參數(shù)提高了植被指數(shù)表征植被覆蓋度的精度。

3.2.2 PVI與NDVI指數(shù)的對(duì)比分析

(1) 不同植被指數(shù)抗土壤噪聲的能力對(duì)比。植被信號(hào)—土壤噪聲比(S/N)[23]用以表征不同植被指數(shù)對(duì)土壤噪聲的敏感程度，S/N值越大，代表植被指數(shù)削弱土壤背景影響的效果越好，植被信號(hào)越突出。S/N的計(jì)算公式為：

(6)

為了研究PVI與NDVI在不同蓋度下抵抗土壤噪聲的能力，分別以PVI和NDVI為基礎(chǔ)，采用像元二分模型估算研究區(qū)植被覆蓋度(見(jiàn)公式7)，其中PVI，NDVI的置信區(qū)間取5%～95%；然后，按蓋度從低到高依次選取若干個(gè)以30×30像元大小窗口作為基本研究樣區(qū)，且要求每個(gè)樣區(qū)內(nèi)的蓋度均勻；計(jì)算每個(gè)樣區(qū)內(nèi)PVI與NDVI指數(shù)的S/N值。結(jié)果如表2所示。

(7)

式中：Fc——植被覆蓋度；NDVImax，NDVImin——NDVI指數(shù)的最大值、最小值；PVImax，PVImin——PVI指數(shù)的最大值、最小值。

表2 不同蓋度下植被指數(shù)的S/N值

表2顯示，在蓋度大約為45%時(shí)，PVI與NDVI的S/N值大小關(guān)系開(kāi)始發(fā)生變化。當(dāng)蓋度小于45%時(shí)，PVI的S/N值大于NDVI的S/N值；當(dāng)蓋度大于45%時(shí)，情況剛好相反。這一結(jié)果說(shuō)明在蓋度小于45%時(shí)，PVI指數(shù)抗土壤噪聲的能力較NDVI的強(qiáng)，更能突出植被信號(hào)；而在蓋度大于45%時(shí)，NDVI指數(shù)所表征的植被信號(hào)比PVI指數(shù)強(qiáng)。上述結(jié)果說(shuō)明，PVI指數(shù)對(duì)低植被覆蓋區(qū)植被信息的提取效果較好，NDVI指數(shù)則更好反映了高植被覆蓋區(qū)的植被信息，這一結(jié)論與池宏康[24]關(guān)于黃土高原地區(qū)植被信息提取方法的研究結(jié)果相一致。

(2) 變異系數(shù)對(duì)比。標(biāo)準(zhǔn)差與平均數(shù)的比值稱為變異系數(shù)，變異系數(shù)反映了數(shù)據(jù)的相對(duì)分散程度。變異系數(shù)越大，數(shù)據(jù)離散程度越大，對(duì)不同植被類型特征的敏感性越高。延河流域PVI，NDVI指數(shù)的統(tǒng)計(jì)特征值與變異系數(shù)如表3所示。

表3 各植被指數(shù)的特征值統(tǒng)計(jì)

表3顯示，PVI指數(shù)的變異系數(shù)比NDVI大，表明PVI對(duì)于不同植被類型的敏感度相對(duì)較高。結(jié)合黃土高原植被覆蓋低、大部分地區(qū)受土壤背景影響較大的特點(diǎn)來(lái)說(shuō)，PVI比NDVI更適用于該區(qū)域的植被覆蓋度反演。

4 討論與結(jié)論

已發(fā)表的土壤線參數(shù)變化范圍：斜率為1.06～1.6，截距為-0.01～0.07(與斜率的變化趨勢(shì)相反)[6]，本文得到的土壤線參數(shù)均在以上范圍內(nèi)，且與常規(guī)方法相比，自動(dòng)提取算法能夠在一定程度上提高植被指數(shù)對(duì)植被蓋度的敏感性，說(shuō)明了利用自動(dòng)提取算法提取延河流域土壤線方程的適用性。

將提取的土壤線參數(shù)應(yīng)用于土壤調(diào)節(jié)植被指數(shù)的計(jì)算，各種植被指數(shù)與實(shí)測(cè)蓋度的相關(guān)性大小依次為：PVI>NDVI>TSAVI>ATSAVI，PVI為延河流域反演植被蓋度的最優(yōu)植被指數(shù)，NDVI次之，TSAVI與ATSAVI較差。通過(guò)對(duì)NDVI與PVI指數(shù)的對(duì)比分析可知，PVI指數(shù)能夠更好地抵抗土壤噪聲的影響，對(duì)不同植被類型的敏感性更高，對(duì)低植被覆蓋區(qū)植被信息的提取效果較好。采用自動(dòng)方法提取的典型黃土土壤線參數(shù)適用土壤調(diào)節(jié)植被指數(shù)的計(jì)算，因而具有實(shí)際的應(yīng)用意義。

土壤線提取的關(guān)鍵是裸土像元的識(shí)別，在使用自動(dòng)提取算法時(shí)，裸土識(shí)別的準(zhǔn)確度受水體的影響較大，黃土高原水體識(shí)別的復(fù)雜性和不確定性，為準(zhǔn)確提取土壤線參數(shù)帶來(lái)一定程度的影響，因此，后續(xù)研究中需進(jìn)一步提高黃土高原水體識(shí)別的準(zhǔn)確度，以提高自動(dòng)提取算法的效果。

[1] Baret F, Jacqemoud S, Hanocq J B. About the soil line concept in remote sensing[J]. Advances in Space Research, 1993,13(5):281-284.

[2] Kauth R J, Thomas G S. The tasseled cap: A graphic description of the spectral-temporal development of agricultural crops as seen by LANDSAT[C]∥Proceeding of the Symposium on Machine Processing， Indiana, 1976:41-51.

[3] Richardson A J, Wiegand C L. Distinguishing Vegetation from Soil Background Information[J]. Photogrammetric Engineering & Remote Sensing, 1978,43(12):1541-1552.

[4] 武婕,李玉環(huán),李增兵.基于遙感影像的土壤線空間變異規(guī)律及影響因素分析[J].自然資源學(xué)報(bào),2014,29(4):702-708.

[5] 劉煥軍,張柏,宋開(kāi)山,等.基于室內(nèi)光譜反射率的土壤線影響因素分析[J].遙感學(xué)報(bào),2008,12(1):119-127.

[6] Galv?o L S,caro V. Variability of laboratory measured soil lines of soils from Southeastern Brazil[J]. Remote Sensing of Environment, 1998,63(2):166-181.

[7] Huete A R. A soil adjusted vegetation index(SAVI)[J]. Remote Sensing of the Environment, 1988,25(3):295-309.

[8] Baret F, Guyot G, Major D J. TSAVI: A vegetation index which minimizes soil brightness effects on LAI and APAR estimation[C]∥Geoscience and Remote Sensing Symposium, 1989. IGARSS’89. 12th Canadian Symposium on Remote Sensing, 1989 International. IEEE, 1989:1355-1358.

[9] 詹志明,秦其明,阿布都瓦斯提·吾拉木,等.基于NIR-Red光譜特征空間的土壤水分監(jiān)測(cè)新方法[J].中國(guó)科學(xué)：D輯,2006,36(11):1020-1026.

[10] 劉煥軍,宇萬(wàn)太,張新樂(lè),等.中國(guó)東北黑土帶土壤線空間變異規(guī)律[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(10):166-170.

[11] Fox G A, Sabbagh G J, Searcy S W. An automated soil line identification routine for remotely sensed images[J]. Soil Science Society of America Journal, 2004,68(4):1326-1331.

[12] 秦其明,游林,趙越,等.基于二維光譜特征空間的土壤線自動(dòng)提取算法[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(3):167-171.

[13] XU Dandan, GUO Xulin. A Study of Soil Line Simulation from Landsat Images in mixed grassland[J]. Remote Sensing, 2013,5(9):4533-4550.

[14] 楊國(guó)范,翟光耀,張婷婷,等.基于環(huán)境小衛(wèi)星的土壤線提取研究[J].遙感技術(shù)與應(yīng)用,2014,29(3):428-432.

[15] 朱樂(lè)天,焦峰,劉源鑫,等.黃土丘陵區(qū)不同土地利用類型土壤水分時(shí)空變異特征[J].水土保持研究,2011,18(6):115-118.

[16] 趙婷.陜北延河流域結(jié)構(gòu)性植被蓋度遙感模型研究[D].西安:西北大學(xué),2013.

[17] 徐彬彬.我國(guó)土壤光譜線之研究[J].環(huán)境遙感,1991,6(1):61-71.

[18] 畢海蕓,王思遠(yuǎn),曾江源,等.基于TM影像的幾種常用水體提取方法的比較和分析[J].遙感信息,2012,27(5):77-82.

[19] 程磊,徐宗學(xué),左德鵬,等.基于Landsat TM數(shù)據(jù)的黃土高原區(qū)水體識(shí)別方法研究[J].北京師范大學(xué)學(xué)報(bào):自然科學(xué)版,2010,46(3):424-430.

[20] 王偉武,朱霞,孫躍池,等.基于ETM圖像的山地水體提取方法研究[J].系統(tǒng)仿真學(xué)報(bào),2013,25(9):2196-2200.

[21] Mcfeeters S K. The use of the normalized difference water index(NDWI)in the delineation of open water features[J]. International Journal of Remote Sensing, 1996,17(7):1425-1432.

[22] 田慶久,閔祥軍.植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展,1998,13(4):327-333.

[23] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994,8(2):119-126.

[24] 池宏康.黃土高原地區(qū)提取植被信息方法的研究[J].植物學(xué)報(bào),1996,38(1):40-44.

Extraction and Application of Soil Line in Yanhe River Basin Based on Landsat 8 OLI

WANG Ling, LIU Yongmei, CHANG Wei, LI Xiaohuan, KAI Nan, ZHAO Mudan

(DepartmentofUrbanandEnvironmentalScience,NorthwestUniversity,Xi’an,Shaanxi710127,China)

[Objective] Taking Yanhe River basin as a study area, typical loess soil line equation was established by automatic algorithm to provide basic parameters for the calculation of the soil adjusted vegetation index. [Methods] Based on Landsat 8 OLI images, soil line was extracted by automatic algorithm， then the correlation coefficients between normalized difference vegetation index(NDVI), perpendicular vegetation index(PVI), transformed soil-adjusted vegetation index(TSAVI), adjusted transformed soil-adjusted vegetation index(ATSAVI) and test coverage were calculated; and the applicability of soil line equation in vegetation index extraction was also discussed in the Loess Plateau. [Results] (1) Compared with conventional method, the difference was small, and the automatic algorithm had high accuracy and stability; (2) The sequence of the correlation between vegetation index and test coverage was: PVI>NDVI>TSAVI>ATSAVI, which showed that PVI was the optimal vegetation index, NDVI was the next, TSAVI and ATSAVI were the worst to the extraction of vegetation coverage in Yanhe river basin; (3) Compared with NDVI, PVI index could reduce the influence of soil noise, and its sensitivity to different vegetation types was higher. PVI was more suitable for the Loess Plateau with low vegetation coverage. [Conclusion] It is suitable to extract the soil line by automatic extraction algorithm in Yanhe river basin, and the parameters can be used to calculate the soil-adjusted vegetation index.

soil; vegetation; soil line; vegetation index

2016-06-21

2016-07-14

國(guó)家自然科學(xué)基金項(xiàng)目“面向土壤侵蝕評(píng)價(jià)的結(jié)構(gòu)性植被蓋度遙感模型研究”(41171225)， “梯田對(duì)坡度坡長(zhǎng)因子的擾動(dòng)特征研究”(41271284)

王玲(1989—),女(漢族),陜西省商洛市人,碩士研究生,主要從事遙感技術(shù)與應(yīng)用方面的研究。E-mail:qqzjwl123@163.com。

劉詠梅(1970—),女(漢族),陜西省西安市人,博士,副教授,主要從事區(qū)域水土流失遙感測(cè)方面的研究。E-mail:liuym@nwu.edu.cn。

B

1000-288X(2017)01-0161-05

TP79, P641.6