CN102592056A - 土壤侵蚀植被覆盖-管理因子的遥感估算方法 - Google Patents

Abstract

本发明公开了一种土壤侵蚀植被覆盖-管理因子的遥感估算方法，其实施步骤如下：1)将遥感图像进行分类得到多种地类；根据地类的空间异质性及随时间变化特征，将所述地类分成三组；2)采用遥感分类法获取第一组地类和第二组地类的植被覆盖-管理因子；3)将遥感图像进行线性光谱混合像元分解，得到绿色植被分量图、土壤分量图和阴影/水分量图；通过C＝F_土壤/(1+F_绿色植被+F_阴影)计算得到第三组地类的植被覆盖-管理因子，其中，F_土壤为土壤分量，F_绿色植被为绿色植被分量，F_阴影为阴影/水分量；4)将各个地类的植被覆盖-管理因子进行综合得到所有地物的土壤侵蚀植被覆盖-管理因子。本发明具有估算结果合理、通用性强的优点。

Description

土壤侵蚀植被覆盖-管理因子的遥感估算方法

技术领域

本发明涉及水土流失风险评估领域，具体涉及一种适用于土壤侵蚀植被覆盖-管理因子的遥感估算方法。

背景技术

水土流失是指由于水的侵蚀或者风力的作用使得土壤迁出土体，导致地力下降、严重的甚至完全失去地力。古巴比伦国的消亡就是因为水土流失、环境破坏而导致的。美国在1930年代初，也发生了严重的水土流失。然而，政府、社会各阶层和民众都十分重视，采取强有力的水土保持措施，已经很好地控制了水土流失。我国的水土流失现象十分严重。黄河流域是最明显的例子，巨大的泥沙从戈壁、草原、黄土高原随着河水流入黄海。南方长江流域的水土流失同样极为严重。水土流失不仅破坏地力，而且污染环境。目前我国大多水体存在的富营养化在很大程度上就是水土流失的造成的另一恶果。因此，我国的大多数地方都急需进行水土流失治理。然而，要治理水土流失，我们必须明确水土流失的范围和程度。这样，才能有针对性地进行有效的水土流失治理。

美国在1930年代初发生严重的水土流失之后，成立了土壤保持局和水土保持国家实验室，开展了大量、细致的研究工作。经过30多年的努力，在1965年，得出了著名的通用水土流失方程(Universal Soil Loss Equation，USLE)。在此基础上，又经过近三十年的努力，获得了修订通用水土流失方程(Modified Universal Soil Loss Equation，MUSLE)和修正通用水土流失方程(Revised Universal Soil Loss Equation，RUSLE)。目前，国际上大多采用RUSLE来计算年均土壤流失量，其由六个因子决定：

A＝R×K×LS×C×P

其中，A为年均土壤流失量估算值(t ha^-1yr^-1)，R为降雨侵蚀力(MJ mm ha^-1h^-1yr^-1)，K为土壤可蚀性因子(t ha h ha^-1MJ^-1mm^-1)，LS为坡长与坡度结合量(无量纲)，C为植被覆盖-管理因子(无量纲)，P是水土保持措施因子(无量纲)。根据以上公式，土壤侵蚀量由气候(降雨)、土壤、地形、植被和土地利用/覆盖等因子共同作用决定的。其中，降雨、土壤和地形因子受自然条件影响，不同时期变化不大。而植被覆盖和土地利用等因子受人类活动影响，是易于变化但又是具有重要作用、影响极大的因子。

目前在小范围或者局部田块，可以通过田间实测获得C因子值。大区域、大范围的则一般需要遥感信息来获取，常用方法主要有三种：1)遥感分类法：通过遥感图像进行土地利用/覆盖分类，赋予每类土地一个C因子值。该方法简单易行，但由于每个地类的C因子值是统一的，无法体现地类内C因子的空间异质性；2)植被指数法：利用遥感图像计算归一化植被指数(Normalized Difference Vegetation Index，NDVI)来确定C因子值。由于NDVI对红光和红外光敏感，故对新鲜的生物质有良好的相关性，但对表面覆盖物(包括非新鲜的生物质(如枯枝)和植物残渣等)则敏感性不高；3)混合像元分解法：利用遥感图像的混合像元分解技术获取地物的主要光谱组份，从而确定地物的C因子值。该方法已被证实优于植被指数法。然而，地表植被覆盖具有强烈的季节变化特性，而遥感图像获取的只是瞬间的地表信息。根据单期遥感图像的遥感指数法或是混合像元分解法计算所得C因子值在较多情况下不能代表RUSLE公式中的C因子值，通常需要利用一年内不同时期的多期光学遥感图像来综合计算C因子。然而，对多云雨地区(例如，我国南方地区)，一般很难获得多期的无云遮盖的光学遥感图像。这就极大地限制了以上方法在我国南方地区的应用。

发明内容

本发明所要解决的技术问题是提供一种能够实现土壤侵蚀植被覆盖-管理因子估算，能够适用于多云雨地区和大范围的水土流失估算，具有估算结果合理准确、通用性好的土壤侵蚀植被覆盖-管理因子的遥感估算方法。

为解决上述技术问题，本发明采用的技术方案如下：

一种土壤侵蚀植被覆盖-管理因子的遥感估算方法，其实施步骤如下：

1)将遥感图像进行土地利用/覆盖类别划分得到多种地类；将所述地类进行分类，得到空间异质性小、季节变化小、年际变化小的第一组地类，空间异质性小、季节变化大、年际变化小的第二组地类，空间异质性大、季节变化小、年际变化大的第三组地类；

2)采用遥感分类法获取第一组地类和第二组地类中每一个地类的植被覆盖-管理因子；

3)将遥感图像进行线性光谱混合像元分解，得到绿色植被分量图、土壤分量图和阴影/水分量图；通过C＝F_土壤/(1+F_绿色植被+F_阴影)计算得到第三组地类的植被覆盖-管理因子，其中，F_土壤为土壤分量，F_绿色植被为绿色植被分量，F_阴影为阴影/水分量；

4)将各个地类的植被覆盖-管理因子进行综合得到遥感图像的植被覆盖-管理因子。

作为本发明上述技术方案的进一步改进：

所述步骤4)中将遥感图像进行线性光谱混合像元分解的详细步骤包括：

A)采用主成分分析、最大噪声比变换或者奇异值分解对遥感图像进行数据降维；

B)选择端元模型，根据所述端元模型确定端元的数量和光谱；

C)根据所述端元的数量和光谱对数据降维后的遥感图像进行反演得到绿色植被分量图、土壤分量图和阴影/水分量图。

所述步骤C)中对数据降维后的遥感图像采用全约束最小二乘法进行反演，所述全约束最小二乘法的模型为

其中，R_ib为第b波段第i像元的光谱反射率，N为端元数目，f_ki为对应于i像元的第k个端元所占分量值，C_ib为第b波段端元K的光谱反射率，ε_ib为该像素第b波段的分解残差；所述模型的约束条件为且0≤f_ki≤1，且所述模型通过误差ε_i来评价模型的优劣，误差ε_i的表达式为其中m为光谱波段数目。

所述多种地类包括密林地、建设用地、水体、水田、旱地、疏林地、园地、裸土地八种地类；所述第一组地类包括密林地、建设用地、水体；所述第二组地类包括水田、旱地；所述第三组地类包括疏林地、园地、裸土地。

本发明具有以下优点：

1、本发明针对空间异质性小或季节变化大、年际变化小的第一组地类和第二组地类赋予一个确定值的方法，在对精度影响不大的情况下，克服了由于遥感影像获取时相对这些地类植被覆盖-管理因子所带来的不确定性影响；

2、本发明对于空间异质性大、年际变化大且季节变化较小的第三组地类采用混合像元线性分解法进行植被覆盖-管理因子估算，可充分体现土壤侵蚀植被覆盖-管理因子的空间异质性，克服了遥感分类法无法体现同一类别内植被覆盖-管理因子空间异质性的缺点。

3、本发明针对不同地类土壤侵蚀植被覆盖-管理因子随时间、空间而变化的特点进行分类，针对不同组地类分别采用适合的植被覆盖-管理因子估算方法进行估算。这种有针对性地、分门别类地进行植被覆盖-管理因子估算的新方法，有利于科学、合理地估算出各地物类别的植被覆盖-管理因子，本发明的土壤侵蚀植被覆盖-管理因子估算既不受遥感获取时相的影响，又能客观估算各地类的植被覆盖-管理因子，具有估算结果合理、通用性好的优点。适用于多云雨地区，特别是较难获得光学遥感图像信息的我国南方地区，可以广泛地应用于农业、环保、水利、国土等相关部门。

附图说明

图1为本发明实施例的基本实施流程示意图。

图2为本发明实施例的详细实施流程示意图。

图3为本发明实施例中输入的浙江省安吉县遥感图像。

图4为本发明实施例中得到的土地利用/覆盖分类图。

图5为本发明实施例中分解得到的绿色植被分量图。

图6为本发明实施例中分解得到的土壤分量图。

图7为本发明实施例中分解得到的阴影/水分量图。

图8为本发明实施例中最终得到的植被覆盖-管理因子图。

具体实施方式

如图1所示，本实施例土壤侵蚀植被覆盖-管理因子的遥感估算方法的实施步骤如下：

1)将遥感图像进行土地利用/覆盖类别划分得到多种地类；将获得的多种地类再进行分组，得到空间异质性小、季节变化小、年际变化大的第一组地类，空间异质性小、季节变化大、年际变化小的第二组地类，空间异质性大、季节变化小、年际变化大的第三组地类；

2)采用遥感分类法获取第一组地类和第二组地类中每个地类的植被覆盖-管理因子；

3)将遥感图像进行线性光谱混合像元分解，得到绿色植被分量图、土壤分量图和阴影/水分量图；通过C＝F_土壤/(1+F_绿色植被+F_阴影)计算得到第三组地类中每一个地类的植被覆盖-管理因子，其中，F_土壤为土壤分量，F_绿色植被为绿色植被分量，F_阴影为阴影/水分量；

4)将各个地类的植被覆盖-管理因子进行综合得到遥感图像的植被覆盖-管理因子。

本实施例在植被覆盖-管理因子估算精度不受影响的情况下，充分体现了植被覆盖-管理因子的空间异质性，又避免了由于遥感影像获取时相对季相变大的地类植被覆盖-管理因子估算带来的不确定性影响，能够科学、合理地确定和估算土壤侵蚀植被覆盖-管理因子，而且不受影像获取时相的限制，能够适用于多云雨地区和大范围的土壤侵蚀植被覆盖-管理因子的估算，具有估算结果合理、通用性强的优点。

步骤1)中将遥感图像进行土地利用/覆盖类别划分的方法可采用计算机解译、人工目视解译或计算机解译和人工目视解译相结合的方法。

步骤4)中将遥感图像进行线性光谱混合像元分解的详细步骤包括：

A)采用主成分分析、最大噪声比变换或者奇异值分解对遥感图像进行数据降维；

B)选择端元模型，根据端元模型确定端元的数量和光谱；

C)根据端元的数量和光谱对数据降维后的遥感图像进行反演得到绿色植被分量图、土壤分量图和阴影/水分量图。

本实施例中，步骤A)中采用主成分分析对遥感图像进行数据降维。

确定端元数量以及端元的光谱是成功的混合像元分解的关键。对于城市地区，最常用的端元选取方式是由Ridd(1995)提出的植被-不透水层-土壤端元模型(Vegetation-Impervious surface-Soil，V-I-S)。而在非城市地区，一般采用植被-土壤-阴影(或干植被)端元模型。本实施例步骤B)中端元模型选择的是植被-土壤-阴影/水端元模型，利用像元纯度指数(Pixel Purity Index，PPI)进行交互式提取端元的数量和光谱。

本实施例中，步骤C)中对数据降维后的遥感图像的反演方法可以采用无约束的最小二乘法，部分约束最小二乘法和全约束最小二乘法等，本实施例中步骤C)中对数据降维后的遥感图像采用全约束最小二乘法进行反演，全约束最小二乘法的模型为

其中，R_ib为第b波段第i像元的光谱反射率，N为端元数目，f_ki为对应于i像元的第k个端元所占分量值，C_ib为第b波段端元K的光谱反射率，ε_ib为该像素第b波段的分解残差；模型的约束条件为

且0≤f_ki≤1，且模型通过误差ε_i来评价模型的优劣，误差ε_i的表达式为 ${\mathrm{\ϵ}}_i=\sqrt{\left(\underset{b=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_{\mathrm{ib}}^2\right)/m},$ 其中m为光谱波段数目。

如图2所示，本实施例的具体实施步骤如下：

I)、将如图3所示的浙江省安吉县2003年和2008年获得的遥感图像进行土地利用/覆盖类别划分得到包括密林地、建设用地、水体、水田、旱地、疏林地、园地、裸土地八种地类，得到的土地利用/覆盖分类图如图4所示。

II)、将前述的八种地类进行分类，得到：

空间异质性小、季节变化小、年际变化小的第一组地类，该组地类包括密林地、建设用地、水体；

空间异质性小、季节变化大、年际变化小的第二组地类，本组地类包括水田、旱地；

空间异质性大、季节变化小、年际变化大的第三组地类，这组地类包括疏林地、园地、裸土地。

III)、采用遥感分类法获取第一组地类和第二组地类中每一个地类的植被覆盖-管理因子，即根据相关文献报道并结合当地条件对第一组地类和第二组地类中的每一个地类指定一个植被覆盖-管理因子值，以消除遥感图像的季相变化带来的不确定性影响；本实施例针对浙江省安吉县，根据相关文献报道并结合当地条件，第一组地类和第二组地类中的每一个地类的植被覆盖-管理因子值指定为：密林地，0.0；水体，0.0；建设用地，0.2；水田，0.05；旱地，0.44。

IV)、将如图3所示的遥感图像进行线性光谱混合像元分解，得到绿色植被分量图(如图5所示)、土壤分量图(如图6所示)和阴影/水分量图(如图7所示)；通过C＝F_土壤/(1+F_绿色植被+F_阴影)计算得到第三组地类中每一个地类的植被覆盖-管理因子，其中，F_土壤为土壤分量，F_绿色植被为绿色植被分量，F_阴影为阴影/水分量，F_绿色植被、F_土壤和F_阴影的值均为0至1之间的值，且F_绿色植被、F_土壤和F_阴影三者之和为1。

V)、将各个地类的植被覆盖-管理因子进行综合得到遥感图像的植被覆盖-管理因子(如图8所示)。

以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种土壤侵蚀植被覆盖-管理因子的遥感估算方法，其特征在于其实施步骤如下：

1)将遥感图像进行土地利用/覆盖类别划分得到多种地类；将所述地类进行分类，得到空间异质性小、季节变化小、年际变化小的第一组地类，空间异质性小、季节变化大、年际变化小的第二组地类，空间异质性大、季节变化小、年际变化大的第三组地类；

2)采用遥感分类法获取第一组地类和第二组地类中每一个地类的植被覆盖-管理因子；

3)将遥感图像进行线性光谱混合像元分解，得到绿色植被分量图、土壤分量图和阴影/水分量图；通过C＝F_土壤/(1+F_绿色植被+F_阴影)计算得到第三组地类的植被覆盖-管理因子，其中，F_土壤为土壤分量，F_绿色植被为绿色植被分量，F_阴影为阴影/水分量；

4)将各个地类的植被覆盖-管理因子进行综合得到遥感图像的植被覆盖-管理因子。

2.根据权利要求1所述的土壤侵蚀植被覆盖-管理因子的遥感估算方法，其特征在于：所述步骤4)中将遥感图像进行线性光谱混合像元分解的详细步骤包括：

A)采用主成分分析、最大噪声比变换或者奇异值分解对遥感图像进行数据降维；

B)选择端元模型，根据所述端元模型确定端元的数量和光谱；

C)根据所述端元的数量和光谱对数据降维后的遥感图像进行反演得到绿色植被分量图、土壤分量图和阴影/水分量图。

3.根据权利要求2所述的土壤侵蚀植被覆盖-管理因子的遥感估算方法，其特征在于：所述步骤C)中对数据降维后的遥感图像采用全约束最小二乘法进行反演，所述全约束最小二乘法的模型为

其中，R_ib为第b波段第i像元的光谱反射率，N为端元数目，f_ki为对应于i像元的第k个端元所占分量值，C_ib为第b波段端元K的光谱反射率，ε_ib为该像素第b波段的分解残差；所述模型的约束条件为

且0≤f_ki≤1，且所述模型通过误差ε_i来评价模型的优劣，误差ε_i的表达式为

其中m为光谱波段数目。

4.根据权利要求1或2或3所述的土壤侵蚀植被覆盖-管理因子的遥感估算方法，其特征在于：所述多种地类包括密林地、建设用地、水体、水田、旱地、疏林地、园地、裸土地八种地类；所述第一组地类包括密林地、建设用地、水体；所述第二组地类包括水田、旱地；所述第三组地类包括疏林地、园地、裸土地。

Images