文摘

判别分析分类(DAC)和决策树分类器(DTC)被用于数字地图的土壤排水Bras-d 'Henri分水岭(QC、加拿大)使用地球观测数据(RADARSAT-1和ASTER)和土壤调查数据集。首先,远期逐步应用于每一种土地利用类型选择了ASTER影像,以获得一个最优的子集类预测土壤排水。然后分类模型应用于这些子集为每个土地利用和合并获得数字土壤排水地图为整个流域。DTC方法提供了更好的分类精度比DAC的方法(92%)29日(33 79%)根据土地利用类型。相似度度量( )是用来比较最好的数字土壤排水(DTC)映射到传统土壤排水地图。中等到高相似之处( (187公里)观察83%2)研究区域,而3%的研究区域显示很好的协议( )。土壤的多边形数显示非常弱的相似之处( )。本研究证明了雷达和光学遥感数据结合效率代表土壤排水的土壤生产数字地图的数据集。

1。介绍

加拿大的农业用地被映射在侦察(等级1:125 000)或semidetailed尺度(范围1:50 000或1:63 000)。虽然这些地图是很有用的流域管理的目的,其中包含土壤信息往往是过时的通常是可怜的一致性,以及近,总是缺乏土地利用决策支持所需的精度或造型工作。地图的生产在更详细的尺度,以及包含额外的土壤排水信息,因此需要将用户映射到有效通知土地利用和管理决策1]。映射类土壤排水与准确和客观的信息是重要的农作物产量和水文模型。传统土壤映射方法是费力而昂贵,需要强化对大面积土壤采样。土地测量员通常识别类型(即景观单元的特征。,form, geomorphology, vegetation, geology, etc.) and then select representative locations for describing and sampling soil profiles. The number of profiles needed to represent a landscape unit depends on the prospective scale and soil variability. In addition, conventional soil maps are generally created using a polygon-based approach, where different soils on the landscape are represented as polygons with discrete borders. Using this approach, representative soil attributes for a soil are usually assigned to a whole polygon and result in maps that contain abrupt transitions between neighbouring polygons [2]。虽然这种方法经常充分服务于需要代表土壤空间分布的景观,它不适合定量环境建模。这是因为这类地图的空间和主题内容是有限的(2]。新的数字土壤制图的发展提供有前景的新方法,直接解决上述问题通过使用空间预测模型获得土壤属性信息(3]。

通过使用辅助和drainage-related变量测量在一个连续的基础上,基于栅格的模型能更好地代表了连续的土壤的性质。在过去的十年中,遥感数据更新和升级已成为首选的土壤调查信息。日益普及的卫星图像和推出新的传感器空间和幽灵似地细决议鼓励这种方法的发展(4]。土壤排水类确定的深度和持续时间的基础上局部水位政权,由检查评估土壤质地和类型、程度和深度的土壤斑点状阴影和潜育土样(5]。

光学与雷达遥感地图有潜力的土壤信息,如土壤排水。在光学遥感中,从土壤表面反射光谱的特征与土壤剖面的生物物理和化学性质。几个光谱指数(亮度、发红和着色指数)从可见光和红外卫星数据中提取了亲密关系与各种土壤颜色组件和土壤表层的属性:质地、有机质、土壤水分等(6]。Mattikalli [7)指出,这些特征与土壤表面直接相关的色彩和亮度以及其他土壤属性,如结构组成、水分、有机质含量。发现土壤反射率变化指数作为体积土壤湿度的函数(8]。土壤生物物理性质可以提取高分辨率的测量土壤反射光谱范围在400 - 900海里(9]。刘等人。10)显示出紧凑的有效性机载光谱成像仪(属于接近)高光谱数据在映射的土壤属性和描述within-field管理单位。

雷达遥感的土壤表面的反向散射系数的大小是由介电常数和土壤表面粗糙度。介电常数,反过来,是强烈依赖于土壤含水量,并在较小程度上,土壤质地成分(砂和粘土的百分比)(11]。在农业应用,monopolarized合成孔径雷达(SAR)数据大多是由于有限的低可分性不同的散射过程引起的土壤和作物特性。monopolarized时更有用的数据组合在一个多瞬时序列分析(12,13]。多极SAR数据也被成功地用于分层字段到土壤管理单位,特别是在低植被条件下(14]。偏振SAR数据分析主要是最近的工具,人们已经发现有前途一些农业应用程序(15]。旋光分解建议由Cloude pottier和弗里曼(15)可能带来一个潜在的解决方案来提高土壤排水分类模型(16]。

遥感数据也被结合地形属性分类土壤排水在许多研究[5,17- - - - - -20.]。他们综合了数字高程模型(DEM)和光谱指数。光谱指数可以作为指标的短暂的因素,如植被的数量(21]。协会地区自然植被,植被类型与土壤或土壤性质对生物量积累的影响可以利用土壤使用遥感数据映射(21,22]。

相反一些研究结合光学和雷达遥感数据映射土壤属性。我们研究的这种相对新颖的方法需要利用土壤介质的优势和土壤排水可变性的光谱属性映射。由于畜牧业,多样化的农业实践很明显在我们的研究区域,从春天裸露的土壤条件植被组成的谷物、饲料和牧场,年度作物、森林和湿地。因此,我们分析了土地利用类型对土壤排水类的分类精度的影响。首先,为了明确评估这些影响,土地利用的分类(最大似然分类)和选择最佳的子集光栅(向前逐步过程)是为了提高分类精度。两种数字土壤制图方法,判别分析和决策树分类器(dac和转轨国家),是应用于训练数据集,然后用剩下的验证土壤调查数据库。由于polygon-based方法传统的土壤地图(2),很难比较数字土壤排水地图来自遥感与传统土壤排水地图。我们使用基于概率相似性度量(比例)的每个排水类中所有单个多边形来评估这些地图之间的协议。

2。材料和方法

2.1。研究网站

胸罩d 'Henri分水岭位于魁北克市以南约30公里(QC、加拿大)。研究区域包括一个分水岭的地理边界约167公里2其中约66%现在致力于农业(田间作物、牧场、等等)。其余领土由森林、湿地、城市地区。这个分水岭是受到潮湿的大陆性气候,展品大夏天季节温度与热(通常潮湿),冬天冷(有时是严重感冒),与大量的降水(1150毫米)主要是降雨(加拿大环境http://www.ec.gc.ca/)。

研究区域的土壤之前映射和描述23]。两个主要的地形学的领域出现在这个分水岭(图1)从上游到下游(南到北),这些都是(a)阿巴拉契亚高原,高原(189 - 380救援)和(b)圣劳伦斯低地减轻(115 - 202)。基岩日期从寒武纪和奥陶纪时期由页岩、砂岩和灰岩,平板。父母材料主要遇到到流域,河流,fluvio-lacustrine和冲积矿床。一般来说,土壤也深,排水非常差,和位于平坦,起伏的丘陵,斜坡(1 - 15%)或斜地貌(15 - 30%)。他们开发了一个肥沃的(56%)或砂质(27%)、酸性或中性母质。他们大多属于潜育或典型Humo-Ferric灰壤(Aquic正规的普通灰土),典型潜育土(潮始成土),或典型腐殖质潜育土(Humaquepts)。酸性有机土壤(有机质土)积累了斜坡(11%)在depressional(< 2%)地区沼泽覆盖的单板腐殖质物质在土壤矿物(Terric Humisols)或深沼泽(典型的Humisols)。


图1
地图研究区(胸罩d 'Henri分水岭、QC、加拿大)的本地化327土壤地理概要文件中使用的训练数据集。这两个地形学的区域所示。
2.2。土壤数据收集
2.2.1。土壤调查数据

传统的土壤调查在2004年夏季和2005年整个流域更新和升级可用土壤信息(23]。土壤描述和是基于分层随机抽样调查法(24]。这种方法可以概括为可用的收集地质、母质沉积、植被、土壤和气候信息。基于这些信息,同质土壤多边形描述使用航空摄影。这些多边形可以视为地层。横断面沿主要并行环境梯度(相隔200米和150米)定位在每个多边形沿着这些横断面和土壤剖面数据收集。额外的横断面分布在整个研究区域景观的描述所有领域内的分水岭。这种抽样方法已经找到一个有用的土壤特性和灵活的设计映射(24]。

Semidetailed土壤调查观察意识到在强度级别3 (SIL3)通常用于流域研究(1:40 000规模,采样密度:1土壤剖面/ 16公顷)。详细的土壤采样(SIL2, 1: 20 000规模,采样密度:1土壤剖面/ 4公顷)是在两个代表microwatersheds(3公里2胸罩的每个)d 'Henri分水岭(图1)。

每个土样的土壤属性描述包括14个形态学特征经常用于土壤排水分类:地平线类型、斑点状阴影描述,深度潜育,颜色(色调,价值,和浓度)、结构描述和纹理。五的七类土壤排水研究区域(图中标识2)。这些类(D3-D7)的特点是土壤土壤学和精准农业实验室的科学家根据加拿大加拿大加拿大农业及农业土壤系统分类(25]。土壤调查地图及其传奇(23)被用来推导出常规土壤排水地图(土壤协会系列)1:40 000的规模。四个单元组成模型映射常用在魁北克土壤调查报告(23)根据土壤组件的数量:一个土壤组件(100%),两个土壤组件(60% + 40%),三种土壤组件(50% + 30% + 20%),和四个土壤组件(40% + 30% + 20% + 10%)。当土壤组件包括两个排水类,每个类同样被认为是土壤中的多边形表示。


图2
土壤排水类被调查的专家胸罩d 'Henri分水岭。D3:排水良好;D4:适度排水良好;D5:排水;D6:排水不良;D7:很差了。

收集到的形态土壤调查数据集包括1610个配置文件。培训监督分类模型(DAC和DTC),发表传统的土壤排水图和土壤调查数据集。排水土壤情况加以比较类(20 m缓冲区)传统土壤排水地图,只有百分之二十代表土壤资料( ),显示一个标准差等于0,被用作训练数据集。这个数据集属于主导土壤排水类识别地图上传统的土壤(土壤包含不允许)。虽然许多生物/生态研究使用75%的数据集进行训练,和25%验证(26在这里,使用逆。这种方法的预期是建立一个模型,该模型可以产生可靠和更精确的土壤排水地图使用最小和代表性的土壤数据集作为训练,以减少所需的成本更新和升级传统土壤地图(图5)。

模型的验证(分类精度和Kappa系数)是使用所有土壤概要文件包含在土壤调查数据库。培训土壤的分布配置文件根据土壤排水类提出了表1。

表1
选择土壤分布资料的胸罩d 'Henri流域数据集根据土壤的排水分类调查信息。

土壤排水中观察到的类文胸d 'Henri流域主要是那些描述一个aquic土壤水分政权(D5、D6 D7类)。这三个类表示土壤概要文件包含在数据集的87.8%,D6类的比例最大(51.7%)。相反,土壤排水D3、D4类目前发生的比例最低(8.6%和3.7%,resp)。如表所示1,所选择的训练数据集的代表水系的分布类的分水岭。

2.2.2。土壤水分监测

土壤水分(表面和深层的视野在概要文件)及其变化和土壤排水紧密相关。RADARSAT-1 (SAR C-HH)信号敏感的土壤水分在前几厘米(0到10厘米)在土壤中。穿透深度变化取决于土壤介质,入射角度和频率(27]。裸露的土壤条件下,适度植被区域,可以预期,土壤水分的时间持久性模式反映在雷达后向散射系数的时空行为(28]。RADARSAT-1的潜在能力的分析土壤排水多瞬时数据估计是必需的。在每个收购(2005年夏天,5日期),重量土壤含水量(29日)是测量六个字段(1概要/现场土壤×3×5深度/轮廓核心/深度)的卫星天桥。体积相乘得到的土壤含水率土壤重量含水率由双缸核心方法(体积密度测量30.]。这六个基准站点被选来代表土壤的多样性(纹理、排水类)中确定胸罩d 'Henri分水岭(23]。

2.3。遥感数据采集
2.3.1。RADARSAT-1图片

特征的五个RADARSAT-1图像(像素大小:12.5米)获得2005年夏天如表所示2。所有RADARSAT-1 orthorectified使用数字高程模型图像空间分辨率与PCI-Geomatica 20 m和校准®(版本10.3,2009-10-09)。伽马滤波器5×5像素的窗口是应用于降低散斑噪声。一个3×3像素窗口集中在每个地理土壤剖面被用来提取准确的平均功率值。

表2
RADARSAT-1图像用于这项研究。

pedoclimatic条件(降水和土壤水分)收购时期在图所示3。这个图表表明,平均体积土壤含水量,计算从基准站点(6),减少定期与儒略日( )的生长季节土壤干燥时,主要是由于自然和人工土壤排水。这些结果表明可能多瞬时RADARSAT-1图像信息当他们收购完成春季气候条件下识别土壤排水类。在冬天的结束,土壤湿是由于高降水和融雪。5月3日,收购几雨天后,在5月27日,图像被收购后几天的低降雨量点缀着许多干天(图3)与正常的季节性气温(约15°C)。在这种情况下,SAR数据可以提供一些信息关于排水状态,因为两者之间的时间收购对应前来参加的连续24天对RADARSAT-1重复轨道。收购RADARSAT-1图像由更少的日子可能有所帮助也取决于水的能力在短时间内渗透进入土壤。


图3
变异的平均土壤水分(%)和累积降水量(cm)在RADARSAT-1图像采集条件。
2.3.2。ASTER影像

雷达信号衰减和散射植被;这限制了主动雷达的应用方法与很少或没有植被表面。为了评估的贡献光学遥感在土壤排水分类,2005年6月3日,拍摄只有一个图片云端被用于这项研究。图像的光谱带特征及其空间决议如表所示3。这次收购日期对应于生长季节的开始。与土壤表面水分,营养生长和发展可以被认为是土壤排水指标。Campling et al。5)结合地形属性和各种光谱指数计算主题映射器(TM)从陆地卫星图像来预测土壤排水概率在潮湿的热带地区。他们提议使用三个光谱指数(5]。第一个是归一化植被指数(NDVI)计算中的可见光和近红外(1)。这是最常见的用于遥感指数。归一化植被指数通常与赖(叶面积指数)31日)和区分绿色植被和土壤背景。然而,几项研究表明,归一化植被指数也受土壤特性与他们的颜色和亮度32),主要在稀疏植被区域,土壤是主要光谱分量。使用的其他两个指数Campling et al。5)是红外的正常差异(NDII)和归一化水指数(NDWI)。NDII (2)被发现与植物水分含量(33]。NDWI (3)结合的近红外短波红外删除变化引起的叶片内部结构和叶片干物质含量提高了检索的准确性植被水含量(34]。所有这些指标可以帮助预测土壤排水类。

表3
ASTER乐队的特点(2005年6月3日)。

相当于ASTER数据的光谱波段可见红乐队(VNIR_Band2: 0.63 - -0.69μ米),在近红外(VNIR_Band3N: 0.78 - -0.86μ米),在短波红外通道(SWIR_Band4: 1.6 - -1.7μm和SWIR_Band6: 2.18 - -2.22μ米):

提取这些乐队的反射率值之前,ASTER影像orthorectified使用相同的程序是RADARSAT-1图像。6 s大气校正方法(35)也被应用于图像去除那些不必要的大气影响观察at-sensor光辉。

为了使数据的空间分辨率RADARSAT-1图像、光谱波段的论文三个指标(15米、30米)子样品,分别在同一投影系统RADARSAT-1数据。等差积分法用于合并不同规模数据集。这种方法展示了良好的色彩对比与原始图像(36]。

2.4。方法论的框架描述

框架的原理图采用土壤排水分类如图4。首先,监督最大似然分类器应用在ASTER影像土地利用类型分类(附近地区)。这些附近地区(1)裸露的土壤(N1),(2)裸露的土壤与稀疏植被(N2),(3)牧场和饲料(P),(4)出现作物,主要年度作物(C)、森林(F)(5),(6)湿地(H)和(7)水(W)。每个附近地区使用一个集群面具是派生的开放形态滤波器限制杂质的面具。


图4
用于土壤排水分类框架。

图5
地图土地利用类型的空间分布(附近地区)中定义的胸罩d 'Henri分水岭使用ASTER影像的监督分类使用。

RADARSAT-1功率值和光谱指数(1),(2)和(3)提取20米以下为每个土壤资料缓冲区。这些数据是标准化的规模相同的(37]: 在哪里 是目标变量标准化的范围从0到1,然后呢 和 的物理最小和最大吗z,分别。

获得一个最优的子集预测对于判别分析模型,采用逐步向前变量选择应用于标准化的数据。威尔的λ是用于此目的。这个统计量用于多变量方差分析(MANOVA)测试之间的差异意味着识别组受试者因变量的组合。初始模型是由从定义变量,允许的最高土壤排水类之间的分离。模型由包括进一步扩展变量根据Wilk的λ标准。它包括选择一个最小化Wilkλ的模型包括变量如果它 价值仍然显示统计学意义。相应的 统计和宽容 )也计算。威尔的一小(接近于0)值的λ意味着组织分离,而相反地,一个大(接近1)值威尔的λ意味着组织不分离。

线性判别分析的有意义的应用程序需要的数据是正态分布。Shapiro-Wilk (SW-W)正常测试的实现与SW-W≥0.82预测。因此,没有转换了数据。

使用判别分析方法对土壤排水映射不是新的(19,38]。在这项研究中,而不是使用典型判别分析,线性判别分析,也就是说,Fisher线性判别[39]。

中包含的方法计算分类函数从选定的数据来准确地识别每个土壤排水类。这些分类函数确定,每个类土壤剖面的最有可能是验证数据集。有尽可能多的分类函数土壤排水类(5)。每个函数允许分类的计算分数为每个在每个类土壤剖面,通过应用公式: 其中下标 表示相应的类;下标的 表示 变量; 是一个常数的吗 th一堂课; 的重量是jth变量计算分类评分的 th类; 是各自的土壤剖面的观测值的吗jth变量; 是合成分类得分。

这些线性函数应用到每个附近地区(面具) 代表最贡献形象属性选择模型中由逐步分析。例如,使用 乐队,会有一组6 + 1重量为每个分类函数相关联。因此,五排类,会有一个矩阵,W、35重量值和每个像素将被分配到一个五排水由最大似然估计类。

我们还研究了一个基于决策树分类器的方法对土壤排水分类。使用这种方法的主要优势是,它不需要任何假设数据的分布情况(如线性判别分析)。DTC技术已成功用于土地覆盖分类使用遥感数据(40]。它是基于分层决策方案,称为“树。”树由根节点(包含所有数据),一组内部节点(分裂)和一组终端节点(叶子)。每个节点(训练集)的土壤剖面的决策树结构对应于二进制决定分开一个类或者更多的从剩下的课。

重要性评分方法(40是用来评估最贡献者的DTC分类变量。

让 的平方偏差之和在节点 对于一个分裂 t的成 和 。最优分割是最大化 R, 的每个特性的重要性我(RADARSAT-1图像和光谱指数)的定义是: 标准化的数量(=重要性分数)表示为: 分数的功能“0”被认为是最不重要的一个,可以拒绝从回归树。分“100”被认为是最高的分数,这表明该功能是最重要的。

决定算法的应用程序中的主要问题是找到最好的分类树使最简单的树(所有土壤排水类出现),并提供最小的分类错误。在我们的例子中,使用交叉验证方法。它包括移除一个随机的子集(交叉验证数据集),36%的数据建立一个树使用64%剩余的数据(subtraining数据集),并应用决策树分类交叉验证数据集。这个过程被重复十交叉验证子集,一次一个。

一个分类树是为每一种土地利用类型和应用集群面具下的特征图像。这些面具是合并获得数字地图为整个流域土壤排水类。

分类精度评估,传统的基于整体精度的误差矩阵( ,这是对角矩阵元素的总和),Kappa系数。Kappa系数( )被计算为: 在哪里 之间的协议的机会观察和分类类别,而 和 是观察和比例的样本归为一类我,分别。后(41之间的协议),分类和观察到的类别可分为五个层次的价值κ:(1)κ= 0.0 - -0.2,轻微的协议;(2)κ= 0.2 - -0.4,公平的协议;(3)κ= 0.4 - -0.6,温和的协议;(4)κ= 0.6 - -0.8,实质性的协议;(5)κ= 0.8 - -1.0,几乎完美的协议。

最后,最好的数字之间的联系程度土壤排水类映射(DTC)和传统的土壤排水图进行了分析。指导的生态应用相似性和不同距离的措施是由p·勒让德和l·勒让德42]。在图像分析中,应用程序的相似性和不同措施更为复杂和多样化。然而,一些一般方法在这一领域提供Di Gesu和Starovoitov43]。由于土壤排水地图的概念方面,我们研究了加权高尔半岛的相似系数模型(42)之间的关联数字地图来自遥感和原始地图。该模型是适合我们使用的比例排水类或排水(DP概率ij在土壤地图多边形。对每个排水类 ( )DP是这个类所占据的区域/给定多边形的面积j。为传统的土壤排水,每个土壤排水类(DP的比例它们)是基于地图的单元组合模型。

排水概率计算(之间的区别 数字土壤排水(DP)i1(DP)和常规土壤排水地图r2)作为参考。这种差异然后除以最大的差异( 发现对于一个给定的类土壤排水。因为这个比例是一个规范化的距离,它是减去从1到变换在相似性指数( ): 的最终形式高尔半岛的系数是 在哪里 是克罗内克的δ( 当迪拜的信息j缺失一个或其他土壤排水类, 当信息存在排水类)。

3所示。结果和讨论

3.1。RADARSAT-1信息和土壤排水类之间的关系

反向散射系数均值计算从裸露的土壤条件下五RADARSAT-1图像(N1+ N2(图)显示不同反应土壤排水类6)。从第一个图像获得5月3日,很难区分D6和D7, D4和D5之间,可能由于土壤水分水平较高(约30%),附近的饱和水平。这些差异的大小更重要的两张图片后获得5月27日(< 2 dB),它反映了自然排水的反应,也就是说,它对土壤含水量的影响(数据3和6)。5月27日的图像显示,反向散射系数最大的极端之间的区别(3 dB)土壤排水类(D3和D7)。此外,反向散射系数的梯度作为土壤排水的函数类可以注意到在这个日期。两个RADARSAT-1 SAR图像获得相同的配置(S2a;表2),也就是说,在5月3日和5月27日,显示最方面的差异意味着土壤排水类之间的反向散射系数。这些观察到的差异被收购的独立特征,在裸露的土壤条件下,可能相关的土壤排水状态当表面粗糙度的变化并没有改变。

(一)
(一)
(b)
(b)
图6
意思是反向散射系数测量每个RADARSAT-1形象和土壤排水类(a)裸露的土壤条件下(附近地区= N1+ N2)和(b)植被条件(附近地区= C + P + F + H)。

植被下,这是很难区分土壤排水类(图7)HH monopolarized RADARSAT-1图像。这些表面条件下散射机制是复杂的,通常被认为是体积散射从枝叶层,直接地面散射,散射double-bounce茎和地面之间,或分支和地面。平均后向散射系数的土地利用类型划分为营养区域年度作物(C)、牧场和饲料(P),森林(F)和湿地(H)。只有极端土壤排水类(D3和D7)可以区分。


图7
土壤排水图来自于判别分析分类(DAC)。
3.2。土地利用类型分类

整个附近地区分类精度为86%(表4)和相关Kappa系数为0.50。这些精度的结果是判断接受的考虑到ASTER影像用于推导的分类模型2005年6月初,许多土地利用类型显示快速演化由于变量植物生长状态,杂草出现强度、和农业实践(投资、凿、no-tilled,作物残留物,去籽,等等)。

表4
土地利用类型的分类精度(%)*使用监督最大似然分类应用于选定的ASTER影像属性。

土壤的分布选择概要文件( )数据集根据来自一个监督最大似然分类应用于ASTER影像属性如表所示5。总共有25.4%的土壤资料坐落在裸露的土壤条件下(N1+ N2),81.7公里2研究的区域。(168公里约74.6%的研究区域2)在不同植被覆盖(C + P + F + H)。这一结果强调农业实践的多样化在混合农场系统的分水岭相结合(如农场奶牛和猪生产)经常被观察到相关高多样性的农作物生产支持动物生产系统,包括饲料、谷物、大豆和玉米。

表5
土壤分布资料的胸罩d 'Henri分水岭训练数据集根据土地利用类型(附近地区)来自一个监督最大似然分类的ASTER影像。
3.3。变量的选择

逐步向前变量选择应用于识别最好的预测可用于土壤排水使用DAC方法(表分类模型6(表)和DTC方法7为每个附近地区)。在附近地区,三个光谱指数来源于ASTER (归一化植被指数,NDII,和NDWI)和RADARSAT-1形象一样。这些指标通常是最重要的贡献者分类模型(附近地区= N1N2、P和F)。

表6
变量包含在排水使用向前逐步判别分析分类模型对不同土地利用类型(附近地区)。
表7
各种辅助变量的重要性得分(是)对不同土地利用类型(附近地区)。

裸露的土壤(N1),土壤的颜色和水分是唯一的土壤属性解释土壤排水阶级歧视。而不是与植被属性,NDVI还与土壤有关的颜色或亮度32]。事实上,土壤颜色是土壤的排水特性的一个重要指标,即使土壤不是湿的时候被观察到。排水性良好的土壤是充气和铁化合物作为氧化存在,三价(铁),红色和黄色的氧化物和氢氧化物。在poorlydrained土壤,铁主要存在于无色,减少,二阶(亚铁)的形式。土壤有机质积累更多的表面视野poorlydrained比排水性良好的土壤。因此,poorlydrained土壤表面通常有黑暗视野因为高有机质含量和相对较少的铁氧化24]。DAC的归一化植被指数是最贡献者方法(威尔λ= 0.61;表6)和DTC方法(重要性分数= 100%;表7)。第二个最重要的变量在排水类识别是两个RADARSAT-1图像获得早期的5月3日和5月10日对DAC和两个RADARSAT-1图像获得5月10日,5月27日DTC。图像获得5月10日最低入射角(表2)。然后更敏感的土壤水分和贡献在两个分类模型。

裸露的土壤与稀疏植被(N2),NDII DAC(表中最重要的变量6),而第二个在DCT模型(表为74%7),其中最重要的是RADARSAT-1收购早期5月3日。正如所料,当土壤组件是占主导地位的植被,介电性能的贡献表达的RADARSAT-data和植物水分含量(NDII)从ASTER影像中提取需要的分类模型。

营养领域的归一化植被指数是最重要的变量DAC和DTC方法除了最近出现作物(C)地区。在这种土地利用类型,三个RADARSAT-1土壤排水所需的配置和NDWI类的歧视。这可以解释为异质性这附近地区的植被密度、植物成分,在图像采集时间和不断增长的状态。RADASAT-1数据获得5月24日最大入射角(30-37°;表2)被发现更适合植被歧视27)是第二个最重要的变量在这个土地利用类型对DTC虽然是第一个重要模型。

湿地(H),最重要的两种分类模型的变量是RADARSAT-1图像获得6月10日。

土地利用类型的变化可能会导致不同的选择最优的子集用于遥感图像识别土壤排水类。这表明遥感数据的质量(物理特性的图像和收购时间)也对分类模型的一个重要影响。

3.4。土壤排水分类

分类模型(DAC和DTC)建成为每个土地利用类型与所选的光栅图像。小的区别在可见光和近红外光谱波段之间的空间分辨率(15米)和RADARSAT-1图像(12.5米)最终地图上应该有更少的影响比短波红外通道(30米)低分辨率。算术积分法用于合并不同规模数据集。这种技术已经成功地使用(36)合并数字航空摄影与陆地卫星TM数据(1 - 5米)(30米)。最终解决地图来自分类方法获得合并后所有土地利用类型集群是1:1 250规模比传统的土壤排水更详细的地图(1:40 000规模)。

分类的准确性进行验证评估模型(DAC和DTC)是1610年由所有的土壤资料用于本研究(表8)。土壤未加密配置文件对应于失踪的对于一个给定的土地利用类型土壤排水类。缺失数据的遗漏对应的比例数量/机密档案的总数。

表8
精度(%)的评估土壤排水分类模型(DAC和DTC)排水功能类(行)和土地利用类型。

没有考虑到土地利用,土壤排水的总体分类精度为DTC方法DAC为40%和65%。只差排水类(D6)分类准确率82%左右。这些结果是有偏见的,因为D6类的优势代表51.7%的土壤调查数据。

在裸露的土壤(N1),最好使用DAC的方法,分类结果为两个截然不同的土壤排水类D3(排水)64%,D6(不排水)有79%的准确性。DTC方法,只有适度排水的土壤类D4(54%)至少是被误诊的。在裸露的土壤与稀疏植被(N2),所有现有的排水类都相对较好分类为DAC DTC方法和方法,D3和D6类(73%)也被分类。在植被土地覆盖(P、C、F)的总体分类精度为DAC方法更糟糕。因此,良好的分类精度观察最近出现的作物(D6 D3为89%,78%,85%,D7)使用DTC方法。在森林,只有排水(D5)与介质分类性能(69%)和在牧场和饲料排水为DAC方法类D3 (56%)。得到了最好的分类精度与湿地(H) DTC方法全球85%的准确性,Kappa系数0.74。

土地利用类型的函数,这些分类结果表明,决策树分类器(DTC)(图7)更准确判别分析分类(DAC)(图8)。两个数字地图之间的交叉表验证数据集显示只有43%的协议。排水类D7 D6是最好的分类和63%和88%,分别。适度排水类D4最低两种分类方法的分类精度。这可能是由于这一事实温和土壤排水类是一个适度的组合和不完全排水不良的土壤类。


图8
土壤排水图源自于决策树分类器(DTC)。
3.5。数字之间的相似性分析和常规土壤排水地图

为了量化数字土壤排水图之间的相似度由DTC分类模型(被发现是最好的数字土壤排水地图),和传统的土壤图,排水概率图(13)为每个土壤排水类(常规土壤地图(图9(一))和DTC方法(图9(b)))。值得注意的是,在某些土壤多边形,给定土壤排水的排水概率类可以有一个“0”值相关联的概念模型中传统的土壤地图,而DTC方法给出了一个值优于0。同样,没有土壤排水多边形有“1”值概率与DTC(发生概率100%)方法。由于更详细和准确的信息描述的数字土壤排水地图与DTC方法派生属性最可能的排水类每个像素(12.5×12.5)包括在土壤多边形传统的地图。更可靠的估计土壤排水类比例在每个多边形因此提出了DTC方法比使用传统土壤的概念模型映射过程基于整个地图数据。

(一)
(一)
(b)
(b)
图9
地图显示每个土壤排水类的发生概率(D3-D7)在每个土壤多边形(多边形区域的用%表示),估计从土壤(a)传统地图和(b)决策树分类器。

地图上的平均加权相似度(12)每个土壤排水类概率的计算表明,两种方法给相对类似的分类结果(图10)。这张地图说明研究区域(66公里的3%2)显示良好的协议( ≥)之间的传统土壤排水地图和数字地图与DTC派生方法(图10)。中等到高相似之处( (187公里)观察83%2)研究的区域。土壤多边形显示低相似之处( )两种方法表示只有14%的研究领域很少有多边形显示弱的相似之处( )。可以看出数字土壤排水映射派生与DTC方法和遥感数据仍与常规土壤密切协议映射的结果,尽管DTC方法给出了更精确的比传统的地图,因为它表明,土壤排水分类内每个土壤排水类所在土壤多边形。DTC方法因此可以结合遥感数据和可用土壤遗留数据更新和升级地图。


图10
地图和直方图显示的空间分布相似指数(0 - 1)规模之间土壤排水地图来自传统的土壤地图和决策树分类器。

4所示。结论

光学遥感数据提供有用的和精确的信息空间分布的植被的土壤水文特性和生物物理特征。本研究表明,地球观测数据可以有效地用于土壤排水映射在区域范围内(详细的土壤调查)。本文提出一种方法来预测土壤排水类使用选定的栅格数据来源于RADARSAT-1和光谱指数从ASTER影像中提取。两种分类方法(DAC和DTC)进行评估得出数字土壤排水地图。取得了较好的分类精度与这两种分类方法。然而,DTC方法给更高的分类精度比DAC的方法(29日至92%)79% (33)。良好之间的协议已经观察到的土壤排水地图来自传统土壤地图和数字土壤排水从DTC映射方法。这数字土壤排水地图上取得pixel-base方法(90×90)比公布的土壤更精确的地图(1:20 000 - 1:40 000规模),土壤信息在哪里使用概念模型的基础上,阐述了土壤多边形描述土壤组件分布在土壤地图单位。变量选择方法允许我们探索遥感数据之间的复杂关系,根据土地利用类型和土壤排水类还确定最有用的乐队组合,提高了分类精度。因此,DTC方法,应用光学和雷达数据,可能是一个非常有用的方法实现数字地图的土壤排水以及其他土壤性质类似的条件。 It should be emphasized that these promising results have been obtained by an adequate merging method of the different dataset and scales and also by selecting a minimum and representative training dataset.

进一步细化,如升级准确性、评估精度到更广的区域,使用数字高程模型在这些风景正在进行。工作也需要确定最优训练数据集的大小。的潜力完全偏振RADARSAT-2数据,允许不同的旋光分解和高分类精度也将研究。

确认

该项目得到加拿大太空署和加拿大加拿大农业及农业食品部通过政府相关行动计划(控制)。作者也要感谢小袁耿Agri-Environmental服务分支(AESB)和安德鲁·戴维森博士加拿大加拿大农业及农业食品部的语言版的努力和他们建设性的评论。他们感谢匿名评论者建设性的评论本文的原始版本。