半干旱沙區土類/亞類的遙感調查制圖方法

李　超，文天晟，張鳳榮，徐　艷

（1. 中國農業大學資源與環境學院，北京 100193；2. 國土資源部農用地質量與監控重點實驗室，北京 100193）

0　引　言

土壤類型圖作為最基礎的土壤數據，在土壤資源開發利用和農業生產建設等方面發揮了重要作用。自20世紀80年代起，全國第2次土壤普查所形成的資料和圖件，作為資源環境管理、全球變化研究、生態水文模擬的基礎資料一直沿用至今。但已有研究顯示，全國第 2次土壤普查中土類/亞類的劃分精度不高[1]。隨著社會發展水平的不斷提高，傳統土壤類型圖越來越難以滿足精準農業、生態環境建設、土地管理等對土壤類型圖的精度和時效性提出的更高要求[2-3]。伴隨著遙感調查技術的不斷發展，在大范圍土壤資源調查中，遙感調查技術在一定程度上逐漸取代部分常規調查技術，成為通用的土壤數字制圖方法之一，基于遙感信息獲取的數字土壤類型圖，能夠大大降低傳統野外調查方法的工作量，制得的土壤類型圖也更符合土壤類型在空間分布上的過渡和連續性特征[2,4]。

近年來，國內外學者圍繞土壤遙感調查制圖相關技術方法展開了大量研究。研究內容主要集中于通過提取土壤光譜[5-6]、植被特征[7-8]等土壤環境因子信息，探討不同尺度、不同區域、不同遙感數據源與常規數據集組合對特定土壤類型和性質的分類方法及其效果[9-11]。采用的方法主要可分為基于土壤景觀綜合分析法的人工目視判讀法[12]和基于地統計學[13-14]、專家知識系統[15-17]、決策樹[18-19]、回歸樹[20-21]、神經網絡[22-23]等方法的自動分類法，無論何種方法，都是以土壤與環境的關系為分類基礎。從研究現狀來看，限制土壤遙感調查制圖發展的主要因素是缺乏土壤專家與數學專家的有效結合，以確定表征各地區典型土壤類型/性質的特定土壤環境因子及其遙感提取方法。當前，中國已經初步建立了基于遙感技術的數字土壤調查制圖方法，但總體仍處于研究階段[2]，有關土壤遙感調查制圖的研究范圍主要集中于黑龍江省鶴山農場老萊河流域、安徽省宣城市丘陵區、浙江省龍游縣等研究區，針對半干旱沙區土壤環境因子及其遙感提取方法方面的研究較為罕見。

本文以土壤發生學原理及對半干旱沙區土壤環境狀況的分析為基礎，以內蒙古科爾沁左翼后旗為例，結合野外實地調查和專家知識，分析半干旱沙區土壤類型分布特征與環境因素之間的關系，并基于多時相 Landsat8 OLI影像數據提取土壤環境信息，探討半干旱沙區土類/亞類遙感調查制圖方法，以期為半干旱沙區數字土壤調查制圖提供科學參考。

1　研究區概況

科爾沁左翼后旗（科左后旗 121°30′E～123°42′E，42°40′N～43°42′N）位于中國內蒙古自治區東南部，西接庫倫旗，東連吉林省雙遼縣，南鄰遼寧省彰武縣，是科爾沁沙地的重要組成部分，土壤類型以風沙土為主。全旗東西長約 154 km，南北長約 107 km，面積約為11 491 km2。地勢呈西北高、東南低，海拔為14～364 m（圖 1），旗內高差變化不大且地形坡度小，長期風蝕沙化堆積形成的“坨”和“甸”相間分布的微地貌是當地最主要的地貌景觀特征。科左后旗全年四季分明，春季風多干旱，夏季溫熱多雨，秋季少雨易旱，冬季寒冷少雪，屬溫帶半干旱大陸性季風氣候。

圖1　科左后旗地理位置與高程示意圖Fig.1　Sketch map of location and elevation in Horqin Left Back Banner

2　數據來源與研究方法

2.1　數據來源與預處理

遙感數據：本文所用的遙感影像資料為2013年4月、2014年8月和2014年10月共3期低云量的Landsat8 OLI影像，數據下載于中國科學院計算機網絡信息中心地理數據云（http://www.gscloud.cn），各景影像云量均小于3%，經輻射定標、大氣校正、影像鑲嵌與裁剪等操作，獲取研究區春、夏、秋季遙感影像各1期。

土壤調查數據：2014年6月—2016年8月，先后5次對科左后旗進行了野外實地調查，并采集了表層土壤樣品采集。共野外觀測土壤剖面48個（涵蓋了科左后旗所有土壤類型），采集土壤樣品235個（0～20 cm表層），按照土壤調查實驗室分析方法[24]測定各土壤樣品的顆粒組成、有機質含量、含鹽量、pH值、電導率等理化性質。土壤樣點的選取采用隨機采樣法，并充分考慮了不同土壤類型樣點的代表性和典型性，在道路通達的情況下，盡量選取不同區域、不同地形部位、不同土地利用類型的采樣點。其中，154個采樣點用于建立遙感影像解譯標志（40個沼澤土/非沼澤土樣點作為沼澤土分類的訓練點；40個鹽堿土/非鹽堿土樣點作為鹽堿土分類的訓練點；40個風沙土/草甸土樣點作為風沙土/草甸土分類的訓練點；34個采樣點作為風沙土亞類分類的訓練點）；81個采樣點用于對遙感數字制圖結果的精度驗證（沼澤土、鹽堿土、草甸土、風沙土類的驗證點分別為13個、18個、20個、30個）。

植被覆蓋度調查數據：植被覆蓋度的地表實測數據對于遙感估算植被覆蓋度定量模型的確定十分重要。2015年9月上旬，對不同風沙土亞類區域進行野外植被覆蓋度調查，調查樣點均勻覆蓋全旗風沙土地區，共獲取植被覆蓋度實測樣點數據 34個。由于半干旱沙區風沙土地區主要植被類型為低矮灌木，采用數碼相機照相法[25]，獲取半干旱沙區風沙土地區野外實測植被覆蓋度（vegetation coverage，VC）數據。具體方法為：在植被覆蓋均勻區域設置30 m×30 m的樣方，使用數碼相機由上向下拍攝（拍攝高度為1.6 m[25]）。所得圖像運用Photoshop軟件進行二值化處理，計算照片中植被像元占總像元的比例，計算公式為：

2.2　土壤-環境信息特征分析

半干旱沙區土壤-環境信息特點可概括如下：1）成土母質相似，大多為均一的砂質風積物和湖積物，又由于氣候干燥，風力大，經風力吹動，形成風沙流動；2）氣候條件均一，為半干旱氣候，降雨量200～400 mm之間，干燥度為 1.50～3.99；3）植被稀疏低矮，植被類型組成為耐旱喬木和低矮灌木，但植被覆蓋狀況有所不同。說明半干旱沙區具有母質和氣候條件相似、植被類型單一的土壤環境特征。根據土壤發生學原理，在母質、氣候條件相似的地區，地形因素在成土過程中起主導作用，決定了土壤的發育方向。這主要是由于在半干旱沙區較為相似的母質和氣候條件下，水分受地形的影響發生再分配，即高“坨”處水分向低“甸”處聚集，使得不同地形部位土壤水分狀況不同，進而影響到植被分布狀況，而植被又對于風沙流動產生重要影響。因此，受地形因素影響造成的不同地形部位土壤水分與植被狀況差異，是影響半干旱沙區土壤發育的主導因素，不同地形部位土壤類型分布特征明顯（圖2）。但當缺少高精度DEM數據時，難以以地形因素為基礎進行數字土壤制圖。由于遙感數據對土壤水分和植被覆蓋度反應較為敏感，可利用遙感影像提取土壤水分狀況、植被覆蓋度等環境信息進行沙區土壤分類制圖。根據第 2次土壤普查資料，科左后旗主要的土壤類型（土類）有風沙土、草甸土、鹽堿土和沼澤土，這4類土壤占土地總面積的99%以上。結合遙感影像分類特征，將科左后旗土壤遙感調查制圖類型劃分為沼澤土、鹽堿土、草甸土、風沙土 4類。由于半干旱沙區土壤的成土母質主要是砂質風積物和湖積物，成土作用以風蝕過程為主，全旗因風蝕過程而產生“固定風沙土—半固定風沙土—流動風沙土”土壤類型演替，因此，結合當地土壤環境特征，將風沙土細分為流動風沙土、半固定風沙土和固定風沙土3個亞類。

圖2　半干旱沙區土壤類型分布特征示意圖Fig.2　Sketch map of soil type distribution in semi-arid sand region

2.3　遙感調查制圖方法

2.3.1半干旱沙區土類/亞類的遙感調查制圖方案

以半干旱沙區土壤類型分布特征與環境因素之間的關系為基礎，基于野外觀測樣點土壤理化性質測定數據建立的土壤信息數據庫和3期Landsat8 OLI影像，運用專家知識和遙感信息提取方法，對研究區各土壤類型進行相關訓練，并進行精度驗證，得出沼澤土、鹽堿土、草甸土、風沙土及其亞類遙感提取方法。通過反復分析驗證，得到半干旱沙區土類/亞類的遙感調查制圖方案，如圖3所示。

圖3　半干旱沙區土類/亞類數字土壤制圖方案Fig.3　Digital soil mapping plan for soil types and subtypes in semi-arid sand region

1）沼澤土提取方案

沼澤土常年處于水淹狀況。基于土壤發生分類和中國濕地分類系統[26]，可將長期水淹地區（湖泊），即基于改進的歸一化水體指數（modified normalized difference water index，MNDWI）將秋季（雨季末，最高水位）與春季（旱季末，最低水位）遙感影像水體中的重疊部分提取為沼澤土。

2）鹽堿土提取方案

鹽堿土在可見光和近紅外波段光譜反射強，并且土壤鹽堿化程度與光譜反射率呈正相關關系[27]。由于春季半干旱區蒸發量大于降水量，鹽堿土區域的地表出現大量的鹽斑、鹽霜或者鹽結皮，地表反射率較高，光譜特征明顯，在遙感影像中易于識別。因此，可以基于歸一化差異植被指數（normalized difference vegetation index，NDVI）和鹽分指數（salt index，SI）通過春季遙感影像光譜信息的差異提取鹽堿土。

3）草甸土與風沙土提取方案

由上文對半干旱沙區土壤-環境信息特征分析可知，在母質和氣候條件均一、植被覆蓋類型單一的半干旱沙區，水分再分配過程決定了植被覆蓋狀況和土壤類型的發育方向。而基于遙感的土壤水分信息可以通過提取歸一化差異濕度指數(normalized difference moisture index，NDMI)來表征[4]。草甸土受到地下水的影響較大，在水分更充沛時，可以向沼澤土發育；而當地下水匱乏或生態環境遭到破壞時，則會向風沙土轉變。因此，水分的再分配過程直接影響半干旱沙區草甸土的發育。根據草甸土和風沙土的土壤環境特征，草甸土的土壤濕度值明顯大于風沙土。因此，可使用 Landsat8秋季（雨季末，最高水位）遙感影像擦除已分類出的鹽堿土和沼澤土區域，并利用歸一化差異濕度指數（NDMI）范圍差異提取草甸土和風沙土。

4）風沙土亞類提取方案

在傳統的土壤分類中，通常將地表是否產生結皮和表層土壤有機質含量作為風沙土亞類的劃分依據。植物因素是影響土壤形成和發育的重要因素，同一地區土壤的發育程度會由于植被覆蓋度的差異而有所不同。隨著植被覆蓋度的提高，土壤表層出現結皮現象，有機質含量逐漸提高。因此，可通過植被生長最茂盛的夏季遙感影像反演的植被覆蓋狀況，基于歸一化差異植被指數（NDVI）來區分流動風沙土、半固定風沙土與固定風沙土3個風沙土亞類。

2.3.2基于歸一化差異水體指數（MNDWI）的沼澤土分類

選用Landsat8春季遙感影像與秋季遙感影像的綠光和中紅外波段（B3、B6），依據公式（2）分別計算Landsat8春、秋季遙感影像的改進歸一化差異水體指數（MNDWI）[4,28]，利用ArcGIS進行空間疊加，水體中的重疊部分即為沼澤土；而對于沒有積水但受地下水影響的沼澤區域，難以在計算機中運用遙感光譜判讀，需進行人工目視解譯補充。

式中，MNDWI為改進的歸一化差異水體指數；B3、B6代表Landsat8影像綠光、中紅外波段。

2.3.3基于歸一化差異植被指數（NDVI）和鹽分指數（SI）的鹽堿土分類

選用Landsat8春季遙感影像的紅光和近紅外波段（B4、B5），依據公式（3）計算其歸一化差異植被指數（NDVI），通過分析野外調查樣點植被狀況與歸一化差異植被指數（NDVI）之間的關系，來區分鹽堿土與非鹽堿土區域[7]。統計結果顯示：當NDVI＞0.135 7時，地表開始有大量植被生長，鹽漬化程度較輕，可認定為非鹽堿土區域。

式中，NDVI為歸一化差異植被指數；B4、B5代表Landsat8影像紅光、近紅外波段。

為了區分鹽堿土和風沙土區域，需通過Landsat8影像波段的組合，對鹽堿土和風沙土進行分類。通過對比分析典型地物波譜信息，利用春季影像的藍綠光與紅光波段（B2、B4）確定鹽分指數（SI），可有效反應土壤鹽堿化程度[29]。結合野外土壤調查數據，建立鹽分指數（SI）與鹽堿土之間的線性關系，進而可反演得出鹽堿土分布區域。

式中，SI代表鹽分指數；B2、B4代表Landsat8春季影像藍綠光、紅光波段。

依據公式（4）計算 Landsat8春季影像的鹽分指數（SI），利用ArcGIS的Extract Value to Points功能提取40個訓練點，經統計確定鹽分指數（SI）與鹽堿土和非鹽堿土的關系：鹽堿土（SI＞0.22）；非鹽堿土（SI≤0.22）。由此可實現對鹽堿土的分類。

鹽堿土的分類流程，如圖4所示。

圖4　鹽堿土分類流程圖Fig.4　Flow chart of saline-alkali soil classification

2.3.4基于歸一化差異濕度指數（NDMI）的草甸土分類

選用 Landsat8秋季遙感影像的綠光和中紅外波段（B3、B7），在ENVI中進行纓帽變換（K-T變換）[30-32]，得到歸一化差異濕度指數（NDMI）數據；利用 ArcGIS的Extract Value to Points功能提取40個風沙土/草甸土訓練點的歸一化差異濕度指數（NDMI）值，并通過對風沙土/草甸土訓練點土壤濕度值的統計分析，得到風沙土、草甸土土壤濕度范圍：風沙土（–75.95＜NDMI≤–28.98；草甸土（–28.98＜NDMI≤18.00）。借助ArcGIS平臺空間分析功能，使用Landsat8秋季遙感影像擦除已分類出的鹽堿土和沼澤土區域，利用上述歸一化差異濕度指數（NDMI）范圍，即可實現對風沙土與草甸土的分類。

2.3.5基于歸一化差異植被指數（NDVI）的風沙土亞類分類

采用植被指數法，即利用遙感反演植被指數與實測植被覆蓋數據的線性擬合關系來估算植被覆蓋狀況[33]。具體方法為：選取Landsat8夏季影像中的紅光和近紅外波段（B4、B5），依據公式（3）計算其歸一化差異植被指數（NDVI），并結合野外實測植被覆蓋度（VC）數據，建立植被覆蓋度的二項式擬合關系，以此反演得出風沙土區域的植被覆蓋度。

計算 Landsat8夏季影像歸一化差異植被指數（NDVI），結合野外實測植被覆蓋度（VC）數據，統計得出歸一化差異植被指數（NDVI）與野外實測植被覆蓋度（VC）的擬合關系（圖5）：NDVI=0.207 6VC+0.107 7，R2=0.530，P＜0.01。

根據成土過程，將荒漠化分類概念引入土壤發生分類中，即定義植被覆蓋度（VC）＜10%為流動風沙土，植被覆蓋度（VC）10%～30%為半固定風沙土，植被覆蓋度（VC）＞30%為固定風沙土。結合上文得出的 NDVI與VC關系模型，得到科左后旗風沙土亞類的遙感分類標準：流動風沙土（0.107 7＜NDVI≤0.128 5；半固定風沙土（0.128 5＜NDVI≤0.190 8）；固定風沙土（NDVI＞0.190 8）。

圖5　歸一化植被指數與野外實測植被覆蓋度的相關關系Fig.5　Correlationship between normalized difference vegetation index(NDVI) and vegetation coverage(VC)

2.3.6半干旱沙區土類/亞類的遙感影像解譯標志

結合半干旱沙區土類/亞類遙感調查制圖方案和沼澤土、鹽堿土、草甸土、風沙土及其亞類的遙感調查分類方法，通過Landsat8 OLI多時相遙感影像（春季、夏季、秋季）相應波段計算，得到半干旱區各土類/亞類的遙感影像解譯標志，如表1所示。

表1　半干旱沙區各土類/亞類的遙感影像解譯標志Table 1　Interpretation markers of remote sensing images of different soil types and subtypes in semi-arid sand region

2.3.7精度評價方法

利用野外采集的81個驗證點（圖6），對本文所建立的方法得到的土壤遙感調查圖進行精度評價和驗證。利用混淆矩陣，通過總體分類精度、Kappa系數、生產精度、用戶精度等指標來表征[34]。

圖6　驗證點分布圖Fig.6　Distribution map of verification points

3　結果與分析

基于多時相Landsat8 OLI影像數據（春、夏、秋季各1期），應用本文提出的半干旱沙區土類/亞類遙感調查制圖方法，得到科爾沁左翼后旗土類/亞類遙感調查圖（圖 7），結果顯示：科爾沁左翼后期分布最廣泛的土壤類型為風沙土和草甸土，面積分別為 9 571.12 km2和1 801.27 km2，面積占比分別為83.29%和15.68%。其中，流動風沙土、半固定風沙土和固定風沙土占風沙土的比例分別為0.62%、19.47%和79.91%；鹽堿土和草甸土分布較少，面積分別為62.48 km2和56.21 km2，面積占比分別為0.54%和0.49%。

利用野外采集的81個驗證點與提取的分類結果信息建立混淆矩陣，對科左后旗土類/亞類遙感調查圖進行精度評價（表 2）。結果顯示，土壤類型圖的總體精度為72.84%，總體Kappa系數為0.667 8，各土壤類型的分類用戶精度均達到 60%以上。但沼澤土、鹽堿土的制圖精度相對較低（制圖精度≤50%），分析造成這種情況的原因如下：1）沼澤土野外采樣點多位于湖泊周圍，對于常年水淹的沼澤區域，受環境條件限制難以到達，因而沼澤土的驗證結果可能存在一定誤差；2）鹽堿土受地下水影響較大，由于野外采集驗證點時間不一，在降水充沛的情況下，鹽堿難以在土地表面積聚，驗證點中可能存在誤將鹽堿土判讀為堿化草甸土的情況；3）外業調研時間沒有與遙感圖像完全重合，存在一定偏差。

圖7　科爾沁左翼后旗土類/亞類遙感調查圖Fig.7　Distribution map of soil types and subtypes in Horqin Left Back Banner

表2　制圖結果精度驗證情況Table 2　Accuracy verification of mapping results

4　結論與討論

本文以土壤發生學原理及對半干旱沙區土壤環境狀況的分析為基礎，以位于半干旱沙區的內蒙古科爾沁后旗為例，基于Landsat8 OLI影像數據、野外實地調查和專家知識，探討了表征半干旱沙區典型土壤類型的特定土壤環境因子及其遙感提取方法，得到如下結論：1）半干旱沙區具有母質和氣候條件相似、植被類型單一的土壤環境特征，地形是影響半干旱沙區土壤發育的主導因素，不同地形部位土壤類型分布特征明顯；2）利用多時相 Landsat8 OLI影像數據提取的歸一化差異水體指數（modified normalized difference water index，MNDWI）、鹽分指數（salt index，SI）、歸一化差異濕度指數（normalized difference moisture index，NDMI）、歸一化差異植被指數（normalized difference vegetation index，NDVI）等環境信息，可實現對沼澤土、鹽堿土、草甸土、風沙土及其亞類等半干旱沙區主要土壤類型的遙感調查制圖；3）應用本文提出的半干旱區土類/亞類遙感調查制圖方法對科左后旗進行土壤遙感調查制圖和精度驗證，總體精度約為72.84%，Kappa系數為0.667 8。

本文可為半干旱沙區數字土壤調查制圖提供思路和參考，為數字土壤制圖代替傳統土壤類型圖應用于半干旱沙區的資源環境管理、氣候變化研究和生態水文模擬等提供技術支撐，但不可直接使用“二普”土壤圖等傳統土壤類型圖進行精度驗證和類比分析，也不適合于基于土壤系統分類規則的土壤調查制圖。相較于“二普”等大范圍土壤資源調查，本文存在研究尺度偏小、驗證點數量偏少等不足，在后續研究中需將本文提出的土壤遙感調查制圖方法推廣和應用到更大的區域內，并圍繞制圖結果精度評價展開深入研究，檢驗本方法的可靠性和結果的準確性。

[參考文獻]

[1] 張鳳榮，王秀麗，梁小宏，等. 對全國第二次土壤普查中土類、亞類劃分及其調查制圖的辨析[J]. 土壤，2014(4)：761－765.Zhang Fengrong, Wang Xiuli, Liang Xiaohong, et al.Analysis of classification and mapping for great group,subgroup in second national soil survey[J]. Soil, 2014(4): 761－765. (in Chinese with English abstract)

[2] 孫福軍，雷秋良，劉穎，等. 數字土壤制圖技術研究進展與展望[J]. 土壤通報，2011，42(6)：1502－1507.Sun Fujun, Lei Qiuliang, Liu Ying, et al. The progress and prospect of digital soil mapping research [J]. Chinese Journal of Soil Science, 2011, 42(6): 1502－1507. (in Chinese with English abstract)

[3] 朱阿興，李寶林，楊琳，等. 基于 GIS、模糊邏輯和專家知識的土壤制圖及其在中國應用前景[J]. 土壤學報，2005，42(5)：844－851.Zhu Axing, Li Baolin, Yang Lin, et al. Predictive soil mapping based on a GIS, expert knowledge, and fuzzy logic framework and its application prospects in China [J]. Acta Pedologica Sinica, 2005, 42(5): 844－851. (in Chinese with English abstract)

[4] 亢慶，張增祥，趙曉麗. 基于遙感技術的干旱區土壤分類研究[J]. 遙感學報，2008，12(1)：159－167.Kang Qing, Zhang Zengxiang, Zhao Xiaoli. A Study of soil classification based on remote sensing in arid area[J]. Journal of Remote Sensing, 2008, 12(1): 159－167. (in Chinese with English abstract)

[5] 鄭立華，李民贊，安曉飛，等. 基于近紅外光譜和支持向量機的土壤參數預測[J]. 農業工程學報，2010，26(14)：81－87.Zheng Lihua, Li Minzan, An Xiaofei, et al. Forecasting soil parameters based on NIR and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(14): 81－87. (in Chinese with English abstract)

[6] 宋海燕，秦剛，韓小平，等. 基于近紅外光譜和正交信號-偏最小二乘法對土壤的分類[J]. 農業工程學報，2012，28(7)：168－171.Song Haiyan, Qin Gang, Han Xiaoping, et al. Soil classification based on near infrared reflectance spectroscopy and orthogonal signal correction-partial least square[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 168－171. (in Chinese with English abstract)

[7] 王飛，丁建麗，伍漫春. 基于NDVI-SI特征空間的土壤鹽漬化遙感模型[J]. 農業工程學報，2010，26(8)：168－173.Wang Fei, Ding Jianli, Wu Manchun. Remote sensing monitoring models of soil salinization based on NDVI-SI feature space.[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(8): 168－173. (in Chinese with English abstract)

[8] 張素梅，王宗明，張柏，等. 利用地形和遙感數據預測土壤養分空間分布[J]. 農業工程學報，2010，26(5)：188－194.Zhang Sumei, Wang Zongming, Zhang Bai, et al. Prediction of spatial distribution of soil nutrients using terrain attributes and remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(5):188－194. (in Chinese with English abstract)

[9] Dobos E, Micheli E, Baumgardner M F, et al. Use of combined digital elevation model and satellite radiometric data for regional soil mapping[J]. Geoderma, 2000, 97(3/4):367－391.

[10] 曾志遠. 衛星遙感圖像計算機分類與地學應用研究[M].北京：科學出版社，2004.

[11] 劉煥軍，張小康，張新樂，等. 面向土壤分類的高光譜反射特征參數模型[J]. 遙感學報，2017，21(1)：105－114.Liu Huanjun, Zhang Xiaokang, Zhang Xinle, et al.Hyperspectral reflectance characteristics paramter extraction for soil classification model[J]. Journal of Remote Sensing,2017, 21(1): 105－114. (in Chinese with English abstract)

[12] 李錦主編. 土壤制圖[M]. 福州：福建省地圖出版社，1997.

[13] Heuvelink G B M, Webster R. Modelling soil variation: Past,present, and future[J]. Geoderma, 2001, 100(34): 269－301.

[14] 谷海斌，張麗，盛建東，等. 基于地統計學和GIS的灌區鹽漬化土壤制圖及評價[J]. 干旱區研究，2010，27(6)：962－968.Gu Haibin, Zhang Li, Sheng Jiandong, et al. Mapping and evaluation of salinized soil in an irrigated area based on geostatistics and GIS[J]. Arid Zone Research, 2010, 27(6):962－968. (in Chinese with English abstract)

[15] 江凈超，朱阿興，秦承志，等. CyberSoLIM: 基于知識驅動的在線數字土壤制圖原型系統[J]. 土壤學報，2013，50(6)：1216－1220.Jiang Jingchao, Zhu Axing, Qin Chengzhi, et al. CyberSoLIM:Knowledge-driven online digital soil mapping[J]. Acta Pedologica Sinica, 2013, 50(6): 1216－1220. (in Chinese with English abstract)

[16] De Bruin S, Stein A. Soil-landscape modeling using fuzzy c-means clustering of attribute data derived from a digital elevation model (DEM)[J]. Proc, 1988, 83(1/2): 17-33.

[17] Smith M P, Zhu A X, Burt J E, et al. The effects of DEM resolution and neighborhood size on digital soil survey[J].Geoderma, 2006, 137(1/2): 58－69.

[18] Bui E N, Moran C J. A strategy to fill gaps in soil survey over large spatial extents: An example from the Murray–Darling basin of Australia[J]. Geoderma, 2003,111(1): 21－44.

[19] 周斌，王人潮，史舟. 土壤自動制圖中的知識分類[J]. 科技通報，2002，18(4)：261－264.Zhou Bin, Wang Renchao, Shi Zhou. Knowledge classification on soil automatic mapping[J]. Bulletin of Science & Technology, 2002, 18(4): 261－264. (in Chinese with English abstract)

[20] Lane P W. Generalized linear models in soil science[J].European Journal of Soil Science, 2002, 53(2): 241－251.

[21] Kempen B, Brus D J, Heuvelink G B M, et al. Updating the 1:50,000 Dutch soil map using legacy soil data: A multinomial logistic regression approach.[J]. Geoderma,2009, 151(34): 311－326.

[22] Minasny B, Mcbratney A B. The neuro-m method for fitting neural network parametric pedotransfer functions[J]. Soil Science Society of America Journal, 2002, 66(2): 352－361.

[23] 付強，王志良，梁川. 自組織競爭人工神經網絡在土壤分類中的應用[J]. 水土保持通報，2002，22(1)：39－43.Fu Qiang, Wang Zhiliang, Liang Chuan. Application of self-organizing competition artificial neural networks in soil classification[J]. Bulletin of Soil & Water Conservation,2002, 22(1): 39－43. (in Chinese with English abstract)

[24] 張甘霖，龔子同. 土壤調查實驗室分析方法[M]. 科學出版社，2012.

[25] 陳祖剛，巴圖娜存，徐芝英，等. 基于數碼相機的草地植被蓋度測量方法對比研究[J]. 草業學報，2014，23(6)：20－27.Chen Zugang, Batu Nacun, Xu Zhiying, et al. Measuring grassland vegetation cover using digital camera images[J].Acta Prataculturae Sinica, 2014, 23(6): 20－27. (in Chinese with English abstract)

[26] 牛振國，宮鵬，程曉，等. 中國濕地初步遙感制圖及相關地理特征分析[J]. 中國科學D輯：地球科學，2009，39(2)：188－203.Niu Zhenguo, Gong Peng, Cheng Xiao, et al. Primary remote sensing mapping of Chinese wetland and related geography characteristics analysis[J]. Science in China Series D:Geoscience, 2009, 39(2): 188－203. (in Chinese with English abstract)

[27] Subba Rao N S. Soil microorganisms and plant growth[J].American Biology Teacher, 1977, 25(2): 122－126.

[28] 徐涵秋. 利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J]. 遙感學報，2005，9(5)：589－595.Xu Hanqiu. A study on information extraction of water body with the modified normalized difference water index(MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589－595. (in Chinese with English abstract)

[29] Khan N M, Rastoskuev V V, Sato Y, et al. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management,2005, 77(1/3): 96－109.

[30] Baig M H A, Zhang L, Tong S, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5): 423－431.

[31] 李博倫，遆超普，顏曉元. Landsat 8陸地成像儀影像的纓帽變換推導[J]. 測繪科學，2016，41(4)：102－107.Li Bolun, Ti Chaopu, Yan Xiaoyuan. Study of derivation of tasseled cap transformation for Landsat 8 OLI images[J].Science of Surveying and Mapping, 2016, 41(4): 102－107.(in Chinese with English abstract)

[32] 李苗苗. 植被覆蓋度的遙感估算方法研究[D]. 北京：中國科學院研究生院，2003.Li Miaomiao. The Method of Vegetation Fraction Estimation by Remote Sensing[D]. Beijing: Graduate University of Chinese Academy of Sciences, 2003. (in Chinese with English abstract)

[33] 羅開盛，陶福祿. 融合面向對象與纓帽變換的濕地覆被類別遙感提取方法[J]. 農業工程學報，2017，33(3)：198－203.Luo Kaisheng, Tao Fulu. Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2017, 33(3): 198－203. (in Chinese with English abstract)

[34] 蘆園園，張甘霖，趙玉國，等. 復雜景觀環境下土壤厚度分布規則提取與制圖[J]. 農業工程學報，2014，30(18)：132－141.Lu Yuanyuan, Zhang Ganlin, Zhao Yuguo, et al. Extracting and mapping of soil depth distribution rules in complex landscape environment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 132－141. (in Chinese with English abstract)