基于土壤系统分类的土壤遥感

第)期
罗红霞：基于土壤系统分类的土壤遥感自动识别分类系统的设计
D"C
壤专家的经验性知识 ! 该结构是含有空间图像特征信息的框架式数据结构，是土壤类型的空间特征描述 ! 在像结构中包含了低层次的产生式规则，而在高层次的产生式规则中又包含了像结构 ! 这种知识表示形式 排除了单纯使用产生式规则的低效率，也避免了产生式推理规则间的一些矛盾，保证了高层次推理的一致
由 9 部分组成，即空间数据库部分、分类识别部分和结果输出部分，其结构如图 : ! #+-2+） 空间数据库是为 #+-2+ 提供基础数据，包括 待分类土壤的遥感信息和成土条件信息，采用 A-+ 来实现 ! 分类识别部分改单纯的数值集群分类法 为数值集群法与专家推理相结合的方法，所以这 部分可称为专家推理子系统 !
收稿日期：!$$! @$ $" 作者简介：罗红霞 （@EB! G ） ，女，四川广安人，讲师，博士研究生，主要从事遥感与 HF1 应用研究 )
!
第B期
罗红霞：基于土壤系统分类的土壤遥感自动识别分类系统的设计
EC9
态的、物理的、化学的） ，则称为 “诊断特性” ! 由于土层和土壤性质是不同成土过程的产物，故诊断层和诊 断特性本身体现了土壤形态、土壤特性和土壤发生三者的结合 ! 根据诊断层和诊断特性来鉴别土壤，实际
［"］ 知识 ! 该数据结构为土壤学专家对土壤类型进行判断分类所用的经验性知识与规则的综合 !
!"!
土壤类型的推理判决 如前所述，在 #$%&$ 中首先进行非监督分类，分出大于 ! （欲分类的土壤类型数） 个预分类类别，并将
自从 @EB! 年美国 *>1> 成功地发射了第一颗陆地资源卫星以来，人们从过去土壤航测制图转向探索利 用卫星图像制图的可能 ) 通过近 %$ 年的土壤遥感制图实践证明，陆地资源卫星图像用于目视判读土壤类型 可以达到土壤制图所规定的精度要求，而且受到土壤专家目视判读过程的启发，正探索土壤遥感自动识别
9$"
西南师范大学学报 （自然科学版）
# #% & ’ （! !
第 $8 卷
"）
$
） "） "
$
! （!
"）
"
$ #% & ’ （! !
$
$# #% " $ $
$$ #% " $
（$）
’ （!
$ $
"）
"百度文库
# $ $ # ・#% ・#% #% & #% " ! "
!
$# #% "
&
$$ #% " $ $
［@， !］ 分类的方法，以期实现土壤制图自动化 ) 但是他们所基于的土壤分类系统是全国第二次土壤普查时所
采用的发生分类系统，现在土壤学界推荐使用的是 @EEA 年提出的 《中国土壤系统分类 （修订方案） 》 ，到目前
［@ G #］ 几乎没人在基于土壤系统分类方面进行土壤遥感自动识别分类研究 )
"
土壤系统分类的特点
［:］ 生成的： 式
（ # B $ # C） ・% ’ ! " （ # B & # C） &
（:）
式中，! 为绿度指数；# B ， 第 C 波段亮度值；% ， # C 分别为 =D 图像的第 B、 ’ 分别为用户根据图像亮度值分布 （:） 第一项数值为 C"E 个阶差为 : 的实数，加 ’ 使全部 ! 值落在 F G C"" 范围内 ! 状况给定的常数，% 使式 9<:<C 土壤专题信息增强图像的生成 ［E］ 土壤专题信息的增强采用定向变换和逻辑取与相结合的方法 ! 定向变换是利用图像变量之间的相关性，在变量空间进行转轴变换，以便分离和消除干扰达到增强专 题信息的目的 ! 逻辑取与法是在专题信息提取基础上进一步消除干扰的一种简便和有效的方法 ! 在处理过程中对波段 比值作逻辑取与运算 ! 9<:<9 同谱土壤图像的生成 ［:］ 日本学者 ;$@$>(5( 认为 ，具有不同光谱特性的土壤，不管其上的植被覆盖度如何变化，在红光波段 反射率和近红外波段反射率构成的二维坐标图上，光谱特性相同的土壤总在一条直线上，即它们在 =D 图 像的 9 B 波段辐射值的直线方程的斜率与截距都为定值 ! 换句话说，如果某些区域 9 和截距 ’ 为： （9 B） B） B 波段的辐射直 线方程的斜率与截距都相等，那么这些区域上的土壤都属于同一类型，或为谱性相同或相近的土壤 ! 这条直线方程的斜率 ( （9
图" *+,-" !"# 规则库的建立
土壤分类识别系统的土壤分类决策判断树 $.+/ &/011+2+304+.5 056 783+1+.5 ’988 .2 #$%&$
由于经过分类的专家知识具有二叉树的数据结构，同时某一特定的土壤类型又由多个不同参数共同决 定，且土壤类型不同其参数个数也不尽相同，因此，系统采用一种链表式的数据结构存储专家的土壤分类
$
$"%
土壤遥感分类识别
非监督预分类 根据 34567 最优分类准则，通过遥感图像的非监督预分类，可使每一类数据的平均损失达到最小，得到
［8］ 高精度的空间数据集群 （高程、高 % 在分类识别中，为提高分类精度，将与土壤类型相关的非遥感数据
差、坡度、坡向、粗糙率指数、水系密度、土壤发生分类类别） 引入到非监督分类过程中，因而极大地减少 了仅使用多光谱数据进行非监督分类时产生的同物异谱、同谱异物现象对土壤分类的影响，使得经非监督分 类处理后所得的数据群与相应土壤类型的对应精度大为提高 % 非监督分类得到的土壤分类数据集群与实际土 壤类型的对应关系可能是一对一的，也可能是多对一的，取决于土壤遥感数据非监督分类时所作的选择 % $"# 土壤专家知识的获取与表示 ")$)# 土壤专家知识的获取 将土壤学专家在进行土壤分类时所用到的分类识别知识，归纳整理为一棵各项目间只存在 “与” 关系的 分类决策判断树 % 判断树的树根是试验区全部土壤类型的集合， 而树叶则是要分类的土壤类型 （图 $） % 这是 一棵分类体系为土壤系统分类、每个分枝上都带有条件的条件二叉树 % 在树的任何一层都可能根据条件的 不同而派生出 $ 个以上的分枝，每一分枝上所附加的是一组条件，称为条件组，各条件组的内容各不相同 % ")$)$ 土壤专家知识的表示 专家系统中的知识表示过程就是知识的符号化过程，即对知识、事实、关系等进行编码，形成一种数 据结构，并将该数据结构与解释过程相结合 % 在 *+,-+ 中，采用一种称之为 “像结构” 的数据结构来表示土
文章编号：@$$$ A#B@ （!$$%） $# $C!! $A
基于土壤系统分类的土壤遥感 自动识别分类系统的设计
!
! 罗 红 霞@， @D 西南师范大学 资源环境科学学院，重庆 #$$B@A !D 武汉大学 测绘遥感信息工程国家重点实验室，湖北 武汉 #%$$BE 摘要：设计出基于土壤系统分类的土壤遥感自动识别分类系统 （>1F71） 的总体框架，并探讨了其实现方法 ) 该系统 由 % 部分组成：空间数据库、分类识别和结果输出 ) 空间数据库由遥感数据和非遥感数据组成，遥感数据选择绿 度指数图像、土壤专题信息增强图像和同谱土壤图像，非遥感数据包括高程、高差、坡度、坡向、粗糙率指数、 水系密度、土壤发生分类类别 ) 分类识别采取在非监督分类的基础上对土壤类型进行正向推理与逆向推理相结合 的识别模式 ) 用像结构建立了土壤分类识别的规则，构造了基于土壤系统分类的土壤分类判决树 ) 关 键 词：土壤系统分类；土壤遥感；非监督分类；推理决策 文献标识码：% 中图分类号：!"#$
"
背景空间数据库的形成
空间数据库的形成包括遥感图像的处理和非 图: 土壤遥感自动识别分类系统结构 ;)7<: =>/ ;5(’/?&5@ &1 #+-2+
遥感数据的获取，这些信息入库之前还要进行空 间数据匹配 ! "#$ 遥感图像处理与信息提取 这里的遥感图像处理是指预先进行常规处理
（去噪声、几何纠正、拉伸、滤波等） 后的派生图像的生成 ! 其中包括绿度指数图像、土壤专题信息增强图像 和同谱土壤图像的生成 ! 9<:<: 绿度指数图像的生成 绿度指数图像能排除坡向的干扰，反映出植被的信息并参与识别分类 ! 绿度指数图像是利用如下模
［2］ 面坡度、坡向和粗糙率指数 （正射投影的地表面积与平面面积比） %
则可判断不同像元中的土壤的 " 波段图像亮度值的直线方程的斜率与截距，
光谱特性是否相同 % 据此原理可生成同谱土壤图像 %
!)$)$ 土壤发生分类和水系密数字图像的生成 土壤发生分类是以地理发生为基础、以成土条件为依据的土壤分类体系，因此根据土壤发生分类标准 划分的土壤类别是所有成土条件综合作用的结果 % 所以用土壤发生分类分布图就完全可以反映成土条件综 合的差异 % 先将以土壤发生分类为依据的土壤分布图扫描数字化生成二值图像，再根据土壤类型的不同， 分别给各图斑赋以不同的数字即可得到土壤发生分类数字图像 % 水系密度数字图像则根据水文地质图数字化的方法生成 %
土壤分类是土壤科学水平的反映和土壤调查制图的基础，也是国内外土壤科学交流的媒介 ) 在目前的
信息时代，土壤分类朝着定量化、标准化、国际化方向发展，土壤系统分类就是这种趋势的表现 ) 土壤系统 分类最早是由美国提出来的，目前世界上已有 #A 个国家直接采用这一分类，"$ 多个国家将它作为本国土 壤的第一或第二分类 ) 我国的土壤分类从解放后一直采用土壤发生分类体系，到 @E"# 年在中科院和国家自 然科学基金资助下，由中科院南京土壤所主持，先后与 %$ 多个高等院校和研究所合作，进行了长达 @$ 多 年的中国土壤系统分类研究，于 @EEA 年提出了 《中国土壤系统分类 （修订方案） 》 ) 土壤系统分类是以诊断层和诊断特性为基础的系统化、定量化土壤分类 )“诊断层” 是用以识别土壤类 别在性质上有一系列定量说明的土层 ) 如果用于分类目的的不是土层，而是具有定量规定的土壤性质 （形
（!）
# 和 # 分别为植被覆盖度为 # 和 $ 则分别为植被覆 式中 # % #% $ # 的土壤在 !， " 波段的混合光谱反射值；# % #% ! " ! "
盖度为 $ $ 的土壤在 !， " 波段的反射值 % 根据 （$） （!） ， 式求算出 ! !"# 非遥感数据的获取 非遥感数据的获取是从地形图和其它专题图提取出成土条件信息并使之形成条件数字图像的过程，包 括 &’( 的生成和土壤发生分类数字图像的生成 % !)$)# &’( 的生成 *+,-+ 生成的 &’( 包括 &.(、地面坡度数字模型和地面坡向数字模型 % 如果需要 # / 0 万的 &.( 也可以到国家地理信息中心购买 % 通过 &.( 可以通过扫描输入地形图来生成， 地形图生成 &.(，现在市场上的大多数 1,+ 都有这个功能 % 得到 &.( 后，就可以 &.( 为基础生成高差、地
［"］ 性 ! 在 #$%&$ 中，每一待判土壤类型的像结构为：’(" 波段图像亮度值、’() 波段图像亮度值、绿度指数
值、高程、高差、平均坡度、坡向、粗糙率指数、水系密度、土壤发生分类类别 ! 如将某一类土壤的具体属 性值赋给像结构时，就可以得到反映该类土壤真实物性的具体像结构实例，称之为 “典型像例” !
第 !" 卷
第#期
西 南 师 范 大 学 学 报（自然科学版）
!$$% 年 " 月
&’( ) !" *’ ) # +’,-./( ’0 1’,234562 738./ *’-9/( :.8;5-682<（*/2,-/( 1=85.=5） >,? ) !$$% ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! !
［"］ 上就反映了土壤分类与土壤发生的相互联系 ! 因而以诊断层和诊断特性为基础的土壤类型在空间上应表
现出一定的规律性，并且这一规律性应具有一定的发生学特点 ! 这就说明基于土壤系统分类的土壤遥感自 动识别分类也是可行的 !
!
土壤遥感自动识别分类系统的总体设计
土壤遥感自动识别分类系统 （#$%&’(%)* +&), -./0%)1)*(%)&0 (0. 2,(33)1)*(%)&0 +43%/’ 15&’ 6/’&%/ +/03)07 8(%(，