而遥感影像则反映地表信息，虽剔除植被影响，但反射率可能仍包含少量植被信息，使其平均较高；此外考虑到时相的差别，由于采样时间和LandSat8影像时间相差1-4天，考虑水分蒸发，遥感地表反射率也会较高。利用相关性分析，两者相关性达到0.928，相关性显著。因此，利用此方法进行估测是较为可行的。
5.2估测模型
BandMath工具能够方便的执行图像中各个波段的加、减、乘、除、三角函数、指数、对数等数学函数计算，也可以使用IDL编写的函数。BandMath工具使用函数都是基于IDL的数据组运算符。
IDL的数组运算符使用方便且功能强大。它们可以对图像中的每一个像元进行单独检验和处理，而且避免了FOR循环的使用（不允许在波段运算中使用）。数组运算符包含关系运算符（LT、LE、EQ、NE、GE、GT）、Boolean运算符（AND、OR、NOT、XOR）和最小值、最大值运算符（<、>）。这些特殊的运算符对图像中的每个像元同时进行处理，并将结果返还到与输入图像具有相同维数的图像中。
本文研究所采用的模型为：
Y=60.833-12.737×R655/R440+208.397×(R1610-R2200)+67.536×(R865-R2200) +0.815×(R440 R480)/ (R440-R480)，模型的决定系数R2为0.701，总均方根误差RMSE为2.54，相对误差RE为9.63%。利用此模型进行波段运算，具体方法首先从ENVI5.1中打开Toolbox—>Band Math，然后添加上模型公式—>Add to List—>OK，开始进行波段运算，运算结果如下图：
15
图4-15 订正后图像
5.3决策树分类
决策树（Decision Tree）又称为判定树，是运用于分类的一种树结构。其中的每个内部结点（internal node）代表对某个属性的一次测试，每条边代表一个测试结果，叶结点（leaf）代表某个类（class）或者类的分布，最上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。
构造决策树是采用自上而下的递归构造方法。决策树构造的结果是一棵二叉或多叉树，它的输入是一组带有类别标记的训练数据。二叉树的内部结点（非叶结点）一般表示为一个逻辑判断，如形式为（a = b)的逻辑判断，其中a是属性，b是该属性的某个属性值；树的边是逻辑判断的分支结果。多叉树（ID3）的内部结点是属性，边是该属性的所有取值，有几个属性值，就有几条边。树的叶结点都是类别标记。
使用决策树进行分类分为两步：
第 1 步：利用训练集建立并精化一棵决策树，建立决策树模型。这个过程实际上是一个从数据中获取知识，进行机器学习的过程。
第 2 步：利用生成完毕的决策树对输入数据进行分类。对输入的记录，从根结点依次测试记录的属性值，直到到达某个叶结点，从而找到该记录所在的类。
问题的关键是建立一棵决策树。这个过程通常分为两个阶段：
(1) 建树（Tree Building）：决策树建树算法见下，可以看得出，这是一个递归的过程，最终将得到一棵树。
(2) 剪枝（Tree Pruning）：剪枝是目的是降低由于训练集存在噪声而产生的起伏。
与其他分类算法相比决策树有如下优点：
(1) 速度快：计算量相对较小，且容易转化成分类规则。只要沿着树根向下一直走到叶，沿途的分裂条件就能够唯一确定一条分类的谓词。
(2) 准确性高：挖掘出的分类规则准确性高，便于理解，决策树可以清晰的显示哪些字段比较重要。
本文所进行的决策树分类是依据土壤含水量进行划分的，分别是0—10；10—15；15—20；20—25；25—30和大于30；这六个部分，所得到的分类结果如下：
16
图4-16 决策分类图像
Figure 4-16 Decision classification image
根据决策树分类统计出各个部分的土壤含水量所占的比例如下图：
含水量（%） <10 10—15 15—20 20—25 25—30 >30
图4-17 土壤含水量
Figure 4-17 Soil moisture content
遥感反演面积统计（%）
0.706
4.034 22.082 49.734 19.387 4.057
由统计结果分析可知，垦利县的大部分地区土壤的含水量在 15%～30%之间，少数地区在含水量 10%以下，土壤较为干旱。从反演结果与实际采样所得到的数据进行比较分析可以得到，此方法良好的反映了垦利县在裸土或作物生长的初期的土壤水分的分布状况，本研究所建立的模型所得到的土壤含水量的反演值与实测值的吻合程度还是相对较高的，可以用来反演大范围地区的土壤含水量，可以用来指导相关的部门监测土壤水分状况，采取及时有效的措施进行合理的灌溉，对于提高农业粮食产量具有重要的现实意义。
17
6结论与展望
6.1结论
土壤的含水量主要用来反映土壤水分干湿的状况，不论是作物的生长还是土壤的肥沃状况都与土壤含水量是紧密关联的，土壤含水量的遥感反演对于农业部门的土壤墒情预报和进行水资源管理都有十分重要的意义。因此，快速的、准确地获取地表土壤水分状况是非常重要的。本文主要研究采用中心波长反射率和波段平均反射率两种拟合方法，利用室外实测高光谱窄波段反射率数据LandSat8卫星宽波段反射率，通过组合，建立估测模型，利用估测模型，以此实现对研究区土壤水分含量的遥感反演。
6.2展望
本文是利用基于Landsat8的遥感数据获取垦利县的土壤含水量的分布况，通过对遥感图像进行一系列的处理结合所建立的最优估测模型的方法来反演，结果表明该种方法用来反演是可行的，但是还有进一步提高的空间。本文的研究由于获取的实测资料有限，还需要进行更为细致的研究分析。另外也可以考虑与其它遥感影像融合的方法来进行土壤含水量的反演。
本文选取的数据的分辨率是 30米，因此最终得到的垦利县的土壤含水量反映的是该分辨率下的土壤水分的分布状况，而垦利县的实测的数据点比较有限，因此，用这有限的实测点来反映整个垦利县的土壤水分可能会产生一定的误差。另外卫星的遥感影像的采集时间只有几分钟，对于我们用人工去测点时间可能更长，这期间一定会有时间上的误差，这就有待于我们进行进一步的研究来消除这时间上的误差。
18
参考文献：
[1]Blyth E M, Dolman A J，Wood N. The Quarterly Journal of the Royal Meteorological Society, 1993，119(511):423.
[2]Bach M, Mauler W. Proceedings of IUARSS'94, Pasadena, IEEE, 1994, 4; 2354. [3]Schmugge T J，Uloersen P, Wilheit T. J. Ueophys. Res.，1974，7 9 C2}:317. [4]Baronti S, Del F, Ferrazzoli P et al. Internation Journal of Remote Sensing, 2001，16(14):2639.
[5]Sandholt I, Rasmussen K, Andersen J. Remote Sens. Environ.，2002，7902):213.
[6] 隋洪智,田国良.热惯量方法监测土壤水分[M].北京:科学出版社,1990. [7] 田国良,杨希华,郑柯. 冬小麦旱情遥感监测模型研究[J].环感,1992,02. [8] 陈怀亮,冯定原,邹春辉,尚红敏. 用NOAA/AVHRR资料遥感土壤水分时风速的影响[J].南京气象学院学报,1999,02:219-224.
[9] 刘良云,张兵,郑兰芬,童庆禧,刘银年,薛永祺,杨敏华,赵春江. 利用温度和植被指数进行地物分类和土壤水分反演[J]. 红外与毫米波学报,2002,04:
[10] 杨 胜 天 , 刘 昌 明 , 王 鹏 新 . 黄 河 流 域 土 壤 水 分 遥 感 估 算 [J]. 地 理 科 学 进展,2003,05:454-462.
[11] 赵杰鹏,张显峰,廖春华,包慧漪. 基于TVDI的大范围干旱区土壤水分遥感反演模型研究[J]. 遥感技术与应用,2011,06:742-750. [12]梅安新．遥感导论.高等教育出版社，2001．
[13] 赵英时．遥感应用分析原理与方法[M]．北京：科学出版社， 2003：202-203． [14] 吴超. 基于遥感影像对土壤水分反演的研究[D]. 西安科技大学, 2011. [15] 肖斌,沙晋明. 土壤水分遥感反演方法概述[J].遥感信息,2007,06:94-98.
19