引用本文
苏强, 任俊杰, 梁欧博, 郭菲. 基于ALOS PALSAR影像的莫勒切河洪积扇地貌面定量分期[J]. 地震地质, 2020,42(1): 79-94.
SU Qiang, REN Jun-jie, LIANG Ou-bo, GUO Fei. QUANTITATIVE MAPPING OF THE MOLEQIE RIVER ALLUVIAL FAN MORPHOLOGIC UNITS IN CHINA BASED ON ALOS PALSAR DATA[J]. SEISMOLOGY AND GEOLOGY, 2020,42(1): 79-94.  
DOI:10.3969/j.issn.0253-4967.2020.01.006
Permissions
Copyright©2020, 《地震地质》编辑部
《地震地质》编辑部 所有
基于ALOS PALSAR影像的莫勒切河洪积扇地貌面定量分期
苏强, 任俊杰*, 梁欧博, 郭菲
中国地震局地壳应力研究所, 地壳动力学重点实验室, 北京 100085
*通讯作者: 任俊杰, 男, 1979年生, 博士, 研究员, 主要从事活动构造和构造地貌等方面的研究, E-mail: renjunjie@gmail.com。

〔作者简介〕 苏强, 男, 1993年生, 现为中国地震局地壳应力研究所固体地球物理学专业在读硕士研究生, 主要从事活动构造和构造地貌的定量研究, E-mail: suqiang17@mails.ucas.ac.cn。

收稿日期: 2019-05-08
基金项目: 国家重点研发计划项目(2018YFC1504104)、 国家自然科学基金(41572193, U1839204)、 中国科学院重点部署项目(KFZD-SW-422)和中国地震局地壳应力研究所基本科研业务专项(ZDJ2017-24)共同资助
摘要

洪积扇是干旱—半干旱地区最普遍、 最基本的地貌, 洪积扇地貌面记录了第四纪以来构造活动、 气候变化的重要信息, 为构造运动、 古环境和地貌演化等方面的研究提供参考, 但目前缺少可靠的区域洪积扇地貌面定量分期方法。 洪积扇地貌面的粗糙度是地貌演化过程中一个重要的特征。 本研究利用合成孔径雷达(SAR)技术, 选择公开的空间分辨率为15m的L波段ALOS PALSAR数据, 采用横剖面线法获得不同级洪积扇地貌面的后向散射系数, 实现阿尔金断裂带西段莫勒切河洪积扇地貌面的大范围定量分期。 结果表明: 1)L波段HH极化方式的SAR数据对洪积扇地貌面的粗糙度特征敏感, 适合划分莫勒切河地区不同级的洪积扇地貌面; 2)在相对平坦的干旱—半干旱地区, SAR数据的后向散射系数主要表征地表的粗糙度, 利用后向散射系数可对洪积扇地貌面进行大范围定量分期; 3)SAR数据的后向散射系数为划分不同级的洪积扇地貌面提供了一种定量参考指标, 可减少因洪积扇地貌面的空间分布不连续导致的地貌面分期误差。

关键词: ALOS; PALSAR; 莫勒切河; 洪积扇地貌面; 后向散射系数; 定量分期
中图分类号:P315.2 文献标志码:A 文章编号:0253-4967(2020)01-0079-16
QUANTITATIVE MAPPING OF THE MOLEQIE RIVER ALLUVIAL FAN MORPHOLOGIC UNITS IN CHINA BASED ON ALOS PALSAR DATA
SU Qiang, REN Jun-jie, LIANG Ou-bo, GUO Fei
Key Laboratory of Crustal Dynamics, Institute of Crustal Dynamics,China Earthquake Administration, Beijing 100085, China
Abstract

Alluvial fans are the most common landforms in arid and semi-arid regions, which record important information on tectonic and climatic changes, and provide a reference to the Quaternary tectonic activity, paleogeographical environment, and geomorphic evolution. However, there is a lack of reliable quantitative methods for the classification of regional alluvial fan topography. Surface roughness is a terrain parameter that has been supposed to be an inherent property of alluvial fan topography. The smooth of the alluvial fan surface is a gradual, continuous and internal geomorphological process from bar-swale high relief of younger and rough surface to small relief of older and smooth surface over time. Alluvial fan surface roughness declines with the age of abandoned alluvial fan units, indicating that the surface roughness could be used as a parameter to determine the sequence of alluvial fan units.
In semi-arid and arid conditions, the subdivision sequence of alluvial fan units is regularly distinguished according to specific qualitative and quantitative techniques. The traditional field mapping provides relatively high levels of accuracy, but it is labor-intensive, time-consuming and applicable for small-scale areas. Aerial or spaceborne optical image quantitative mapping will be limited to the light, weather and the resolution of the image. The infrared and thermal infrared image quantitative mapping is susceptible to the parent material lithology of alluvial materials. Quantitative mapping requires more accuracy and high-resolution data for digital terrain data, which will be time-consuming and expensive when applied to large and remote locations. In-situ cosmogenic radionuclide method should consider the time and expensive sample testing cost of applying alluvial fan unit mapping. Meanwhile, the uncertainty of the analysis, as well as samples collecting issues and the lack of appropriate dating materials can also limit the application of dating methods to the semi-arid and arid areas.
Synthetic Aperture Radar(SAR), an initiative microwave remote sensing technology, can record multi-polarization, multi-band, high-resolution microwave backscattering returns and is sensitive to geomorphic features. The hyper-penetration of clouds makes SAR data an effective way to obtain alluvial fan surface information. Microwave backscatter on the alluvial fan surface contains valuable information about surface roughness. However, surface roughness is difficult to measure using conventional topographic survey instruments. The backscatter coefficient in SAR data is an indirect indicator of surface roughness and plays a key role in rapidly mapping large-scale alluvial fan unit in arid and semi-arid environments.
In this study, we use open Advanced Land Observing Satellite(ALOS)Phased Array L-band SAR(PALSAR)data with a resolution of 15m/pixel to extract backscatter coefficients from different geomorphic surfaces by transverse profiles and determine the characteristic roughness values of alluvia fan units. We then apply these characteristic values to different alluvial fan units of the Moleqie River Alluvial Fan(MRAF)and quantitatively map the western section of the Altyn Tagh Fault area. Our results indicate that: 1)L-band HH polarization SAR data is more sensitive to the geomorphic roughness characteristics of the MRAF surface, compared to other polarized SAR data, this data is more suitable for distinguishing alluvial fan units in different periods; 2)The backscatter coefficients of SAR data can describe the surface roughness of relatively flat, arid and semi-arid areas and can be used to quantitatively map large-scale alluvial fan units; 3)The backscatter coefficients of SAR data provide a quantitative proxy for the classification of alluvial fan units in different periods, reducing alluvial fan mapping mistakes caused by spatial discontinuity of alluvial fan units. This study is beneficial to the quantitative mapping and comparative study of the regional alluvial fan.

Keyword: ALOS PALSAR; Moleqie River; alluvial fan surfaces; backscatter coefficients; quantitative mapping
0 引言

洪积扇是河流因河道侧向展宽和地形坡度急剧变缓而在山前形成的锥形堆积体(Huggett, 2016), 其记录了第四纪以来构造活动和气候变化的重要信息(Bull, 1991; Ritter et al., 1993), 对理解构造活动和古环境的变化具有重要意义(Amit et al., 1993; Zhang et al., 2013)。 不同级洪积扇地貌面的分期为古环境演化和构造活动定量研究提供了重要参考, 但准确划分洪积扇的级别是开展上述研究的前提。

目前洪积扇地貌面常采用3种方法进行分期。 1)野外调查法: 依据地貌面沉积物和拔河高度等特征的实地调查结果来定性划分(Regmi et al., 2014; Brooke et al., 2018); 2)光学遥感影像法: 依据可见光及近红外数据的地物反射率(Farr et al., 1996; D’ Arcy et al., 2018)、 热红外数据的地物反射率(Hardgrove et al., 2009)和高分辨率的光谱参数差异等来定量划分(Gillespie et al., 1984); 3)数字高程模型(DEM)数据法: 依据高分辨率DEM数据(Frankel et al., 2007; Regmi et al., 2014; Fan et al., 2018; Wu et al., 2018), 分析多种地形因子(如坡度、 坡向、 地形起伏度、 表面曲率等)表征的地表粗糙度, 定量划分不同地貌单元。 这些分期方法适用于小范围地貌面的划分, 但均存在各自的局限性。 野外调查方法的可靠性高, 但费时费力; 光学遥感影像虽然能定量分期, 但其不具备穿云透雾的能力, 地貌面反射率易受环境变化的影响; 高分辨率DEM数据方法对数据质量要求高, 而且获取大范围数据的成本高(Frankel et al., 2007; Regmi et al., 2014)。 另外, 区域洪积扇地貌面难以定量划分与对比限制了洪积扇作为地貌参考标尺的应用。

合成孔径雷达(SAR)技术是一种主动式的微波遥感技术, 具有多极化、 多波段、 高分辨率微波后向散射和对地貌特征敏感等特性, 且具有穿云透雾的能力(Zani et al., 2012; Catalano et al., 2013; Zhang et al., 2013)。 已有研究表明, SAR数据对洪积扇地貌面粗糙度的变化敏感, 可反映10ka尺度不同级地貌面的变化(Hetz et al., 2016; Sadeh et al., 2018)。 中国西部干旱地区发育了规模巨大的洪积扇(王萍等, 2004), 其地貌面分期主要依赖于野外实地调查和光学影像解译, 能否利用SAR技术实现洪积扇地貌面大范围定量分期, 是洪积扇地貌研究中一个亟待解决的问题。

本研究以阿尔金断裂西段的莫勒切河洪积扇为对象, 选择空间分辨率为15m的L波段ALOS PALSAR数据, 借助ENVI软件和GIS技术进行数据处理, 利用横剖面线法获得不同级洪积扇地貌面的后向散射系数, 进而实现洪积扇地貌面的定量分期。 该研究有助于加深对中国西部干旱地区第四纪地貌格局的认识。

1 区域概况

莫勒切河洪积扇南邻昆仑山脉, 北接塔里木盆地, 位于阿尔金断裂带西段和塔克拉玛干沙漠南缘。 该洪积扇主要由全新统粗碎屑洪积物组成(郑荣章, 2005; 郑荣章等, 2011), 砾石物质成分相对单一, 洪积扇源区流域面积巨大(约2 000km2), 物源区主要为花岗岩、 布拉克巴什群的灰岩与火山岩(图 1)。

图 1 莫勒切河洪积扇区域地质构造图
地质图引自《1︰50万中国地质图》公开版数据, 断裂分布修改自 郑荣章等(2011)和 徐锡伟等(2016)的成果Fig. 1 Regional geological map of the Moleqie River Alluvial Fan(MRAF).

研究区年均气温为11.1℃, 1月平均气温为-6.8℃, 7月平均气温为24.8℃, 年均降水量31.6mm, 年均蒸发量2 490.8mm, 符合典型的干旱区气候特征(陈曦, 2010)。 该洪积扇面积> 2 000km2, 横向宽约50km, 纵向长约65km。 莫勒切河横跨阿尔金断裂带, 向N流入塔里木盆地, 为间歇性河流。 河流的主要流向为NW, 上、 下游河流的流向与断裂带基本垂直, 中游位于阿尔金走滑断裂形成的NE向断层谷地之内, 河流流向与断裂走向一致, 于河流下游出山口形成形态完整的洪积扇。 研究区发育多条NE走向的断裂, 包括规模巨大的阿尔金断裂带、 车尔臣河隐伏断裂和矛头山隐伏断裂等(图 1)。

2 原理与数据处理方法
2.1 原理

洪积扇地貌面上的砾石受风化剥蚀作用粒径逐渐减小, 使地表微地貌面从新到老粗糙度逐渐变小, 因此可利用粗糙度区分不同级地貌面(Sadeh et al., 2018)。 已有研究表明, 雷达波后向散射的强度可作为地貌面粗糙度的替代参数, 与C波段(5.4cm)的雷达波相比, 波长较长的L波段(23.6cm)对不同粗糙度的洪积扇地貌面变化较敏感(Ulaby et al., 1979; Farr et al., 1996; Hetz et al., 2016)。 入射到光滑表面的雷达波产生镜面反射, 向着远离入射波的方向反射能量, 故雷达天线接收到的后向散射回波信号较弱; 入射到粗糙表面的雷达波产生较强的后向散射, 雷达天线接收到的后向散射回波信号较强(图 2)。 因此, 地表粗糙度越大, 雷达天线接收到的后向散射回波信号就越强(Greeley et al., 1988; Evans et al., 1992; Zribi et al., 2005)。

图 2 雷达波后向散射模式图
a L波段后向散射模式; b C波段后向散射模式Fig. 2 Radar wave backscatter model.

2.2 数据处理

本研究使用Advanced Land Observing Satellite(ALOS)Phased Array L-band SAR(PALSAR)的HH和HV数据, 影像成像时间是2007年6月29日和2007年8月31日, 总计4景, 覆盖洪积扇全部区域(图 1), 影像的中心入射角为34.3° , 轨道方向为升轨, 数据格式是SLC的单视复数数据, 空间分辨率为15m。

对ALOS PALSAR双极化(HH和HV)的Level 1.1单视复数数据进行预处理, 利用ENVI软件对基础数据进行几何校正、 多视、 滤波、 辐射校正、 地理编码等处理, 得到经过几何校正和辐射校正的影像。 将多景地理编码后的SAR影像进行拼接, 得到研究区内莫勒切河洪积扇的完整影像。 首先将覆盖大范围洪积扇区域的影像作为参考影像(图 1 中右侧轨道上的2景影像), 对2景影像的重叠区进行拼接, 然后分别将剩余的2景影像(图 1 中左侧轨道上的2景影像)裁剪获得未被右侧轨道覆盖的剩余洪积扇较小部分的遥感影像, 最后对影像进行拼接和裁剪, 获得洪积扇区的完整影像。

为抑制雷达波的噪声、 提高成像质量, 采用四视处理, 即利用4个部分波束获得纵向和横向分辨率相当的图像。 实验中对影像进行Gamma滤波处理, 以降低SAR影像中的噪声。 根据洪积扇的空间分布范围裁剪得到洪积扇分布区的SAR影像(图3b)。 雷达数据后向散射系数的计算方式为

σ0[dB]=20log10(DN)+K[dB]（1）

DN=Q2+I2（2）

式中, σ 0为后向散射系数, DN为遥感影像原始像元的亮度值, Q为遥感影像像元值的实部, I为遥感影像像元值的虚部, K为SAR影像中后向散射系数修正因子①(http://earth.ep.esa.int/pcs/alos/palsar/articles/Calibration_palsar_products_v13.pdf)。

图 3 莫勒切河洪积扇遥感影像
a Landsat 5 影像①(https://earthexplorer.usgs.gov/。); b ALOS PALSAR 影像Fig. 3 Remote sensing images of the MRAF.

2.3 横剖面线法

根据洪积扇在山前平原扇形展布的特点(图3a), 采用与洪积扇长轴方向相垂直的弧形方式布设剖面线, 以获得不同级洪积扇地貌面的后向散射系数。 对于莫勒切河洪积扇, 本研究选择通过洪积扇地貌面最多的4条横剖面线, 分析横剖面线中后向散射系数的变化特征, 更好地反映研究区不同粗糙度的洪积扇地貌面(图3b)。

3 结果分析
3.1 地貌面的后向散射系数

不同极化方式(HH和HV极化)下地貌面的后向散射系数剖面线显示(图 4), 剖面线中后向散射系数越大, 地貌面的后向散射越强, 地貌面越粗糙, 对应较年轻的地貌面, 如剖面线中的AC区(图4a、 b, AC为活动河道); 剖面线中后向散射系数越小, 地貌面的后向散射越弱, 地貌面越光滑, 对应于实际较老的地貌面, 如剖面线中的F2区(保存最老的1级洪积扇地貌面)。 依据后向散射系数与地貌面粗糙度的关系, 通过曲线可以显著区分出多期洪积扇地貌面。 但实际上洪积扇地貌面并非由均匀分布的粒径大小均一的砾石组成(Stock, 2013; Cartwright et al., 2017; D’ Arcy et al., 2017), 因此同一期洪积扇地貌面的后向散射系数常集中在一定范围之内。

图 4 不同极化方式下剖面线的后向散射强度与地貌面划分结果
a HH极化; b HV极化, 剖面线见图 3b。AC 活动河道; F0第一级地貌面; F1第二级地貌面; F2第三级地貌面Fig. 4 The backscatter coefficients of profiles and interpretation results of geomorphic units under different polarizations.

通过截取4条剖面线中不同级洪积扇地貌面稳定区域的后向散射系数, 对数值进行统计获得不同地貌面的后向散射系数特征值(平均值及标准偏差)。 对于活动河道(AC)区域, 利用Schwanghart等(2014)开发的TopoToolbox工具提取洪积扇的水系分布, 以主河道区域为参考(图3b), 选取后向散射系数稳定的区域作为活动河道的后向散射系数统计数值。 不同极化方式下地貌面后向散射系数的统计结果显示, 同一级地貌面的后向散射系数大致呈正态分布, 洪积扇地貌面由新到老, 雷达后向散射系数逐渐降低。 对于同一期洪积扇地貌面, HH极化方式比HV极化方式的后向散射系数大, 表明HH极化方式对地貌面的粗糙度更加敏感(图 5)。

图 5 不同极化方式下地貌面的后向散射系数结果
a HH极化方式; b HV极化方式。AC 活动河道; F0第一级地貌面; F1第二级地貌面; F2第三级地貌面Fig. 5 Backscatter coefficients of geomorphic units under different polarizations.

3.2 地貌面的定量分期

本研究以后向散射系数的统计值(平均值和1.5倍标准偏差)作为地貌面粗糙度的特征值进行洪积扇定量分期。 不同极化方式下洪积扇地貌面的定量分期结果(图 6)显示, 莫勒切河共发育3期洪积扇地貌面(F0、 F1和F2)。 F2地貌面主要分布在莫勒切河东、 西两侧的山前地带及莫勒切河洪积扇的扇缘位置, 为该地区最老的一期洪积扇地貌面, 地貌面在山前部分受地表水系的强烈侵蚀, 冲沟发育。 F1地貌面构成洪积扇的主体部分, 主要分布在河流的东、 西两岸, 东岸地貌面保存较完整, 受地表水系的侵蚀影响小, 西岸地貌面被地表水系强烈侵蚀, 沿河流流向呈条带状分布。 F0地貌面主要沿河道分布, 属于高漫滩, 在河流上游地区呈连续分布, 下游地区呈辫状分布, 指示地貌面仍可能受到短期洪水的影响。 AC为受季节性洪水影响的活动河道区域, 为现存河道的主体部分。 对比不同极化方式的分期结果(图 6)可知, HH极化方式的地貌面分区边界清晰, 不同级洪积扇的差别显著。 因此, 本研究选用L波段HH极化方式的SAR数据进行洪积扇地貌面的定量分期。

图 6 不同极化方式下地貌面的定量分期结果
a HH极化方式; b HV极化方式Fig. 6 Quantitative mapping results of geomorphic units under different polarizations.

利用SAR数据进行洪积扇地貌面定量分期不仅能表征地貌面的更多细节特征, 还能识别地貌面受到强烈侵蚀的区域。 F1地貌面上零星分布保存较好、 较小的F2地貌面的残存部分(图7b), 依据定量化的SAR影像可显著区分出2级地貌面(图7a)。 位于山前的F2地貌面分布广泛, 后期局部地貌面受到地表水系的强烈侵蚀, 地表粗糙度显著增加, 雷达后向散射系数为高值(图7c); 而在洪积扇北部的扇缘区域F2地貌面的边界不清晰, 这是由于该区位于塔克拉玛干沙漠前缘, 沙丘覆盖扇缘部位, 故雷达的后向散射系数显示为低值(图 7)。

图 7 HH极化方式下地貌面的定量分期结果
a、 c ALOS PALSAR定量分期图; b、 d Landsat 5影像Fig. 7 Quantitative mapping results of geomorphic units under HH polarization.

4 讨论
4.1 雷达后向散射系数的影响因素

SAR数据后向散射系数的影响因素主要包括复介电常数、 雷达波入射角和地表粗糙度(Ulaby et al., 1979; Fung et al., 1992; Weeks et al., 1996; Escorihuela et al., 2007; Zhu et al., 2019)。 本研究利用雷达后向散射系数表征地貌面的粗糙度, 需要分析上述因素对后向散射系数的影响。

(1)复介电常数

物质组成和浅表层的含水量是影响复介电常数的主要因素。 莫勒切河洪积扇物源区以花岗岩、 布拉克巴什群的灰岩与火山岩为主(图 1), 岩石的抗风化侵蚀性较强, 堆积区地貌面的砾石成分相对单一, 即物质成分对复介电常数的影响小。 研究发现无水分物质的复介电常数一般为1.7~6, 而水的复介电常数是81(邵芸等, 2002), 同种物质的含水量越大则复介电常数越大, 因此洪积扇分布区雷达波的后向散射可能受地表物质含水量的影响。

研究表明, 对于植被覆盖度较低的裸露地表区, 表层物质的含水量越大, 雷达后向散射系数越大; 反之, 则雷达后向散射系数越小(Ulaby et al., 1990)。 我们收集了英国东安格利亚大学(University of East Anglia)环境科学学院气候研究中心发布的全球1961— 1990年月平均降雨量和月平均温度数据①(https://crudata.uea.ac.uk/crudatahrg/tmc/。), 结果显示研究区月平均降雨量最大仅12mm, 月平均温度最高为23℃(图 8)。 同时洪积扇地处塔克拉玛干沙漠南缘, 受塔克拉玛干沙漠的影响, 年均蒸发量(2 490.8mm)远大于年均降水量(30.5mm)(陈曦, 2010), 而且本次获取ALOS影像的时间是2007年7月和8月, 为夏季的高温时段, 夏季地表温度高, 植被稀少, 地表物质含水量小, 因此浅表土层的含水量对雷达后向散射系数的影响可忽略不计。

图 8 研究区月平均降雨量和月平均温度Fig. 8 Monthly average precipitation and temperature in the study area.

(2)雷达波入射角

雷达波入射角是雷达入射波束与当地大地水准面垂线间的夹角, 当卫星天线的俯角一定时, 雷达波入射角与地形要素相关(Fung et al., 1992)。 雷达波入射角越小, 后向散射越强; 反之, 后向散射越弱。 当入射角为0° ~30° 时, 雷达波的后向散射由地形坡度和地形起伏度决定; 当入射角为30° ~70° 时, 则由地表粗糙度决定; 当入射角> 70° 时, 图像将以雷达阴影为主(杨虎, 2003; 苏娟, 2014)。 本研究获取的ALOS雷达卫星影像的中心入射角是34.3° , 因此雷达波入射角在表征地表粗糙度的入射角范围之内。

雷达波的入射角还受到局部地形(坡度、 地形切割度、 地形起伏度)的影响。 考虑到邻域分析窗口的尺寸可影响地形起伏度和切割度的计算, 需要选择合适的统计窗口进行局部地形单元分析。 本研究选用空间分辨率为12m的数字高程模型(DEM)数据进行地貌分析, 利用均值变点法获得研究区的最佳分析窗口大小为31× 31(单元个数, 实际尺寸为372m× 372m)(图9d), 面积为0.14km2(王玲等, 2009)。 洪积扇分布区的平均坡度为2.8° (图9a), 平均地形起伏度为12m(图9b), 平均切割度为6m(图9c)。 根据中国地形和地貌的分区研究, 坡度< 2° 、 地形起伏度< 30m及地形切割度< 30m的地区属于地形平坦区(周成虎等, 2009), 为微起伏地形。 对于局部隆起的地形区域, 将其划分为面向雷达波束的一面和背向雷达波束的一面。 对于雷达图像中面向雷达波束的一面, 其坡度越大, 雷达波的入射角越小, 雷达波的后向散射信号越强; 而雷达图像中背向雷达波束的一面(未在雷达图像中形成阴影区), 其坡度越大, 雷达波的入射角越大, 雷达波的后向散射信号越弱。 由地形引起的辐射畸变可通过SAR影像的几何校正和辐射校正消除地形对后向散射的影响。 同时, 地形因子参数(坡度、 地形切割度和地形起伏度)表征洪积扇分布区的地形整体较为平缓, 地形对雷达波入射角的影响较小, 雷达波入射角位于表征地表粗糙度的入射角范围之内, 雷达波的后向散射主要表征地表粗糙度。

图 9 坡度(a)、 起伏度(b)、 切割度(c)、 S和SI的差值变化曲线(d)Fig. 9 Slope(a), local relief(b), degree of dissection(c), and the curve of difference value betwen S and SI(d).

(3)地表砾石粒径

当雷达波入射角> 30° 时, 雷达波的后向散射对地表物质湿度的敏感性降低, 但对地表砾石粒径差异的敏感性增强(Beaudoin et al., 1990; Coppo et al., 1995)。 依据洪积扇表面砾石粒径的分布特征(Stock, 2013; D’ Arcy et al., 2017), 沿洪积扇中轴线, 洪积扇地貌面的砾石粒径由扇顶向扇缘逐渐减小, 地表粗糙度逐渐降低(Stock, 2013)。 相关研究表明, 不同级洪积扇地貌面砾石粒径的分布具有差异性(Amit et al., 1993; Crouvi et al., 2006; Mushkin et al., 2014; Hetz et al., 2016)。 根据莫勒切河洪积扇砾石的分布特征(郑荣章等, 2011), 本研究选择的是L波段的SAR数据, 较长的波段对不同粒径范围的砾石敏感度较高(Ulaby et al., 1979; Farr et al., 1996; Hetz et al., 2016), 因此可区分不同级洪积扇地貌面后向散射系数的差异(图 4)。 为减小同期洪积扇地貌面砾石粒径的差异性, 在同期洪积扇地貌面内采用后向散射系数的均值和标准偏差范围之内的数值作为洪积扇地貌面定量分期的依据。

4.2 结果对比

为减小局部地区地表粗糙度的差异、 地表水系侵蚀和局部地形起伏引起的SAR影像中顶底倒置、 阴影、 透视收缩现象对洪积扇地貌面边界定量分期的影响, 本研究依据HH极化方式数据的定量分期结果, 结合高分辨率Google影像划分地貌面的边界区域, 以此获得洪积扇地貌面的分期结果(图10a)。 另外, 郑荣章(2005)曾利用高分辨率卫星影像和野外调查对莫勒切河洪积扇进行了划分, 认为莫勒切河洪积扇除AC(活动河道)外, 还发育4级地貌面F0— F3(图10b), 但本研究的定量分期结果中除AC外仅发育3级地貌面。 依据洪积扇的定量分期结果(图10a), 洪积扇南部的结果比此前的研究更加精细, 该处位于洪积扇的出山口位置, 因洪积扇面的侧向展宽, 河流的搬运能力向扇缘逐渐降低, 形成了沿洪积扇表面河流流向坡度逐渐降低的地貌面特征(图9a)。 因出山口处洪积扇地貌面的坡度较大, 分布在该位置的地貌面更容易受到后期流水的侵蚀(Stock, 2013)。 较老的洪积扇地貌面(F3)因长期受坡面流水的侵蚀, 地貌面的完整性较差, 高分辨率的Google影像(图7c、 d)也显示该区域地表受到强烈的侵蚀, 因此在地貌面的精细分期过程中避免了将侵蚀以后的部分划分到地貌面中。 同时, 本研究与前人结果之间的一个重要区别是洪积扇地貌面F1上残存的地貌面是否与出山口两侧的地貌面属同一级。 前人的研究大多基于洪积扇地貌面的高度来判别(郑荣章, 2005), 但洪积扇在出山口以下往往存在很大的高差, 故依靠高差容易产生误判。 另外, 如果F1洪积扇面上残存的地貌面与出山口处不属同一级, 说明在F1和F3之间发生过1次下切过程, 那么在出山口向上游应存在1级河流阶地与之对应。 实际上, 在出山口之上的河道区域均存在与F1和F3相对应的河流阶地, 而未见与F2对应的河流阶地(郑荣章, 2005)。

图 10 莫勒切河洪积扇地貌面定量分期结果与前人划分结果
a 本研究结果; b 前人结果(郑荣章, 2005)Fig. 10 The comparison results between quantitative mapping and previous research in MRAF.

基于SAR影像的后向散射系数对于洪积扇地貌面的分期结果显示, F1地貌面上残存的地貌面与出山口处地貌面的粗糙度相同, 表明这2级地貌面具备相同的风化侵蚀过程, 应为同一期地貌面在不同部位的残存, 二者属于同一期地貌面。 同时, 基于地貌面的多种微观特征, 如砾石风化程度、 沙漠漆的发育程度以及年代学研究的进一步工作成果将为地貌面的定量分期提供更多证据。

4.3 SAR数据定量分期的意义

依据地貌面的粗糙度特征, 利用SAR影像可实现精细的地貌面定量分期。 通过SAR影像获取洪积扇地貌面的粗糙度特征参数进行定量分期, 可避免同期洪积扇地貌面因后期侵蚀作用形成空间分布的不连续性导致地貌面分期的差异; 同时定量化参数也为区域地貌面的分期提供了依据, 避免了区域地貌面空间分布的不连续性导致的野外考察中利用拔河高度、 地貌面分布位置、 地形分布特征等进行区域洪积扇定性分期产生的不确定性, 为快速、 定量划分洪积扇地貌面提供了可靠的参数。

洪积扇地貌面的准确划分为认识区域构造活动和古环境的变化提供了线索。 准确划分区域断裂带周围的洪积扇地貌面是分析断裂带构造活动性的基础, 洪积扇地貌面的空间分布特征对分析区域古环境的变化具有指导作用。 通过遥感的方式量化洪积扇地貌面的特征, 不仅提高了地貌面分析的准确度和效率, 同时为详细的野外考察和地貌面采样点位置的选择提供了依据, 节约了大量时间。

本研究通过SAR影像得到了莫勒切河洪积扇更加精细可靠的地貌面定量分期结果, 相比传统的地貌面分期方法对地貌面的划分更加快速和精细。 野外调查法较可靠, 但得到的区域洪积扇分期结果的不确定性较高; 光学遥感影像法可获取地貌面的定量参数, 但易受环境和岩性的影响; DEM数据法的精度较高, 但依赖于高质量的数据且仅限在小范围地区内应用。 雷达影像法对环境的依赖性低、 数据质量高、 覆盖范围广, 可获取地貌面的定量参数, 为洪积扇的定量分期提供可靠依据。

5 结论

本研究基于L波段的ALOS PALSAR数据, 以莫勒切河洪积扇为研究对象, 利用SAR技术获得不同级地貌面的后向散射系数, 实现了洪积扇地貌面的定量分期, 同时讨论了雷达后向散射系数的影响因素, 并与前人的野外调查结果进行了对比, 得到如下结论:

(1)L波段HH极化方式的SAR数据对洪积扇地貌面的粗糙度特征敏感, 适用于洪积扇地区地貌面的分期。

(2)在相对平坦的干旱区, SAR数据的后向散射系数主要表征地表粗糙度, 利用后向散射系数可将莫勒切河洪积扇划分为3期地貌面, 实现了区域洪积扇地貌面的定量分期。

(3)SAR数据的后向散射系数为不同级洪积扇地貌面的划分提供了定量参考指标, 可减少因洪积扇地貌面的空间分布不连续性导致地貌面分期的误差, 为区域洪积扇地貌面分期与对比研究提供了一种定量分析方法。

致谢 审稿专家对论文提出了建设性的修改意见和建议, 在此表示衷心感谢!

参考文献
[1] 陈曦. 2010. 中国干旱区自然地理 [M]. 北京: 科学出版社.
CHEN Xi. 2010. Physical Geography of Arid Land in China [M]. Science Press, Beijing(in Chinese). [本文引用:1]
[2] 邵芸, 吕远, 董庆, 等. 2002. 含水含盐土壤的微波介电特性分析研究[J]. 遥感学报, 6(6): 416—423.
SHAO Yun, LÜ Yuan, DONG Qing, et al. 2002. Study on soil microwave dielectric characteristic as salinity and water content[J]. Journal of Remote Sensing, 6(6): 416—423(in Chinese). [本文引用:1]
[3] 苏娟. 2014. 遥感图像获取与处理 [M]. 北京: 清华大学出版社.
SU Juan. 2014. Remote Sensing Image Acquisition and Processing [M]. Tsinghua University Press, Beijing(in Chinese). [本文引用:1]
[4] 王玲, 吕新. 2009. 基于DEM的新疆地势起伏度分析[J]. 测绘科学, 34(1): 113—116.
WANG Ling, LÜ Xin. 2009. Analysis of the relief amplitude in Xinjiang based on Digital Elevation Model[J]. Science of Surveying and Mapping, 34(1): 113—116(in Chinese). [本文引用:1]
[5] 王萍, 卢演俦, 丁国瑜, 等. 2004. 甘肃疏勒河冲积扇发育特征及其对构造活动的响应[J]. 第四纪研究, 24(1): 74—81.
WANG Ping, LU Yan-chou, DING Guo-yu, et al. 2004. Response of the development of the Shule River alluvial fan to tectonic activity[J]. Quaternary Sciences, 24(1): 74—81(in Chinese). [本文引用:1]
[6] 徐锡伟, 韩竹军, 杨晓平, 等. 2016. 中国及邻近地区地震构造图[CM]. 北京: 地震出版社.
XU Xi-wei, HAN Zhu-jun, YANG Xiao-ping, et al. 2016. Seismotectonic Map of China and Its Adjacent Regions[CM]. Seismological Press, Beijing(in Chinese). [本文引用:1]
[7] 杨虎. 2003. 植被覆盖地表土壤水分变化雷达探测模型和应用研究 [D]. 北京: 中国科学院遥感应用研究所.
YANG Hu. 2003. On the modeling of canopy covered surface soil moisture change detection using multi-temporal radar images [D]. Institute of Remote Sensing Applications, Chinese Academy of Sciences, Beijing(in Chinese). [本文引用:1]
[8] 郑荣章. 2005. 阿尔金构造系晚更新世中晚期以来的构造隆升及其变形机制 [D]. 北京: 中国地震局地质研究所.
ZHENG Rong-zhang. 2005. Tectonic uplift and deformation mechanism of the Altyn structural system since the middle-late period of late Pleistocene time [D]. Institute of Geology, China Earthquake Administration, Beijing(in Chinese). [本文引用:4]
[9] 郑荣章, 徐锡伟, 马文涛, 等. 2011. 阿尔金断裂带西段莫勒切河河口阶地的构造及气候意义[J]. 地震地质, 33(2): 323—334. doi: DOI: 103969/j. issn. 0253-4967. 2011. 02. 006.
ZHENG Rong-zhang, XU Xi-wei, MA Wen-tao, et al. 2011. Tectonic and climatic signification of terraces at the outlet of Moleqiehe River, the western segment of Altyn Tagh fault zone[J]. Seismology and Geology, 33(2): 323—334(in Chinese). [本文引用:2]
[10] 周成虎, 程维明, 钱金凯. 2009. 数字地貌遥感解析与制图 [M]. 北京: 科学出版社.
ZHOU Cheng-hu, CHENG Wei-ming, QIAN Jin-kai. 2009. Remote Sensing Analysis and Mapping of Digital Geomorphology [M]. Science Press, Beijing(in Chinese). [本文引用:1]
[11] Amit R, Gerson R, Yaalon D H. 1993. Stages and rate of the gravel shattering process by salts in desert Reg soils[J]. Geoderma, 57(3): 295—324. [本文引用:2]
[12] Beaudoin A, Toan T L, Gwyn Q H J. 1990. SAR observations and modeling of the C-band backscatter variability due to multiscale geometry and soil moisture[J]. IEEE Transactions on Geoscience and Remote Sensing, 28(5): 886—895. [本文引用:1]
[13] Brooke S A S, Whittaker A C, Armitage J J, et al. 2018. Quantifying sediment transport dynamics on alluvial fans from spatial and temporal changes in grain size, Death Valley, California[J]. Journal of Geophysical Research: Earth Surface, 123(8): 2039—2067. [本文引用:1]
[14] Bull W B. 1991. Geomorphic Response to Climatic Change [M]. Oxford University Press, New York. [本文引用:1]
[15] Cartwright R J, Burr D M. 2017. Using Synthetic Aperture Radar data of terrestrial analogs to test alluvial fan formation mechanisms on Titan[J]. Icarus, 284: 183—205. [本文引用:1]
[16] Catalano S, Bonforte A, Guglielmino F, et al. 2013. The influence of erosional processes on the visibility of Permanent Scatterers Features from SAR remote sensing on Mount Etna(E Sicily)[J]. Geomorphology, 198(17): 128—137. [本文引用:1]
[17] Coppo P, Luzi G, Schiavon G. 1995. Understand ing microwave surface backscattering of bare soil by comparing models and experimental data collected during two different airborne campaigns[C]. 1995 International Geoscience and Remote Sensing Symposium, IGARSS'95. Quantitative Remote Sensing for Science and Applications. IEEE, 2: 1346—1348. [本文引用:1]
[18] Crouvi O, Ben-Dor E, Beyth M, et al. 2006. Quantitative mapping of arid alluvial fan surfaces using field spectrometer and hyperspectral remote sensing[J]. Remote Sensing of Environment, 104(1): 103—117. [本文引用:1]
[19] D’Arcy M, Mason P J, Roda-Boluda D C, et al. 2018. Alluvial fan surface ages recorded by Land sat-8 imagery in Owens Valley, California[J]. Remote Sensing of Environment, 216: 401—414. [本文引用:1]
[20] D’Arcy M, Whittaker A C, Roda-Boluda D C. 2017. Measuring alluvial fan sensitivity to past climate changes using a self-similarity approach to grain-size fining, Death Valley, California[J]. Sedimentology, 64(2): 388—424. [本文引用:2]
[21] Escorihuela M J, Kerr Y H, Rosnay P D, et al. 2007. A simple model of the bare soil microwave emission at L-Band [J]. IEEE Transactions on Geoscience and Remote Sensing, 45(7): 1978—1987. [本文引用:1]
[22] Evans D L, Farr T G, Van Zyl J J. 1992. Estimates of surface roughness derived from synthetic aperture radar(SAR)data[J]. IEEE Transactions on Geoscience and Remote Sensing, 30(2): 382—389. [本文引用:1]
[23] Fan L, Atkinson P M. 2018. A new multi-resolution based method for estimating local surface roughness from point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 144: 369—378. [本文引用:1]
[24] Farr T G, Chadwick O A. 1996. Geomorphic processes and remote sensing signatures of alluvial fans in the Kun Lun Mountains, China[J]. Journal of Geophysical Research: Planets, 101(10): 23091—23100. [本文引用:3]
[25] Frankel K L, Dolan J F. 2007. Characterizing arid region alluvial fan surface roughness with airborne laser swath mapping digital topographic data[J]. Journal of Geophysical Research: Earth Surface, 112: F02025. [本文引用:2]
[26] Fung A K, Li Z, Chen K S. 1992. Backscattering from a rand omly rough dielectric surface[J]. IEEE Transactions on Geoscience and Remote Sensing, 30(2): 356—369. [本文引用:2]
[27] Gillespie A, Kahle A, Palluconi F. 1984. Mapping alluvial fans in Death Valley, California, using multichannel thermal infrared images[J]. Geophysical Research Letters, 11(11): 1153—1156. [本文引用:1]
[28] Greeley R, Lancaster N, Sullivan R J, et al. 1988. A relationship between radar backscatter and aerodynamic roughness: Preliminary results[J]. Geophysical Research Letters, 15(6): 565—568. [本文引用:1]
[29] Hardgrove C, Moersch J, Whisner S. 2009. Thermal imaging of alluvial fans: A new technique for remote classification of sedimentary features[J]. Earth and Planetary Science Letters, 285(1-2): 124—130. [本文引用:1]
[30] Hetz G, Mushkin A, Blumberg D G, et al. 2016. Estimating the age of desert alluvial surfaces with spaceborne radar data[J]. Remote Sensing of Environment, 184: 288—301. [本文引用:4]
[31] Huggett R J. 2016. Fundamentals of Geomorphology[M]. Routledge, London, New York. [本文引用:1]
[32] Mushkin A, Sagy A, Trabelci E, et al. 2014. Measuring the time and scale-dependency of subaerial rock weathering rates over geologic time scales with ground-based lidar[J]. Geology, 42(12): 1063—1066. [本文引用:1]
[33] Regmi N R, McDonald E V, Bacon S N. 2014. Mapping Quaternary alluvial fans in the southwestern United States based on multiparameter surface roughness of lidar topographic data[J]. Journal of Geophysical Research: Earth Surface, 119(1): 12—27. [本文引用:3]
[34] Ritter J B, Miller J R, Enzel Y, et al. 1993. Quaternary evolution of Cedar Creek alluvial fan, Montana[J]. Geomorphology, 8(4): 287—304. [本文引用:1]
[35] Sadeh Y, Cohen H, Maman S, et al. 2018. Evaluation of Manning’s n roughness coefficient in arid environments by using SAR backscatter[J]. Remote Sensing, 10(10): 1505. [本文引用:2]
[36] Schwanghart W, Scherler D. 2014. Short Communication: TopoToolbox 2-MATLAB-based software for topographic analysis and modeling in earth surface sciences[J]. Earth Surface Dynamics, 2: 1—7. [本文引用:1]
[37] Stock J D. 2013. 9. 23 Waters Divided: A history of alluvial fan research and a view of its future [J]∥Shroder J F, Wohl E(eds). Treatise on geomorphology, fluvial geomorphology. Academic Press, Elsevier, San Diego, 9: 413—458. [本文引用:1]
[38] Ulaby F T, Bengal T H, Dobson M C, et al. 1990. Microwave dielectric properties of dry rocks[J]. IEEE Transactions on Geoscience and Remote Sensing, 28(3): 325—336. [本文引用:1]
[39] Ulaby F T, Bradley G A, Dobson M C. 1979. Microwave backscatter dependence on surface roughness, soil moisture, and soil texture(Part Ⅱ): Vegetation-covered soil[J]. IEEE Transactions on Geoscience Electronics, 17(2): 33—40. [本文引用:3]
[40] Weeks R J, Smith M, Pak K, et al. 1996. Surface roughness, radar backscatter, and visible and near-infrared reflectance in Death Valley, California[J]. Journal of Geophysical Research: Planets, 101(E10): 23077—23090. [本文引用:1]
[41] Wu J, Yang Q K, Li Y R. 2018. Partitioning of terrain features based on roughness[J]. Remote Sensing, 10(12): 1985. [本文引用:1]
[42] Zani H, Assine M L, Mcglue M M. 2012. Remote sensing analysis of depositional land forms in alluvial settings: Method development and application to the Taquari megafan, Pantanal(Brazil)[J]. Geomorphology, 161-162: 82—92. [本文引用:1]
[43] Zhang L, Guo H D. 2013. The temporal-spatial distribution of Shule River alluvial fan units in China based on SAR data and OSL dating[J]. Remote Sensing, 5(12): 6997—7016. [本文引用:2]
[44] Zhu L J, Walker J P, Nan Y, et al. 2019. Roughness and vegetation change detection: A pre-processing for soil moisture retrieval from multi-temporal SAR imagery[J]. Remote Sensing of Environment, 225: 93—106. [本文引用:1]
[45] Zribi M, Baghdadi N, Holah N, et al. 2005. Evaluation of a rough soil surface description with ASAR-ENVISAT radar data[J]. Remote Sensing of Environment, 95(1): 67—76. [本文引用:1]