張同瑞，趙庚星，高明秀，王卓然，賈吉超，李 萍，安德玉

山東農(nóng)業(yè)大學資源與環(huán)境學院，土肥資源高效利用國家工程實驗室，山東 泰安 271018

基于近地面多光譜的黃河三角洲典型地區(qū)土壤含鹽量估算研究

張同瑞，趙庚星*，高明秀，王卓然，賈吉超，李 萍，安德玉

山東農(nóng)業(yè)大學資源與環(huán)境學院，土肥資源高效利用國家工程實驗室，山東 泰安 271018

選擇山東省無棣縣“渤海糧倉”項目核心示范區(qū)為研究區(qū)，利用ADC便攜式多光譜相機和EC110便攜式鹽分計，采集該區(qū)近地多光譜相片和土壤表層含鹽量數(shù)據(jù)，通過NDVI, SAVI, GNDVI三種植被指數(shù)分別與實測土壤含鹽量構(gòu)建線性、指數(shù)、對數(shù)、乘冪、二次和三次函數(shù)共18種模型，進而優(yōu)選土壤鹽分含量最佳估測模型，反演和分析研究區(qū)土壤鹽分狀況。結(jié)果顯示，各模型均可有效估測土壤鹽分含量，以SAVI為因變量構(gòu)建的各模型估測效果較好，其中以SAVI的線性模型(Y=-0.524x+0.663，n=70)為最佳，顯著檢驗水平下的F檢驗值最高，為141.347，估測R2為0.797，精度達到93.36%；研究區(qū)的土壤鹽分含量集中在2.5‰～3.5‰之間，呈現(xiàn)從西南向東北逐漸升高的明顯分布規(guī)律。探索了基于近地面多光譜數(shù)據(jù)的土壤含鹽量估測方法，為研究區(qū)乃至整個黃河三角洲濱海鹽堿土的鹽分含量估測提供了一種快速有效的技術方法。

無棣縣；ADC多光譜相機；NDVI；SAVI；GNDVI；土壤含鹽量

引 言

土壤鹽堿化是一個全球性的生態(tài)環(huán)境問題[1-2]。我國是人口大國，糧食是頭等大事，這無論在數(shù)量和質(zhì)量上都對土壤提出了較高的要求。土壤鹽堿化會引起土壤板結(jié)、肥力下降，嚴重制約著我國農(nóng)業(yè)的可持續(xù)發(fā)展[3-5]。因此，快速準確獲取土壤鹽堿化信息尤為重要。傳統(tǒng)獲取土壤鹽分含量的方法需要實地采樣，實驗室化驗分析，不僅費時、費力，且測點不足、分布不均勻?qū)е麓硇圆頪6-7]，難以適應大范圍的快速監(jiān)測。遙感技術具有宏觀、綜合、動態(tài)、快速的特點，成為自然資源調(diào)查、監(jiān)測的一種新的手段。

目前，利用遙感數(shù)據(jù)對區(qū)域土壤鹽堿化的信息獲取已成為研究的熱點，Dwivedi等[8]用PCA、HIS、影像差值和比值法等不同的圖像變換方法, 對鹽堿地的動態(tài)變化進行了研究；Bui[9]通過對澳大利亞東北部的植被種類, 以及植被的分布與集群進行研究, 確定了土地鹽堿化的程度；彭杰等[10]研究發(fā)現(xiàn)不同地區(qū)鹽堿化土壤的高光譜特征有較明顯的差異，對應不同的敏感波段。另一方面，植被指數(shù)作為植被生長狀態(tài)和空間分布的指示因子，與土壤性狀的相關關系已有較多研究。李燕麗等[11]研究表明NDVI植被指數(shù)的變化與土壤有機質(zhì)變化及土壤全氮變化呈顯著正相關。同時，余博等[12]的研究也表明NDVI與土壤有機質(zhì)、全磷、速效鉀、全鉀、全氮等均有較好的相關性。吳亞坤等采用植被指數(shù)與土壤指數(shù)和EM38測量相結(jié)合的方法，構(gòu)建回歸模型，較好的估測了研究區(qū)土壤鹽分含量。總體看，目前多數(shù)研究基于航天遙感平臺的影像數(shù)據(jù)或者應用地面高光譜數(shù)據(jù)，建立鹽分反演模型，而針對于近地多光譜遙感的相關研究較少，專門利用近地多光譜植被指數(shù)進行土壤鹽分含量估測的系統(tǒng)研究尚需進一步開展。

因此，擬嘗試利用實測鹽分數(shù)據(jù)和Tetracam ADC多光譜相機數(shù)據(jù)，選取最常用的NDVI，SAVI，GNDVI三種植被指數(shù)，分析其與土壤含鹽量的關系，構(gòu)建并篩選最優(yōu)土壤鹽分含量估測模型，為土壤含鹽量的快速準確獲取和監(jiān)測提供科學手段。

1 研究區(qū)概況

無棣縣位于山東省最北端，東北瀕臨渤海灣。該縣屬于黃河沖積濱海平原，整體地勢平坦，由西南向東北至沿海以1/10 000左右的坡度傾斜，全年降雨量少，淡水資源缺乏。土壤以濱海鹽土和鹽化潮土為主，土壤質(zhì)地以壤質(zhì)為主，土壤含鹽量較高，以氯化物為主，土壤PH在7.5～8.5之間，有機質(zhì)含量較低。無棣縣“渤海糧倉”項目核心示范區(qū)(見圖1)，總面積為7 715畝，共建有從西到東渤海十三條路，從北到南糧倉七條路。分為35個大地塊，全部種植冬小麥，小麥品種為“小偃60”和“小偃81”，研究區(qū)地塊平整，管理水平一致。

Fig.1 Geographical location map of the study area

2 實驗部分

2.1 研究數(shù)據(jù)

在研究區(qū)每個大地塊內(nèi)均勻取3個樣點(圖1)，用EC110便攜式鹽分計測定樣點的土壤表層鹽分含量，同時用Tetracam ADC(agriculture digital camera)多光譜相機拍攝相片，該相機可拍攝紅、綠和近紅外等圖像，標配320萬像素鏡頭，圖像分辨率可達2 048×1 536像素(傳感器大小6.55×4.92 mm)。ADC相機可獲得波長520 nm以上可見光及920 nm的近紅外光線，相片為DCM格式。相機固定在離地1.2 m處的支架上垂直樣點地表拍攝，確保每次拍攝的離地距離一致，并用手持GPS野外記錄樣點的經(jīng)緯度。采樣時間為2014年04月25—27日，拍攝時間為每天10：00-14:00，有效減小觀測方式帶來的不確定性[13]，每次拍攝前都先拍攝一次校正白板，每個樣點拍攝4～5張多光譜相片。采樣時冬小麥處于拔節(jié)期，期間研究區(qū)天氣晴，沒有進行灌溉等農(nóng)業(yè)措施。室內(nèi)處理數(shù)據(jù)時剔除不合格的照片共得到486張多光譜相片和105組土壤表層鹽分含量數(shù)據(jù)。

2.2 方法

2.2.1 數(shù)據(jù)處理及模型構(gòu)建

利用相機附帶的Pixel Wrench2 Software軟件對采集的樣點多光譜相片進行處理，得到每張相片的NDVI，SAVI，GNDVI三種光譜植被指數(shù)圖像。每個大地塊選取2個樣點共70組植被指數(shù)與對應點的實測鹽分值構(gòu)建模型，其他35組數(shù)據(jù)用于精度驗證。以3個植被指數(shù)值為自變量，土壤鹽分為因變量，分別構(gòu)建線性、指數(shù)、對數(shù)、乘冪、二次、三次六種模型，共得到18個模型，具體算法見表1。

2.2.2 模型優(yōu)選與精度驗證

在顯著水平下，對構(gòu)建的18個估測模型進行初步優(yōu)選，以模型的判定系數(shù)R2，F(xiàn)值和相關系數(shù)r為依據(jù)，初步篩選估測效果較好的模型。再利用剩余35個樣點數(shù)據(jù)值對初步優(yōu)選出的模型進行進一步精度驗證，并以實測值與真實值之間的判定系數(shù)R2、均方根誤差(RMSE)、精度和相對誤差為依據(jù)，選擇出最佳模型。

Table 1 Spectral parameters of ADC multispectral imagery

ρNir，ρR，ρGrepresent the reflectances of near-infrared, red and green bands, respectively;Lis the soil regulating coefficient,L=0.5

2.2.3 研究區(qū)土壤鹽分反演及空間分布

根據(jù)相關的土壤鹽堿化分級標準，結(jié)合研究區(qū)鹽分狀況，將研究區(qū)土壤含鹽量分為六級：一級為小于2.0‰，二級為2.0‰～2.5‰，三級為2.5‰～3.0‰，四級為3.0‰～3.5‰，五級為3.5‰～4.0‰，六級為大于4.0‰。每一等級選擇典型植被指數(shù)圖像，在ENVI4.7和GIS軟件中利用鹽分估測模型對其進行遙感反演，得到典型點位的鹽分反演柵格圖。在此基礎上，利用GIS軟件對各樣點的土壤含鹽量進行反距離加權(inverse distance weighted, IDW)插值處理，得到研究區(qū)土壤鹽分含量空間分布圖，并分析土壤鹽分含量空間分布狀況。

3 結(jié)果與討論

3.1 各光譜植被指數(shù)土壤鹽分估算模型

表2為不同光譜指數(shù)的土壤鹽分估算模型，可以得出，NDVI，SAVI，GNDVI三種植被指數(shù)與對應樣點的實測含鹽量之間有較好的相關性。各模型在α=0.01水平下的F檢驗表明模型模擬效果極為顯著。利用相關系數(shù)r、判定系數(shù)R2和F檢驗值對比每一類型模型的模擬效果，通過比較顯示，SAVI的各種模型中，相關系數(shù)平均值最大，為0.888；F檢驗值平均值也最大，為97.032；均優(yōu)于其他兩個植被指數(shù)所建模型。

三種植被指數(shù)分別構(gòu)建的線性、二次函數(shù)和三次函數(shù)模型的相關系數(shù)在各模型中最大, NDVI依次為0.868，0.872，0.873；SAVI依次為0.901，0.901，0.902；GNDVI依次為0.878，0.883，0.884，而此三模型的相關系數(shù)相差并不大，二次和三次函數(shù)模型的判定系數(shù)略高于線性模型，但它們的F檢驗值相差很大，NDVI依次為100.718，50.843，33.067；SAVI依次為141.347，69.002，45.265；GNDVI依次為111.376，63.999，41.487，線性模型的F檢驗值是二次函數(shù)模型的2倍左右，是三次函數(shù)模型的3倍左右。說明線性模型的模擬效果好于二次函數(shù)和三次函數(shù)模型，所以選定以NDVI、SAVI、GNDVI為因變量的線性模型(a，g，m)為土壤鹽分含量的估算模型，并進行進一步的優(yōu)選。

Table 2 Soil salinity estimation models of different spectral indices

Table 3 Accuracy test results for all models

Fig.2 Relational graphs of model estimated and measured values

Fig.3 Spatial distribution map for soil salinity in the study area

3.2 模型精度檢驗

利用另外35個樣點的數(shù)據(jù)對三個較好模型進行精度檢驗(見表3)，并作預測值與真實值1∶1關系圖顯示各模型的精度(見圖2)。

由表3可見，3個模型預測值與實測值回歸分析的精度較高，均大于85%。其中SAVI線性模型的精度最高為93.36%，其次為GNDVI線性模型的89.27%，最低為NDVI的86.36%。均方根誤差較小，分別為0.024，0.044和0.071。相對誤差均在10%左右，其中SAVI線性模型的相對誤差最小，為6.64%。預測值與實測值之間的判定系數(shù)R2較高，分別為0.797，0.767，0.748，說明各估算模型均具有較高的精度，可以有效估測土壤的含鹽量。其中以SAVI為自變量構(gòu)建的線性模型(Y=-0.524x+0.663，n=70)為最佳模型。

3.3 研究區(qū)鹽分狀況分布

為全面揭示研究區(qū)土壤鹽分含量的空間分布，在Aregis9.3中分別對土壤鹽分實測數(shù)據(jù)和模型(Y=-0.524x+0.663，n=70)估測數(shù)據(jù)采用反距離權重插值法進行插值，并對插值圖進行分級，得到研究區(qū)土壤鹽分空間分布圖(見圖3)。

可以看出，圖3中2個圖的總體鹽分分布規(guī)律較為一致，但2個圖中鹽分含量分布有一定的差異，可能的原因一是估測模型精度導致的，二是選用每個大地塊的2個樣點共70個點建模，用剩余的35個樣點反演估測，每個樣點的位置不一樣，而反距離權重插值法是基于每個樣點位置進行運算的。

實測鹽分分布圖中土壤鹽分含量在2.5‰～3.5‰之間，其分布面積占研究區(qū)的面積比例為64.97%；土壤含鹽量大于3.5‰的土地面積占研究區(qū)的面積比例為30.86%，集中在研究區(qū)的東北部。預測鹽分分布圖中土壤鹽分含量在2.5‰～3.5‰之間，其分布面積占研究區(qū)的面積比例為62.26%；土壤含鹽量大于3.5‰的面積占研究區(qū)的23.1%，也集中在研究區(qū)的東北部。通過對比，顯示該模型能夠較好估測該區(qū)土壤鹽分含量，研究區(qū)土壤鹽分含量具有明顯的空間分布規(guī)律，從西南向東北土壤含鹽量逐漸升高，分層明顯。

在此基礎上，我們選取各鹽分等級的典型多光譜圖片，用選定的最佳模型進行鹽分含量的反演，得到典型點位的鹽分分布柵格圖(見表4)。可以看出，小麥直接覆蓋部分的土壤鹽分含量較低，而行間裸露部分土壤鹽分含量較高，隨著鹽分等級的升高裸土部分的比例也呈增大趨勢。從典型點位實測值與估測值的比較看，其差值在0.11‰～0.21‰之間，反演結(jié)果較好反映了研究區(qū)典型點位土壤鹽分的分布狀況，與實測鹽分結(jié)果具有高度的一致性。

Table 4 Salinity inversion results for typical plots of different salinity levels in the study area

4 結(jié) 論

(1)利用Tetracam便攜式多光譜相機數(shù)據(jù)，提取多種形式植被指數(shù)，通過與實測土壤鹽分數(shù)據(jù)的擬合，構(gòu)建了18種土壤鹽分含量估算模型，取得了較理想的結(jié)果。通過精度驗證，選擇最優(yōu)模型為以SAVI為自變量構(gòu)建的線性模型：Y=-0.524x+0.663，n=70。

(2)較好地探明了研究區(qū)土壤鹽分的分布狀況，結(jié)果表明研究區(qū)的土壤鹽分含量集中在2.5‰～3.5‰之間，呈現(xiàn)從西南向東北逐漸升高的明顯分布規(guī)律。為因地制宜的進行土壤改良提供了科學依據(jù)。

(3)研究區(qū)地勢平坦，農(nóng)田生態(tài)景觀單一，管理方式一致，種植作物均為冬小麥，因此，小麥長勢的強弱在很大的程度上受土壤鹽化程度的影響。該研究證明了單一植被類型覆蓋下利用植被指數(shù)估測土壤鹽分含量的可行性。

(4)為了消除不同植被的影響，只采集了研究區(qū)冬小麥的相關數(shù)據(jù)，后續(xù)將進行小麥不同生育期的估測研究，確定最佳的鹽分估測時期。同時，不同品種以及不同植被類型覆蓋條件下的土壤含鹽量估測方法尚需進一步的研究。

[1] Dehaan R L, Taylor G R. Remote Sensing of Environment, 2002, 80: 406.

[2] Abdellatif D，Mourad L. Procedia Engineering, 2012, 33: 188.

[3] Dehaan R L, Taylor G R. Remote Sensing of Environment, 2002, 80(3): 406.

[4] Dehaan R, Taylor G R. International Journal of Remote Sensing, 2003, 24(4): 775.

[5] Metternicht G I, Zinck J A. Remote Sensing of Environment, 2003, 85(1): 1.

[6] Chang C W, Laird D A. Soil Science, 2002, 167(2): 110.

[7] Shepherd K D, Walsh M G.Soil Science Society of America Journal, 2002, 66(3): 988.

[8] Rao B R M, Ravisankar T, Dwivedi R S, et al. Intemational Joumal of Remote Sensing 1995, 16(12): 2125.

[9] Bui E N, Henderson B L. Austral Ecology, 2003, 28(9): 520.

[10] PENG Jie, LIU Huan-jun, SHI Zhou, et al(彭 杰，劉煥軍，史 舟，等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學報), 2014, 30(17)：167.

[11] LI Yan-li, PAN Xian-zhang, ZHOU Rui, et al(李燕麗，潘賢章，周 睿, 等). Chinese Journal of Ecology(生態(tài)學雜志), 2013, 32(3)：536.

[12] YU Bo, ZHU Jin-zhong, FAN Yan-min, et al(余 博，朱進忠，范燕敏，等). Xinjiang Agricultural Sciences(新疆農(nóng)業(yè)科學), 2009, 46(6)：1294.

[13] XU Min, YI Shu-hua, YE Bo-sheng, et al(許 民, 宜樹華, 葉柏生, 等). Journal of Arid Land Resources and Environment(干旱區(qū)資源與環(huán)境), 2012, 5: 101.

[14] Rouse J W.Haas R H, Schell J A et al. NASA/GSFC, Type Ⅲ, Final Report, Greenbelt, MD, USA, 1974.

[15] Huete A R. Remote Sensing of Environment, 1988, 25: 295.

[16] Gitelson A A, Kaufman Y J，Merzlyak M N. Remote Sensing of Environment, 1996, 58(3): 289.

*Corresponding author

Soil Salinity Estimation Based on Near-Ground Multispectral Imagery in Typical Area of the Yellow River Delta

ZHANG Tong-rui, ZHAO Geng-xing*, GAO Ming-xiu, WANG Zhuo-ran, JIA Ji-chao, LI Ping, AN De-yu

College of Resources and Environment, National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Shandong Agricultural University, Tai’an 271018, China

This study chooses the core demonstration area of ‘Bohai Barn’ project as the study area, which is located in Wudi, Shandong Province. We first collected near-ground and multispectral images and surface soil salinity data using ADC portable multispectral camera and EC110 portable salinometer. Then three vegetation indices, namely NDVI, SAVI and GNDVI, were used to build 18 models respectively with the actual measured soil salinity. These models include linear function, exponential function, logarithmic function, exponentiation function, quadratic function and cubic function, from which the best estimation model for soil salinity estimation was selected and used for inverting and analyzing soil salinity status of the study area. Results indicated that all models mentioned above could effectively estimate soil salinity and models using SAVI as the dependent variable were more effective than the others. Among SAVI models, the linear model(Y=-0.524x+0.663，n=70) is the best, under which the test value of F is the highest as 141.347 at significance test level, estimatedR20.797 with a 93.36% accuracy. Soil salinity of the study area is mainly around 2.5‰～3.5‰, which gradually increases from southwest to northeast. This study has probed into soil salinity estimation methods based on near-ground and multispectral data, and will provide a quick and effective technical soil salinity estimation approach for coastal saline soil of the study area and the whole Yellow River Delta.

Wudi County; ADC portable multispectral camera; NDVI; SAVI; GNDVI; Soil salinity

Dec. 22, 2014; accepted Mar. 22, 2015)

2014-12-22，

2015-03-22

國家“十二五”科技支撐計劃項目(2013BAD05B06)，國家自然科學基金項目(41271235)和山東省自主創(chuàng)新專項項目(2012CX90202)資助

張同瑞, 1989年生，山東農(nóng)業(yè)大學資源與環(huán)境學院碩士研究生 e-mail：zhangtr0924@163.com *通訊聯(lián)系人 e-mail：zhaogx@sdau.edu.cn

TP7；S15

A

10.3964/j.issn.1000-0593(2016)01-0248-06