武 丹，賈科利，張曉東，張俊華

(1.寧夏大學資源環(huán)境學院，寧夏 銀川 750021；2.寧夏回族自治區(qū)遙感測繪勘查院(寧夏回族自治區(qū)遙感中心)，寧夏 銀川 750021；3.中國地質(zhì)大學(北京)信息工程學院，北京 100083；4.寧夏回族自治區(qū)地質(zhì)調(diào)查院，寧夏 銀川 750021；5.寧夏大學環(huán)境工程研究院，寧夏 銀川 750021)

土壤鹽漬化是氣候、水文地質(zhì)、環(huán)境地質(zhì)及人類活動共同作用下形成的一類災(zāi)害性的土壤變化，忽視土壤鹽漬化治理，會導致土壤肥力下降，不利于土壤的可持續(xù)利用。由于技術(shù)方法與數(shù)據(jù)精度等因素的限制，早期土壤鹽漬化程度的評價工作主要使用信息疊加的分析方法，通過地理信息系統(tǒng)(GIS)的疊加分析功能將多個指標進行疊加來評估土壤鹽漬化風險等級。研究表明，評價指標之間不僅僅是疊加關(guān)系[1]，而是呈非線性關(guān)系，通過綜合作用影響土壤鹽漬化的程度。因此，通過數(shù)學方法建立預測模型逐漸成為土壤鹽漬化研究的主要方法。丁建麗等[1]選擇BP-Adaboost預測器對4個預測指標進行處理，得到土壤鹽漬化預測結(jié)果；姚榮江等[2]將生態(tài)風險評價數(shù)學模型與灰色系統(tǒng)理論結(jié)合，對蘇北海涂圍墾區(qū)進行土壤鹽漬化風險評估與分級；沈掌泉等[3]對比集成BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)統(tǒng)計學的克里格插值法，研究土壤養(yǎng)分的空間變異和插值精度。以上研究均表明基于數(shù)學建模的鹽漬化研究方法能更準確地評價土壤鹽漬化程度且預測精度更高。

隨著定量研究的不斷深入，在土壤鹽漬化評價中使用神經(jīng)網(wǎng)絡(luò)模型的研究逐漸增多[4]，預測精度也進一步得到提升。支持向量機(Support Vector Machine，SVM)神經(jīng)網(wǎng)絡(luò)是以大腦生理變化過程為基礎(chǔ)，借助計算機定量計算大量數(shù)據(jù)[5]，計算過程中不需要反復調(diào)試權(quán)重值，克服了以往為提高模型預測精度需多次調(diào)整指標所占權(quán)重來獲得參數(shù)的缺點，適合用于解決分類問題，已應(yīng)用于短時交通量預測[6]、地下水位預測[7]、需水量預測等諸多領(lǐng)域并取得了很好的效果。本文以銀川平原為研究區(qū)，應(yīng)用異質(zhì)SVM神經(jīng)網(wǎng)絡(luò)建立土壤鹽漬化預測模型，對銀川平原的土壤鹽漬化進行評價研究，以期為銀川平原的土壤鹽漬化預測提供借鑒。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

銀川平原位于寧夏北部(圖1)，面積約7 790 km2，海拔高度1 100～1 500 m，屬于中溫帶干旱區(qū)，氣候干燥蒸發(fā)作用強烈，年均降水量185 mm，年均蒸發(fā)量1 825 mm，蒸降比為10∶1。銀川平原位于黃河上游中段是典型的引黃灌溉區(qū)，自西向東、由南向北緩傾，黃河水溶解性總固體為4.5～4.85 g/L，局部地區(qū)地下水溶解性總固體高、埋藏淺。銀川平原南部地區(qū)灌排條件較好，北部地區(qū)坡降小、地下水位高、排水不暢，導致土壤積鹽情況較嚴重[8～9]。

圖1 研究區(qū)地理位置與采樣點分布Fig.1 Location of the study area and sampling points

1.2 數(shù)據(jù)源

研究使用的遙感影像為Landsat8 OLI數(shù)據(jù)，分辨率為30 m，具有9個波段，覆蓋銀川平原共2景數(shù)據(jù)，影像獲取時間為2017年4月30日。對影像進行輻射定標、FLAASH大氣校正以及正射校正等預處理，統(tǒng)一對影像做投影變換、鑲嵌等處理。植被指數(shù)、鹽分指數(shù)、土壤干旱指數(shù)的計算均以Landsat8 OLI遙感影像為數(shù)據(jù)源，具體計算方法參考文[10～11]；參考全國第二次土地調(diào)查分類標準，使用eCognition軟件，通過面向?qū)ο蠓诸惻c目視解譯相結(jié)合的方法，調(diào)查研究區(qū)土地利用類型狀況，結(jié)合野外實地調(diào)查結(jié)果評價解譯成果的精度為94.5%；地面高程使用ASTER GDEM數(shù)據(jù)，空間分辨率為30 m；地下水埋深數(shù)據(jù)采用銀川平原2012—2016年共458個測井的地下水靜態(tài)水位數(shù)據(jù)，在ArcGIS中選擇球面模型進行Kriging[11]處理得到研究區(qū)地下水位埋深的連續(xù)表面；地下水溶解性總固體數(shù)據(jù)采用銀川平原2010—2016年間共325個鉆孔的地下水溶解性總固體數(shù)據(jù)進行插值計算得到的連續(xù)表面。

2 研究方法

本次研究從災(zāi)害預測的角度展開，選取6類指標作為模型的預測指標，經(jīng)過處理形成相應(yīng)的數(shù)字地面模型作為指標數(shù)據(jù)源。根據(jù)野外土壤樣點的實測含鹽量結(jié)果制定訓練數(shù)據(jù)集與檢驗數(shù)據(jù)集，根據(jù)樣點的經(jīng)緯度提取每個點對應(yīng)的6類指標值。利用2個數(shù)據(jù)集對模型進行訓練及檢驗建立SVM神經(jīng)網(wǎng)絡(luò)災(zāi)害預測模型。最后，將研究區(qū)內(nèi)的預測樣本集輸入模型中，經(jīng)模型預測得到分類結(jié)果，將分類結(jié)果插值后得出銀川平原鹽漬化預測圖，研究的整體流程見圖2。

圖2 基于異質(zhì)SVM神經(jīng)網(wǎng)絡(luò)的土壤鹽漬化預測流程圖Fig.2 Flow chart of soil salinization prediction based on heterogeneous SVM neural network

2.1 評價指標的選取與提取

常用的評價指標[13]主要包括：土壤含鹽量、土壤水分、植被覆蓋度等。在氣候干燥蒸發(fā)量大、地下水埋藏較淺的地區(qū)，地下水中的鹽分會隨著土壤水分的蒸發(fā)不斷向地表遷移聚集。當?shù)叵滤芙庑钥偣腆w相同時，地下水位埋深是影響土壤鹽分分布的主要因素，水位埋深越淺，土壤鹽漬化程度越高；當?shù)叵滤宦裆钕嗖畈淮髸r，高溶解性總固體水分布區(qū)土壤鹽漬化程度較高。土壤鹽漬化的發(fā)生會威脅周圍的生態(tài)環(huán)境，地表鹽分過度積累會導致植被覆蓋度降低、干旱指數(shù)升高。綜合以上造成土壤鹽漬化的原因，本次研究選擇地面高程、地下水位埋深、地下水溶解性總固體、植被指數(shù)、鹽分指數(shù)、干旱指數(shù)作為模型的預測指標[14]。圖3為研究使用的6類指標數(shù)據(jù)源。

2.2 數(shù)據(jù)處理

野外采樣時間為2017年5月，在研究區(qū)內(nèi)隨機采集土壤樣本208個，采樣時每個取土點用GPS定位并記錄經(jīng)緯度坐標，取表層0～30 cm土壤，剔除土樣中的植物莖葉、礫石等雜質(zhì)，送實驗室測定土壤的堿化度，根據(jù)土壤堿化度[15]對土壤鹽堿化程度進行劃分，樣點土壤的鹽堿化程度分為：1級，非鹽漬化(土壤堿化度≤5)；2級，輕度(5<土壤堿化度≤15)；3級，中度(15<土壤堿化度≤30)；4級，重度(土壤堿化度>30)。經(jīng)實驗室測定后，根據(jù)土樣的鹽堿化程度，篩選出108個土壤樣本作為本次實驗的樣本數(shù)據(jù)集(樣點的分布情況見圖1)，剩余100個樣點用作檢驗預測結(jié)果的精度。在SVM神經(jīng)網(wǎng)絡(luò)預測模型中，土壤鹽漬化的分級情況分別用標簽1，2，3，4表示。

從土樣中篩選非鹽漬化土壤、輕度鹽漬化土壤、中度鹽漬化土壤、重度鹽漬化土壤樣本各27個，每一類中17個作為訓練樣本，另外10個作為檢驗樣本，共計108個樣點。在ArcGIS軟件中，根據(jù)點的經(jīng)緯度坐標，使用值提取至點工具得到每個點對應(yīng)的6類指標值，組成訓練數(shù)據(jù)集和檢驗數(shù)據(jù)集。

圖3 土壤鹽漬化評價指標Fig.3 Evaluation indexes of soil salinization

2.3 SVM神經(jīng)網(wǎng)絡(luò)分類原理

SVM神經(jīng)網(wǎng)絡(luò)[16]的訓練方法屬于監(jiān)督學習，原理是建立一個分類超平面作為決策曲面，使得不同類別間的隔離邊緣被最大化。算法利用已知點的類別求出它和類別之間的對應(yīng)關(guān)系，利用對應(yīng)關(guān)系將訓練集分類，或者預測新的數(shù)據(jù)集中每個點對應(yīng)的類別。SVM算法的關(guān)鍵是構(gòu)造支持向量x(i)和輸入空間抽取的向量x之間的內(nèi)積核，SVM神經(jīng)網(wǎng)絡(luò)原理是由算法從訓練數(shù)據(jù)中抽取的小的子集構(gòu)成的，K為核函數(shù)。最大隔離邊緣在二維分類中被稱為最優(yōu)分類線，推廣到多維分裂問題中為最優(yōu)分類面，使得分類間隔最大。二維分類是容量為n的訓練樣本集{(xi,yi),i=1,2,…，n}由2個類別組成，xi為第一類，yi為第二類，設(shè)xi=1，yi=-1。設(shè)分類超平面為：

(1)

可知平面wTxi+b=1和wTxi+b=-1為該分類問題的分類超平面，轉(zhuǎn)化為求超平面的參數(shù)：

(2)

依據(jù)拉格朗日對偶論轉(zhuǎn)化為對偶問題，求得的最優(yōu)解為：

(3)

其中，xr和xs為兩個類別中任意的一對支持向量，求得最優(yōu)分類函數(shù)為：

(4)

式中：ai*、b*——最優(yōu)化過程求解的參數(shù)；

yi——類別標簽；

K(X，xi)——核函數(shù)，當核函數(shù)采用線性(Linear)、多項式(Polynomial)、徑向基核函數(shù)(Radial Basis Function)等不同算法時，SVM神經(jīng)網(wǎng)絡(luò)被稱為異質(zhì)SVM神經(jīng)網(wǎng)絡(luò)。

3 模型的建立和結(jié)果

使用Matlab R2013a軟件編程[17]建立基于SVM神經(jīng)網(wǎng)絡(luò)的土壤鹽漬化預測模型。首先，將訓練樣本輸入模型中對SVM神經(jīng)網(wǎng)絡(luò)進行訓練，然后選取適當?shù)暮撕瘮?shù)與參數(shù)提升分類器的性能[18]，驗證分類器精度是否滿足實驗要求，最后將研究區(qū)內(nèi)隨機樣點數(shù)據(jù)輸入模型，得到預測結(jié)果。核函數(shù)與參數(shù)的選取對模型預測精度有著直接的影響，是本次建模過程中的關(guān)鍵步驟。

3.1 參數(shù)選取

核函數(shù)和參數(shù)c、g是SVM模型的重要參數(shù)，SVM神經(jīng)網(wǎng)絡(luò)計算精度與核函數(shù)及參數(shù)c、g的選擇有著直接關(guān)系[19]。常用的核函數(shù)有線性、多項式、徑向基核函數(shù)3種，本文分別使用3種核函數(shù)對SVM模型進行測試，結(jié)果顯示3種核函數(shù)的準確率分別為70.4%、82.7%和89.6%，準確率最高的核函數(shù)為徑向基核函數(shù)，線性核函數(shù)準確率最低。因此，選定徑向基核函數(shù)為該模型的核函數(shù)。

參數(shù)c、g的取值是通過交叉驗證(Cross Validation，CV)計算得出的，實驗使用的CV[20]方法包括：H-CV，K-CV和LOO-CV，分別得出3組c、g值。用RBF核函數(shù)與3組c、g參數(shù)配置SVM神經(jīng)網(wǎng)絡(luò)得到3種模型，將檢驗樣本輸入模型中對3種分類器的精度進行驗證。分類器的分類精度如表1所示，“實際類別”代表實驗室測出的鹽漬化類別的對應(yīng)標簽，“預測類別”代表SVM分類器預測的鹽漬化類別的對應(yīng)標簽，當預測類別與實際類別相同時，代表預測結(jié)果與土壤鹽漬化真實情況一致，說明SVM分類器的預測結(jié)果正確。3種模型的分類精度分別為85%、75%和72.5%，因此選擇分類精度最高的模型作為本次實驗的鹽漬化預測模型，其參數(shù)c=100，g=3。

表1 不同c、g值的模型分類精度對比Table 1 Model classification accuracy with different values of c & g

3.2 分類結(jié)果

在研究區(qū)內(nèi)隨機且盡量均勻地選擇317個點作為預測樣本集，將預測樣本集輸入具備最優(yōu)核函數(shù)的SVM神經(jīng)網(wǎng)絡(luò)中進行預測，得到研究區(qū)預測樣本集的分類結(jié)果。圖4(a)為317個隨機點的分類結(jié)果，縱軸1～4類別標簽分別對應(yīng)土壤鹽漬化程度由非鹽漬化—重度的等級。在ArcGIS中選擇Natural Neighbor[2]方法對分類結(jié)果做插值處理，得出研究區(qū)的土壤鹽漬化程度預測圖(圖4b)。使用ArcGIS的空間統(tǒng)計功能對4類鹽漬化土壤的面積進行統(tǒng)計，結(jié)合自然資源狀況(圖4c)對研究區(qū)鹽漬化分布情況進行綜合分析，結(jié)果表明：非鹽漬化土壤主要分布在研究區(qū)西邊的賀蘭山周邊、利通區(qū)以及青銅峽地區(qū)，該地區(qū)地下水位埋藏較深，地物類型以草地為主，鹽漬化土壤幾乎未見分布；輕度鹽漬化土壤面積約854.08 km2，主要分布在黃河灘涂及耕地周邊，該地區(qū)植被覆蓋度高，干旱指數(shù)較低，灌溉方式主要為引黃灌溉，由于地勢較高排水順暢，農(nóng)田土壤不易積累過多鹽分；中度鹽漬化土壤面積約985.52 km2，主要分布在研究區(qū)中北部，東部的中度鹽漬化土壤沿黃河灘涂分布，西部的沿賀蘭山呈帶狀分布，惠農(nóng)及平羅的部分地區(qū)在開墾耕地時破壞土壤覆蓋的原生植被導致植被覆蓋度較低，干旱指數(shù)多在0.42～0.48之間，土壤水分消耗的增加導致土質(zhì)鹽分增多，鹽漬化程度較高；重度鹽漬化土壤面積約231.97 km2，主要在平羅縣西大灘、銀川蘆花和吳忠苦水河地區(qū)的耕地周邊呈點狀集中分布，該地區(qū)地勢低洼、地下水溶解性總固體高埋藏淺且易滲出地表，植被覆蓋度低，干旱指數(shù)集中在0.62～0.89之間，由于農(nóng)業(yè)耕種過程中人為填埋排水溝，造成農(nóng)田排水不暢導致土壤鹽分積累，農(nóng)業(yè)灌溉后殘余田間的水難以排出，加之強烈的蒸發(fā)作用，引起土壤表面鹽分聚集，鹽漬化程度嚴重。

圖4 分類結(jié)果Fig.4 Classification results

3.3 精度驗證

以野外采集的100個土壤樣本的實際鹽漬化類別的對應(yīng)標簽作為橫坐標，以模型預測得出的鹽漬化類別的對應(yīng)標簽為縱坐標，求實際值與預測值之間的相關(guān)系數(shù)，R2為0.834，表明模型預測精度較高，滿足本次研究的預測精度。

圖5 樣點土壤鹽漬化實際類別與測試類別的關(guān)系Fig.5 Actual category and test category of the sample soil salinization

不同鹽漬化程度的點密度也可用于評估區(qū)域土壤鹽漬化危害的合理性。對銀川平原非鹽漬化、輕度、中度、重度4類鹽漬化分區(qū)的災(zāi)害點數(shù)量及面積進行統(tǒng)計(表2)，計算不同分區(qū)的災(zāi)害點密度，結(jié)果表明從非鹽漬化區(qū)域到重度鹽漬化區(qū)域，災(zāi)害點的密度呈增加趨勢，重度鹽漬化區(qū)災(zāi)害點密度為0.172是所有類型中密度最大的，表明研究區(qū)域內(nèi)土壤鹽漬化災(zāi)害等級分布合理。

4 結(jié)論及建議

本研究使用6類引發(fā)土壤鹽漬化的指標，選取野外實測樣本，利用SVM神經(jīng)網(wǎng)絡(luò)模型對銀川平原土壤鹽漬化的分布情況及潛在發(fā)展趨勢做出預測，結(jié)果表明：

表2 四類鹽漬化程度災(zāi)害點統(tǒng)計Table 2 Severity of salinization in 4 categories

(1)模型建立過程中，實驗驗證了3種核函數(shù)，結(jié)果顯示徑向基核函數(shù)對計算精度影響最大，當c=100、g=3時，整個模型的預測正確率最高可達85%。

(2)非鹽漬化土壤主要分布在研究區(qū)西邊的賀蘭山周邊、利通區(qū)以及青銅峽地區(qū)；輕度鹽漬化在銀川平原分布廣泛，面積約854.08 km2，集中分布于吳忠、青銅峽、靈武地區(qū)；中度鹽漬化在銀川平原分布較廣，北至惠農(nóng)地區(qū)南至石靈武地區(qū)，面積約985.52 km2；重度鹽漬化主要集中在平羅、惠農(nóng)、石嘴山地區(qū)，面積約231.97 km2。

(3)銀川平原土地利用類型主要以耕地資源為主，預測結(jié)果表明多數(shù)鹽漬化土壤分布在耕地中，其中鹽漬化土壤面積占耕地面積的51%，中度與高度鹽漬化土壤面積占耕地面積的30%。由此可見，銀川平原的土壤鹽漬化程度已較為嚴重，加之耕地種植結(jié)構(gòu)單一，降低了耕地對土壤災(zāi)害的抵抗力，因此在農(nóng)業(yè)種植中應(yīng)注重植被的豐富度。同時，應(yīng)注重耕地的合理灌溉與排水，增加土壤的可持續(xù)利用性，減少次生土壤鹽漬化災(zāi)害發(fā)生。此外，經(jīng)野外實地考察發(fā)現(xiàn)，國家“十二五”期間鹽堿地治理效果顯著，應(yīng)延續(xù)其治理方法。

基于SVM神經(jīng)網(wǎng)絡(luò)建立預測模型對銀川平原土壤鹽漬化程度進行了預測，實驗結(jié)果表明，有效的指標數(shù)據(jù)是提高預測精度的關(guān)鍵，然而研究區(qū)內(nèi)近年數(shù)據(jù)更新不及時導致數(shù)據(jù)獲取的難度增大，以往的數(shù)據(jù)相對現(xiàn)在的實際狀況可能已發(fā)生變化，影響了模型的預測精度，今后應(yīng)注重指標數(shù)據(jù)的更新。