尼加提·卡斯木，師慶東，郭玉川*，茹克亞·薩吾提，依力亞斯江·努麥麥提，米合熱古麗·塔什卜拉提

基于EM38和WorldView-2影像的土壤鹽漬化建模研究①

尼加提·卡斯木1,2，師慶東1,2，郭玉川1,2*，茹克亞·薩吾提1,2，依力亞斯江·努麥麥提1,2，米合熱古麗·塔什卜拉提1,2

(1 新疆大學資源與環(huán)境科學學院，烏魯木齊 830046；2 新疆大學綠洲生態(tài)教育部重點實驗室，烏魯木齊 830046)

在干旱半干旱地區(qū)，土壤鹽漬化是常見的土地退化問題之一。本研究選取于田縣克里雅河上游邊緣典型鹽漬化區(qū)域作為研究靶區(qū)，通過EM38大地電導率儀實測土壤表觀電導率，提取不同系數下的土壤調節(jié)植被指數(SAVI)，分析了SAVI指數與土壤電導率間的相關性，并利用同時期WorldView-2影像的敏感波段建立了基于高分辨率影像數據的土壤鹽漬化偏最小二乘回歸(PLSR)模型并進行了精度驗證。結果表明：①從遙感影像提取SAVI指數時，在系數()調節(jié)范圍內選取固定系數值，系數值(間隔為0.1)從0.1變化到1.0的過程中，相應提取的SAVI指數與土壤電導率的相關性明顯提升，相關性系數()從0.30提高到0.50，并通過顯著性檢驗(<0.01)。②選取的SAVI1.0、B6、B7、B8四種變量中，以SAVI1.0+B6+B8為變量組合所建立的PLSR模型為最優(yōu)，該模型較其他變量組合建模的決定系數(2p)提高了0.11，因此，在研究區(qū)該模型具有更好的預測能力，模型精度為RMSEC=0.77 dS/m、C2=0.68、RMSEP=0.79 dS/m、P2=0.66、RPD=2.2。

克里雅河；鹽漬化；土壤調節(jié)植被指數；EM38；WorldView-2影像

土壤鹽漬化是指土壤底層或地下水的鹽分隨毛管水上升到地表，水分蒸發(fā)后，使鹽分積累在表層土壤中的過程，也稱鹽堿化[1]。土壤鹽漬化現(xiàn)象通常發(fā)生在降雨量稀少，土壤水分蒸發(fā)量較大，地下水位高且可溶性鹽分含量較多的干旱、半干早地區(qū)，目前已成為全球性環(huán)境問題。過度的土壤鹽漬化會導致不同程度的土地退化和荒漠化，直接和間接地影響人類社會經濟的發(fā)展、農業(yè)的穩(wěn)定生產和生態(tài)環(huán)境的可持續(xù)發(fā)展。及時監(jiān)測綠洲地區(qū)土壤鹽漬化時空分布信息，分析土壤鹽漬化程度，對保護該地區(qū)生態(tài)環(huán)境的穩(wěn)定性、實現(xiàn)農業(yè)生產可持續(xù)發(fā)展起著至關重要的作用[2]。

利用遙感技術監(jiān)測土壤鹽漬化始于20世紀70年代。研究初期，利用多波段、多時相的遙感數據對鹽漬土和鹽生植被進行監(jiān)測是研究的熱點問題[3]。近幾十年來，國內外諸多學者對土壤鹽漬化的遙感反演研究做出了重要的貢獻，呈現(xiàn)了較好的反演結果。Roger等[4]1984年利用光譜反射率研究地物特征，為后續(xù)地物特征高光譜遙感反演研究提供了理論基礎。Lhissoui等[5]利用Landsat-TM多光譜遙感影像波段與實測電導率數據進行相關性分析，通過半經驗模型對土壤鹽漬化進行了反演。Nawar等[6]用實測數據與ASTER數據相結合，分別建立了基于偏最小二乘回歸(PLSR)和高維數據回歸(MARS)的土壤含鹽量預測模型，認為MARS模型的預測精度高于PLSR模型。Asfaw等[7]和Gorji 等[8]利用Landsat影像提取鹽分指數，通過線性回歸和指數歸回對實測電導率數據與鹽分指數進行擬合，選取最優(yōu)鹽分指數進行了土壤鹽漬化遙感反演。關元秀等[9]利用實測數據、地物光譜數據和Landsat/TM數據相結合建立地物與影像之間的關系，定量反演了黃河三角洲地區(qū)土壤含鹽量，并進行了黃河三角洲地區(qū)土壤鹽漬化分級。姚遠[10]通過典型研究區(qū)不同鹽漬化土壤光譜反射率數據的變換和分析，選擇與土壤含鹽量響應敏感波段，建立了實測高光譜土壤含鹽量反演模型，以校正HSI影像建立的土壤含鹽量反演模型。彭杰等[11]通過分析土樣的高光譜數據和室內測定的鹽分與電導率數據，研究了耕作土壤含鹽量與電導率的關系，并比較了含鹽量和電導率與不同光譜指標的相關性以及二者高光譜反演的精度。王爽等[12]以實測獲取不同程度鹽漬化土壤的高光譜反射率及土壤含鹽量，從中優(yōu)選出對不同鹽漬化程度土壤最為敏感的光譜波段，結合Landsat-TM多光譜遙感影像構建了最佳土壤鹽漬化監(jiān)測模型，并用此模型實現(xiàn)了大尺度下高精度土壤鹽分的定量反演；馬馳[13]通過對GF-1遙感影像的反射率及其變換形式與土樣含鹽量進行相關性分析，獲得鹽堿的敏感波段，最后以多元逐步回歸分析的方法建立了土壤含鹽量反演模型，反演了研究區(qū)土壤含鹽量。上述研究成果為探索地物光譜特征與土壤特性的定量關系開辟了新的方向。

以往估算土壤鹽漬化的研究大多利用單個敏感波或敏感光譜指數進行建模，而采用多個敏感波段與敏感光譜指數綜合建模的研究相對較少，這可能會造成敏感波段及指數無法充分利用，導致模型精度在一定程度上受到制約?；诖?，本研究選取內陸干旱區(qū)于田克里雅河流域為研究區(qū)，利用353個土壤表觀電導率(ECa)為數據源，結合WorldView-2高分辨率遙感影像的敏感波段及提取的土壤調節(jié)植被指數(SAVI)，分析變量之間的不同組合方式對PLSR模型估算荒漠土壤鹽漬化的可能性，并選取最優(yōu)變量組合方式，以提高干旱區(qū)荒漠土壤鹽漬化空間高分辨率分布的預測精度，為土壤鹽漬化等相關研究及當地精準農業(yè)提供科學支持和應用參考。

1 材料與方法

1.1 研究區(qū)概況

于田綠洲地處塔克拉瑪干沙漠南緣與昆侖山北坡之間的沖積平原(圖1)，地理位置81°09′ ~ 82°51′ E，35°14′ ~ 39°29′ N，整個縣域東西寬大約為30 ~ 120 km，南北長約為466 km，總面積4.03萬km2，下轄19個鄉(xiāng)級行政區(qū)，總人口為23萬[14]?？死镅藕恿饔蛭挥谒死敻缮衬暇?，昆侖山中段北部，受大陸性干旱氣候和山盆相間的地貌格局影響，流域中部發(fā)育了典型的綠洲-荒漠生態(tài)系統(tǒng)[15]。四季分明、晝夜溫差大、降水稀少、蒸發(fā)量大、春夏多風沙是該流域的顯著氣候特點，其屬于典型的極端干旱區(qū)。平原綠洲年降水量僅14 mm左右，蒸發(fā)量則高達2 500 mm左右，土地利用方式主要以農業(yè)為主，主要農作物為棉花，主要依靠山區(qū)冰雪融化水和部分地下水灌溉。地下水包括堿性、弱硬水-極硬水、淡水、弱礦化水和中等礦化水在研究區(qū)內均有分布。流域范圍內土壤鹽漬化和沙漠化現(xiàn)象共存，嚴重制約著植被生長和綠洲農業(yè)的發(fā)展，生態(tài)十分脆弱[16]。

1.2 樣點布設與數據獲取

采樣方案涉及數據采集的準確性，是確保研究開展的前提條件。采樣前采樣時間、方法與規(guī)范等因素必須進行詳細考慮。本研究EM38數據采集于2014年10月6日，當天天氣良好，無風無云。采用2 m × 2 m近似格網系統(tǒng)采集法，目的是和高分辨率影像數據分辨率一致。采樣過程中在使用手持GPS儀選定353個點位(圖1)的基礎上，獲取每個點位的EM38數據，包含垂直模式與水平模式下的兩種數據。在測量過程中，EM38電導儀始終沿東西方向放置。EM38電導儀主要是應用電磁感應原理，通過測量原生磁場和誘導出的次生磁場的相對關系來測量大地電導率。分析所采集的原始數據，剔除由于人為因素導致的不合理數據，結合前人研究[17-19]計算采樣點的表觀電導率(ECa)。數據采集時，在2 m × 2 m網格中采集5個點的數據代表1個采樣點，即每個采樣點的ECa為5個點的平均值，以減少測量時人為和自然因素所導致的誤差。

1.3 光譜指數與敏感波段提取

本研究選取內陸干旱區(qū)于田縣克里雅河流域邊緣為研究靶區(qū)，以購買的WorldView-2高分辨率影像為數據源，大小為2 531 × 2 524像元，獲取時間為2014年10月6日。為了建立基于高分辨率多光譜影像的土壤表觀電導率預測模型并提高分布分辨率與預測精度，充分利用高分辨率影像數據，對影像進行幾何校正，之后利用cost模型進行大氣校正，并進行反射率反演等預處理[20]。

Dwivedi等[21]通過WorldView-2遙感影像(1、3、5波段)波段組合來提取土壤鹽漬化信息，結果顯示波段的組合應用到波段轉換使得鹽漬化信息更加明顯，減小了土地利用類型的光譜信息。本研究對采樣點范圍進行裁剪，利用預處理的遙感影像選取敏感波段，選取的依據是波段反射率與土壤電導率之間的相關性程度，通過顯著性檢驗(<0.01)的波段為敏感波段。同時，結合前人對光譜指數與鹽漬化的研究，選取可調試系數的光譜指數(SAVI)，以解釋土壤背景光學特征的變化，修正土壤背景對光譜指數的敏感度。該光譜指數與植被指數(NDVI)相比較，增加了根據實際情況確定的土壤調節(jié)系數()，系數取值范圍為0 ~ 1。當=0時，該調節(jié)植被指數表示NDVI[22]。SAVI的計算公式為：

SAVI=(NIR-R)×(1+)/(NIR+R+) (1)

式中：NIR是近紅外波段；R是紅波段；是隨著植被指數變化的參數。

圖1 研究區(qū)位置和采樣點分布

結合SAVI指數的系數取值范圍，本研究嘗試利用影像提取不同系數下的SAVI指數。當系數值= 0.1 ~1.0，間隔為0.1時，調節(jié)植被指數對應為SAVI0.1~1.0。利用ArcGIS軟件提取樣點對應的10種SAVI0.1~1.0值，通過SPSS軟件對不同系數下的光譜指數與土壤電導率進行相關性分析，通過顯著性檢驗(<0.01)并相關系數達到最高時，該調節(jié)土壤亮度的植被指數為最優(yōu)光譜指數。

1.4 模型建立與驗證

本研究以提取的敏感波段及最佳光譜指數為數據源，利用PLSR建立土壤鹽漬化估算模型。通過對比各模型的校正均方根誤差(RMSEc)、建模決定系數(c2)、預測均方根誤差(RMSEp)、預測決定系數(p2)、相對分析誤差(RPD)，篩選出最優(yōu)模型用以對研究區(qū)土壤鹽漬化進行遙感反演。2p用以判定模型的穩(wěn)定程度，越接近于1，模型的穩(wěn)定性越好；RMSEp用于表征模型的準確性，其值越小表明模型的精度越高。另外，當RPD<1.4時，模型不可用；RPD≥1.4或＜2時，模型估算效果一般，RPD≥2時，模型具有較好的定量預測能力[23]。

2 結果與分析

2.1 土壤表觀電導率

本研究對野外實測土壤ECa數據進行了統(tǒng)計與分析，并根據實際野外情況對建模數據與驗證數據進行了分類。為了使建模集和驗證集可以充分反映研究區(qū)ECa的實際情況，將353個樣本按照ECa值從高到低進行排序，等間隔抽取253個作為建模集與100個作為驗證集樣本。由采樣點ECa的描述性統(tǒng)計特征(表1)可見，建模集和驗證集對應的ECa均值分別為4.57 dS/m和4.69 dS/m，變異系數分別為43.54% 和46.90%；研究區(qū)所有采樣點的ECa平均值為4.60 dS/m，變異系數為44.57%，屬中等變異程度(15%

表1 采樣點土壤ECa統(tǒng)計特征(dS/m)

2.2 土壤表觀電導率與遙感數據的相關性

本研究分析了ECa與不同系數下SAVI指數間的相關性(圖2A)。從圖2A可知，系數從0.1 ~ 1.0(間隔為0.1)的變化過程中，SAVI指數與ECa的相關性逐漸提升后變?yōu)榉€(wěn)定，當=1.0時，SAVI1.0與ECa之間的相關性達到最高，并通過了顯著性檢驗(<0.01)，即SAVI1.0為最佳光譜指數。從高分辨率影像選取敏感波段是本研究的重點之一。應用ENVI-5.3軟件提取高分辨率影像的可見光以及近紅外光共8個對應樣點的波段反射率值，與ECa進行Pearson相關分析(圖2B)，以選取對土壤鹽漬化最佳敏感的波段。研究發(fā)現(xiàn)，可見光波段反射率對土壤鹽漬化的敏感程度比較弱，近紅外波段(B6、B7、B8)反射率與土壤鹽漬化之間呈現(xiàn)較好的相關性。

2.3 土壤表觀電導率的PLSR建模

本研究以克里雅河邊緣典型鹽漬化區(qū)域的ECa、高分辨率影像、提取的最優(yōu)光譜指數及敏感波段為數據源，利用PLSR建立土壤鹽漬化反演模型，建立的8個PLSR模型的建模變量組合、RMSEc、c2、RMSEp、p2、RPD等參數如表2所示。根據模型的精度參數，對建立的8個模型進行篩選，發(fā)現(xiàn)RPD≥2的模型數量為3，分別為SAVI1.0+B6+B7、SAVI1.0+B6+B8、SAVI1.0+B6+B7+B8變量組合建立的PLSR模型，其余模型的RPD＜2，對土壤鹽漬化的反演能力很弱。利用ECa驗證數據集對所建立的模型進行預測精度驗證(圖3)，對模型的精度參數(RMSEc、c2、RMSEp、p2、RPD)和敏感波段及最優(yōu)光譜指數不同組合進行綜合對比，發(fā)現(xiàn)以SAVI1.0+B6+B8為變量組合所建立的模型為最優(yōu)，該模型的RMSEp=0.79 dS/m、p2= 0.66、RPD=2.2；而基于全部參數為變量時，建立的預測模型精度參數略低于最優(yōu)模型，精度參數分別為RMSEp=0.85 dS/m、p2=0.63、RPD=2.0。

(圖中B1~B8表示可見光及近紅外光8個波段的反射率)

表2 不同變量組合建模精度分析

注：1為SAVI1.0；2為B6；3為B7；4為B8；為土壤表觀電導率。

圖3 土壤電導率模型預測值與實測值的驗證

2.4 土壤鹽漬化遙感反演及高分辨率制圖

土壤鹽漬化的高精度遙感反演及高分辨率制圖是該研究領域的熱點問題之一。土壤鹽漬化的空間分布及分布的界限對該研究領域農作物危害的減少具有指導意義。本研究通過上述具有反演能力的PLSR模型，結合高分辨率遙感影像進行土壤鹽漬化高分辨率制圖(圖4A)。參考Farifteh等[25]對土壤電導率的分類等級規(guī)范，本研究區(qū)土壤鹽漬化等級分為4種類型，分別為ECa= 0 ~ 2 dS/m為輕度鹽漬地，ECa=2 ~ 4 dS/m為中度鹽漬地，ECa=4 ~ 8 dS/m為鹽漬地，ECa≥8 dS/m為重度鹽漬地。本研究未涉水體的采樣，對高分辨率反演結果圖進行處理時，將水體部分ECa賦值為0。結合研究區(qū)的高分辨率植被指數空間分布情況，與土壤鹽漬化空間分布進行比較，可更好地驗證反演模型對土壤鹽漬化的識別能力。分析發(fā)現(xiàn)，土壤鹽漬化主要分布在克里雅河流域邊緣及植被覆蓋度比較低的區(qū)域，植被覆蓋度變化與土壤鹽漬化程度呈現(xiàn)相反趨勢。如ECa＞8 dS/m區(qū)域范圍內，植被覆蓋度很低，而ECa值越小的區(qū)域范圍內，植被覆蓋度越高，即植被覆蓋越高，鹽漬化程度越低。

圖4 土壤鹽漬化空間分布和植被指數NDVI空間分布

3 結論

1)從遙感影像提取SAVI指數時，在系數()調節(jié)范圍內選取固定系數值，系數值(間隔為0.1)從0.1 ~ 1.0的過程中，相應提取的SAVI指數與ECa的相關性明顯地提升，相關性系數()從0.30提高到0.50，并通過顯著性檢驗(<0.01)。

2)選取的SAVI1.0、B6、B7、B8四種變量中，以SAVI1.0+B6+B8為變量組合所建立的PLSR模型為最優(yōu)，較其他變量組合建模，該模型的決定系數(2p)提高了0.11。因此，在研究區(qū)該模型具有更好的預測能力，模型精度為RMSEc=0.77 dS/m、C2=0.68、RMSEP=0.79 dS/m、P2=0.66、RPD=2.2。

[1] 阿斯古麗·木薩, 阿不都拉·阿不力孜, 瓦哈甫·哈力克, 等. 新疆克里雅綠洲土壤鹽分、pH和鹽基離子空間異質性分析[J]. 土壤, 2017, 49(5): 152–159

[2] Sidike A, Zhao S, Wen Y. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 26(2): 156– 175

[3] 翁永玲, 宮鵬. 土壤鹽漬化遙感應用研究進展[J]. 地理科學, 2006, 26(3): 369–375

[4] Roger N C, Ted L R. Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications[J]. Journal of Geophysical Research: Solid Earth, 1984, 89(B7): 6329–6340

[5] Lhissoui R, Harti A E, Chokmani K. Mapping soil salinity in irrigated land using optical remote sensing data[J]. Eurasian Journal of Soil Science, 2014, 3(2): 82–88

[6] Nawar S, Buddenbaum H, Hill J. Digital Mapping of Soil Properties Using Multivariate Statistical Analysis and ASTER Data in an Arid Region [J]. Remote Sensing, 2015, 7(2): 1181–1205

[7] Asfaw E, Suryabhagavan K V, Argaw M. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia[J]. Journal of the Saudi Society of Agricultural Sciences, 2016(9): 250–258

[8] Gorji T, Tanik A, Sertel E. Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey[J]. Ecological Indicators, 2017, 74: 384–391

[9] 關元秀, 劉高煥, 劉慶生, 等. 黃河三角洲鹽堿地遙感調查研究[J]. 遙感學報, 2001, 5(1): 46–52

[10] 姚遠. 基于實測高光譜和電磁感應數據的區(qū)域土壤鹽漬化遙感監(jiān)測研究[J]. 光譜學與光譜分析, 2014, 33(7): 1917–1921

[11] 彭杰, 王家強, 向紅英, 等. 土壤含鹽量與電導率的高光譜反演精度對比研究[J]. 光譜學與光譜分析, 2014, 34(2): 510–514

[12] 王爽, 丁建麗, 王璐, 等. 基于地表光譜建模的區(qū)域土壤鹽漬化遙感監(jiān)測研究[J]. 干旱區(qū)地理, 2016, 39(1): 190–198

[13] 馬馳. 基于GF-1遙感圖像土壤含鹽量反演研究[J]. 中國農村水利水電, 2017(5): 5–8

[14] 姜紅濤, 塔西甫拉提·特依拜, 買買提·沙吾提, 等. 于田綠洲土壤鹽漬化動態(tài)變化研究[J]. 土壤通報, 2014, 45(1): 123–129

[15] 程仲雷, 海米提·依米提. 克里雅河流域水資源承載力初步研究[J]. 安徽農業(yè)科學, 2011, 39(35): 21997–21999

[16] 韓桂紅, 塔西甫拉提·特依拜, 買買提沙吾提, 等. 基于典范對應分析的干旱區(qū)春季鹽漬化特征研究[J]. 土壤學報, 2012, 49(4): 681–687

[17] 姚榮江, 楊勁松, 鄒平, 等. 基于電磁感應儀的田間土壤鹽漬度及其空間分布定量評估[J]. 中國農業(yè)科學, 2008, 41(2): 460–469

[18] 姚榮江, 楊勁松, 姜龍. 電磁感應儀用于土壤鹽分空間變異及其剖面分布特征研究[J]. 浙江大學學報農業(yè)與生命科學版, 2007, 33(2): 207–216

[19] 劉廣明, 楊勁松, 鞠茂森, 等. 電磁感應土地測量技術及其在農業(yè)領域的應用[J]. 土壤, 2003, 35(1): 27–29

[20] 趙瑩, 王環(huán), 方圓. 基于WorldView-2的遙感影像預處理[J]. 測繪與空間地理信息, 2014(6): 165–167

[21] Dwivedi R S, Rao B R M. The selection of the best possible Landsat TM band combination for delineating salt-affected soils[J]. International Journal of Remote Sensing, 1992, 13(11): 2051–2058

[22] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote sensing of environment, 1988, 25(3): 295–309

[23] 屈永華, 段小亮, 高鴻永, 等. 內蒙古河套灌區(qū)土壤鹽分光譜定量分析研究[J]. 光譜學與光譜分析, 2009, 29(5): 1362–1366

[24] Ghulam A Q, Zhu Q L, Abdrahman P. Satellite remote sensing of groundwater: quantitative modelling and uncer-tainty reduction using 6s atmospheric simulations. Interna-tional Journal of Remote Sensing, 2004, 25(23): 5509–5524

[25] Farifteh J, Meer F V D, Atzberger C, et al. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN)[J]. Remote Sensing of Environment, 2007, 110(1): 59–78

Mapping and Modelling of Soil Salinity Using WorldView-2 Data and EM38 in Arid Region of Keriya River, China

NIJAT Kasim1,2, SHI Qingdong1,2, GUO Yuchuan1,2*, RUKEYA Sawut1,2, ILYAS Nurmemet1,2, MIHRIGUL Tashpolat1,2

(1College of Resources and Environmental Sciences, Xinjiang University, Urumqi 830046, China; 2 Key Laboratory of Oasis Ecology Under Ministry of Education, Xinjiang University, Urumqi 830046, China)

Soil salinity is one of the factors for land degradation, especially in the arid and semi-arid regions. In this paper, the typical salinity region in the upstream margin of Keriya River in Yutian County of Xinjiang was taken as the study object, EM38 sensor was used to in situ measure soil apparent electrical conductivity (ECa), WorldView-2 images were used to extract adjusted soil vegetation index (SAVI) under different conditions, and PLSR model derived from SAVI and ECa was setup to estimate soil salinization. The results showed that the correlation between SAVI and ECa was increased significantly from 0.30 to 0.5 when the adjusted parameter () increased from 0.1 to 1.0. The optimal model was established by using the combination of SAVI1.0+B6+B8, its determination coefficient (2p) was promoted by 0.11 compared with those of models derived from other variable combination, the validation coefficients were RMSEC=0.77,2 C=0.68, RMSEP=0.79,P=0.66, RPD=2.2. Therefore, the model derived from different variable combination can provide a fast and accurate method for monitoring soil salinization.

Keriya River; Soil salinity; SAVI; EM38; WorldView-2

國家自然科學基金項目(U1703237)資助。

(xjguoyuchuan@126.com)

尼加提·卡斯木(1991—)，男，維吾爾族，新疆伊寧人，博士研究生，主要研究方向為生態(tài)規(guī)劃與管理。E-mail：NejatKasim@126.com

S156.4

A

10.13758/j.cnki.tr.2019.03.024