阿拉善地区土壤盐渍化的遥感反演及分布特征

doi:10.7522/j.issn.1000-694X.2022.00070

摘要/Abstract

摘要：

土壤盐渍化是威胁干旱区土地的重要环境问题。利用遥感技术对土壤盐渍化进行动态监测，分析土壤盐度水平与空间分布，有利于掌握土壤盐渍化现状，为土地资源可持续利用提供理论依据。现有研究多在田间尺度，随着土壤环境问题涉及的范围越来越大，区域斑块信息的提取已无法满足宏观地模拟和展示整体土壤环境的空间分布。以阿拉善地区为例，结合遥感光谱指数与实测土壤盐分数据，运用偏最小二乘回归（PLSR）方法，构建区域尺度范围的土壤盐渍化反演模型，实现大面积地区土壤盐度的精准模拟和定量监测。结果表明，构建的模型验证精度达到0.8788，达到极显著水平，预测结果与实际情况相符，可以较准确地模拟研究区土壤盐渍化状况。受地形、气候、景观类型、农业活动以及土地管理等因素的综合影响，阿拉善地区约20%的区域土壤呈现出不同程度的盐渍化，其中黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇土壤盐渍化程度最为严重。本研究可为大面积区域土壤盐分状况的快速监测及遥感定量反演提供可行的方法，同时为该区域不同程度盐渍化土壤的治理和土地利用管理提供依据。

关键词: 土壤盐渍化, 光谱指数, 偏最小二乘回归, 盐分反演

Abstract:

Soil salinization is an important environmental problem that threatens lands in arid regions. Using remote sensing technology to dynamically monitor soil salinity and analyze the level and spatial distribution of soil salinity is conducive to grasping the current situation of soil salinization， and providing a theoretical basis for the sustainable utilization of land resources. However， most of the existing studies focus on the field scale， with the increasing scale of soil environmental problems， the extraction of regional patch information cannot macroscopically simulate and display the spatial distribution of the overall soil environment. To solve this problem， taking the Alxa area as an example， combined with remote sensing spectral index and measured soil salt data， this paper built soil salinization inversion model at regional scale by using the partial least squares regression （PLSR） method to realize the accurate simulation and quantitative monitoring of soil salinity in a large area. The results show that the verification accuracy of the model reaches 0.8788， reaching a very significant level， and the prediction results are more consistent with the actual situation， which can accurately simulate the soil salinization in the study area. Due to the comprehensive influence of terrain， climate， landscape type， agricultural activities， and land management， about 20% of the regional soil in Alxa shows varying degrees of salinization， and the most serious soil salinization areas are the riparian zone of the lower reaches of Heihe River， the west side of Yabulai Mountain， and the alluvial fan on the west side of Helan Mountain. This study can provide a feasible method for the rapid monitoring and remote sensing quantitative inversion of soil salinity in a large area， and provide a basis for the treatment of different degrees of salinized soil and land use management in this area.

Key words: soil salinization, spectral index, Partial Least Squares Regression, salt inversion

中图分类号:

S153

赵欣悦, 席海洋, 赵静, 马克华, 程文举, 陈雨晴. 阿拉善地区土壤盐渍化的遥感反演及分布特征[J]. 中国沙漠, 2023, 43(1): 27-36.

Xinyue Zhao, Haiyang Xi, Jing Zhao, Kehua Ma, Wenju Cheng, Yuqing Chen. Inversion and spatial distribution characteristics of soil salinity in Alxa area， China[J]. Journal of Desert Research, 2023, 43(1): 27-36.

图/表 10

图1 研究区概况及采样点分布

Fig.1 Study area and distribution of sampling points

表1 光谱指数计算公式

Table 1 Calculation formula of spectral index

光谱指数	公式	参考文献
盐分指数 (SI-T)	SI-T =Red/NIR×100	[25]
盐分指数 (SI)	SI = $B l u e × R e d$	[25]
盐分指数 (SI₁)	SI₁ = $G r e e n × R e d$	[26]
盐分指数 (SI₂)	SI₂ = $G r e e n 2 + R e d 2 + N I R 2$	[26]
盐分指数 (SI₃)	SI₃= $G r e e n 2 + R e d 2$	[26]
盐分指数 (SI₄)	SI₄ =SWIR1/NIR	[26]
盐分指数 (SI₅)	SI₅= (Red－SWIR1)/(Red +SWIR1)	[27]
盐分指数 (SI₆)	SI₆ =Blue×Red/Green	[28]
盐分指数 (SI₇)	SI₇ =Red×NIR/Green	[28]
亮度指数 (BI)	BI= $R e d 2 + N I R 2$	[29]
归一化盐分指数 (NDSI)	NDSI=(Red-NIR)/(Red +NIR)	[25]
土壤条件植被指数 (SAVI)	SAVI = (NIR-Red)×1.5/(NIR+Red+0.5)	[30]
归一化植被指数 (NDVI)	NDVI = (NIR-Red)/(NIR +Red)	[31]
差值植被指数 (DVI)	DVI =NIR-Red	[32]
比值植被指数 (RVI)	RVI =NIR/Red	[32]
盐渍化遥感指数 (SRSI)	SRSI = $(N D V I - 1) 2 + S I 12$	[33]

表1 光谱指数计算公式

Table 1 Calculation formula of spectral index

光谱指数	公式	参考文献
盐分指数 (SI-T)	SI-T =Red/NIR×100	[25]
盐分指数 (SI)	SI = $B l u e × R e d$	[25]
盐分指数 (SI₁)	SI₁ = $G r e e n × R e d$	[26]
盐分指数 (SI₂)	SI₂ = $G r e e n 2 + R e d 2 + N I R 2$	[26]
盐分指数 (SI₃)	SI₃= $G r e e n 2 + R e d 2$	[26]
盐分指数 (SI₄)	SI₄ =SWIR1/NIR	[26]
盐分指数 (SI₅)	SI₅= (Red－SWIR1)/(Red +SWIR1)	[27]
盐分指数 (SI₆)	SI₆ =Blue×Red/Green	[28]
盐分指数 (SI₇)	SI₇ =Red×NIR/Green	[28]
亮度指数 (BI)	BI= $R e d 2 + N I R 2$	[29]
归一化盐分指数 (NDSI)	NDSI=(Red-NIR)/(Red +NIR)	[25]
土壤条件植被指数 (SAVI)	SAVI = (NIR-Red)×1.5/(NIR+Red+0.5)	[30]
归一化植被指数 (NDVI)	NDVI = (NIR-Red)/(NIR +Red)	[31]
差值植被指数 (DVI)	DVI =NIR-Red	[32]
比值植被指数 (RVI)	RVI =NIR/Red	[32]
盐渍化遥感指数 (SRSI)	SRSI = $(N D V I - 1) 2 + S I 12$	[33]

表2 土壤样本盐分含量统计特征

Table 2 Statistical characteristics of soil salinity in soil samples

年份	样本数/个	最小值/(g·kg^-1)	最大值/(g·kg^-1)	平均值/(g·kg^-1)	标准差/(g·kg^-1)	变异系数C_V
2018	34	0.28	42.47	2.53	7.32	2.90
2019	34	0.24	41.75	2.92	8.30	2.84

表3 波段反射率值与盐分含量的相关系数

Table 3 Correlation coefficient between band reflectance and salt content

波段	相关系数
蓝Blue	-0.200
绿Green	-0.189
红Red	-0.287
近红外NIR	0.082
短波红外SWIR₁	0.128
短波红外SWIR₂	-0.442^*

图2 土壤盐分含量与光谱指数的相关系数（* P<0.05； ** P<0.01）

Fig.2 Correlation coefficient between soil salt content and spectral index in the study area （* P<0.05； ** P<0.01）

图3 含有8个潜在变量的PLSR模型回归系数

Fig.3 Regression coefficients of PLSR model with 8 latent variables

图4 2019年PLSR模型建模集和验证集土壤盐分反演精度

Fig.4 Soil salinity inversion accuracy of PLSR model calibration set and validation set in 2019

表4 PLSR模型土壤盐分反演精度

Table 4 Soil salinity inversion accuracy of PLSR model

建模集			验证集
决定系数R²	均方根误差RMSE		决定系数R²	均方根误差RMSE	相对分析误差RPD
0.9771	0.7172		0.9242	1.3472	2.8724

图5 2018年PLSR模型土壤盐分反演精度

Fig.5 Soil salinity inversion accuracy of PLSR model in 2018

图6 2019年土壤盐分空间分布

Fig.6 Spatial distribution of soil salinity in the study area in 2019

参考文献 45

1	Metternicht G I， Zinck J A.Remote sensing of soil salinity：potentials and constraints［J］.Remote Sensing of Environment，2003，85（1）：1-20.
2	Gorji T， Sertel E， Tanik A.Monitoring soil salinity via remote sensing technology under data scarce conditions：a case study from Turkey［J］.Ecological Indicators，2017，74：384-391.
3	丁建丽，姚远，王飞.干旱区土壤盐渍化特征空间建模［J］.生态学报，2014，34（16）：4620-4631.
4	Mougenot B， Pouget M， Epema G.Remote sensing of salt-affected soils［J］.Remote Sensing Reviews，1993，7（3/4）：241-259.
5	张飞，塔西甫拉提·特依拜，丁建丽，等.渭干河-库车河三角洲绿洲土壤盐渍化现状特征及其与光谱的关系［J］.环境科学研究，2009，22（2）：227-235.
6	翁永玲，戚浩平，方洪宾，等.基于PLSR方法的青海茶卡-共和盆地土壤盐分高光谱遥感反演［J］.土壤学报，2010，47（6）：1255-1263.
7	Farifteh J， Van der Meer F， 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.
8	扶卿华，倪绍祥，王世新，等.土壤盐分含量的遥感反演研究［J］.农业工程学报，2007（1）：48-54.
9	Vermeulen D， Van Niekerk A.Machine learning performance for predicting soil salinity using different combinations of geomorphometric covariates［J］.Geoderma，2017，299：1-12.
10	张智韬，魏广飞，姚志华，等.基于无人机多光谱遥感的土壤含盐量反演模型研究［J］.农业机械学报，2019，50（12）：151-160.
11	姜红，玉素甫江•如素力，热伊莱•卡得尔，等.基于神经网络模型的干旱区绿洲土壤盐渍化评价分析［J］.地球信息科学学报，2017，19（7）：983-993.
12	Rodriguez-Galiano V F， Chica-Olmo M， Abarca-Hernandez F，et al.Random forest classification of mediterranean land cover using multi-seasonal imagery and multi-seasonal texture［J］.Remote Sensing of Environment，2012，121：93-107.
13	王丽爱，马昌，周旭东，等.基于随机森林回归算法的小麦叶片SPAD值遥感估算［J］.农业机械学报，2015，46（1）：259-265.
14	Said N， Henning B， Joachim H，et al.Modeling and mapping of soil salinity with reflectance spectroscopy and landsat data using two quantitative methods （PLSR and MARS）［J］.Remote Sensing，2014，6：10813-10834.
15	Yu H， Liu M， Du B，et al.Mapping soil salinity/sodicity by using Landsat OLI imagery and PLSR algorithm over semiarid west Jilin Province，China［J］.Sensors，2018，18（4）：1-17.
16	Fourati H T， Bouaziz M， Benzina M，et al.Modeling of soil salinity within a semi-arid region using spectral analysis［J］.Arabian Journal of Geosciences，2015，8（12）：11175-11182.
17	屈永华，段小亮，高鸿永，等.内蒙古河套灌区土壤盐分光谱定量分析研究［J］.光谱学与光谱分析，2009，29（5）：1362-1366.
18	张子璇，宋雨桐，张惠中，等.水文气候影响下黄河三角洲土壤盐分时空动态［J］.应用生态学报，2021，32（4）：1393-1405.
19	卢周扬帆，许端阳，张绪教，等.阿拉善干旱荒漠区土地利用变化对生态系统服务的影响［J］.水土保持研究，2019，26（6）：296-302.
20	万炜，颜长珍.阿拉善高原生态环境退化研究进展［J］.地球环境学报，2018，9（2）：109-122.
21	鲍士旦.土壤农化分析［M］.北京：中国农业出版社，2000：178-199.
22	杨晓潇.天津市滨海新区土壤盐分反演及土壤质量评价［D］.北京：北京林业大学，2019.
23	Yu H， Liu M， Du B，et al.Analysis of salinization dynamics by remote sensing in Hetao Irrigation District of North China［J］.Agricultural Water Management，2010，97（12）：1952-1960.
24	Chavez P S， Berlin G L， Sowers L B.Statistical method for selecting Landsat MSS ratios［J］.Journal of Applied Photographic Engineering，1982，8（1）：23-30.
25	Allbed A， Kumar L， Aldakheel Y Y.Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries：applications in a date palm dominated region［J］.Geoderma，2014，230/231（7）：1-8.
26	Douaoui A E K， Nicolas H， Walter C.Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data［J］.Geoderma，2006，134（1/2）：217-230.
27	Bannari A， Guedon A M， El-Harti A，et al.Characterization of slightly and moderately saline and sodic soils in irrigated agricultural land using simulated data of advanced land imaging （EO-1） sensor［J］.Communications in Soil Science and Plant Analysis，2008，39（19/20）：2795-2811.
28	Abbas A， Khan S， Hussain N，et al.Characterizing soil salinity in irrigated agriculture using a remote sensing approach［J］.Physics and Chemistry of the Earth，2013，55/57：43-52.
29	Khan N M， Rastoskuev V V， Sato Y，et al.Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators［J］.Agricultural Water Management，2005，77（1/3）：96-109.
30	Huete A R.A soil-adjusted vegetation index （SAVI）［J］.Remote Sensing of Environment，1988，25（3）：295-309.
31	Rouse J W， Hass R W， Schell J A，et al.Monitoring the vernal advancement and retrogradation （green wave effect） of natural vegetation［R］.Greenbelt，MD，USA：NASA/GSFC Type III，1974.
32	Bannari A， Morin D， Bonn F，et al.A review of vegetation indices［J］.Remote Sensing Reviews，1995，13（1/2）：95-120.
33	Alhammad M S， Glenn E P.Detecting date palm trees health and vegetation greenness change on the eastern coast of the United Arab Emirates using SAVI［J］.International Journal of Remote Sensing，2008，29（6）：1745-1765.
34	代希君，彭杰，张艳丽，等.基于光谱分类的土壤盐分含量预测［J］.土壤学报，2016，53（4）：909-918.
35	杨小虎，罗艳琴，杨海昌，等.玛纳斯河流域绿洲农田土壤盐分反演及空间分布特征［J］.干旱区资源与环境，2021，35（2）：156-161.
36	Bui E N， Henderson B L.Vegetation indicators of salinity in northern Queensland［J］.Austral Ecology，2003，28（5）：539-552.
37	邱元霖，陈策，韩佳，等.植被覆盖条件下的解放闸灌域土壤盐分卫星遥感估算模型［J］.节水灌溉，2019（10）：108-112.
38	贾艳红，赵传燕，南忠仁.黑河下游地下水波动带土壤盐分空间变异特征分析［J］.干旱区地理，2008（3）：379-388.
39	吴亚坤，李金彪，高昊辰，等.阿拉善左旗土壤盐分空间变异特征研究［J］.土壤，2019，51（5）：1030-1035.
40	温利强.我国盐渍土的成因及分布特征［D］.合肥：合肥工业大学，2010.
41	王遵亲，祝寿泉，俞仁培，等.中国盐渍土［M］.北京：科学出版社，1993.
42	肖生春，肖洪浪.黑河流域绿洲环境演变因素研究［J］.中国沙漠，2003，23（4）：51-56.
43	张诚.阿拉善沙漠风积砂重矿物组成及物源分析［D］.兰州：兰州大学，2020.
44	杜秉晨曦，程勇翔，吴玲.准噶尔盆地植被与土壤盐渍化负关联性变化趋势分析［J］.生态学报，2021，41（23）：1-13.
45	张义强，王瑞萍，白巧燕.内蒙古河套灌区土壤盐碱化发展变化及治理效果研究［J］.灌溉排水学报，2018，37（）：118-122.

[1]	刘轩, 赵珮杉, 高广磊, 赵媛媛, 丁国栋, 糜万林. 沙地樟子松（ **Pinus sylvestris var. mongolica** ）物候特征及其对气候的响应[J]. 中国沙漠, 2022, 42(2): 25-35.
[2]	袁泽, 丁建丽, 牛增懿, 李艳华. 基于GF-1遥感影像的艾比湖区域田间尺度土壤盐渍化监测方法[J]. 中国沙漠, 2016, 36(4): 1070-1078.
[3]	陶兰花, 塔西甫拉提·特依拜, 姜红涛, 买买提·沙吾提, 吴雪梅. 克里雅河流域土壤盐分光谱定量分析[J]. 中国沙漠, 2014, 34(6): 1562-1567.
[4]	王珊珊, 陈曦, 周可法, 王重. 高光谱指数法用于确定多枝柽柳（Tamarix ramosissima）蒸腾速率[J]. 中国沙漠, 2014, 34(4): 1023-1030.
[5]	庞国锦, 王涛, 孙家欢, 李森. 基于高光谱的民勤土壤盐分定量分析[J]. 中国沙漠, 2014, 34(4): 1073-1079.
[6]	姚远, 丁建丽, 张芳, 江红南, 雷磊. 基于电磁感应技术的塔里木盆地北缘绿洲土壤盐分空间变异特性[J]. 中国沙漠, 2014, 34(3): 765-772.
[7]	谢姆斯叶·艾尼瓦尔, 塔西甫拉提·特依拜, 王宏卫, 买买提·沙吾提, 张飞. 人工智能计算技术在新疆干旱区典型绿洲土壤盐分预测中的应用[J]. 中国沙漠, 2014, 34(1): 153-161.
[8]	尤全刚;薛娴;黄翠华. 地下水深埋区咸水灌溉对土壤盐渍化影响的初步研究——以民勤绿洲为例[J]. 中国沙漠, 2011, 31(2): 302-308.
[9]	李晓松;李增元;高志海*;白黎娜;王琫瑜. 基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测[J]. 中国沙漠, 2011, 31(1): 162-167.
[10]	王玉刚;肖笃宁;李彦. 干旱内流区尾闾绿洲土壤积盐的动态特征[J]. 中国沙漠, 2009, 29(4): 604-610.
[11]	王玉刚;肖笃宁;李彦. 三工河流域中上游绿洲土壤盐化的时空动态[J]. 中国沙漠, 2008, 28(3): 478-484.