全 文 ：基于遥感的塔里木盆地北缘绿洲干湿季
土地盐渍化监测*
姚摇 远摇 丁建丽**摇 张摇 芳摇 王摇 刚摇 江红南
(新疆大学资源与环境科学学院 /绿洲生态教育部重点实验室, 乌鲁木齐 830046)
摘摇 要摇 土壤盐渍化是导致干旱区土地退化、抑制植被生长、影响区域农业生产的最主要的
生态环境地质问题.利用遥感数据准确、快速地获取区域盐渍化土壤的动态变化信息对于土
壤盐渍化监测具有重要意义.本文以盐渍化现象严重的新疆渭干河鄄库车河三角洲绿洲为研
究区,以 2011 年 4 月 15 日和 2011 年 9 月 22 日成像的两期 Landsat鄄TM多光谱遥感数据为数
据源,结合对研究区实地考察所采集的实测数据,通过提取改进型归一化差异水体指数、归一
化植被指数以及 K鄄L变换后所提取的第 3 主成分等参数作为特征量,利用决策树分类方法分
别建立了研究区两个关键季节(干季和湿季)的土壤盐渍化信息提取模型,并绘制了两个季节
的土壤盐渍化信息分类图.结果表明: 该方法对干季和湿季盐渍地信息的提取精度分别达到
87. 2% 、85. 3% ,识别精度较高;采用该方法可以有效地对盐渍地变化信息及其空间分布状况
进行监测,可为干旱区盐渍地的综合治理和绿洲土地资源的合理利用提供科学依据.
关键词摇 干旱区摇 遥感摇 决策树模型摇 干湿季摇 土壤盐渍化
文章编号摇 1001-9332(2013)11-3213-08摇 中图分类号摇 S127; TP753摇 文献标识码摇 A
Monitoring of soil salinization in Northern Tarim Basin, Xinjiang of China in dry and wet
seasons based on remote sensing. YAO Yuan, DING Jian鄄li, ZHANG Fang, WANG Gang,
JIANG Hong鄄nan (Ministry of Education Key Laboratory of Oasis Ecology, College of Resources and
Environment Science, Xinjiang University, Urumqi 830046, China) . 鄄Chin. J. Appl. Ecol. ,2013,24
(11): 3213-3220.
Abstract: Soil salinization is one of the most important eco鄄environment problems in arid area,
which can not only induce land degradation, inhibit vegetation growth, but also impede regional ag鄄
ricultural production. To accurately and quickly obtain the information of regional saline soils by
using remote sensing data is critical to monitor soil salinization and prevent its further development.
Taking the Weigan鄄Kuqa River Delta Oasis in the northern Tarim River Basin of Xinjiang as test ob鄄
ject, and based on the remote sensing data from Landsat鄄TM images of April 15, 2011 and Septem鄄
ber 22, 2011, in combining with the measured data from field survey, this paper extracted the
characteristic variables modified normalized difference water index (MNDWI), normalized differ鄄
ence vegetation index (NDVI), and the third principal component from K鄄L transformation (K鄄L鄄
3). The decision tree method was adopted to establish the extraction models of soil salinization in
the two key seasons (dry and wet seasons) of the study area, and the classification maps of soil
salinization in the two seasons were drawn. The results showed that the decision tree method had a
higher discrimination precision, being 87. 2% in dry season and 85. 3% in wet season, which was
able to be used for effectively monitoring the dynamics of soil salinization and its spatial distribu鄄
tion, and to provide scientific basis for the comprehensive management of saline soils in arid area
and the rational utilization of oasis land resources.
Key words: arid area; remote sensing; decision tree model; dry and wet seasons; soil salinization.
*国家自然科学基金项目(41261090,41161063,41130531,41001198,41261049)、教育部新世纪优秀人才支持计划项目(NCET鄄12鄄1075)和霍英
东教育基金项目(121018)资助.
**通讯作者. E鄄mail: ding_jl@ 163. com
2013鄄02鄄05 收稿,2013鄄08鄄01 接受.
应 用 生 态 学 报摇 2013 年 11 月摇 第 24 卷摇 第 11 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Nov. 2013,24(11): 3213-3220
摇 摇 土壤盐渍化是导致干旱区土地荒漠化、土地退
化的主要诱导因素之一[1-2],是关系到干旱区可持
续发展的战略性问题[3] . 近年来,随着人类活动对
生态环境变化影响的不断加剧,土壤盐渍化以及因
不合理灌溉所引起的次生盐渍化问题严重威胁着干
旱区生态环境的整体安全,并对绿洲农业的可持续
发展造成影响[4-6] .
干旱区土壤盐渍化程度易受季节性降水的影
响,在降水匮乏的干季和降水较集中的湿季,土壤盐
分含量的变化较明显,因而及时、准确地获取区域尺
度不同季节的土壤盐分变化信息对于合理利用土地
资源、加强对区域土壤盐渍化的有效防控、实现绿洲
农业的可持续发展具有重要的研究意义[7] . 传统的
采样方法受人力、物力以及交通条件等因素的限制,
所采集的数据难以反映出区域范围内土壤盐分变化
的完整信息[8],而遥感技术因其具有观测范围广、
数据信息量大、精度高、实时性和动态性强等特点,
现已成为区域尺度土壤盐渍化监测和评估的主要手
段[9-11] .当前,国内外学者利用不同传感器所获取的
遥感影像,采用多种分类方法和波段组合进行盐渍
化信息提取的研究已有较多报道[12-15],但针对干旱
区的不同季节时段,在分析遥感影像与不同地物光
谱响应特征的基础上,采用决策树分类方法,通过选
取合理特征量以及设定阈值和知识规则进行盐渍地
信息分层提取的研究则较少见.
本文以盐渍化现象严重的新疆渭干河鄄库车河
三角洲绿洲为研究区,以同一年份的干季和湿季的
遥感影像为基础数据源,结合两个时期的野外实测
数据和统计资料,采用决策树分类方法,通过合理选
取特征参量以及合理设定阈值,对研究区不同时段
的盐渍土信息进行提取,探讨了研究区的盐渍化程
度和空间分布状况以及成因.
1摇 研究区域与研究方法
1郾 1摇 研究区概况
渭干河鄄库车河三角洲绿洲位于塔里木盆地北
缘、中部天山南麓. 受大陆性干旱气候影响,研究区
年内蒸发量远大于降水量,年蒸发量达到 1992. 0 ~
2863. 4 mm,年降水量则为 46. 4 ~ 64. 5 mm,其中,
60% ~80%的年内降水主要集中分布在湿季(6—9
月),研究区干季的降水量稀少,仅占年降水量的
20%左右.年内降水量分配的不均匀不仅直接影响
到研究区的农业灌溉,也极易导致土壤盐渍化的发
生发展.研究区范围内的主要土壤类型为潮土、砂
土、草甸土、沼泽土、盐土和棕钙土等.绿洲内自然植
被以盐生植被为主,主要包括稀盐、泌盐和据盐植
物,如盐节木 ( Halocnemum strobliaceum)、盐穗木
(Halostachys caspica)、柽柳(Tamarix ramosissima)、
骆驼刺(Alhgi sparsifolia)、白刺(Nitrarria sibirica)和
花花柴(Karelinia caspia)等,农作物以玉米、棉花、水
稻等喜温作物为主.其中,盐生植被内由于含有大量
的可溶性盐分,其植物残体或残落物经矿化分解进
入土壤时,可导致绿洲土壤的积盐过程进一步加快.
1郾 2摇 样品的采集与分析
本文的主要研究对象为绿洲内部及其外围的盐
渍化土壤,将研究区范围确定为绿洲外围、绿洲内部
以及绿洲鄄荒漠交错带等盐渍化现象较普遍和严重
的区域,并排除大片的荒漠以及山地地区. 在 GPS
技术的支持下,依据研究区各类典型地物,如农田、
水体、戈壁、不同程度的盐渍地和盐生植被等,选取
采样点 68 个,采样点的位置和数量的选取也充分考
虑到了研究区土壤的质地、盐分状况、植被以及土地
利用方式等因素,最终根据野外的实地采样区域确
定研究区坐标为 41毅06忆—41毅40忆 N,82毅10忆—83毅50忆
E(图 1).
由于研究区属于极端干旱区,蒸降比约为
40 颐 1,地下水水位和矿化度偏高,土层透水性差,致
使地下水和深层土壤中的易溶性盐分极易通过土壤
的毛细管上升至地表,在蒸发作用的影响下在土壤
表层积聚,表聚强烈,严重的区域甚至会形成盐壳.
因而本研究对渭鄄库绿洲范围内的主要土地利用类
型进行表层土壤(0 ~ 10 cm)采样.土壤样品的采集
时间分别为 2011 年的 4 月中旬和 9 月下旬.为了降
低野外实测误差,每个采样点均在 30 m伊30 m 的采
样范围内进一步再选取 4 个点,呈梅花状采样.用四
分法取 500 g土样装袋带回实验室,按照 50 g 风干
土和250 mL蒸馏水的比例配置土壤浸提液[16] ,进
图 1摇 研究区采样点分布
Fig. 1摇 Distribution of soil sampling sites in study area.
4123 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
而测定其土壤盐分值.
1郾 3摇 数据源及预处理
本文采用 2011 年 4 月 15 日和 9 月 22 日成像
的两期 Landsat鄄TM影像进行盐渍化遥感监测研究,
利用研究区 1 颐 10 万的地形图对两期遥感影像分别
进行几何校正,校正误差 RMS控制在 0. 5 个像元以
内.同时,为了使各波段之间的空间分辨率相匹配,
研究采用三次卷积内插法(cubic convolution interpo鄄
lation)对 TM6 波段(空间分辨率为 120 m)进行重采
样,重采样后的空间分辨率 (30 m)与其余波段
一致.
1郾 4摇 决策树分类方法
由于干旱区土壤中的盐分和水分含量易受季节
性降水的影响而产生较大变化,而盐渍土的波谱反
射率会随着土壤水分的增加而下降. 这种不稳定性
对于干旱区盐渍化遥感监测的精度易产生较大影
响.因此,建立一套基于决策规则的、有利于提高分
类精度的盐渍地遥感分类方法就显得尤为重要[17] .
决策树分类是一种基于遥感图像分类方法的分层逐
次处理结构,将像元的特征值设定为基准位,适用于
边界模糊且结构复杂的地物分类方法[18] .其基本思
路在于将每种地物作为 1 个图层,将其从遥感影像
中逐步分离,并进行掩膜,以便整合出各种有效的特
征参量及分类方法,通过对目标地物的识别,提高整
幅遥感影像的分类精度.
1郾 4郾 1 盐渍地分类标准的确定摇 依据遥感影像的可
分类性原则,参照自治区水利厅制定的《新疆县级
盐碱地改良利用规划工作大纲》 [19],结合研究区的
地面景观特点和盐渍化土壤的实际状况以及研究需
要,制定遥感影像盐渍地信息提取方案(表 1).
1郾 4郾 2 特征变量选取摇 利用决策树分类方法进行信
息提取的关键点在于特征量的合理选取.研究所需
表 1摇 研究区遥感图像分类方案
Table 1摇 Scheme for the classification of RS images in the
study area
类别
Class
含义
Signification
重度盐渍地
Severely salinized soil
表层含盐量逸45 g·kg-1(盐壳厚度 5 ~ 10 cm,地
面以盐壳光板地为主,植被盖度小于 2% )
中度盐渍地
Moderately salinized soil
表层含盐量 25 ~ 45 g·kg-1(盐壳厚度 1 ~ 5 cm,植
被以芦苇、梭梭为主,植被盖度约为 10% )
轻度盐渍地
Slightly salinized soil
表层含盐量 5 ~ 25 g·kg-1(植被以红柳为主,植被
盖度约为 20% )
非盐渍化地
Non鄄salinized soil
表层含盐量 0 ~ 5 g·kg-1(植被以胡杨林、农田作
物、其他林地等为主)
水体
Water body
湖泊、水库、池塘、河流等
戈壁、沙地
Gobi and sandy soil
以碎砾石和沙质土壤为主,包含戈壁滩和岩石等,
植被盖度约 5%
要提取的是盐渍土的信息,因而本文对研究区所覆
盖主要地物类型的光谱特征进行分析,在此基础上
选择了适用于研究区决策树分类方法的特征量.
1)主成分分析(K鄄L 变换). K鄄L 变换的主要目
的在于提取有用信息,减少信息间的相关性,以此来
降低数据量,从而将原有影像中所涵盖的多波段信
息集中成波段数量较前者有所减少的主成分图像
中,使各主成分图像所涵盖的信息之间不重叠,进一
步减少冗余信息、突出有效信息[20-22] .
摇 摇 对研究区 2011 年干、湿两季遥感影像的 7 个波
段进行 K鄄L变换(表 2),变换结果表明,两幅影像前
3 个主成分的累计方差贡献率分别达到 95. 4%和
96. 8% ,之后的 4 个主成分所对应的特征向量没有
明显规律,且主成分贡献率值较小,说明其对绿洲典
型地物的响应不明显. 因而本研究将前 3 个主成分
(K鄄L鄄1、K鄄L鄄2 和 K鄄L鄄3)同影像的各个波段一起作
为特征变量,通过对研究区各地物的光谱特性进行
统计分析,从中选出有利于决策树分类模型构建的
特征变量(表 3).
2 )改进型归一化差异水体指数(MNDWI) . 归
表 2摇 研究区 2011 年干季 /湿季遥感影像主成分特征值和特征向量矩阵
Table 2摇 Principal component eigenvalue and eigenvector matrix of RS image in study area in dry and wet seasons in 2011
主成分
Principal
component
波段 1
Band 1
波段 2
Band 2
波段 3
Band 3
波段 4
Band 4
波段 5
Band 5
波段 6
Band 6
波段 7
Band 7
特征值
Eigenvalue
方差贡献率
Contribution of
variance (% )
K鄄L鄄1 0. 41 / 0. 37 0. 23 / 0. 31 0. 52 / 0. 49 0. 18 / 0. 15 0. 33 / 0. 45 0. 24 / 0. 19 0. 42 / 0. 38 983. 21 / 1213. 53 69. 0 / 71. 8
K鄄L鄄2 -0. 13 / -0. 08 -0. 04 / -0. 11 -0. 31 / -0. 22 0. 82 / 0. 74 0. 13 / 0. 08 0. 17 / 0. 08 -0. 13 / -0. 08 277. 3 / 338. 32 19. 5 / 20. 0
K鄄L鄄3 -0. 22 / -0. 13 -0. 31 / -0. 27 -0. 43 / -0. 37 -0. 57 / -0. 44 0. 49 / 0. 41 0. 38 / 0. 43 0. 42 / 0. 31 98. 31 / 84. 33 6. 9 / 5. 0
K鄄L鄄4 -0. 08 / -0. 15 -0. 13 / -0. 22 -0. 05 / -0. 11 -0. 38 / -0. 21 0. 33 / 0. 42 -0. 53 / -0. 66 0. 35 / 0. 28 37. 33 / 32. 76 2. 6 / 1. 9
K鄄L鄄5 -0. 67 / -0. 74 -0. 15 / -0. 31 0. 63 / 0. 54 0. 04 / 0. 06 0. 09 / 0. 14 0. 05 / 0. 11 -0. 19 / -0. 21 19. 32 / 15. 33 1. 4 / 0. 9
K鄄L鄄6 -0. 54 / -0. 39 0. 75 / 0. 68 -0. 31 / -0. 40 -0. 09 / -0. 15 0. 13 / 0. 09 0. 07 / 0. 04 -0. 17 / -0. 13 7. 21 / 5. 33 0. 5 / 0. 3
K鄄L鄄7 -0. 24 / -0. 16 0. 02 / 0. 06 -0. 01 / -0. 07 0. 09 / 0. 17 0. 77 / 0. 54 -0. 06 / -0. 02 0. 69 / 0. 58 2. 52 / 1. 54 0. 2 / 0. 1
512311 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 姚摇 远等: 基于遥感的塔里木盆地北缘绿洲干湿季土地盐渍化监测摇 摇 摇 摇 摇
表 3摇 研究区 2011 年干季 /湿季典型地物光谱亮度值
Table 3摇 Spectrum lightness value of typical things in study area in dry and wet seasons in 2011
波段
Band
重度盐渍地
Severely salinized
soil
中度盐渍地
Moderately salinized
soil
轻度盐渍地
Slightly salinized
soil
非盐渍地
Non鄄salinized
soil
水体
Water
body
戈壁、沙地
Gobi and
sandy soil
TM1 203 / 176 124 / 119 113 / 106 93 / 77 75 / 68 156 / 147
TM2 155 / 116 105 / 82 88 / 63 52 / 34 33 / 30 69 / 56
TM3 161 / 138 119 / 113 100 / 87 53 / 37 27 / 34 79 / 64
TM4 137 / 118 105 / 101 89 / 78 66 / 72 18 / 24 67 / 57
TM5 250 / 183 187 / 157 163 / 122 103 / 51 18 / 16 126 / 92
TM6 184 / 159 175 / 149 158 / 162 153 / 134 124 / 122 118 / 131
TM7 93 / 88 78 / 71 59 / 64 44 / 33 11 / 9 107 / 103
K鄄L鄄1 184 / 175 143 / 146 106 / 111 65 / 59 -82 / -77 133 / 121
K鄄L鄄2 -9 / -12 -0. 35 / -1. 03 -7. 49 / -4. 31 21 / 19 -36 / -39 -9. 52 / -11. 33
K鄄L鄄3 -77 / -81 -21 / -18 14 / 9 2 / 5 -83 / -78 23 / 28
一化差异水体指数(NDWI)被认为是能够有效提取
区域 水 体 信 息 的 特 征 量, 徐 涵 秋[23] 根 据
Mcfeeters[24]所提出的 NDWI 的不足(忽略土壤 /建
筑物,只考虑植被因素),对其进行修改,提出了
MNDWI,其计算公式为:
MNDWI=(Green-MIR) / (Green+MIR) (1)
式中:Green为遥感影像的绿色波段,MIR 为中红外
波段,二者在 TM 影像上分别与第 2 波段(TM2)和
第 5 波段(TM5)相对应.本研究分别采用 NDWI 和
MNDWI提取渭鄄库绿洲的水体信息,提取结果表明,
MNDWI可以有效地提取水体信息,而 NDWI所提取
的水体信息易与荒漠、沙地相混淆,提取结果不明
显,因而选用 MNDWI作为特征变量,以此区分水体
和其他地物.
3)归一化植被指数 (NDVI). NDVI被证明是能
有效提取植被信息、区分干旱区植被与其他地物的
特征变量[25-27],其计算公式为:
NDVI=(NIR-Red) / (NIR+Red) (2)
式中:NIR 为遥感影像的近红外波段,Red 为红波
段,二者在 TM影像上分别与第 4 波段(TM4)和第 3
波段(TM3)相对应.
土壤盐分的测定采用常规分析方法[28-29] .
1郾 5摇 数据处理
利用 Microsoft Excel 2010 软件对试验数据进行
统计分析. 采用 ArcGIS 10 软件绘制研究区采样点
分布图,利用 Envi 4. 8 软件对遥感数据进行预处
理,同时利用该软件提取研究所需要的光谱指数,提
取相关主成分变量,最终实现决策树分类模型的构
建以及精度检验,并绘制相关图件.
2摇 结果与分析
2郾 1摇 盐渍地决策树分类模型特征量的确定
2郾 1郾 1 水体信息的提取 摇 从表 3 可以看出,TM7 波
段在水体上的平均亮度值最低,因而可以利用 TM7
波段与 MNDWI 相结合,进一步提高水体信息的提
取精度.
2郾 1郾 2 非盐渍地与轻度盐渍地信息的提取摇 非盐渍
地信息提取在干旱区有植被覆盖的地方进行,这是
由于植被覆盖度和盐渍化程度往往呈反比,即盐渍
化程度越高,植被越稀少、覆盖度越低[24] .本研究采
用 NDVI光谱指数提取研究区植被信息的主要依据
在于遥感影像 TM3 和 TM4 的亮度值接近,且只有
在有植被覆盖区域的 TM3 亮度值会小于 TM4,即
NDVI>0;而其他地物则均为 TM3 大于 TM4,即
NDVI<0.研究区干、湿季实测土壤含盐量分别在
3郾 5 ~ 39. 8、2. 4 ~ 37. 5 g·kg-1时,土壤盐分与 NDVI
的相关度极显著 (P < 0. 01),相关系数分别达到
0郾 844 和 0. 8312;当土壤含盐量高于该区间范围时,
其相关性会降低,这是由于随着土壤盐渍化程度的
升高,植被生长受到极大影响,部分区域除极少数盐
生植被外,均难以生存,多数重度盐渍化区域所覆盖
的地物只有裸土,因而 NDVI 与土壤含盐量的相关
关系易受到土壤信息的影响而降低.依据分类方案
(表 1),由于上述两个含盐量区间均完全涵盖了非盐
渍地和轻度盐渍地的分类范围,因而将这两个区间的
土壤含盐量作为自变量,将与之相对应的 NDVI 值作
为因变量进行多元线性回归分析,以此找出区分轻度
盐渍地和非盐渍地的 NDVI阈值(公式 3、4).
干季:
NDVI1 =3郾 228X1 伊10-6 +2郾 8313X1 伊10-4 -8郾 9684X1 伊
10-3+3郾 9936伊10-2(R2 =0郾 879,P<0郾 01) (3)
湿季:
NDVI2 = 2郾 4525X2 伊 10-5 - 1郾 3719X2 伊 10-3 +
1郾 4047X2伊10-2+8郾 1995伊10-2(R2 =0郾 91,P<0郾 01)
(4)
6123 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
式中:NDVI1 和 NDVI2分别代表研究区干季和湿季
采样点的 NDVI值;X1 和 X2分别代表研究区干季和
湿季的土壤含盐量. 将土壤含盐量值 5 和 25
g·kg-1分别代入式(3)和(4),得出研究区干季非盐
渍土和轻度盐渍土的 NDVI 合理阈值分别为 0. 02
和-0. 06,湿季非盐渍土和轻度盐渍土的 NDVI 合理
阈值分别为 0. 12 和-0. 04. 从中可以看出,湿季的
NDVI阈值较干季呈上升趋势,这是由于 9 月下旬是
研究区植物生长的中后期,植物叶片背面细胞和中
心海绵组织细胞对近红外辐射(NIR)的反射更强
烈,因此可以通过合理设定 NDVI 阈值较好地将非、
轻盐渍地与其他地物进行区分.
2郾 1郾 3 戈壁、沙地和中、重度盐渍地信息的提取摇 从
表 3 可以看出,利用单一波段难以对戈壁、沙地与重
度、中度盐渍地信息进行有效区分. 其中,TM7 波段
在沙地的亮度值最大,但与重度盐渍地的差异并不
明显,因而需要将 TM7 波段信息与之前所提取的 3
个主成分波段信息相结合进行戈壁、沙地信息提取.
此外,在所提取的主成分 K鄄L鄄1 中,戈壁、沙地与重
度盐渍地信息相混淆,并且较难区分;在 K鄄L鄄2 中,
只有非盐渍地波段为正值,其余波段均为负值,因而
该主成分反映的是植被信息;在 K鄄L鄄3 中,沙地与重
度盐渍地的亮度值差异较大,虽然 K鄄L鄄3 的方差贡
献率较小,在干、湿季分别为 6. 9%和 5. 0% ,但其所
包含的信息对于沙地和重度盐渍地的区分极为重
要,并且数据量的大小并不能完全评价信息的重要
性.因而本研究选用 K鄄L鄄3 作为特征变量,将其与
TM7 波段相结合,对戈壁、沙地和重、中度盐渍地信
息进行区分.由于 TM1 波段上重度盐渍地的亮度值
最大,并与除沙地信息外的其余各地类均存在较好
的分离性,因而将 TM1 波段作为特征量用以提取重
度盐渍地信息.
2郾 2摇 盐渍地决策树分类模型的构建
依据所选取的特征变量,通过反复将各个变量
进行迭代,最终确立了研究区干、湿两个季节的盐渍
地决策树分类模型(图 2),在模型中“and冶和“or冶分
别表示逻辑运算中的“与冶和“或冶.同时根据分类模
型绘制了研究区各地类干、湿两季的分类图(图 3).
2郾 3摇 分类精度检验及评价
从表 4 可以看出,提取的干季、湿季重度盐渍地
信息的正确识别率分别为 87. 5%和 84. 1% ,表明采
用决策树分类方法可以有效地将重度盐渍地与光谱
特征较相似的戈壁、沙地等地物信息进行区分,但在
局部小范围区域内依然存在着重度盐渍地和沙地相
互误判的现象,同时部分重度盐渍地由于湿度过大
而未能准确识别,这也是研究区湿季的分类精度低
于干季的原因之一;中、低度盐渍地的识别准确度较
好,但仍然存在二者之间相互误判的现象,特别是在
绿洲内部的农田边缘区域;水体的识别效果最理想,
干、湿季的精度分别为 94. 4% 、91. 2% ,这是由于水
体的光谱特征与其他地物相比存在一定差异.
研究区干、湿季的总体分类精度分别为 87. 2%
和 85. 3% ,干季的精度高于湿季. 这是由于研究区
干季降水少,土壤水分含量和植被覆盖度均低于湿
季,因而研究区干季遥感影像的图像光谱受土壤含
水量和含盐量、植被状况等多种因素的影响低于湿
季.从整体上看,干、湿季的 Kappa 系数分别为
0郾 855和0. 838,且不同程度盐渍地的分类精度均在
图 2摇 研究区干(A)、湿季(B)盐渍化土壤信息自动提取流程
Fig. 2摇 Procedure of automatic extraction of salinized soil information in study area in dry season (A) and wet season (B).
712311 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 姚摇 远等: 基于遥感的塔里木盆地北缘绿洲干湿季土地盐渍化监测摇 摇 摇 摇 摇
图 3摇 研究区干(A)、湿季(B)盐渍化土壤信息提取结果
Fig. 3摇 Result of extraction of salinized soil information in study area in dry season (A) and wet season (B).
玉:重度盐渍地 Severely salinized soil; 域:中度盐渍地 Moderately salinized soil; 芋:轻度盐渍地 Slightly salinized soil; 郁:非盐渍地 Non鄄salinized
soil; 吁:水体 Water body; 遇:戈壁、沙地 Gobi, sandy soil.
表 4摇 遥感数据分类精度评价结果
Table 4摇 Evaluation results of classification accuracy of RS data (%)
类别
Class
重度盐渍地
Severely
salinized
soil
中度盐渍地
Moderately
salinized
soil
轻度盐渍地
Slightly
salinized
soil
非盐渍地
Non鄄
salinized
soil
水体
Water
body
戈壁、沙滩
Gobi,
sandy
soil
总和
Total
生产者精度
Producer
accuracy
用户精度
User
accuracy
重度盐渍地
Severely salinized soil
87. 5 / 84. 1 2. 0 / 2. 4 2. 1 / 6. 2 3. 7 / 2. 7 0. 1 / 0. 6 2. 4 / 4. 4 12. 5 / 19. 1 90. 3 / 87. 0 92. 3 / 89. 4
中度盐渍地
Moderately salinized soil
1. 2 / 3. 0 90. 2 / 88. 7 2. 0 / 3. 9 2. 1 / 5. 3 0. 9 / 1. 9 2. 0 / 1. 8 19. 3 / 8. 6 86. 1 / 84. 4 87. 0 / 85. 1
轻度盐渍地
Slightly salinized soil
2. 4 / 2. 9 3. 2 / 1. 8 91. 4 / 83. 2 7. 8 / 4. 4 1. 1 / 2. 0 0. 0 / 0. 1 24. 2 / 28. 8 91. 7 / 90. 0 91. 0 / 91. 3
非盐渍地
Non鄄salinized soil
4. 2 / 4. 2 0. 7 / 3. 7 3. 3 / 6. 0 85. 7 / 87. 1 3. 4 / 4. 3 0. 0 / 2. 7 13. 6 / 18. 2 84. 2 / 85. 5 86. 3 / 86. 0
水体
Water body
0. 1 / 0. 4 0. 0 / 1. 0 0. 3 / 0. 7 0. 6 / 0. 5 94. 4 / 91. 2 0. 0 / 0. 0 9. 2 / 7. 9 88. 9 / 82. 4 87. 4 / 84. 3
戈壁、沙滩
Gobi, sandy soil
4. 6 / 5. 3 3. 9 / 2. 5 0. 9 / 0. 0 0. 0 / 0. 0 0. 0 / 0. 0 95. 7 / 90. 1 21. 2 / 17. 4 85. 5 / 88. 9 87. 8 / 90. 0
总和
Total
100 / 100 100 / 100 100 / 100 100 / 100 100 / 100 100 / 100 100 / 100
总体精度
Overall accuracy
87. 233 / 85. 321
Kappa系数
Kappa coefficient
0. 855 / 0. 838
83%以上,表明采用该方法能够有效提取研究区的
土壤盐分信息,并对绿洲内部及其外围的绿洲鄄荒漠
交错带上不同季节的土壤盐分变化状况均能够较准
确地进行监测,从而为今后更好地实现定量化的土
壤盐渍化遥感监测奠定基础.
2郾 4摇 研究区土壤盐渍化的时空变化
研究区重度盐渍地主要分布在绿洲外围的绿
洲鄄荒漠交错带上以及渭干河和库车河流域的下游
区域,轻度盐渍地在绿洲内外均有分布. 在干季,研
究区由于降水较少,土壤盐渍化程度较重,重度盐渍
地面积较大.而在降水充沛的湿季,盐渍化程度明显
减轻,且重度盐渍地分布范围也由干季的“成片状冶
分布变为零星的“斑块状冶.这充分说明干旱区土壤
盐渍化程度明显受气候因素主导下的蒸发、降水等
自然因素的影响,同时研究区土壤孔隙度较小所导
致的土壤透水性和释水性不高以及盐生植被的积盐
作用和地下水水位、矿化度的偏高也是导致研究区
土壤盐分空间分布格局形成的重要因素.此外,人类
活动下土地利用方式的改变对于土壤盐渍化的影响
最直接.由于研究区的经济以农业为主,当地修建了
大量的水渠用于引水灌溉,改变了地下水的运移规
律,使土壤中的盐分随水流向下游区域迁移,并不断
在下游区域聚集,导致下游地区的盐渍化以及次生
盐渍化现象不断恶化,最终危害研究区整体的生态
安全.
3摇 讨摇 摇 论
本文以干旱区土壤盐渍化较严重的新疆渭干
河鄄库车河三角洲绿洲作为研究区,通过对 TM 多光
谱遥感数据的光谱特征进行分析,在此基础上选用
8123 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
光谱指数 MNDWI、NDVI 结合主成分变换后所提取
的第 3 主成分 K鄄L鄄3 以及 TM1、TM7 两个波段作为
特征变量,采用决策树分类方法分别提取了对研究
区土壤盐渍化程度影响较明显的两个关键时间段
(干季和湿季)的土壤盐分信息. 结果表明,采用该
方法能够较准确地提取盐渍地信息,并且能够有效
区分盐渍地与非盐渍地以及不同盐渍化程度的盐渍
地信息.
研究区土壤盐渍化以及次生盐渍化的发生发展
主要受自然和人类活动两方面的影响.因此,为了保
证绿洲土壤资源的合理利用、防止土壤盐渍化的进
一步发生发展,就必须从生物、化学以及水利工程三
方面对盐渍土进行改良,同时,优化种植结构、适度
调整农业产业结构、处理好水资源的利用问题、合理
灌溉并加强对绿洲水土资源的保护,以此来维护渭鄄
库绿洲生态环境的稳定性.
干旱区绿洲的地物类型种类较多,且复杂多变,
这给开展基于遥感技术的专题信息提取研究带来了
一定难度.本文运用决策树分类方法较好地对干、湿
两季盐渍地信息进行了提取且分类精度较高,但分
类结果依然在局部范围存在着重度盐渍地与沙地之
间,中、轻度盐渍地之间的相互误判现象,因而,如何
进一步挖掘遥感信息所表达的物理意义,分析其与
土壤湿度、地形、坡度、地下水矿化度、地下水埋深等
因子之间的关系,是今后研究亟待解决的问题.
参考文献
[1]摇 Schoups G, Hopmans JW, Young CA, et al. Sustain鄄
ability of irrigated agriculture in the San Joaquin Valley,
California. Proceedings of the National Academy of Sci鄄
ences of the United States of America, 2005, 102:
15352-15356
[2]摇 Liu J鄄L (刘继亮), Li F鄄R (李锋瑞), Niu R鄄X (牛瑞
雪), et al. Influence of soil salinization on soil animal
community in an arid oasis of middle Heihe River basin.
Chinese Journal of Applied Ecology (应用生态学报),
2012, 23(6): 1551-1561 (in Chinese)
[3]摇 Zhang F (张 摇 芳), Xiong H鄄G (熊黑钢), An F鄄Z
(安放舟), et al. Classification of soil alkalization
based on halophyte coverage. Acta Pedologica Sinica
(土壤学报), 2012, 49(4): 665-672 (in Chinese)
[4]摇 Guan X鄄Y (管孝艳), Wang S鄄L (王少丽), Gao Z鄄Y
(高占义), et al. Spatio鄄temporal variability of soil sa鄄
linity and its relationship with the depth to groundwater
in salinization irrigation district. Acta Ecologica Sinica
(生态学报), 2012, 32(4): 1202-1210 (in Chinese)
[5]摇 Wang S鄄X (王水献), Dong X鄄G (董新光), Wu B
(吴 摇 彬), et al. Numerical simulation and control
mode of soil water and salt movement in arid salinization
region. Transaction of the Chinese Society of Agricultural
Engineering (农业工程学报), 2012, 28(13): 142-
148 (in Chinese)
[6]摇 Yang X鄄G (杨新国), Song N鄄P (宋乃平). Soil sandy
desertification and salinization and their interrelation鄄
ships in Yanghuang irrigated area of Hongsipu, Ningxia
of Northwest China. Chinese Journal of Applied Ecology
(应用生态学报), 2011, 22(9): 2265-2271 (in Chi鄄
nese)
[7]摇 Lu X鄄J (卢响军), Sheng J鄄D (盛建东), Wu H鄄Q
(武红旗), et al. Research on soil salt heterogeneity for
residual solonchak based on spatial analysis in northern
of Xinjiang. Geography and Geo鄄Information Science (地
理与地理信息科学), 2012, 28(4): 75-78 ( in Chi鄄
nese)
[8]摇 Li X鄄M (李晓明), Yang J鄄S (杨劲松), Yu M (余摇
美), et al. Research on quantitative remote sensing of
soil salinization in the arid area based on electromagnetic
induction. Remote Sensing for Land & Resources (国土
资源遥感), 2012(1): 53-58 (in Chinese)
[9]摇 Eldeiry AA, Garcia LA. Detecting soil salinity in alfalfa
fields using spatial modeling and remote sensing. Soil
Science Society of America Journal, 2008, 72: 201-211
[10]摇 Farifteh J, Farashad A, George RJ. Assessing salt鄄
affected soil using remote sensing, solute modeling, and
geophysics. Geoderma, 2006, 130: 191-206
[11] 摇 Mamat·sawut (买买提·沙吾提), Tashpolat·tiyip
(塔西甫拉提·特依拜), Ding J鄄L (丁建丽), et al.
The remote sensing investigation and causal analysis of
salt鄄affected soils in the Weigan鄄Kuqa river delta. Scien鄄
tia Geographica Sinica (地理科学), 2011, 31 (8):
976-981 (in Chinese)
[12]摇 Zhang F (张摇 飞), Tashpolat·tiyip (塔西甫拉提·
特依拜), Ding J鄄L (丁建丽), et al. Qualified evalua鄄
ting on salinization degree by the remote sensing in the
arid oasis. Ecology and Environment (生态环境学报),
2009, 18(5): 1822-1829 (in Chinese)
[13]摇 Townsend PA, Helmers DP, Kingdon CC, et al. Chan鄄
ges in the extent of surface mining and reclamation in the
central Appalachians detected using a 1976-2006 Land鄄
sat time series. Remote Sensing of Environment, 2009,
113: 62-72
[14]摇 Metternicht GI, Zinck JA. Remote sensing of soil salini鄄
ty: Potentials and constraints. Remote Sensing of Envi鄄
ronment, 2003, 85: 1-20
[15]摇 Zhang R鄄Q (张荣群), Song N鄄P (宋乃平), Wang X鄄
N (王秀妮), et al. Visual analysis of saline soil spatio鄄
temporal variation using geo鄄information TuPu. Transac鄄
tions of the Chinese Society of Agricultural Engineering
(农业工程学报), 2012, 28(9): 230-235 ( in Chi鄄
nese)
[16]摇 Wang N鄄N (王娜娜), Qi W (齐摇 伟), Wang D (王
丹), et al. Spatial variability of soil nutrients and salin鄄
ity in coastal saline鄄alkali land based on belt transect
method. Chinese Journal of Applied Ecology (应用生态
学报), 2012, 23(6): 1527-1532 (in Chinese)
[17]摇 He Q鄄S (何祺胜), Tashpolat·tiyip (塔西甫拉提·
912311 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 姚摇 远等: 基于遥感的塔里木盆地北缘绿洲干湿季土地盐渍化监测摇 摇 摇 摇 摇
特依拜), Ding J鄄L (丁建丽), et al. The extraction of
saline soil information in arid area based on decision tree
algorithm: A case study in delta oasis of Weigan and
Kuqa rivers. Resources Science (资源科学), 2006, 28
(6): 134-140 (in Chinese)
[18]摇 Lin F鄄F (林芬芳), Wang K (王 摇 珂), Yang N (杨
宁), et al. Prediction of regional soil quality based on
mutual information theory integrated with decision tree
algorithm. Chinese Journal of Applied Ecology (应用生
态学报), 2012, 23(2): 452-458 (in Chinese)
[19]摇 Jiang H鄄N (江红南), Ding J鄄L (丁建丽), Tashpolat·
tiyip (塔西甫拉提·特依拜), et al. Extraction of
salinized soil information in arid area based on ETM+ da鄄
ta. Acta Pedologica Sinica (土壤学报), 2008, 45(2):
222-228 (in Chinese)
[20] 摇 Kheir RB, Greve MH, Abdallah C, et al. Spatial soil
zinc content distribution from terrain parameters: A GIS鄄
based decision鄄tree model in Lebanon. Environmental
Pollution, 2010, 158: 520-528
[21]摇 Lin C (林摇 晨), Wu S鄄H (吴绍华), Zhou S鄄L (周生
路 ). Development of remote鄄sensing monitoring of
coastal saline soil. Acta Pedologica Sinica (土壤学
报), 2011, 48(5): 1072-1079 (in Chinese)
[22]摇 Pei H (裴摇 欢), Wei Y (魏摇 勇), Fang S鄄F (方世
峰), et al. Classification of oasis desertification land
based on SPOT high spatial resolution imagery: A case
study of the Turpan oasis, Xinjiang. Resource Science
(资源科学), 2011, 33(6): 1204-1210 (in Chinese)
[23]摇 Xu H鄄Q (徐涵秋). A study on information extraction of
water body with the modified normalized difference water
index (MNDWI). Journal of Remote Sensing (遥感学
报), 2005, 9(5): 590-595 (in Chinese)
[24]摇 Mcfeeters SK. The use of normalized difference water in鄄
dex (NDWI) in delineation of open water features. In鄄
ternational Journal of Remote Sensing, 1996, 17:
1425-1432
[25]摇 Ma H鄄Q (马瀚青), Yang X鄄H (杨小唤). Extraction
of soil salinization from remote sensing information based
on knowledge discovery over the arid area: A case study
on Yili newly reclaimed area. Resources Science (资源
科学), 2009, 31(12): 2065-2071 (in Chinese)
[26]摇 Jia S鄄H (贾树海), Han Z鄄G (韩志根), L俟 M鄄N (吕
默楠), et al. Extraction of desertification information
based on decision tree in northern Liaoning Province.
Ecology and Environmental Sciences (生态环境学报),
2011, 20(1): 13-18 (in Chinese)
[27]摇 Gamon JA, Huemmrich KF, Stone RS, et al. Spatial
and temporal variation in primary productivity (NDVI)
of coastal Alaskan tundra: Decreased vegetation growth
following earlier snowmelt. Remote Sensing of Environ鄄
ment, 2013, 129: 144-153
[28]摇 Zhang G鄄W (张国伟), Zhang L (张摇 雷), Tang M鄄X
(唐明星), et al. Diurnal variation of gas exchange and
chlorophyII fluorescence parameters of cotton functional
leaves under effects of soil salinity. Chinese Journal of
Applied Ecology (应用生态学报), 2011, 22 (7):
1771-1781 (in Chinese)
[29]摇 L俟 Z鄄Z (吕真真), Liu G鄄M (刘广明), Yang J鄄S (杨
劲松). Soil salinity characteristics of Manas River val鄄
ley in Xinjiang. Acta Pedologica Sinica (土壤学报),
2013, 50(2): 289-295 (in Chinese)
作者简介摇 姚摇 远,男,1987 年生,硕士研究生.主要从事干
旱区资源遥感研究. E鄄mail: xinjiangyaoyuan@ sina. com
责任编辑摇 杨摇 弘
0223 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷