全 文 ：第 34 卷第 18 期
2014年 9月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.18
Sep.,2014
http: / / www.ecologica.cn
基金项目:国家自然科学基金重点项目(U1033004)
收稿日期:2014鄄05鄄09; 摇 摇 修订日期:2014鄄08鄄11
*通讯作者 Corresponding author.E鄄mail: panxz@ issas.ac.cn
DOI: 10.5846 / stxb201405100953
李燕丽, 潘贤章, 王昌昆, 刘娅, 赵其国.广西中南部耕地土壤有机质和全氮变化的遥感监测.生态学报,2014,34(18):5283鄄5291.
Li Y L, Pan X Z, Wang C K, Liu Y, Zhao Q Q.Monitoring changes of soil organic matter and total nitrogen in cultivated land in Guangxi by remote
sensing.Acta Ecologica Sinica,2014,34(18):5283鄄5291.
广西中南部耕地土壤有机质和
全氮变化的遥感监测
李燕丽1,2, 潘贤章1,*, 王昌昆1,2, 刘摇 娅1,2, 赵其国1
(1. 中国科学院土壤环境与污染修复重点实验室(南京土壤研究所),南京摇 210008;2. 中国科学院研究生院,北京摇 100049)
摘要:以 1981年、2011年土壤数据为基础,以 AVHRR和 MODIS 遥感影像为数据源,通过研究广西中南部土壤有机质、全氮及
其变化与归一化差异植被指数(NDVI)、植被覆盖度、植被净初级生产力(NPP)等遥感因子之间的耦合关系,建立表层土壤有机
质、全氮含量变化的遥感监测模型。 研究表明:近 30 年来,研究区土壤有机质、全氮变化均呈极显著上升趋势,分别增加了
5郾 43g / kg和 0.21g / kg;1981—2011年间,NDVI、植被覆盖度和 NPP 3个遥感因子变化趋势一致,均呈现缓慢上升趋势,且遥感因
子变化与有机质、全氮变化均具有显著正相关关系;利用逐步线性回归方法,建立土壤有机质、全氮变化的遥感监测模型,分别
能够解释有机质、全氮变化的 16.9%和 20.3%;根据所建模型对研究区耕地土壤有机质、全氮变化可进行空间预测制图。 结果
表明,研究区内耕地土壤表层有机质、全氮分别上升了 6.65g / kg和 0.31g / kg,验证结果显示遥感模型能够反映出不同区域土壤
有机质和全氮长期变化的空间特征。
关键词: 遥感监测;有机质;全氮;时空变化;NDVI;植被覆盖度;NPP
Monitoring changes of soil organic matter and total nitrogen in cultivated land in
Guangxi by remote sensing
LI Yanli1,2, PAN Xianzhang1,*, WANG Changkun1,2, LIU Ya1,2, ZHAO Qiguo1
1 Key Laboratory of Soil Environment and Pollution, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China
2 Graduate University of Chinese Academy of Sciences, Beijing 100049, China
Abstract: Based on soil data in 1981 and 2011, and AVHRR and MODIS remote sensing data, models for predicting the
changes of the topsoil organic matter and total nitrogen were built by studying the relationships between soil organic matter,
total nitrogen and these remote sensing parameters, such as normalized difference vegetation index (NDVI), vegetation
coverage and net primary productivity (NPP). The study showed that soil organic matter and total nitrogen in the study area
had changed significantly during the past 30 years with an increase of 5.43 g / kg and 0.21 g / kg respectively, while the three
remote sensing parameters (NDVI, vegetation coverage and NPP) showed a gentle rising trend between 1981 and 2011.
Positive correlation was found between the changes of remote sensing parameters and the change of soil organic matter and
total nitrogen. A model was built to predict the change of soil organic matter content and the change of total nitrogen
respectively by stepwise multiple linear regression analysis by using those parameters. The models can explain 16.9% and
20.3% of their changes respectively. Then the models were employed to map the spatial variations of the changes of soil
organic matter content and total nitrogen content in the cultivated land of the region, the results showed that soil organic
matter and total nitrogen had an increase of 6.65 g / kg and 0.31 g / kg in the cultivated land. The validation results showed
http: / / www.ecologica.cn
that the models could well reflect the spatial distribution features of changes of soil organic matter and total nitrogen content
in the study area.
Key Words: monitoring by remote sensing; organic matter; total nitrogen; spatial and temporal variation; NDVI;
vegetation coverage; NPP
摇 摇 土壤有机质、全氮具有为植物提供营养、促进植
物生长发育、改善土壤的物理性质等作用,并指示土
壤肥力总体状况[1鄄3]。 快速分析与预测土壤有机质、
全氮的空间分布特征和动态变化趋势不仅为减少耕
作成本、防止土壤肥力退化提供理论决策依据[1鄄2],
也对实现土壤资源的合理利用及其可持续发展具有
重要意义。
采用传统方法对土壤肥力进行区域连续监测
时,由于采样和分析成本高、周期长,难以获得实时
和连续的土壤信息。 遥感以其大区域、实时快速、可
重复获取多时相信息、高效、经济等优势,为实现土
壤肥力变化动态监测提供了有效途径。 近年来,越
来越多的研究开始利用植被指数反映表层土壤有机
质、全氮含量的空间变化,并取得了一定进展[4鄄7]。
这些研究基于这样的认识,即植被的生长可通过凋
落物、根系等增加土壤有机质输入,促使土壤有机碳
储量的增加[8]。 研究表明,植被净初级生产力
(NPP)与枯落物质氮、植被的年氮累积量以及土壤
氮矿化速率之间均存在较为显著的相关关系,其中
NPP 与氮矿化速率、年植被氮积累量的相关系数 R2
分别达到 0.74、0.60[9]。
尽管国内外研究表明土壤有机质、全氮与遥感
因子(NDVI、NPP、植被覆盖度等)间存在一定的相
关关系,并可以用卫星遥感监测土壤养分含量,但研
究仍然处于初步阶段,且大多侧重于土壤肥力因子
与遥感因子的直接关系,很少涉及土壤有机质、全氮
的动态变化遥感监测及其区域制图研究,因而难以
进一步揭示区域土壤肥力变化状况。 本研究从土壤
有机质、全氮变化的角度出发,通过研究广西中南部
土壤有机质、全氮及其变化与多个遥感因子的耦合
关系,建立表层土壤有机质、全氮含量变化的遥感监
测模型,以期为广西区更准确获取土壤肥力因子变
化信息提供一条新的途径。
1摇 研究区概况
研究区主要位于广西中南部柳州、来宾、南宁、
崇左、钦州等市,地理范围为 107毅8忆E—109毅37忆E,
21毅36忆N—24毅36忆N,总面积大约 5.4 万 km2。 该区属
于亚热带季风气候区,气候温和,雨量充沛,干湿分
明。 年平均温度 17.8—22.4益,年均降雨量 1200—
1300 mm,年日照时数 1500—1700 h。 全年光照充
足,且光、水同季,全年夏长冬短,适宜作物四季生
长。 研究区以丘陵山地为主,整个地势自西北向东
南倾斜,山体较多,岭谷相间,中部包含大明山,东南
方向为六万大山,西南与四方岭相邻,地形复杂多
变,喀斯特地貌突出,高程范围为 0—1738 m,坡度为
0毅—60.5毅。 研究区林草地分布最为广泛,且分布较
为集中,其中林草地面积占 79.24%,耕地面积占总
面积的 14.76%。 该区主要土壤类型为铁铝土、初育
土、人为土等,三者分别占总面积的 50.32%、32.23%
和 14.18%。
2摇 土壤样品采集与研究方法
2.1摇 土壤样品采集及数据获取
采用点对点比较法对研究区土壤养分变化进行
分析研究。 1981年的土壤数据来自于研究区各县第
二次全国土壤普查资料(部分点于 1980—1982 年采
集)。 按照各样点的空间位置描述及其土壤类型进
行空间定位,同时获取其土壤属性数据,并于 2011
年和 2012年进行土壤样品采集(以下统称为 2011
年)。 采用五点取样法采集,采样时尽量靠近原普查
样点位置采样,取样深度为 0—20cm。 研究区内共
采集了两个时期土地利用类型都为耕地的土壤样品
117个。 土壤样品测定方法与第二次土壤普查测定
方法一致,有机质采用重铬酸钾容量法,全氮采用半
微量凯氏法[10]。
2.2摇 研究方法
2.2.1摇 遥感数据来源及其预处理
采用 AVHRR NDVI以及MODIS NDVI两种时间
序列数据。 NOAA时序数据是每半月最大化合成的
NDVI数据,来源于中国西部环境与生态科学数据中
4825 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
心,时间范围为 1981—2006 年,空间分辨率为 8km伊
8km。 MODIS NDVI 数据是每 16d 最大化合成的
NDVI数据,来源于中国科学院计算机网络信息中心
国际科学数据服务平台,空间分辨率为 250m伊250m。
运用 ENVI 等遥感图像处理软件对 AVHRR 和
MODIS NDVI进行影像拼接、重投影、裁剪等数据预
处理。
2.2.2摇 植被覆盖度计算
本文应用 NDVI遥感数据,基于像元二分模型估
算研究区植被覆盖度。 像元二分模型的原理是:假
设每个像元是由纯植被部分和非植被部分两部分组
成,那么像元信息可表达为由纯植被成分所贡献的
信息和由非植被成分所贡献的信息之和。 任一像元
NDVI的值为两部分植被指数的加权平均值和,权重
为各部分在像元中的比例,计算公式为:
NDVI= fveg伊NDVIveg+ 1-f( )veg 伊NDVIsoil
式中,NDVI为混合像元的植被指数值;NDVIveg为纯
植被像元时的植被指数;NDVIsoil为非植被像元时的
植被指数,一般指纯土壤像元的植被指数;fveg为植被
覆盖度。
像元二分模型法求植被覆盖度的公式如下:
fveg =
NDVI-NDVIsoil
NDVIveg-NDVIsoil
式中,NDVIsoil代表纯土壤像元的最小值;NDVIveg代
表纯植被覆盖像元的最大值[11]。 本研究采用研究
区不同植被类型的 NDVI 的最大值代表 NDVIveg(即
NDVIveg =NDVImax), NDVIsoil取值为 0.023。
2.2.3摇 植被净初级生产力遥感估算
本文采用朱文泉等改进的植被净初级生产力
(NPP)遥感估算模型[12]对研究区 1981—2011 年的
NPP 进行估算。 该模型将植被覆盖分类引入光能利
用率模型进行植被第一净初级生产力的估算,即:提
取不同植被类型的 NDVI最大值,来进行植被光合有
效辐射的吸收比例(FPAR)的估算。 利用气象数据
(温度、降雨、太阳辐射)来实现水分胁迫因子的估
算。 计算公式如表 1所示。 首先进行月植被净初级
生产力的估算,然后计算每年总的净初级生产力。
其中,气象数据来源于中国气象局国家气象中心,由
研究区及其周围 19 个气象站点以及北海、南宁、桂
林 3个辐射站点的 1981—2011 年月值数据集,利用
克里格插值(Kriging)法得到。
表 1摇 基于光能利用率模型的植被净初级生产力计算
Table 1摇 Calculation of the vegetation net primary production based on the light use efficiency model
编号
Number
公式
Formula
备注
Notes
1 NPP x,( )t = APAR x,( )t 伊 着 x,( )t t表示时间,x表示空间位置;APAR( x,t)表示像元吸收的光合有效辐射;着(x,t)表示像元的实际光能利用率
2 APAR x,( )t = SOL x,( )t 伊 FPAR x,( )t 伊 0.5 SOL (x,t)是 t月份在像元 x处的太阳总辐射量。
3 FPAR x,( )t = min
SR x,( )t - SRmin
SRmax - SRmin
,0.[ ]95 FPAR(x,t)为植被层对入射光合有效辐射的吸收比例
4 SR x,( )t =
1 + NDVI x,( )[ ]t
1 - NDVI x,( )[ ]t
SR为简单比值植被指数,SR max取值为 4.14—6.17,SR min取
值为 1.05
5 着 x,( )t = T着1 x,( )t 伊 T着2 x,( )t 伊 W着 x,( )t 伊 着*
T着 1和 T着 2表示低温和高温对光能利用率的胁迫作用;W 着为
水分胁迫影响系数;着*表示在理想条件下的最大光能利
用率。
6 T着1 ( )x = 0.8 + 0.02 伊 Topt ( )x - 0.0005 伊 Topt ( )[ ]x 2
TOP(x)表示某一区域一年内 NDVI 值达到最高时月份的平
均气温
7
T着 2(x,t)= 1.1814 / {1+exp[0.2伊TOP(x)-10-T(x,t)]} /
{1+exp[0.3伊(-TOP(x)-10+T(x,t)]}
当某一月平均温度 T( x,t)比最适温度 TOP( x)高 10益或低
13益时,该月 T着 2( x,t)值为最适温度时的一半
8 W着 x,( )t = 0.5 + 0.5 伊 EET x,( )t / PET x,( )t
EET( x,t)为区域实际蒸散量(mm);PET( x,t)为区域潜在
蒸散量(mm)
摇 摇 最大光能利用率 着*的取值因植被类型的不同
而不同。 本文最大光能利用率利用 Running 等人基
于生态生理过程模型对十种植被类型模拟的结
果[13],其余类型取值为 0.389 g C / MJ,其取值如表 2
所示。
5825摇 18期 摇 摇 摇 李燕丽摇 等:广西中南部耕地土壤有机质和全氮变化的遥感监测 摇
http: / / www.ecologica.cn
表 2摇 植被类型及其最大光能利用率
Table 2摇 Vegetation type and its maximum utilization of light energy
植被类型
Vegetation types
最大光能利用率(着*)
Maximum light utilization
常绿阔叶林
Evergreen broad鄄leaved forest 1.259
落叶阔叶林
Deciduous broad鄄leaved forest 1.004
常绿针叶林
Evergreen coniferous forest 1.008
草原 Prairie 0.608
灌林 Shrubbery 0.774
农业植被
Agricultural vegetation 0.604
其它 Others 0.389
无植被区 No vegetation 0
2.3摇 遥感因子变化趋势分析
提取年 NDVI最大值,用于研究 NDVI 序列变化
与土壤肥力因子的耦合关系,即在半月或 16d 合成
最大值的基础上,进一步提取年 NDVI 最大值;提取
月 NDVI最大值,用于对研究区植被覆盖度和植被净
初级生产力的估算。 根据采样点坐标,提取采样点
所对应的遥感因子的值,并计算其平均值。
为研究遥感因子变化与土壤肥力因子变化之间
的相关关系,采用两种方式来表示遥感因子的变化
状况,一种是直线斜率法,另一种是差值法。 采用一
元线性回归分析方法分析数据的变化趋势,反映植
被长期变化趋势。 回归直线斜率(trend)采用最小二
乘法求得。 计算公式为:
兹trend =
n 伊 移
n
j = 1
j 伊 Y j - 移
n
j = 1
j移
n
j = 1
Y j
n 伊 移
n
j = 1
j2 - 移
n
j = 1
( )j 2
式中,变量 j为年序号,Y 为时间序列遥感数据;兹trend
分别表示 NDVI、植被覆盖度、NPP 的变化趋势线的
斜率,计算 AVHRR NDVI、MODIS NDVI、植被覆盖
度、NPP 的 兹trend时,n 分别取值为 26、12、31 和 29。
兹trend>0说明其变化趋势是增加的,反之则是减少。
考虑到年遥感数据可能会受气候、环境等因素
的影响,为了尽可能准确地分析遥感数据变化与土
壤养分变化的耦合关系,同时采用与求土壤养分变
化相同的差值法计算遥感因子的变化。 为了减少年
遥感数据的偶然性,计算其差值时用研究时段中最
后两年数据的平均值减去开始两年的平均值。 差值
的计算公式为:
兹chg =
Yk + Y( )l - Ym + Y( )n
2
式中,k、l 表示最后两年的年份,m、n 表示起始两年
的年份,比如计算 AVHRR NDVI 变化量时,k、 l 和
m、n 分别取值为 2005、2006 和 1981、1982;兹chg表示
遥感因子数据的变化量,兹chg >0 说明该时间段内升
高,反之则减少。
2.4摇 数据处理及模型建立
采用统计分析软件,首先对两期土壤有机质、全
氮进行差异性比较分析,并计算各遥感因子的变化
量及变化趋势;然后分别进行遥感因子的变化量、变
化趋势分别与土壤养分变化量的耦合关系分析;运
用逐步线性回归方法建立土壤有机质、全氮变化的
遥感监测模型。
2.4.1摇 建模集与验证集的划分
将样本划分为建模集和验证集两个部分,对样
本按照有机质变化值进行排序,由小到大每隔两个
点选择一个作为验证点,共选择 39 个验证点组成验
证集,剩余 78个样点组成建模集。
建模集用于构建土壤养分变化监测模型,验证
集用于评价所建模型的制图精度。 利用 ArcGIS 软
件空间分析模块,以研究区遥感因子为基础,根据建
立的土壤养分变化监测模型,估算研究区土地利用
类型为耕地的土壤养分变化,进一步提取出验证点
上的土壤养分变化值,比较制图结果与实测结果,从
而对所建模型的精度进行评价。
为减少异常样本对模型预测和验证精度的影
响,本文剔除残差(Residual)大于 3 倍样本集标准
差,以及杠杆值( leverage)大于其 3 倍建模样本集杠
杆值均值的异常样本[14]。
2.4.2摇 模型验证
采用平均误差(ME)和均方根误差(RMSE)来
评价模型建立的精度。 其公式分别为:
ME = 1
n移
n
i = 1
滋^i - 滋( )i
RMSE = 1
n移
n
i = 1
滋^i - 滋( )i 2
式中, 滋^i为预测值, 滋i为实测值,n为验证样本个数,
i为观测点。 平均误差(ME)是对模型总体准确度的
度量,其值越接近 0,说明模型的总体偏差越小,准确
6825 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
度越高;均方根误差(RMSE)是对模型精度及稳定性
的度量,其值越小说明模型的精度与稳定性越高。
3摇 结果与分析
3.1摇 土壤有机质、全氮变化特征
由表 3可以看出, 两期的土壤有机质、全氮含量
存在极显著差异(P<0.01),研究区有机质、全氮均值
从 1981年的 23.11、1.26g / kg 分别上升到 2011 年的
28.55g / kg 和 1. 47g / kg, 分别增加了 23. 51% 和
16郾 66%。 其中,含量上升的样点占总样点的 72.12%
和 64.77%。 土壤有机质、全氮的变异系数相近,都
属于中等程度变异,且在不同时期二者的变异系数
变化不大。 土壤有机质和全氮含量的上升,主要是
由于耕地长期施肥以及秸秆还田等农业措施增加了
土壤有机物质的投入,使得耕地土壤有机质、氮素的
投入量大于其消耗量, 使有机质和氮素得到
积累[15鄄18]。
3.2摇 遥感因子变化趋势
研究区年最大 NDVI、年最大植被覆盖度以及年
总 NPP 的均值变化趋势见图 1。 1981—2011 年,
AVHRR NDVI 与 MODIS NDVI 两种时间序列数据的
NDVI均值都略有增加;2000—2006年,研究区基于两
种遥感数据源估算的植被覆盖度、NPP 值接近;近 30
年来,研究区 3 个遥感因子均值变化趋势保持一致,
都呈缓慢上升趋势,并出现 4—6a 的周期性波动。 结
果表明,研究区域整体植被生长状况有所改善。
表 3摇 土壤有机质、全氮统计特征及其差异性检验
Table 3 摇 Statistical characteristics of soil organic matter and total
nitrogen and their paired samples T鄄Test
年份
Year
统计量
Statistic
有机质
Organic
matter /
(g / kg)
全氮
Total
nitrogen /
(g / kg)
1981 最大值 82.20 4.70
最小值 5.66 0.33
均值 23.11 1.26
标准差 11.49 0.69
变异系数 / % 49.70 54.60
2011 最大值 86.10 4.69
最小值 5.98 0.38
均值 28.55 1.47
标准差 13.25 0.71
变异系数 / % 46.42 48.13
均值变化量 5.43 0.21
变化百分比 / % 23.51 16.66
上升点比例 / % 72.12 64.77
下降点比例 / % 27.88 35.23
t检验(P) t鄄test 0.000** 0.006**
摇 摇 **P<0.01;* P<0.05
本文采用两种 NDVI数据源来表述研究区 NDVI
变化状况,并用于估算其它两个遥感因子值,基于两
种数据源结果的一致性与前人研究结果基本相
同[19鄄21],说明基于年最大 NDVI、年最大植被覆盖度
以及年总 NPP 进行遥感因子变化分析具有可靠性。
图 1摇 研究区遥感因子变化趋势
Fig.1摇 The trend of remote sensing parameters in the study area
3.3摇 遥感因子与土壤有机质、全氮的耦合关系
3.3.1摇 遥感因子与土壤有机质、全氮的相关性
提取采样点对应的遥感因子值,并分析与有机
质、全氮含量的耦合关系。 为避免遥感数据的偶然
性,采用相邻两年遥感因子的平均值进行相关性分
析。 从表 3看出,遥感因子与土壤有机质、全氮存在
一定的相关关系,但相关系数不高,最大相关系数为
0.232,说明利用低分辨率的 NDVI 遥感影像数据可
7825摇 18期 摇 摇 摇 李燕丽摇 等:广西中南部耕地土壤有机质和全氮变化的遥感监测 摇
http: / / www.ecologica.cn
能不能很好地反映出土壤有机质、全氮的含量状况。
表 4摇 遥感因子与土壤有机质、全氮的相关性
Table 4 摇 The Correlation between soil organic matter and total
nitrogen and remote sensing parameters
遥感因子
Remote sensing factors
有机质 / (g / kg)
Organic matter
全氮 / (g / kg)
Total nitrogen
NDVI鄄1981 0.17 0.19*
NDVI鄄2011 0.19* 0.23**
Veg鄄1981 0.14 0.12
Veg鄄2011 0.19* 0.11
NPP鄄1982 0.12 0.18*
NPP鄄2011 0.18* 0.19*
摇 摇 NDVI鄄1981 、Veg鄄1981分别表示采样点 1981、1982年 NDVI、植被
覆盖度的平均值;NPP鄄 1982 表示采样点 1982、1983 年的 NPP 平均
值;NDVI鄄2011、Veg鄄2011、NPP鄄2011分别表示 2010、2011年 NDVI、植
被覆盖度及 NPP 的平均值
3.3.2摇 遥感因子变化与土壤有机质、全氮变化的相
关性
分别计算 NDVI、植被覆盖度以及 NPP 的 兹trend和
兹chg,并与土壤有机质、全氮含量变化进行相关性分
析。 因 AVHRR NDVI 数据与样品数据在时间跨度
上基本一致,因此选择 AVHRR 时间序列数据来分
析 NDVI与有机质、全氮动态变化的相关性。
结果表明(表 5),遥感因子变化与有机质、全氮
变化的相关关系明显好于二者数量上的静态关系,
其最大相关系数分别为 0.31和 0.32,在 0.01 水平上
达到极显著;从有机质、全氮变化与遥感因子变化趋
势和变化量的相关关系来看,NDVI、植被覆盖度的
变 化趋势 ( 兹trend_ NDVI 和 兹trend_ veg ) 和 NPP 变 化 量
表 5摇 土壤有机质、全氮变化与遥感因子变化的相关性
Table 5摇 Correlation between the changes of soil organic matter and
total nitrogen and remote sensing parameters
遥感因子变化
Changes of remote
sensing factors
有机质变化 / (g / kg)
Changes of
organic matter
全氮变化 / (g / kg)
Changes of total
nitrogen
兹trend_ NDVI 0.30** 0.32**
兹chg_ NDVI 0.21* 0.23*
兹trend_ veg 0.31** 0.22*
兹chg _ veg 0.04 0.14
兹trend_ NPP 0.14 0.13
兹chg_ NPP 0.23** 0.24**
(兹chg_ NPP)与有机质、全氮的变化相关性较好。 由此
可知,遥感参数变化能够在一定程度上反映出土壤
有机质、全氮变化状况,通过遥感因子变化间接监测
土壤有机质变化及全氮变化是可行的。
3.4摇 土壤养分变化遥感监测
土壤有机质及全氮的逐步线性回归分析中,因
子入选和淘汰出模型的显著性水平设置为 0.1,其线
性逐步回归方法构建的土壤有机质、全氮变化遥感
监测模型结果见表 6。 从表中可以看出,预测有机质
变化的线性回归模型中只有 兹trend_ veg进入模型,预测
全氮变化有 兹chg_ NDVI、兹trend_ NDVI及 兹chg_ NPP三个变量进
入模型。 说明可以根据这些遥感因子的变化来预测
表层土壤有机质、全氮含量变化在本研究区内的
分布。
表 6摇 土壤有机质、全氮变化遥感监测线性回归模型
Table 6摇 Linear regression of remote sensing monitoring soil organic
matter and total nitrogen changes
n= 78
有机质变化
Changes of
organic matter /
(g / kg)
全氮变化
Changes of
total nitrogen /
(g / kg)
兹chg_ NDVI 82.52**
兹trend_ NDVI 2.6+
兹chg_ NPP 0.00+
兹trend_ veg 0.10**
入选样本个数
Number of selected samples 76 75
常数 Constant 2.20 0.34
R2 0.169** 0.203**
摇 摇 +P<0.1;-表示变量未进入模型
回归模型中的 R2值表明,利用这些因子分别能
够解释表层土壤有机质、全氮变化的 16. 9%和
20郾 3%。 由于受到多种因素的影响,以往预测模型
的决定系数一般在 15%—82%范围内[22鄄24],比如在
提取遥感因子时,遥感影像的时间、空间分辨率的大
小也会影响土壤属性与遥感因子之间的关系;土壤
属性在区域上的空间变异的复杂性可能会使所选择
的环境因子不能有效地解释其空间变异;此外,区
域、尺度、以及土层深度的差异也会对利用环境因子
预测土壤属性精度产生一定影响[25]。
3.5摇 耕地土壤有机质、全氮变化的区域制图及精度
评价
土壤有机质、全氮变化的回归模型(表 6)应用
于研究区土地利用类型为耕地的区域,预测土壤有
8825 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
机质、全氮含量变化在空间上的分布及制图(图 2),
并提取验证点的土壤有机质、全氮变化的属性值,并
与实际变化值比较,从而评价制图的精度(表 7)。
对研究区耕地类型的有机质、全氮变化值进行
统计,可知耕地类型中土壤有机质平均变化 6.65 g /
kg,全氮平均变化为 0.31 g / kg。
图 2摇 研究区耕地土壤有机质变化、全氮变化分布图
Fig.2摇 The map of changes of organic matter and total nitrogen
表 7摇 土壤肥力变化遥感监测模型预测结果评价
Table 7摇 The prediction results of SOM and soil total nitrogen
n= 39
有机质变化
Changes of
organic matter /
(g / kg)
全氮变化
Changes of
total nitrogen /
(g / kg)
ME / (g / kg) 0.71 0.09
RMSE / (g / kg) 3.41 0.35
从 39个点的验证结果(表 7)可以看出,线性模
型预测的有机质变化的平均误差(ME)和均方根误
差(RMSE)分别为 0.71、3.41 g / kg,与相关研究比较,
其 RMSE 小于 Thompson 等研究结果(均方根误差
4郾 5—4.8 g / kg) [26]。 本研究全氮变化的平均误差和
均方根误差分别为 0.09、0.35 g / kg,与潘剑君等利用
遥感 NDVI数据估算溧水水田土壤全氮含量的均方
根误差(0.44—0.01 g / kg)比较接近[5]。 这说明模型
的预测结果精度和可信度较高,本研究区域制图效
果较好。
4摇 讨论
由遥感因子与表层土壤有机质、全氮的相关性
分析结果可以看出,遥感因子变化与有机质、全氮含
量变化呈显著正相关关系,且明显好于遥感因子与
有机质、全氮含量数量上的静态相关性。 已有研究
表明,植被指数、单个波段等遥感因子与土壤有机
质、全氮含量存在较好的相关关系[6, 27],但在本研究
中,二者的相关系数不高,主要是由于研究区地形复
杂多变、耕地破碎、遥感数据分辨率较低引起的。 有
研究证明,在这种类型的区域,由于遥感信息混合性
较高,单一时相静态遥感数据可能不能完全反应土
壤有机质、全氮含量状况,采用长时间序列遥感影像
数据变化趋势,可以在一定程度上消除遥感信息中
不变部分的信息,增强作物长势变化的信息。 因而,
利用遥感因子变化能更好的反映有机质、全氮
变化[7]。
本研究通过 NDVI 长时间序列遥感影像数据与
地面样点数据相结合的方法,基于多元线性逐步回
9825摇 18期 摇 摇 摇 李燕丽摇 等:广西中南部耕地土壤有机质和全氮变化的遥感监测 摇
http: / / www.ecologica.cn
归构建表层土壤有机质、全氮含量变化的回归方程,
间接监测大区域内表层土壤有机质、全氮含量变化,
一方面充分发挥遥感数据大范围、便捷、高效的优
点,弥补了传统方法的不足,极大地提高了工作效
率。 另一方面弥补了以往遥感监测方法受混合像元
影响的不足,提高了遥感监测的可靠性。
本研究估算结果精度的影响因素很多。 首先,
由于研究采用两种遥感数据源,尽管估算出的遥感
因子值(植被覆盖度、NPP)基本相同,但是不同分辨
率的差异仍然对估算结果会造成一定的影响。 其
次,由于本研究区域较大,土壤属性及地形、遥感因
子的空间变异也比较明显,建模样点有限,在一定程
度会造成估算精度的降低。 此外,土壤有机质、全氮
变化受多种因素的影响,本研究选择的环境因子可
能不能完全反映二者的变化状况。 因此,后续研究
应当从多方面考虑影响土壤有机质、全氮变化的因
素,如区域差异、土壤厚度、空间分辨率以及气候因
素等,以期提高遥感监测土壤有机质、全氮变化的
精度。
5摇 结论
本文以广西中南部南宁、柳州、钦州、崇左及来
宾等地区的耕地肥力变化为研究对象,以 1981 年、
2011年土壤数据为基础,以 AVHRR NDVI和 MODIS
NDVI遥感影像为数据源,通过研究 NDVI、植被覆盖
度、NPP 与土壤有机质、全氮及其变化的耦合关系,
建立土壤有机质、全氮变化遥感监测模型,以实现表
层土壤有机质、全氮变化区域监测及制图的目的。
(1)近 30年来,研究区土壤有机质、全氮变化较
为明显。 有机质、全氮变化均呈极显著上升趋势,分
别增加了 5.43g / kg 和 0.21g / kg;不同时期二者的空
间变异系数变化不明显。 研究区内 AVHRR NDVI
与 MODIS NDVI时间序列数据变化趋势基本相同,
均呈现缓慢上升趋势;基于两种遥感数据源估算的
植被覆盖度、NPP 值接近,且均呈现缓慢上升趋势。
(2)遥感参数(NDVI、植被覆盖度以及 NPP)变
化与土壤有机质、全氮变化具有显著正相关关系。
利用逐步线性回归方法,建立耕地土壤有机质、全氮
变化的遥感监测模型,分别能解释土壤有机质变化
及全氮变化的 16.9%和 20.3%。
(3)根据所建模型对研究区耕地土壤有机质、全
氮变化进行预测制图,研究区内耕地表层土壤有机
质、全氮变化均值分别为 6.65g / kg 和 0.31g / kg。 根
据独立样本预测值与实测值比较结果表明,模型在
总体上具有较高的准确度和稳定性,预测结果具有
较高的可信度。 与传统土壤养分变化监测方法相
比,利用所建模型对研究区耕地土壤有机质、全氮变
化进行预测制图,能够更加快捷、方便地反映二者变
化的空间分布特征。
References:
[ 1 ] 摇 Song X Y, Wang J H, Xue X Z, Liu L Y, Chen L P, Zhao C J.
Assessment of the influence of soil nitrogen supplies and variable
fertilization on winter wheat growth condition using airborne
hyperspectral image. Transactions of the Chinese Society of
Agricultural Engineering, 2004, 20(4): 45鄄49.
[ 2 ] 摇 Brunet D, Bernoux M, Barth侉s B G. Comparison between
predictions of C and N contents in tropical soils using a Vis鄄NIR
spectrometer including a fibre鄄optic probe versus a NIR
spectrometer including a sample transport module. Biosystems
Engineering, 2008, 100(3): 448鄄452.
[ 3 ] 摇 Sparling G P, Wheeler D, Vesely E T, Schipper L A. What is
soil organic matter worth?. Journal of Environmental Quality,
2006, 35(2): 548鄄557.
[ 4 ] 摇 Baumgardner M F, Kristof S, Johannsen C J, Zachary A. Effects
of organic matter on the multi鄄spectral properties of soils.
Proceedings of the Indiana Academy of Science, 1970, 79:
413鄄422.
[ 5 ] 摇 Pan J J, Liu S F, Zhao M F. Research on the founding of the
technology system of the estimation of the soil elements using
remote sensing—A case study of the total nitrogen in the rice field.
Soil and Fertilizer Sciences in China, 2010, (4): 18鄄23.
[ 6 ] 摇 Ayoubi S, Shahri A P, Karchegani P M, Sahrawat K L.
Application of Artificial Neural Network ( ANN) to Predict Soil
Organic Matter Using Remote Sensing Data in Two Ecosystems.
Biomass and Remote Sensing of Biomass, 2011: 181鄄196.
[ 7 ] 摇 Li Y L, Pan X Z, Zhou R, Wang C K, Liu Y, Shi R J, Chen D
F, Zhao Q G. Long鄄term changes of soil fertility factors and their
relationships with NDVI. Chinese Journal of Ecology, 2013, 32
(3): 536鄄541.
[ 8 ] 摇 Defries R S, Townshend J R G. NDVI鄄derived land cover
classifications at a global scale. International Journal of Remote
Sensing, 1994, 15(17): 3567鄄3586.
[ 9 ] 摇 Zhou C P, Ouyang H, Song M H. Relationships between net
primary production and nitrogen cycling in Chinese forest
ecosystems. Chinese Journal of Applied Ecology, 2005, 16(2):
203鄄206.
[10] 摇 Institute of Soil Science, Chinese Academy of Sciences. Physical
and Chemical Analysis of Soil. Shanghai: Press of Technology of
Shanghai, 1987.
[11] 摇 Ma N, Hu Y F, Zhuang D F, Zhang X L. Vegetation coverage
0925 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
distribution and its changes in plan blue banner based on remote
sensing data and dimidiate pixel model. Scientia Geographica
Sinica, 2012, 32(2): 251鄄256.
[12] 摇 Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary
productivity of chinese terrestrial vegetation based on remote
sensing. Acta Phytoecologica Sinica, 2007, 31(3): 413鄄424.
[13] 摇 Running S W, Thornton P E, Nemani R, Glassy J M. Global
terrestrial gross and net primary productivity from the earth
observing system / / Methods in Ecosystem Science. New York:
Springer, 2000: 44鄄57.
[14] 摇 He X Q. Statistics鄄Modern Statistical Analysis Methods and
Application. Beijing: Press of Renmin university of China, 2007.
[15] 摇 Zhang S M, Wang Z M, Zhang B, Song K S, Liu D W, Li F,
Ren C Y, Huang J, Zhang H L. Prediction of spatial distribution
of soil nutrients using terrain attributes and remote sensing data.
Transactions of the Chinese Society of Agricultural Engineering,
2010, 26(5): 188鄄194.
[16] 摇 Lian G, Guo X D, Fu B J, Hu C X. Spatial variability and
prediction of soil organic matter at county scale on the loess
plateau. Progress in Geography, 2006, 25(2): 112鄄122.
[17] 摇 Zhang J J, Li F Z, Hu K L, Zhang Q, Guo C X, Huang Y F.
Spatial characteristics and impact factors of soil total nitrogen and
soil organic matter in Taiyuan. Acta Ecologica Sinica, 2009, 29
(6): 3163鄄3172.
[18] 摇 Qiu Z Q. Guangxi Statistical Yearbook. Beijing: Press of statistic
of China, 2011.
[19] 摇 Gallo K, Ji L, Reed B, Eidenshink J, Dwyer J. Multi鄄platform
comparisons of MODIS and AVHRR normalized difference
vegetation index data. Remote Sensing of Environment, 2005, 99
(3): 221鄄231.
[20] 摇 Gitelson A A, Kaufman Y J. MODIS NDVI optimization to fit the
AVHRR data series: spectral considerations. Remote Sensing of
Environment, 1998, 66(3): 343鄄350.
[21] 摇 Chen Y L, Long B J, Pan X B, Zhong S Q, Mo W H. Differences
between MODIS NDVI and AVHRR NDVI in monitoring
grasslands change. Journal of Remote Sensing, 2011, 15 ( 4):
831鄄845.
[22] 摇 Wang C K, Pan X Z, Zhou R, Liu Y, Li Y L, Xie X L.
Prediction of soil properties using PLSR鄄based soil鄄environment
models. Acta Pedologica Sinica, 2012, 49(2): 237鄄245.
[23] 摇 Sun X L, Zhao Y G, Zhao L, Li D C, Zhang G L. Prediction and
mapping of spatial distribution of soil attributes by using soil鄄
landscape models. Soils, 2008, 40(5): 837鄄842.
[24] 摇 Dobos E, Micheli E, Baumgardner M F, Biehl L, Helt T. Use of
combined digital elevation model and satellite radiometric data for
regional soil mapping. Geoderma, 2000, 97(3 / 4): 367鄄391.
[25] 摇 Florinsky I V, Eilers R G, Manning G R, Fuller L G. Prediction
of soil properties by digital terrain modelling. Environmental
Modelling and Software, 2002, 17(3): 295鄄311.
[26] 摇 Thompson J A, Pena鄄Yewtukhiw E M, Grove J H. Soil鄄landscape
modeling across a physiographic region: Topographic patterns and
model transportability. Geoderma, 2006, 133(1 / 2): 57鄄70.
[27] 摇 Bhatti A U, Mulla D J, Frazier B E. Estimation of soil properties
and wheat yields on complex eroded hills using geostatistics and
thematic mapper images. Remote Sensing of Environment, 1991,
37(3): 181鄄191.
参考文献:
[ 1 ] 摇 宋晓宇, 王纪华, 薛绪掌, 刘良云, 陈立平, 赵春江. 利用航
空成像光谱数据研究土壤供氮量及变量施肥对冬小麦长势影
响. 农业工程学报, 2004, 20(4): 45鄄49.
[ 5 ] 摇 潘剑君,刘世峰,赵美芳. 遥感估测土壤元素技术体系建立的
研究初探———以溧水水田土壤全氮为例. 中国土壤与肥料,
2010, (4): 18鄄23.
[ 7 ] 摇 李燕丽, 潘贤章, 周睿, 王昌昆, 刘娅, 石荣杰, 陈冬峰, 赵
其国. 长期土壤肥力因子变化及其与植被指数耦合关系. 生
态学杂志, 2013, 32(3): 536鄄541.
[ 9 ] 摇 周才平,欧阳华,宋明华. 中国森林生态系统氮循环特征与生
产力间的相互关系. 应用生态学报, 2005, 16(2): 203鄄206.
[10] 摇 中国科学院南京土壤所. 土壤理化分析. 上海: 上海科技出版
社, 1987.
[11] 摇 马娜, 胡云锋, 庄大方, 张学利. 基于遥感和像元二分模型的
内蒙古正蓝旗植被覆盖度格局和动态变化. 地理科学, 2012,
32(2): 251鄄256.
[12] 摇 朱文泉,潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估
算. 植物生态学报, 2007, 31(3): 413鄄424.
[14] 摇 何晓群. 现代统计分析方法与应用. 北京: 中国人民大学出版
社, 2007.
[15] 摇 张素梅, 王宗明, 张柏, 宋开山, 刘殿伟, 李方, 任春颖, 黄
健, 张惠琳. 利用地形和遥感数据预测土壤养分空间分布. 农
业工程学报, 2010, 26(5): 188鄄194.
[16] 摇 连纲, 郭旭东, 傅伯杰, 虎陈霞. 黄土丘陵沟壑区县域土壤有
机质空间分布特征及预测. 地理科学进展, 2006, 25( 2):
112鄄122.
[17] 摇 张建杰, 李富忠, 胡克林, 张强, 郭彩霞, 黄元仿. 太原市农
业土壤全氮和有机质的空间分布特征及其影响因素. 生态学
报, 2009, 29(6): 3163鄄3172.
[18] 摇 邱祖强. 广西统计年鉴· 2011. 北京: 中国统计出版
社, 2011.
[22] 摇 王昌昆, 潘贤章, 周睿, 刘娅, 李燕丽, 解宪丽. 应用基于
PLSR的土壤鄄环境模型预测土壤属性. 土壤学报, 2012, 49
(2): 237鄄245.
[23] 摇 孙孝林,赵玉国,赵量,李德成, 张甘霖. 应用土壤鄄景观定量
模型预测土壤属性空间分布及制图. 土壤, 2008, 40( 5):
837鄄842.
1925摇 18期 摇 摇 摇 李燕丽摇 等:广西中南部耕地土壤有机质和全氮变化的遥感监测 摇