全 文 ：第 34 卷第 16 期
2014年 8月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.16
Aug.,2014
http: / / www.ecologica.cn
基金项目:新疆维吾尔自治区青年科技创新人才培养工程(2013711014);国家自然科学基金项目(U1303381,41261090, 41130531); 教育部新世
纪优秀人才支持计划(NCET鄄12鄄1075); 霍英东青年教师基金项目(121018)
收稿日期:2012鄄12鄄29; 摇 摇 网络出版日期:2014鄄03鄄19
*通讯作者 Corresponding author.E鄄mail: ding_jl@ 163.com
DOI: 10.5846 / stxb201212291895
丁建丽,姚远,王飞.干旱区土壤盐渍化特征空间建模.生态学报,2014,34(16):4620鄄4631.
Ding J L,Yao Y,Wang F.Detecting soil salinization in arid regions using spectral feature space derived from remote sensing data.Acta Ecologica Sinica,
2014,34(16):4620鄄4631.
干旱区土壤盐渍化特征空间建模
丁建丽*,姚摇 远,王摇 飞
(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)
摘要:当前,土壤盐渍化以及因灌溉引起的土壤次生盐渍化问题是我国干旱、半干旱区所面临的主要生态环境问题。 在特征空
间理论的支持下,以波谱分解技术为基础,以 Landsat鄄TM、Landsat鄄ETM+多光谱遥感影像和野外调查数据为基础数据源,通过分
析干旱区土壤盐渍化对地表生物物理特征的影响,探讨了表征盐渍化过程与地表生物物理特征之间的规律及定量关系,进而利
用土壤盐渍化遥感监测中关键的 3个指标———经过波谱分解技术获得的直接表征盐渍化的土壤盐渍化光谱、间接表征盐渍化
的植被覆盖度和土壤水分含量协同构建了二维特征空间支持下的土壤盐渍化遥感监测模型 VSSI(Vegetation fraction and Soil
fraction Soil Index)、SVSI(Soil water contents and Vegetation fraction Soil Index)、SSSI(Soil water contents and Soil salinization fraction
Soil Index)和三维特征空间支持下的土壤盐渍化遥感监测模型 SVWSI和 SDI。 研究结果表明:基于三维特征空间建立的 SVWSI
(Soil salinization fraction鄄Vegetation fraction鄄Water contents Soil Index)和 SDI(Soil Distance Index)模型对不同盐渍化程度土壤的敏
感程度要高于基于传统二维特征空间建立的 VSSI、SVSI和 SSSI模型。 其中,SVWSI和 SDI模型与实测 0—10 cm土壤盐分含量
决定系数分别为 R2 = 0.8325和 R2 = 0.8646,这充分说明基于高维数特征空间所构建的土壤盐渍化遥感监测模型能更准确地反
映盐渍化土壤地表盐量组合及其变化信息,且指标简单、易于获取,对于今后干旱区区域大尺度盐渍地信息提取以及动态监测
研究具有重要意义。
关键词:特征空间;遥感;土壤盐渍化;渭干河鄄库车河三角洲绿洲
Detecting soil salinization in arid regions using spectral feature space derived
from remote sensing data
DING Jianli*,YAO Yuan,WANG Fei
College of Resource and Environmental Science, Xinjiang University, Key Laboratory for Oasis Ecology, Xinjiang University, Urumqi 830046, China
Abstract: Soil salinization, especially secondary soil salinization caused by irrigation activities is one of the primary
ecological and environmental concerns in the arid and semi鄄arid regions of China. A critical research question is to quickly
and accurately monitor soil salinization in arid and semi鄄arid regions so that prevention strategies can be developed quickly
and deployed efficiently. Traditional techniques based on field soil sampling and laboratory experiments, though could be
rather accurate for the sampling sites and their immediate vicinity, can hardly produce real鄄time evaluation. Monitoring soil
salinization using remotely sensed imageries, however, starts to attract scholarly attention during the past decades due to the
almost real鄄time information collection, vast geographic coverage, and rich information contained in the remotely sensed
imageries. The current study is an attempt to employ remote sensing technique to monitor soil salinization in the arid / semi鄄
arid Weigan鄄Kuqa Delta Oasis region in Xinjiang, Western China. Data are collected from Landsat鄄TM and Landsat鄄ETM+
multiple鄄spectral remote sensing imageries. Field soil samples at the 0—10 cm depth are obtained for validation purposes as
http: / / www.ecologica.cn
well. The study intends to establish a statistical relationship between the degrees of soil salinization and surface biophysical
reflective characteristics that are captured by the remote sensing imageries. Spectral un鄄mixing analysis of the multispectral
imageries produces three groups of commonly used spectral information for soil salinization monitor and evaluation, i. e.,
individual spectra that are sensitive to soil salinization, that can be used to derive vegetation cover, and that can be used to
derive soil moisture contents. The study then combines these groups of information establish three two鄄dimensional and two
three鄄dimensional soil salinization monitoring indices. The three two dimensional indices include: Vegetation fraction and
Soil Index( VSSI), Soil water contents and Vegetation fraction Soil Index ( SVSI) and Soil water contents and Soil
salinization fraction Soil Index ( SSSI ) . The two three鄄dimensional soil salinization monitoring indices include: Soil
salinization fraction鄄vegetation fraction鄄Water contents Soil Index ( SVWSI) and Soil Distance Index ( SDI) . Statistical
analyses using these obtained two dimensional and three dimensional indices with field soil sample data are conducted as
well. The result suggests that all the indices are able to provide sufficient monitoring and evaluating performance of the
severity of soil salinization in our designated study region. Three dimensional indices, however, tend to be more sensitive to
soil salinization than the two dimensional indices. In particular, SVWSI and SDI are highly correlated with soil salt contents
at the 0—10 cm depth, with correlation coefficients of R2 = 0.8325 and R2 = 0.8646, respectively. The result suggests that
higher dimensional indices derived from remote sensing imageries might provide more accurate soil salinization monitoring
measurements than lower dimensional indices due to enriched information structure. Since obtaining spectral information
from remote sensing imageries is relatively straightforward and is often either real鄄time of near real鄄time, our suggests that
rich information that can be derived from remotely sensed imageries shall be of invaluable importance to provide real鄄time
and accurate evaluation and monitor for soil salinization monitoring and evaluation might provide timely strategies that can
mitigate or even prevent further soil salinization in arid and semi鄄arid regions.
Key Words: feature space; remote sensing; soil salinization; Weigan鄄Kuqa river delta oasis
摇 摇 土壤盐渍化以及因灌溉引起的土壤次生盐渍化
问题是我国干旱、半干旱区所面临的主要生态环境
问题之一[1鄄4],通常出现在气候干旱、土壤蒸发强度
大、地下水位高且含有较多可溶性盐类的地区。 土
壤盐渍化问题现已成为影响绿洲农业的可持续发
展、威胁绿洲生态安全和稳定的重要因素[5鄄6]。 由于
土壤盐渍化对气候、土壤、地形和水文地质等自然条
件非常敏感,并随着干、湿季节的变迁而变化,因而
利用传统的采样手段对区域尺度的土壤盐分变化进
行监测变得较为困难[7鄄8]。 而遥感技术因其具有监
测范围大,获得资料速度快、信息量大、周期短、成本
低、受地面条件限制少等优点,使得大面积实时动态
监测盐渍土状况成为可能[9鄄10]。
目前,利用遥感图像进行土壤盐渍化信息提取
的方法主要为目视解译以及结合土壤含盐量、地下
水等辅助量进行自动化分类。 但均存在信息提取过
程受人为因素影响大、引入的辅助量会引起图像的
破碎化等问题[11]。 当前国内外已开展的土壤盐渍
化遥感监测方法研究主要还是在定性分析的层面
上,其通用性、定量化以及普适性并不令人满意[12]。
而利用常规手段获取“点状冶信息所生成的空间分布
图往往存在时间上的滞后性[13],并且采样样本仅考
虑以裸土为主的光谱信息,缺乏对植被光谱与土壤
盐渍化间接响应信息的综合考虑,从而导致了区域
尺度土壤盐渍化遥感监测往往难以达到准确、实用
的要求。 因此,当前的研究迫切需要利用遥感影像
及时获取盐渍化分布的“面状冶信息,以便准确地对
盐渍化进行实时监测预报。
通过利用多光谱遥感影像中所提取的各类指标
构建特征空间进行盐渍化信息的提取和监测是当前
土壤盐渍化遥感监测研究的先进方法。 近年来,通
过选取适当的指标构建二维特征空间进行土壤盐渍
化信息提取的研究已见报道[14],如:哈学萍等利用
盐分指数(SI)和地表反射率(Albedo)构建了盐渍化
信息提取模型,并借助决策树分类方法成功提取出
了克里雅绿洲的土壤盐渍化分布信息[15];王飞等综
合分析了归一化植被指数(NDVI)与盐分指数(SI)
二者之间的关系,在此基础之上提出 NDVI鄄SI 特征
1264摇 16期 摇 摇 摇 丁建丽摇 等:干旱区土壤盐渍化特征空间建模 摇
http: / / www.ecologica.cn
空间概念[16];丁建丽等从遥感影像中提取了修改型
土壤调整植被指数(MSAVI)和湿度指数(WI),并基
于此构建了 MSAVI鄄WI 二维特征空间用于干旱区绿
洲的土壤盐渍化监测[17]。 但上述研究主要是基于
二维特征空间理论进行模型的构建,同时由于干旱
区地表植被稀疏,单一像元内的光板地比例过高,从
而导致由于光板地亮度的干扰使得遥感数据对植被
的反映不是很准确。 因而选用更适用于干旱区的光
谱指数,通过混合像元的分解,在二维特征空间理论
的基础上,构建适用于干旱区稀疏植被条件下的三
维特征空间土壤盐渍化遥感监测模型就显得更为重
要和关键,而这类研究在国内尚未见报道。
本研究选取具有长期研究基础的渭鄄库绿洲作
为研究区,利用土壤水分模型(MPDI)和子像元分解
模型(LSMM)提取出水分、植被和土壤信息,选择更
为适合干旱区稀疏植被条件下的环境因子(VF植被
丰度、SWF土壤水分丰度和 SF 土壤丰度)建立不同
二维特征空间下的土壤盐渍化遥感监测模型(VF鄄SF
特征空间、VF鄄SWC特征空间和 SF鄄SWC特征空间),
并在此基础上构建了三维特征空间下的土壤盐渍化
遥感监测模型 SVWSI 和 SDI,以期通过所建立的三
维特征空间土壤盐渍化遥感监测模型实现对土壤盐
渍化信息、植被丰度信息和土壤水分信息的融合,为
今后在干旱区范围内开展更为精确和定量的土壤盐
渍化监测研究提供思路和借鉴。
1摇 研究区概述
渭干河鄄库车河绿洲(简称渭鄄库绿洲)位于新疆
塔里木盆地北缘,研究区地理坐标范围为:39毅29忆51义
N—42毅38忆01义N,81毅28忆30义E—84毅05忆06义E。 北邻和
静县,南至塔里木河,西接拜城县,东邻轮台县和尉
犁县,属于渭干河鄄库车河流域。 地处塔克拉玛干沙
漠边缘,属暖温带大陆性干旱气候,多年平均气温为
10.5—11.4 益,年降水量为 50.0—66.5 mm,年均蒸
发量为 2000—2092 mm,年均无霜期 240 d。 植被以
盐生植被为主,主要分布在渭库绿洲外围轻、中度盐
渍化区域,包括芦苇(Phragimites australis)、骆驼刺
(Allhagi sparisifolia)、柽柳(Tamarix ramosissima)、盐
爪爪(kalidium gracile)和花花柴(Karelina caspica)等。
2摇 研究方法
2.1摇 数据源及预处理
摇 摇 本研究采用 2001 年 8 月 1 日、2006 年 6 月 22
日、2006年 7月 22日、2006年 9月 24日、2006年 10
月 10日、2007年 7月 25日获取的 Landsat TM、ETM+
多光谱卫星遥感数据,2006年 7月和 2007 年 7 月获
取的土壤含盐量、土壤含水量和植被覆盖度等野外
实测数据。 其中遥感影像参照 2001 年渭鄄库绿洲
1 颐1万地形图进行几何精校正,RMS控制在半个像元
之内。 然后运用 6S 模型对校正后的影像进行大气
校正[18]。
2.2摇 土壤盐渍化过程响应参数提取
干旱区绿洲土壤盐分的变化容易受到 3 个因素
的影响,分别是土壤水分因素、植被因素和盐渍地因
素。 一方面,土壤盐分的时空分布变化与水资源的
循环过程有着极大关系,盐随水动,土壤盐分易随水
分的变化而发生转移。 特别是在农业区,土壤盐分
容易受灌溉因素的影响而产生淋溶作用而进入到地
下水中。 受地势的影响,地势高处的土壤盐分易向
地势低处聚集,从而形成盐渍地在绿洲内部呈现斑
块状分布,在绿洲外围呈现片状分布。 另一方面,干
旱区陆表植被的变化信息能够较好的反映区域水盐
运移的变化特征和盐渍化状况。 因而本研究针对研
究区的盐渍化信息、植被信息和土壤水分信息进行
提取。
2.2.1摇 土壤盐渍化和植被覆盖信息提取
多年以来,国内外学者研究遥感光谱成像机理,
模拟光谱混合过程,提出了多种解决混合像元问题
的方法与模型,如线性、概率、几何光学和模糊模型。
线性分解模型(LSMM)由于具有物理意义明确、理论
基础较好、建模简单、操作简便等优势而得到广泛应
用。 模型定义为:像元在某一光谱波段的反射率是
由构成像元的基本组分的反射率以及所占面积比例
的权重系数的线性组合。 本文利用 LSMM 模型[19]
计算研究区的土壤盐渍化丰度 ( SF)和植被丰度
(VF)。
2.2.2摇 土壤水分信息提取
采用 Ghulam提出的修正垂直干旱指数(MPDI)
反演研究区地表土壤水分信息[20],模型表达式为:
MPDI =
Rred + MRnir - Fv Rv,Red + MRv,( )nir
1 - Fv M2 + 1
(1)
2264 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
式中 Rv,Red , Rv,nir 为红光波段与近红外波段植被反
射率;FV为被覆盖度; Rnir , RRed 为近红外与红波段
反射率;M为土壤线斜率。
2.2.3摇 盐分指数(SI)
SI = 籽1 伊 籽3 (2)
式中,SI 为盐分指数[21]; 籽
1
、 籽3 为 Landsat鄄ETM
+相
应波段反射率值。
2.2.4摇 土壤调整植被指数(TSAVI) [22]
TSAVI = a(NIR
- aR - b)
aNIR + R - ab + x(1 + a2)
(3)
式中,a、b为土壤背景线的斜率和截距;NIR、R 为近
红外、红光波段反射率。
2.3摇 多维特征空间与土壤盐渍化遥感监测模型
研究基于波谱分解技术基础,利用盐渍化土壤
遥感监测中 3个关键指标(土壤盐渍化光谱特征、植
被覆盖特征和土壤水分含量特征)解决以往传统遥
感监测土壤盐渍化的弊端—混合像元问题;在特征
空间理论支持下构建二、三维特征空间土壤盐渍化
遥感监测模型,并利用实测数据验证。
2.3.1摇 二维特征空间土壤盐渍化遥感建模研究
为了进一步研究土壤盐渍化和植被丰度之间的
关系,依次选用 2001 年 8 月 1 日、2006 年 6 月 20
日、7月 22 日、9 月 24 日、10 月 10 日、2007 年 7 月
25日共 6 期遥感图像绘制了用盐渍化丰度(SF)和
植被丰度(VF)构成的 VF鄄SF 特征空间(图 1)。 为
了研究土壤水分与植被丰度的关系,研究选择上述 6
期遥感影像绘制出了用土壤水分(SWC)和植被丰度
(VF)构成的 VF鄄SWC特征空间(图 1)。 二者建立的
散点图形状为三角形,其相关性为正相关。 同样研
究选择上述 6 期遥感影像,研究了盐渍化丰度与土
壤湿度间的关系,并绘制出了用盐渍化丰度(SF)和
土壤湿度(SWC)构成的 SF鄄SWC特征空间(图 1)。
图 1摇 基于二维特征空间的土壤盐渍化监测模型
Fig.1摇 soil salinization model based on spectral feature space for two dimensions
摇 摇 通过上述建立的 3 个特征空间可以看出,研究
所建立的散点图的形状均为三角形,其相关性除 VF鄄
SWC特征空间为正相关外,其余均呈现为负相关,在
所构成的特征空间中,不同的盐渍化土壤均具有显
著规律。 其中,红色区域为重度或者极重度盐渍化
区域,蓝色区域为中轻度盐渍化区域,绿色区域主要
为农田种植区。 研究以 2006 年 7 月和 2007 年 7 月
为例,以均匀抽样的方式定量地揭示了 SF 和 VF、
SWC和 VF、SWC 和 SF 之间的关系,从图 2 中可以
看出均存在着较好的线性或非线性定量关系。
图 3 为 VF鄄SF 特征空间简化示意图,A、B 分别
表示的是干燥的裸土(SF 大,VF 小)和湿润的裸土
(SF和 VF都小),随着地表覆盖度的降低,像元级裸
土面积逐渐增大,图像色调逐渐变亮,土壤盐渍化程
度不断提高,C 点表示植被覆盖度高,土壤盐分含量
低,土壤水分充沛, B—C 表示土壤盐分占有量较
少,土壤水分充沛,植物生长不受盐分胁迫影响低,
植被覆盖度高,土壤持水性较好,温度较低,积盐率
相对较低,盐分不易聚集于陆地表面的像元,被定义
为“低盐边冶。 图 3 中 A、B、C 代表了 VF鄄SF 特征空
间的 3种极端现象,在植被生长的不同时期,地表植
被覆盖状况对应的 VF鄄SF 都分布在 ABC 这个多边
形区域内。
3264摇 16期 摇 摇 摇 丁建丽摇 等:干旱区土壤盐渍化特征空间建模 摇
http: / / www.ecologica.cn
图 2摇 土壤盐渍化响应参数间定量关系
Fig.2摇 Quantitatively relationship among VF, SWC and SF
摇 摇 图 4 为 VF鄄SWC 特征空间简化示意图,A 为植
被覆盖度的高区域,土壤水分充沛,土壤盐分含量
低,水热组合为最优状态。 B、C 分别表示湿润的地
带(VF小,SWC大)和干燥的裸土(VF小,SWC小),
A—B被定义为“低盐边冶,临近此边的像元土壤水分
充沛,土壤盐分含量较少,植物生长受盐分胁迫影响
低,植被覆盖度高,积盐率相对来说较低,盐分不易
聚集于陆地表面。
图 5 为 SF鄄SWC 特征空间简化示意图,如图所
示,在该特征空间中,可以选择基于代表盐渍化趋势
线的垂线来建立区分不同盐渍化土壤的监测指数,
即在这些垂直方向上划分 SWC鄄SF 特征空间,以此
将不同程度盐渍化土壤区进行区分,即:
SF = - 1
e
SWC + f (4)
(1) VSSI与 SVSI模型构建
由于土壤中的可溶性盐分借助毛管上升至地
表,因而从散点图 6中可以看出,离“低盐边冶越近的
像元,植被覆盖度就越高,土壤盐分占有量就越少,
由此得出SWC鄄VF特征空间土壤盐渍化监测模型
4264 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
图 3摇 土壤盐渍化丰度和植被丰度构成的三角形空间
Fig.3摇 VF / SF feature space
图 4摇 植被丰度和土壤水分构成的三角形空间
Fig.4摇 VF / SWC feature space
图 5摇 盐渍化丰度和土壤水分构成的特征空间
Fig.5摇 SF / SWC feature space
(SVSI)和 VF鄄SF 特征空间土壤盐渍化监测模型
(VSSI)。
VSSI = SF
- (aVF + b)
1 + a2
(5)
SFmin = aVF + b (6)
式中, SF为像元土壤盐渍化丰度;VSSI 为土壤盐渍
化遥感监测指数; SFmin为 “低盐边冶方程,a、b 为低
盐边拟合参数,VF为像元植被丰度,对应一定 VF值
下的 SF最低值。
图 6摇 VF鄄SF特征空间盐渍化模型构建示意图
Fig.6摇 The model of soil salinization in VF / SF feature space
SVSI =
SF - (cVF + d)
1 + c2
(7)
SWCmin = cVF + d (8)
公中,SVSI 指土壤盐渍化遥感监测指数;SWC
指像元湿度信息;VF指像元植被丰度;SWCmin指“低
盐边冶方程,对应一定 VF 值下的 SWC 值最高;c、d
为低盐边拟合参数。
(2) SSSI模型构建
图 7为 SWC鄄SF特征空间简化示意图,从任意一
5264摇 16期 摇 摇 摇 丁建丽摇 等:干旱区土壤盐渍化特征空间建模 摇
http: / / www.ecologica.cn
点到直线 T的垂直距离能说明土壤盐渍化状况,即
离直线 T越远的像元土壤盐渍化现象就越严重,水
分含量少,植被覆盖度低,离直线 T越近的像元土壤
盐渍化现象就越轻,土壤水分越充沛,植被覆盖度
高。 在 SWC鄄SF特征空间任意取一点 D(SWC,SF),
根据从点到直线的距离方程,可以得到从 D(SWC,
SF)到直线 T的距离为 EF。
EF = 1
e2 + 1
(SWC + e·SF) (9)
图 7摇 SWC鄄SF特征空间模型构建示意图
Fig.7摇 The model of soil salinization in SF / SWC feature space
通常来说,最为接近 T 线的空间就是较湿润分
布区或者是水体,而远离线 T 的则都是土壤盐渍化
状况较为严重,土壤表层较为干旱区域。 进而进一
步建立基于 SWC鄄SF特征空间土壤的盐渍化遥感监
测的指数(SSSI)。
SSSI = 1
e2 + 1
(SWC + e·SF) (10)
式中,SF为土壤盐渍化的丰度;SSSI 为土壤盐
渍化遥感监测指数;e 为土壤线斜率;SWC 为像元土
壤的水分信息。
2.3.2摇 基于三维特征空间的土壤盐渍化遥感建模
研究
研究利用不同的两种方式来构建三维的特征空
间。 一为尝试利用研究中提取出来的土壤水分、盐
渍地信息和植被构建三维特征空间,进而以特征空
间散点走势的规律为基础构建模型构建。 二为利用
MNF变换之后的前 3 个波段在 N 维空间中的构建
模型,尝试从数学的角度即波谱空间方法进行盐渍
化信息的提取和模型构建。
(1) SVWSI模型构建
在土壤、土壤盐渍信息和植被构建的三维特征
空间中,散点集高端代表生态环境比较好的农田种
植区也就是“低盐区冶,为了要维持高效灌溉农业的
可持续发展,则必须要降低作物根区土壤的含盐量
到适宜作物的生长水平,而散点集低端则代表植被
的覆盖度低,土壤盐分的含量比较高,土壤的含水量
低的区域。 在排水条件良好的情况下,农业用地的
土壤盐分含量一般保持在较低水平,根据野外采样
点的实测数据统计分析可得知,土壤的表层 0—10
cm盐分的含量均值是 0.2 g / kg,最大值是 95%,均值
是 75%,平均土壤的含水量为 15.3 g / kg,覆盖度的最
小值是 55%。 由于绿洲的农产品种植和其他植被的
覆盖面积比较大,然而水域和盐渍化区域的面积相
对较小,因此散点集呈现两头尖,中间粗的形态。
基于此将定义研究区内的像元到低盐区的距离
以来表征土壤的盐渍化程度(图 8)。 从而可得到三
维特征空间的土壤盐渍化遥感监测的模型 ( Soil
salinization fraction鄄Vegetation fraction鄄Water contents
Soil Index, SVWSI)。 下边是对 SVWSI 模型的相关
定义和计算方法:
可设低盐分布区的平均三维光谱的信号为:
图 8摇 三维特征空间模型构建示意图
Fig.8摇 The model of soil salinization in 3D space
Sr = {xr,yr,zr} (11)
计算它到低盐区的距离是 L ,即:
L = (x - xr) 2 + (y - xr) 2 + ( z - zr) 2 (12)
即三维特征空间的土壤盐渍化遥感监测模型
6264 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
(SVWSI)为:
SVWSI = (x - xr) 2 + (y - xr) 2 + ( z - zr) 2
(13)
式中,x, y,z分别为空间任意一点的坐标; xr 为土壤
盐渍化的丰度; yr为土壤水分; zr为植被的丰度。
(2)SDI模型构建
MNF变换的结果使图像信息量随着波段数的增
加而减少,一般来说前 3 个波段能比较完整的表达
区域的特征信息,把前 3 个波段投影至 MNF 三维空
间中进行相关分析,可发现特征空间中的地物端元
的几何空间位置较明确,农田“纯净像元冶成线状分
布(图 9),而且土壤农田盐分的含量比较少,在此可
假设成立一条“低盐基准线冶 (AK)。 距离线 AK 越
近的像元土壤的盐渍化程度就越低。 即距“低盐基
准线冶越远的像元,土壤盐渍化的程度就越高,而距
“低盐分基准线冶越近的,土壤盐渍化的程度越低。
则可借助特征空间中的一点到线的距离函数来表达
不同地物的土壤盐渍化程度和线性组合方式,这种
表达方式的转变不仅考虑了混合像元中的线性(地
物组合)还考虑非线性因素(临边效应),同时也反
映了土壤水分组合方式、盐分及其变化特征。
图 9摇 “纯净冶像元在MNF前三维空间里的分布
Fig.9摇 Location of “pure pixels冶 in the 3D MNF space
不同的终端单元就有不同的几何位置,同样对
于混合光谱的土壤盐渍化的像元也就会随着土壤的
盐渍化程度的不同有不一样的几何位置。由图10
分析可知,土壤盐渍化的像元到“低盐基准线冶的距
离可以表达不同程度的土壤盐渍化信息,进一步得
出土壤盐渍化的距离指数( soil salinization distance
index,SDI)。 下边是土壤盐渍化相关定义和距离指
数计算方法:
图 10摇 土壤盐渍化过程表达
Fig.10摇 Expression of soil salinization process
设“低盐基准线冶一端平均的三维光谱信号为:
Mv = {xv,yv,zv} (14)
设“低盐基准线冶另一端的平均三维光谱信
号为:
Mk = {xk,yk,zk} (15)
“低盐基准线冶方程为:
x - xv
xv - xk
=
y - yv
yv - yk
=
z - zv
zv - zk
(16)
设土壤盐渍化的像元三维光谱信号为:
Ms = {xs,ys,zs} (17)
计算土壤盐渍化的像元到“低盐基准线冶的距离
为 L,即:
L = 椰
xv - xs,yv - ys,zv - zs 伊 xk - xs,yk - ys,zk - zs
xv - xk,yv - yk,zv - zk
椰
(18)
设完全土壤的盐渍化像元终端的端元三维光谱
信号为:
M0{x0,y0,z0} (19)
同样可计算它到 “低盐基准线冶 的距离为
L0,即:
LO = 椰
xv - xO,yv - yO,zv - zO 伊 xk - xO,yk - yO,zk - zO
xv - xk,yv - yk,zv - zk
椰 (20)
7264摇 16期 摇 摇 摇 丁建丽摇 等:干旱区土壤盐渍化特征空间建模 摇
http: / / www.ecologica.cn
摇 摇 定义土壤的盐渍化距离指数:
SDI = L
L0
(21)
可使用以上方法进行 SDI 计算以及制图,完全
盐渍化的区域值为1,非盐渍化的区域则为接近于
图 11摇 土壤盐渍化距离指数构想示意图
Fig. 11 摇 Distance for different Soil Salinization in 3D
MNF space
0,土壤盐渍化的区域 SDI 值在 0 到 1 之间。 因为遥
感影像的信息被 MNF变换压缩至靠前波段,因此选
取前三波段使用上述的方法进行计算,可得到 SDI
图(图 11)。
3摇 结果与分析
3.1摇 土壤盐渍化和植被丰度信息提取及其验证
在本研究中,端元是从图像中进行获取,通过用
最小噪声分离(Minimum Noise Fraction,MNF)变化
来进行数据降维和噪声剔除,并将干净的 MNF 影像
进行像元纯度计算(Pixel Purity Index,PPI),通过多
维散点图确定终端端元。 经过反复比对和分析,最
终确定植被、水体、灰色盐壳和白色盐壳四种地物为
研究区基本端元,并将端元带入到模型中求解,将结
果中灰色盐壳和白色盐壳丰度信息合并为土壤盐渍
化丰度信息,并利用 2006年 7月和 2007年 7月实测
数据及相关指数对土壤盐渍化丰度和植被丰度进行
精度对比验证(表 1和表 2)。
表 1摇 VF和 TSAVI与实测土壤盐分相关性分析
Table 1摇 Relationship among VF, TSAVI and measured soil salt contents
实测数据
The measured data
植被丰度
Vegetation fraction
回归模型 决定系数
土壤调整植被指数
Transform Soil鄄Adjusted Vegetation Index
回归模型 决定系数
2006年植被覆盖度实测数据
The measured data of vegetation cover in 2006 Y
= 0.5045x+0.1519 R2 = 0.8574 Y= 0.6415x+0.0691 R2 = 0.8211
2007年植被覆盖度实测数据
The measured data of vegetation cover in 2007 Y
= 0.5357x+0.083 R2 = 0.8462 Y= 0.4444x+0.0261 R2 = 0.8154
表 2摇 SF和 SI与实测土壤盐分相关性分析
Table 2摇 Relationship among SF, SI and measured soil salt contents
实测数据
The measured data
土壤盐渍化丰度
Soil salinization fraction
回归模型 决定系数
盐分指数
Salt index
回归模型 决定系数
2006年土壤表层盐分实测数据
The measured data of soil
surface salinity in2006
Y= 62.05x+0.0166 R2 = 0.7105 Y= 0.0042x+0.0813 R2 = 0.6669
2007年土壤表层盐分实测数据
The measured data of soil
surface salinity in2007
Y= 39.405 x+10.575 R2 = 0.7078 Y= 0.0034x+0.0917 R2 = 0.6592
摇 摇 研究分别选取实测点植被覆盖度数据对 TSAVI
和分解后的植被丰度(VF)进行相关性分析(表 1),
选取实测点土壤含盐量数据对 SI 和分解后的土壤
盐渍化丰度(SF)进行相关性分析(表 2)。 分析结果
如表 1和表 2所示,研究区 2006 年 VF 和 TSAVI 与
实测数据之间的相关性较高,决定系数分别为
0郾 8574 和 0. 8211,而 2007 年分别达到 0. 8462 和
0郾 8154。 研究区 2006年 SF和 SI与实测数据之间的
8264 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
决定系数分别为 0.7105和 0.6669,而 2007年则分别
达到 0.7078和 0.6592,这表明研究所采用的线性光
谱分解方法,其所具有的定量化程度及信息提取精
确较高,与其他方法相比具有一定的优越性,能较好
地反应研究区内植被和盐渍化分布状况。
3.2摇 土壤水分信息提取及其验证
MPDI 模型反演的土壤水分预测值分别与 2006
年 7月和 2007 年 7 月获取的土壤水分数据进行相
关性分析,结果见表 3。 可以看到,土壤水分(0—10
cm)实测值和模型估测值的变化趋势基本一致,决定
系数分别达到了 0. 7512 和 0. 7815。 同时也表明,
MPDI模型能够反映地表覆盖和水热组合及其变化,
具有明确的生物物理意义,可以作为反映干旱区土
壤湿地状况的监测模型,具有操作性强,预测精度高
和数据易获取等优势。
表 3摇 土壤水分预测值与实测数据相关性分析
Table 3摇 Relationship between MPDI and SI and measured soil water contents忆
实测数据
The measured data
2006年 7月 MPDI预测值
The predictive value of MPDI in July, 2006
回归模型 决定系数
2007年 7月 MPDI预测值
The predictive value of MPDI in July, 2007
回归模型 决定系数
土壤表层水分实测数据
The measured data of soil surface moisture Y
= 0.9074x+0.0625 R2 = 0.7512 Y= 0.7982x+0.021 R2 = 0.7815
3.3摇 土壤盐渍化遥感监测模型验证
研究利用 2006年 7 月和 2007 年 7 月获取的实
测土壤表层 0—10 cm(A 层)、10—30 cm(B 层)、
30—50 cm(C层)平均盐分数据,分别与对应采样点
图像 VSSI模型、SVSI模型、SSSI 模型、SVWSI 和 SDI
模型模拟值进行相关性分析,以测试遥感监测模型
精度(表 4)。
表 4摇 模型预测值与土壤盐分实测数据相关性分析
Table 4摇 Relationship between predicted values of the model and measured soil salt contents
土壤分层
Soil stratification
VF鄄SF特征空间盐
渍化监测指数
Vegetation fraction and
Soil fraction
Soil Index
SWC鄄VF特征空间
盐渍化监测指数
Soil water contents and
Vegetation fraction
Soil Index
SWC鄄SF特征空间
盐渍化监测指数
Soil water contents and
Soil salinization fraction
Soil Index
三维特征空间
盐渍化距离指数
Soil salinization fraction鄄
Vegetation fraction鄄Water
contents Soil Index
盐渍化距离指数
Soil Distance Index
A层(0—10 cm)
Layer A(0—10 cm)
Y= 0.1016x+0.1571
R2 = 0.7493
Y= 0.0884x+0.0179
R2 = 0.7866
Y= 0.1082x-0.0296
R2 = 0.714
Y= 0.0913x+0.1083
R2 = 0.8325
Y= 0.0582x+0.0249
R2 = 0.8646
B层(10—30 cm)
Layer C(10-30 cm)
Y= 0.068x+0.6571
R2 = 0.4114
Y= 0.0402x+0.481
R2 = 0.2749
Y= 0.0585x+0.5116
R2 = 0.3521
Y= 0.0426x+0.5835
R2 = 0.3063
Y= 0.0268x+0.3294
R2 = 0.3076
C层(30—50 cm)
Layer C(30-50 cm)
Y= 0.3009x+0.5464
R2 = 0.5436
Y= 0.2043x+0.4171
R2 = 0.4768
Y= 0.3099+0.4078
R2 = 0.6645
Y= 0.2205x+0.5124
R2 = 0.5508
Y= 0.1542x+0.2713
R2 = 0.687
摇 摇 5种土壤盐渍化监测模型能够较好的指示地表
A 层(0—10 cm)土壤盐渍化程度,反演精度较高。
其中 SDI模型和 SVWSI模型对表层土壤盐分含量较
为敏感,其他模型次之。 对于 B层(10—30 cm)和 C
层(30—50 cm),5种土壤盐渍化遥感监测模型效果
总体上低于 A层,C层土壤盐分相关性要高于 B 层,
相关性最低的为 B层。
导致产生以上结果的原因可能是: (1)遥感图
像的光谱特征反应土壤表层信息比底层更为敏感,
致使其相关性高于底层土壤盐分;(2)干旱区的土壤
盐分剖面类型多为表聚型,土层 0—10 cm 的土壤盐
分含量较高,而其他土壤层含盐量明显低于该层,盐
分的落差较大。 此外,由于研究区位于极端干旱区,
而本研究野外的采样时间为 7 月中下旬,该月份的
降水量较干季有所增加,研究区的盐渍土受降水因
素的影响而被淋洗,导致土壤表层积聚的盐分随雨
水下渗,这使得研究区表层土壤盐渍化程度有所减
轻的同时,也造成了研究区土壤盐分过渡层(B 层)
的土壤盐分含量变化剧烈且不稳定,因而与表层的
土壤盐分相比,其特征差异较大;(3)同样是由于降
水的原因,虽然 7 月份研究区的降水次数较干季更
为频繁,但单次降水量依旧较少,其降水量不足以使
9264摇 16期 摇 摇 摇 丁建丽摇 等:干旱区土壤盐渍化特征空间建模 摇
http: / / www.ecologica.cn
得表层土壤盐分向更深层的土壤中(C 层)下移,因
而 C层土壤盐分含量较其它层相对稳定。
4摇 结论
(1) 本研究深入探讨了光谱混合分析方法在
Landsat鄄TM、ETM+多光谱遥感数据上的应用,其中包
括光谱混合分析模型的选择、最优端元组分类型与
取值的确定。 研究对光谱混合分析结果(土壤盐渍
化丰度和植被丰度)进行精度评价,并经过实测数据
验证,结果表明,
应用混合像元分解模型求解得到的研究区地物
丰度信息,能够很好地解决遥感图像像元精度的限
制。 所得到的盐渍化丰度和植被丰度精度较其他信
息获取方式比较而言有所提升,且能够很好得直接
或者间接揭示研究内盐渍化状况。
(2) 研究选取适用于干旱区的土壤水分模型
(MPDI)反演研究区地表土壤水分,经过实测数据验
证。 结果显示,0—10 cm 土壤水分实测数据和模型
预测值具有较好的相关性。 表明 MPDI 能够反映地
表覆盖和水热组合及其变化,将其作为反映干旱区
土壤湿地状况的监测模型具有操作性强,预测精度
高和数据易获取等优势。
(3) 研究借助特征空间理论,结合遥感图像分
析及野外考察,发现由土壤盐渍化丰度、植被丰度和
土壤水分三者两两之间所构建 VSSI、SVSI、和 SSSI
土壤盐渍化遥感监测模型能够较好地反演地表(0—
10 cm)土壤盐渍化程度,且反演精度较高。 其中
SVSI模型对表层土壤盐分含量较为敏感,VSSI 模型
和 SSSI模型次之。
(4) 本文深入挖掘多维遥感信息,同时考虑土
壤盐渍化过程中多重响应参量,在三维特征空间下
构建了 SVWSI和 SDI土壤盐渍化遥感监测模型,通
过试验对比与分析,SVWSI 和 SDI 模型对不同程度
盐渍化土壤敏感性要高于 VSSI、SVSI、和 SSSI,两个
模型与表层土壤盐分之间的决定系数分别达到
0郾 8325和 0.8646。
本研究通过融合土壤盐渍化信息、植被丰度信
息和土壤水分信息,借助多维特征空间相关理论,以
水盐多角度混合约束的建模思路为指导,构建了不
同维数的土壤盐渍化遥感信息定量反演模型。 所建
立的模型具有明确的生物物理意义,且指标简单、容
易获取、有利于土壤盐渍化的定量分析与监测,对于
今后干旱区盐渍地信息的提取和动态监测研究具有
重要的参照价值。
References:
[ 1 ] 摇 Wang Y G, Xiao D N, Li Y, Li X Y. Response of salt
accumulation in soil to groundwater changes at the oasis in the
lower reaches of Sangong River, Xinjiang. Acta Ecologica Sinica,
2007, 27(10): 4036鄄1263.
[ 2 ] 摇 Acosta J A, Jansen B, Kalbitz K, Faz A, Martinez S. Salinity
increases mobility of heavy metals in soils. Chemosphere, 2011,
85(8): 1318鄄1324.
[ 3 ] 摇 Aldakheel Y Y. Assessing NDVI spatial pattern as related to
irrigation and soil salinity management in Al鄄Hassa Oasis, Saudi
Arabia. Journal of the Indian Society of Remote Sensing, 2011, 39
(2): 171鄄180.
[ 4 ] 摇 Muyen Z, Moore G A, Wrigley R J. Soil salinity and sodicity
effects of wastewater irrigation in South East Australia. Agricultural
Water Management, 2011, 99(1): 33鄄41.
[ 5 ] 摇 Gao T T, Ding J L, Ha X P, Zhang F, Wang F. The spatial
variability of salt content based on river basin scale a case study of
the delta oasis in Weriga 鄄 Kuqa watershed. Acta Ecologica Sinica,
2010, 30(10): 2695鄄2705.
[ 6 ] 摇 Wang Y G, Xiao D N, Li Y. Spatial heterogeneity of soil salinity
in oasis at catchment scale. Acta Ecologica Sinica, 2007, 27
(12): 5262鄄5270.
[ 7 ] 摇 Ding J L, Wu M C, Tiyip T. Study on soil salinization information
in arid region using remote sensing technique. Agriculture Sciences
in China, 2011, 10(3): 404鄄411.
[ 8 ] 摇 Hanson B, Hopmans J W, Simunek J. Leaching with subsurface
drip irrigation under saline, shallow groundwater conditions.
Vadose Zone Journal, 2008, 7(2): 810鄄810.
[ 9 ] 摇 Rao B R M, Ravisankar T, Dwivedi R S, Das S N, Dwivedi R S,
Thammappa S S, Venkataratnam L. Spectral behaviour of sa1t鄄
aflfected soils. International Journal of Remote Sensing, 1995, 16
(12): 2125鄄2l36.
[10] 摇 Letey J, Hoffman G J, Hopmans J W, Grattan S R, Suarez D,
Corwin D L, Oster J D, Wu L, Amrhein C. Evaluation of soil
salinity leaching requirement guidelines. Agricultural Water
Management, 2011, 98(4): 502鄄506.
[11] 摇 Zhang R Q, Song N P, Wang X N, Cai S M. Visual analysis of
saline soil spatial鄄temporal variation using Geo鄄information TuPu.
Transaction of the Chinese Society of Agricultural Engineering,
2012, 28(9): 230鄄235.
[12] 摇 Fu Q H, Ni S X, Wang S X, Zhu Y. Retrieval of soil salt content
based on remote sensing. Transaction of the Chinese Society of
Agricultural Engineering, 2007, 32(1): 97鄄101.
[13] 摇 Wu Y K, Yang J S, Liu G M. Spatial variability of soil salinity
0364 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
using data from remote sensing and electromagnetic induction
instruments. Transaction of the Chinese Society of Agricultural
Engineering, 2009, 25(7): 148鄄152.
[14] 摇 Ha X P, Ding J L, Tiyip T, Gao T T, Zhang F. SI鄄Albedo space鄄
based remote sensing synthesis index models for monitoring of soil
salinization. Acta Pedologica Sinica, 2009, 46(4): 698鄄703.
[15] 摇 Ha X P, Ding J L, Tiyip T, Luo J Y, Zhang F. SI鄄Albedo space鄄
based extraction of salinization in arid area. Acta Pedologica
Sinica, 2009, 46(3): 381鄄390.
[16] 摇 Wang F, Ding J L, Wu M C. Remote sensing monitoring models
of soil salinization based on NDVI鄄SI feature space. Transactions of
the Chinese Society of Agricultural Engineering, 2010, 26(8):
168鄄173.
[17] 摇 Ding J L, Qu J, Sun Y M, Zhang Y F. The retrieval model of soil
salinization information in arid region based on MSAVI鄄WI feature
space: A case study of the delta oasis in Weigan鄄Kuqa watershed.
Geographical Research, 2013, 32(2): 223鄄232.
[18] 摇 Ghulam A, Qin Q M, Zhu L J. 6S Model based atmospheric
correction of visible and near鄄infrared data and sensitivity analysis.
Acta Scientiarum Naturalium Universitatis Pekinensis, 2004, 40
(4): 611鄄618.
[19] 摇 Wu C S. Normalized spectral mixture analysis for monitoring urban
composition using ETM+ imagery. Remote Sensing of
Environment, 2004, 93(4): 480鄄492.
[20] 摇 Ghulam A, Qin Q M, Teyip T, Li Z L. Modified perpendicular
drought index (MPDI): a real鄄time drought monitoring method.
ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62
(2): 150鄄164.
参考文献:
[ 1 ] 摇 王玉刚, 肖笃宁, 李彦, 李小玉. 新疆三工河流域尾闾绿洲地
下水变化与土壤积盐的响应. 生态学报, 2007, 27 ( 10):
4036鄄1263.
[ 5 ] 摇 高婷婷, 丁建丽, 哈学萍, 张飞, 王飞. 基于流域尺度的土壤
盐分空间变异特征———以渭干河鄄库车河流域三角洲绿洲为
例. 生态学报, 2010, 30(10): 2695鄄2705.
[ 6 ] 摇 王玉刚, 肖笃宁, 李彦. 流域尺度绿洲土壤盐分的空间异质
性. 生态学报, 2007, 27(12): 5262鄄5270.
[11] 摇 张荣群, 宋乃平, 王秀妮, 蔡思敏. 盐渍土时空变化信息的图
谱可视化分析. 农业工程学报, 2012, 28(9): 230鄄235.
[12] 摇 扶卿华, 倪绍详, 王世新, 周艺. 土壤盐分含量的遥感反演研
究. 农业工程学报, 2007, 32(1): 97鄄101.
[13] 摇 吴亚坤,杨劲松, 刘广明. 基于遥感与电磁感应仪数据的土壤
盐分空间变异性. 农业工程学报, 2009, 25(7): 148鄄152.
[14] 摇 哈学萍, 丁建丽, 塔西甫拉提·特依拜, 高婷婷, 张飞. 基于
SI鄄Albedo特征空间的土壤盐渍化遥感监测指数研究. 土壤学
报, 2009, 46(4): 698鄄703.
[15] 摇 哈学萍, 丁建丽, 塔西甫拉提·特依拜, 罗江燕, 张飞. 基于
SI鄄Albedo特征空间的干旱区盐渍化土壤信息提取研究———
以克里雅河流域绿洲为例. 土壤学报, 2009, 46(3): 381鄄390.
[16] 摇 王飞, 丁建丽, 伍漫春. 基于 NDVI鄄SI特征空间的土壤盐渍化
遥感模型. 农业工程学报, 2010, 26(8): 168鄄173.
[17] 摇 丁建丽, 瞿娟, 孙永猛, 张永福. 基于 MSAVI鄄WI特征空间的
新疆渭干河鄄库车河流域绿洲土壤盐渍化研究. 地理研究,
2013, 32(2): 223鄄232.
[18] 摇 阿布都瓦斯提·吾拉木, 秦其明, 朱黎江. 基于 6S 模型的可
见光、近红外遥感数据的大气校正. 北京大学学报: 自然科学
版, 2004, 40(4): 611鄄618.
1364摇 16期 摇 摇 摇 丁建丽摇 等:干旱区土壤盐渍化特征空间建模 摇