基于Landsat系列數據的鹽分指數和植被指數對土壤鹽度變異性的響應分析
——以新疆天山南北典型綠洲為例

王 飛,丁建麗,魏 陽,周倩倩,楊曉東,王前鋒

1 新疆大學資源與環境科學學院,烏魯木齊 830046 2 綠洲生態教育部重點實驗室,烏魯木齊 830046 3 福州大學環境與資源學院,福州 350116

基于Landsat系列數據的鹽分指數和植被指數對土壤鹽度變異性的響應分析
——以新疆天山南北典型綠洲為例

王 飛1,2,丁建麗1,2,魏 陽1,2,周倩倩1,2,楊曉東1,2,王前鋒3

1 新疆大學資源與環境科學學院,烏魯木齊 830046 2 綠洲生態教育部重點實驗室,烏魯木齊 830046 3 福州大學環境與資源學院,福州 350116

基于不同地理區域,借助目前已有或者構建新的鹽分和植被指數定量評估研究區的土壤鹽度狀況。但多數指數并未在鹽漬化較為嚴重的中國新疆地區進行系統性對比分析。因此,以新疆阜北地區(采樣數=37),瑪納斯河綠洲(采樣數=68)和渭干河-庫車河綠洲(采樣數=38)為研究區,以灌區農田和鹽漬地采樣數據和Landsat TM/ETM+/ OLI為數據源,利用線性模型和多個非線性模型(10個)測試上述指數(14個指數)和原始波段對于研究區土壤鹽度的敏感性。結果顯示,阜北地區基于遙感獲取的擴展的增強型植被指數Extented Enhanced Vegetation Index (EEVI)在全樣本和部分樣本(鹽漬化樣本,土壤鹽度>0.3%)兩種模式下(0—10cm),較其他指數和波段而言較為敏感。在全樣本和部分樣本(土壤飽和溶液電導率<2ds/m)兩種模式下,與瑪納斯流域各層土壤鹽度最為敏感的為band 2,部分樣本模式下土壤鹽度變異性顯著性探測最大下探深度為30cm。渭干河-庫車河綠洲全樣本模式下,最大土壤鹽度變異性顯著性探測深度為40cm,0—10cm和10—20cm深度表現最為敏感的是土壤鹽分指數SI-T,20—40cm深度則為植被指數TGDVI。部分樣本下(土壤飽和溶液電導率>2ds/m),0—10cm深度最為敏感的為band5,10—20cm深度最為敏感的為TGDVI,20—40cm深度則為EEVI。其他指數因地理環境的差異性(氣候,土壤鹽分類型,土壤類型,采樣時間),與土壤鹽度之間并未達到顯著性(sig=0.05或者0.01)的水平。以上結果只是初步結論,但也暗示其中的某些指數在本區具有一定土壤鹽度的識別潛力。此外,由于土壤本身的復雜性,需要采集更多的樣本以深入分析不同鹽度等級下上述指數的具體表現。

土壤鹽漬化; 鹽分指數；植被指數；干旱區；Landsat

新疆維吾爾自治區堪稱干旱區鹽堿土博物館,分布范圍廣,種類多樣,作為西北最大的農業用地儲備區,快速精確地評估本地土壤鹽度則有利于本地水資源管理,農業用地規劃和防止土壤鹽漬化的擴張和反復性。新疆灌區鹽漬化土地占灌區總面積比例高達32.07%[1],多數城市和縣級地區都有分布。整體而言,以天山為界,南疆地區比北疆地區嚴重。鹽漬化土地主要分布在該區洪積扇中下部,綠洲-荒漠交錯帶,新開墾地區或老灌區內部的棄耕地[2]。放眼未來,隨著人口的增加,人類活動將不斷加劇,及時升級土壤環境數據(物理化學,生物,生態水文等)的需求相比從前更為強烈[3]。新疆天然的地理環境,加之水土資源的不合理利用,勢必會造成更多的土地面臨土壤鹽漬化問題。另外,干旱區生態環境脆弱,準確高效地診斷本地土壤鹽度對于評估土壤健康和優化管理尤為重要。相對于傳統技術而言,遙感數據因其覆蓋面積廣,尋訪周期快,且非侵入土壤等優勢得以廣泛應用。

借助遙感光譜探測土壤鹽度的方式主要有兩種。首先,在植被覆蓋度較低(植被覆蓋度小于15%)或鹽漬化較為嚴重的裸土地區,可利用遙感原始波段光譜直接測量其土壤光譜信息,并與土壤鹽分進行關聯,定量獲取其鹽度值?；谀壳皩嵉販y量的光譜信息所總結的理論基礎,許多學者嘗試建立鹽度指數定量描述土壤鹽度信息。這些指數包括：鹽分指數(SI-T)[4],歸一化鹽分指數(NDSI)[5],鹽分指數(Salinity Index 2, SI2)[6],鹽分指數(S2)[7],鹽分指數(SI3)[6],以上指數在其上述文獻研究區內相比其他鹽分指數而言,對于鹽度信息更為敏感。其次,鹽漬化土壤因其鹽分含量超過正常閾值進而影響到植被的生理參數,因此出現紅光波段反射率增加和近紅外波段反射率降低的現象[8- 9]。鑒于此發現,諸多研究學者利用植被光譜間接推理土壤中的鹽分含量。涉及的植被指數有歸一化植被指數(NDVI)[10], 增強性植被指數(EVI)[11], 土壤調節植被指數(SAVI)[12], 廣義植被指數(GDVI)[13],冠層響應鹽度指數(CRSI)[14], 大氣阻抗植被指數(GARI)[15],聯合光譜響應指數(COSRI)[16],擴展的增強型植被指數(ENDVI)[17], 擴展的增強型植被植數(Extented Enhanced Vegetation Index, EEVI)[17], 等。除以上指數外,Zhang 等 (2016)[18]研究發現TGDVI(three-band maximal gradient difference, TGDVI)相對EVI和NDVI 而言,與植被生物量的相關性更高。Zhang等[19]研究顯示植被序列積分函數——類生物量參數SI(Seasonal Integral)具備評估大尺度下鹽分信息的潛力。因此,基于以上研究,研究增加三波段差分指數TGDVI[20]聯合其他植被指數共同考量植被指數對土壤鹽度的敏感性。然而,基于波段組合構建的鹽分和植被指數與土壤鹽度之間的關系隨著時空的變異表現出諸多變化。因其地理環境的不同,本地表現出的高敏感性,在其他地區是否依然能夠保持,值得商榷。上述指數被應用到世界各地,僅Brunner等[10]利用NDVI 在新疆的博斯騰湖地區評價過土壤鹽度,其他指數均較少應用到新疆地區。上述指數應用區之間在地貌特征,植被類型,氣候,人文因素等方面表現出的一定的差異性,使得土壤中的鹽分類型呈現類型多樣的特點。至此,不同鹽分類型下的土壤/植被光譜與土壤鹽度信息之間的關系可能會參差不齊,指數模型的通用性(transferability)有待考量。上述指數并沒有在新疆地區不同綠洲進行對比,而挖掘指數與土壤鹽度之間的定量關系,對于識別潛在的土壤鹽漬化土地及制定相關措施,以最小代價防止土壤鹽漬化,成為目前較為高效的工具。因此,本研究借助Landsat系列數據,以天山北麓阜北地區,瑪納斯河綠洲和天山南麓渭干河-庫車河綠洲三個地區為研究區,評估上述指數在新疆多個灌區鹽漬化分布區的敏感性。

1 研究區

阜北地區(44°17′—44°22′N and 87°47′—88°01′E)地處西北干旱地區,是典型的綠洲沙漠過渡帶,位于三工河(發源于天山北麓)流域的末端。該地區高程范圍454.3—485.4 m,地勢東南方向至西北方向緩慢遞減,平均坡度為0.17%。年際平均降水量為163mm,年際蒸發皿1780—2460mm。因地勢平緩,徑流速度緩慢,蒸發量大等因素,土壤鹽漬化發生較為普遍。土壤類型依據FAO/UNESCO (1990) 統計,鹽土(Solonchak)約占37%,其次為簡育鈣積土(Haplic calcisols)和底層較為肥沃的潮性變性土(Aquert)[21]。自然植被包括耐旱和耐鹽的植被群落,如,荒漠灌叢的多枝檉柳(Tamarixramosissima, 梭梭(Haloxylonammodendron)和琵琶柴(Reaumuriasoongorica)。作物類型包括棉花(cotton),小麥(wheat),啤酒花(hops),葡萄(grapes)和玉米(corn)。

瑪納斯河綠洲(46°00′—44°00′N and 84°30′—86°30′E)坐落于中國西北地區,位于新疆天山北麓。該地屬于溫帶大陸性干旱性氣候,年際氣溫變化劇烈。平均溫度為6.5 ℃,年際平均降水和潛在蒸發量為170mm和1800mm[22]。該區整體地形較為平坦,農業生產潛力巨大。土壤類型以灰漠土為主。生長季農田整體長勢較好,作物類型以玉米(Zea may L.),小麥(Triticum spp.)和棉花 (Gossypium hirsutumL.)為主。該綠洲是新疆最為重要的糧食生產基地,灌溉措施齊全,因地理環境的影響,但仍受土壤鹽漬化的威脅。

渭干河-庫車河綠洲(41°06′N — 41°40′N and82°10′E — 83°50′E)位于塔里木盆地北麓中段。典型的溫帶大陸性干旱氣候,日平均溫度變化劇烈(夏天最高溫度超過40℃),年平均降水量67.5mm。由于極端的氣候,地質環境和不合理的農業管理的影響,導致本地土壤鹽漬化現象普遍[23- 24]。自然條件下植被覆蓋較低,優勢植被群落包括蘆葦(Phragimitesaustralis), 檉柳(Tamarixramosissima),駱駝刺(Allhagisparisifolia), 花花柴(Karelinacaspica), and 鹽爪爪(Kalidiumgracile)。嚴重的地區出現鹽殼風化現象(Salt efflorescence)。相比阜北地區和瑪納斯河綠洲而言,該地區鹽漬化現象更為典型和嚴重。

圖1 研究區示意圖Fig.1 Study sites.Location of Fubei region, Werigan-Kuqa River Delta Oasis and Manas River Basin假彩色合成543:紅色為植被,藍色和黑色是水體,白色和灰色是裸土

2 數據與方法

2.1 野外調查和地面數據獲取

瑪納斯河綠洲的采樣時間為2010年5月1日,采用較為均勻的隨機布點方式。每個樣點處,采集3個土壤樣本并混合,樣本之間的距離為25m左右。采樣深度間隔為0—10cm, 10—20cm,20—30cm, 30—50cm, 50—70cm。該地共采集68個混合樣本。樣本自然風干后,經研磨和過濾制備成待測標本。樣本利用1∶5的土水比例混合過濾后,借助電導率儀(Walklab con 60 conductivity meter)獲取土壤溶液電導率ECe(dS/cm)數據。

阜北地區共采集37個樣本,深度為0—10cm,采樣時間為2009年5月12日至19日。因為該區地處綠洲-荒漠交錯帶,地表特征復雜,為此,布點盡量覆蓋不同鹽分等級且樣點布局相對均勻。為了減少遙感數據與地面樣點之間的匹配誤差,每個樣點共采集5個樣本進行混合。每個樣品重量為500g。樣品送至中國科學院新疆生態與地理研究所理化測試中心進行測量,最終的鹽分含量(%)為8大離子之和。

渭干河-庫車河綠洲共采集38個樣地,每個樣地采集3個樣本。樣本覆蓋以下幾種土地利用類型：農業用地(9個),鹽土(8個),荒漠(1個),低覆蓋草地(5—20%)(16個),中等覆蓋草地(20—50%)(3個),灌叢(1個)。采樣時間為2013年8月24日至9月1日。每個樣點采集5個樣本進行混合。采樣深度間隔為：0—10 cm, 10—20 cm, 20—40 cm, 40—60 cm, 60—80 cm, 80—100cm。樣本去除雜質,經過2mm篩子,以20g和100ml蒸餾水進行充分混合,待過濾后,利用土壤溶液電導率儀(Merck Millipore, Billerica, MA, USA)進行EC測量。

2.2 衛星數據

2.2.1 Landsat 數據

本研究應用的遙感數據包括Landsat TM,Landsat- 7 ETM+和 Landsat- 8 OLI images 3種數據(表1)。遙感數據源于美國地質調查局(United States Geological Survey) (http://glovis.usgs.gov/)。圖像投影坐標系統為Universal Transverse Mercator (UTM) coordinate system,地理坐標系統為World Geodetic System (WGS) 1984,圖像的空間分辨率為30m。數據描述信息見文獻[25- 26]。

表1 不同研究區Landsat系列數據獲取時間及其行列號

2.2.2 大氣校正

為了更好的擬合圖像數據與地面實測土壤鹽度數據,且減少大氣對最終結果的影響,研究利用遙感軟件ENVI5.1 (ITT VIS, 2014)中的FLAASH(Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes)模塊對原始數據進行大氣校正。模型中的主要參數包括大氣模塊(設定為中緯度夏天(Mid-Latitude Summer)),氣溶膠模式(選擇鄉村(Rural))。最終將輻射率轉化為地表反射率,為計算指數提供相對精確的數據支持。

2.3 研究方法

2.3.1 土壤鹽度指數和植被指數獲取及其計算

研究共選擇了10個植被指數和4個鹽度指數用于分析其與土壤鹽度之間的定量關系(表2)。具體指數計算則利用ENVI5.1中的Band Math Function模塊完成。

2.3.2 數據分析

采用線性和非線性相關性方式檢驗和分析土壤鹽分指數和植被指數對土壤鹽度的敏感性。

線性(Linear)：

E(Yt)=β0+β1t

(1)

對數(Logarithmic)：

E(Yt)=β0+β1ln(t)

(2)

逆模型(Inverse)：

E(Yt)=β0+β1/t

(3)

二次函數(Quadratic)：

E(Yt)=β0+β1t+β2t2

(4)

立方函數(Cubic)：

E(Yt)=β0+β1t+β2t2+β3t3

(5)

復合函數(Compound)：

E(Yt)=β0β1t

(6)

冪函數(Power)：

E(Yt)=β0tβ1

(7)

S函數：

E(Yt)=exp(β0+β1/t)

(8)

增長函數(Growth)：

E(Yt)=exp(β0+β1t)

(9)

指數函數(Exponential)：

E(Yt)=β0eβ1t

(10)

邏輯函數(Logistic)：

E(Yt)=(1/u+β0β1t)-1

(11)

式中,β0,β1,β2,β3,u為擬合系數,Yt為土壤鹽度,t為土壤鹽分指數,植被指數和波段。

表2 用于評價土壤鹽度的鹽分指數和植被指數

B: 藍波段, G: 綠波段red band, NIR: 近紅外; SWIR1:短波紅外550—1750nm in Landsat ETM+/TM; 1570—1650nm in Landsat 8 OLI); SWIR2: 短波紅外 (在Landsat ETM+/TM該長為—2350nm; 在andsat 8 OLI該長為2100—2290nm);n等于 2, 3, 4;λis 波長; L=1 和γ =0.9 是氣溶膠和大氣相關參數

本文首先將不同研究區獲取的樣點整體(全樣本)參與計算和統計分析,其次按照土壤鹽度等級標準分析不同等級下(部分樣本)土壤鹽分指數,植被指數和波段與土壤鹽度之間的敏感性。每個研究區按照等級劃分后的樣點數目的多寡,具體選擇可對比的等級進行統計分析。

為了評價上述函數的擬合精度,研究引用決定系數R2和顯著性檢驗(Sig.) (2-tailed),定量評估不同地區每個指數與不同深度土壤鹽度之間的敏感性。其中Sig.<0.05為顯著性,Sig.<0.01為極度顯著。數據分析和檢驗均在SPSS16.0中完成。

3 結果

3.1 土壤鹽度數據統計

表3中顯示了3個研究區土壤鹽度的統計結果。由表3得知,渭干河-庫車河綠洲和阜北地區土壤鹽度范圍橫跨所有鹽度等級,即非鹽漬化至極度鹽漬化,而瑪納斯河綠洲樣品經分析之后得知其中94%的樣點屬于非鹽漬化。

表3研究區不同土壤深度的統計描述

Table3Descriptivestatisticsoftheactualsoilsalinity(soil salt content% used in Fubei and Electrical conductivity used in Manas oasis/ Werigan-Kuqa River Delta Oasis)

阜北地區FG/%瑪納斯河綠洲MRB/(ECeds/m)0—100—1010—2020—3030—5050—70最小值Min0．910．090．090．080．080．09最大值Max4．653．663．804．595．534．47平均值Mean1．000．700．831．001．231．38標準差SD1．060．750．891．101．281．24變異系數CV1．061．071．071．11．040．89Q250．320．150．140．150．170．32Q500．560．300．370．460．730．94Q751．361．181．451．711．962．02渭干河-庫車河綠洲WKRDO/(ECeds/m)0—1010—2020—4040—6060—8080—100最小值Min0．270．2600．310．240．720．87最大值Max92．1030．6045．8014．8012．849．88平均值Mean22．238．407．345．855．125．13標準差SD23．416．938．143．652．872．53變異系數CV1．050．8251．110．620．560．49Q254．083．742．423．012．993．09Q5018．027．384．355．434．895．86Q7527．5011．5911．088．396．886．34

圖2 阜北地區不同土壤鹽漬化(土壤鹽分,g/kg)等級下采樣點的分布比例Fig.2 The percentage of the samples under different level of soil salinization (soil salt, g/kg) in FG

此外,圖2—圖4顯示了不同研究區不同深度的土壤鹽度的分布情況,結果表現出了一定的本地化特征。

圖3 瑪納斯綠洲不同土壤鹽漬化等級下采樣點的分布比例Fig.3 The percentage of the samples under different level of soil salinization in MRB

圖4 渭干河-庫車河綠洲不同土壤鹽漬化等級下采樣點的分布比例Fig.4 The percentage of the samples under different level of soil salinization in WKRDO

3.2 研究區土壤鹽度與指數之間的相關性分析(全樣本)

利用SPSS 16軟件中的曲線估計(Curve Estimation)模塊擬合研究區樣點土壤鹽度與指數及波段之間的定量關系。表4—表8為3個研究在全樣本下的統計結果。

表4 阜北地區全樣本下植被指數與土壤鹽度之間的擬合關系

基于線性和非線性曲線模型計算土壤鹽分指數,植被指數模型和原始波段與阜北地區土壤鹽分之間的相關性,統計結果顯示(表4),EEVI, ENDVI和TGDVI三個植被指數相對其他指數和波段而言,與該區土壤鹽度之間存在較好的相關性。其中,基于Cubic模型的EEVI指數表現最好(R2=0.59),極度顯著,其次為Quadratic模型,Growth模型,Compound模型,Logistic模型和線性模型,與土壤鹽度的敏感程度相當,R2值域范圍在0.43—0.48之間。ENDVI指數中Cubic模型表現最優(R2=0.31),Growth模型,Compound模型,Logistic模型與之表現相當(R2=0.30)。TGDVI指數中Power模型表現最優(R2=0.27),Logarithmic模型,Quadratic模型,Cubic模型和S模型敏感性相當,R2=0.20左右。

表5 瑪納斯綠洲全樣本下植被指數與土壤之間的擬合關系

瑪納斯流域統計結果顯示(表5和圖5—圖7),該區采樣時間內,與不同深度土壤鹽度顯著相關的指數為土壤鹽分指數SI3,Band2和Band3,其他指數和波段并未表現出顯著性。此外,研究分析發現表5的數值分布呈現出一定特點：1)與不同深度土壤鹽度敏感的指數均為SI3,Band2和Band3; 2)上述3個指數的線性模型和非線性模型統計結果相近,部分非線性模型統計結果R2值域接近；3) 整體而言,隨著深度的增加,基于遙感數據計算獲取的鹽分指數和波段對于土壤中的鹽度敏感程度呈現下降趨勢；4) SI3,Band2和Band3三者與不同深度土壤鹽度相對最為敏感的同為Band2,其線性模型的R2值,隨深度增加依次為0.34, 0.37, 0.37,0.39和0.22,非線性模型中表現最優者為Cubic模型,其次為Quadratic 模型,不同深度R2值域范圍0.22—0.41。除了S模型和Inverse模型相對表現一般之外(R2值域范圍0.10—0.15), 其他非線性模型表現接近,R2值域范圍0.27—0.39。

表6—8為渭干河-庫車河綠洲研究區遙感指數與土壤鹽度的統計結果,該研究顯示,基于遙感獲取的各類指數和波段只與40cm深度以上土壤鹽度(0—10cm, 10—20cm, 20—40cm)具備顯著性,而與其他深度則sig.值大于0.05,所以其他深度統計結果未列出。

表6 渭干河-庫車河綠洲全樣本下指數與0—10cm處土壤鹽度之間的擬合關系

表7 渭干河-庫車河綠洲全樣本下指數與10—20cm處土壤鹽度之間的擬合關系

表8 渭干河-庫車河綠洲全樣本下指數與深度20—40cm處土壤鹽度之間的擬合關系

整體而言,土壤鹽分指數和植被指數與10—20cm深度的土壤鹽度,較其他深度更為敏感。0—10cm深度,植被指數多以非線性Invers模型最為敏感,Logarithmic模型次之,而鹽分指數以S模型相關性最高,其次為Inverse模型。線性模型結果不夠理想。其中,SI-T指數的S模型與該層土壤鹽度相關性最好,R2=0.66,其次為TGDVI指數的Inverse模型(R2=0.65)。而EVI指數、SAVI指數、NDSI指數、ENDVI指數和EEVI指數的Inverse模型R2擬合平均值為0.61。10—20cm深度,擬合度最高的為鹽分指數SI-T,S模型下R2=0.72,其次為植被指數ENDVI,Inverse模型下R2=0.68,其他指數如TGDVI、SAVI、NDSI和EEVI的Logarithmic模型和Invser模型擬合結果相當,R2值域范圍0.60-0.65。各個指數的線性模型表現一般,R2值為0.25-0.30。20—40cm處,各個植被指數以Logarithmic模型和Inverse模型擬合度相對較高,鹽分指數SI-T以S模型相關性最高,NDSI指數則以模型Inverse擬合度最高。TGDVI的Inverse模型為此深度土壤鹽度最為敏感的指數(R2=0.50),其他指數則擬合程度最好的模型表現相當,R2值為0.48左右。

3.3 研究區土壤鹽度與指數之間的相關性分析(部分樣本)

按照土壤鹽漬化等級劃分,阜北地區非鹽漬化樣點只有9個,而鹽漬化樣點(鹽漬化樣土壤鹽度>0.3%)為28個,所以這里只對后者進行擬合計算。統計分析結果顯示(表9),所有參與計算的指數和波段中,只有EEVI和ENDVI與該等級土壤鹽度呈現顯著關系。EEVI的擬合精度整體高于ENDVI,前者相關性最高者為Cubic模型(R2=0.64),次之為Quadratic模型(R2=0.53),Compound模型、Growth模型、Exponential模型和Logistic模型擬合結果一致(R2=0.47), 線性模型擬合精度為R2=0.43。

表9 阜康地區部分樣本下指數與0—10cm深處土壤鹽度之間的擬合關系

表10 瑪納斯綠洲部分樣本下波段與土壤鹽度之間的擬合關系

瑪納斯研究區采樣點土壤鹽度以非鹽漬化為主,因此,按照等級劃分標準,這里僅對土壤鹽度小于2ds/m的樣點進行擬合計算和統計分析(表10)。結果顯示,0—10cm深度僅Band2與該層土壤鹽度呈顯著相關(n=55),擬合精度最高者為Cubic模型(R2=0.21),最低者為Inverse模型和S模型(R2=0.21),其他模型結果相近,其中線性模型為R2=0.19。與10—20cm深度土壤鹽度擬合精度最高者為Compound模型,Growth模型,Exponential模型和Logistic模型(R2=0.17) (n=50),與線性模型擬合結果相近(R2=0.16)。20—30cm深度的土壤鹽度與band2的Cubic模型的擬合結果最好(R2=0.15) (n=48),線性模型為R2=0.14。

表11 渭干河-庫車河綠洲部分樣本下波段和植被指數與土壤鹽度之間的擬合關系

渭干河-庫車河綠洲采樣點土壤鹽度等級偏向于鹽漬化,按照鹽度等級劃分標準,僅對鹽度大于2ds/m的樣點進行擬合計算和統計分析(表11)。結果顯示,0—10cm深度鹽度與植被指數EEVI和band5呈顯著性,且后者整體略好于前者。其中后者擬合精度最高者為Inverse模型(R2=0.33, sig.=0.00) (n=33),線性模型為(R2=0.18, sig.=0.01)。植被指數EEVI和TGDVI與10—20cm處土壤鹽度呈顯著相關,其中后者略好于前者。TGDVI的Inverse模型和S模型擬合精度最高(R2=0.42, sig.=0.00) (n=29),線性模型擬合精度為(R2=0.13, sig.=0.05) (n=29)。20—40cm深度土壤鹽度僅與植被指數EEVI呈顯著相關,擬合精度最高者為Cubic模型和Quadratic模型(R2=0.24, sig.=0.00) (n=28),其次為Power模型(R2=0.21, sig.=0.01),線性模型則無顯著性。

3 討論

3.1 土壤鹽度分析

在阜北地區,由于農業開發需要更多的灌溉用水,導致地下水位不斷攀升,加之本地氣候特征呈高蒸發特性,土壤鹽漬化現象普遍[21]。此現象與野外數據分析結果基本符合。

現代滴灌技術的廣泛應用,使得瑪納斯河綠洲農業種植區的鹽漬化處于可控狀態[27]。由于定期灌溉淋溶的作用,整體處于非鹽漬化水平。相對而言,底層鹽分較表層因此更易聚集鹽分。但局部地區也有輕度鹽漬化現象出現。雖然滴灌技術的實施,但管理制度和具體措施實施的協同性,地理位置,地貌特征,土壤類型,種植結構,灌溉水質等同樣也是導致土壤次生鹽漬化發生的重要因素[28]。

渭干河-庫車河綠洲鹽漬化水平較其他研究地區而言,情況較為嚴重,這主要與本地土壤質地和氣候狀況相關[29]。綠洲內部的土壤鹽分經灌溉系統和地下水到達綠洲下游(綠洲-荒漠交錯帶),并在低洼處聚集。同時,本地土壤紋理以沙質土和壤土為主,空隙度較小,在高蒸發力的作用下,鹽分隨毛細上移至表層。加之該區無鹽分排泄通道,鹽漬化土壤只能集中于綠洲外圍地區。

3.2 指數與土壤鹽度之間的敏感性分析

3.2.1 阜北的地區

該區敏感性測試結果中(全樣本和部分樣本),植被指數EEVI表現最優。全樣本(n=37)敏感度檢驗中,參與計算的14個指數和6個波段中,只有植被指數EEVI,ENDVI和TGDVI呈現顯著性,三者中EEVI的不同模型中最高者(立方函數)可以解釋其中樣本(n=37)量59%的土壤鹽度變異性(解析力),二次非線性模型為47%,線性模型則為43%。部分樣本測試中(鹽漬化)(n=28)與全樣本測試結果整體相近,解析力并未明顯變化。

EEVI/ENDVI較其它指數和波段而言具備更多的解釋能力,其原因可能在于,除了NIR和RED波段之外,第三方波段信息的加入,增加了其感知土壤鹽度變異的效能。首先,短波紅外的引入增加了植被的信息維度；其次,可見光波段之間和短波紅外波段之間呈高度相關性；最后,NIR與可見光和短波紅外之間相關性較低[25]。另外,2100—2300nm區具有豐富的植被信息,可以更好的反映植被覆蓋度和生長狀況[30—31]。因此,基于上述研究結果,在可見光組,近紅外組和短波紅外組各調選一個波段組合建立新的植被指數,也許提升了EEVI/ENDVI對土壤鹽度的敏感度,尤其是植被指數EEVI。

3.2.2 瑪納斯流域

該流域土壤鹽度檢測中,全樣本(n=58)統計分析顯示,且不同深度下,土壤鹽分指數SI3,band2和band3均與土壤鹽度呈現顯著性。指數對土壤鹽度的解析力,整體隨深度增加呈降低趨勢,最高土壤鹽度解析力為41%(非線性,10—20cm)和39%(線性,30—50cm),最小解析力出現在底層,23%(非線性)和19%(線性)。

部分樣本(鹽漬化)顯著性檢驗中,只有band2留存,且30cm深度以下無顯著性。土壤鹽度變異性解析力由表層的21%(非線性)和19%(線性),10—20cm深處的17%(非線性)和16%(線性),降至20—30cm深處的14%左右(非線性和線性相似)。

此外,基于上述指數能夠探測該區深層土壤鹽度變異性,原因在于該區土壤層之間鹽度高度相關有關(表12)。

在灌溉種植區,適于作物生長的土壤和局部地區的鹽漬化土壤之間存在一定的光譜差異性[5]。后者的光譜反射率要高于前者,這也是基于遙感進行識別鹽漬化土壤的理論依據之一。在Csillag 等[32]研究中提出,可以用于識別鹽度的光譜波段為可見光 (550—770 nm),近紅外 (900—1030 nm, 1270—1520 nm)和短波紅外區 (1940—2150 nm, 2150—2310 nm, 2330—2400 nm)。Melendez-Pastor等[33]研究中發現光譜區間為433—627nm的反射率與土壤電導率由較大的相關性。而在本區,結果顯示鹽分指數SI3和band2(綠波段：520—600nm),與上述研究形成互補。然而需要指出的是,不同地區,因土壤中鹽分類型,土壤類型,采樣時間,植被類型等的差異,使得診斷波段區間多有不同,本地化特征明顯,在具體應用時,應考慮上述因素,謹慎甄別。

** 顯著性為0.01 水平 (2-tailed); * 顯著性為 0.05 水平 (2-tailed)

3.3.3 渭干河-庫車河綠洲

全樣本測試中(n=38),顯著性檢驗最大下探深度為40cm,0—10cm和10—20cm表現最優者為土壤指數SI-T,而20—40cm深度則為植被指數TGDVI,前者土壤鹽度變異性(SI-T)解析力為66%(Inverse模型)和72%(S模型),后者(TGDVI)為50%(Inverse模型)。

部分樣本(鹽漬化)敏感性測試中,顯著性檢驗最大探測深度同樣為40cm,整體表現最優者為植被指數EEVI。表層土壤鹽度變異性最大解釋力為總樣本的33% (band5, Inverse模型,n=33),植被指數TGDVI能夠解釋10—20cm深度42%的土壤鹽度變異性(Inverse模型,n=29),20—40cm深度的解析力降至24%。線性模型(植被指數EEVI)在此樣本測試中最大解釋力出現在10—20cm處(23%),20—40cm處則無顯著性。

植被指數TGDVI首次應用于土壤鹽度變異性測試,總體而言,TGDVI具備一定探測土壤鹽度的潛力。Zhang等[18]在其研究中指出,利用TGDVI獲取中亞溫帶荒漠區的植被覆蓋度,與NDVI和EVI相比,TGDVI與生物量具有更好的相關性。此外,Zhang 等[19]在其研究中指出,在所有的物候參數中,植被物候積分曲線(EVI-SI)即類生物量參數(與季節光合作用活性、生物量和凈第一性生產力(net primary production)相關),與土壤鹽度最具相關性。其研究顯示,在黃河三角洲地區EVI-SI與混合植被區(不同鹽生植被群落)的土壤電導率相關性為0.565,而在本研究中,TGDVI與土壤電導率的相關性最大值為0.504,低于前者。究其原因可能是因為(1)EVI-SI是多期數據計算而得,而本研究只計算了單期數據；(2)上述研究都是基于Moderate Resolution Imaging Spectrometer(MODIS) 500m尺度為數據源,與本研究中30m尺度,尺度的差別是否是造成敏感度變化的原因,有待考證；(3)濱海鹽漬化與內地干旱區地理環境的差異性(土壤,植被類型,氣候等)也可能是敏感度差異的原因之一。基于以上分析,TGDVI的應用潛力有待進一步挖掘。

此外,需要注意的是,植被覆蓋的增加可能會使植被指數探測土壤鹽度的效能提升,表13為3個研究區NDVI的統計表,結合上述3個研究區的分析和討論得知,事前探測研究區有無植被,有助于提高指數的應用效率。

4 結論

因樣區土壤類型,植被蓋度和類型,地貌特征,氣候等因素的影響,不同研究區指數對于土壤鹽度敏感性的表現具有一定的差異性。針對本文3個研究區,初步得出以下結論：

(1)阜北地區,全樣本 (n=37)和部分樣本(鹽漬化,土壤鹽度>0.3%,n=28)下,對土壤鹽度變異性最為敏感的皆為植被指數EEVI,前者(全樣本)解析力為59%,線性模型為43%,后者(部分樣本)解析力為64%,線性模型為43%。

表13 研究區NDVI數值統計描述

(2)瑪納斯流域,全樣本 (n=68)下,相對敏感的指數為SI3,band2和band3,其中band 2最為顯著,土壤鹽度變異性顯著最大探測深度為40cm,0—10cm, 10—20cm深度解析力30%—41%,而20—40cm處解析力降至19%—23%。部分樣本(n=48—55),土壤鹽度變異性顯著最大探測深度同樣為40cm,band 2表現最顯著,各層平均解析力為15%左右。

(3)渭干河-庫車河綠洲,全樣本下(n=38),土壤鹽度最大探測深度為40cm,表現最優者為SI-T(0—10cm最大解析力為66%,10—20cm最大解析力為72%),20—40cm處則為植被指數TGDVI(最大解析力為50%),部分樣本(n=28—33),0—10cm深度為band 5(線性解析力為18%,非線性最大解析力為33%),10—20cm處為植被指數TGDVI(Invers模型,最大解析力為42%,線性為13%),20—40cm處為植被指數EEVI(最大解析力為24%)。

由于上述研究區地理環境的差異,研究并沒有針對三個研究區進行綜合評價,而是就每個研究給予初步的結論。本文所選取的指數如果作為區域尺度土壤鹽度定量評價的因子之一時,應結合具體的下墊面特性,選取適合的指數,以準確推理研究區的土壤鹽度。為了更為準確的評估指數在本區的適用性,未來需要進一步考慮一下幾點：首先,下一階段的工作中可以添加作物區植被成熟期的樣點,以測試干旱區不同作物冠層反射率對于土壤鹽度的敏感性。其次,由于研究區面積較大,而實際應用的樣點數據雖然典型,但若能夠達到一定密集程度,可以進行細分,分析不同鹽度等級下或者不用植被類型下,指數與土壤鹽度之間的相關性。再次,相對于傳統獲取土壤鹽度的方式,建議后續研究可以采用EM38(大地電導率儀)獲取實測數據,此方式不僅操作簡單,且效率較高,不用破壞土壤,直接讀取數值,能夠獲取更多的樣點,尤其適用于大尺度地區。

[1] 王芳芳, 吳世新, 喬木, 李和平, 楊涵, 李義玲. 基于3S技術的新疆耕地鹽漬化狀況調查與分析. 干旱區研究, 2009, 26(3): 365- 371.

[2] Wang F, Chen X, Luo G P, Han Q F. Mapping of regional soil salinities in Xinjiang and strategies for amelioration and management. Chinese Geographical Science, 2015, 25(3): 321- 336.

[3] Grunwald S, Thompson J A, Boettinger J L. Digital soil mapping and modeling at continental scales: finding solutions for global issues. Soil Science Society of America Journal, 2011, 75(4): 1201- 1213.

[4] Allbed L, Kumar, L, Aldakheel. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region. Geoderma,2014,230-231(17):1-8.

[5] Khan N M, Rastoskuev V V, Sato Y, Shiozawa S. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 2005, 77(1/3): 96- 109.

[6] Douaoui A E K, Nicolas H, Walter C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma, 2006, 134(1/2): 217- 230.

[7] Abbas A, Khan S. Using remote sensing techniques for appraisal of irrigated soil salinity//Paper presented at the Advances and Applications for Management and Decision Making Land, Water and Environmental Management: Integrated Systems for Sustainability MODSIM07. Brighton: MODSIM, 2007.

[8] Tilley D R, Ahmed M, Son J H, Badrinarayanan H. Hyperspectral reflectance response of freshwater macrophytes to salinity in a brackish subtropical marsh. Journal of Environmental Quality, 2007, 36(3): 780- 789.

[9] Wang D, Poss J A, Donovan T J, Shannon M C, Lesch S M. Biophysical properties and biomass production of elephant grass under saline conditions. Journal of arid Environment, 2002, 52(4): 447- 456.

[10] Brunner P, Li H T, Kinzelbach W, Li W P. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data. International Journal of Remote Sensing, 2007, 28(15): 3341- 3361.

[11] Lobell D B, Lesch S M, Corwin D L, Ulmer M G, Anderson K A, Potts D J, Doolittle J A, Matos M R, Baltes M J. Regional-scale Assessment of Soil Salinity in the Red River Valley Using Multi-year MODIS EVI and NDVI. Journal of Environmental Quality, 2009, 39(1): 35- 41.

[12] 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. Geoderma, 2014, 230- 231: 1- 8.

[13] Wu W. The Generalized Difference Vegetation Index (GDVI) for Dryland Characterization. Remote Sensing, 2014, 6(2): 1211- 1233.

[14] Scudiero E, Skaggs T H, Corwin D L. Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance. Remote Sensing of Environment, 2015, 169: 335- 343.

[15] Scudiero E, Skaggs T H, Corwin D L. Regional scale soil salinity evaluation using Landsat 7, western San Joaquin Valley, California, USA. Geoderma Regional, 2014, 2- 3: 82- 90.

[16] Fernández-Buces N, Siebe C, Cram S, Palacio J L. Mapping soil salinity using a combined spectral response index for bare soil and vegetation: A case study in the former lake Texcoco, Mexico. Journal of Arid Environments, 2006, 65(4): 644- 667.

[17] 陳紅艷, 趙庚星, 陳敬春, 王瑞燕, 高明秀. 基于改進植被指數的黃河口區鹽漬土鹽分遙感反演. 農業工程學報, 2015, 31(5): 107- 114.

[18] Zhang C, Lu D S, Chen X, Zhang Y M, Maisupova B, Tao Y. The spatiotemporal patterns of vegetation coverage and biomass of the temperate deserts in Central Asia and their relationships with climate controls. Remote Sensing of Environment, 2016, 175: 271- 281.

[19] Zhang T T, Qi J G, Gao Y, Ouyang Z T, Zeng S L, Zhao B. Detecting soil salinity with MODIS time series VI data. Ecological Indicators, 2015, 52: 480- 489.

[20] Jiapaer G, Chen X, Bao A M. A comparison of methods for estimating fractional vegetation cover in arid regions. Agricultural and Forest Meteorology, 2011, 151(12): 1698- 1710.

[21] Wang Y G, Li Y. Land exploitation resulting in soil salinization in a desert-oasis ecotone. Catena, 2013, 100: 50- 56.

[22] Sheng J D, Ma L C, Jiang P A, Li B G, Huang F, Wu H Q. Digital soil mapping to enable classification of the salt-affected soils in desert agro-ecological zones. Agricultural Water Management, 2010, 97(12): 1944- 1951.

[23] 江紅南, 丁建麗, 塔西甫拉提·特依拜, 趙睿, 張飛. 基于ETM+數據的干旱區鹽漬化土壤信息提取研究. 土壤學報, 2008, 45(2): 222- 228.

[24] Li X M, Yang J S, Liu M X, Liu G M, Yu M. Spatio-temporal changes of soil salinity in arid areas of south Xinjiang using electromagnetic induction. Journal of Integrative Agriculture, 2012, 11(8): 1365- 1376.

[25] 徐涵秋, 唐菲. 新一代Landsat系列衛星: Landsat 8遙感影像新增特征及其生態環境意義. 生態學報, 2013, 33(11): 3249- 3257.

[26] 蒲智, 于瑞德, 尹昌應, 陸亦農. 干旱區典型鹽堿土壤含鹽量估算的最佳高光譜指數研究. 水土保持通報, 2012, 32(6): 129- 133.

[27] Wang R S, Wan S Q, Kang Y H, Dou C Y. Assessment of secondary soil salinity prevention and economic benefit under different drip line placement and irrigation regime in northwest China. Agricultural Water Management, 2014, 131: 41- 49.

[28] 樊自立, 喬木, 徐海量, 張青青, 李和平, 張鵬, 周生斌, 盧磊. 合理開發利用地下水是新疆鹽漬化耕地改良的重要途徑. 干旱區研究, 2011, 28(5): 737- 743.

[29] Ding J L, Yu D L. Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan-Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments. Geoderma, 2014, 235- 236: 316- 322.

[30] Dehni A, Lounis M. Remote sensing techniques for salt affected soil mapping: Application to the Oran region of Algeria. Procedia Engineering, 2012, 33: 188- 198.

[31] Darvishzadeh R, Atzberger C, Skidmore A K, Abkar A A. Leaf Area Index derivation from hyperspectral vegetation indicesand the red edge position. International Journal of Remote Sensing, 2009, 30(23): 6199- 6218.

[32] Csillag F, Pásztor L, Biehl L L. Spectral band selection for the characterization of salinity status of soils. Remote Sensing of Environment, 1993, 43(3): 231- 242.

[33] Melendez-Pastor I, Navarro-Pedreo J, Gómez I, Koch M. Identifying optimal spectral bands to assess soil properties with VNIR radiometry in semi-arid soils. Geoderma, 2008, 147(3/4): 126- 132.

SensitivityanalysisofsoilsalinityandvegetationindicestodetectsoilsalinityvariationbyusingLandsatseriesimages:applicationsindifferentoasesin

Xinjiang,ChinaWANG Fei1,2, DING Jianli1,2, WEI Yang1,2, ZHOU Qianqian1,2, YANG Xiaodong1,2, WANG Qianfeng3

1CollegeofResearchandEnvironmentalScience,XinjiangUniversity,Urumqi830046,China2LaboratoryofOasisEcosystems,MinistryofEducation,Urumqi830046,China3CollegeEnvironmentandResourcesofFuzhouUniversity,Fuzhou350116,China

Several indices of vegetation and soil salinity have been developed to quantitatively evaluate soil salinization. This study was conducted to assess the soil salinity levels in the Fubei region (FG), Manas River Basin (MRB), and Werigan-Kuqa River Delta Oasis (WKRDO), which are distributed in the northern and southern Tianshan Mountains in Xinjiang, China. Ground measurements and remote sensing data were used to evaluate the sensitivity of vegetation and soil salinity indices to soil salinity variation in farmland and salt-affected land. A random sampling approach was used to collect soil samples from FG (n=37, only at 0—10-cm depth), MRB (n=58), and WKRDO (n=38). A total of 14 broadband indices encompassing vegetation and soil salinity indices were extracted from Landsat images. The correlation coefficient based on linear and non-linear models (10 models) between these indices, Landsat bands, and soil salinity was examined. The results showed that the extended enhanced vegetation index (EEVI) was the most effective for explaining the soil salinity variation at depths of 0—10 cm in two modes (all samples and partial samples with soil salinity (soil salt content) >0.3%) in FG. With the mode of all samples and partial samples (soil electric conductivity <2 dS/m) in MRB, band 2 yielded the best results for assessing the soil salinity of cultivated lands at the early stage of crop growth in April. The maximum depth of the significance test by using indices for detecting variation of soil salinity in this area was 30 cm. For all samples in WKRDO, the salinity index (SI-T) interpreted more variation of soil salinity than that by other indices at depths of 0—10 and 10—20 cm, and the three-band maximal gradient difference index (TGDVI) exhibited the highest signicant correlation with salinity at 20—40 cm. In the mode of partial samples (soil salinity >2 dS/m), the most sensitive index for variation of soil salinity at 0—10, 10—20, and 20—40 cm were band 5, TGDVI, and EEVI. In addition, the correlation of other indices (excluding those mentioned above) and soil salinity was highly dependent on land cover heterogeneity and sample period, and showed no significant relationships (p > 0.05 or p > 0.01). These results are preliminary conclusions, but in general, the soil salinity in Xinjiang dominated by different salt types was successfully assessed by broadband vegetation and soil salinity indices extracted from the Landsat images. However, relationships between remote sensing indices and soil salinity withinelds are highly complex and require further investigation with additional samples and by using various soil salinity classifications.

soil salinization; salinity index; vegetation index; dryland; Landsat

國家自然科學基金-新疆聯合基金(U1603241); 新疆維吾爾自治區科技支疆項目(201591101);國家自然科學基金(41661046);中國博士后基金(2016M602909);新疆大學博士啟動基金(BS150248); 新疆維吾爾自治區重點實驗室專項基金(2014KL005)

2016- 05- 09;

:2016- 09- 07

10.5846/stxb201605090890

*通訊作者Corresponding author.E-mail: watarid@xju.edu.cn

王飛,丁建麗,魏陽,周倩倩,楊曉東,王前鋒.基于Landsat系列數據的鹽分指數和植被指數對土壤鹽度變異性的響應分析——以新疆天山南北典型綠洲為例.生態學報,2017,37(15):5007- 5022.

Wang F, Ding J L, Wei Y, Zhou Q Q, Yang X D, Wang Q F.Sensitivity analysis of soil salinity and vegetation indices to detect soil salinity variation by using Landsat series images: applications in different oases in Xinjiang, China.Acta Ecologica Sinica,2017,37(15):5007- 5022.