解放閘灌域裸土期土壤鹽分擬合模型研究

陳 策，邱元霖，韓 佳,2，王新濤,2，樊镕鑫，張智韜,2

(1.西北農林科技大學水利與建筑工程學院，陜西 楊凌 712100；2.西北農林科技大學旱區農業水土工程教育部重點實驗室，陜西 楊凌 712100)

0 引 言

我國共有3.6×107hm2鹽漬化土壤[1]，面積巨大，嚴重制約著我國農業生產。劉偉東等[2]發現土壤反射率會隨著內在結構和組成成分的變化而改變，而土壤鹽漬化會改變土壤的結構和組成，但衛星攜帶的相機能夠大范圍、實時地采集土壤反射率。因此，通過衛星圖像來監測大范圍土壤鹽分成為一種可行的方法，并成為國內外熱點[3-5]。

對于解放閘灌域，在一年中的大多數時間無農作物生長[11]，因此如何精確監測本區域裸土期土壤鹽漬化是個難題。本文以GF-1號衛星圖像獲取的土壤淺層鹽分敏感的光譜指數和波段為基礎，構建了多元線性回歸、逐步回歸、嶺回歸三種模型反演解放閘灌域裸土期淺層土壤鹽分含量，推測灌域的淺層鹽分分布，為土壤鹽分定量遙感估算提供技術支撐。

1 研究區概況

解放閘灌域地處中國第三大灌區河套灌區的西南部，屬于干旱半干旱地區。南北距離87 km，東西距離78 km，形狀似倒三角，經緯度范圍在北緯40°34′～41°14′，東經106°43′～107°27′，海拔1 030～1 046 m，地形較為平緩，是典型的高原地帶。灌域總控制面積約為2.156×105hm2，灌溉面積達1.421×105hm2，內部有3條干渠，16條分干渠[12]。灌域年平均降雨量151.3 mm，年蒸發量2 300 mm，年平均氣溫9 ℃，風大，日照時間長，符合中溫帶高原氣候型，大陸性氣候特征。灌域內主要種植農作物為小麥，玉米，葵花[13]。

2 數據獲取與處理

2.1 土壤樣本采集與化學分析

本次研究采集土壤樣本時間為2018年5月1-5日，根據研究區土壤鹽漬化程度、土壤類型、地表形態差異以及點位分布的均勻性，綜合選定83個采集點，具體位置示意見圖1。使用五點法采集深度為0～20 cm裸土樣本，即除定位中心點外另外采取四個距離定位點同樣距離的樣本，并記錄采集點的經緯度。

將采集的土壤剔除雜質、烘干、研磨、稱重，按照1∶5的土水比攪拌至充分混合后靜置沉淀，待過濾后采用電導率儀(DDS-307A，上海佑科儀器有限公司)測定電導率EC1∶5，并通過經驗公式SSC=(0.288 2EC1∶5+0.018 3)計算土壤含鹽量SSC(%)[14]。

圖1 解放閘灌域概況與樣點分布圖Fig.1 General situation and sample distribution map of Jiefang Gate irrigation area

2.2 遙感數據獲取與處理

遙感的數據選區一般應盡量與實地采樣時間相近，本次研究采用云量較少的4月27日兩幅GF-1衛星遙感影像，衛星圖像在中國資源衛星應用中心(http:∥www.cresda.com/CN/)下載。

遙感數據預處理采用ENVI5.3.1軟件，步驟為：①將兩張圖像分別使用幾何精校正后的河套灌區Landsat8圖像進行幾何校正，之后依次進行輻射校正、Flaash大氣校正、鑲嵌、裁剪[4]等步驟得到解放閘灌域圖像。②采用Sobel Edge Detector的濾波處理方法，減少圖像噪點的干擾，使得圖像真實性強，可信度高。③根據采集點的經緯度在GF-1衛星影像中提取不同波段的反射率數據，用于本次鹽分反演。

2.3 建模集與驗證集的劃分

為保證土壤樣本分布均勻，統計結果穩定，將83個樣本按照土壤含鹽量SSC(%)從小到大排列，每三個為一組，取前兩個作為建模集，第三個作為驗證集。建模集樣本數為56個，驗證集為27個。

根據土壤鹽分含量劃分4個級別[5]：非鹽土(SSC:0～<0.2%)、輕度鹽漬化(SSC:0.2%～<0.5%)、重度鹽漬化(SSC: 0.5%～1.0%)和鹽土(SSC: >1.0%)，灌域土壤采樣點的鹽分統計分析見表1。總體上，建模集和驗證集的平均值與樣本總體相比差異很小，標準差差異不大。樣本總體、建模集和驗證集的含鹽量SSC(%)的最小值在0.11附近，平均值在0.32附近，標準差在0.25左右，統計指數與樣本總體差別不大，建模集與驗證集代表性強。

表1 灌域土壤采樣點的鹽分統計分析

Tab.1 Statistical analysis of salt content at soil sampling points in irrigation areas

數據劃分樣本數總計非鹽土輕度鹽漬化重度鹽漬化鹽土含鹽量最小值/%最大值/%平均值/%標準差/%峰度偏度建模集562323910.11 1.86 0.33 0.28 14.34 3.22 驗證集271111500.13 0.88 0.31 0.20 1.46 1.46 總體8334341410.11 1.86 0.32 0.26 14.03 3.06

2.4 敏感變量的篩選

研究共分析了GF-1號衛星圖像的4個波段:藍波段(Blue band，B)，綠波段(Green band，G)，紅波段(Red band, R)，近紅外波段(Near Infrared band, NIR)與4個光譜指數：鹽分指數(Salinity index, SI),鹽分指數1(Salinity index 1, SI1)，增強植被指數(Enhanced vegetation index, EVI)[19]，鹽分指數(Salinity index, SI-T)[20]。4個光譜指數相關性結果如表2所示。

表2 光譜指數計算

Tab.2 Calculation of spectral index

光譜指數計算公式相關系數R參考文獻鹽分指數(SI??)B×R0.42馮娟[19]鹽分指數1(SI1??)G×R0.43馮娟[19]增強植被指數(EVI) 2.5×NIR-RNIR+6R-7.5B+1() -0.10馮娟[19]鹽分指數(SI-T) (R-NIR)×100-0.01Allbed [20]

注：B為藍波段反射率；G為綠波段反射率；R為紅波段反射率；NIR為近紅外波段反射率，無單位。**為相關性在0.01層上顯著。

藍波段反射率的相關系數R為0.47，綠波段反射率的相關系數R為0.50，紅波段反射率的相關系數R為0.34，近紅外波段反射率的相關系數R為0.43，且四者都在0.01層上顯著。

由表2和結論得，SI、SI1、B、G、R、NIR與實測值的相關性達到0.01顯著性水平，EVI和SI-T與實測值沒有顯著性。B、G、R、NIR、SI和SI1的相關性指數R都較高，分別為0.47、0.50、0.34、0.43、0.44和0.45，而EVI和SI-T與實測鹽分點相關性較低，R為-0.10和-0.01。綜上所述通過相關性分析確定與土壤含鹽量相關的敏感指數包括：B、G、NIR、SI、SI1。

3 模型計算分析

3.1 模型構建與驗證方法

3.1.1 模型構建方法

本次研究采用多元線性回歸模型(multivariable linear regression，MLR)[15]、逐步回歸模型(Stepwise regression，SR)[16]、嶺回歸模型(Ridge regression，RR)[17]3種模型來建立不同波段和光譜指數與實測鹽分數據的關系，具體模型構建采用SPSS 22.0軟件。

多元逐步回歸是一種通用的用來聯系多個自變量與一個因變量之間的關系，基本公式：

y=β0+β1x1+β2x2+…+βpxp

(1)

式中：y為預計量；x1，x2，…，xp為預報因子；β0，β1，…，βp是回歸系數。

此模型優點在于簡單明確地建立自變量與因變量之間的線性關系，缺點是會忽略非線性因果關系和交互效應[18]。

逐步回歸是多元線性回歸的改進，其進一步優化公式，確定了各個自變量對于預測因變量的比重，剔除了不重要的變量[16]。

嶺回歸是專門用于分析共線數據的有偏估計法，模型公式為：

(2)

此模型優點是達到更好的實際性和更高的穩定性，缺點是使用該模型后降低了無偏性和精度[17]。

3.1.2 驗證方法

(3)

(4)

(5)

式中：xi為土壤鹽分模型預測值；yi為土壤鹽分觀察值；n為模型驗證樣本個數。

3.2 計算結果與分析

3.2.1 裸土期土壤鹽分擬合模型的建立

表3 不同模型擬合結果

Tab.3 Fitting results of different models

建模方法模型公式R2cFPMLRSSC=0.218-33.199B+32.269G+0.99NIR+52.171SI-52.106SI10.43 7.59 <0.001SRSSC=0.243-27.562B+27.661G+42.365SI-42.562SI10.41 8.76 <0.001RR(K=0.001)SSC=0.228-1.791B+6.109G-0.437SI-3.398SI10.35 6.89<0.001

注：SSC為含鹽量，用%表示；B為藍波段反射率；G為綠波段反射率；R為紅波段反射率；NIR為近紅外波段反射率，無單位。

嶺回歸通過剔除自變量，具有簡化模型的優勢。在篩選的5個敏感變量中，根據嶺回歸篩選自變量的原則，本文剔除掉標準化嶺回歸系數比較穩定但絕對值小的自變量[21]NIR。

3種模型計算結果詳見表3。由表3得，P值則是都小于0.001，呈現極顯著關系，表示3種模型均能較為精確的反演土壤表層含鹽量情況。

F值分別是7.59、8.76、6.89，F值方面，SR最高，為8.76；RR最低，為6.89；MLR處于中等，為7.59。

3.2.2 裸土期土壤鹽分擬合模型的精度檢驗

圖2 多元線性回歸驗證Fig.2 Validation of MLR

圖3 逐步回歸驗證Fig.3 Validation of SR

圖4 嶺回歸驗證Fig.4 Validation of RR

由圖2～圖4得MLR、SR、RR的R2分別是0.45、0.44、0.39，R2值方面，MLR和 SR精度較好，RR的R2最低。

RMSE值分別為0.16、0.15、0.16，RMSE值方面，SR的RMSE中最低，為0.15，精度最高；MLR和RR略高于SR模型的RMSE，不足1%，精度相差較小。

MAE值分別為0.12、0.12、0.13，MAE值方面，MLR和SR相等，二者精度均高于RR。

綜合建模集和驗證集結果分析，RR的R2較MLR和SR降低，RMSE和MAE也有所增加，表明模型的擬合精度下降較快，且誤差開始逐步增大，無偏性和精度不滿足本次研究需要。SR擬合效果與MLR相差不大，均適合反演鹽分，但SR的RMSE低于MLR，且建立模型時由程序剔除了自變量NIR，減少了計算量，故為最優模型。

3.3 基于SR模型的土壤鹽分空間分布

基于SR的建模模型反演得到解放閘灌域的鹽分分布狀況見圖5。

解放閘灌域4月末鹽分分布較為穩定，此時間段可較為真實地代表灌域鹽漬化分布狀況。由圖5可知，非鹽土的面積為2.41萬hm2，占比13.75%；輕度鹽漬化土壤面積為14.2 萬hm2，占比80.91%；重度鹽漬化土壤面積為9 130 hm2，占比5.21%；鹽土面積為218 hm2，占比0.12%。該時段灌域大部分被輕度鹽漬化土壤和非鹽土(鹽分<0.5%的土壤)所覆蓋，重度鹽漬化和鹽土所占比例較小，與實地研究采取土壤樣本時所觀察的情況相符合，主要原因為解放閘灌域處于黃河上游，有較為充沛的水資源來減輕土壤鹽漬化程度。

土壤鹽漬化是一個復雜過程，涉及到地形地貌，氣候，植物種類，人類活動等方面。解放閘灌域的鹽漬化主要是由于農業采取大水漫灌，渠系眾多且滲漏嚴重，以及干旱氣候蒸發量大造成的[22, 23]。解放閘灌域土壤鹽分年際變化較小，土壤鹽分處于“春返、夏脫、秋積、冬藏”[23]四個階段。解放閘灌域3月中下旬氣溫回升，表層土壤即解凍但下層土壤尚未解凍，土壤水分不能下滲，只能向上輸送。一段時間后，表層土壤水分含量達到飽和狀態，出現過濕現象，進一步提高了耕種時所用土壤的鹽分含量，導致5月底到6月初耕層土壤鹽分達到全年最高峰，而本研究所處時間正在其中，即鹽分程度未達到全年最高但又有所積累的階段；另外灌域處于黃河上游，渠系眾多，故可將水傳輸至灌域各地，有充足的水資源來減輕土壤鹽漬化，因此輕度鹽漬化占絕大部分，非鹽土占小部分。非鹽土主要分布于城鎮區域，其中以解放閘灌區中部的城鎮最為集中。除此之外，重度鹽漬化和鹽土在圖上很難觀察到，分布極少，符合實地采集調查情況。

4 結 語

(1)經過對比三種淺層土壤鹽分反演模型，發現多元線性回歸模型和逐步回歸模型均能夠很好地反演解放閘灌域裸土期0～20 cm淺層土壤的鹽分，建模驗證決定系數均在0.4以上，其中逐步回歸模型精度更高，是本次實驗的最優模型。

(2)本文基于逐步回歸模型反演了解放閘灌域鹽分分布圖，經分析0～20 cm淺層土壤以輕度鹽漬化(鹽分0.2%～<0.5%的土壤)為主要組成部分，非鹽土占其次，重度鹽漬化第三，鹽土最少，與實際情況相符。

(3)衛星圖像受大氣云層影響、土壤表層覆蓋物影響較多，實測數據受植物生長期影響較多，因此本實驗只適用于河套灌區解放閘灌域的裸土期0～20 cm淺層土壤鹽分，對于其他地區時間的土壤，仍需要進一步深化研究。