基于環境變量的渭干河-庫車河綠洲土壤鹽分空間分布

蒙莉娜，丁建麗，王敬哲，葛翔宇

基于環境變量的渭干河-庫車河綠洲土壤鹽分空間分布

蒙莉娜，丁建麗※，王敬哲，葛翔宇

（1. 新疆大學資源與環境科學學院智慧城市與環境建模自治區普通高校重點實驗室，烏魯木齊 830046；2. 新疆大學綠洲生態教育部重點實驗室，烏魯木齊 830046）

土壤屬性的數字制圖對精準農業生產和環境保護治理至關重要。為了在大尺度上盡可能精確的監測土壤鹽分空間變異性，該文使用普通克里格（ordinary kriging，OK）、地理加權回歸（geographically weighted regression，GWR）和隨機森林（random forest，RF）方法，結合地形、土壤理化性質和遙感影像數據等16個環境輔助變量，繪制渭干河-庫車河綠洲表層土壤鹽分分布圖?；跊Q定系數（2）、均方根誤差（RMSE）和平均絕對誤差（MAE）驗證模型精度。結果表明：不同方法預測的鹽分分布趨勢沒有顯著差異，大體上從研究區的西北向東南部方向增加；結合輔助變量的不同預測方法中，RF方法預測精度最高，2為0.74，RMSE和MAE分別為9.07和7.90 mS/cm，說明該模型可以有效地對區域尺度的土壤鹽分進行定量估算；RF方法對電導率（electric conductivity，EC）低于2 mS/cm時預測精度最高，RMSE為3.96 mS/cm，很好的削弱了植被覆蓋對電導率EC的影響。

土壤鹽份；遙感；機器學習；環境變量

0 引 言

隨著現代數學發展以及遙感制圖輔助變量的類型日益廣泛和易于獲取，一種新興的、高效表達土壤空間分布的技術方法，數字土壤制圖（digital soil mapping，DSM）在過去的30 a得到了飛速發展[1]。DSM方法被廣泛用到了土壤學領域中，用以描述土壤屬性的空間變異規律。土壤發生學理論與數學模型緊密結合，研究土壤鹽漬化制圖成為主流。

土壤的空間分布是土壤形成與發展過程的體現，具有復雜性和時空變異性。土壤鹽分的空間分布在一定程度上反映了土壤耕作層內土壤鹽漬化的程度和狀態，因此進行土壤鹽漬化的變異性研究對于鹽漬土的改良和防治，提高農業產量具有重要意義[2]。Guo等[3]證明遙感和近感輔助數據可以作為土壤鹽漬化區域識別的指標，進行了沿海地區土壤鹽分數字制圖。Peng等[4]使用多種環境變量構建電導率的立體模型和偏最小二乘模型，在大面積上監測鹽分的空間分布并進行溫宿地區的數字制圖。Sheng等[5]進行了干旱區鹽漬化土壤定量分類及數字制圖方法的研究。常見的數字土壤屬性制圖方法有地統計學方法、機器學習方法和混合模型方法等。Grunstra等[6]表明普通克里格（ordinary kriging，OK）插值效果優于反距離插值方法。為了更好的揭示土壤屬性空間變異的局部信息，結合輔助變量的地理加權回歸（geographically weighted regression，GWR）方法被應用到土壤屬性制圖當中。郭龍等[7]表明在輔助變量較多的情況下地理加權回歸模型比協同克里格插值更為簡單且具有更高的預測精度。但國內關于GWR的應用主要在人文地理和統計學領域，GWR在土壤和環境科學方面的應用還十分有限，需進一步嘗試[8]。目前一些研究者認為更復雜和精密的方法能顯著提高土壤屬性制圖精度，Brungard等[9]對比11種機器學習算法，發現隨機森林和人工神經網絡等復雜的建模方法優于K鄰近距離等簡單建模方法。相比神經網絡的參數較多難以確定和模型結果不易解釋[10]，隨機森林（random forest，RF）模型能夠處理高維度數據且模型參數較少，在土壤屬性預測中得到了廣泛的應用。但隨著環境條件的變化，模型的預測能力有所不同。為了盡可能準確地反演干旱區土壤鹽分的空間分布，選取優勢模型與合適的變量尤為重要。

本文以渭干河-庫車河綠洲（以下簡稱渭-庫綠洲）為研究靶區，篩選出新疆典型綠洲渭-庫地區土壤鹽度敏感性較高的環境變量，研究綠洲土壤鹽分的空間分布以及與環境變量之間的關系。選用傳統的普通克里格方法與地理加權回歸和隨機森林方法進行對比分析，對土壤鹽分變異性被制圖方法揭示的程度進行探究，優選模型提高土壤鹽漬化制圖精度，為該地區土壤鹽漬化的治理提供科學依據。

1 材料與方法

1.1 研究區

渭-庫綠洲（80°37′～83°59′E，41°06′～42°40′N）位于塔里木盆地北麓中段。該范圍包括新和、庫車和沙雅3個縣，總面積523.76萬km2。海拔范圍892～1 100 m，由西北向東南遞減（圖1）。該區屬典型的溫帶大陸性干旱氣候，年平均氣溫10.5～14.4 ℃，年平均降水量51.6 mm，年均潛在蒸發量達2 356 mm。土壤類型眾多，其中主要土壤類型為潮土，其次為草甸土，鹽土、沼澤土和棕鈣土等也分布較多。土地利用類型主要包括農田、草地、林地、荒地、鹽漬地等。在平原區中下部地勢較平坦，地下水位較高，蒸發作用強烈，導致鹽分隨水運動積累于地表造成土壤鹽漬化，灌區內鹽漬化面積已達50%以上，其中嚴重鹽漬化面積達30%。選擇該地區作為研究區具有較好的代表性，對其改善生態環境及農業生產的發展有著重大意義。

圖1 研究區采樣點分布示意圖

1.2 野外調查和地面數據獲取

采樣設計綜合考慮渭-庫綠洲土壤類型、植被類型、景觀特征以及土地利用方式等因素。在野外采樣過程中，選取樣點（30 m×30 m）的土壤，保持土壤性質相對一致，環境因素相似，異質性相對較小，用五點法采集土樣，將測試的數據求平均值作為本樣點的實際觀測值。采樣時間為2018年7月11日至7月23日，采樣深度為0～10 cm，樣本數量為73個。待土壤樣品自然風干后去除雜質，過2 mm（10目）孔篩備用。稱量20 g土壤樣品與100 mL去離子水配制成水土比5:1的土壤懸濁液，用Cond7310土壤測試儀測定土壤電導率（electric conductivity，EC），用pHS-3C采集土壤溶液的pH值，使用烘干稱重法進行土壤含水量（soil mass content，SMC）的測量。

1.3 遙感影像獲取與預處理

結合采樣時間和云量（<10%），本文選取2018年7月23日的Landsat8 OLI影像，數據來源于美國地質調查局（United States Geological Survey, USGS http:// glovisusgsgov/），行列號為145/31，數據級為LIT，空間分辨率為30 m。數據描述信息詳見文獻[11]。使用ENVI 5.3中的FLAASH模型對影像進行大氣糾正，用校正后的圖像進行主成分分析（principal component analysis，PCA）和基于相關矩陣的纓帽（tasseled cap，TC）變換，以減少數據層的總數，更好地區分鹽漬土和非鹽漬土壤。糾正后的反射率數據用于計算環境變量。

1.4 環境變量

土壤鹽漬化在不同尺度下受土壤、氣候、地形、生物等因素的綜合影響，本研究選取6個鹽度指數，6個植被指數，6個遙感影像數據指數和15個地形指數作為土壤鹽分預測的環境變量。具體指數參見表1。其中地形指數采用空間分辨率為30 m的DEM數據，運用SAGA GIS從30 m數字高程模型進行計算，該模型經過校正進行填凹處理。30 m的網格大小被證明是最適合土壤-景觀分析[12]，也可以更好的匹配Landsat8 OLI的空間分辨率。

1.5 建模方法和性能評估

OK是根據區域化變量的原數據及半方差函數的結構特點，通過線性無偏最優估計來預測未知樣點區域化變量的常用方法。本文通過EC含量半方差函數以及擬合參數，用OK方法預測EC空間分布。

GWR是一種局域回歸模型，是在經典多元線性回歸模型的基礎上進行的空間局域擴展[13-14]，將樣點數據的地理位置嵌入到回歸參數之中，對于存在非平穩性的空間數據，該模型可反映出不同地理位置的變量對該區域的影響程度，由此可探尋該研究區域內各環境因素對EC影響的空間分異特征。其參數設定在GWR4軟件中實現，其中模型帶寬的計算運用AICc方法，帶寬的確定一般有固定帶寬和自適應帶寬2種方法，前者給出確定性帶寬，后者則根據樣點密度分布進行自動調整，本研究選擇自適應帶寬，以滿足采樣點分布不均的情況。

RF是指利用多棵決策樹對樣本進行訓練并預測的一種機器學習算法。該算法的優勢在于具備非線性挖掘能力，數據的分布不需要符合任何假設，同時處理等級和連續變量[15]。RF模型需要用戶定義3個參數：終端節點樹（），作為每棵樹的預測特征的特征個數（），以及每個終端節點的最小值[16]。的默認值為500，但一般認為它不足以產生可靠的結果[17]，因此在該模型中通過遍歷確定的最優值為1 000。用以確定單一樹與模型中其他樹之間的相關性。隨著值的增加，每棵樹和樹之間的相關強度逐漸增加[18]。以預測誤差最小化為目標函數，通過遍歷比較確定的最優值為3，節點大小為5。

表1 基于Landsat OLI和DEM衍生的環境變量

注：F為藍波段反射率，F為綠波段反射率，F為紅波段反射率，NIR為近紅外波段反射率；取值2、3、4；=1和=0.9是氣溶膠和大氣相關參數。

Note:Fis blue band reflectivity,Fis green band reflectivity,Fis red band reflectivity,NIRis near infrared reflectivity;is set to 2, 3, 4, respectively; the aerosol and atmospheric related parametersandare set to 1 and 0.9, respectively.

將73個土壤樣品根據其EC值按升序排序，等間距選取58個樣本作為訓練集，剩余的15個樣本構成驗證集，分別用于模型的建立以及精度的驗證。決定系數（R），均方根誤差（RMSE）和平均絕對誤差（MAE）用于評估和比較上述模型的性能。R、RMSE和MAE的計算公式如下

式中V為樣本點處的實測值；V為點處的預測值；為總樣點個數。2范圍在0～1之間，越接近1模型的穩定性越高，RMSE和MAE越小模型的預測能力越強精度也越高。

2 結果與討論

2.1 土壤特性描述性統計

采樣點的土壤特性描述性統計特征如表2所示。整個研究區的EC值變化很大，EC在0.08～74.30 mS/cm之間變化，其平均值為13.38 mS/cm，變異系數（variable coefficient，CV）值大于1，表明土壤含鹽量的空間變異性較強。土壤含水量SMC的范圍在0.52%～20.28%，CV值為53.79%。pH值的范圍在7.21～10.21之間，整個研究區的pH值變化不大。

表2 土壤屬性描述性統計

注：EC為電導率，mS·cm-1；SMC為土壤含水量，%。

Note: EC is electric conductivity, mS·cm-1; SMC is soil mass content, %.

2.2 土壤鹽分與環境變量的相關性

基于預處理后的Landsat8 OLI影像計算并根據樣點數據的地理位置提取遙感數據衍生變量相應點的信息，樣點的EC與環境變量之間的相關性見表3。

表3 EC與參選變量之間的相關性

注：**表示在＜0.01水平顯著；*表示在＜0.05水平顯著。

Note: ** means significant at＜0.01 levels; * means significant at＜0.05 levels.

在33個參選變量中，有16個變量與EC具有顯著相關性。地形指數被證明是十分有效的預測變量，在植被覆蓋密集的地區能夠顯著提高準確性[28]。但在15個地形指數中，只有DEM、CNBL和VD與EC呈顯著相關性，這主要因為研究區地形較為平坦，加上該地區降雨量有限，地表徑流大大削弱了地形因素對土壤鹽分再分布的影響。6個遙感影像數據指數中PC2、TC1和TC2與EC顯著相關，在遙感圖像中PC2的高值主要分布在高亮度區域，TC1攜帶圖像的亮度信息，高亮度區域對應圖像內的高EC值，由于TC2攜帶圖像的綠色信息，因此TC2值高的區域對應于綠色植被覆蓋區域，TC2值低的區域對應于高EC值。在鹽度指數中NDSI在<0.01閾值為±0.296時顯著，1、2和SI1在<0.05閾值為±0.192時顯著。植被指數均與EC在<0.05時呈顯著相關性。雖然鹽度指數與植被指數在鹽分預測方面表現良好，但其受植被覆蓋度、耐鹽性、土壤濕度和土壤類型等因素的影響，且植被指數對植被覆蓋度越高的土壤鹽分變化越敏感，其適用性和泛化程度較差[29]，因此需要根據植被覆蓋度選擇合適的光譜指數。

通過RF模型迭代100次獲得輔助變量的相對重要性（relative importance，RI），如圖2所示。CRSI、VD、CNBL、DEM和TC2是模型中最重要的變量。此外，遙感影像數據對EC含量的解釋能力最高，其次是地形指數。這表明從遙感圖像中提取的變量對于預測植被覆蓋區域的EC含量影響最大。

圖2 輔助變量的重要性

2.3 不同預測方法的預測精度

從不同預測方法精度驗證結果來看（表4），訓練集中OK方法的預測誤差最大，均方根誤差值為10.14 mS/cm，OK模型使用的方差函數是基于整個研究區的，在過程中一直不變導致部分局部信息被忽略。相對于OK模型，GWR模型表現出了土壤屬性指標的局部空間依賴性和異質性，因此可以很好地結合土壤屬性指標的空間性對EC進行預測，提高了土壤鹽分的空間預測精度，其2達到0.69，RMSE為9.23 mS/cm。RF模型的預測性能明顯優于OK和GWR，2達到0.85，RMSE和MAE分別為8.29和5.66 mS/cm，RF方法在本研究區的應用效果較好。在驗證集中，各精度結果略有變化，但RF模型的預測性能仍為最優。

表4 基于不同方法的土壤鹽度預測精度驗證

注：OK：普通克里格；GWR：地理加權回歸；RF：隨機森林。

Note: OK: ordinary kriging; GWR: geographically weighted regression; RF: random forest.

2.4 EC的空間分布特征

依據土壤鹽漬化水平分類標準，將研究區土壤樣本劃分為以下5類：EC≥16 mS/cm為鹽土，8≤EC＜16 mS/cm為重度鹽漬化，4≤EC＜8 mS/cm為中度鹽漬化，2≤EC＜4 mS/cm為輕度鹽漬化，EC＜2 mS/cm為非鹽漬化[30-31]。從不同方法預測的EC空間分布圖來看，鹽分的分布趨勢有一定差異，RF方法預測鹽分含量在西北山體處偏高，主要由地形影響引起的輻射誤差導致。灌區內部輕微的地形起伏，加上農業生產過程中引水及灌溉提高地下水位，導致深層土壤鹽分積聚于表層形成鹽漬化土?？傮w上鹽分的分布從研究區的西北部向東南部方向增加，鹽土和重度鹽漬化土壤集中在區域的東南部。中度鹽漬化土壤主要為鹽漬草地，呈帶狀分布在區域內部。輕度鹽漬化和非鹽漬化土壤主要分布在灌溉和排水科學管理的農田和地勢較高的區域。

對比不同制圖方法對土壤鹽漬化的揭示程度，OK方法僅能預測出EC含量的整體空間分布規律，缺乏對EC含量空間變異的細節描述。相較于OK方法，GWR方法有較好的整體擬合性，預測的結果在EC＜2 mS/cm和EC≥16 mS/cm的區域縮小，中間區域擴大，內部圖斑破碎化使得制圖效果的細節更為豐富。RF預測結果很大程度上避免了平滑效應和圖斑邊界兩側的突變，很好的突出了空間變異的細節，更好的揭示了輕度鹽漬化和中度鹽漬化的區域呈條帶狀分布。GWR和RF方法采用非線性回歸方式進行建模，制圖精度明顯優于OK方法。然而，GWR方法并沒有明確地考慮自變量的自相關問題，難以避免局部多重共線性。因此，RF方法的總體制圖效果最優（圖3）。

圖3 基于不同方法預測的土壤鹽度空間分布

2.5 不同土壤鹽分和不同植被覆蓋下的模型精度

根據鹽漬化程度對EC進行分段統計，如表5所示，OK方法在EC低值和高值區的誤差很大，RMSE分別為9.77和18.06 mS/cm，在中度鹽漬化區域RMSE較小為6.87 mS/cm。GWR和RF方法均表現出隨著EC值的增加，RMSE也逐漸增加，GWR方法在輕度，中度和重度鹽漬化區域顯示出與RF方法大致相同的精度，對低值和高值區的預測誤差較大，分別為6.33和15.23 mS/cm。RF方法對各個EC區的預測精度均高于OK和GWR方法，對低值的預測誤差最小，RMSE為3.96 mS/cm。

表5 基于電導度和NDVI的3種方法預測精度對比

植被光譜指數在EC預測中表現良好，而NDVI是植被覆蓋度計算的關鍵因素，其值越高表明植被覆蓋度越大[32]。隨著NDVI值的增加，GWR方法的RMSE增加，當NDVI大于等于0.2時RMSE達到15.68 mS/cm。OK和RF方法均在NDVI為0.1～0.2之間預測誤差最大，分別為16.65和8.7 mS/cm，由于該區間的土壤位于稀疏植被區域，遙感影像顯示出植被和土壤光譜信息的混合，而在裸地和耕地區域中觀察到NDVI在0～0.1和大于等于0.2時，分別具有相對純凈的土壤和植被光譜信息?？傮w來說RF方法在3個區間內的RMSE變化不大，說明該方法顯著削弱了植被覆蓋對EC預測的影響。

3 結 論

本研究采用OK、GWR和RF方法結合地形屬性、植被光譜指數和鹽度指數等環境變量對該區表層EC含量的空間分布規律進行預測。結果表明GWR和RF采用非線性回歸方式進行建模的效果明顯優于OK方法，對EC含量的局部變異信息描述地更加詳細。RF方法的預測精度最高，2為0.74，RMSE和MAE分別為9.07和7.90 mS/cm。RF方法在EC低值區預測精度最高RMSE為3.96 mS/cm，削弱了植被覆蓋對EC的影響。本文為下一步在干旱或半干旱地區的鹽漬化監測進行推廣，選擇更為有效的環境變量，提高土壤屬性數字制圖的準確性提供了基礎。

[1]朱阿興，楊琳，樊乃卿，等. 數字土壤制圖研究綜述與展望[J]. 地理科學進展，2018，37(1)：66－78.

Zhu Axing, Yang Lin, Fan Naiqing, et al. The review and outlook of digital soil mapping[J]. Progress in Geography, 2018, 37(1): 66－78. (in Chinese with English abstract)

[2]姚榮江，楊勁松，姜龍，等. 基于聚類分析的土壤鹽漬剖面特征及其空間分布研究[J]. 土壤學報，2008，45(1)：56－65.

Yao Rongjiang, Yang Jinsong, Jiang Long, et al. Profile characteristics and spatial distribution of soil salinity based on hierarchical cluster analysis[J]. Acta Pedologica Sinica, 2008, 45(1): 56－65. (in Chinese with English abstract)

[3]Guo Yan, Zhou Yin, Zhou Lianqing, et al. Application of digital soil mapping methods for identifying salinity management classes based on a study on coastal central China[J]. Soil Use and Management, 2013, 29(3): 445－456.

[4]Peng Jie, Biswas A, Qingsong Jiang, et al. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province, China[J]. Geoderma, 2019, 337: 1309－1319.

[5]Sheng Jiandong, Ma Lichun, Jiang Pingan, et al. Digital soil map-ping to enable classification of the salt-affected soils in desert agro-ecological zones[J]. Agricultural Water Management, 2010, 90: 1944－1951.

[6]Grunstra M, Auken OW V. Using GIS to display complex soil salinity patterns in an inland salt marsh[J]. Developments in Environmental Science, 2007, 5(1): 407－431.

[7]郭龍，張海濤，陳家贏，等. 基于協同克里格插值和地理加權回歸模型的土壤屬性空間預測比較[J]. 土壤學報，2012，49(5)：1037－1042.

Guo Long, Zhang Haitao, Chen Jiaying, et al. Comparison between co-kriging model and geographically weighted regression model in spatial prediction of soil attributes[J]. Acta Pedologica Sinica, 2012, 49(5): 1037－1042. (in Chinese with English abstract)

[8]瞿明凱，李衛東，張傳榮，等. 地理加權回歸及其在土壤和環境科學上的應用前景[J]. 土壤，2014，46(1)：15－22.

Qu Mingkai, Li Weidong, Zhang Chuanrong, et al. Geographically weighted regression and its application prospect in soil and environmental sciences[J]. Soils, 2014, 46(1): 15－22. (in Chinese with English abstract)

[9]Brungard C W, Boettinger J L, Duniway M C, et al. Machine learning for predicting soil classes in three semi-arid landscapes[J]. Geoderma, 2015(239/240): 68－83.

[10]黃文，正林. 數據挖掘：R語言實戰[M]. 北京：電子工業出版社，2014.

[11]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[J]. 生態學報，2013，33(11): 3249－3257.

Xu Hanqiu, Tang Fei. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance[J]. Acta Ecologica Sinica, 2013, 33(11): 3249－3257. (in Chinese with English abstract)

[12]Wang Jingzhe, Ding Jianli, Abulimiti A, et al. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared (VIS-NIR) spectroscopy, Ebinur Lake Wetland, Northwest China[J/OL]. PeerJ., 2018, 6: e4703.

[13]羅罡輝. 基于GWR模型的城市住宅地價空間結構研究[D].杭州：浙江大學，2007.

Luo Ganghui. Spatial Structure of Urban Housing Land Prices Based on GWR Model[D]. Hangzhou: Zhejiang University, 2007. (in Chinese with English abstract)

[14]Fotheringham A S, Brunsdon C, Charlton M. Geographically Weighted Regression: The Analysis Of Spatially Varying Relationships[M]. West Sussex: John Wiley & Sons, 2003.

[15]王飛，楊勝天，丁建麗. 環境敏感變量優選及機器學習算法預測綠洲土壤鹽分[J]. 農業工程學報，2018，4(22)：102－110.

Wang Fei, Yang Shengtian, Ding Jianli. Environmental sensitive variable optimization and machine learning algorithm using in soil salt prediction at oasis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(22): 102－110. (in Chinese with English abstract)

[16]Friedam J H, Meulman J J. Multiple additive regression trees with application in epidemiology[J]. Statistics in Medicine, 2003, 22(9): 1365－1381.

[17]Yang Renmin, Zhang Ganlin. Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem[J]. Ecological Indicators, 2016, 60: 870－878.

[18]Prasad A M, Liaw I A. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction[J]. Ecosystems, 2006, 9(2): 181－199.

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

[20]Lobell D B, Lesch S M, Corwin D L, et al. Regional-scale assessment of soil salinity in the red river valley using multi-yearmodisevi and ndvi[J]. Journal of Environmental Quality, 2010, 39(1): 35－41.

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

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

[23]Wu Weicheng. The generalized difference vegetation index (GDVI) for dryland characterization[J]. Remote Sensing, 2014, 6(2): 1211－1233.

[24]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[J]. Geoderma, 2014(230/231): 1－8.

[25]Khan N M, Rastoskuev V V, Sato Y. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management, 2005, 77(1/2/3): 96－109.

[26]Khan S, Abbas A. Using remote sensing techniques for appraisal of irrigated soil salinity[C]//New Zealand: MODSIM 2007 International Congress on Modelling and Simulation, 2007.

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

[28]Wang Shuai, Jin Xinxin, Adhikari K, et al. Mapping total soil nitrogen from a site in northeastern China[J]. Catena, 2018, 166: 134－146.

[29]Wang Jingzhe, Ding Jianli, Yu Danlin, et al. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China[J]. Geoderma, 2019, 353: 172－187.

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

[31]梁靜，丁建麗，王敬哲，等. 基于反射光譜與 Landsat 8 OLI多光譜數據的艾比湖濕地土壤鹽分估算[J]. 土壤學報，2019，56(2)：320－330.

Liang Jing, Ding Jianli, Wang Jingzhe, et al. Quantitative estimation and mapping of soil salinity in the Ebinur lake wetland based on VIS-NIR reflectance and Landsat 8 OLI data[J]. Acta pedologica sinica, 2019, 56(2): 320－330. (in Chinese with English abstract)

[32]Zhang Chi, Lu Dengsheng, Chen Xi, et al. The spatiotemporal patterns of vegetation coverage and biomass of the temperate deserts in Central Asia and their relationships with climate controls[J]. Remote Sensing of Environment, 2016, 175: 271－281.

Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables

Meng Lina, Ding Jianli※, Wang Jingzhe, Ge Xiangyu

(1.,,830046,; 2.,,830046,)

Digital soil mapping (DSM) is the creation and population of spatial soil information systems by numerical models inferring the spatial and temporal variations of soil types and soil properties from soil observations and knowledge and from related environmental variables. DSM is critical to precise agricultural production and environmental protection. Accurately mapping soil salinity through remote sensing techniques has been an active research area in the past few decades particularly for agricultural lands. A total of 73 cropland topsoil samples (0-10 cm) were collected from Ugan-Kuqa River Delta Oasis, southern parts of Xinjiang Uyghur Autonomous Region of China for the measurement of soil electrical conductivity (EC) based on 1:5 soil-water extraction solution. Three spatial prediction models, i.e., ordinary kriging (OK), geographically weighted regression (GWR) and random forest (RF) methods were employed for digital mapping of soil salinity. Multi-source remote sensing data were resampled in the spatial resolution of 30m and calculated various derived environmental variables, such as terrain attributes, soil physiochemical properties, and spectral indices. We selected 16 most sensitive variables to calibrate the estimation models based on the correlation analysis. Finally, the validation results of different models were compared under different intervals of EC and vegetation coverage. The mean absolute prediction error (MAE), root mean square error (RMSE) and coefficient of determination (2) were used to evaluate and compare the performance of the above methods. The spatial distribution patterns of EC obtained by different methods were quite similar, in general the distribution of salt increased from northwest to southeast of the study area, salt soil and severe salinity soil were concentrated in the southeast of the region. Among the different prediction methods combined with the variables, the OK method lacked a detailed description of the spatial variation of the EC content, and the internal map fragmentation of the GWR method made the details of the drawing effect more abundant. For the RF method the RMSE and MAE of both datasets were lower than OK and GWR method,2, RMSE and MAE were 0.74, 9.07 and 7.90 mS/cm, could effectively estimate the soil salinity at the regional scale. From the segmentation statistics of EC, the error of the RF method in the low and high values was small. The RF method had the highest prediction accuracy of 3.96 mS/cm for the EC of 0-2 mS/cm, which weakens the influence of vegetation cover on EC. Both the OK and the GWR methods had the largest prediction error between 0.1 and 0.2 of NDVI, but the RF method had little change in RMSE under different vegetation coverage. The best predicting model in these methods was selected based on corresponding performance and accuracy measures. The effect of GWR and RF modeling by nonlinear regression was obviously better than that of OK method. The local variation information of EC content was described in more detail. This study could provide a basis for the next step in the promotion of salinization monitoring in arid or semi-arid areas, selecting more effective environmental synergy variables, and improving the accuracy of soil mapping digital mapping.

soil salt; remote sensing; machine learning; environmental variables

蒙莉娜，丁建麗，王敬哲，葛翔宇. 基于環境變量的渭干河-庫車河綠洲土壤鹽分空間分布[J]. 農業工程學報，2020，36(1)：175－181.doi：10.11975/j.issn.1002-6819.2020.01.020 http://www.tcsae.org

Meng Lina, Ding Jianli, Wang Jingzhe, Ge Xiangyu. Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 36(1): 175－181. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.01.020 http://www.tcsae.org

2019-06-02

2019-10-25

國家自然科學基金（41771470，41661046）；國家自然科學基金聯合基金項目（U1603241）

蒙莉娜，主要從事遙感應用研究。Email：menglina_xj@163.com

丁建麗，教授，主要從事干旱區環境演變與遙感應用研究。Email：watarid@xju.edu.cn

10.11975/j.issn.1002-6819.2020.01.020

S153

A

1002-6819(2020)-01-0175-07