黃河三角洲引黃灌區土壤鹽分遙感反演及空間分布特征

Remote Sensing Inversion and Spatial Distribution Characteristics of Soil Salinity in the Yellow River Irrigation Area of the Yellow River Delta

QI Zhaishuo，FU Xin， ZHANG Haoran，HUANG Jin，PANG Guibin，XU Zhenghe（Schoolof Water Conservancyand Environment，Universityof Jinan，Jinan 25oo22，Shandong，China）

Abstract：To accurately graspthespatialdistributioncharacteristicsofsoilsalinityintheYellowRiverDelta rrigationarea， Kendong Irrigation District in Binzhou City，Shandong Provincewas chosenas thestudyarea，basedonthe soilsalinitydata fromfield surveyand Sentinel-2B multispectralremotesensing data，thespectral indices thathada strong explanatory powerof soil salinitywereselected using geodetic detector.Thepartial least square methodwas thenusedto construct remote sensing inversion modelsof soil salinityand explorethe spatialdistributioncharacteristicsof soilsalinity in the study area.The results show that the optimal spectral indices with high explanatory power （ qgt;0.05 ）andhighly significant level （ P lt;0.01）for soil salinity are visible-infrared salinity index，extended diffrence vegetation index，normalized diference waterindex，nonlinear index，S6salinityindex，brightness index，reflectivityof sateliteB8Aband，INT2 salinity idex，optimized soil adjusted vegetation index，soil adjusted vegetation index，enhancedvegetation index，SI3 salinityindex，extendedratiovegetationindex，salinityindex，atmosphericalyresistantvegetationindex，S5salinityindex. The determinationcoefficient and meanrelative erorof theremote sensing inversionmodel of soil salinityareO.77and 0.36，respectively，the model can predict the salinitycondition in the study area more accurately.The studyarea consists of non-saline soil，mildly saline soil and moderately saline soil. The area with a salt mass ratio less than 0.2g/kg in nonsaline soil accounts for the largest proportion，which is 50.43% . The mildly saline soil and moderately saline soil show a fragmenteddistribution，mainlyoccuring in the non-planting area，which is inline with theresultsoffieldsurvey.The average soil saltcontentof differentlanduse-covertypes is significantly different，andtheorder ofland use-cover types withtheaverage saltcontentfrom large to smallis saline wasteland，abandoned land-summer corn field，forestland， winter wheat-summer corn field，and paddy field.

Keywords ： soil salinity；remote sensing retrieval; spatial distribution； geodetector; the Yellow River Delta

土壤鹽漬化是土壤表層集聚可溶性鹽的一種現象，極大地限制了農業發展和土地資源的可持續利用，因此土壤鹽漬化已經被列為中國生態文明建設和全球變化議題中的重要研究方向。黃河三角洲地區作為我國重要的后備土地資源區，蘊藏著豐富的自然資源，開發前景極為廣闊；但是，由于長期海水入滲以及相對干旱的氣候環境，因此王壤鹽漬化問題日益嚴重，尤其是在以灌溉為主要方式的農業灌區，重灌溉輕排放的農耕形式對土壤環境造成了嚴重的威脅，使得黃河下游引黃灌區土壤鹽漬化治理變得更加困難。

在灌溉農業區，監測土壤鹽漬化分布特征可以很好地掌握灌溉區內鹽分的變化情況，制定科學、合理的水資源管理方案，為灌溉農業區土壤鹽漬化治理和綜合利用提供科學依據。目前，通過定量遙感手段監測土壤鹽分信息是土壤鹽漬化監測研究的熱點之一。楊小虎等2基于Landsat-8號衛星攜帶的陸地成像儀（Landsat-8OLI）多光譜遙感影像和野外實測土壤鹽分數據，通過歸一化差異水體指數（INDW）等光譜指數與土壤鹽分構建遙感預測模型，研究土壤鹽分空間分布特征，結果表明，模型精度較高且預測的土壤鹽分的空間分布規律與實地調查基本一致。陳紅艷等3在傳統植被指數的基礎上提出了改進植被指數，基于改進前、后2種對應的植被指數構建土壤鹽分反演模型，獲得了較好的土壤鹽分空間分布反演結果。周曉紅等[4在傳統型鹽分指數和植被指數的基礎上，引入增強型比值植被指數與研究區土壤鹽分建立遙感估算模型，用于定量監測研究區土壤鹽分的動態變化規律。張同瑞等[5]采用多光譜衛星遙感數據，篩選敏感光譜指數，最終遴選出土壤鹽分最佳監測模型。張素銘等[通過相關性分析等手段篩選出最優的土壤鹽分敏感波段和光譜參量，構建最佳的土壤鹽分遙感反演模型，分析黃河三角洲地區土壤鹽分動態分布特征，結果表明，遙感波段之間相互組合可以提高其與土壤鹽分的相關程度，并且在組合波段中加入敏感波段的建模方法表現更優。劉恩等7以黃河三角洲小開河引黃灌區為例，基于Landsat-8OLI多光譜影像，選取診斷指數較大的光譜反射率和土壤鹽分數據構建土壤鹽分反演模型。上述研究大多數是利用單一的光譜指數（如光譜反射率、植被指數等）或少數幾個光譜指數組合構建土壤鹽分反演模型，用于監測土壤鹽漬化信息，但估算精度仍然較低[8]。光譜指數選擇不夠全面，容易忽略指數間的耦合作用，使得模型失真和不穩定，因此，不局限于少數光譜指數，嘗試集成應用多種光譜指數來定量反演土壤鹽分是一種值得探究的方式。對于濱海典型環境脆弱區黃河三角洲來說，以哨兵-2號衛星攜帶的多光譜成像儀（Sentinel-2MSI）影像數據和地面實測數據為基礎，利用系列光譜指數反演土壤鹽分的研究較少。Wang等利用Cubist模型對比分析Landsat-8OLI與Sentinel-2MSI這2種傳感器之間的差異，結果表明，空間分辨率和光譜分辨率越高的衛星遙感影像越能夠有效提高模型反演精度。

本文中以黃河三角洲引黃灌區中的墾東灌區為研究區，基于野外土壤采樣數據和Sentinel-2BMSI遙感數據，獲取不同遙感波段光譜反射率、所有的鹽分指數和植被指數等系列光譜指數，利用地理探測器篩選對王壤鹽分解釋力較強的光譜指數因子，構建最優土壤鹽分反演模型，分析黃河三角洲引黃灌區土壤鹽分空間分布規律，以期為黃河三角洲引黃灌區土壤鹽漬化有效治理以及區域土地資源可持續利用提供理論依據

數據來源與研究方法

1. 1 研究區概況

墾東灌區位于山東省東營市墾利區，地理位置為東經 118^°54^′55^′′ 、北緯 37^°40^′40^′′ ，是現代黃河三角洲具有代表性的引黃灌區之一。研究區四季氣候變化較為明顯，冬季干冷，夏季濕熱，處于溫帶大陸性季風氣候區，多年平均氣溫為 11.7^°C ，多年平均風速為 3.85m/s ，平均年蒸發量為 2049.4mm ，年平均降水量為 578mm ，降雨多集中在每年6—9月份，一般占全年降水量的 70% 以上[10]。灌區內土壤類型主要為粉土和粉壤土，地下水位和礦化度較高，土壤毛細作用劇烈導致土壤反鹽、聚鹽現象嚴重。

1. 2 土壤樣品采集與指標測定

于2023年5月18—20日開展墾東灌區的野外調查和土樣采集等工作。通過綜合分析研究灌區土壤表層的鹽漬化空間分布狀況、土壤采集點整體均勻程度和典型程度布設土壤樣品采集點位。野外用五點法采集土壤樣品，每個點位采用專業土鉆采集0～20cm 土層土壤。用手持式全球定位系統（GPS）獲取樣點經、緯度，28個土壤樣點分布如圖1所示。整理好野外采集土樣并帶回實驗室，然后將土壤樣品經過風干、磨碎、過孔徑 2mm 篩等常規操作后，以土樣與水的質量比為1：5混合，經振蕩、過濾后提取測定溶液，使用哈希多參數水質測定儀測定土壤電導率和全鹽量

根據陳紅艷等[3]在黃河三角洲針對土壤鹽漬化的研究，將土壤鹽分含量劃分為5個等級：鹽分質量比小于 2g/kg 的土壤為非鹽漬土，鹽分質量比為 2～lt;4g/kg 的土壤為輕度鹽漬土，鹽分質量比為 4～lt;6g/kg 的土壤為中度鹽漬土，鹽分質量比為6～lt;10g/kg 的土壤為重度鹽漬土，鹽分質量比為10g/kg 的土壤為鹽土。

1.3 遙感數據與預處理

哨兵-2（Sentinel-2）號衛星包括A、B小衛星，2顆衛星之間的協同作用極大地提高了若干環境和自然資源的應用能力，如植被活力、土壤鹽分動態、水質以及地方、區域和全球范圍的氣候變化影響分析。多光譜成像儀（MSI）以空間分辨率為10、20、60m 分別在光譜帶中以大視場對地球表面反射率進行成像。每個Sentinel-2MSI場景的掃描范圍為290km ，允許每 10d 對地球表面進行一次全球覆蓋。MSI輻射性能以12位編碼，能夠以4095個數字采集圖像，確保輻射精度小于 5% 和出色的信噪比。依據遙感影像數據與地表土壤數據時間盡量保持一致的原則以及野外采樣期間衛星遙感影像在研究區內的成像質量，本文中獲取2023年5月16日Sentinel-2B衛星遙感影像作為遙感數據，選擇經過輻射定標和大氣校正處理后的大氣底層反射率影像數據，即Level-2A級別產品，利用ENVI5.3軟件統一設置遙感影像投影坐標，執行數據重采樣、影像邊界裁剪、多波段組合，輸出多波段影像等常規操作。

選取與土壤鹽分密切相關的光譜反射率、鹽分指數和植被指數等48種光譜指數。具體鹽分指數、植被指數及其計算公式如表1、2所示。

1.4 研究方法

1.4.1 地理探測器

地理探測器是由王勁峰等[25提出的探測空間分異性和揭示驅動性因素的統計方法。本文中主要采用因子探測進行土壤鹽分遙感反演模型因子的篩選。根據不同影響因素對土壤鹽分的解釋能力 q 值篩選出影響土壤鹽分的因子， q 值越大說明因子對土壤鹽分的影響程度越高。

式中： L 為土壤鹽分或光譜指數的分層數或分區數； N_h ： σ_h² 分別為 h 層的單元數、土壤鹽分的方差； σ₂ 為土壤鹽分在地理探測器探測過程中的所有分層或分區的方差

1.4.2 數據分析與檢驗

多元統計分析方法偏最小二乘法（PLSR）能夠在不排除多重共線變量的前提下有效反映多個自變量或因變量之間的相關性，且適用于小容量樣本的多元統計分析，是定量分析土壤鹽分對多種光譜指數組合響應的可行方法。本文中將28個有效采樣點按照7：3的比例隨機劃分為建模集和驗證集，在建模集和驗證集中，以土壤鹽分含量為因變量，光譜指數為自變量，建立光譜指數組合與土壤鹽分的PLSR回歸模型

模型穩定程度和精度高低的評價指標分別采用決定系數 R² 和平均相對誤差 E_mr 來評估， R² 越大、E_mr 越小的模型的預測能力越強，穩定性越好。評價指標數學表達式為

式中： S_i?Mi 分別為采樣點 i 的預測值和實測值； n 為采集土壤樣點的數量； 為所有采樣點的實測值的平均值。

2 結果與分析

2.1多光譜指數與土壤鹽分的地理探測器分析

表3為土壤鹽分與光譜指數的因子探測結果從表中可以看出， q 大于0.5的因子依次為可見-紅外鹽分指數 、擴展差值植被指數 I_EDV 、歸一化差異水體指數 I_NDW 、非線性指數 I_NL 、衛星 B8 波段的反射率 λ_B8 、S6鹽分指數 I_s6 、衛星B6波段的反射率 λ_B6 和亮度指數 I_B 。S2鹽分指數 I_s2 、SI11鹽分指數 I_sI11 、綠波段比值植被指數 I_GRV 、衛星B1 波段的反射率 λ_Bl 的 q 均小于0.05，表明這些光譜指數對黃河三角洲引黃灌區土壤鹽分雖然具體一定影響，但相比于其他光譜指數影響較為微弱。本文中選取 q 大于0.05的因子用于構建土壤鹽分反演模型。

2.2 模型構建及精度分析

利用統計與數據分析軟件Minitab19對研究區土壤鹽分以及 q 大于0.05的光譜指數進行PLSR建模，在建模過程中，剔除 p 值大于0.01的光譜指數，以確保只保留對土壤鹽分有顯著影響的變量，從而提高模型的擬合效果和預測準確性。最終優選出最佳的光譜指數組合為 I_IS-VIR 、 I_EDV I_NDW ！ I_NL ） I_s6 、I_B 、衛星B8A 波段的反射率 λ_B8A 、 I_NT2 鹽分指數I_INT2 、優化土壤調整植被指數 I_osAV 、土壤調節植被指數 I_SRV 、增強型植被指數 I_EV 、SI3 鹽分指數 I_SI3 、擴展比值植被指數 I_ERV 、鹽分指數 I_s 、大氣阻抗植被指數 I_ARV 、S5鹽分指數 I_s5 。基于實測土壤鹽分數據和最優光譜指數組合，構建PLSR土壤鹽分反演模型為

y=-3.53-27.21I_IS-VIR+2.30I_EDV-3.73I_NDW-3.58I_NL-

39.73I_s6-0.39I_B-2.37λ_BsA+20.44I_INT2+12.61I_oSAV+ 24.14I_sRv-10.01I_EV-20.39I_sI3-1.13I_ERV+16.42I_s- 8.36I_ARV+37.56I_s5 （4）

式中 y 為土壤鹽分含量。

通過評價指標對建模集土壤鹽分預測值與實測值進行對比，所構建的模型 R² 為0.79， E_mr 為0.28，表明模型預測效果較好，準確度較高，對研究區有較好的適用性。

對最優光譜指數組合所構建的土壤鹽分遙感反演模型進行驗證，結果如圖2所示。由圖可知，土壤鹽分預測值和實測值之間具有較強的線性相關，并且通過評價指標對驗證集土壤鹽分預測值與實測值進行評價，得出驗證集 R² 為0.77， E_mr 為0.36，表明本文中構建的土壤鹽分遙感反演模型可以有效地預測研究灌區的土壤鹽漬化狀況。

2.3 土壤鹽漬化空間分布分析

根據最優土壤鹽分遙感反演模型預測研究區土壤鹽分含量空間分布結果如圖3所示。由圖可見，研究區土壤鹽漬化程度總體較輕，土壤鹽分含量較低，鹽分質量比均小于 6g/kg ，土壤鹽漬化等級包括非鹽漬土、輕度鹽漬土和中度鹽漬土，無重度鹽漬土和鹽土。大部分土壤的鹽分質量比小于 2g/kg ，屬于非鹽漬土范疇。由于研究區大部分為作物種植區，為了作物更好地生長會進行土壤淋洗和灌溉等操作，因此土壤鹽漬化程度較低。研究區內不同等級土壤鹽漬化面積及所占比例統計結果如表4所示。從表中可以看出，非鹽漬土、輕度鹽漬土、中度鹽漬土面積分別為 ，非鹽漬土面積所占比例達到99. 66%

為了將研究區土壤鹽分的空間分布特征更好的匹配各種土地利用-覆被類型，將非鹽漬土進行細分，以非鹽漬土、輕度鹽漬土和中度鹽漬土劃分等級的 1/10 對研究區非鹽漬土等級進行細分。就非鹽漬土而言，土壤鹽分質量比小于 0.2，0.2～lt;0.4 0.4～lt;0.6，0.6～lt;2.0g/kg 的面積分別為94.82、54.30，21.19，17.08km² 。其中，鹽分質量比小于0.2g/kg 鹽漬土的面積占比最大，為 50.43% ；其次是鹽分質量比為 0.2～lt;0.4g/kg 的鹽漬土，面積占比為 28.88% ；鹽分質量比 0.6～lt;2.0g/kg 鹽漬土面積所占比例最小，為 9.08% 。研究區內輕度鹽漬土和中度鹽漬呈現零散的空間分布。因為研究區內大片的田塊均進行農作物種植，所以在分散的無種植地帶會有較少的輕度和中度鹽漬土分布。

在不同土地利用方式下，由于灌溉、入滲和蒸發等引起土壤水分在時間和空間上變化，因此導致區域土壤鹽分含量與運移規律不同。為了更好地分析研究區土壤鹽分空間分布特征，本文中根據當地種植方式、種植結構、休耕期等實際情況將研究區劃分為冬小麥-夏玉米地、擢荒地-夏玉米地、林地、鹽荒地和水稻田5種土地利用-覆被類型，探究土壤鹽分和不同土地利用-覆被類型之間的關系，結果如圖4所示，土地利用-覆被類型土壤鹽分含量統計結果如圖5所示。由圖可以看出：不同土地利用-覆被類型的土壤鹽分含量的均值差異顯著。鹽荒地土壤鹽分質量比均值最大，為 0.37g/kg ，水稻田土壤鹽分質量比均值最小，為 0.07g/kg 。土壤鹽分含量均值由大到小的土地利用-覆被類型的排序為鹽荒地、荒地-夏玉米地、林地、冬小麥-夏玉米地、水稻田，這主要是由土地利用方式、地表覆被類型、灌區種植結構、灌溉制度所導致。研究區內鹽荒地主要分布一些鹽生植物，相關研究[26]表明，鹽生植物的脫鹽功能能改良鹽漬化土壤，原因是不同鹽生植物對鹽分吸收具有選擇性，有些鹽生植物甚至可以將鹽分直接移出土壤，例如在研究區鹽荒地普遍生長的拒鹽植物——蘆葦以及聚鹽植物—一鹽地堿蓬等，因此研究區內鹽荒地的土壤鹽分含量較其他土地利用-覆被類型的高，但仍低于中度鹽漬土的鹽分含量。由于擢荒地-夏玉米地、林地、冬小麥-夏玉米地和水稻田長期進行種植管理，因此土壤鹽分含量相對較低。Wang等[27]研究表明，由于植被生長隨季節發生變化，因此不同土地利用-覆被類型的土壤鹽分特征也會隨著季節性變化有所差異。本研究是在5月份對研究區進行采樣及反演等工作，此時林地和冬小麥-夏玉米地均有較密集的植被覆被，且冬小麥和水稻均經過了春灌等農業處理。由于擢荒地-夏玉米地的土壤鹽分常年處于較高水平，不適宜冬小麥生長，在冬小麥種植期設置為擢荒期，于翌年直接種植夏玉米，因此在研究期內畧荒地-夏玉米地作物處于玉米苗期或未種植期，導致土壤鹽分含量高于林地和冬小麥-夏玉米地。這種空間分布特征與實地調查和實驗室分析的不同土地利用-覆被類型土壤鹽分含量相一致。

3結論

本文中采用野外取樣結合哨兵-2B衛星遙感影像獲取土壤鹽分數據，計算鹽分指數、植被指數并通過地理探測器篩選光譜指數組合，構建PLSR土壤鹽分遙感反演模型，監測研究區土壤鹽分含量，探討土壤鹽分的空間分布特征，得到如下主要結論：

1）優選出對土壤鹽分解釋力較高（ qgt;0. 05） 且達到極顯著水平（ p 值小于0.01）的最優光譜指數組合是 （20^′_osAv?I_sRv?I_Ev?I_sI3?I_ERv?I_s?I_ARv?I_s? 基于PLSR構建的土壤鹽分反演模型精度較高，其中驗證 R² 為0.77，E_mr 為0.36。

2）研究區土壤鹽漬化等級包括非鹽漬土、輕度鹽漬土和中度鹽漬土，其中以非鹽漬土為主，在非鹽漬土中鹽分質量比小于 0.2g/kg 的面積占比最大，為 50.43% 。輕度鹽漬土和中度鹽漬土在空間上呈現零散分布，主要分布在非種植區域。

3）研究區不同土地利用-覆被類型的土壤鹽分含量均值差異顯著，鹽分質量比由大到小的土地利用-覆被類型排序為鹽荒地、荒地-夏玉米地、林地、冬小麥-夏玉米地、水稻田，其中鹽荒地土壤鹽分質量比均值為 0.37g/kg ，水稻田土壤鹽分均值最小為 0.07g/kg

本文中的研究成果可為濱海土壤鹽漬化快速監測以及土地利用結構空間優化與可持續發展提供技術支撐。

參考文獻：

[1]ZHUW，YANGJS，YAORJ，etal.Soilwater-saltcontrol andyield improvement under the effect of compound control insalinesoilof the YellowRiverDelta，China[J].Agricultural WaterManagement，2022，263：107455.

[2] 楊小虎，羅艷琴，楊海昌，等．瑪納斯河流域綠洲農田土壤鹽分反演及空間分布特征[J]．干旱區資源與環境，2021，35（2）：156.

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

[4］周曉紅，張飛，張海威，等．艾比湖濕地自然保護區土壤鹽分多光譜遙感反演模型[J]．光譜學與光譜分析，2019，39（4）：1229.

［5］張同瑞，趙庚星，高明秀，等．基于近地面多光譜的黃河三角洲典型地區土壤含鹽量估算研究［J]．光譜學與光譜分析，2016， 36（1） ： 248.

［6］張素銘，趙庚星，王卓然，等．濱海鹽漬區土壤鹽分遙感反演及動態監測[J]．農業資源與環境學報，2018，35（4）：349.

［7］劉恩，王軍濤，常步輝，等．小開河引黃灌區土壤鹽漬化定量遙感反演[J]．中國農村水利水電，2019（12）：20.

［8］劉偉，史海濱，苗慶豐，等．基于Landsat8的節水改造背景下鹽漬化土壤含鹽量反演[J]．農業機械學報，2024，55（1）：294.

[9]WANG JZ，DING JL，YU D L，et al. Machine learning-baseddetection of soil salinity in an arid desert region，Northwest China：a comparison between Landsat-8 OLI and Sentinel-2 MSI[J].Science of the Total Environment，2020，707：136092.

［10］袁瑞強，劉貫群，宋獻方．現代黃河三角洲淺層地下水對降水的響應[J]．資源科學，2009，31（9）：1514.

[11]ZHANG JR， ZHANG Z T，CHEN JY，et al. Estimating soilsalinity with different fractional vegetation cover using remotesensing[J]. Land Degradation and Development， 2020，32（2）：597.

［12］姚志華，陳俊英，張智韜，等．覆膜對無人機多光譜遙感反演土壤含鹽量精度的影響［J]．農業工程學報，2019，35（19）： 89.

[13]DOUAOUI A E K，NICOLAS H， WALTER C. Detecting salinityhazards within a semiarid context by means of combining soil andremote-sensing data[J].Geoderma，2006，134（1/2）：217.

[14]TRIKI FOURATI H， BOUAZIZ M，BENZINA M，et al. Modelingof soil salinity withinasemi-arid region using spectral aalysis[J]．Arabian Journal of Geosciences，2015，8（12）： 11175.

[15]SCUDIERO E， SKAGGS T H， CORWIN D L. Regional scalesoil salinity evaluation using Landsat 7， western San Joaquin Valley，California，USA[J]. Geoderma Regional，2014，2-3：82.

［16］張智韜，魏廣飛，姚志華，等．基于無人機多光譜遙感的土壤含鹽量反演模型研究[J]．農業機械學報，2019，50（12）：151.

[17]CHO K H，BEON MS，JEONG JC. Dynamics of soil salinityand vegetation in a reclaimed area in Saemangeum， Republic ofKorea[J]. Geoderma，2018，321： 42.

［18］馮娟，丁建麗，楊愛霞，等．干旱區土壤鹽漬化信息遙感建模[J]．干旱地區農業研究，2018，36（1）：266.

［19］毛海穎，馮仲科，鞏垠熙，等．多光譜遙感技術結合遺傳算法對永定河土壤歸一化水體指數的研究[J]．光譜學與光譜分析，2014，34（6）：1649.

[20］奚雪，趙庚星，高鵬，等．基于Sentinel衛星及無人機多光譜的濱海冬小麥種植區土壤鹽分反演研究：以黃三角墾利區為例[J]．中國農業科學，2020，53（24）：5005.