基于土壤植被光譜協(xié)同分析的土壤鹽度推理模型構(gòu)建研究

王 飛，丁建麗*

1. 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，新疆 烏魯木齊 830046 2. 綠洲生態(tài)教育部重點實驗室，新疆 烏魯木齊 830046

基于土壤植被光譜協(xié)同分析的土壤鹽度推理模型構(gòu)建研究

王 飛1, 2，丁建麗1, 2*

1. 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，新疆 烏魯木齊 830046 2. 綠洲生態(tài)教育部重點實驗室，新疆 烏魯木齊 830046

土壤組成較為復(fù)雜，單純利用土壤光譜信息探測土壤鹽度，反演精度不足以滿足實際需求。通過遙感獲取的植被信息(植被類型和生長狀況)可間接反映土壤鹽分的空間分布特性，彌補上述不足。為此，基于干旱區(qū)土壤鹽度與植被之間的協(xié)同變化，嘗試結(jié)合土壤和植被光譜信息，借助二維特征空間理論，構(gòu)建土壤鹽度推理模型，提高土壤鹽度推理精度。對于干旱區(qū)單個像元下土壤光譜的影響，利用歸一化植被指數(shù)(normalized difference vegetation index，NDVI) 難以準確反演干旱區(qū)稀疏植被參數(shù)。因此，首先利用線性混合像元分解模型(linear spectral unmixing model, LSUM)提取研究區(qū)地物組分，構(gòu)建植被組分指示因子(combined vegetation indicative factor, CVIF)方程，并與土壤鹽度指數(shù)(salinity index，SI)構(gòu)建二維特征空間。分析二維特征空間內(nèi)散點走勢與土壤鹽分之間的關(guān)系，建立土壤鹽度推理模型(salinity inference model, SID)。驗證結(jié)果顯示，CVIF提取的植被信息精度(R2>0.84, RMSE=3.92)高于應(yīng)用較為廣泛的NDVI(R2>0.66, RMSE=13.77)。構(gòu)建的SID模型與前人基于NDVI建立的聯(lián)合光譜指數(shù)(combined spectral response index, CORSI)相比，前者(R2>0.86, RMSE=6.86)推理精度優(yōu)于后者(R2>0.71, RMSE=16.21)。由此得出結(jié)論，基于土壤和植被光譜信息雙重判定的SID模型對土壤鹽漬化的高精度遙感監(jiān)測研究具有較好促進作用。

土壤鹽分； 植被指數(shù)； 推理模型； 線性混合像元分解模型

引 言

由于土壤組成的復(fù)雜性(土壤有機物、土壤濕度、表面粗糙度等)，單純考慮土壤光譜不足以定量反演土壤鹽分信息[1]。因此，部分學(xué)者嘗試利用植被作為間接判定土壤鹽分的指示因子[2-3]。作為遙感可獲取的指示因子(如植被指數(shù))，植被類型和生長狀況可間接反映土壤鹽分的空間分布特性[3]?？梢姽夥瓷渎实脑黾雍徒t外反射率的降低與植被葉綠素濃度降低和細胞結(jié)構(gòu)的損傷出現(xiàn)同步響應(yīng)特征。當(dāng)土壤鹽分含量升高時，對于鹽分敏感的植被其可見光和近紅外反射率同樣出現(xiàn)上述特性[2]，上述發(fā)現(xiàn)被進一步用于土壤鹽分探測研究，部分研究傾向利用歸一化植被(mormalized difference vegetation index, NDVI)作為土壤鹽度間接反演的指征[4]。

植被指數(shù)NDVI對于土壤反射率較為敏感，難以準確反演干旱區(qū)稀疏植被參數(shù)(如植被覆蓋度)。對此，諸多針對NDVI的衍生植被指數(shù)相繼建立，例如土壤調(diào)節(jié)植被指數(shù)(soil-adjusted vegetation index)、修正的土壤調(diào)節(jié)指數(shù)(modified soil-adjusted vegetation index)、優(yōu)化的土壤調(diào)節(jié)植被指數(shù)(optimized soil-adjusted vegetation index)等。雖然這些植被指數(shù)在一定程度上得到優(yōu)化，但在地面實際情況尚不清楚的條件下，低覆蓋度區(qū)的應(yīng)用仍有限制。其中，干旱區(qū)灌叢和草地覆蓋區(qū)像元內(nèi)土壤植被混分現(xiàn)象是限制其應(yīng)用的重要原因。因此利用這些植被指數(shù)推理土壤鹽分同樣存在問題。光譜混合分析(spectral mixture analysis, SMA)是針對混合像元分解的常用方法，能夠利用多光譜數(shù)據(jù)有效提取干旱區(qū)植被類型和蓋度信息[5]。

土壤光譜反射率和植被指數(shù)已分別應(yīng)用于土壤鹽度信息的研究，二者結(jié)合用于推理土壤鹽度的研究尚在初期階段。Fernández-Buces等[1]利用改進的NDVI指數(shù)簡稱聯(lián)合光譜指數(shù)(combined spectral response index, CORSI)([(Band1+Band2)/(Band3+Band4)]*NDVI)獲取所在研究區(qū)(半干旱地區(qū)的墨西哥)的土壤鹽分信息。雖然此研究同時綜合考慮了植被和土壤的反射率信息，但在干旱區(qū)的適用性有待考量。為了協(xié)同利用土壤和植被光譜信息，引用二維特征空間的概念探測土壤鹽分含量。到目前為止，諸多研究利用二維特征空間反演地表相關(guān)參數(shù)，例如基于溫度和植被[6]、溫度和反射率[7]、NDVI和反照率[8]等組合，進行土壤濕度推理、火情探測、沙漠化監(jiān)測等研究。

以庫車河三角洲為研究區(qū)，利用Landsat5 TM多光譜數(shù)據(jù)，協(xié)同分析土壤和植被光譜信息，建立土壤鹽度推理模型。具體步驟如下： (1)基于SMA模型提取研究區(qū)地表組分信息，建立植被組分指示因子(combined vegetation indicative factor, CVIF)方程； (2)結(jié)合鹽分指數(shù)SI和CVIF構(gòu)建二維特征空間； (3)基于二維特征空間散點走勢與土壤鹽度的響應(yīng)方式，構(gòu)建干旱區(qū)土壤鹽度推理模型(salinity inference model, SID)。

1 研究區(qū)概況

研究區(qū)位于塔里木盆地西北部，天山南麓沖積平原區(qū)，庫車河綠洲的東北部，地理坐標為東經(jīng)83°01′—83°37′E； 北緯41°23′—42°50′N，覆蓋面積約為2 500 km2。研究區(qū)屬干旱區(qū)極端大陸性氣候，平均降雨量為51.6 mm，潛在蒸發(fā)量約為2 723.7 mm，年平均積溫(>10 ℃)約為4 500 ℃。地勢由西北至東南方向依次降低，高程范圍920～1 100 m。覆蓋研究區(qū)北側(cè)的土壤類型為人為土(anthrosols)，農(nóng)業(yè)種植區(qū)，土壤鹽分含量較低。南部為鹽土(solonchak)覆蓋區(qū)，依據(jù)地表反射率可分低反射率的灰色鹽土和高反射率的鹽霜。農(nóng)業(yè)種植區(qū)的植被以棉花和玉米為主，鹽漬化區(qū)域以鹽生植被為主，包括白刺(Nierarialtangutorum)、鹽穗木(Halostachyscaspica)、駱駝刺(Alhagisparsifolia)、花花柴(Kareliniacaspica)、鹽爪爪(Kalidiumgracile)和蘆葦(Phragmitesaustralis)等。

2 實驗部分

2.1 數(shù)據(jù)

遙感數(shù)據(jù)為Landsat 5 TM(行號145, 列號31)多光譜數(shù)據(jù)，獲取時間為2007年7月25日。為了定量反演地表參數(shù)，原始數(shù)據(jù)先進行地形校正，之后利用ENVI FLAASH大氣校正模塊去除大氣影響，最后將校正后的影像轉(zhuǎn)化為地表反射率數(shù)據(jù)。

依據(jù)研究區(qū)實際情況，進行系統(tǒng)隨機布點，共采集62個樣點。每個樣點內(nèi)(900 m2)重復(fù)采集5個土壤樣本進行混合，帶回實驗室經(jīng)過干燥處理，過濾之后，用于分析土壤鹽分含量。樣區(qū)內(nèi)同時記錄植被類型信息和植被覆蓋度。地面光譜測量采用美國ASD(Analytical Spectral Device)公司生產(chǎn)的ASD Field Specpro FR光譜儀，視場角為25°，光譜范圍380～2 500 nm。土壤和植被光譜測量時間在10:00—14:00之間，天氣狀況良好，基本無云無風(fēng)。樣區(qū)內(nèi)土壤和植被光譜反復(fù)測定10次取算術(shù)平均值得到目標地物的地表反射率曲線，采用Savitzky-Golay濾波方法對光譜曲線進行光滑去噪處理用于后期分析。圖1顯示了不同程度鹽漬化土壤和植被的光譜曲線特征。在776～904 nm(Band4)處，農(nóng)作物(棉花和玉米)和鹽生植被稀疏冠層的植被反射率相差較大，前者明顯高于后者。這與Zhang等[9]的研究結(jié)果一致。不同鹽漬化土壤的反射率依據(jù)其含量多寡，表現(xiàn)出明顯差異，低鹽度較低反射率，高鹽度較高反射率。

圖1 實地測量獲取的不同程度鹽漬土和不同植被光譜曲線圖

2.2 方法

線性光譜分解模型(linear spectral unmixing model, LSUM)是目前應(yīng)用最為廣泛的像元混合分解模型[5]。LSUM方法簡單，合理，有效，具備較好的解釋能力。由于Landsat 5 TM波段之間的相關(guān)性，端元數(shù)據(jù)限制在4～5個最為合理。為了降低端元數(shù)據(jù)數(shù)量，保證LSUM結(jié)果的有效性，修正的歸一化水體指數(shù)(modified normalized difference water index, MNDWI)和 NDVI被用于去除研究區(qū)的水體和戈壁(Gobi)。利用最小噪聲分離(minimum noise fracton, MNF)，像元純度指數(shù)(pixel purity index, PPI)以及NIR和RED二維特征空間獲取研究區(qū)純像元，并結(jié)合實際調(diào)查和文獻資料，反復(fù)分析研究區(qū)地表特征和圖像散點分布特征，最終將高反射率地物、低反射率地物、鹽生植被和作物作為LSUM模型的輸入端元(圖2和圖3)。沒有考慮陰影端元，是因為研究區(qū)稀疏植被多為低矮型，影響較小。

圖2 基于最小噪聲分離法和MR-RED二維空間獲取研究區(qū)典型地物端元

圖3 地物端元光譜曲線圖

CVIF的建立用于反演研究區(qū)植被組分信息。利用LUSM模型提取研究區(qū)不同地物的豐度信息，構(gòu)建植被因子信息方程

(1)

其中fhv和fcr分別為鹽生植被和農(nóng)作物的豐度，fla和fha是低反射率地物和高反射率地物豐度，分母中的1是為了保證CVIF的值域范圍在0～1之間。CVIF的值越接近于1說明植被覆蓋度越高，反之則相反。

相對于單波段的應(yīng)用，多波段的組合效果更好，其中以鹽分指數(shù)SI應(yīng)用較為廣泛，尤其在土壤表層含水率較低的干旱區(qū)。圖1展示了波段1和波段3在不同鹽漬化土反射率的對比情況。

(2)

其中ρ1和ρ3為Landsat 5 TM Band1和Band3的反射率，之后將計算所得SI值進行歸一化處理。

概念圖(圖4)展示了不同鹽漬化土壤在CVIF-SI二維特征空間內(nèi)的分布態(tài)勢。x軸為CVIF，y軸為SI，CVIF的增加預(yù)示著植被蓋度的增加，SI的增加暗示表層土壤鹽分含量的遞增。二者之間的協(xié)同變化可間接表達土壤的含鹽程度。根據(jù)Verstraete和Pinty[10]的研究結(jié)論，如果在鹽漬化變化趨勢的垂直方向上劃分CVIF-SI特征空間，可以將不同的鹽漬化土地有效的區(qū)分開來。以AD為土壤基線，D到A表明土壤鹽漬化逐漸加重，AD的表達式

SI=k×CVIF+b

(3)

式中k為AD的斜率，b代表土壤基線在縱坐標的截距。

選取經(jīng)過點(1，0)垂直于土壤基線的垂線T，即可得到方程(3)的法線方程(4)

(4)

在CVIF-SI特征空間，任何一點到直線T的垂直距離可以說明土壤相對含鹽程度，即離法線T的距離越遠土壤鹽程度越高，反之亦然。在特征空間內(nèi)任取一點H(xCVIF,ySI)，根據(jù)點到直線的距離方程，可以得到點H到直線T的距離，由此建立土壤鹽度推理模型SID

(5)

圖4 基于CVIF-SI特征空間構(gòu)建SID模型的概念示意圖

Fig.4 Conceptual diagram showing the expected relationship between CVIF and SI in salt-affected soil. For illustrating the soil salinization concept, four ellipses have been drawn

2.3 驗證

野外采集的土壤樣品經(jīng)過實驗分析獲取的土壤鹽分含量和測定的植被蓋度用于驗證CVIF和SID模型。具體用于模型驗證的統(tǒng)計指數(shù)包括均方根誤差(root mean square error, RMSE)和確定系數(shù)R2(coefficient of determination)。

3 結(jié)果與討論

圖5顯示了研究區(qū)土壤鹽分和植被蓋度之間的關(guān)系，相關(guān)系數(shù)r大于0.74，此結(jié)果表明二者之間存在較好的空間協(xié)同關(guān)系，同時也暗示植被信息的定量評估有助于土壤鹽分推理精度的提升。圖6顯示了基于NDVI和CVIF兩個植被指數(shù)反演的植被信息在空間上的分布特征。圖中相對高亮的地

圖5 研究區(qū)表層土壤鹽分與植被蓋度之間的定量關(guān)系

區(qū)表示植被較為豐富，而較暗的地區(qū)則表明植被分布稀疏。新構(gòu)建的植被因子CVIF能夠較好的提取作物和鹽生植被信息，由圖6得知研究區(qū)植被主要分布于西北和西南地區(qū)，而NDVI對于植被覆蓋度較高的農(nóng)作物較為敏感。圖像初步判讀之后，利用統(tǒng)計指數(shù)R2和RMSE進一步定量解釋NDVI和CVIF的推理精度。圖7顯示，經(jīng)過對比分析62個樣點的預(yù)測值和實測值發(fā)現(xiàn)，CVIF的R2高于NDVI，前者的RMSE低于后者。

圖6 植被指數(shù)空間分布示意圖

The whiter the color, the higher the proportion of vegetation cover is within the pixel. The dark areas mark water bodies and Gobi desert

圖7 植被指數(shù)與實測植被蓋度之間的回歸關(guān)系

依據(jù)圖4的概念建立CVIF-SI二維特征空間(圖8)，圖中顯示二者呈明顯負相關(guān)關(guān)系。同時提取62樣點的CVIF和SI值進行回歸分析，并依據(jù)何祺勝等[11]采用的土壤鹽漬化分類標準，劃分特征空間土壤鹽漬化分布格局。T1，T2，T3和T4分別代表非鹽漬化，輕度鹽漬化，中度鹽漬化，重度鹽漬化的平均值，可從圖中分析得知，離T1越遠，鹽漬化狀況越嚴重。

圖8 CVIF-SI特征空間構(gòu)建

利用建立的二維特征空間隨機抽取圖像上的600個樣點，確定系數(shù)K=-0.506 2，代入式(5)中

(6)

為了比較SID模型在干旱區(qū)的表現(xiàn)，借用COSRI作為參考模型，對比分析兩者在干旱區(qū)的適用性。表1統(tǒng)計了SID和COSRI值與實測值之間的關(guān)系，SID的整體表現(xiàn)優(yōu)于COSRI。

表1 基于指數(shù)形式回歸分析COSRI和SID預(yù)測土壤鹽度的能力對比

Table 1 Ability of COSRI, SID to predict soil salinity in exponential forms

隨后研究利用采集樣點中的32個樣本構(gòu)建SID和COSRI模型，剩下的30樣用于檢驗，驗證結(jié)果顯示，SID模型推理精度高于COSRI模型(表2)。

表2 COSRI和SID模型驗證對比

研究區(qū)地處干旱區(qū)，由于地形和地質(zhì)條件的影響，土壤空間異型性顯著，進而增加了土壤鹽度信息推理的難度。單純利用土壤光譜或者植被信息或許不能滿足當(dāng)下實際需求。Douaoui[12]在其研究中顯示SI與土壤鹽度的相關(guān)性為0.5(EC>0 ds·m-1)和0.35(EC>8 ds·m-1)。Brunner[5]研究顯示，NDVI與土壤鹽度的相關(guān)性為R2=0.63。像元內(nèi)的光譜混分現(xiàn)象是遙感應(yīng)用的重要限制因素。利用SMA方法建立的植被反演因子較NDVI而言，更適用于干旱區(qū)地表植被信息的提取。NDVI受到地面土壤的干擾，應(yīng)用到鹽分推理時變得模棱兩可。而CVIF相對較高的推理精度得益于SMA提高了像元內(nèi)地物的光譜可分性。De Asis[13]利用SMA方法提取地物組分信息，利用像元內(nèi)植被與裸土的比例關(guān)系，構(gòu)建綠度信息提取算法，較NDVI而言，精度有明顯提升(R=0.94)。

以研究區(qū)實際土壤鹽分與植被之間的協(xié)同變化為基礎(chǔ)，借助遙感獲取的土壤鹽分指數(shù)SI和植被因子CVIF，構(gòu)建土壤鹽分推理模型SID，與COSRI相比，SMA模型能夠提取精度較高的植被信息，結(jié)合土壤光譜信息進行雙重判定，提升了SID的預(yù)測精度。研究區(qū)植被類型多樣，本文只考慮了農(nóng)作物和鹽生植被兩種地物光譜信息，受Landsat TM光譜分辨率的限制，并未進行細分，若有植被類型圖的幫助，進行分區(qū)反演，或許有助于提高土壤鹽度的識別精度。

4 結(jié) 論

綜合利用土壤和植被光譜信息有助于土壤鹽度探測精度的提高，此推論在本研究中得以驗證。相對常用的NDVI植被指數(shù)而言，融合SMA理論的CVIF指數(shù)提取的植被信息(R2>0.84, RMSE=3.92)，精度高于NDVI(R2>0.66, RMSE=13.77)。基于二維特征空間CVIF-SI建立的土壤鹽度推理模型(SID)，與COSRI模型(基于NDVI指數(shù))相比，前者(R2>0.86, RMSE=6.86)推理效果優(yōu)于后者(R2>0.71, RMSE=16.21)。SID模型精度的提高得益于土壤和植被光譜信息的協(xié)同分析以及植被類型和蓋度信息的輔助判別，但因Landsat TM空間和光譜分辨率的限制，植被信息未能進一步細分，植被類型圖的加入或許能夠進一步改進SID模型的識別精度。

[1] Fernández-Buces N, Siebe C, Cram S, et al. Journal of Arid Environments, 2006, 65(4): 644.

[2] Tilley D R, Ahmed M, Son J H, et al. Journal of Environmental Quality, 2007, 36(3): 780.

[3] Zhang T T, Qi J G, Gao Y, et al. Ecological Indicators, 2015, 52: 480.

[4] Brunner P, Li H T, Kinzelbach W, et al. International Journal of Remote Sensing, 2007, 28(15): 3341.

[5] Jiapaer G, Chen X, Bao A. Agricultural and Forest Meteorology, 2011, 151(12): 1698.

[6] Sandholt I, Rasmussen K, Andersen J. Remote Sensing of Environment, 2002, 79(2): 213.

[7] Yang J, Wang Y. Advances in Water Resources, 2011, 34(4): 512.

[8] Ghulam A, Li Z L, Qin Q, et al. Journal of Applied Remote Sensing, 2007, 1(1): 013529.

[9] Zhang F, Tiyip T, Ding J L, et al. Environmental Monitoring and Assessment, 2012, 184(8): 5105.

[10] Verstraete M M, Pinty B. IEEE Transactions on, 1996, 34(5): 1254.

[11] HE Qi-sheng, TAHIPLOT Tiyip, DING Jian-li(何祺勝, 特依拜·塔西甫拉提, 丁建麗). Resources Science(資源科學(xué)), 2006. 28(6): 135.

[12] Douaoui A E K, Nicolas H, Walter C. Geoderma, 2006, 134(1-2): 217.

[13] Alejandro M, Omasa K. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(4): 309.

*Corresponding author

(Received Apr. 7, 2015; accepted Aug. 16, 2015)

Soil Salinity Modelling Study with Salinity Inference Model Based on the Integration of Soil and Vegetation Spectrum in Arid Land

WANG Fei1,2, DING Jian-li1,2*

1. College of Research and Environmental Science, Xinjiang University, Urumqi 830046, China 2. Lab for Oasis Ecosystem, Ministry of Education, Urumqi 830046, China

Only using soil spectrum to model soil salinity is not enough to meet the actual demands because of the complicated soil context. As a remotely sensed indicator, the vegetation type and its growing condition can provide a spatial overview of salinity distribution. Based on the synergistic relationship between soil salinity and vegetation in arid land, this paper tries to combine the spectrum of soil and vegetation to quantitatively estimate the salt content with the help of the concept of two-dimensional feature space. After the analysis of scatter diagram, the soil salinity detecting model was constructed to improve reasoning precision. However, because the impact of soil reflectance on the quantification of vegetation parameters under the individual pixel, the Normalized Difference Vegetation Index (NDVI) was difficult to accurately obtain sparse vegetation cover in arid areas. Therefore, in order to avoid the limitations of NDVI, the Combined Vegetation Indicative Factor(CVIF)was created and supported by Linear Spectral Unmixing Model (LSUM). Then, the study constructed the feature space based on the CVIF and salinity index (SI) and analyzed the response relationship between soil salinity and the trend of scattered points. Finally, a new and operational model termed Salinity Inference Model (SID) was developed. The results showed that the CVIF (R2>0.84, RMSE=3.92) performed better than NDVI(R2>0.66, RMSE=13.77), which means the CVIF was more appropriate for analyzing variations in vegetation cover (particularly halophytes) than NDVI in the study area. The SID was then compared to the Combined Cpectral Response Index (COSRI)(NDVI-based) from field measurements with respect to the soil salt content. The results indicated that the SID values are highly correlated with soil salinity, in contrast to the performance of COSRI. Strong exponential relationships were observed between soil salinity and SID (R2>0.86, RMSE<6.86) compared to COSRI (R2=0.71, RMSE=16.21). These results suggested that the feature space related to biophysical properties combined with CVIF and SI can effectively provide information on soil salinity.

Soil salinity; Vegetation index; Inference model; The linear spectral unmixing model

2015-04-07，

2015-08-16

新疆維吾爾自治區(qū)青年科技創(chuàng)新人才培養(yǎng)工程項目(2013711014), 國家自然科學(xué)基金項目(U1303381, 41261090, 41130531, 41161063)，教育部新世紀優(yōu)秀人才支持計劃項目(NCET-12-1075), 霍英東青年教師基金項目(121018)，教育部長江學(xué)者計劃創(chuàng)新團隊計劃項目(IRT1180)，新疆大學(xué)博士啟動基金項目(BS150248)資助

王 飛，1986年生，新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院教師 e-mail: volitation610@163.com *通訊聯(lián)系人 e-mail: watarid@xju.edu.cn

S132

A

10.3964/j.issn.1000-0593(2016)06-1848-06