解放闸灌域裸土期土壤盐分拟合模型研究

陈 策，邱元霖，韩 佳,2，王新涛,2，樊镕鑫，张智韬,2

(1.西北农林科技大学水利与建筑工程学院，陕西 杨凌 712100；2.西北农林科技大学旱区农业水土工程教育部重点实验室，陕西 杨凌 712100)

0 引 言

我国共有3.6×107hm2盐渍化土壤[1]，面积巨大，严重制约着我国农业生产。刘伟东等[2]发现土壤反射率会随着内在结构和组成成分的变化而改变，而土壤盐渍化会改变土壤的结构和组成，但卫星携带的相机能够大范围、实时地采集土壤反射率。因此，通过卫星图像来监测大范围土壤盐分成为一种可行的方法，并成为国内外热点[3-5]。

对于解放闸灌域，在一年中的大多数时间无农作物生长[11]，因此如何精确监测本区域裸土期土壤盐渍化是个难题。本文以GF-1号卫星图像获取的土壤浅层盐分敏感的光谱指数和波段为基础，构建了多元线性回归、逐步回归、岭回归三种模型反演解放闸灌域裸土期浅层土壤盐分含量，推测灌域的浅层盐分分布，为土壤盐分定量遥感估算提供技术支撑。

1 研究区概况

解放闸灌域地处中国第三大灌区河套灌区的西南部，属于干旱半干旱地区。南北距离87 km，东西距离78 km，形状似倒三角，经纬度范围在北纬40°34′～41°14′，东经106°43′～107°27′，海拔1 030～1 046 m，地形较为平缓，是典型的高原地带。灌域总控制面积约为2.156×105hm2，灌溉面积达1.421×105hm2，内部有3条干渠，16条分干渠[12]。灌域年平均降雨量151.3 mm，年蒸发量2 300 mm，年平均气温9 ℃，风大，日照时间长，符合中温带高原气候型，大陆性气候特征。灌域内主要种植农作物为小麦，玉米，葵花[13]。

2 数据获取与处理

2.1 土壤样本采集与化学分析

本次研究采集土壤样本时间为2018年5月1-5日，根据研究区土壤盐渍化程度、土壤类型、地表形态差异以及点位分布的均匀性，综合选定83个采集点，具体位置示意见图1。使用五点法采集深度为0～20 cm裸土样本，即除定位中心点外另外采取四个距离定位点同样距离的样本，并记录采集点的经纬度。

将采集的土壤剔除杂质、烘干、研磨、称重，按照1∶5的土水比搅拌至充分混合后静置沉淀，待过滤后采用电导率仪(DDS-307A，上海佑科仪器有限公司)测定电导率EC1∶5，并通过经验公式SSC=(0.288 2EC1∶5+0.018 3)计算土壤含盐量SSC(%)[14]。

图1 解放闸灌域概况与样点分布图Fig.1 General situation and sample distribution map of Jiefang Gate irrigation area

2.2 遥感数据获取与处理

遥感的数据选区一般应尽量与实地采样时间相近，本次研究采用云量较少的4月27日两幅GF-1卫星遥感影像，卫星图像在中国资源卫星应用中心(http:∥www.cresda.com/CN/)下载。

遥感数据预处理采用ENVI5.3.1软件，步骤为：①将两张图像分别使用几何精校正后的河套灌区Landsat8图像进行几何校正，之后依次进行辐射校正、Flaash大气校正、镶嵌、裁剪[4]等步骤得到解放闸灌域图像。②采用Sobel Edge Detector的滤波处理方法，减少图像噪点的干扰，使得图像真实性强，可信度高。③根据采集点的经纬度在GF-1卫星影像中提取不同波段的反射率数据，用于本次盐分反演。

2.3 建模集与验证集的划分

为保证土壤样本分布均匀，统计结果稳定，将83个样本按照土壤含盐量SSC(%)从小到大排列，每三个为一组，取前两个作为建模集，第三个作为验证集。建模集样本数为56个，验证集为27个。

根据土壤盐分含量划分4个级别[5]：非盐土(SSC:0～<0.2%)、轻度盐渍化(SSC:0.2%～<0.5%)、重度盐渍化(SSC: 0.5%～1.0%)和盐土(SSC: >1.0%)，灌域土壤采样点的盐分统计分析见表1。总体上，建模集和验证集的平均值与样本总体相比差异很小，标准差差异不大。样本总体、建模集和验证集的含盐量SSC(%)的最小值在0.11附近，平均值在0.32附近，标准差在0.25左右，统计指数与样本总体差别不大，建模集与验证集代表性强。

表1 灌域土壤采样点的盐分统计分析

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

数据划分样本数总计非盐土轻度盐渍化重度盐渍化盐土含盐量最小值/%最大值/%平均值/%标准差/%峰度偏度建模集562323910.11 1.86 0.33 0.28 14.34 3.22 验证集271111500.13 0.88 0.31 0.20 1.46 1.46 总体8334341410.11 1.86 0.32 0.26 14.03 3.06

2.4 敏感变量的筛选

研究共分析了GF-1号卫星图像的4个波段:蓝波段(Blue band，B)，绿波段(Green band，G)，红波段(Red band, R)，近红外波段(Near Infrared band, NIR)与4个光谱指数：盐分指数(Salinity index, SI),盐分指数1(Salinity index 1, SI1)，增强植被指数(Enhanced vegetation index, EVI)[19]，盐分指数(Salinity index, SI-T)[20]。4个光谱指数相关性结果如表2所示。

表2 光谱指数计算

Tab.2 Calculation of spectral index

光谱指数计算公式相关系数R参考文献盐分指数(SI∗∗)B×R0.42冯娟[19]盐分指数1(SI1∗∗)G×R0.43冯娟[19]增强植被指数(EVI) 2.5×NIR-RNIR+6R-7.5B+1() -0.10冯娟[19]盐分指数(SI-T) (R-NIR)×100-0.01Allbed [20]

注：B为蓝波段反射率；G为绿波段反射率；R为红波段反射率；NIR为近红外波段反射率，无单位。**为相关性在0.01层上显著。

蓝波段反射率的相关系数R为0.47，绿波段反射率的相关系数R为0.50，红波段反射率的相关系数R为0.34，近红外波段反射率的相关系数R为0.43，且四者都在0.01层上显著。

由表2和结论得，SI、SI1、B、G、R、NIR与实测值的相关性达到0.01显著性水平，EVI和SI-T与实测值没有显著性。B、G、R、NIR、SI和SI1的相关性指数R都较高，分别为0.47、0.50、0.34、0.43、0.44和0.45，而EVI和SI-T与实测盐分点相关性较低，R为-0.10和-0.01。综上所述通过相关性分析确定与土壤含盐量相关的敏感指数包括：B、G、NIR、SI、SI1。

3 模型计算分析

3.1 模型构建与验证方法

3.1.1 模型构建方法

本次研究采用多元线性回归模型(multivariable linear regression，MLR)[15]、逐步回归模型(Stepwise regression，SR)[16]、岭回归模型(Ridge regression，RR)[17]3种模型来建立不同波段和光谱指数与实测盐分数据的关系，具体模型构建采用SPSS 22.0软件。

多元逐步回归是一种通用的用来联系多个自变量与一个因变量之间的关系，基本公式：

y=β0+β1x1+β2x2+…+βpxp

(1)

式中：y为预计量；x1，x2，…，xp为预报因子；β0，β1，…，βp是回归系数。

此模型优点在于简单明确地建立自变量与因变量之间的线性关系，缺点是会忽略非线性因果关系和交互效应[18]。

逐步回归是多元线性回归的改进，其进一步优化公式，确定了各个自变量对于预测因变量的比重，剔除了不重要的变量[16]。

岭回归是专门用于分析共线数据的有偏估计法，模型公式为：

(2)

此模型优点是达到更好的实际性和更高的稳定性，缺点是使用该模型后降低了无偏性和精度[17]。

3.1.2 验证方法

(3)

(4)

(5)

式中：xi为土壤盐分模型预测值；yi为土壤盐分观察值；n为模型验证样本个数。

3.2 计算结果与分析

3.2.1 裸土期土壤盐分拟合模型的建立

表3 不同模型拟合结果

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为含盐量，用%表示；B为蓝波段反射率；G为绿波段反射率；R为红波段反射率；NIR为近红外波段反射率，无单位。

岭回归通过剔除自变量，具有简化模型的优势。在筛选的5个敏感变量中，根据岭回归筛选自变量的原则，本文剔除掉标准化岭回归系数比较稳定但绝对值小的自变量[21]NIR。

3种模型计算结果详见表3。由表3得，P值则是都小于0.001，呈现极显著关系，表示3种模型均能较为精确的反演土壤表层含盐量情况。

F值分别是7.59、8.76、6.89，F值方面，SR最高，为8.76；RR最低，为6.89；MLR处于中等，为7.59。

3.2.2 裸土期土壤盐分拟合模型的精度检验

图2 多元线性回归验证Fig.2 Validation of MLR

图3 逐步回归验证Fig.3 Validation of SR

图4 岭回归验证Fig.4 Validation of RR

由图2～图4得MLR、SR、RR的R2分别是0.45、0.44、0.39，R2值方面，MLR和 SR精度较好，RR的R2最低。

RMSE值分别为0.16、0.15、0.16，RMSE值方面，SR的RMSE中最低，为0.15，精度最高；MLR和RR略高于SR模型的RMSE，不足1%，精度相差较小。

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

综合建模集和验证集结果分析，RR的R2较MLR和SR降低，RMSE和MAE也有所增加，表明模型的拟合精度下降较快，且误差开始逐步增大，无偏性和精度不满足本次研究需要。SR拟合效果与MLR相差不大，均适合反演盐分，但SR的RMSE低于MLR，且建立模型时由程序剔除了自变量NIR，减少了计算量，故为最优模型。

3.3 基于SR模型的土壤盐分空间分布

基于SR的建模模型反演得到解放闸灌域的盐分分布状况见图5。

解放闸灌域4月末盐分分布较为稳定，此时间段可较为真实地代表灌域盐渍化分布状况。由图5可知，非盐土的面积为2.41万hm2，占比13.75%；轻度盐渍化土壤面积为14.2 万hm2，占比80.91%；重度盐渍化土壤面积为9 130 hm2，占比5.21%；盐土面积为218 hm2，占比0.12%。该时段灌域大部分被轻度盐渍化土壤和非盐土(盐分<0.5%的土壤)所覆盖，重度盐渍化和盐土所占比例较小，与实地研究采取土壤样本时所观察的情况相符合，主要原因为解放闸灌域处于黄河上游，有较为充沛的水资源来减轻土壤盐渍化程度。

土壤盐渍化是一个复杂过程，涉及到地形地貌，气候，植物种类，人类活动等方面。解放闸灌域的盐渍化主要是由于农业采取大水漫灌，渠系众多且渗漏严重，以及干旱气候蒸发量大造成的[22, 23]。解放闸灌域土壤盐分年际变化较小，土壤盐分处于“春返、夏脱、秋积、冬藏”[23]四个阶段。解放闸灌域3月中下旬气温回升，表层土壤即解冻但下层土壤尚未解冻，土壤水分不能下渗，只能向上输送。一段时间后，表层土壤水分含量达到饱和状态，出现过湿现象，进一步提高了耕种时所用土壤的盐分含量，导致5月底到6月初耕层土壤盐分达到全年最高峰，而本研究所处时间正在其中，即盐分程度未达到全年最高但又有所积累的阶段；另外灌域处于黄河上游，渠系众多，故可将水传输至灌域各地，有充足的水资源来减轻土壤盐渍化，因此轻度盐渍化占绝大部分，非盐土占小部分。非盐土主要分布于城镇区域，其中以解放闸灌区中部的城镇最为集中。除此之外，重度盐渍化和盐土在图上很难观察到，分布极少，符合实地采集调查情况。

4 结 语

(1)经过对比三种浅层土壤盐分反演模型，发现多元线性回归模型和逐步回归模型均能够很好地反演解放闸灌域裸土期0～20 cm浅层土壤的盐分，建模验证决定系数均在0.4以上，其中逐步回归模型精度更高，是本次实验的最优模型。

(2)本文基于逐步回归模型反演了解放闸灌域盐分分布图，经分析0～20 cm浅层土壤以轻度盐渍化(盐分0.2%～<0.5%的土壤)为主要组成部分，非盐土占其次，重度盐渍化第三，盐土最少，与实际情况相符。

(3)卫星图像受大气云层影响、土壤表层覆盖物影响较多，实测数据受植物生长期影响较多，因此本实验只适用于河套灌区解放闸灌域的裸土期0～20 cm浅层土壤盐分，对于其他地区时间的土壤，仍需要进一步深化研究。