李晓明，杨劲松，余 美，杨奇勇，刘梅先

基于电磁感应的干旱区土壤盐渍化定量遥感研究

李晓明1，2，杨劲松1，余 美3，杨奇勇4，刘梅先1

(1.中国科学院南京土壤研究所，南京 210008;2.陕西省地产开发服务总公司，西安 710075;3.南京市雨花区水利局，南京 210012;4.中国地质科学院岩溶地质研究所，桂林 541004)

以南疆典型干旱区Landsat 7 ETM+遥感图像为数据源，利用决策树分类法提取农业用地，并对农业用地进行移动式电磁感应调查(简称磁感调查)和光谱特征提取，同时分析磁感数据和图像光谱特征与土壤盐分含量的相关性，从而建立土壤盐分的定量反演模型。研究结果表明:土地利用类型决策树的分类精度达到93.75%，Kappa系数达0.915 4;经多元逐步回归分析，磁感调查获得的土壤盐分含量与差值植被指数(DVI)、ETM+图像第二波段像元值(B2)以及比值植被指数(RVI)间具有显著相关性，由此建立的遥感反演模型可用于土壤盐分含量的定量反演。经89个样点检验，基于磁感调查的土壤盐分遥感反演精度虽低于基于磁感调查的地统计空间分析的精度，但遥感定量反演值与磁感调查实测值仍具有良好的相关性，而且精度较高，因此利用本文方法进行土壤盐渍化大面积监测是快速有效的途径。

电磁感应;干旱区;土壤盐渍化;定量遥感;光谱特征

0 引言

盐渍土是我国最主要的农业中低产土壤类型之一，其总面积约为3.6×107hm2，占全国可利用土地面积的4.88%［1］，从湿润地区到极端干旱的荒漠地区，均有大量盐渍土分布［2］。在干旱地区，土壤盐渍化严重制约当地的农业生产。为合理利用盐渍土资源和提高土地利用效率，需要对土壤盐渍化进行监测，主要监测方法包括田间采样和定点监测、电磁感应式大地表观电导率测量以及遥感图像解译等［1］。其中田间采样和移动式电磁感应调查(以下简称磁感调查)，虽然能获取比较精确的土壤盐渍化信息，但对于大面积的土壤监测，成本高、难度大。随着遥感数据空间与光谱分辨率的不断提高，遥感数据源日益丰富，技术方法也日趋成熟，不同类型的遥感数据在土壤盐渍化监测中均获得广泛运用［2－7］。

盐渍土信息的提取主要基于其波谱响应特征［8］，地物波谱特性是遥感定量分析的基础［7］。本文选用Landsat 7 ETM+遥感图像，首先利用决策树分类法提取农业用地，并在磁感调查的基础上，通过研究土壤盐分含量与光谱特征的相关性来建立土壤盐分的定量遥感反演模型，并对盐渍土进行定量分级。

1 研究区概况与研究方法

1.1 研究区概况

本文选取南疆典型的干旱区——巴州尉犁县为研究区。巴州地处天山南麓，气候非常干燥，年降水量大多在100 mm以下，而蒸发量则高达2 500 mm左右，蒸降比值大约为40［2］。高蒸降比使该地区极易产生土壤盐渍化和次生盐渍化问题。区内年平均气温8.2～11.6℃，昼夜温差大，气温变化四季分明，光照充足，属暖温带大陆性干旱气候。研究区以棉花为主要种植作物，农田面广地平，利于机械作业，也为开展磁感调查创造了有利条件。

在研究区北部选定典型田块作为磁感调查的重点区域(以下简称磁感调查区)。

1.2 研究方法

在土壤盐渍化地区，大地表观电导率主要与土壤盐分含量有关(土壤盐分的贡献率＞60%)，是盐分含量的良好表征。本文在磁感调查区通过磁感调查来获取足量的大地表观电导率信息，以便为土壤盐渍化遥感定量反演提供数据支持。

电磁感应式大地表观电导率测定仪(EM38，EM31)有水平(H)和垂直(V)两种测量模式，在不同模式下，测量的土体深度不同。当EM38和EM31与数据采集器、GPS连接起来构建移动式磁感调查系统［9］时，就可以同时采集地理位置信息和大地表观电导率信息，并可进行快速测量，从而有效提高了土壤盐渍化监测的效率。

Landsat 7装备的增强型专题成图仪(ETM+)，可通过利用多光谱扫描辐射计感应来自地表反射的太阳辐射和其自身释放的热辐射来提供高分辨率的图像信息数据［10］，共采集7个光谱波段和1个全色波段的遥感数据，为遥感反演提供了良好的数据基础。

本文主要基于电磁感应方法研究土壤盐渍化定量遥感反演。在磁感调查区采集土壤校准样点27个，并进行磁感调查，建立土壤盐分的电磁感应模型，进而获取磁感调查点盐分信息，同时利用地统计分析方法获知磁感调查区土壤盐分的空间分布状况。另一方面，基于各波段图像的像元值及光谱指数，首先采集实地调查样点125个，基于遥感图像利用决策树分类与光谱指数相结合的方法提取整个研究区的农业用地信息，并额外随机布设检验样点608个，利用混淆矩阵、Kappa系数检验土地利用类型分类精度;然后通过提取17 599个磁感调查点的光谱特征来研究基于磁感调查的土壤盐分含量与遥感图像光谱特征的相关性，并建立土壤盐分遥感定量反演模型，用于进行农业用地的土壤盐渍化定量分级。除以上校准样点和磁感调查点之外，在磁感调查区内再次随机布设检验样点89个，对基于磁感调查的地统计分析和基于磁感调查的遥感反演两种方法的精度进行比较，技术路线见图1。

图1 土壤盐分反演技术路线Fig.1 Technology route of soil salinization inversion

2 结果与分析

2.1 土壤盐分含量的电磁感应模型建立

首先在磁感调查区内布设校准样点27个，测定EM38和EM31不同模式下的大地表观电导率(H38，V38，H31和V31)，同时采集0～10 cm深度的土壤样品，带回实验室自然风干，磨细过2 mm筛，按1∶5的土水质量比提取浸提液，用于测定样品全盐含量。然后利用逐步回归分析方法分析样品的全盐含量与大地表观电导率的相关性，建立土壤盐分电磁感应模型。最后，选择相关性较好的自变量组合，以H38，V38，V31为自变量的土壤盐分电磁感应模型如式(1)所示，以H38和H31为自变量的土壤盐分电磁感应模型如式(2)所示。

式中:Ts为测定土壤样品的全盐含量，g/kg;H38和H31分别为EM38和EM31的水平模式读数，ms/m;V38和V31分别为EM38和EM31的垂直模式读数，ms/m;r为相关系数;n为样品数;“*”表示置信度在0.05水平上显著相关。

由回归分析可知，土壤盐分含量与大地表观电导率具有很好的相关性，式(1)相关系数高达0.937，但构建的电磁感应移动测量系统每次只能选用一种模式(水平或垂直)，而且考虑到EM38和EM31水平及垂直模式的感应深度，故在这次磁感调查时均设定为水平模式。此外研究还发现H38，H31与盐分含量具有显著的相关性，如式(2)所示。

通过以上模型可得到磁感调查点的盐分信息，进而为土壤全盐含量的遥感定量反演和盐渍化程度分级提供数据支持。

2.2 土地利用类型的决策树分类

2.2.1 决策规则建立

决策树分类就是利用事先确定的决策规则，通过执行一系列的二叉决策树来确定ETM图像每一个像元所属的正确类型，目前已得到广泛应用［11－15］。除了各个波段图像像元值外，本文还引入了部分与地物类型相关的光谱指数，包括比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调节植被指数(SAVI)、差值植被指数(DVI)、改进归一化差异水体指数(MNDWI)、盐分指数(SI)、亮度指数(BI)、组成物指数(FI)和归一化差异指数(NDI)，供进行土地利用类型分析时选用，最终确定地物类型以及盐渍化程度分级。

根据实地调查，研究区的土地利用类型除农业用地外，还包括水域、裸地和荒漠地，选取实地调查样点125个，其中水域30个、农业用地45个、裸地25个、荒漠地25个。结果显示，水域与其他地物类型相比，归一化差异水体指数均在0.345以上，而其他地物类型的均为负值。由此得出的决策规则可表示为ETM图像第二和第五波段像元亮度值B2、B5的关系为B2＞2B5;通过分析其余3种土地利用类型发现，可以用0.18作为阈值，NDVI＞0.18者为农业用地;剩余的裸地和荒漠地不易区分。利用已知土地利用类型的25个裸地和25个荒漠地的调查样点的像元亮度值和光谱指数进行判别分析，研究发现ETM第四波段图像的像元亮度值B4与DVI，NDI的线性组合，可以用来区分裸地和荒漠地，其表达式为

式中P1和P2为判别指数，如果P1＞P2，则判断该地物类型为裸地，反之则判断为荒漠地。利用以上决策规则建立的决策树如图2所示。

图2 土地利用类型决策树分类流程Fig.2 Flow chart of decision tree classification of landuse

2.2.2 决策树分类及精度检验

在ENVI软件中，首先按图2所示的决策规则建立决策树，然后进行决策树分类，统计得到各土地利用类型的面积(表1)。由表1可知，研究区内农业用地面积仅占区域总面积的1/4左右。

表1 研究区土地利用类型及各类盐渍土土地面积Tab.1 Area of all types of landuse and salinized soils in the study area

为检验土地利用类型决策树分类的精度，首先在研究区随机布设608个检验样点，包括水域181个、农业用地166个、裸地153个和荒漠地108个;然后计算分类结果混淆矩阵［16－17］(表 2)。

表2 决策树分类混淆矩阵Tab.2 Confusion matrix with decision tree classification

由混淆矩阵可以看出，农业用地和水域两种土地利用类型的分类精度较高，分类混淆结果主要发生在裸地和荒漠地之间。决策树分类的总精度为93.75%;农业用地的制图精度、用户精度(表示实际地面真实情况的概率)均为100%;水域的制图精度为99.45%，用户精度为100%;裸地的制图精度为97.39%，用户精度为81.87%;荒漠地的制图精度为 69.44%，用户精度为93.75%。决策树分类的 Kappa系数为0.915 4。总体来说，水域和农业用地的分类精度较高，而裸地与荒漠地的分类结果容易混淆，这主要是由于二者地表均无覆盖，光谱特征比较接近，部分裸地可能也是表层积盐严重的荒漠地。

2.3 土壤盐分遥感定量分级

2.3.1 反演模型

对比不同等级的盐渍化土壤的像元亮度值可以发现，仅仅依靠单一的光谱特征难以对盐渍化土壤进行定量研究，通过分析磁感调查的土壤盐分含量与对应点位土壤光谱特征的相关性，并进行逐步回归分析发现，表层土壤盐分含量可以看成是差值植被指数(DVI)、ETM第二波段图像像元亮度值(B2)和比值植被指数(RVI)的线性组合，由此建立的土壤盐分定量反演模型为

式中“ ”表示在置信度0.01水平上呈极显著相关。根据式(5)对研究区土壤盐分含量进行定量反演，同时根据盐渍化土壤分级指标［18］，进一步将研究区中的农业用地分为非盐渍化土、轻度盐渍化土、中度盐渍化土、重度盐渍化土和盐土5类(图3)。

图3 2008年11月遥感定量反演盐渍土分类图Fig.3 Quantitative classification of salinized soils with remote sensing in Nov.2008

由图3可以看出，研究区存在严重的盐渍化问题，除了水域和荒漠地外，裸地主要是地表盐分大量聚集，在土壤表层形成白色结晶，植物无法生存造成的，应该归属于重度盐渍土土地或者盐土土地，该面积占研究区总面积的53.17%;即使在有植被覆盖的可利用农业用地中，非盐渍化土地也仅占研究区总面积的4.96%，轻度、中度、重度盐渍化土地分别占研究区总面积的17.44%，51.11%，26.49%。可见研究区内土壤盐渍化问题已成为制约当地农业生产的重要因素。

2.3.2 精度分析

将磁感调查区(即图3中红色框范围)内的农业用地作为精度比较的研究区域。基于磁感调查的遥感反演结果如图4(a)所示，基于磁感调查的地统计空间分析的预测结果如图4(b)所示。

图4 2008年11月磁感调查区0～10 cm深度土壤盐分含量分布Fig.4 Distribution of soil salinization content in 0 ～10 cm layer in the electromagnetic survey area in Nov.2008

比较上述两种方法的分类结果可以发现，二者提取的土壤盐分空间分布信息具有良好的一致性，即土壤盐分含量高的区域分布比较一致，说明基于磁感调查的遥感反演方法也具有与地统计分析方法相似良好的精度。

利用磁感调查区布设的检验样点89个、采集0～10 cm深度的表层土壤样品及其实验室测定的盐分含量来比较两种方法对盐渍化土壤盐分含量的研究精度发现:基于磁感调查的地统计分析方法，土壤样品盐分含量的实测值与预测值更接近，相关性更好，预测值的标准误差约为2.35 g·kg－1;基于磁感调查的遥感反演方法预测值的标准误差略高，约为2.51 g·kg－1。这两种方法的实测值与预测值的关系分别为

式中:y为检验样点土壤样品盐分含量的实测值，g·kg－1;x1为基于磁感调查的地统计分析方法的预测值，g·kg－1;x2为基于磁感调查的遥感反演方法的预测值，g·kg－1;“*”表示在置信度0.05水平上呈显著相关。

3 结论

基于磁感调查的地统计分析方法虽然精度高(r=0.937)，但难以用于大面积区域的监测;而基于磁感调查的遥感定量反演方法不仅可以对大面积范围进行监测，而且还可以通过获取不同时相的遥感图像来进行反演分析，尤其是对过去时相的图像反演，从而弥补缺失历史调查数据的不足。

研究区的土地利用类型比较简单、ETM图像反演精度良好，可把农业用地信息提取出来，从而可进行土壤盐渍化分级。根据土壤盐渍化遥感反演结果与地统计分析土壤盐渍化空间分布结果的比较可以发现，两者具有良好的一致性，这说明基于磁感调查的遥感定量反演方法也具有与地统计分析方法相似良好的精度。基于磁感调查的遥感定量反演的精度比基于磁感调查的地统计分析方法的精度相对较低，其主要原因:①遥感图像分辨率较低，在一个像元尺度的范围内，土壤盐分仍存在复杂的空间异质性;②遥感图像配准精度不够会导致点位的偏移;③地表覆盖物对盐渍化土壤光谱特征存在干扰。

由于环境的干扰，以及受信息获取设备和处理设备的限制，遥感信息在传递过程中不可避免地带有误差，并将最终导致遥感图像解译标志的不确定性［19］，这都会影响遥感反演精度。有些误差可以通过校正等方法尽可能减小;有的则需要采用更高分辨率的遥感图像来提高地物识别精度，进而提高定量反演精度。对于盐渍化土壤的解译，在盐渍化程度比较重的区域，图像上容易形成盐斑或者呈现裸地状态，有利于盐渍化信息提取;但在盐渍化程度比较轻的区域，由于植被等地表覆盖物会对盐渍土光谱特征产生扰乱，从而影响反演精度，在这种情况下，就需要采用其他地物光谱特征或非遥感数据作为辅助信息来进行土壤盐渍化的提取。

［1］ 赵其国，史学正.土壤资源概论［M］.北京:科学出版社，2007.

［2］ Farifteh J，Farshad A，George R J.Assessing Salt－ affected Soils Using Remote Sensing，Solute Modelling，and Geophysics［J］.Geoderma，2006，130(3/4):191 －206.

［3］ Farifteh J，Van der Meer F，Atzberger C，et al.Quantitative Analysis of Salt－affected Soil Reflectance Spectra:A Comparison of Two Adaptive Methods(PLSR and ANN)［J］.Remote Sensing of Environment，2007，110(1):59 － 78.

［4］ Metternicht G I，Zinck J A.Remote Sensing of Soil Salinity:Potentials and Constraints［J］.Remote Sensing of Environment，2003，85(1):1－20.

［5］ 扶卿华，倪绍祥，王世新，等.土壤盐分含量的遥感反演研究［J］.农业工程学报，2007，23(1):48 －54.

［6］ 彭望琭，李天杰.TM数据的Kauth－Thomas变换在盐渍土分析中的作用——以阳高盆地为例［J］.环境遥感，1989，4(3):183－190.

［7］ 张 飞，丁建丽，塔西甫拉提·特依拜，等.渭干河－库车河三角洲绿洲盐渍化地地物光谱数据分析［J］.光谱学与光谱分析，2008，28(12):2921 －2926.

［8］ 关元秀，刘高焕，刘庆生，等.黄河三角洲盐碱地遥感调查研究［J］.遥感学报，2001，5(1):46 －51.

［9］ Townsend P A，Helmers D P，Kingdon C C，et al.Changes in the Extent of Surface Mining and Reclamation in the Central Appalachians Detected Using a 1976 － 2006 Landsat Time Series［J］.Remote Sensing of Environment，2009，113(1):62 －72.

［10］米 佳，王 堃，王红梅.Landsat ETM+在北方农牧交错带土壤沙化监测中的应用［J］.光谱学与光谱分析，2011，31(3):798－802.

［11］ Pal M，Mather P M.An Assessment of the Effectiveness of Decision Tree Methods for Land Cover Classification［J］.Remote Sensing of Environment，2003，86(4):554 －565.

［12］ He Q S，Tashpolat T，Ding J L.The Extraction of Saline Soil Information in Arid Area Based on Decision Tree Algorithm:A Case Study in the Delta Oasis of Weigan and Kuqa Rivers［J］.Resources Science，2006，28(6):134 －140.

［13］ Tooke T R，Coops N C，Goodwin N R，et al.Extracting Urban Vegetation Characteristics Using Spectral Mixture Analysis and Decision Tree Classifications［J］.Remote Sensing of Environment，2009，113(2):398 －407.

［14］王 建，董光荣，李文君，等.利用遥感信息决策树方法分层提取荒漠化土地类型的研究探讨［J］.中国沙漠，2000，20(3):243－246.

［15］李晓明，杨劲松，吴亚坤.基于遥感和电磁感应的盐渍土识别分级— —以河南封丘为例［J］.遥感信息，2010(1):79 －83.

［16］依力亚斯江·努尔麦麦提，丁建丽，塔西甫拉提·特依拜，等.基于支持向量机分类的遥感土壤盐渍化信息监测［J］.水土保持研究，2007，14(4):209 －222.

［17］邓小炼，于 嵘，亢 庆，等.基于遥感的黄河三角洲地区盐碱地分布监测［J］.遥感信息，2006(5):34－36.

［18］王遵亲，祝寿全，俞仁培，等.中国盐渍土［M］.北京:科学出版社，1993.

［19］葛 咏，王劲峰，梁 怡，等.遥感信息不确定性研究［J］.遥感学报，2004，8(4):339 －348.

Research on Quantitative Remote Sensing of Soil Salinization in the Arid Area Based on Electromagnetic Induction

LI Xiao － ming1，2，YANG Jing － song1，YU Mei3，YANG Qi－ yong4，LIU Mei－ xian1
(1.Institute of Soil Science，Chinese Academy of Sciences，Nanjing 210008，China;2.Shaanxi Estate Development Service Corporation，Xi’an 710075，China;3.Yuhua District Water Resources Bureau，Nanjing 210012，China;4.Institute of Karst Geology，CAGS，Guilin 541004，China)

For the sake of quantitative remote sensing study of soil salinization in the typical arid area，Landsat 7 ETM+image of the typical arid area in South Xinjiang was obtained.The land use type of farmland was extracted by decision tree classification.The correlation between soil salinization，etectromagnetic induction data and spectrum characteristics was analyzed by mobile electromagnetic survey and extraction of spectrum characteristics in farmland.On such a basis，a quantitative inversion model of soil salinization was obtained.Some results have been obtained:the land use classification has a favorable accuracy with a total precision of 93.75% and a Kappa coefficient of 0.9154;multiple regression indicates that there exists significant correlation between soil salinization detected by the mobile electromagnetic survey and DVI(Difference Vegetable Indice)，B2(the value of band 2 of ETM+images)and RVI(Ratio Vegetable Index)，and that the inversion model of soil salinization can be used to identify salinized soils quantitatively.Results from 89 verification points show that，although the quantitative inversion accuracy of remote sensing is a little lower than that of geo－statistics analysis based on electromagnetic induction，the correlation between the inversion values and the measured values is favorable，and the accuracy is acceptable.Thus the means put forward in this paper is an rapid and effective technology for large－scale soil salinization monitoring.

electromagnetic induction;arid area;soil salinization;quantitative remote sensing;spectrum characteristics

TP 79;X 833;S 127

A

1001－070X(2012)01－0053－06

10.6046/gtzyyg.2012.01.10

2011－05－16;

2011－06－20

国家公益性行业(农业)科研专项经费项目(编号:200903001)、国家自然科学基金项目(编号:41171181)和中国科学院知识创新工程重要方向项目(编号:KZCX2－YW－359－1)共同资助。

李晓明(1983－)，男，博士，主要从事资源遥感与土地利用方面的研究。E－mail:xmlisdc@126.com。

杨劲松(1959－)，男，博士，研究员，主要研究领域为土壤和水资源利用与管理。E－mail:jsyang@issas.ac.cn。

(责任编辑:邢 宇)