王 飞，丁建丽*

1. 新疆大学资源与环境科学学院，新疆 乌鲁木齐 830046 2. 绿洲生态教育部重点实验室，新疆 乌鲁木齐 830046

基于土壤植被光谱协同分析的土壤盐度推理模型构建研究

王 飞1, 2，丁建丽1, 2*

1. 新疆大学资源与环境科学学院，新疆 乌鲁木齐 830046 2. 绿洲生态教育部重点实验室，新疆 乌鲁木齐 830046

土壤组成较为复杂，单纯利用土壤光谱信息探测土壤盐度，反演精度不足以满足实际需求。通过遥感获取的植被信息(植被类型和生长状况)可间接反映土壤盐分的空间分布特性，弥补上述不足。为此，基于干旱区土壤盐度与植被之间的协同变化，尝试结合土壤和植被光谱信息，借助二维特征空间理论，构建土壤盐度推理模型，提高土壤盐度推理精度。对于干旱区单个像元下土壤光谱的影响，利用归一化植被指数(normalized difference vegetation index，NDVI) 难以准确反演干旱区稀疏植被参数。因此，首先利用线性混合像元分解模型(linear spectral unmixing model, LSUM)提取研究区地物组分，构建植被组分指示因子(combined vegetation indicative factor, CVIF)方程，并与土壤盐度指数(salinity index，SI)构建二维特征空间。分析二维特征空间内散点走势与土壤盐分之间的关系，建立土壤盐度推理模型(salinity inference model, SID)。验证结果显示，CVIF提取的植被信息精度(R2>0.84, RMSE=3.92)高于应用较为广泛的NDVI(R2>0.66, RMSE=13.77)。构建的SID模型与前人基于NDVI建立的联合光谱指数(combined spectral response index, CORSI)相比，前者(R2>0.86, RMSE=6.86)推理精度优于后者(R2>0.71, RMSE=16.21)。由此得出结论，基于土壤和植被光谱信息双重判定的SID模型对土壤盐渍化的高精度遥感监测研究具有较好促进作用。

土壤盐分； 植被指数； 推理模型； 线性混合像元分解模型

引 言

由于土壤组成的复杂性(土壤有机物、土壤湿度、表面粗糙度等)，单纯考虑土壤光谱不足以定量反演土壤盐分信息[1]。因此，部分学者尝试利用植被作为间接判定土壤盐分的指示因子[2-3]。作为遥感可获取的指示因子(如植被指数)，植被类型和生长状况可间接反映土壤盐分的空间分布特性[3]。可见光反射率的增加和近红外反射率的降低与植被叶绿素浓度降低和细胞结构的损伤出现同步响应特征。当土壤盐分含量升高时，对于盐分敏感的植被其可见光和近红外反射率同样出现上述特性[2]，上述发现被进一步用于土壤盐分探测研究，部分研究倾向利用归一化植被(mormalized difference vegetation index, NDVI)作为土壤盐度间接反演的指征[4]。

植被指数NDVI对于土壤反射率较为敏感，难以准确反演干旱区稀疏植被参数(如植被覆盖度)。对此，诸多针对NDVI的衍生植被指数相继建立，例如土壤调节植被指数(soil-adjusted vegetation index)、修正的土壤调节指数(modified soil-adjusted vegetation index)、优化的土壤调节植被指数(optimized soil-adjusted vegetation index)等。虽然这些植被指数在一定程度上得到优化，但在地面实际情况尚不清楚的条件下，低覆盖度区的应用仍有限制。其中，干旱区灌丛和草地覆盖区像元内土壤植被混分现象是限制其应用的重要原因。因此利用这些植被指数推理土壤盐分同样存在问题。光谱混合分析(spectral mixture analysis, SMA)是针对混合像元分解的常用方法，能够利用多光谱数据有效提取干旱区植被类型和盖度信息[5]。

土壤光谱反射率和植被指数已分别应用于土壤盐度信息的研究，二者结合用于推理土壤盐度的研究尚在初期阶段。Fernández-Buces等[1]利用改进的NDVI指数简称联合光谱指数(combined spectral response index, CORSI)([(Band1+Band2)/(Band3+Band4)]*NDVI)获取所在研究区(半干旱地区的墨西哥)的土壤盐分信息。虽然此研究同时综合考虑了植被和土壤的反射率信息，但在干旱区的适用性有待考量。为了协同利用土壤和植被光谱信息，引用二维特征空间的概念探测土壤盐分含量。到目前为止，诸多研究利用二维特征空间反演地表相关参数，例如基于温度和植被[6]、温度和反射率[7]、NDVI和反照率[8]等组合，进行土壤湿度推理、火情探测、沙漠化监测等研究。

以库车河三角洲为研究区，利用Landsat5 TM多光谱数据，协同分析土壤和植被光谱信息，建立土壤盐度推理模型。具体步骤如下： (1)基于SMA模型提取研究区地表组分信息，建立植被组分指示因子(combined vegetation indicative factor, CVIF)方程； (2)结合盐分指数SI和CVIF构建二维特征空间； (3)基于二维特征空间散点走势与土壤盐度的响应方式，构建干旱区土壤盐度推理模型(salinity inference model, SID)。

1 研究区概况

研究区位于塔里木盆地西北部，天山南麓冲积平原区，库车河绿洲的东北部，地理坐标为东经83°01′—83°37′E； 北纬41°23′—42°50′N，覆盖面积约为2 500 km2。研究区属干旱区极端大陆性气候，平均降雨量为51.6 mm，潜在蒸发量约为2 723.7 mm，年平均积温(>10 ℃)约为4 500 ℃。地势由西北至东南方向依次降低，高程范围920～1 100 m。覆盖研究区北侧的土壤类型为人为土(anthrosols)，农业种植区，土壤盐分含量较低。南部为盐土(solonchak)覆盖区，依据地表反射率可分低反射率的灰色盐土和高反射率的盐霜。农业种植区的植被以棉花和玉米为主，盐渍化区域以盐生植被为主，包括白刺(Nierarialtangutorum)、盐穗木(Halostachyscaspica)、骆驼刺(Alhagisparsifolia)、花花柴(Kareliniacaspica)、盐爪爪(Kalidiumgracile)和芦苇(Phragmitesaustralis)等。

2 实验部分

2.1 数据

遥感数据为Landsat 5 TM(行号145, 列号31)多光谱数据，获取时间为2007年7月25日。为了定量反演地表参数，原始数据先进行地形校正，之后利用ENVI FLAASH大气校正模块去除大气影响，最后将校正后的影像转化为地表反射率数据。

依据研究区实际情况，进行系统随机布点，共采集62个样点。每个样点内(900 m2)重复采集5个土壤样本进行混合，带回实验室经过干燥处理，过滤之后，用于分析土壤盐分含量。样区内同时记录植被类型信息和植被覆盖度。地面光谱测量采用美国ASD(Analytical Spectral Device)公司生产的ASD Field Specpro FR光谱仪，视场角为25°，光谱范围380～2 500 nm。土壤和植被光谱测量时间在10:00—14:00之间，天气状况良好，基本无云无风。样区内土壤和植被光谱反复测定10次取算术平均值得到目标地物的地表反射率曲线，采用Savitzky-Golay滤波方法对光谱曲线进行光滑去噪处理用于后期分析。图1显示了不同程度盐渍化土壤和植被的光谱曲线特征。在776～904 nm(Band4)处，农作物(棉花和玉米)和盐生植被稀疏冠层的植被反射率相差较大，前者明显高于后者。这与Zhang等[9]的研究结果一致。不同盐渍化土壤的反射率依据其含量多寡，表现出明显差异，低盐度较低反射率，高盐度较高反射率。

图1 实地测量获取的不同程度盐渍土和不同植被光谱曲线图

2.2 方法

线性光谱分解模型(linear spectral unmixing model, LSUM)是目前应用最为广泛的像元混合分解模型[5]。LSUM方法简单，合理，有效，具备较好的解释能力。由于Landsat 5 TM波段之间的相关性，端元数据限制在4～5个最为合理。为了降低端元数据数量，保证LSUM结果的有效性，修正的归一化水体指数(modified normalized difference water index, MNDWI)和 NDVI被用于去除研究区的水体和戈壁(Gobi)。利用最小噪声分离(minimum noise fracton, MNF)，像元纯度指数(pixel purity index, PPI)以及NIR和RED二维特征空间获取研究区纯像元，并结合实际调查和文献资料，反复分析研究区地表特征和图像散点分布特征，最终将高反射率地物、低反射率地物、盐生植被和作物作为LSUM模型的输入端元(图2和图3)。没有考虑阴影端元，是因为研究区稀疏植被多为低矮型，影响较小。

图2 基于最小噪声分离法和MR-RED二维空间获取研究区典型地物端元

图3 地物端元光谱曲线图

CVIF的建立用于反演研究区植被组分信息。利用LUSM模型提取研究区不同地物的丰度信息，构建植被因子信息方程

(1)

其中fhv和fcr分别为盐生植被和农作物的丰度，fla和fha是低反射率地物和高反射率地物丰度，分母中的1是为了保证CVIF的值域范围在0～1之间。CVIF的值越接近于1说明植被覆盖度越高，反之则相反。

相对于单波段的应用，多波段的组合效果更好，其中以盐分指数SI应用较为广泛，尤其在土壤表层含水率较低的干旱区。图1展示了波段1和波段3在不同盐渍化土反射率的对比情况。

(2)

其中ρ1和ρ3为Landsat 5 TM Band1和Band3的反射率，之后将计算所得SI值进行归一化处理。

概念图(图4)展示了不同盐渍化土壤在CVIF-SI二维特征空间内的分布态势。x轴为CVIF，y轴为SI，CVIF的增加预示着植被盖度的增加，SI的增加暗示表层土壤盐分含量的递增。二者之间的协同变化可间接表达土壤的含盐程度。根据Verstraete和Pinty[10]的研究结论，如果在盐渍化变化趋势的垂直方向上划分CVIF-SI特征空间，可以将不同的盐渍化土地有效的区分开来。以AD为土壤基线，D到A表明土壤盐渍化逐渐加重，AD的表达式

SI=k×CVIF+b

(3)

式中k为AD的斜率，b代表土壤基线在纵坐标的截距。

选取经过点(1，0)垂直于土壤基线的垂线T，即可得到方程(3)的法线方程(4)

(4)

在CVIF-SI特征空间，任何一点到直线T的垂直距离可以说明土壤相对含盐程度，即离法线T的距离越远土壤盐程度越高，反之亦然。在特征空间内任取一点H(xCVIF,ySI)，根据点到直线的距离方程，可以得到点H到直线T的距离，由此建立土壤盐度推理模型SID

(5)

图4 基于CVIF-SI特征空间构建SID模型的概念示意图

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 验证

野外采集的土壤样品经过实验分析获取的土壤盐分含量和测定的植被盖度用于验证CVIF和SID模型。具体用于模型验证的统计指数包括均方根误差(root mean square error, RMSE)和确定系数R2(coefficient of determination)。

3 结果与讨论

图5显示了研究区土壤盐分和植被盖度之间的关系，相关系数r大于0.74，此结果表明二者之间存在较好的空间协同关系，同时也暗示植被信息的定量评估有助于土壤盐分推理精度的提升。图6显示了基于NDVI和CVIF两个植被指数反演的植被信息在空间上的分布特征。图中相对高亮的地

图5 研究区表层土壤盐分与植被盖度之间的定量关系

区表示植被较为丰富，而较暗的地区则表明植被分布稀疏。新构建的植被因子CVIF能够较好的提取作物和盐生植被信息，由图6得知研究区植被主要分布于西北和西南地区，而NDVI对于植被覆盖度较高的农作物较为敏感。图像初步判读之后，利用统计指数R2和RMSE进一步定量解释NDVI和CVIF的推理精度。图7显示，经过对比分析62个样点的预测值和实测值发现，CVIF的R2高于NDVI，前者的RMSE低于后者。

图6 植被指数空间分布示意图

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

图7 植被指数与实测植被盖度之间的回归关系

依据图4的概念建立CVIF-SI二维特征空间(图8)，图中显示二者呈明显负相关关系。同时提取62样点的CVIF和SI值进行回归分析，并依据何祺胜等[11]采用的土壤盐渍化分类标准，划分特征空间土壤盐渍化分布格局。T1，T2，T3和T4分别代表非盐渍化，轻度盐渍化，中度盐渍化，重度盐渍化的平均值，可从图中分析得知，离T1越远，盐渍化状况越严重。

图8 CVIF-SI特征空间构建

利用建立的二维特征空间随机抽取图像上的600个样点，确定系数K=-0.506 2，代入式(5)中

(6)

为了比较SID模型在干旱区的表现，借用COSRI作为参考模型，对比分析两者在干旱区的适用性。表1统计了SID和COSRI值与实测值之间的关系，SID的整体表现优于COSRI。

表1 基于指数形式回归分析COSRI和SID预测土壤盐度的能力对比

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

随后研究利用采集样点中的32个样本构建SID和COSRI模型，剩下的30样用于检验，验证结果显示，SID模型推理精度高于COSRI模型(表2)。

表2 COSRI和SID模型验证对比

研究区地处干旱区，由于地形和地质条件的影响，土壤空间异型性显著，进而增加了土壤盐度信息推理的难度。单纯利用土壤光谱或者植被信息或许不能满足当下实际需求。Douaoui[12]在其研究中显示SI与土壤盐度的相关性为0.5(EC>0 ds·m-1)和0.35(EC>8 ds·m-1)。Brunner[5]研究显示，NDVI与土壤盐度的相关性为R2=0.63。像元内的光谱混分现象是遥感应用的重要限制因素。利用SMA方法建立的植被反演因子较NDVI而言，更适用于干旱区地表植被信息的提取。NDVI受到地面土壤的干扰，应用到盐分推理时变得模棱两可。而CVIF相对较高的推理精度得益于SMA提高了像元内地物的光谱可分性。De Asis[13]利用SMA方法提取地物组分信息，利用像元内植被与裸土的比例关系，构建绿度信息提取算法，较NDVI而言，精度有明显提升(R=0.94)。

以研究区实际土壤盐分与植被之间的协同变化为基础，借助遥感获取的土壤盐分指数SI和植被因子CVIF，构建土壤盐分推理模型SID，与COSRI相比，SMA模型能够提取精度较高的植被信息，结合土壤光谱信息进行双重判定，提升了SID的预测精度。研究区植被类型多样，本文只考虑了农作物和盐生植被两种地物光谱信息，受Landsat TM光谱分辨率的限制，并未进行细分，若有植被类型图的帮助，进行分区反演，或许有助于提高土壤盐度的识别精度。

4 结 论

综合利用土壤和植被光谱信息有助于土壤盐度探测精度的提高，此推论在本研究中得以验证。相对常用的NDVI植被指数而言，融合SMA理论的CVIF指数提取的植被信息(R2>0.84, RMSE=3.92)，精度高于NDVI(R2>0.66, RMSE=13.77)。基于二维特征空间CVIF-SI建立的土壤盐度推理模型(SID)，与COSRI模型(基于NDVI指数)相比，前者(R2>0.86, RMSE=6.86)推理效果优于后者(R2>0.71, RMSE=16.21)。SID模型精度的提高得益于土壤和植被光谱信息的协同分析以及植被类型和盖度信息的辅助判别，但因Landsat TM空间和光谱分辨率的限制，植被信息未能进一步细分，植被类型图的加入或许能够进一步改进SID模型的识别精度。

[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(何祺胜, 特依拜·塔西甫拉提, 丁建丽). Resources Science(资源科学), 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

新疆维吾尔自治区青年科技创新人才培养工程项目(2013711014), 国家自然科学基金项目(U1303381, 41261090, 41130531, 41161063)，教育部新世纪优秀人才支持计划项目(NCET-12-1075), 霍英东青年教师基金项目(121018)，教育部长江学者计划创新团队计划项目(IRT1180)，新疆大学博士启动基金项目(BS150248)资助

王 飞，1986年生，新疆大学资源与环境科学学院教师 e-mail: volitation610@163.com *通讯联系人 e-mail: watarid@xju.edu.cn

S132

A

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