基于近地面多光谱的黄河三角洲典型地区土壤含盐量估算研究

张同瑞，赵庚星，高明秀，王卓然，贾吉超，李 萍，安德玉

山东农业大学资源与环境学院，土肥资源高效利用国家工程实验室，山东 泰安 271018

基于近地面多光谱的黄河三角洲典型地区土壤含盐量估算研究

张同瑞，赵庚星*，高明秀，王卓然，贾吉超，李 萍，安德玉

山东农业大学资源与环境学院，土肥资源高效利用国家工程实验室，山东 泰安 271018

选择山东省无棣县“渤海粮仓”项目核心示范区为研究区，利用ADC便携式多光谱相机和EC110便携式盐分计，采集该区近地多光谱相片和土壤表层含盐量数据，通过NDVI, SAVI, GNDVI三种植被指数分别与实测土壤含盐量构建线性、指数、对数、乘幂、二次和三次函数共18种模型，进而优选土壤盐分含量最佳估测模型，反演和分析研究区土壤盐分状况。结果显示，各模型均可有效估测土壤盐分含量，以SAVI为因变量构建的各模型估测效果较好，其中以SAVI的线性模型(Y=-0.524x+0.663，n=70)为最佳，显著检验水平下的F检验值最高，为141.347，估测R2为0.797，精度达到93.36%；研究区的土壤盐分含量集中在2.5‰～3.5‰之间，呈现从西南向东北逐渐升高的明显分布规律。探索了基于近地面多光谱数据的土壤含盐量估测方法，为研究区乃至整个黄河三角洲滨海盐碱土的盐分含量估测提供了一种快速有效的技术方法。

无棣县；ADC多光谱相机；NDVI；SAVI；GNDVI；土壤含盐量

引 言

土壤盐碱化是一个全球性的生态环境问题[1-2]。我国是人口大国，粮食是头等大事，这无论在数量和质量上都对土壤提出了较高的要求。土壤盐碱化会引起土壤板结、肥力下降，严重制约着我国农业的可持续发展[3-5]。因此，快速准确获取土壤盐碱化信息尤为重要。传统获取土壤盐分含量的方法需要实地采样，实验室化验分析，不仅费时、费力，且测点不足、分布不均匀导致代表性差[6-7]，难以适应大范围的快速监测。遥感技术具有宏观、综合、动态、快速的特点，成为自然资源调查、监测的一种新的手段。

目前，利用遥感数据对区域土壤盐碱化的信息获取已成为研究的热点，Dwivedi等[8]用PCA、HIS、影像差值和比值法等不同的图像变换方法, 对盐碱地的动态变化进行了研究；Bui[9]通过对澳大利亚东北部的植被种类, 以及植被的分布与集群进行研究, 确定了土地盐碱化的程度；彭杰等[10]研究发现不同地区盐碱化土壤的高光谱特征有较明显的差异，对应不同的敏感波段。另一方面，植被指数作为植被生长状态和空间分布的指示因子，与土壤性状的相关关系已有较多研究。李燕丽等[11]研究表明NDVI植被指数的变化与土壤有机质变化及土壤全氮变化呈显著正相关。同时，余博等[12]的研究也表明NDVI与土壤有机质、全磷、速效钾、全钾、全氮等均有较好的相关性。吴亚坤等采用植被指数与土壤指数和EM38测量相结合的方法，构建回归模型，较好的估测了研究区土壤盐分含量。总体看，目前多数研究基于航天遥感平台的影像数据或者应用地面高光谱数据，建立盐分反演模型，而针对于近地多光谱遥感的相关研究较少，专门利用近地多光谱植被指数进行土壤盐分含量估测的系统研究尚需进一步开展。

因此，拟尝试利用实测盐分数据和Tetracam ADC多光谱相机数据，选取最常用的NDVI，SAVI，GNDVI三种植被指数，分析其与土壤含盐量的关系，构建并筛选最优土壤盐分含量估测模型，为土壤含盐量的快速准确获取和监测提供科学手段。

1 研究区概况

无棣县位于山东省最北端，东北濒临渤海湾。该县属于黄河冲积滨海平原，整体地势平坦，由西南向东北至沿海以1/10 000左右的坡度倾斜，全年降雨量少，淡水资源缺乏。土壤以滨海盐土和盐化潮土为主，土壤质地以壤质为主，土壤含盐量较高，以氯化物为主，土壤PH在7.5～8.5之间，有机质含量较低。无棣县“渤海粮仓”项目核心示范区(见图1)，总面积为7 715亩，共建有从西到东渤海十三条路，从北到南粮仓七条路。分为35个大地块，全部种植冬小麦，小麦品种为“小偃60”和“小偃81”，研究区地块平整，管理水平一致。

Fig.1 Geographical location map of the study area

2 实验部分

2.1 研究数据

在研究区每个大地块内均匀取3个样点(图1)，用EC110便携式盐分计测定样点的土壤表层盐分含量，同时用Tetracam ADC(agriculture digital camera)多光谱相机拍摄相片，该相机可拍摄红、绿和近红外等图像，标配320万像素镜头，图像分辨率可达2 048×1 536像素(传感器大小6.55×4.92 mm)。ADC相机可获得波长520 nm以上可见光及920 nm的近红外光线，相片为DCM格式。相机固定在离地1.2 m处的支架上垂直样点地表拍摄，确保每次拍摄的离地距离一致，并用手持GPS野外记录样点的经纬度。采样时间为2014年04月25—27日，拍摄时间为每天10：00-14:00，有效减小观测方式带来的不确定性[13]，每次拍摄前都先拍摄一次校正白板，每个样点拍摄4～5张多光谱相片。采样时冬小麦处于拔节期，期间研究区天气晴，没有进行灌溉等农业措施。室内处理数据时剔除不合格的照片共得到486张多光谱相片和105组土壤表层盐分含量数据。

2.2 方法

2.2.1 数据处理及模型构建

利用相机附带的Pixel Wrench2 Software软件对采集的样点多光谱相片进行处理，得到每张相片的NDVI，SAVI，GNDVI三种光谱植被指数图像。每个大地块选取2个样点共70组植被指数与对应点的实测盐分值构建模型，其他35组数据用于精度验证。以3个植被指数值为自变量，土壤盐分为因变量，分别构建线性、指数、对数、乘幂、二次、三次六种模型，共得到18个模型，具体算法见表1。

2.2.2 模型优选与精度验证

在显著水平下，对构建的18个估测模型进行初步优选，以模型的判定系数R2，F值和相关系数r为依据，初步筛选估测效果较好的模型。再利用剩余35个样点数据值对初步优选出的模型进行进一步精度验证，并以实测值与真实值之间的判定系数R2、均方根误差(RMSE)、精度和相对误差为依据，选择出最佳模型。

Table 1 Spectral parameters of ADC multispectral imagery

ρNir，ρR，ρGrepresent the reflectances of near-infrared, red and green bands, respectively;Lis the soil regulating coefficient,L=0.5

2.2.3 研究区土壤盐分反演及空间分布

根据相关的土壤盐碱化分级标准，结合研究区盐分状况，将研究区土壤含盐量分为六级：一级为小于2.0‰，二级为2.0‰～2.5‰，三级为2.5‰～3.0‰，四级为3.0‰～3.5‰，五级为3.5‰～4.0‰，六级为大于4.0‰。每一等级选择典型植被指数图像，在ENVI4.7和GIS软件中利用盐分估测模型对其进行遥感反演，得到典型点位的盐分反演栅格图。在此基础上，利用GIS软件对各样点的土壤含盐量进行反距离加权(inverse distance weighted, IDW)插值处理，得到研究区土壤盐分含量空间分布图，并分析土壤盐分含量空间分布状况。

3 结果与讨论

3.1 各光谱植被指数土壤盐分估算模型

表2为不同光谱指数的土壤盐分估算模型，可以得出，NDVI，SAVI，GNDVI三种植被指数与对应样点的实测含盐量之间有较好的相关性。各模型在α=0.01水平下的F检验表明模型模拟效果极为显著。利用相关系数r、判定系数R2和F检验值对比每一类型模型的模拟效果，通过比较显示，SAVI的各种模型中，相关系数平均值最大，为0.888；F检验值平均值也最大，为97.032；均优于其他两个植被指数所建模型。

三种植被指数分别构建的线性、二次函数和三次函数模型的相关系数在各模型中最大, NDVI依次为0.868，0.872，0.873；SAVI依次为0.901，0.901，0.902；GNDVI依次为0.878，0.883，0.884，而此三模型的相关系数相差并不大，二次和三次函数模型的判定系数略高于线性模型，但它们的F检验值相差很大，NDVI依次为100.718，50.843，33.067；SAVI依次为141.347，69.002，45.265；GNDVI依次为111.376，63.999，41.487，线性模型的F检验值是二次函数模型的2倍左右，是三次函数模型的3倍左右。说明线性模型的模拟效果好于二次函数和三次函数模型，所以选定以NDVI、SAVI、GNDVI为因变量的线性模型(a，g，m)为土壤盐分含量的估算模型，并进行进一步的优选。

Table 2 Soil salinity estimation models of different spectral indices

Table 3 Accuracy test results for all models

Fig.2 Relational graphs of model estimated and measured values

Fig.3 Spatial distribution map for soil salinity in the study area

3.2 模型精度检验

利用另外35个样点的数据对三个较好模型进行精度检验(见表3)，并作预测值与真实值1∶1关系图显示各模型的精度(见图2)。

由表3可见，3个模型预测值与实测值回归分析的精度较高，均大于85%。其中SAVI线性模型的精度最高为93.36%，其次为GNDVI线性模型的89.27%，最低为NDVI的86.36%。均方根误差较小，分别为0.024，0.044和0.071。相对误差均在10%左右，其中SAVI线性模型的相对误差最小，为6.64%。预测值与实测值之间的判定系数R2较高，分别为0.797，0.767，0.748，说明各估算模型均具有较高的精度，可以有效估测土壤的含盐量。其中以SAVI为自变量构建的线性模型(Y=-0.524x+0.663，n=70)为最佳模型。

3.3 研究区盐分状况分布

为全面揭示研究区土壤盐分含量的空间分布，在Aregis9.3中分别对土壤盐分实测数据和模型(Y=-0.524x+0.663，n=70)估测数据采用反距离权重插值法进行插值，并对插值图进行分级，得到研究区土壤盐分空间分布图(见图3)。

可以看出，图3中2个图的总体盐分分布规律较为一致，但2个图中盐分含量分布有一定的差异，可能的原因一是估测模型精度导致的，二是选用每个大地块的2个样点共70个点建模，用剩余的35个样点反演估测，每个样点的位置不一样，而反距离权重插值法是基于每个样点位置进行运算的。

实测盐分分布图中土壤盐分含量在2.5‰～3.5‰之间，其分布面积占研究区的面积比例为64.97%；土壤含盐量大于3.5‰的土地面积占研究区的面积比例为30.86%，集中在研究区的东北部。预测盐分分布图中土壤盐分含量在2.5‰～3.5‰之间，其分布面积占研究区的面积比例为62.26%；土壤含盐量大于3.5‰的面积占研究区的23.1%，也集中在研究区的东北部。通过对比，显示该模型能够较好估测该区土壤盐分含量，研究区土壤盐分含量具有明显的空间分布规律，从西南向东北土壤含盐量逐渐升高，分层明显。

在此基础上，我们选取各盐分等级的典型多光谱图片，用选定的最佳模型进行盐分含量的反演，得到典型点位的盐分分布栅格图(见表4)。可以看出，小麦直接覆盖部分的土壤盐分含量较低，而行间裸露部分土壤盐分含量较高，随着盐分等级的升高裸土部分的比例也呈增大趋势。从典型点位实测值与估测值的比较看，其差值在0.11‰～0.21‰之间，反演结果较好反映了研究区典型点位土壤盐分的分布状况，与实测盐分结果具有高度的一致性。

Table 4 Salinity inversion results for typical plots of different salinity levels in the study area

4 结 论

(1)利用Tetracam便携式多光谱相机数据，提取多种形式植被指数，通过与实测土壤盐分数据的拟合，构建了18种土壤盐分含量估算模型，取得了较理想的结果。通过精度验证，选择最优模型为以SAVI为自变量构建的线性模型：Y=-0.524x+0.663，n=70。

(2)较好地探明了研究区土壤盐分的分布状况，结果表明研究区的土壤盐分含量集中在2.5‰～3.5‰之间，呈现从西南向东北逐渐升高的明显分布规律。为因地制宜的进行土壤改良提供了科学依据。

(3)研究区地势平坦，农田生态景观单一，管理方式一致，种植作物均为冬小麦，因此，小麦长势的强弱在很大的程度上受土壤盐化程度的影响。该研究证明了单一植被类型覆盖下利用植被指数估测土壤盐分含量的可行性。

(4)为了消除不同植被的影响，只采集了研究区冬小麦的相关数据，后续将进行小麦不同生育期的估测研究，确定最佳的盐分估测时期。同时，不同品种以及不同植被类型覆盖条件下的土壤含盐量估测方法尚需进一步的研究。

[1] Dehaan R L, Taylor G R. Remote Sensing of Environment, 2002, 80: 406.

[2] Abdellatif D，Mourad L. Procedia Engineering, 2012, 33: 188.

[3] Dehaan R L, Taylor G R. Remote Sensing of Environment, 2002, 80(3): 406.

[4] Dehaan R, Taylor G R. International Journal of Remote Sensing, 2003, 24(4): 775.

[5] Metternicht G I, Zinck J A. Remote Sensing of Environment, 2003, 85(1): 1.

[6] Chang C W, Laird D A. Soil Science, 2002, 167(2): 110.

[7] Shepherd K D, Walsh M G.Soil Science Society of America Journal, 2002, 66(3): 988.

[8] Rao B R M, Ravisankar T, Dwivedi R S, et al. Intemational Joumal of Remote Sensing 1995, 16(12): 2125.

[9] Bui E N, Henderson B L. Austral Ecology, 2003, 28(9): 520.

[10] PENG Jie, LIU Huan-jun, SHI Zhou, et al(彭 杰，刘焕军，史 舟，等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(17)：167.

[11] LI Yan-li, PAN Xian-zhang, ZHOU Rui, et al(李燕丽，潘贤章，周 睿, 等). Chinese Journal of Ecology(生态学杂志), 2013, 32(3)：536.

[12] YU Bo, ZHU Jin-zhong, FAN Yan-min, et al(余 博，朱进忠，范燕敏，等). Xinjiang Agricultural Sciences(新疆农业科学), 2009, 46(6)：1294.

[13] XU Min, YI Shu-hua, YE Bo-sheng, et al(许 民, 宜树华, 叶柏生, 等). Journal of Arid Land Resources and Environment(干旱区资源与环境), 2012, 5: 101.

[14] Rouse J W.Haas R H, Schell J A et al. NASA/GSFC, Type Ⅲ, Final Report, Greenbelt, MD, USA, 1974.

[15] Huete A R. Remote Sensing of Environment, 1988, 25: 295.

[16] Gitelson A A, Kaufman Y J，Merzlyak M N. Remote Sensing of Environment, 1996, 58(3): 289.

*Corresponding author

Soil Salinity Estimation Based on Near-Ground Multispectral Imagery in Typical Area of the Yellow River Delta

ZHANG Tong-rui, ZHAO Geng-xing*, GAO Ming-xiu, WANG Zhuo-ran, JIA Ji-chao, LI Ping, AN De-yu

College of Resources and Environment, National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Shandong Agricultural University, Tai’an 271018, China

This study chooses the core demonstration area of ‘Bohai Barn’ project as the study area, which is located in Wudi, Shandong Province. We first collected near-ground and multispectral images and surface soil salinity data using ADC portable multispectral camera and EC110 portable salinometer. Then three vegetation indices, namely NDVI, SAVI and GNDVI, were used to build 18 models respectively with the actual measured soil salinity. These models include linear function, exponential function, logarithmic function, exponentiation function, quadratic function and cubic function, from which the best estimation model for soil salinity estimation was selected and used for inverting and analyzing soil salinity status of the study area. Results indicated that all models mentioned above could effectively estimate soil salinity and models using SAVI as the dependent variable were more effective than the others. Among SAVI models, the linear model(Y=-0.524x+0.663，n=70) is the best, under which the test value of F is the highest as 141.347 at significance test level, estimatedR20.797 with a 93.36% accuracy. Soil salinity of the study area is mainly around 2.5‰～3.5‰, which gradually increases from southwest to northeast. This study has probed into soil salinity estimation methods based on near-ground and multispectral data, and will provide a quick and effective technical soil salinity estimation approach for coastal saline soil of the study area and the whole Yellow River Delta.

Wudi County; ADC portable multispectral camera; NDVI; SAVI; GNDVI; Soil salinity

Dec. 22, 2014; accepted Mar. 22, 2015)

2014-12-22，

2015-03-22

国家“十二五”科技支撑计划项目(2013BAD05B06)，国家自然科学基金项目(41271235)和山东省自主创新专项项目(2012CX90202)资助

张同瑞, 1989年生，山东农业大学资源与环境学院硕士研究生 e-mail：zhangtr0924@163.com *通讯联系人 e-mail：zhaogx@sdau.edu.cn

TP7；S15

A

10.3964/j.issn.1000-0593(2016)01-0248-06