玛纳斯河流域盐渍化灌区生态环境遥感监测研究

张添佑, 王 玲,*,王 辉, 彭 丽, 罗 冲

1 石河子大学,理学院, 石河子 832003 2 石河子大学,水利建筑工程学院, 石河子 832003



玛纳斯河流域盐渍化灌区生态环境遥感监测研究

张添佑1, 王 玲1,*,王 辉2, 彭 丽1, 罗 冲1

1 石河子大学,理学院, 石河子 832003 2 石河子大学,水利建筑工程学院, 石河子 832003

土壤盐渍化已成为全球性问题,给生态环境及农业生产带来严重的威胁。为了快速、准确评价土壤盐渍化给区域生态坏境带来的影响,该文提出了新的完全基于遥感数据的遥感生态指数(SSEI,Soil Salinization Ecology Index)来监测玛纳斯河流域盐渍化灌区生态环境变化。该指数利用主成分分析的方法耦合与土壤盐渍化相关的土壤盐度、地表反照率、植被覆盖度和土壤湿度四大地表参数,指数构建是数据本身性质所决定,不同于以往遥感与非遥感指数加权叠加易受人为影响。研究结果表明：耦合与盐渍化信息相关的各遥感指数得到的生态指数,能够对土壤盐渍化影响区域的生态环境进行快速、定量、客观的监测。将该指数应用到新疆玛纳斯河流域灌区,结果表明在近26年优和良等级生态环境面积增加了12.89%,这说明灌区生态环境有所改善。该研究对土壤盐渍化监测与评价具有一定参考意义。

生态；遥感；土壤盐渍化；主成分分析；玛纳斯河流域

全球气候变暖使得中低纬度区域土壤盐渍化问题日益突出,土壤盐渍化问题已经成为全球性的话题[1-2]。土壤盐渍化给农业生产、粮食安全、生态环境带来严重威胁[3- 5]。我国西北干旱区成为受土壤盐渍化影响的重灾区。因此,及时准确的了解绿洲生态环境变化状况显得尤为重要。

当前遥感技术与遥感数据已经成为生态环境评价的重要手段[6]。遥感指数选取和构建成为不同区域生态环境评价的关键问题,Badreldin和Goossens[7]利用MDBI(MODIS Based Disturbance Index)和SAVI(Soil-Adjusted Vegetation Index)遥感指数对埃及土地荒漠化区域西奈半岛的土地荒漠化进行了动态监测,研究表明,遥感指数对区域土地荒漠化监测十分有效；Franke等[8]利用NDVI(Normalized Difference Vegetation Index)、NREVI(Normalized Red-Edge Vegetation Index)以及调查数据构建了MASD(Mean Absolute Spectral Dynamic)遥感指数对草地退化动态过程进行了研究；徐涵秋[9]通过WI(Wetness Index)、NDVI、LST(Land Surface Temperature)、NDSI(Normalized Difference Soil Index)遥感指数耦合构建了水土流失区生态环境遥感评价指数RSEI(Remote Sensing Eological Index),研究结果表明,在水土流失区建立的遥感指数能够有效地、合理地对区域生态环境变化进行科学评估；徐涵秋[10]针对城市热环境影响的生态问题,提出依据LST、NDISI(Normalized Difference Impervious Surface Index)、NDVI、MNDWI(Modified Normalized Difference Water Index)遥感指数对城市变化进行有效评估。Gillies等[11]提出综合利用可见光与热红外波段的光谱特征来计算植被覆盖率、土壤湿度和地表蒸散发等具有生物物理意义指数的方法,为遥感地表生态过程研究提供了方法。在此基础上,我国研究人员针对干旱区土壤盐渍化遥感指数做了相关研究[12-14],并取得一系列研究成果。传统土壤盐渍化生态环境评价方面主要是利用GIS技术对土地利用类型、地下水等与土壤盐渍化有关的参量进行综合空间叠加对盐渍化生态环境进行分析[15-16]。在以往的土壤盐渍化遥感研究方面,主要针对土壤盐渍化信息提取方面的研究[17-18],然而到目前为止,对干旱区绿洲灌区受土壤盐渍化影响区域的生态环境缺乏直接评价的遥感指数,这将成为土壤盐渍化区域生态遥感评价具有创新性热点问题。

因此,该文在前人研究的基础上,耦合多种反映土壤盐渍化区域生态环境的要素参数,构建完全基于遥感信息的生态指数,并利用该指数对灌区土壤盐渍化区域生态环境演变情况进行评价,以期为盐渍化灌区的生态环境动态监测及评价提供有效的遥感信息模型。

1 基本原理与方法

1.1 研究区概况

研究区位于新疆维吾尔自治区北疆天山北麓中段,地理坐标范围为43.75°— 45.25°N,85.00°— 86.30°E(图1),处于亚欧大陆腹地,北部与古尔班通古特沙漠相接,南部为山地,中游的绿洲区由冲积洪积扇、泉水溢出带、冲积平原、三角洲、湖滨平原构成[19],区域年平均气温在5—7℃之间,年降水量110—200 mm,年潜在蒸发量1500—2000 mm,具有气候干燥、蒸发量大、昼夜温差大等气候特征,属于温带干旱大陆性气候[20]。该区域在古代以牧业为主,新中国成立后,开始建场屯垦,社会经济取得巨大发展。在农业发展初期由于水资源管理技术落后,对农田灌水认识不足,漫灌导致地下水位抬升,由此引发的次生盐渍化问题,给区域农业生产和生态环境带来严重危害。

图1 研究区地理位置示意图Fig.1 Location of study area

1.2 影像处理

遥感数据统一选用Landsat系列影像,Landsat7与Landsat8比较见表1,成像时间分别为1989- 8- 25、2000- 8- 7、2015- 9- 10,行列号为144/29。选取影像时尽可能选取时相一致,云量少的影像,且是泛盐期的秋季为最佳,这样可以保证结果的对比性和准确性。

表1 Landsat7与Landsat8的波段、波长、空间分辨率对比分析

首先,对3幅影像进行几何校正和辐射校正,通过影像处理软件先将影像DN值转换为辐射率(Radiance)[21],再采用Flassh大气校正对影像进行辐射校正[22],以减少大气对地表真实反射率的影响,其次获取与土壤盐渍化相关的地表参数。

1.3 指数构建原理

在已有的土壤盐渍化遥感反演研究成果中,地表反照率、植被指数、土壤湿度、盐分指数都与土壤盐分有高的相关性[12-14,23],能反映土壤盐渍化区域生态环境的状况。为此,拟建的遥感土壤盐渍化生态指数SSEI(Soil Salinization Ecology Index)将综合地表反照率、植被指数、土壤湿度、盐分指数来反映土壤盐渍化灌区生态环境。SSEI表达如下：

SSEI=f(Albedo,NDVI,WI,SI)

(1)

式中，Albedo表示地表反照率,NDVI 表示植被指数,WI表示土壤湿度,SI表示土壤盐度。

1.3.1 地表参数的选取

(1)盐度指数(SI)：Metternichit和Zinck[23]认为选取土壤盐渍化敏感波段对土壤盐渍化信息提取有重要意义。Khan等[24]通过研究ETM+影像发现,第三波段(红光波段,0.62—0.68μm)对土壤盐渍化分离响应特征敏感,并且对典型地物的波段做了混合响应实验,研究得出土壤盐分指数(SI)是能够反映土壤盐渍化程度的重要生物物理参数。因此,本文选取盐分指数作为衡量土壤盐渍化生态环境的重要指标之一,其表达式为:

(2)

式中,SI为盐分指数；ρ1、ρ3为分别对应Landsat-TM蓝光波段与红光波段反射率。

(2)湿度指数(WI)：穗帽变换不仅可以去除波段反映地表信息的冗余量,而且变换后的亮度、绿度、湿度分量具有重要物理意义参数,丁建丽等[14]把WI应用到土壤盐渍化信息提取中,不仅与土壤盐渍化明显相关,而且也是反映生态环境状况的重要参数[25]。因此,该文的湿度指标采用这一分量,其表达式为[26]：

WI=0.1466ρ1+0.1761ρ2+0.3322ρ3+0.3396ρ4-0.6210ρ5-0.4186ρ7

(3)

式中,WI为湿度指数；ρi(i=1,…,5,7)为Landsat-TM影像各对应波段的反射率。

(3)植被指数(NDVI)：已有的研究表明,植被是表征土壤含盐量的间接有效指标[27],也是反映生态环境的重要指标[28]。因此,植被指数被选为反映土壤盐渍化生态环境的重要指标之一。归一化植被指数 NDVI在植被指数中应用最为广泛,陈实等[12]研究表明,利用归一化植被指数NDVI可以有效对土壤盐渍化信息进行提取。因此,可选归一化植被指数来代表植被指标,NDVI公式为：

NDVI=(ρ4-ρ3)/(ρ4+ρ3)

(4)

式中,NDVI为归一化植被指数；ρ3、ρ4为Landsat-TM红光波段与近红外波段反射率。

(4)地表反照率指标(Albedo)：地表反照率是反映地表对太阳短波辐射反射特性的重要生物物理参量。哈学萍等[13]对土壤盐渍化与地表反照率之间的关系进行探究,研究得出地表反照率越低,则地下水埋藏越浅,土壤盐渍化程度越重。因此,地表反照率也是土壤盐渍化信息反映的重要指标。该文选用Liang[29]建立的Landsat-TM估算地表反照率通用公式,该公式适用于不同的大气和地面条件,Albedo公式为：

Albedo=0.356ρ1+0.130ρ3+0.373ρ4+0.085ρ5+0.072ρ7-0.0018

(5)

式中,Albedo为地表反照率；ρi(i=1,…,5,7)为Landsat-TM 影像各对应波段的反射率。

1.3.2 土壤盐渍化生态指数的构建

土壤盐渍化生态指数由以上4个参数构成,如何用一个单一变量来耦合这4个变量指数是该研究的关键。在通常的研究中,是对指标与权重的乘积求和得到[30-32],但是权重的大小受人为因素影响较大,赋权重值显得十分困难,并且在多个指标对环境共同起作用时,并不能够准确地确定是哪一个因素在环境全局变化中起作用。因此,需要一个由数据本身决定的耦合方法。

主成分分析(Principal Component Analysis,PCA)是通过正交线性变换对多个数据变量进行降维压缩处理,将多维信息集中在少数几个特征变量上,第一主分量对原始变量数据集方差贡献最大,并且主成分变换是根据数据本身的性质,以及各主分量的贡献度来自动、客观的确定,能够避免人为因素干扰对结果造成的偏差[33]。为了既不丢失原本的信息量,又能够综合四个参数分量对指数的贡献,因此,选用主成分分析(PCA)的方法对土壤盐渍化生态指数进行耦合。

由于计算PCA的4个分量量纲不统一,会导致指标权重的失衡,为此,在做主成分之前需要对4个指标的量纲进行统一。数据标准化处理(normalization)是将数值转换到[0,1]区间。各指标的标准化处理公式为：

NIi=(Indicatori-Indicatormin)/(Indicatormax-Indicatormin)

(6)

式中,NIi为标准化后的某一指标,Indicatori为该指标的像元i值,Indicatormax是指标的最大值,Indicatormin是指标的最小值。

通过遥感软件计算经过正规化处理的4个参数,得出的第一主成分PC1用于土壤盐渍化风险评价初始值SSEI0,然后对SSEI0进行正规化处理,便于指标的度量和比较：

SSEI=(SSEI0-SSEI0_min)/(SSEI0_max-SSEI0_min)

(7)

2 结果与分析

2.1 玛纳斯河流域土壤盐渍化生态环境指数

采用上述方法对各期影像数据处理。表2是研究区4个参量主成分矩阵,是1989、2000、2015年3期影像计算结果(图2)。主成分分析能否反映所要表达的生态现象,关键在于是否能够找到合理解释现象的指标。从表2中比较分析得出：1) 主成分第1分量(PC1)在所有分量中所占的贡献率都大于85%；2) 各参量在PC1表现的最为稳定；3) 在PC1中植被指数NDVI、湿度指数WI都为正值,而盐度指数SI都为负值,这与现实生态环境是一致的,在表中Albedo的表现最不稳定,主要原因在于其与不同程度盐渍化的相关系数及相关性存在差异,在生态环境差异较大的区域表现的不稳定；4) 其它主成分分量表现的并无一般意义上的规律,相比较PC1更能反映区域盐渍化影响下的生态环境。

表2 指标主成分分析

Albedo：地表反照率；NDVI：归一化植被指数,Normalized Difference Vegetation Index；SI：盐分指数,Salinity Index；WI：湿度指数,Wetness Index；特征值：Eigenvalue；特征值贡献率：Contribution rate of eigenvalue

图2 研究区TM影像R(4)、G(3)、B(2)合成(左)；土壤盐渍化生态指数影像(SSEI)(右)Fig.2 Images composition of R(4)、G(3)、B(2) in the study area (left)， The SSEI images (right)R(4)、G(3)、B(2)标准假彩色合成对应的影像波段分别是近红外、红光、绿光波段

2.2 土壤盐渍化区域生态指数结果验证

图3 土壤含盐量样点值与土壤盐渍化生态指数关系分布 Fig.3 Relationship of soil salinity and the Soil salinization ecology index(SSEI)

在地表蒸散强烈作用下导致土壤盐渍化,引起玛纳斯河流域灌区土地弃耕,土地退化等生态环境问题。玛纳斯河流域灌区土壤盐渍化是影响生态环境变化的主要因素,不同程度盐渍化对生态环境作用的强度不同[7]。从2015年9月野外GPS定位采集的0—20 cm深度土壤样品中分层选取34个土壤样品用于研究区生态环境指数的验证。结果如图3所示,土壤盐分含量与生态指数SSEI负相关性明显(R2=0.9035,P< 0.01),这表明SSEI指数可以用于该区域由土壤盐渍化主导引起的生态环境评价。

2.3 玛纳斯河流域土壤盐渍化区域生态环境评价分析

为了对区域土壤盐渍化影响下的生态环境变化进行合理的分析,将标准化的遥感指数SSEI以0.2为间距划分成5个等级[10],分别代表生态环境差、较差、中等、良、优5个等级(表3)。统计结果表明,1989—2000年SSEI差等级所占的比例从491.6 km2增加到1031.4 km2,所占比例增加了5.7%,在2000—2015又出现减少的趋势,减少到636.9 km2；生态环境较差的面积出现先增加后减少的趋势；中等生态环境的面积先减少后增加,从1989年的6354.3 km2,到2015年的2111.4 km2；生态环境良的面积从1989—2000年减少了1041.2 km2,2000—2015年增加了1235.8 km2。优的面积在1989—2000增加明显,2000—2015保持稳定。等级优和良所占的比重变化从25.3%—30.3%—37.2%,等级差到中等的变化呈减少的趋势,总体表明生态环境呈良性发展的趋势。

表3 研究区1989—2015年盐渍化生态环境评价级别面积统计

SSEI：Soil Salinization Ecology Index

2.4 玛纳斯河流域土壤盐渍化区域生态环境动态变化分析

为了深入分析近20年来不同生态敏感性等级的变化特征,利用遥感软件将1989、2000和2015年土壤盐渍化遥感生态敏感性指数进行统计分析,获得1989—2000、2000—2015年的转移矩阵数据表4,表5,以及变化趋势空间分布图4。

分析转移矩阵表4可知,1989—2000年间较差等级向差等级转换了675.4 km2,差等级向较差等级转换162.7 km2,这要比差等级向较差等级转化多512.7 km2；中等等级向较差等级转化4138.0 km2,较差等级向中等等级转化多3837.4 km2。从生态环境变化空间分布图4(1989—2000年)分析得出：生态环境变差的区域主要分布在非绿洲的荒漠区,由中等级向较差等级转化,而中等级向良等级转化和优等级转化面积为1211.0 km2,生态环境向良转化为优的面积为1153.0 km2,结合土壤盐渍化生态环境空间分布图2与土壤盐渍化生态环境空间变化图4分析表明,生态环境向良性方向变化的主要分布在玛纳斯河流域的绿洲区域。

表4 研究区1989—2000年SSEI转移矩阵

图4 玛纳斯河流域土壤盐渍化区域生态环境变化监测图Fig.4 SSEI image change of soil salinization area in the Manas River Basin

从转移矩阵表5分析可知：2000—2015年,较差等级向中等、良、优等级转化1867.4 km2,向差等级转化295.3 km2；中等等级向良、优等级转化了664.2 km2,良向优转化了354.1 km2。结合生态环境变化空间分布图4(右)和表5得出,生态环境总体逐渐向好的趋势转变。

表5 研究区2000—2015年SSEI转移矩阵

土壤盐渍化在绿洲区域随着人类活动的不断增强,耕地面积的不断扩大,水资源调控的更加合理使得盐渍化面积在不断减少；结合SSEI空间分布来看,在非人类影响的荒漠区并没有得到较好的改善,也没有恶化,只是在原有的水平上保持不变,处于较差水平。在人类活动的区域土壤盐渍化生态环境在不断的改善变化过程中,总体的变化趋势与该区域土壤盐渍化信息保持一致[34]；但是,盐渍化对非人类影响的荒漠区生态环境并没有得到改善。

3 结论

利用遥感指数对干旱区土壤盐渍化影响下的生态环境进行定量评价中,盐度、湿度、地表反照率、植被指数是土壤盐渍化影响区域生态环境评价的重要参数。在此基础上,利用主成分分析的方法构建SSEI指数,并对近26年玛纳斯河流域盐渍化灌区生态环境变化进行评估,结果表明：

(1) 植被指标与盐度指标对主成分PC1的贡献量最大,植被指数呈正值,盐度指数呈负值,说明植被与盐度指标对生态环境的影响相反,这与一般生态意义上的结果相一致,并且第一主成分变量的贡献率达到85%以上,因此第一主成分变量可以客观、定量的反映区域生态环境质量情况。

(2) 玛纳斯河流域绿洲区域近26年来,SSEI得到的良等级和优等级生态环境面积增加了12.9%,主要分布在绿洲农业生产区,这说明绿洲区域的生态环境质量上得到显著的改善,但是从空间分布来看,2000—2015年SSEI表示的中等等级在非农业生产区逆向转化,这表明土壤盐渍化引起的生态问题在受自然因素影响依然十分严峻。

4 讨论

完全依靠遥感指数获取盐渍化生态风险与传统的土壤盐渍化生态风险评价方法不同,传统的方法中所需要的地下水、土壤类型、土壤盐渍化等数据获取时花费大、耗时、耗力、更新慢,并且不能同步观测,具有滞后性；遥感数据具有丰富的地表信息,不仅可以快速获取,达到实时监测地表参数信息的优点,而且监测面积大、花费少。因此,利用遥感指数评价地表生态环境变化更具有优势和现实意义。

文中构建的SSEI指数完全基于遥感影像信息,采用主成分分析的方法耦合了盐渍化信息相关的各指标得到生态指数,且各指标获取快速、计算简便,避免人为赋值对评价的影响,客观的从遥感数据中获取信息,这为灌区土壤盐渍化影响区域的生态环境提供了快速、定量、客观的监测技术。

遥感技术与遥感数据在生态环境评价中的广泛应用,在于对遥感数据蕴含的丰富地表信息不断挖掘和探索。在不同的区域面临的生态环境问题不同,因此,针对不同区域面临的生态环境问题,选择合适的影响指标来综合反映区域生态环境可能区域生态遥感发展的重要方向。

[1] Li J G, Pu L J, Han M F, Zhu M, Zhang R S, Xiang Y Z. Soil salinization research in China: advances and prospects. Journal of Geographical Sciences, 2014, 24(5): 943- 960.

[2] 王佳丽, 黄贤金, 钟太洋, 陈志刚. 盐碱地可持续利用研究综述. 地理学报, 2011, 66(5): 673- 684.

[3] Wang H S, Jia G S. Satellite-based monitoring of decadal soil salinization and climate effects in a semi-arid region of China. Advances in Atmospheric Sciences, 2012, 29(5): 1089- 1099.

[4] Bouksila F, Bahri A, Berndtsson R, Persson M, Rozema J, van der Zee S E A T M. Assessment of soil salinization risks under irrigation with brackish water in semiarid Tunisia. Environmental and Experimental Botany, 2013, 92: 176- 185.

[6] 欧阳志云, 张路, 吴炳方, 李晓松, 徐卫华, 肖燚, 郑华. 基于遥感技术的全国生态系统分类体系. 生态学报, 2015, 35(2): 219- 226.

[7] Badreldin N, Goossens R. A satellite-based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment. Mitigation and Adaptation Strategies for Global Change, 2015, 20(2): 263- 276.

[8] Franke J, Keuck V, Siegert F. Assessment of grassland use intensity by remote sensing to support conservation schemes. Journal for Nature Conservation, 2012, 20(3): 125- 134.

[9] 徐涵秋. 基于城市地表参数变化的城市热岛效应分析. 生态学报, 2011, 31(14): 3890- 3901.

[10] 徐涵秋. 水土流失区生态变化的遥感评估. 农业工程学报, 2013, 29(7): 91- 97.

[11] Gillies R R, Kustas W P, Humes K S. A verification of the ′triangle′ method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface e. International Journal of Remote Sensing, 1997, 18(15): 3145- 3166.

[12] 陈实, 徐斌, 金云翔, 黄银兰, 张文博, 郭剑, 申格, 杨秀春. 北疆农区土壤盐渍化遥感监测及其时空特征分析. 地理科学, 2015, 35(12): 1607- 1615.

[13] 哈学萍, 丁建丽, 塔西甫拉提·特依拜, 罗江燕, 张飞. 基于SI-Albedo特征空间的干旱区盐渍化土壤信息提取研究——以克里雅河流域绿洲为例. 土壤学报, 2009, 46(3): 381- 390.

[14] 丁建丽, 瞿娟, 孙永猛, 等. 基于MSAVI-WI特征空间的新疆渭干河-库车河流域绿洲土壤盐渍化研究. 地理研究, 2013, 32(2): 223- 232.

[15] 李新国, 古丽克孜·吐拉克, 赖宁. 基于RS/GIS的博斯腾湖湖滨绿洲土壤盐渍化敏感性研究. 水土保持研究, 2016, 23(1): 165- 168.

[16] 买买提·沙吾提, 塔西甫拉提·特依拜, 丁建丽, 张飞. 基于GIS的干旱区土壤盐渍化敏感性评价——以渭干河-库车河三角洲绿洲为例. 资源科学, 2012, 34(2): 353- 358.

[17] 张添佑, 王玲, 曾攀丽, 王甜, 耿亚辉, 王辉. 基于MSAVI-SI特征空间的玛纳斯河流域灌区土壤盐渍化研究. 干旱区研究, 2016, 33(3): 499- 505.

[18] Scudiero E, Skaggs T H, Corwin D L. Regional-scale soil salinity assessment using Landsat ETM + canopy reflectance. Remote Sensing of Environment, 2015, 169: 335- 343.

[19] 王渊刚, 罗格平, 冯异星, 韩其飞, 范彬彬, 陈耀亮. 近50a玛纳斯河流域土地利用/覆被变化对碳储量的影响. 自然资源学报, 2013, 28(6): 994- 1006.

[20] 刘金巍, 靳甜甜, 刘国华, 李宗善, 杨荣金. 新疆玛纳斯河流域2000—2010年土地利用/覆盖变化及影响因素. 生态学报, 2014, 34(12): 3211- 3223.

[21] Chander G, Markham B L, Helder D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO- 1 ALI sensors. Remote Sensing of Environment, 2009, 113(5): 893- 903.

[22] Nazeer M, Nichol J E, Yung Y K. Evaluation of atmospheric correction models and Landsat surface reflectance product in an urban coastal environment. International Journal of Remote Sensing, 2014, 35(16): 6271- 6291.

[23] Metternicht G, Zinck J A. Spatial discrimination of salt-and sodium-affected soil surfaces. International Journal of Remote Sensing, 1997, 18(12): 2571- 2586.

[24] Khan N M, Sato Y. Monitoring hydro-salinity status and its impact in irrigated semi-arid areas using IRS- 1B LISS-II data. Asian Journal of Geoinform, 2001, 1(3): 63- 73.

[25] Todd S W, Hoffer R M. Responses of spectral indices to variations in vegetation cover and soil background. Photogrammetric Engineering & Remote Sensing, 1998, 64: 915- 921.

[26] Crist E P. A TM tasseled cap equivalent transformation for reflectance factor data. Remote Sensing of Environment, 1985, 17(3): 301- 306.

[27] Dehaan R L, Taylor G R. Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization. Remote Sensing of Environment, 2002, 80(3): 406- 417.

[28] Jung M, Chang E. NDVI-based land-cover change detection using harmonic analysis. International Journal of Remote Sensing, 2015, 36(4): 1097- 1113.

[29] Liang S L. Narrowband to broadband conversions of land surface albedo I: algorithms. Remote Sensing of Environment, 2001, 76(2): 213- 238.

[30] 刘瑞, 王世新, 周艺, 姚尧, 韩向娣. 基于遥感技术的县级区域环境质量评价模型研究. 中国环境科学, 2012, 32(1): 181- 186.

[31] 潘峰, 田长彦, 邵峰, 周伟, 陈飞. 新疆克拉玛依市生态敏感性研究. 地理学报, 2011, 66(11): 1497- 1507.

[32] 程淑杰, 朱志玲, 白林波. 基于GIS的人居环境生态适宜性评价——以宁夏中部干旱带为例. 干旱区研究, 2015, 32(1): 176- 183.

[33] 徐涵秋. 区域生态环境变化的遥感评价指数. 中国环境科学, 2013, 33(5): 889- 897.

[34] 张添佑, 王玲, 罗冲, 彭丽. 玛纳斯河流域土壤盐渍化时空动态变化. 水土保持研究, 2016, 23(1): 1- 6.

Assessment of soil salinization ecological environment change in the Manas river basin using remote sensing technology

ZHANG Tianyou1, WANG Ling1,*, WANG Hui2, PENG Li1, LUO Chong1

1SchoolofScience,ShiheziUniversity,Shihezi832003,China2SchoolofWaterConservancyandArchitectureEnginering,ShiheziUniversity,Shihezi832003,China

Soil salinization has become a serious global problem, which poses a grave threat to ecological environment and agricultural production. In order to assess the effect of soil salinization on ecological environment quickly and accurately in regional-scale, a new remote sensing ecological index was proposed to detect the ecological change in arid area based on the remote sensing method in this paper. Manas river basin, a typical arid inland basin in northwest of China, was selected for the study area. Firstly, four indicators (salinity, surface albedo, vegetation coverage and wetness) which closely related to soil salinization were calculated based on the Landsat image in the Manas river basin on August 25, 1989, August 7, 2000, and September 10, 2015. Then, these indicators were normalized using min-max normalization method. Lastly, the principal component analysis (PCA) method was introduced to couple the four indicators, and the soil salinization ecology index (SSEI) was obtained. This method is different from the previous index overlaid by weighting the indexes from remote sensing and other data. It depends on the data itself, instead of subjective human states. The result shows that there is a significant relationship between SSEI and salt content observed in the fields (R2=0.9035,P<0.01). This indicates SSEI could be used for retrieving the soil salinization on ecological environment rapidly and quantitatively. Through PCA analysis, we found that the first principal component appears stable and its share of all indicators is greater than 85%. The properties of wetness index (WI), normalized difference vegetation index (NDVI), and salinity index (SI) are consistent with the general ecological environmental parameters. The index was applied to the irrigated area of the Manas river basin. Among the bad, comparatively bad, medium, good, excellent grades, the area of bad grade had increased from 491.6 km2to 1031.4 km2during 1989 to 2000, but it has been decreased from 1031.4 km2to 636.9 km2during 2000 to 2015. The area of medium grade also increased at first but then reduced. The change area ranges from 6354.3 km2in 1989 to 2111.4 km2in 2015. The good and excellent grades of ecological environment has been increased by 12.9% in the last 26years, which shows the ecology environment has improved in the irrigation area. The spatial distribution of SSEI shows that the desert area without influencing by human activities still keeps a poor level, and the ecological problem is still very serious. The function of artificial oasis has been improving. Assessment of soil salinization ecological environment change using remote sensing technology could provide insight for land resource development in arid areas.

ecology; remote sensing; soil salinization; principal component analysis; Manas river basin

国家自然科学基金项目(41361073)；新疆研究生科研创新项目(XJGRI2015044)

2016- 01- 13; 网络出版日期:2016- 12- 19

10.5846/stxb201601310225

*通讯作者Corresponding author.E-mail: rain_ling@163.com

张添佑, 王玲,王辉, 彭丽, 罗冲.玛纳斯河流域盐渍化灌区生态环境遥感监测研究.生态学报,2017,37(9):3009- 3018.

Zhang T Y, Wang L, Wang H, Peng L, Luo C.Assessment of soil salinization ecological environment change in the Manas river basin using remote sensing technology.Acta Ecologica Sinica,2017,37(9):3009- 3018.