基于Albedo-MSAVI特征空间的渭库绿洲土壤盐渍化研究

冯 娟，丁建丽，魏雯瑜

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

土壤盐渍化是造成干旱区土壤荒漠化的重要原因[1-3]，受到自然因素和人为因素的影响。在自然环境和人类活动的影响下，可溶性盐类在地表堆积，形成不同程度的盐渍化[4]。土壤盐渍化由于土壤组成的原因影响土壤质量质地，同时制约着生产力与生态系统的稳定以及人类的健康[5]，所以至今土壤盐渍化仍然引起国内外学者的关注。

当前，国内外一些学者利用遥感影像反演的特征参量建立特征空间，将其应用到荒漠化信息提取，土壤水分反演，干旱监测等诸多研究领域，并取得了很好的效果。1997年Gillies等[6]提出，可见光与热红外波段的土壤光谱特征可以用来计算植被覆盖度﹑土壤湿度和地表蒸散等，而这些地表参数变化过程通过“三角形方法”从新的角度表达和审视。曾永年等[7]利用Albedo-NDVI特征空间对沙漠化进行指数研究，认为沙漠化土地地表覆盖，水热组合及其变化的多维遥感信息特征空间具有明确的生物物理意义。丁建丽等[8]基于MSAVI-WI特征空间对渭库土壤盐渍化信息进行监测，结果表明MWI指数与地表盐分相关性较高，能够对盐渍化土壤进行定量评价。王飞等[9]通过NDVI对盐渍化信息进行有效提取，认为NDVI指数对土壤背景植被敏感，在植被稀疏的区域，NDVI不能够很好地对植被状况进行表达。哈学萍等[10]利用SI-Albedo特征空间对土壤盐渍化遥感监测模型进行研究，表明特征空间的构成是对多光谱遥感信息的充分利用，对土壤盐分，水分组合及其变化具有明确的生物物理意义。

本文在前人研究成果的基础上综合利用landdsat 8 OLI影像和野外调查数据，通过分析盐渍化对地表生物物理特征的定量关系，建立反照率Albedo与修改型土壤调整植被指数MSAVI组成的盐渍化土壤遥感特征空间模型，为盐渍化动态监测提供快速高效的定量遥感监测支撑。

1 研究区概况

渭库绿洲位于新疆塔里木盆地的中北部，属渭干河-库车河流域，在行政上隶属阿克苏地区管辖，范围包括新和、沙雅和库车3个县，这3个县总面积为523.76 万hm2,沙雅县每年因盐碱危害造成失收面积达2 667 hm2，最高年份失收面积达8 000 hm2，因盐碱化弃草地已达4.56 万hm2，新和与库车2县也在3.72 万hm2左右[11]。渭库绿洲属于温带大陆性干旱气候，年平均蒸发量为1 991.0～2 864.3 mm ，多年平均降水量仅为51.3 mm ，蒸发量远大于降水量，多年平均气温 10.6～14.8 ℃，年极高、极低气温分别为41.3和-28.7 ℃，属于干旱与极端干旱地区。较少的降雨，较强的蒸发，使得该地区土壤盐渍化现象普遍存在。盐分不断在表层溢出，植被覆盖度不断减少，严重时会形成盐斑，形成重度盐渍化区。在绿洲外围轻、中度盐渍化区域内，植物主要以芦苇(Phragimites australis)、柽柳(Tamarix ramosission)、骆驼刺(Allhagi sparisifolia)、花花柴(Karelina caspica)和盐爪爪(Kalidium gracile)为主。近年来土壤盐渍化和沙质荒漠化不断加剧，绿洲土地退化现象日益普遍，该地区的生态环境也逐渐脆弱，这对当地及全疆可持续发展造成严重的影响[12-15]。图1为本研究采样点确定的研究范围。

2 研究方法

2.1 影像处理

本文选2014年7月28日landsat 8 OLI为基础数据源，对影像经过大气校正、几何校正以及裁剪等预处理，大气校正采用FLAASH大气校正法，几何校正以1∶5万地形图为基准，进行横轴墨卡托投影及三次卷积内重采样，将影像与自身的全色波段融合成15 m分辨率。2014年7月利用GPS定位，从研究区范围内所布置的采样点中，在考虑土壤质地、盐分状况、植被类型和土地利用方式前提下，选择出具有代表性土壤测量单元38个，并将其38个样点，导入至经过大气校正的遥感影像中，导出影像上样点对应的反照率及修改型土壤调节植被指数值。

图1 研究区地理分布及采样点位置Fig.1 Geographical position map of study area and distribution of sampling points

2.2 特征参量反演

在landsat 8 OLI可见光波段中含有的土壤与植被信息，在以往的研究中发现植被信息可以间接地反映出土壤盐渍化的程度，然而在植被密度较低的区域盐渍化反演受到土壤背景的影响，修改型土壤调整植被指数[22-25]考虑了裸土土壤线，可以较好地消除或减少土壤及植被冠层背景的影响，从而更好地指示研究区植被信息。该指数可以表示为[16]：

(1)

式中：NIR为landsat 8 OLI影像的第5波段反射率的值；R为landsat 8 OLI影像的第4波段反射率的值。

地表反照率为地球表面反射的太阳辐射通量与人射太阳辐射通量之比,它表征地球表面对太阳辐射的反射能力。本文采用liang[17]建立的反照率反演公式：

Albedo=0.356ρ1+0.130ρ3+0.373ρ4+

0.085ρ5+0.072ρ7-0.001 8

(2)ρ

式中：ρ1、ρ3、ρ4、ρ5、ρ7为landsat 8 OLI影像对应的第1波段、第3波段、第4波段、第5波段、第7波段的反射率值；Albedo表示地表反照率。

2.3 数据正规化处理

统计整景图像地表反照率，修改型土壤调节植被指数的最大值和最小值，并用统计值进行数据正规化处理[18]。

3 Albedo-MSAVI特征空间

3.1 Albedo-MSAVI空间及其特性

地表反照率(Albedo)的变化受土壤水分，植被覆盖，积雪覆盖等影响。反照率作为表征陆地下垫面辐射特征的重要参量，它的变化将改变地表辐射平衡，并对大气产生影响。在土壤盐渍化的研究实践中，通过定位观测，随着盐渍化程度的加重，地表状况发生明显的变化，伴随着地表植被覆盖度的下降[19]，地表水分相应减少，地表反照率增加。因此，盐渍化过程导致的地表下垫面状况的变化，使地表反照率发生明显的变化。MSAVI在植被反演的过程中考虑了裸土的土壤线，因此，能够较好地消除土壤植被背景的影响，实现区域植被信息的表达。因此，MSAVI可以作为反映植被生长状况的生物物理参数。本文以MSAVI为横坐标，表示地表植被覆盖率的变化；Albedo为纵坐标，代表相同植被覆盖率下地表反照率的变化。随着盐渍化程度的增加，地表植被覆盖率逐渐降低，地表反照率增大。从特征空间表现形式中得到植被指数与地表反照率之间存在明显的负相关；当反照率大的时候，土壤盐渍化程度加大，土壤含盐量增多，植被长势差，植被指数降低；随着地表植被覆盖度增大，地表蒸散阻力降低，土壤含盐量降低，地表反照率降低。Albedo-MSAVI特征空间可以较好反映盐渍化土壤的地表反照率与植被指数之间的物理变化过程。

如图2所示，在Albedo-MSAVI特征空间中，不同盐渍化程度的土壤及不同植被覆盖的土壤分别集中在不同的部分，随着植被覆盖度增加，地表反照率减小，盐渍化程度递减，植被指数为0～0.65时反照率随植被覆盖度的增大而减小，反照率值的变化趋势接近于双曲线变化形式，在这一过程中，研究区内盐渍化分布在研究区内呈现环状分布，从内向外分别为重度盐渍地﹑中度盐渍地﹑轻度盐渍地。植被覆盖度与盐渍化程度呈现一种负相关，在Albedo-MSAVI特征空间中，反照率与植被指数呈双曲线分布(Albedo>0, MSAVI>0)，与野外考察情况一致。

为了进一步了解Albedo-MSAVI特征空间的特点，对散点图上A、B、C变化过程进行分析(见图3)。已有大量观测与模拟实验均已证明地表反射率的变化影响地表辐射平衡，进而影响地表反照率，且地表反照率随植被的变化、水分的盈亏而发 生变化。A点代表重度盐渍化地，土壤含水量低，植被覆盖度低，反射率高(低MSAVI高Albedo)；B点代表裸地；C点代表高植被覆盖区，在土壤含水量充足的情况下，该点的反照率相对较低(高MSAVI低Albedo)。在Albedo-MSAVI特征空间中，地表反照率不仅可以描述植被覆盖度而且可以反映土壤含水量。图中A﹑C点代表Albedo-MSAVI特征空间极端状态，在植物生长季节，各类地物除云、水体外均满足图3这种趋势关系。

图2 不同土地覆盖遥感图像与Albedo-MSAVI特征空间对比Fig.2 Contrast different land cover remote sensing images with Albedo-MSAVI feature space

图3 Albedo-MSAVI空间特征Fig.3 Albedo-MSAVI space characteristics

3.2 Albedo-MSAVI特征空间的盐渍化过程及其模型构建

为了获取不同盐渍化程度土地Albedo与MSAVI的定量关系，本文利用野外GPS确定的不同盐渍化土地样点的Albedo、MSAVI值进行统计回归分析。在反照率与植被指数组成的二维空间中，不同盐渍化土地类型对应的植被指数(MSAVI)和反照率(Albedo)具有显著的负相关。

A=0.010 61M2-0.014 12M+0.179 2 (R2=0.816)

从上式可知，随着盐渍化程度增加，修改型土壤调节植被指数逐渐减小，而地表反照率逐渐增加。在Albedo-MSAVI特征空间中，对盐渍化过程进行了明显的反映。

图4为Albedo和MSAVI拟合图，红线为其趋势回归线。由图4可得，Albedo和MSAVI存在显著的非线性关系。图4中趋势线任意一点到A(0，1)的距离越近，土壤盐渍化程度越大，反之亦然。特征空间中任意一点到A点距离为D，进而建立特征空间盐渍化监测模型:

(3)

式中：SDI为盐渍化遥感监测指数；Albedo为地表反照率；MSAVI为修改型土壤调节植被指数。

图4 SDI模型构建Fig.4 SDI model building

3.3 模型验证与应用

在研究区内取样38个，利用GPS技术，结合研究区地形，使采集样点随机分布在绿洲、绿洲荒漠交错带、绿洲外围。取0～10 cm表层土壤，每个采样点均在30 m×30 m的采样范围内进一步再选取4个点，呈梅花状采样，采用四分法取500 g土样装袋带回实验室，风干研磨并过0.25 mm孔径的筛子，再与蒸馏水按1∶5的比例配置，静置过滤后，获得土壤溶液，最后用使用德国WTW公司制造的Cond 7310精密仪器来测定土壤溶液的盐分[20]。将38个样点的实测盐分值与对应的SDI进行验证分析(见表1)，得到拟合方程：y=0.072 lnx+0.609，其中x为盐分实测值，y为SDI，拟合方程决定系数为0.96，并通过0.01置信水平下的显著性检验，该模型特征空间对研究区内的盐渍化分布有较好的反映，可以对研究区内土壤盐渍化分布进行快速监测。

对不同盐渍化程度区域，确定其对应SDI值，并统计不同盐渍化程度的SDI值。根据新疆维吾尔自治区水利厅制定的《新疆县级盐碱地改良利用规划工作大纲》[21]将盐渍化类型划分为4类，非盐渍化地盐分范围Sal<1.0 g/kg，轻度盐渍地1.0 g/kg

表1 盐渍化遥感监测指数(SDI)与实测土壤样点含盐量Tab.1 Values of remote sensing detection model index(SDI) ofsaline soil and measured soil salt content

4 讨 论

目前利用特征空间进行盐渍化监测的已取得一定的进展，但对于覆盖较好的天然植被和农作物，使用NDVI 造成的红光饱和问题比较严重，背景的土壤噪声也在一定程度上损害了NDVI的空间一致性[27]，而土壤调节植被指数MSAVI相对NDVI更能描述植被覆盖度和土壤背景的优势[28]，曾永年等[7]利用Albedo-NDVI特征空间对沙漠化进行指数研究，认为沙漠化土地地表覆盖，水热组合及其变化的多维遥感信息特征空间具有明确的生物物理意义。本研究采用Landsat 8数据对渭—库绿洲盐渍化进行研究，通过分析盐渍化对地表生物物理特征的定量关系，建立反照率Albedo与修改型土壤调整植被指数MSAVI组成的盐渍化土壤遥感特征空间模型，构建SDI模型与土壤含盐量的R2达到0.96，而张添佑等[18]利用MSAVI-SI特征空间对玛纳斯河流域盐渍化进行研究，盐渍化与MSAVI-SI模型的R2达到0.82，本研究中基于Albedo-MSAVI特征空间的盐渍化模型精度相对较高；绿洲内的植被盖度较高，多为农作物，如棉花、小麦等，但在交错带内地表覆被主要为天然盐生植被，如芦苇(Phragimites australis)、骆驼刺(Allhagi sparisifolia)、花花柴(Karelina caspica)等，在影像上表现为枝叶稀疏，并且与裸露的土地交错分布，容易造成异物同谱现象。总体而言，交错带内植被稀少，甚至在荒漠化比较严重的地区全为裸地，容易造成像元的混分。由于研究区内同时存在不同的土壤盐渍化程度(重度盐渍化、中轻度盐渍化、非盐渍化)，本研究用经验对盐渍化进行分级，利用特征空间对不同程度盐渍化进行反演，结果表明，通过SDI对研究区不同程度盐渍化进行反演的空间格局分布，且与实际调查相符，说明用特征空间模型对盐渍化反演具有一定意义。

渭库绿洲地势北高南低，自西北向东南倾斜，沟壑相间，属于干旱与极端干旱地区[9]。研究区土壤盐渍化存在明显的空间分异规律，总体上从西到东，由北到南土壤含水量逐渐降低，土壤含盐量逐渐增大。土壤盐分受到各种自然因素如降水、温度、地形等影响的同时也受到人为灌溉等因素的影响。单纯的遥感方法无法达到反映盐渍化特征，综合多源数据是研究复杂的盐渍化监测问题的新途径，在解决盐渍化监测的复杂问题中有着较大的应用潜力。本研究尚属可行性研究，在单期影像的Albedo-MSAVI的基础上，构建SDI模型与土壤盐渍化关系密切，且结果与野外实地情况较符合。但单期的影像不能说明研究结果的普遍性，在后续的研究中将会进一步考虑采用多期遥感数据作动态分析。

5 结 论

在实验研究的基础上，选取渭库绿洲为研究区，以landsat 8 OLI影像为数据源，结合实地考察数据，运用遥感软件和统计软件，研究地表反照率与修改型土壤调节植被指数的关系，并通过统计分析不同盐渍化程度的土壤在特征空间的分布规律，发现盐渍化土壤在反照率与修改型植被指数构成的特征空间里存在显著的关系，从而提出Albedo-MSAVI特征空间概念。

(1)构建监测不同盐渍化程度指数，不同程度的盐渍化土壤与SDI值具有差异，非盐渍化、轻度盐渍化、中度盐渍化，重度盐渍化的SDI的平均值分别为0.522、0.644、0.727和0.862。相同程度盐渍化土壤之间SDI值相差甚微，而非盐渍化土壤与盐渍土之间SDI差值显著。通过结合特征空间特点，可以有效区分不同程度盐渍化地，对盐渍化土壤解译有一定的帮助。

(2)遥感影像信息较为丰富，尽可能的挖掘影像上的潜在数据是研究的核心。SDI特征指数可以有效实现盐渍化信息反演，但不同程度盐渍化土壤受多种因素影响，在本研究中利用反照率与修改型调节植被指数进行分析，对不同程度盐渍化信息反演有一定帮助，但根据其特征空间分布，重度盐渍土与高植被覆盖之间的转变存在一个临界值，该值可以更准确地对盐渍化信息进行监测，促进利用遥感监测土壤盐渍化信息的发展。

□

[1] 丁建丽,姚 远,王 飞,等．干旱区土壤盐渍化特征空间建模[J].生态学报,2014,34(16):4 620-4 631.

[2] Muyen Z,Moore G A,Wrigley R J.Soil salinity and sodicity effects of wastewater irrigation in South East

[3] Australia[J].Agricultural Water Management,2011,99(1):33-41.

[4] Wang H,Jia G.Satellite-based monitoring of decadal soil salinization and climate effects inasemi-arid region of China[J].Advances in Atmospheric Sciences,2012,29(5):1 089-1 099.

[5] 曹 雷,丁建丽,于海洋,等.渭-库绿洲多尺度景观格局与盐度关系[J].农业工程学报,2016,32(3):101-110.

[6] Bouksila F,Bahri A,Berndtsson R,et al.Assessment of soil salinization risks under irrigation with brackish water in semiarid Tuni-sia[J].Environmental and Experimental Botany,2013,92:176-185.

[7] Gillies 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[J].International Journal of Remote Sensing,1997,18(15):3 145-3 166.

[8] 曾永年,向南平,冯兆东,等.Albedo-NDVI特征空间及沙漠化遥感监测指数研究[J].地理科学,2006,26( 1): 75-81.

[9] 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[J].地理研究,2013,32( 2)：223-232．

[10] 王 飞,丁建丽,伍漫春,等.基于NDVI-SI特征空间的土壤盐渍化遥感模型[J].农业工程学报,2010，26(8):168-173.

[11] 哈学萍,丁建丽,罗江燕,等.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[J].土壤学报,2009,62(3):381-390.

[12] 丁建丽,塔西甫拉提·特依拜,张飞,等.塔里木盆地北缘绿洲土壤含盐量和电导率空间变异性研究[J].干旱区地理，2008，31(4):624-632.

[13] 姚 远,丁建丽,雷 磊,等.干湿季节下基于遥感和电磁感应技术的塔里木盆地北缘绿洲土壤盐分的空间变异性[J].生态学报,2013, 33(17):5 308-5 319.

[14] 丁建丽,姚 远,王 飞,等.干旱区土壤盐渍化特征空间建模[J].生态学报,2014,34(16):4 620-4 631.

[15] 丁建丽,姚 远,王 飞,等.基于三维光谱特征空间的干旱区土壤盐渍化遥感定量研究[J].土壤学报,2013，50(5):853-861.

[16] Allbed A, Kumar L, Aldakheel Y Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: applications in a date palm dominated region[J]. Geoderma, 2014, 230:1-8.

[17] Qi J,Chehbouni A,Huete A R, et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment,1994,48(2):119-126.

[18] Liang S.Narrowband to broadband coaversions of land surface albedo: algorighms[J]. Remote Sensing of Environment,2001,76(2):213-238.

[19] 张添佑,王 玲,曾攀丽,等.基于MSAVI-SI特征空间的玛纳斯河流流域灌区土壤盐渍化研究[J].干旱区研究,2016,33(3):499-505.

[20] Mcfeeters S K. The use of the Normalized Difference Water Index(NDWI)in the delineation of open water features[J]. International Journal of Remote Sensing, 1996,17(7):1 425-1 432.

[21] 王娜娜, 齐 伟, 王 丹,等. 基于样带的滨海盐碱地土壤养分和盐分的空间变异[J]. 应用生态学报, 2012,23(6):1 527-1 532.

[22] 江红南, 丁建丽, 塔西甫拉提·特依拜,等. 基于ETM+数据的干旱区盐渍化土壤信息提取研究[J]. 土壤学报, 2008,45(2):222-228.

[23] 王 宏, 李晓兵, 韩瑞波,等. 利用NOAANDVI和MSAVI遥感监测中国北方不同纬度带植被生长季变化[J]. 应用生态学报, 2006,17(12):2 236-2 240.

[24] 刘亚男, 白 欣, 侯君英. 基于特征空间的土壤含盐量的遥感反演[J]. 安徽农业科学, 2014,(1):110-111.

[25] 关 红, 贾科利, 张至楠. 采用高光谱指数的龟裂碱土盐碱化信息提取与分析[J]. 红外与激光工程, 2014,43(12):4 153-4 158.

[26] 李艳华, 丁建丽, 孙永猛,等. 基于三维特征空间的土壤盐渍化遥感模型[J]. 水土保持研究, 2015,22(4):113-117.

[27] Huete A, Didan K, Shimabokuro K, et al. Regional amazon basin and global analyses of MODIS vegetation indices: Early results and comparisons with AVHRR[C]∥ Geoscience and Remote Sensing Symposium: Proceedings IGARSS 2000, IEEE 2000 International. 2000:88-103.

[28] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994,48(2):119-126.