干旱区三种典型地貌下电磁感应式土壤盐分协同解译模型

宋江辉，史晓艳，王海江，吕 新，陈建华，李伟东

干旱区三种典型地貌下电磁感应式土壤盐分协同解译模型

宋江辉1,2，史晓艳1,2，王海江1,2※，吕 新1,2，陈建华1,2，李伟东1

（1. 石河子大学农学院，石河子 832003；2. 新疆生产建设兵团绿洲生态农业重点实验室，石河子 832003）

为明确不同地貌类型下土壤理化性质对电磁感应式表观电导率测量精度的影响，该研究以新疆玛纳斯河流域3种典型地貌类型（冲积洪积扇缘、冲积平原、干三角洲）为研究对象，运用电磁感应仪EM38结合土壤采样室内测定方法，分析土壤剖面（100 cm）每20 cm土层的土壤性质对不同高度（130、110、90、70、50 cm）所测表观电导率的影响程度和贡献率，通过引入对表观电导率贡献率较高的非盐分因子作为辅助变量，利用多元线性回归方法，建立土壤盐分多因素协同解译模型。结果表明：3种地貌类型中，土壤盐分含量是影响表观土壤电导率贡献率最大的作用因子，不同地貌类型下各土层影响表观电导率的因子存在明显的差异，冲积洪积扇缘地貌主要表现为上层（0～60 cm）土壤含水率和底层（60～100）土壤阳离子交换量和有机碳含量对表观电导率贡献较高，冲积平原地貌则是表层（0～20 cm）和底层（40～100 cm）的土壤含水率以及20～40 cm土层的黏粒含量和阳离子交换量对表观电导率表现出较高的贡献率，干三角洲地貌下上层土壤（0～60 cm）阳离子交换量和下层（60～100 cm）土壤有机碳含量能够对表观电导率产生较为明显的影响。通过引入对表观电导率影响较大的作用因子，建立了针对不同地貌类型下分层土壤盐分协同解译模型，与仅以表观电导率解译土壤盐分含量相比，冲积洪积扇缘、冲积平原、干三角洲地貌类型下0～100 cm土层盐分预测模型校正决定系数分别由0.81～0.86、0.55～0.87、0.25～0.56提高至0.83～0.91、0.63～0.93、0.48～0.70，多因素协同解译模型有效提高了土壤盐分解译模型精度。研究结果可为盐渍化土壤的快速准确监测提供可靠的理论依据和技术方法。

土壤；盐分；模型；电磁感应；影响因素；地貌

0 引 言

土壤盐渍化是限制干旱半干旱地区农业生产和土地资源可持续利用的重要因素，新疆地区由于土壤母质盐分含量高，降水少、蒸发大，不同程度的盐渍化耕地广泛分布，面积达122.88×104hm2，约占新疆耕地面积的37.72%，且该比例仍处于上升的趋势[1]。长期以来，资源短缺与土壤盐碱化已成为威胁新疆农业和生态环境的重要因素，严重影响着国民经济的可持续发展。准确和快速地评估和测量土壤盐分的积累状况和空间分布变化，将会有助于开发盐渍土地，防止土地退化，改善土壤质量，对于维持未来的粮食生产和区域可持续发展至关重要[2]。

电磁感应技术作为目前较为高效的土壤剖面属性信息采集的方法之一，适用于大面积盐渍化土壤的调查，可为大面积盐渍化土壤的精准评估提供充足的数据[3]。电磁感应仪所测定的土壤表观电导率（Apparent Electrical Conductivity，ECa）是土壤的一个基本性质，包含了反映土壤质量与物理化学性质的丰富信息[4]，如土壤可溶性盐分含量[5]、土壤含水率[6]、土壤黏粒含量[7]、阳离子交换量[8]、有机质含量[9]、土壤温度[10]、土壤紧实度[11]等主要土壤理化性状均能够影响土壤表观电导率的测定。特定区域土壤对ECa影响具有特异性和复杂性，因而不同区域ECa的主要影响因子并不一致[12]。因此，在利用电磁感应技术进行土壤盐分调查时，必须将ECa解译和校正为土壤盐分含量，才能实现对研究区域内土壤盐分含量的定量监测。目前，建立土壤盐分解译模型的方法主要包括：多元回归系数法、简单深度权重系数法、确定系数法、模拟系数法、数学系数法、Logistic分布模型、积分法等[13]。其中，非线性建模方法虽然能够有效减少模型所需的参数，但解译精度并未得到明显提高。大多数研究人员仍选择线性方法进行建模，刘广明等[12]在分析了滨海滩涂地区多种土壤性质对ECa的作用强度以及贡献率基础上，采用多因子及互作项逐步回归法，建立了分层土壤盐分解译模型，模型解译误差在10%以内；吴亚坤等[14]以0.5 m水平位表观电导率、1.0 m水平位表观电导率、土壤含水率、土壤黏粒含量为自变量，采用多元线性回归方法，构建了适于南疆绿洲区的土壤盐分分层精确解译模型。刘新路等[15]研究表明，土壤含水率的高低会对磁感式土壤盐分解译模型的精度产生影响，利用多元线性回归方法建立了棉田不同时期分层土壤电导率的反演模型。目前，研究人员使用EM38对干旱、半干旱地区的灌溉农业区域的土壤盐分含量进行量化和监测过程中，大多认为除盐分因素外，其他土壤理化性质是均匀的，但在实际调查过程中，由于在不同区域或同一区域内土壤性质的差异，会造成影响表观电导率的土壤理化性质可能并不一致，最终干扰到磁感式盐分解译的精确性，使盐分解译模型的精度降低，这也是电磁感应技术在区域尺度进行土壤盐分调查的局限所在。

综上，利用电磁感应式大地电导率仪解译土壤剖面盐分含量是可行的，但区域尺度下土壤理化特性的差异可能会造成磁感式土壤盐分解译精度的降低[16]。玛纳斯河流域作为新疆重要的农垦区，流域内地貌类型多样，但不同地貌部位由于地形、土壤等自然条件差异，使得土壤理化性质存在不同程度的差异性[17]，但有关该流域土壤理化性质对磁感式土壤盐分解译精度影响的研究尚未报道。基于此，明确不同地貌类型影响电磁感应式盐分解译的主控因素，各因素对磁感式盐分解译精度的贡献率，探索多因素协同解译将有利于发展磁感式土壤剖面属性测定的理论和方法，实现区域尺度土壤剖面盐分空间分布格局的快速评定，为更深入地研究土壤盐渍化发生与演变机制奠定基础。

因此，本研究拟在考虑不同地貌单元表观电导率的影响因子，建立磁感式土壤盐分精确解译模型的校正参数体系。以新疆玛纳斯河流域3种典型地貌类型为例，分析土壤盐分、土壤含水率、黏粒含量、阳离子交换量（Cation Exchange Capacity，CEC）、土壤有机碳含量等因子对磁感式表观土壤电导率的影响程度和贡献率，建立电磁感应式土壤剖面盐分含量协同解译模型，以期为盐渍化土壤的治理和科学利用提供参考。

1 材料和方法

1.1 研究区概况

玛纳斯河流域（简称玛河流域）地处天山北麓中段，准格尔盆地西南缘，地理位置为85°01′～86°32′E，43°27′～45°21′N，降水受水气来源、地形和纬度影响较大，夏季炎热干燥，冬季寒冷多风，多年平均气温为6.8 ℃，年降水量110～200 mm，年蒸发量1700～2 200 mm[18]，属典型的温带大陆性气候。流域总面积34 050.35 km2。由于南部山区发育的河流进入盆地后，携带土壤逐渐沉积，依次形成冲积洪积扇缘、冲积平原区、干三角洲等地貌部位，不同地貌部位的地形、土壤、植被明显不同，尤其土壤质地、地下水位高度、矿化度、土壤含盐量等差异较大，大致呈现如下的变化规律：自上游到下游，土壤质地由粗变细，地下水位由深变浅再变深，矿化度由低变高，土壤盐渍化程度由轻变重[19]。目前该流域己成为中国第四大灌溉农业区，也是新疆绿洲农耕区域水资源利用效率较高灌区[20]。

1.2 EM38测定原理

EM38-MK2随仪器放置形式可分为垂直偶极模式（EMh）与水平偶极模式（EMv）。其可以通过设置发射线圈和接受线圈之间的间距来改变探测深度，当线圈间距设置为1 m时，垂直偶极模式下有效探测深度为1.5 m，水平偶极模式下有效探测深度为0.75 m；当线圈间距设置为0.5 m时，垂直偶极模式下有效探测深度为0.75 m，水平偶极模式下有效探测深度为0.375 m。由于其特殊的工作原理，利用EM38进行大面积土壤调查时，能够大大缩短所需时间，明显提高工作效率。ECa值主要由主场与次场的比率表示，该比值不仅能够反映土壤剖面电导率，而且也会受到其他因素的影响。

基于EM38测定贡献密度函数模型[22]，当EM38处于地面一定高度时，较深土层对测量的影响相对减小。一些学者通过EM38采集不同高度或不同线圈间距下重复测量土壤表观电导率，从而建立不同深度层次土壤性质与表观电导率的关系模型[23-24]。

1.3 表观电导率数据与土壤样品采集

综合考虑地貌类型的多样性，为更好地分析不同地貌类型对电磁感应式土壤盐分含量监测的影响，分别选取冲积洪积扇缘泉水溢出带、冲积平原地貌、干三角洲地貌。采样点的选取充分考虑了土壤质地、植被类型、土地利用方式等因素。在EM38测量之前，在距离地面1.5 m的高度对仪器进行校准，在每个测量点利用EM38距地不同高度处获取2种测量模式（水平模式EMh、垂直模式EMv）的表观电导率数据，仪器距离地面高度分别设置为30、50、70、90、110、130 cm，并利用GPS记录测量点的坐标位置。同时，每个地貌类型部位选取具有代表的样点剖面20个，共计60个，利用土钻每20 cm分层采集0～100 cm土壤样品，共计采集土壤样品300份。

1.4 样品处理

对于所采集土壤样品，为防止水分流失，将其混匀封口保存带回室内进行测定。将盛有新鲜土样的铝盒置于（105±2）℃的烘箱中烘烤12 h，取出后测定土壤含水率。同时，将剩余土壤样品进行自然风干，磨碎、过筛后备用，通过土壤可溶性盐分离子总和（K+、Na+、Ca2+、Mg2+、HCO3-、CO32-、Cl-、SO42-）（100个样本）与土壤电导率（mS/cm）（水土比为1∶5）建立换算关系得到土壤盐分含量（TS，g/kg）；利用比重计法测定土壤黏粒含量（，%）；利用氯化钡-硫酸强迫交换法测定土壤阳离子交换量（CEC，cmol/kg）；利用重铬酸钾氧化法测定土壤有机碳含量（SOC，g/kg）[25]。

1.5 通径分析方法分析土壤表观电导率影响因素

通径分析方法是适合于研究多种要素对目标结果效应的较佳数值分析方法，可将相关系数分解为直接作用和间接作用，揭示各因素对结果的相对重要性[12]。因此，在研究多个相关变量间的线性关系时，可采用通径分析揭示各自变量对因变量直接贡献和间接贡献的大小。按照通径系数的大小可以对影响因子进行排序，进一步地，变量因子的贡献是根据各直接通径系数计算的，通过该方法能够得出各土壤理化性质对于ECa的相对贡献率。

式中、、、…表示各变量因子的直接通径系数，表示变量因子的相对贡献率，%。

1.6 模型构建

以水平、垂直模式下测定的表观电导率（EMh、EMv）为自变量，以各层土壤盐分为因变量，分别进行一元回归分析（Single Linear Regression，SLR）和二元回归分析（Binary Regression Model，BLR），同时选取对土壤表观电导率（EMh、EMv）贡献率较高（累积贡献率之和不小于80%）的影响因子作为变量因子与表观电导率共同引入模型，从而建立分层土壤盐分的多元回归模型（Multiple Regression Model，MLR）。通过对比解译模型决定系数（2），校正决定系数（Adjusted-Squared，2adj）与均方根误差（Root Mean Square Error，RMSE）来确定土壤盐分最优解译模型。

1.7 模型验证

由于样本数量较小（=20），留一法交叉验证的方法适合于小样本的情况[26]。故本文采用交叉验证法对模型精度进行检验。通过建模集和验证集决定系数、平均误差（误差绝对值的平均）、均方根误差对各解译模型进行评价。

2 结果与分析

2.1 不同地貌类型下土壤理化性质差异性分析

图2为研究区不同地貌类型土壤剖面理化特性统计特征值，从冲积洪积扇缘带至干三角洲地貌，土壤黏粒质量分数、土壤含水率、盐分含量以及有机碳含量表现出逐渐降低的趋势。其中，3种地貌下0～100 cm土层平均土壤含水率分别为14.69%、14.86%、13.11%，干三角洲地貌部位0～20、20～40以及80～100 cm土层土壤含水率明显低于其他两种地貌类型；对于土壤黏粒质量分数，干三角洲地貌土壤黏粒质量分数显著低于其他两种地貌类型，这主要是由于干三角洲地处古尔班通古特沙漠边缘地带原因，土壤多为由平沙地和一些低矮的半固定沙丘开垦而来的灌溉风沙土；3种地貌类型下土壤盐分含量存在较大的差异，冲积洪积扇缘地貌盐分含量最高，0～100 cm土层平均盐分含量达到10.76 g/kg，干三角洲土壤盐分含量最低，剖面盐分含量为3.40 g/kg，这主要由于冲积洪积扇缘地貌部位存在较高的地下水位和地下水矿化度，且地下水流动不通畅，土壤处于持续积盐状态有关[21]，而干三角洲由于土质偏沙，较弱的毛管作用减缓了盐分的上移；此外，各地貌类型下土壤有机碳含量总体上由大到小为冲积洪积扇缘（3.50 g/kg）、冲积平原（3.43 g/kg）、干三角洲（3.37 g/kg），这主要与玛纳斯河流域土壤有机碳含量的积累过程受到黏粒质量分数的重要影响有关[27]；而3种地貌类型下土壤CEC含量没有明显的差异性。

3种地貌类型下土壤垂直剖面理化性质的分布特征同样存在差异。其中，3种地貌类型下的0～20 cm土层平均含水率均显著低于20～100 cm（<0.05），这是研究区内降水量少，地表蒸发强烈导致的；对于土壤黏粒质量分数，冲积洪积扇缘地貌>80～100 cm土层黏粒质量分数显著高于其他土层，冲击平原则表现为0～20 cm土层显著低于其他土层的趋势（<0.05），而干三角洲地貌下各土层土壤黏粒质量分数则未表现出差异性。对于土壤阳离子交换量，干三角洲地貌类型下各层土壤未表现出差异性，而冲积洪积扇缘和冲积平原地貌均表现为表层（0～20 cm）土壤阳离子交换量显著高于底层土壤的趋势（<0.05）；对于土壤有机碳含量，3种地貌类型均表现为>80～100 cm土层有机碳含量显著低于其他土层（<0.05）；3种地貌类型下土壤剖面各层盐分含量并未表现出显著的差异性，但不同地貌类型土壤剖面盐分分布特征略有差异。其中，冲积洪积平原和干三角洲地貌下均为>80～100 cm土层平均盐分含量最高，0～20 cm、>20～40 cm土层次之，>40～80 cm土层相对较低的趋势，这主要是由于玛纳斯河流域的冲积平原和干三角洲地貌普遍存在盐分底聚现象，但随着多年的开垦种植导致地下水位上升，表层土壤易出现积盐现象[21]，冲积洪积扇缘地貌部位土壤剖面各层盐分含量差异不大；从变异系数来看，各地貌类型下土壤剖面理化性质均属于中等强度变异，其中，3种地貌类型下表层土壤盐分含量的变异系数最高，分别为90.98%、91.81%、76.20%。

2.2 不同地貌类型下表观电导率的影响因子

利用通径分析法分析不同地貌类型下0～100 cm不同土层土壤理化性质对表观电导率的影响。对于所有土层，分别以距地面不同高度表观电导率（EMh、EMv）为因变量，以各层土壤理化性状为自变量进行通径分析，进而得到各因素对表观电导率的贡献率。以冲积洪积扇缘地貌下0～20 cm土层为例，如表1所示，分别以EMv130、EMh130为因变量，以0～20 cm土层土壤含水率（）、黏粒含量（）、阳离子交换量（CEC）、盐分含量（TS）、有机碳含量（SOC）为自变量进行通径分析，从表中可以看出，0～20 cm土层盐分含量与EMv130、EMh130表现出极显著的相关关系，相关系数分别为0.90、0.85；有机碳含量与表观电导率同样表现出显著的相关关系，而黏粒含量与EM38读数相关性最差（<0.10）。从直接通径系数和贡献率来看，0～20 cm土层盐分含量对于表观电导率值影响最为重要，此外，土壤含水率对表观电导率值贡献率要高于其他非盐分因子，表明土壤含水率对表观电导率同样具有一定的影响作用。

综合不同地貌类型的通径分析结果，按照贡献率由大到小对各土层作用因子进行排序，得到了各土层对不同的高度下表观电导率作用因子排序，结果如表2所示。从表中可知，对于3种地貌类型而言，各层盐分含量是影响表观土壤电导率贡献率最大的作用因子，这表明研究区域内土壤盐分含量是影响表观电导率的主要因素。对于其他土壤理化性状，3种地貌类型下不同土层影响表观电导率的因子存在明显的差异，其中，在冲积洪积扇缘地貌部位，上层（0～60 cm）土壤含水率对表观电导率表现出较高的贡献率，而底层（60～100 cm）土壤的CEC含量和有机碳含量对表观电导率产生较为明显的影响；在冲积平原地貌部位，表层（0～20 cm）和底层（40～100 cm）的含水率对于表观电导率表现出较高的贡献率，而在20～40 cm土层，则是黏粒含量和阳离子交换量分别对2种测量模式下表观电导率存在较为明显的影响；在干三角洲地貌部位，上层土壤（0～60 cm）CEC含量对于表观电导率的影响较其他非盐分理化性状高，下层（60～100 cm）土壤有机碳含量对于表观电导率的贡献较高。

为了进一步获得高精度磁感式表观电导率盐分解译模型，根据通径系数的分析结果进行自变量因子选取。考虑到EM38的感应深度范围，将EM38距地面不同高度下测定的EMh、EMv作为相应的土层的自变量因子，其余自变量按照对表观电导率的累积贡献率之和不小于80%范围内的因子进行选取，结果如表2所示。

表1 冲积洪积扇地貌0～20 cm土层表观电导率通径分析

注：EMh130、EMv130中，EMh、EMv分别表示EM38所测垂直与水平模型表观电导率，130表示测定是在距地面130 cm高度处进行；*，<0.05；**，<0.01。

Note: In EMh130 and EMv130, EMh and EMv are apparent electrical conductivity values based on vertical and horizontal models by EM38 and 130 stands for the measurement is conducted at a height of 130 cm from the ground；*，<0.05；**，<0.01

表2 不同地貌类型各土层表观电导率影响因子排序及筛选

2.3 不同地貌类型下电磁感应式土壤盐分协同解译模型的建立

将表2筛选出来的因子作为自变量，采用逐步回归分析建立模型，其2adj与RMSE变化如图3所示。从图中可以看出，综合利用水平与垂直2种表观电导率预测各土层盐分含量，可以较应用单一测定模式的数据解译精度有所提高。当各层解译模型中加入对影响表观电导率较为重要的因子时（MLR模型），与仅以2种表观电导率解译土壤盐分含量相比，各层土壤盐分解译模型2adj均得到一定程度的提高，预测值与实测值的RMSE亦随之降低。其中，在冲积洪积扇缘地貌部位，各层解译模型2adj分别由0.81、0.83、0.84、0.81、0.86提高至0.89、0.88、0.90、0.83、0.91，在冲积平原地貌部位，各层解译模型2adj分别由0.55、0.61、0.62、0.81、0.87提高至0.63、0.68、0.75、0.88、0.93；在干三角洲地貌部位，各层解译模型2adj分别由0.27、0.56、0.25、0.44、0.46提高至0.48、0.63、0.51、0.61、0.70。

对比3种地貌类型土壤盐分分层解译模型精度可知，冲积洪积扇缘地貌下土壤盐分预测模型精度最高，冲积平原地貌次之，而干三角洲地貌部位土壤剖面盐分预测精度相对较差，研究表明在土壤温度、含水率相对一致的土壤中，砂壤土盐分含量测定结果与EM38读数相关性较中壤土和重壤土较差，且EM38测量精度与土壤盐分含量大小显著相关[28]，这一方面是由于土壤孔隙度能够影响表观电导率，而干三角洲地貌部位大部分土壤为砂质土壤，由此形成的绝缘土壤空隙和非导电土壤颗粒（如砂粒等）会影响了土体中离子导电路径的长度[29]，因此在砂质土壤中盐分解译精度偏低；另一方面则是由于该地貌部位土壤剖面含水率较低（6%～20%），存在于土壤中的部分盐分可能不会溶解，这些沉淀盐不会对EM38读数有贡献，造成盐分预测精度较低。

2.4 不同地貌类型下电磁感应式土壤盐分协同解译模型验证

3种地貌类型下不同土层盐分协同解译模型的交叉验证结果见图4。从验证集决定系数（R2）来看，3种地貌类型下各土层盐分预测值与实测值之间呈现良好的线性关系，表明不同地貌类型下各土层盐分预测模型的具有较好精度。其中，冲积洪积扇缘地貌各土层盐分预测模型验证精度高于其他两种地貌类型，R2达到0.61～0.81，表明该地貌类型下各土层预测模型可以近似定量估测盐分含量；冲积平原地貌下0～20 cm土层验证精度较低，R2仅为0.48，这可能与该土层盐分变异性较高有关；而干三角洲地貌部位，各土层盐分预测模型的验证R2较低，其中，0～20 cm验证集R2仅为0.35，从验证集RMSE来看，干三角洲地貌下各土层盐分预测值与实测值的偏差较小，这主要与该地貌类型下各土层盐分值较低有关。

注：2为模型决定系数；下标和分别表示建模集和验证集。

Note:2is determination coefficient; the subscriptsandrepresent the calibration set and validation set, respectively.

图4 不同地貌类型各土层盐分协同解译模型精度验证

Fig.4 Accuracy validation of synergistic interpretation model of salt content for different soil layers in different landforms

3 讨 论

利用电磁感应技术快速测量土壤表观电导率（ECa）来预测土壤剖面盐分含量是目前最有潜力的技术之一，EM38所测定的土壤表观电导率反映的是不同深度的土壤性质与其对电磁感应仪线圈敏感性乘积随土壤深度变化的积分值[22]。一般而言，水平测定模式下表观电导率与主要受到表层土壤盐分的影响，而垂直测定模型下表观电导率则能够更好地反映底层土壤盐分含量[15]。然而土壤盐分含量在剖面上分布并不均匀，有必要改变EM38的感应深度来改变不同深度土壤盐分对ECa的影响作用。控制EM38感应深度的唯一选择是线圈方向和距地高度。当EM38置于距地面不同高度时，随着仪器距地面高度的增加，其有效探测深度随之减少，而地面上部分（空气）对于EM38读数的贡献为0（即ECa=0）[30]，由此可以得到不同深度层次的土壤表观电导率数值。Corwin等[31]在线性假设的基础上，利用电磁感应仪距地上不同高度测定的表观电导率来推导土壤剖面垂直方向上的电导率，这种方法已被证明能够有效提高EM38预测土壤盐分的精度。在本研究中，分别将EM38置于50、70、90、110、130 cm，其垂直测量模式下的有效探测深度分别为100，80、60、40、20 cm，降低了深层土壤对于EM38读数的影响，这能够更加直观地分析不同土层土壤性质对于表观电导率的影响程度。对比3种地貌类型下水平与垂直测定位下表观电导率与各土层土壤盐分含量方程的相关参数2adj、RMSE值可知（图3），对于0～100 cm的各土层，垂直测定模式下表观电导率与土壤盐分含量之间的回归模型具有更高的精度，这主要是由于仪器距地不同高度时，水平测定模式下有效探测无法达到相应的土层深度。因此，相比于水平测定位，垂直测定位与对应土壤深度之间表现出更好的相关性，这与Huang等[32]的研究结果一致。此外，当EM38的2种测量模式下的表观电导率（EMh和EMv）共同用于土壤盐分解译，盐分解译模型的精度有所提高，这与已有的研究结果一致[33]。

玛纳斯河流域作为新疆主要的农业垦区，在自然因素和长期的人为因素共同作用下，不同地貌类型的土壤的理化性质存在不同程度的差异性。张凤华等[19]研究表明玛纳斯河流域绿洲不同地貌类型下土壤类型、养分状况、盐分空间分布均表现出明显的差异；陈接华等[34]对玛纳斯河流域3种地貌类型和不同植被覆盖下的土壤含水率、土壤容重、颗粒组成和有机质进行了对比研究，结果表明玛纳斯河流不同地貌和植被类型下的土壤物理性质均存在显著差异性。本研究表明，玛纳斯流域不同地貌类型下土壤黏粒质量分数、土壤电导率、土壤有机碳含量在垂直和水平方向均存在显著的差异性，这与上述研究结果一致。因此，在利用电磁感应技术对该流域内的土壤盐分含量进行量化和监测过程中，由于不同地貌或同一地貌内土壤性质的差异，必然会造成磁感式盐分测量精度的降低。在区域尺度上进行电磁感应式土壤盐分监测时，需要建立具有多影响因子的多元回归模型[13]。本研究中，通径分析结果表明，各地貌类型下土壤盐分含量是影响表观电导率的主要因素，对于其他土壤理化性状，不同地貌部位的各土层影响表观电导率的因子存在明显的差异，其中，冲积洪积扇缘地貌下的0～60 cm土层的土壤含水率和底层土壤（60～100 cm）的有机碳含量对于表观电导率的影响较大；在冲积平原地貌，表层（0～20 cm）和底层（40～100 cm）土壤含水率是影响表观电导率较为重要的因子，对于20～40 cm土层，则是黏粒质量分数和阳离子交换量分别对水平和垂直测定模型下表观电导率存在较为重要的影响；而在干三角洲地貌部位，上层（0～60 cm）土壤CEC含量对于表观电导率的影响较其他非盐分理化性状高，底层土壤有机碳含量对于表观电导率的影响较大，这一方面是由于该地貌部位砂质土壤的粒径较大，保水能力较差，因此土壤剖面较少的含水率对于表观电导率的影响较小；另一方面在于土壤黏粒含量与阳离子交换量CEC和有机碳含量密切相关[35]，土壤中部分可交换离子能够产生离子电导进而影响表观电导率[7]，因此，该地貌部位土壤剖面复杂的粒径组成会对CEC含量和有机碳含量分布造成影响，从而对表观电导率产生影响。本研究在确定各地貌类型影响土壤表观电导率主控因素的基础上，建立了基于多因素协同的分层土壤盐分的解译模型，该解译模型具有更高的精度。

地貌类型对于玛纳斯河流域土壤盐分的分布和演变起着主导作用，但随着农田灌溉方式的变化，土地利用方式、种植年限、灌溉等人为因素对土壤盐分分布和运动作用越来越明显[36]。Corwin等[37]指出地貌差异和人为因素可能是造成ECa测量具有特异性的原因，并且作者对直接或间接影响ECa的相关土壤性质进行了总结[38-39]，其中直接产生影响的土壤性质包括土壤盐分含量、含水率、质地、容重、有机质和CEC，而地下水补给、重金属、土壤图单元边界和土壤排水类别等因素则可能会对ECa的测定产生间接影响，因此，ECa读数的解释和用途具有高度的土壤特异性，必须清楚地了解各土壤属性因素对ECa影响的贡献，从而提高ECa表征土壤属性信息的准确性。此外，在干旱半干旱地区，不同时间段的农田灌溉量和频率的差异往往会造成研究区土壤剖面中的水分和盐分分布的变化，进而引起盐分解译模型参数的变化[15]。而本研究中的采样工作是在同一时期进行的，并未综合考虑不同时期农田的管理措施的差异（灌溉、耕作等）、土壤温度的差异等，可能会在一定程度上限制盐分解译模型在不同季节的应用。因此，在今后的研究工作中，需要进一步加强不同季节土壤水盐叠加作用对ECa影响的研究，以建立适用于时空尺度的磁感式盐分解译模型。

4 结 论

本研究以玛纳斯河流域3种典型地貌类型下的盐渍化土壤为研究对象，通过分析影响电磁感应式土壤表观电导率的主要作用因子，建立了针对不同地貌类型下土壤剖面盐分多因素协同解译模型，主要结论如下：

1）干三角洲地貌类型下土壤剖面含水率、黏粒质量分数、盐分含量以及有机碳含量均低于冲积洪积扇缘和冲积平原地貌。不同地貌类型下土壤黏粒含量、土壤阳离子交换量以及土壤盐分含量在垂直剖面上的分布特征存在差异。

2）3种地貌类型下土壤剖面盐分含量是影响表观电导率的主要因素，不同地貌类型下土壤剖面影响表观电导率的非盐分因子并不一致。其中，冲积洪积扇缘地貌下0～60 cm土层的土壤含水率和>60～100 cm土层土壤的阳离子交换量和有机碳含量对表观电导率产生较为明显的影响；冲积平原地貌的表层（0～20 cm）和底层（40～100 cm）的土壤含水率以及20～40 cm土层的黏粒含量和阳离子交换量对于表观电导率表现出较高的贡献；干三角洲地貌类型下土壤剖面复杂的粒径组成对土壤阳离子交换量和有机碳含量分布造成影响，进而对表观电导率产生影响。

3）通过引入对磁感式表观电导率影响较大的作用因子，建立了针对不同地貌类型下土壤剖面盐分多因素协同解译模型，分层盐分预测模型校正决定系数分别由0.81～0.86、0.55～0.87、0.25～0.56提高至0.83～0.91、0.63～0.93、0.48～0.70。精度验证结果表明，冲积洪积扇缘地貌土壤剖面盐分预测模型验证精度高于其他两种地貌类型，验证集决定系数达到0.61～0.81，干三角洲地貌部位，各土层盐分预测模型的验证决定系数较低。

[1]田长彦，买文选，赵振勇. 新疆干旱区盐碱地生态治理关键技术研究[J]. 生态学报，2016，36(22)：7064-7068. Tian Changyan, Mai Wenxuan, Zhao Zhenyong. Study on key technologies of ecological management of saline alkali land in arid area of Xinjiang[J]. Acta Ecologica Sinica, 2016, 36(22): 7064-7068. (in Chinese with English abstract)

[2]李因帅，张颖，赵庚星，等. 鲁中南山丘区耕地地力的遥感反演模型与应用[J]. 农业工程学报，2020，36(23)： 269-278. Li Yinshuai, Zhang Ying, Zhao Gengxing, et al., Remote sensing inversion and application for soil fertility of cultivated land in the hilly areas of central-south Shandong of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(23): 269-278. (in Chinese with English abstract)

[3]Corwin D L, Scudiero E. Field-scale apparent soil electrical conductivity[J]. Soil Science Society of America Journal, 2020, 84(5): 1405–1441.

[4]李茂娜，孙宇，严海军，等. 基于土壤表观电导率的变量灌溉管理分区方法[J]. 农业工程学报，2020，36(22)：172-180.Li Maona, Sun Yu, Yan Haijun, et al., Method for variable rate irrigation management zone delineation based on apparent soil electrical conductivity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 172-180. (in Chinese with English abstract)

[5]姚荣江，杨劲松，郑复乐，等. 基于表观电导率和Hydrus模型同化的土壤盐分估算[J]. 农业工程学报，2019，35(13)：91-101. Yao Rongjiang, Yang Jinsong, Zheng Fule, et al. Estimation of soil salinity by assimilating apparent electrical conductivity data into HYDRUS model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 90-101. (in Chinese with English abstract)

[6]Zare E, Arshad M, Zhao D, et al. Two-dimensional time-lapse imaging of soil wetting and drying cycle using EM38 data across a flood irrigation cotton field[J]. Agricultural Water Management, 2020, 241: 106383.

[7]Triantafilis J, Lesch S M. Mapping clay content variation using electromagnetic induction techniques[J]. Computers and Electronics in Agriculture, 2005, 46(1/2/3): 203-237.

[8]Zhao D, Li N, Zare E, et al. Mapping cation exchange capacity using a quasi-3d joint inversion of EM38 and EM31 data[J]. Soil and Tillage Research, 2020, 200: 104618.

[9]Lardo E, Arous A, Palese A M, et al. Electromagnetic induction: A support tool for the evaluation of soil CO2emissions and soil organic carbon content in olive orchards under semi-arid conditions[J]. Geoderma, 2016, 264: 188-194.

[10]Brevik E C, Fenton T E, Horton R. Effect of daily soil temperature fluctuations on soil electrical conductivity as measured with the Geonics® EM-38[J]. Precision Agriculture, 2004, 5(2): 145-152.

[11]Krajco J. Detection of Soil Compaction Using Soil Electrical Conductivity[D]. Bedfordshire: Cranfield University, 2007.

[12]刘广明，杨劲松，姚荣江. 基于磁感式探测的分层土壤盐分精确解译模型[J]. 农业工程学报，2010，26(1)：61-66. Liu Guangming, Yang Jinsong, Yao Rongjiang. Electromagnetic induction based interpreting model of soil salinity in different soil layers[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(1): 61-66. (in Chinese with English abstract)

[13]Kurt H, Schmidhalter U. The application of EM38: determination of soil parameters, selection of soil sampling points and use in agriculture and archaeology[J]. Sensors, 2017, 17(11): 1-44.

[14]吴亚坤，刘广明，杨劲松，等. 基于反距离权重插值的土壤盐分三维分布解析方法[J]. 农业工程学报，2013，29(3)：100-106，296. Wu Yakun, Liu Guangming, Yang Jinsong, et al. Interpreting method of regional soil salinity 3D distribution based on inverse distance weighting[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 100-106, 296. (in Chinese with English abstract)

[15]刘新路，彭杰，冯春晖，等. 基于电磁感应仪数据的南疆棉田土壤电导率反演模型研究[J]. 土壤学报，2020，57(3)：646-655. Liu Xinlu, Peng Jie, Feng Chunhui, et al. Inversion model for soil conductivity in cotton field in South Xinjiang based on EM38-MK2 Data[J]. Acta Pedologica Sinica, 2020, 57(3): 646-655. (in Chinese with English abstract)

[16]Doolittle J A, Brevik E C. The use of electromagnetic induction techniques in soils studies[J]. Geoderma, 2014, 223: 33-45.

[17]王瑞燕，孔沈彬，许璐，等. 黄河三角洲不同地表覆被类型和微地貌的土壤盐分空间分布[J]. 农业工程学报，2020，36(19)：132-141. Wang Ruiyan, Kong Shenbin, Xu Lu, et al., Spatial distribution of soil salinity under different surface land cover types and micro-topography in the Yellow River Delta[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 132-141. (in Chinese with English abstract)

[18]赵贵宁，张正勇，刘琳，等. 基于多源遥感数据的玛纳斯河流域冰川物质平衡变化[J]. 地理学报，2020，75(01)：98-112. Zhao Guining, Zhang Zhengyong, Liu Bin, et al. Changes of glacier mass balance in Manas river basin based on multi-source remote sensing data[J]. Acta Geographica Sinica, 2020, 75(01): 98-112. (in Chinese with English abstract)

[19]张凤华，赵强，潘旭东，等. 新疆玛河流域绿洲土壤特性空间分异与合理开发模式[J]. 水土保持学报，2005，19(6)：55-58. Zhang Fenghua, Zhao Qiang, Pan Xudong, et al. Spatial differentiation and exploration direction of soil characteristic in valley of Manas River in Xinjiang[J]. Journal of Soil Water Conservation, 2005, 19(6): 55-58. (in Chinese with English abstract)

[20]冯异星，罗格平，周德成，等. 近50a土地利用变化对干旱区典型流域景观格局的影响：以新疆玛纳斯河流域为例[J]. 生态学报，2010，30(16)：4295-4305. Feng Yixing, Luo Geping, Zhou Decheng, et al. Effects of land use change on landscape pattern of a typical arid watershed in the recent 50 years: A case study on Manas River Watershed in Xinjiang[J]. Acta Ecologica Sinica, 2010, 30(16): 4295-4305. (in Chinese with English abstract)

[21]李玉义，张凤华，潘旭东，等. 新疆玛纳斯河流域不同地貌类型土壤盐分累积变化[J]. 农业工程学报，2007，23(2)：60-64. Li Yuyi, Zhang Fenghua, Pan Xudong, et al. Changes of salt accumulation in soil layers with different landforms in Manas River Valley in Xinjiang Region of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(2): 60-64. (in Chinese with English abstract)

[22]McNeill J D. Electromagnetic terrain conductivity measurement at low induction numbers[J]. Geonics Limited, 1980: 6-15.

[23]Cook P G, Walker G R. Depth profiles of electrical conductivity from linear combinations of electromagnetic induction measurements[J]. Soil Science Society of America Journal, 1992, 56(4): 1015-1022.

[24]Visconti F, de Paz J M. A semi-empirical model to predict the EM38 electromagnetic induction measurements of soils from basic ground properties[J]. European Journal of Soil Science, 2021, 72(2): 720-738.

[25]鲁如坤. 土壤农化分析[M]. 北京：中国农业出版社，1999.

[26]Reunanen J. Overfitting in making comparisons between variable selection methods[J]. Journal of Machine Learning Research, 2003, 3: 1371-1382.

[27]柳红东，张凤华，李玉义，等. 新疆玛纳斯河流域棉田土壤有机碳含量时空分异规律[J]. 干旱区资源与环境，2007，21(10)：156-160. Liu Hongdong, Zhang Fenghua, Li Yuyi, et al. Temporal-spatial variation of soil organic carbon content in typical cotton field of the manas river valley in Xinjiang[J]. Journal of Arid Land Resources and Environment, 2007, 21(10): 156-160. (in Chinese with English abstract)

[28]夏英辉，熊黑钢. 土壤中盐分含量对EM38大地电导仪测量精度的影响分析[J]. 干旱区资源与环境，2013，27(10)：163-168. Xia Yinghui, Xiong Heigang. Influence of soil salt contents on the measureinh accuracy of EM38[J]. Journal of Arid Land Resources and Environment, 2013, 27(10): 163-168. (in Chinese with English abstract)

[29]McKenzie R C, George R J, Woods S A, et al. Use of the electromagnetic-induction meter (EM38) as a tool in managing salinisation[J]. Hydrogeology Journal, 1997, 5(1): 37-50.

[30]Misra R K, Padhi J. Assessing field-scale soil water distribution with electromagnetic induction method[J]. Journal of Hydrology, 2014, 516: 200-209.

[31]Hendrickx J M H, Borchers B, Corwin D L, et al. Inversion of soil conductivity profiles from electromagnetic induction measurements[J]. Soil Science Society of America Journal, 2002, 66(3): 673-685.

[32]Huang J, Taghizadeh-Mehrjardi R, Minasny B, et al. Modeling soil salinity along a hillslope in Iran by inversion of EM38 Data[J]. Soil Science Society of America Journal, 2015, 79(4): 1142-1153.

[33]Shi X, Wang H, Song J, et al. Impact of saline soil improvement measures on salt content in the abandonment-reclamation process[J]. Soil and Tillage Research, 2021, 208: 104867.

[34]陈接华，王绍明，曹国栋，等. 玛纳斯河流域不同地貌和植被类型下土壤物理性质研究[J]. 新疆农业科学，2012，49(2)：354-361. Chen Jiehua, Wang Shaoming, Cao Guodong, et al. Study on soil physical properties under different landforms and vegetation types in Manas River Watershed[J]. Xinjiang Agricultural Sciences, 2012, 49(2): 354-361. (in Chinese with English abstract)

[35]刘世全，蒲玉琳，张世熔，等. 西藏土壤阳离子交换量的空间变化和影响因素研究[J]. 水土保持学报，2004，18(5)：1-5. Li Shiquan, Pu Yulin, Zhang Shirong, et al. Spatial change and affecting factors of soil cation exchange capacity in Tibet[J]. Journal of Soil Water Conservation, 2004, 18(5): 1-5. (in Chinese with English abstract)

[36]郑琦，王海江，李万涛，等. 玛纳斯河流域土壤盐渍化影响因素研究[J]. 农业资源与环境学报，2016，33(3)：214-220. Zheng Qi, Wang Haijiang, Li Wantao, et al. Factors influencing soil salinization in Manasi River Basin, China[J]. Journal of Agricultural Resources and Environment, 2016, 33(3): 214-220. (in Chinese with English abstract)

[37]Corwin D L, Lesch S M. Application of soil electrical conductivity to precision agriculture: Theory, principles and guidelines[J]. Agronomy Journal, 2003, 95(3): 455–471.

[38]Corwin D L, Lesch S M. Apparent soil electrical conductivity measurements in agriculture[J]. Computers and Electronics in Agriculture, 2005, 46(1/2/3): 11-43.

[39]Corwin D L, Lesch S M. Protocols and guidelines for field-scale measurement of soil salinity distribution with EC a-directed soil sampling[J]. Journal of Environmental and Engineering Geophysics, 2013, 18(1): 1-25.

Synergistic interpretation model for soil salinity by electromagnetic induction under three typical landforms in arid areas

Song Jianghui1,2, Shi Xiaoyan1,2, Wang Haijiang1,2※, Lyu Xin1,2, Chen Jianhua1,2, Li Weidong1

(1.,,832003,; 2.-,,832003,)

Accurate and rapid assessment and measurement of soil salt accumulation and spatial distribution changes are essential for preventing land degradation and improving the ecological environment. The soil Apparent Conductivity (ECa) obtained by electromagnetic induction technology can be more effective and faster to obtain soil salinity information, which helps to overcome some challenges in traditional sampling methods and reduce costs. However, the differences in soil properties among different geomorphologic types may lead to the decrease in the accuracy of EM38 in predicting soil salinity. In order to clarify the effect of soil properties on apparent conductivity under different geomorphologic types, three typical landforms (alluvial-proluvial fan edge, alluvial plain and dry delta) in Manas River Basin of Xinjiang were taken as the research objects. The apparent conductivity data of two measurement modes (horizontal mode EMh and vertical mode EMv) were obtained by using EM38 at different heights from the ground, i.e., 30, 50, 70, 90, 110 and 130 cm, respectively. Moreover, in each landform, 20 representative sampling points were selected for soil sample collection, with sampling depth of 0-20, 20-40, 40-60, 60-80, 80-100 cm. Soil salt content, soil moisture content, soil clay mass fraction, soil Cation Exchange Capacity (CEC) and soil organic carbon content (SOC) were determined. Firstly, path analysis method was used to analyze the influence degree and contribution rate of salt content, soil clay mass fraction, soil CEC and SOC at different depths on apparent conductivity (ECa) measured at different heights. Next, by selecting non-salinity factors with high contribution rate of ECa as auxiliary variables, a multi-factor collaborative interpretation model of soil salinity was established, and compared with the model established only with ECa as independent variable. Finally, the optimal interpretation model of soil salt content was established and the accuracy of the model was evaluated. The results showed that among the three types of landforms, soil salt content was the most important factor affecting the contribution rate of ECa, and there were significant differences in the factors affecting ECa of each soil layer under different landforms. Water content of the upper soil (0-60 cm) contributed most to ECa, whereas soil CEC content and organic carbon content of the bottom soil (60-100 cm) in the alluvial-proluvial fan edge. A high contribution was made by soil salt content at 0-20 cm layer and 40-80 cm layer, whereas CEC and clay mass fraction for 20-40 cm layer in the alluvial plain. And ECa can be significantly affected by CEC content of the upper layer (0-60 cm) and soil organic carbon content of the lower layer (60-100 cm) in the dry delta. According to the accumulative contribution rate of more than 80%, non-salt factors were selected to establish the synergistic interpretation model of layered soil salt under different landforms. The2adjof different soil layers under three types of landforms increased from 0.81-0.86, 0.57-0.87 and 0.25-0.56 to 0.83-0.91, 0.63-0.93 and 0.48-0.70, respectively. The accuracy verification results showed that the2of salt prediction models for different soil layers under three types of landforms were 0.61-0.81, 0.48-0.85 and 0.35-0.66, respectively. The research results can provide reliable theoretical basis and technical methods for rapid and accurate monitoring of saline soil.

soils; salt; models; electromagnetic induction; influence factor; landforms

宋江辉，史晓艳，王海江，等. 干旱区三种典型地貌下电磁感应式土壤盐分协同解译模型[J]. 农业工程学报，2021，37(6)：81-90.doi：10.11975/j.issn.1002-6819.2021.06.011 http://www.tcsae.org

Song Jianghui, Shi Xiaoyan, Wang Haijiang, et al. Synergistic interpretation model for soil salinity by electromagnetic induction under three typical landforms in arid areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 81-90. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.011 http://www.tcsae.org

2020-11-09

2021-02-01

国家自然科学基金项目（31360301）；国际科技合作项目（2015DFA11660）；兵团重大科技计划项目（2018AA004、2018AA005）

宋江辉，博士生，研究方向为盐渍土监测。Email：SongJH0325@163.com

王海江，博士，教授，研究方向为绿洲水土资源利用。Email：wanghaijiang@shzu.edu.cn

10.11975/j.issn.1002-6819.2021.06.011

S151.9

A

1002-6819(2021)-06-0081-10