辽东湾北部碱蓬群落及滩涂土壤盐分遥感反演模型

王文硕， 李 微， 孙 悦， 孙 涛， 刘 远

(大连海洋大学海洋科技与环境学院， 辽宁 大连 116023)

盐地碱蓬是碱蓬群落的单一优势群种，具有很高的耐盐性，它能够增加土壤有机质含量，提高土壤中N、P、K的含量，有利于土壤的修复[1]，可改良土壤和改善辽东湾北部滨海湿地土壤盐渍化.由于盐分的胁迫，盐地碱蓬群落好像一幅庞大的红色地毯铺展在海滩上，形成著名的红海滩景观.受自然环境、植被演替和人为活动等多方面的影响，辽东湾北部盐地碱蓬群落出现迁移和大面积减少的现象[2-3].土壤盐分是影响盐地碱蓬生长的主要环境因素之一，土壤盐分过低，盐地碱蓬呈现绿色，盐分过高则会抑制盐地碱蓬生长甚至死亡[4].同时满足空间和时间尺度需求的遥感技术，利用地表光谱特性与土壤盐分之间的定量关系，结合数学物理方法可定量估算土壤盐分[5].

目前研究多针对干旱、半干旱及湿地等土壤盐渍化地区[6-8].研究中除了考虑裸土光谱信息，也有学者提出可以综合考虑像元内的裸土和植被信息[7-9].针对辽河口滨海湿地，李微等[10]针对滨海滩涂裸土，利用(偏最小二乘法)PLSR法构建了基于经包络线法去包络后的光谱数据的盐分反演模型，但目前进行辽东湾北部碱蓬群落土壤盐分遥感反演研究鲜见报道.相关研究表明，碱蓬群落覆盖度与其生物量呈正相关，并且碱蓬群落覆盖度非常不均一，天然盐地碱蓬覆盖度较小，最低仅为10%左右，而人为修复的盐地碱蓬覆盖度则高达90%[11-12]，因此需要综合考虑植被和土壤光谱信息，构建一种同时适用于高、低覆盖度碱蓬群落，甚至为潮滩裸土区域的盐分遥感反演模型.

土壤盐分遥感反演多基于可见光、红外光谱以及多光谱指数进行回归分析.丁建丽等[7]和张添佑等[9]分别基于植被指数-盐分指数特征空间构建了土壤盐渍化监测模型；夏军等[13]通过分析含盐土壤光谱特征以及发射率与含盐量的相关性，构建了基于实测热红外发射率光谱的土壤盐分反演模型；Gorji等[14]基于Landsat 8 OLI数据提取不同的盐分指数，通过回归分析，利用模型最好的盐分指数反演土耳其图兹湖周围土壤盐分.以上研究多基于单一的多光谱指数构建反演模型，但单一变量构建的模型也易出现饱和现象[15-16]，同时也未能充分考虑样本的数量及产生的随机误差而导致模型反演精度降低，因此本文利用交叉验证的逐步回归分析法构建土壤盐分反演模型，以提高模型精度；目前土壤盐分遥感反演研究多基于卫星数据，卫星数据往往受到大气条件等因素影响，而基于地面高光谱数据模拟卫星遥感反射率可以克服大气条件的不利影响，有助于提高反演模型的精度[17-19].本文基于地面高光谱数据模拟Landsat 8 OLI遥感反射率，利用交叉验证的逐步回归分析方法构建土壤盐分反演模型，研究将为辽东湾北部碱蓬群落生态环境监测和保护提供技术及数据支持.

1材料与方法

1.1研究区域概况

研究区域位于国家湿地自然保护区，地处辽河平原南部、辽东湾北部，如图1(a)所示.该区域属于暖温带大陆性半湿润季风气候，年均温8～9 ℃，年均降水量600～640 mm，主要生长着碱蓬、芦苇和水稻三种植被，其中盐地碱蓬是由陆地向海岸方向发展的先锋植被，由于盐分的胁迫呈红色，形成“红海滩”景观.

图1 研究区域和采样点Fig.1 Location of study area and sampling points

1.2地面数据采集

2017年9月至2019年9月，在研究区域内碱蓬群落随机布设42个1 m×1 m的样方(见图1(f))，并在相近的裸土上布点26个(见图1(b))，样方面积均为1 m×1 m，采样地点从西到东分别为笔架岭、鸳鸯沟和廊道景区海南三，其样点分布如图1(c)、图1(d)和图1(e)所示.每个样方分别采集经纬度、光谱数据、植株数量、植株高度和土壤表层样品等信息.

光谱数据利用美国ASD(Analytical Spectral Device)公司生产的FieldSpec HH手持便携式地物光谱仪进行采集，采集时间为10点～14点30分，光谱分辨率为1 nm，光谱仪探头视场角为25°，光谱范围为350～1 050 nm，采样间隔为1.4 nm.测量前将仪器预热15～30 min，使用白板进行校正，取暗电流和白板20次平均，样本光谱10次平均，测量碱蓬群落和裸滩光谱时探头垂直向下，距地面高度约1.5 m，每个样方取5条光谱曲线的算术平均作为该样方的光谱数据.

收集样方内所有植株个体，清洗后现场统计湿重，然后将样本装入采样袋中，置于实验室恒温干燥箱中85 ℃烘干至恒重，迅速称其干重，即生物量(盐地碱蓬植株的地上部分).样方内表层土壤采用挖掘法采集，每个样方按“五点采样法”采集5份土壤，均匀混合后装入采样袋内带回实验室及时进行样品处理，将样品烘干后磨碎，用0.5 mm孔筛过滤，按水土比为5：1的比例混合，振荡3分钟，再静置一段时间，使用数显盐度计测定盐分.最后统计样方采集的数据(见表1).

表1 样方采集信息Tab.1 Gather information table of samples

1.3光谱数据处理

将实测光谱数据结合Landsat 8 OLI波谱响应曲线来模拟卫星遥感反射率:

(1)

式中，bi为模拟的遥感反射率(单位：sr-1)；n为Landsat 8 OLI 1～5波段的光谱分辨率；Rrs，i为地面实测的遥感反射率(单位：sr-1)；ωi为Landsat 8 OLI 1～5的波谱响应函数，无量纲；i为波段号.

植被指数(vegetation index， VI)和土壤盐分指数(salinity index， SI)是表征植被覆盖度和土壤盐渍化程度的指数参数.植被指数包括：归一化差值植被指数(normalized difference vegetation index， NDVI)、比值植被指数(ratio vegetation index， RVI)、差值植被指数(difference vegetation index， DVI)、土壤调整植被指数(soil-adjusted vegetation index， SAVI)、修改型土壤调整植被指数(modified soil-adjusted vegetation index， MSAVI)等；土壤盐分指数包括：盐分指数SI(salinity index， SI)、盐分指数SI1(salinity index， SI1)、盐分指数SI2(salinity index， SI2)和盐分指数SI3(salinity index， SI3)等[8，20-22].

由于盐地碱蓬覆盖度不均一，特别是自然条件下受背景信息的影响严重，单一植被指数或土壤盐分指数难以准确获得土壤盐分信息，因此本文选择多种植被指数和盐分指数分析其与土壤盐分的相关性，进而构建盐分反演模型，植被指数和盐分指数的计算公式如表2所示.

1.4模型构建与检验

逐步回归分析是常见的多元回归分析方法，往往用于建立最优的回归模型，更加深入地研究多个变量之间的依赖关系[23]，线性回归模型表达式见式(2)：

y=a0+a1x1+a2x2+…+aixi，

(2)

式中，ai为回归系数，xi为各个多光谱指数.使用Spss 20.0进行逐步回归分析建立模型，并采用方差膨胀因子(variance inflation factor， VIF)进行共线性检验，确定模型的变量，当VIF>7.5时，说明变量间存在较强的共线性，应剔除变量[24].

表2 多光谱计算公式Tab.2 Multispectral indices formula

交叉验证法被广泛地用于模型的选择与评价，特别是在数据量较少的情况下，数据的重复使用可以提高模型的优越性.常见的交叉验证方法有保留交叉验证(hold-out)、k折交叉验证和留一交叉验证(leave-one-out)[25-27].本文采用6折交叉验证法，该方法具体实现过程为：将样本划分成6个不相交的子集，每次取一个子集作为验证集，其他5份数据作为训练集，在训练集上进行逐步回归分析，直到每组数据都做过验证集，最后对得到的6个模型进行精度评价以选择最优模型.

模型的精度由决定系数R2和均方根误差(RMSE)综合评价，模型反演能力由相对分析误差(RPD)评定，R2越大，RMSE越小，表明模型精度越高.当RPD>2时，表示模型反演效果较好；当1.4

2结果与分析

2.1土壤盐分及其对盐地碱蓬生物量的影响分析

将68个样方中的碱蓬样方和潮滩裸土样方的土壤盐分进行盐分含量统计，如图2所示.

图2 土壤盐分含量统计Fig.2 Statistics of soil salinity

由图2可以看出，碱蓬区样本的土壤盐分明显低于潮滩裸土区样本的土壤盐分.在一定程度上验证了盐地碱蓬可以从土壤中吸收大量土壤盐分，调节土壤盐分，改良盐渍土.

生物量是衡量植被碳吸收能力的重要指标，也是植被耐盐性的直接指标[1].由表1可知，海南三区域土壤盐分在总体上低于鸳鸯沟和笔架岭区域，而植株高度和生物量普遍均高于鸳鸯沟和笔架岭区域，在一定程度上说明了土壤盐分对盐地碱蓬生长的影响.选择土壤盐分分别为<10、10～13、13～15和>15 g·kg-1的碱蓬样本，计算相应土壤盐分范围内的生物量平均值，得到不同盐分下盐地碱蓬生物量平均值，如图3所示.

图3 不同土壤盐分下的盐地碱蓬生物量Fig.3 Biomass of S.salsa (Suaeda salsa) in plots different in salt content

由图3可知，当土壤盐分为10～13 g·kg-1时，盐地碱蓬生物量最高，在一定程度上说明了盐地碱蓬具有一定的耐盐性，然后随着盐分的增加，其生物量逐渐降低，特别是当土壤盐分高于15 g·kg-1时，其生物量下降幅度最大，表明土壤盐分在高于15 g·kg-1会对碱蓬生长有抑制作用.

针对研究区域，吴涛等[12]研究发现天然盐地碱蓬覆盖度较小，最低仅为10%左右，而人为修复的盐地碱蓬覆盖度在50%～90%之间，但占整个盐地碱蓬区域的10%不到，可见碱蓬群落覆盖度并不均一，因此需考虑盐分反演模型在不同覆盖度碱蓬群落，甚至是裸滩情况下的适应性.

2.2相关性分析

将地面光谱反射率和由模拟卫星反射率构建的多光谱指数分别与土壤盐分进行相关性分析(见图4).

由图4(a)可知，地面实测光谱的可见光波段(430～700 nm)与土壤盐分的相关性高于近红外波段，其中红光、红边波段与土壤盐分相关系数波动较大；绿光波段与土壤盐分相关性较为平稳，相关系数接近0.40；近红外波段与土壤盐分的相关系数最低，其值接近0.20.

由图4(b)可知，植被指数 NDVI和RVI与土壤盐分的相关性较高，相关系数达到了-0.689和-0.683，在盐分指数中，除SI2外其余盐分指数与土壤盐分的相关系数均较高，且与土壤盐分在0.01水平上显著相关.由模拟卫星反射率构建的多光谱指数(见表2)与土壤盐分的相关性在整体上有了显著的提高，可进一步用于建立土壤盐分反演模型.

2.3基于交叉验证的逐步回归土壤盐分反演模型

以土壤盐分为因变量，多光谱指数为自变量，经过6折交叉验证后，得到6个逐步回归分析模型，如表3所示.

由表3可知，引入模型的参数为NDVI、RVI、SAVI、SI、SI2和SI3，模型的VIF均小于7.5，在6种反演模型中，模型1由NDVI和SI构建，模型的建模集R2最低，验证集的RMSE值最高，RPD值为1.22，模型1的精度和反演能力较差；模型2由RVI、SI3和SI2构建，模型的建模集R2和RMSE值分别为0.641和3.56，模型的精度较高，但验证集的RPD值低于1.4，模型2的反演能力较差；而其余4种模型分别由NDVI、SAVI、SI3和RVI、SAVI、SI3构建，4种模型的建模集R2相差不大，根据RPD值分析得，模型3和模型4的RPD值均在1.4和2之间，模型的反演能力一般，模型5和模型6的RPD值均大于2，2种模型的反演能力较好，其中模型6的RPD值最大且建模集R2最高，验证集RMSE值最低，因此本文认为模型6的模型精度和反演能力相对较好，可用来反演辽东湾北部盐地碱蓬及滩涂的土壤盐分.

图4 地面实测光谱反射率(a)、多光谱指数(b)的相关性分析Fig.4 The correlation analysis of measured spectral data (a) and multispectral indices (b)

表3 模型拟合结果

2.4模型比较

本文同时基于逐步回归分析法筛选的指数因子构建多元线性回归反演模型，进行模型对比分析.为了进一步讨论模型在研究区域碱蓬区和裸土区的适用性，制作了盐地碱蓬区和裸土区样本点的反演值和实测值的二维散点图，如图5所示.

由图5(a)和图5(b)中的黑色虚线发现，盐地碱蓬区和潮滩裸土区样本点的土壤盐分的分界阈值大约在16 g·kg-1，且由图3可以看出，当土壤盐分大于15 g·kg-1时，碱蓬生物量呈明显的下降趋势.相关研究表明，盐地碱蓬具有耐盐性，但仍有耐受限度，土壤盐分低于15 g·kg-1时，碱蓬生长状况良好，盐分过高则抑制其生长[4].两种模型中，基于交叉验证方法得到的逐步回归模型的建模集R2为0.684，建模集和验证集的RMSE值分别为3.45和1.88，RPD值大于2，而未经交叉验证方法得到的多元线性回归模型的建模集R2低于0.6，建模集和验证集的RMSE值接近0.4，RPD值小于1.4.同时由表3和图5(b)可以得出，经交叉验证方法得到的逐步回归模型的精度要高于多元线性回归模型，因此可以得出利用交叉验证方法进行回归分析可以提高模型的反演精度和反演能力.

在两种模型的反演值和实测值散点图中，部分盐地碱蓬群落样点(见图5红色椭圆部分)均出现盐度估算偏高现象，而部分滩涂裸土样点(见图5蓝色椭圆部分)均出现盐度估算偏低现象.多元线性回归模型的反演结果偏离1∶1线相对逐步回归模型较大，特别是在盐分大于10 g·kg-1时，基于交叉验证的逐步回归模型的反演效果明显优于多元线性回归模型.综合考虑两种模型建模集和验证集精度，以及在碱蓬区和裸土区的适用性，本文认为基于交叉验证方法得到的逐步回归模型更适用于反演辽东湾北部盐地碱蓬及滩涂的土壤盐分.

图5 模型反演值和实测值散点图Fig.5 Scatter diagram of predicted value and measured value

3结 论

结合基于地面高光谱数据的Landsat 8 OLI模拟遥感反射率和土壤盐分数据，利用交叉验证的逐步回归分析方法建立了针对Landsat 8 OLI数据的辽东湾北部碱蓬群落及滩涂的土壤盐分反演模型，得出以下结论.

1) 碱蓬区样本的土壤盐分明显低于潮滩裸土区样本的土壤盐分，土壤盐分影响盐地碱蓬生长，当土壤盐分为10～13 g·kg-1时，盐地碱蓬生物量最高，在一定程度上说明了盐地碱蓬具有一定的耐盐性，然后随着盐分的增加，其生物量逐渐降低，特别是当土壤盐分高于15 g·kg-1时，会对碱蓬生长有抑制作用，其生物量下降幅度最大.

2) 地面实测光谱的红光、红边波段与土壤盐分的相关系数波动较大，但整体上与土壤盐分相关性较低，由模拟卫星反射率构建的多光谱指数与土壤盐分的相关性有显著的提高，可进一步用于建立土壤盐分反演模型.

3) 以多光谱指数为自变量，土壤盐分为因变量，利用交叉验证的逐步回归方法构建反演模型y=13.274+10.809RVI-22.84SAVI+20.294SI3，建模集R2为0.684，建模集和验证集的RMSE分别为3.45和1.88，RPD值为2.28，模型的反演精度和反演能力相对较好；经过对相同参数是否利用交叉验证方法进行回归分析，通过对比模型的R2、RMSE和RPD，以及模型的反演值和实测值接近1∶1线的程度，本文认为基于交叉验证的逐步回归分析方法来反演辽东湾北部碱蓬群落土壤盐分是可行的，研究可进一步在像元尺度和其他卫星数据进行推广.

本研究针对辽东湾北部碱蓬群落及周围滩涂构建盐分反演模型且达到了较高的精度，在样本数量较少的情况下，采用了交叉验证的方法可以重复利用样本对模型进行构建与选择，使得构建的盐分反演模型的精度高于以往的多元线性回归盐分反演模型.同时，不同的分组方法与分组数量会导致不同的拟合效果，但并不影响模型的构建与选择，并且模型的精度高于以往的线性回归分析模型.鉴于此，如何改进交叉验证方法来反演辽河口滨海湿地土壤盐分将是今后研究的重点.

致谢：感谢所有参加地面数据采集的工作人员.