基于物候特征的鹽漬化信息數(shù)據(jù)挖掘研究

何寶忠,丁建麗,*,王 飛,張 喆,劉博華

1 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院,烏魯木齊 830046 2 新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室,烏魯木齊 830046

?

基于物候特征的鹽漬化信息數(shù)據(jù)挖掘研究

何寶忠1,2,丁建麗1,2,*,王 飛1,2,張 喆1,2,劉博華1,2

1 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院,烏魯木齊 830046 2 新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室,烏魯木齊 830046

鹽漬化是影響植被和作物長勢(shì)的重要因素,精確反演鹽漬化的時(shí)空分布信息至關(guān)重要?；贛OD13A1-NDVI數(shù)據(jù)反演生長季開始日期(SOS)、生長季結(jié)束日期(EOS)、生長季長度(LEN)等物候參數(shù)和計(jì)算出能高精度反演鹽漬化空間分布的多種植被指數(shù)、鹽分指數(shù)、地形指數(shù)、干旱指數(shù)等參數(shù)后作為BP-ANN人工神經(jīng)網(wǎng)絡(luò)的輸入因子來反演鹽漬化信息,同時(shí)按照植被類型和地貌類型進(jìn)行分區(qū)來反演鹽漬化信息,以探討鹽漬化受植被和地貌類型的影響。主要結(jié)論如下:①鹽漬化的形成受多種因素的影響,與物候參數(shù)大多呈非線性關(guān)系,不能單純的以某擬合公式來進(jìn)行表達(dá),需要借助人工神經(jīng)網(wǎng)絡(luò)超強(qiáng)的非線性擬合能力來反演鹽漬化信息。②通過深入挖掘植被物候信息,在融入物候參數(shù)后的反演精度顯著提高?？蓻Q系數(shù)R2從0.68(非物候參數(shù))增加到0.79(包括物候參數(shù)),但是需要加入地形、影像數(shù)據(jù)和土壤水分等方面的信息來更加精確的反演鹽漬化信息。生物累積量指標(biāo)LSI(Large seasonal integral)和SSI(Small seasonal integral)能夠很好的表征鹽漬化的信息。③劃分植被類型后的鹽漬化提取精度進(jìn)一步提高,可決系數(shù)R2達(dá)到了0.88。④以地貌特征作為類型分區(qū)后,反演結(jié)果的R2達(dá)到了0.85,精度較高,比以植被類型作為分區(qū)的精度略小。高程較低區(qū)域的鹽漬化現(xiàn)象普遍較重,鹽漬化程度受到地形和地貌因素的影響顯著。⑤農(nóng)用地區(qū)域多為非鹽漬化和輕度鹽漬化地,稀疏植被區(qū)多為重鹽漬化地。研究區(qū)的非鹽漬化和輕鹽漬化地、中鹽漬化地和重度鹽漬化地比例分別為53.42%,13.71%,32.87%。以上的研究結(jié)果提出了一種融合物候信息和非物候參數(shù)來反演鹽漬化信息的方法,進(jìn)行深入的協(xié)同植被物候監(jiān)測(cè)鹽漬化信息方面的數(shù)據(jù)挖掘,在融入了物候參數(shù)后,鹽漬化的預(yù)測(cè)精度顯著提高。

鹽漬化; 物候信息; 地表參數(shù); 數(shù)據(jù)挖掘

研究表明,在干旱區(qū)由于鹽漬化和次生鹽漬化所造成的大面積土地被迫撂荒和植被的第一性生產(chǎn)力下降,嚴(yán)重降低了土地生產(chǎn)力,限制著農(nóng)業(yè)生產(chǎn)的發(fā)展[1]。同時(shí)由于為短期利益的農(nóng)業(yè)活動(dòng)而忽視了長期的后果是加重鹽漬化的重要原因[2]?，F(xiàn)在傳統(tǒng)的方法來監(jiān)測(cè)鹽漬化表現(xiàn)出多方面的不足,而融合了遙感RS、地理信息系統(tǒng)GIS的技術(shù)方法卻顯示出很多優(yōu)勢(shì)[3]。國外學(xué)者利用遙感提取鹽漬土信息主要有以下方法：波段選擇、主成分分析、K-T 變換、IHS 變換、圖像比值運(yùn)算,以及最大相似性分類、神經(jīng)網(wǎng)絡(luò)、決策樹、表面特征分解、模糊分類以及多源數(shù)據(jù)集成建模等信息提取技術(shù)[4]。國內(nèi)學(xué)者對(duì)土壤鹽漬化狀況遙感監(jiān)測(cè)的研究多從靜態(tài)角度,鹽漬化信息提取的方法主要有目視解譯、基于影像光譜特征的數(shù)字圖像處理技術(shù)、遙感信息地理信息綜合分類、基于地學(xué)知識(shí)發(fā)現(xiàn)的識(shí)別與分類、人工神經(jīng)網(wǎng)絡(luò)分類器(RBF 或 BP 神經(jīng)網(wǎng)絡(luò)模型)等[4-5]。國內(nèi)的一些學(xué)者還運(yùn)用主要由各種植被指數(shù)、鹽分指數(shù)或堿性指數(shù)等來構(gòu)建特征空間來提取鹽漬化信息[6-9]。很多研究中都用到了歸一化差值植被指數(shù)(NDVI)來作為參數(shù),但NDVI值與土壤電導(dǎo)率之間存在的相關(guān)性可用于區(qū)分鹽漬土和非鹽漬土,但無法區(qū)分鹽土和堿土,同時(shí)由于不同類型的植被生長在不同的鹽漬化水平下,NDVI表現(xiàn)出很大的不確切性[2,4]。因此單純的考慮一種表征植被狀態(tài)的指數(shù)并不可取。綜合國內(nèi)外已有的研究可以發(fā)現(xiàn)存在以下一些可以改進(jìn)的地方：

(1)多數(shù)對(duì)于監(jiān)測(cè)鹽漬化選擇的參數(shù)是基于光譜特征[10]、母質(zhì)成因參數(shù)[11-12]、地貌特征和數(shù)字高程模型(DEM)[13]。但是對(duì)于植被的信息大多是用如NDVI、修改型土壤調(diào)整植被指數(shù)(MSAVI)和轉(zhuǎn)換型土壤調(diào)整植被指數(shù)(TSAVI)等相關(guān)的指數(shù)。這些指數(shù)雖然各有優(yōu)勢(shì),但解決的也只能是較理想下的土壤背景和植被覆蓋等兩大地類信息,不能用在每一種自然環(huán)境狀態(tài)下[2]。同時(shí),很多研究只是以鹽生植被和非鹽生植被來介紹植被在不同鹽分下的長勢(shì)情況,但較少對(duì)鹽生植被與非鹽生植被進(jìn)行區(qū)別研究(即劃分出鹽生植被和非鹽生植被,然后選擇不同的方法或設(shè)置不同的參數(shù)進(jìn)行監(jiān)測(cè),最終把不同監(jiān)測(cè)的結(jié)果進(jìn)行匯總,得到整個(gè)研究區(qū)鹽漬化空間分布信息),這很可能使得最后提取的鹽漬化信息精度有所降低。根據(jù)相關(guān)研究[14-15],這種植被類型的劃分更能有效的表征鹽漬化程度的分布情況,因此本文也通過探討劃分不同的植被類型進(jìn)行分區(qū)來反演鹽漬化信息。

(2)很多研究對(duì)于鹽漬化信息的提取只是針對(duì)某一特定時(shí)期進(jìn)行的,選擇的影像數(shù)據(jù)及其他輔助數(shù)據(jù)都圍繞著采樣時(shí)間進(jìn)行,其結(jié)果是影像等輔助數(shù)據(jù)選擇只是一期的的結(jié)果,但鹽漬化在一定的區(qū)域內(nèi)是多種自然原因和人類原因長期共同作用的結(jié)果[5],而MODIS長時(shí)間序列的植被指數(shù)數(shù)據(jù)滿足長期觀測(cè)的條件。

(3)不同的植被與土壤類型,NDVI等相關(guān)植被指數(shù)、鹽分指數(shù)的變化[16]、管理措施、蟲害、疾病、氣候和土壤屬性[2]等會(huì)使得這些參數(shù)與鹽分信息呈現(xiàn)出非線性的變化,因此有必要探討運(yùn)用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大而復(fù)雜的非線性擬合能力來反演鹽漬化信息的時(shí)空分布情況。

(4)反演出的植被指數(shù)與含鹽量的相關(guān)性很低,是因?yàn)閷拝^(qū)間的光譜波段不能捕捉由于鹽分的變化而出現(xiàn)的生物物理化學(xué)上的差異[17],因此需要尋求一種能平衡時(shí)間分辨率、空間分辨率和波譜分辨率的數(shù)據(jù)源,而MODIS數(shù)據(jù)同時(shí)具備這些優(yōu)點(diǎn)[15],是一種良好的遙感數(shù)據(jù)源。

(5)研究表明當(dāng)土壤足夠干燥時(shí),能夠用遙感數(shù)據(jù)來進(jìn)行較高精度的反演[14],因此這限制了遙感數(shù)據(jù)主要適用于區(qū)域中降水稀少的干季,而不適用于降水集中的濕季[6]。同時(shí)地表上一般均有植被覆蓋,特別是在農(nóng)耕區(qū),因此監(jiān)測(cè)作物的長勢(shì)情況是一種潛力巨大,能夠代替?zhèn)鹘y(tǒng)方式的方法,因?yàn)橹脖婚L勢(shì)差的地區(qū)一般表征著重鹽漬化程度集中的區(qū)域[14]。這種方法在一些地方已經(jīng)有成功運(yùn)用的案例,特別是在完全沒有植被存在的情況下[18-19]。

(6)在先前的研究中,MODIS連續(xù)數(shù)據(jù)和鹽分的相關(guān)性很可能被低估,MODIS連續(xù)時(shí)間序列的數(shù)據(jù)并沒有被充分利用,特別是在物候信息方面[15]。已有的報(bào)道中雖有用物候參數(shù)來進(jìn)行研究,但研究較少,主要考慮到的只有植被類因素[14-15],精度難免有所影響,極有可能存在一定的不確定性,因此本文通過加入物候信息來探討反演鹽漬化的信息。

綜上,對(duì)于植被監(jiān)測(cè)鹽漬化信息的能力還沒有充分挖掘。一般情況下植被受到鹽漬化的影響會(huì)有著較低的光合作用,同時(shí)使得可見光反射率增高,近紅外反射率降低[20-21]。鹽生植被一般具有較高的耐鹽性,因此是區(qū)分鹽漬化地區(qū)和非鹽漬化地區(qū)的理想指標(biāo)[22]。MODIS連續(xù)序列的數(shù)據(jù)平衡了光譜分辨率、時(shí)間分辨率和空間分辨率的優(yōu)勢(shì)[15],可以用來進(jìn)行大尺度的監(jiān)測(cè)鹽漬化信息。因此本文以渭干河-庫車河三角洲綠洲為研究區(qū),基于MOD13A1-NDVI數(shù)據(jù)來提取2013年植被多種物候信息,綜合物候和非物候影響因子來反演研究區(qū)的鹽漬化信息。

1 研究區(qū)概況

圖1 研究區(qū)及采樣點(diǎn)分布圖Fig.1 Location of study area and distribution of sampling sites

渭干河—庫車河三角洲綠洲(以下簡稱渭庫綠洲)位于新疆南部的塔里木盆地中北部,屬大陸性暖溫帶干旱氣候[7]。根據(jù)對(duì)實(shí)地采樣區(qū)域確定的邊界范圍為: 82°10′—83°50′E；41°06′—41°40′N (圖1)。屬于大陸性溫帶干旱氣候。多年平均氣溫11.6℃,多年平均降水量為52mm,蒸降比為54∶1[23]。土壤主要為潮土和草甸土[7]。綠洲自然植被以鹽生植被為主,如檉柳(Tamarix)、鹽節(jié)木(Halocnemumstrabliaceum)、鹽爪爪(Kalidiumfoliatum)、花花柴(Kareliniacaspica)、蘆葦(Phragmitescommunis)、苦豆子(Sophoraio pecuroides)、白刺(Nitrarria sibirica)、黑刺(Lyciumruthenicum)、駱駝刺(Aihagisparsifolia)、鹽穗木(Halostachyscaspica)、胡楊(Populuseuphratica)等肉質(zhì)多汁泌鹽植物和鹽生灌叢,主要呈片狀分布在綠洲外圍[24]。農(nóng)田植被主要由小麥、玉米、棉花等種植作物構(gòu)成,主要分布在綠洲內(nèi)部水資源豐富、種植環(huán)境良好、排灌渠設(shè)施完善的種植區(qū)[24]。渭庫綠洲鹽類沉積規(guī)模大,土壤普遍鹽漬化,鹽漬化總面積超過研究的50%,重度鹽漬化(5—10 g/kg)面積達(dá)到30%,因此綠洲的發(fā)展受到嚴(yán)重威脅[23,25]。

2 研究方法與原理

綜合物候參數(shù)、植被指數(shù)、鹽漬化指數(shù)、干旱指數(shù)、特征空間、影像反射率、地形參數(shù)等22種參數(shù)來反演研究區(qū)鹽漬化的空間分布信息。這些參數(shù)分別代表了物候特征、植被長勢(shì)情況、鹽漬化分布特征、干旱情況和地形變化特征等。物候參數(shù)的定義見表1[15,26],非物候參數(shù)的定義見表2。

表1 物候參數(shù)的定義和生態(tài)學(xué)意義

表2 非物候參數(shù)的定義與計(jì)算

B 藍(lán)波段反射率,R 紅波段反射率,NIR 近紅外反射率

2.1 電導(dǎo)率數(shù)據(jù)的采集

選擇具有代表性的土壤表層單元,測(cè)量單元的位置、數(shù)量、土壤質(zhì)地和鹽分狀況和植被類型以及土地覆蓋情況等進(jìn)行選取(圖1)。對(duì)每個(gè)測(cè)量單元進(jìn)行表層(0—10cm)土壤樣品的采集。然后帶回實(shí)驗(yàn)室中經(jīng)過自然風(fēng)干,磨碎,過0.5mm孔徑篩、制作1∶5比例的浸提液來測(cè)定土壤電導(dǎo)率和含鹽量,采樣時(shí)間為2013年8月,剔除不能提取物候參數(shù)對(duì)應(yīng)像元的采樣點(diǎn),最終選出87個(gè)采樣點(diǎn)來進(jìn)行分析(圖1)。

2.2 地形參數(shù)的獲取

研究表明地形參數(shù)中高程、坡度對(duì)鹽漬化的聚集有重大影響[13]。地形的高低直接決定了地下水與地表水的流向,這使得鹽分會(huì)隨著水流流向而發(fā)生不同程度的聚集,地勢(shì)較高的區(qū)域一般鹽漬化程度較低,地勢(shì)較低的區(qū)域鹽漬化程度一般較高。Moore等[34]研究發(fā)現(xiàn)土壤鹽分和地形濕度指數(shù)有很強(qiáng)的相關(guān)性。地形濕度指數(shù)具有明確的物理意義:具有相同地形濕度指數(shù)的不同空間位置對(duì)降雨的水文響應(yīng)相同,地形濕度指數(shù)頻率分布相同的不同流域具有水文相似性。因此其頻度分布及空間分布在流域的土壤分布及分布式水文模型等研究中具有重要的意義[33]。同時(shí)地形濕度指數(shù)表征了地表水文特征的濕度程度,被用來對(duì)鹽漬化程度進(jìn)行分類[34]。所有這些參數(shù)都反演于500m分辨率的DEM數(shù)據(jù),具體計(jì)算公式參見表2。

2.3 地表覆蓋數(shù)據(jù)的獲取

獲取渭庫綠洲2009年500m分辨率的土地利用產(chǎn)品MODIS-MCD12Q1的土地利用數(shù)據(jù),從中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心(http://www.resdc.cn)下載2010年土地利用數(shù)據(jù)。由于中科院的土地利用數(shù)據(jù)分辨率是1000 m,因此2013年使用的是2009年分辨較高的土地利用數(shù)據(jù)。

根據(jù)本研究目的和根據(jù)MODIS產(chǎn)品的土地覆蓋劃分的類型和文獻(xiàn)[15]的分類,分為農(nóng)田植被(代表不同作物類型的植被,主要是非鹽生植被)、鹽生植被(主要是稀疏植被,分布于為綠洲外圍和荒漠區(qū))和其他地類(代表了混合了農(nóng)用地和稀疏植被的區(qū)域,主要包括稠密灌叢、稀疏灌叢、稀疏草原、草地、永久草地、自然植被等地類)等3大類。但由于其他地類中的樣點(diǎn)主要位于綠洲荒漠交錯(cuò)帶區(qū)域,受人類活動(dòng)影響較大，同時(shí)在這個(gè)漫長的交錯(cuò)帶上,其他地類分布的樣點(diǎn)顯得特別分散,如果單獨(dú)進(jìn)行反演極有可能會(huì)使得結(jié)果有較大的不確定性,因此其他地類中反演結(jié)果用不分區(qū)時(shí)的結(jié)果替代。

2.4 溫度植被干旱指數(shù)(TVDI)

目前,基于植被指數(shù)(VI)和地表溫度(Ts)的二維特征空間獲取溫度植被干旱指數(shù)(TVDI)綜合了兩個(gè)參數(shù)特有的生理生態(tài)意義,能有效地減小植被覆蓋度對(duì)干旱監(jiān)測(cè)的影響,準(zhǔn)確性更高,實(shí)用性更強(qiáng)；且特征空間所需數(shù)據(jù)較少,獲取方便,計(jì)算得到的 TVDI 的物理意義明確,應(yīng)用較為廣泛[35]。因此本文以TVDI來表征地表的土壤水分,因?yàn)橥寥浪趾望}分之間的關(guān)系直接關(guān)系到利用遙感光譜信息監(jiān)測(cè)土壤鹽漬化的精度[36]。很多研究表明TVDI對(duì)于不同地區(qū)的旱情監(jiān)測(cè)或土壤濕度時(shí)空差異方面取得了顯著的效果[37]。同時(shí)劉立文[38]等研究發(fā)現(xiàn)引入DEM數(shù)據(jù)對(duì)Ts做地形校正,減少了地形起伏對(duì)能量平衡的影響,所用模型為C校正模型。但是盡管C校正模型易于使用,但在森林覆蓋的山區(qū),其模型的幾何關(guān)系與植被向地生長的特性不相符[39]。為此,一些研究者提出了適用于森林山區(qū)遙感影像地形校正的 SCS 模型[39]。由于 SCS 與 Cosine 模型一樣存在過度校正的情況,所以依照C模型的建立方法,經(jīng)驗(yàn)參數(shù)C被引入SCS形成了SCS+C模型,取得了較好的校正效果[40]。因此本文采用基于奈曼最優(yōu)分配法[41]的SCS+C模型來校正Ts,最后得到TVDI(表2)。

2.5 鹽漬化監(jiān)測(cè)模型SDI的建立

綜合分析歸一化差值植被指數(shù)(NDVI)、鹽分指數(shù)(SI)二者之間的關(guān)系,在此基礎(chǔ)之上提出 NDVI-SI特征空間概念,并構(gòu)建土壤鹽漬化遙感監(jiān)測(cè)指數(shù)模型(SDI)。研究結(jié)果表明土壤表層含鹽量與SDI相關(guān)性較高,對(duì)于干旱區(qū)鹽漬地信息提取具有重要意義[28]。因此根據(jù)采樣日期選擇MODIS-NDVI數(shù)據(jù)和計(jì)算鹽分指數(shù),構(gòu)造二維特征空間NDVI-SI,最后得到鹽漬化監(jiān)測(cè)模型SDI,把SDI作為神經(jīng)網(wǎng)絡(luò)模型的一個(gè)輸入變量。

圖2 SDI模型圖形表達(dá)示意圖 Fig.2 Sketch map of SDI under lowly, moderately and highly saline soils注:A、E和B分別是空間軌跡曲線AEB的起點(diǎn),中間點(diǎn)和終點(diǎn)；L是指從空間中任意一點(diǎn)如C點(diǎn)至D點(diǎn)的直線距離；由坐標(biāo)軸NDVI和SI即可得到SDI

圖2顯示的是特征空間SDI模型的示意圖,AEB是特征空間軌跡曲線。空間中距離點(diǎn)D(1,0)越遠(yuǎn),表示鹽漬化程度越嚴(yán)重,越近表示鹽漬化程度越輕[28]。根據(jù)兩點(diǎn)之間的距離公式就可以得到從C點(diǎn)到D點(diǎn)的距離L:

(1)

從而建立鹽漬化監(jiān)測(cè)模型(SDI),表達(dá)式為:

(2)

2.6 植被指數(shù)與鹽分指數(shù)的計(jì)算

植被是鹽漬化程度的一種重要指示劑,因此選擇能夠較好地反應(yīng)土壤鹽漬化程度的4種光譜指數(shù)(表2):歸一化差值植被指數(shù)(NDVI)、修改型土壤調(diào)整植被指數(shù)(MSAVI)、轉(zhuǎn)換型土壤調(diào)整植被指數(shù)(TSAVI)和鹽分指數(shù)(SI)。經(jīng)過統(tǒng)計(jì),NDVI和MSAVI、TSAVI的相關(guān)性較低,相關(guān)系數(shù)均在0.2左右；MSAVI和TSAVI具有高度的相關(guān)性,相關(guān)系數(shù)接近于1；SI與MSAVI和TSAVI的相關(guān)性較低,均為-0.16；SI與NDVI的相關(guān)性較高,相關(guān)系數(shù)為-0.84；SDI和SI、NDVI相關(guān)性較高,相關(guān)系數(shù)均大于0.85(與NDVI是負(fù)相關(guān)),與TSAVI和MSAVI相關(guān)性較低,相關(guān)系數(shù)均為-0.21。綜上分析,盡管部分指數(shù)之間具有高度的相關(guān)性,但為了精確的捕捉鹽漬化信息細(xì)節(jié)上的變化,把這5(包括SDI)個(gè)指標(biāo)均作為反演的輸入變量。

2.7 遙感反射率數(shù)據(jù)

研究表明地表反射率對(duì)于監(jiān)測(cè)地表鹽漬化的效果顯著[42]。因此選擇藍(lán)波段、紅波段和近紅外波段反射率作為參數(shù)來表征鹽漬化的信息。經(jīng)統(tǒng)計(jì)可得藍(lán)波段和紅波段的相關(guān)系數(shù)達(dá)到了0.98,其他波段之間的相關(guān)系數(shù)的絕對(duì)值都小于0.2,但藍(lán)波段和紅波段在不同土壤水分含量的鹽漬地中的響應(yīng)并不一致,同時(shí)作為反演的一個(gè)因子能更好的捕捉鹽漬化變化的細(xì)節(jié)信息,因此這3個(gè)波段反射率全部用來作為反演輸入的變量。

2.8 植被物候參數(shù)的計(jì)算

盡管MOD13A1-NDVI數(shù)據(jù)經(jīng)過了大氣和氣溶膠的校正,但是厚重云霧仍然存在,因此在做平滑處理之前,需要根據(jù)MODIS質(zhì)量控制產(chǎn)品(QA)對(duì)連續(xù)時(shí)間的序列數(shù)據(jù)賦予不同的權(quán)重[15,26,43]。因此通過比較常用的Savitzky-Golay、Asymmetric Gaussian和Double logistic model等3種方法的濾波效果,本文最終選擇用Savitzky-Golay濾波法來對(duì)影像數(shù)據(jù)做處理,得到重建后的NDVI曲線。擬合公式為:

(3)

圖3 基于QA質(zhì)量數(shù)據(jù)賦予權(quán)重的Savitsky-Goaly濾波(2012—2014年)Fig.3 The QA weighted time series and Savitzky-Golay smoothed curves (2012—2014)

權(quán)重Cj=1/(2n+1),數(shù)據(jù)值yi被位置ti的平均值所取代,這是從二次多項(xiàng)式最小二乘法的2n+1個(gè)點(diǎn)的滑動(dòng)平均窗口中獲得。同時(shí)加入MODIS產(chǎn)品質(zhì)量控制影像文件,賦予像元不同的權(quán)重后可以有效的降低噪聲的影響。濾波結(jié)果如圖3所示,圖中藍(lán)線(具有不平滑特征的曲線)表示原始的序列曲線,紅線(較為平滑的曲線)代表平滑去噪后的曲線。

采用動(dòng)態(tài)閾值法從NDVI數(shù)據(jù)集中提取渭庫綠洲的物候參數(shù)。主要是因?yàn)榕c傳統(tǒng)的固定閾值法比較,動(dòng)態(tài)閾值法與每個(gè)像元的NDVI季節(jié)變化幅度緊密相關(guān),根據(jù)研究條件的不同,可以動(dòng)態(tài)地確定閾值,并消除不同土壤背景值和植被類型的影響[44]。根據(jù)相關(guān)者學(xué)者[45- 47]對(duì)中國及中亞不同地區(qū)的研究,本文將提取生長季開始日期(SOS)和生長季結(jié)束日期(EOS)的系數(shù)都設(shè)置為30%。用儒略歷計(jì)算法(1月1日為一年中第1天)進(jìn)行物候期統(tǒng)計(jì)分析[48]。

在經(jīng)過了平滑和參數(shù)設(shè)置后,用TIMESAT軟件計(jì)算季節(jié)性參數(shù)包括SOS、EOS、生長季長度(LEN)和生長季豐度(AMP)等10個(gè)參數(shù)。表1中闡述了不同指標(biāo)所代表的生態(tài)學(xué)意義[15,26]。

2.9 BP-ANN模型的預(yù)測(cè)研究

由于光譜反射率和土壤參數(shù)間的轉(zhuǎn)換函數(shù)是非線性的,因此人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network, ANN)已被廣泛用于獲取土壤參數(shù)。目前利用人工神經(jīng)網(wǎng)絡(luò)的研究多集中于對(duì)土壤質(zhì)地的土壤特性研究[49]。同時(shí)鹽漬土光譜數(shù)據(jù)的參數(shù)反演是將多維空間向低維空間的映射過程,這種映射關(guān)系是復(fù)雜的、非線性的。BP(Backpropagation)神經(jīng)網(wǎng)絡(luò)是智能計(jì)算技術(shù)的重要分支,具有快速、有效地處理多維、非線性數(shù)據(jù)的能力。將 BP 神經(jīng)網(wǎng)絡(luò)用于反演鹽漬土含鹽量能大大提高反演精度,推動(dòng)鹽漬土遙感的定量化發(fā)展[4]。所以結(jié)合前人的研究,本研究采用3層BP神經(jīng)網(wǎng)絡(luò),來預(yù)測(cè)研究區(qū)鹽漬化空間分布信息,見圖4。

圖4 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)鹽分模型流程圖Fig.4 The flowchart of predictation on salinity information based on BP-ANN model

神經(jīng)網(wǎng)絡(luò)是一種黑箱結(jié)構(gòu),多層神經(jīng)網(wǎng)絡(luò)能以任意精度逼近給定樣本的分布和結(jié)構(gòu)。訓(xùn)練過程無需人工操作,并且自動(dòng)獲得每個(gè)神經(jīng)元的權(quán)重[50]。它具有運(yùn)算效率高、自學(xué)習(xí)能力強(qiáng)、適應(yīng)面寬等優(yōu)點(diǎn)[51]。利用BP神經(jīng)網(wǎng)絡(luò)主要分為模型校正和模擬,主要思路為:建立三層神經(jīng)網(wǎng)絡(luò),包括輸入層,隱藏層和輸出層,利用隨機(jī)采樣的數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練,在利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)整個(gè)研究區(qū)的數(shù)據(jù)進(jìn)行模擬與預(yù)測(cè)(圖4)。

輸入層將信號(hào)輸出到隱藏層,隱藏層第j個(gè)神經(jīng)元所收到的信號(hào)為[50]:

(4)

式中,k為輸出信號(hào)對(duì)應(yīng)的模擬單元,t為模擬時(shí)間,netj(k,t)為隱藏層第j個(gè)神經(jīng)元所接收到的信號(hào),wi,j為為連接輸入層和隱藏層之間的參數(shù),即權(quán)重值。

隱藏層對(duì)該函數(shù)的響應(yīng)為:

(5)

所以輸出層第l個(gè)神經(jīng)元所接收到的信號(hào)為:

(6)

式中,PVl(k,t)為單元n在模擬時(shí)間t時(shí)刻第l個(gè)神經(jīng)元所接收到的信號(hào);wj,l為隱藏層和輸出層之間的參數(shù),即權(quán)重值。

將每個(gè)像元中的22個(gè)變量作為輸入層數(shù)據(jù),輸出層為預(yù)測(cè)的電導(dǎo)率數(shù)據(jù),由于隱藏層的神經(jīng)元的數(shù)目至少為2n/3個(gè)[52](其中n為輸入層神經(jīng)元的數(shù)目),因此本研究中隱藏層的神經(jīng)元數(shù)目為14個(gè)。

2.10 驗(yàn)證方法

選用均方根誤差(RMSE)、平均誤差(ME)和可決系數(shù)(R2)(實(shí)測(cè)值與預(yù)測(cè)值之間線性擬合方程的可決系數(shù))來評(píng)價(jià)不同方法預(yù)測(cè)的精度[6,13]。

(7)

(8)

(9)

式中,Pi代表預(yù)測(cè)值,Oi代表實(shí)測(cè)值,Oave代表實(shí)測(cè)平均值,Pave代表預(yù)測(cè)平均值,n表示驗(yàn)證點(diǎn)的數(shù)量。RMSE越小,R2越高,ME絕對(duì)值越接近于0,精度越高,反之越低。

3 實(shí)驗(yàn)結(jié)果和分析

3.1 不同參數(shù)的提取結(jié)果

依照上述描述的步驟計(jì)算出的各非物候參數(shù)見圖5。從圖5中可以得到以下結(jié)論: ①從NDVI分布圖可以得出,渭庫的綠洲內(nèi)部的植被覆蓋程度明顯高于綠洲荒漠交錯(cuò)帶和荒漠地區(qū)。②從TVDI分布圖中可以得出綠洲內(nèi)部的土壤含水量明顯高于綠洲外圍,從綠洲內(nèi)部—綠洲外圍—荒漠區(qū)依次遞減。③從坡度分布圖(SLOPE)中可以得到研究區(qū)坡度和高程的總體呈北高南低、西高東低的趨勢(shì),但總體差異不大,是明顯的平原地區(qū)。因此水流的總體趨勢(shì)是從北往南和從西向東,研究區(qū)東部是鹽漬化的“重災(zāi)區(qū)”[53]。④地形濕度指數(shù)空間分布信息顯示出TWI較低的地區(qū)多位于地勢(shì)較高的西北部地區(qū),較高值多位于東部和南部地區(qū)。⑤MSAVI和TSAVI的分布趨勢(shì)與NDVI基本相同。⑥分布在綠洲內(nèi)部農(nóng)用地區(qū)域的SI數(shù)值明顯低于荒漠區(qū)域。⑦SDI空間分布結(jié)果表明綠洲農(nóng)用地的SDI值明顯低于非綠洲地區(qū),在綠洲的大部分區(qū)域SDI小于0.4,非綠洲區(qū)域SDI集中于大于0.7,這在一定程度上表明在綠洲的鹽漬化程度普遍比綠洲荒漠交錯(cuò)帶和荒漠區(qū)低。

圖5 各非物候參數(shù)的計(jì)算結(jié)果Fig.5 Calculation results of the non-phenological parameters

3.2 物候參數(shù)的提取結(jié)果

為了更好的挖掘不同物候參數(shù)在不同植被類型下提取鹽漬化信息的能力,用野外實(shí)測(cè)的土壤含鹽量數(shù)據(jù)與這10種物候參數(shù)做最佳線性或非線性方程的擬合,擬合結(jié)果見表3。

表3 不同物候參數(shù)對(duì)于鹽分的最佳曲線擬合

SOS：生長季開始時(shí)間Start of season, ；EOS： 生長季結(jié)束時(shí)間End of season；AMP：生長季豐度Amplitude；LEN: 生長季長度Length of season；BASEV： 生長季NDVI最小值Base level；LD：生長季曲線的左斜率Left derivative；RD：生長季曲線的右斜率Right derivative；LSI： 生長季大生物累積量Large seasonal integral；SSI：生長季小生物累積量Small seasonal integral

表3中分為了不分植被類型和分植被類型的兩種情況。基于研究目的,只對(duì)最重要的代表非鹽生植被的農(nóng)田區(qū)實(shí)測(cè)樣點(diǎn)數(shù)據(jù)和代表鹽生植被的綠洲外圍與荒漠地區(qū)的實(shí)測(cè)樣點(diǎn)數(shù)據(jù)進(jìn)行了擬合。可得以下結(jié)論:①在真實(shí)的田間測(cè)量情況下,可決系數(shù)R2的變化范圍為0.06—0.48,因此不分地類的擬合結(jié)果精度較低,不足以來解釋鹽漬化信息的細(xì)節(jié)信息。②劃分地類后的農(nóng)用地R2有了明顯的提高,大多在0.55以上,最大值到達(dá)了0.92,但是對(duì)于稀疏植被區(qū)R2較低,因此單純的用某個(gè)擬合曲線不能很好的反應(yīng)鹽漬化的空間分布特征。③分地類和不分地類的最佳擬合方程大多是非線性的。④從農(nóng)用地最佳擬合曲線可以得出擬合方程多為單調(diào)遞減函數(shù),即隨著含鹽量的增加,其對(duì)應(yīng)物候參數(shù)的值在逐漸降低,最明顯的就是LSI、RD、LD、PV這幾個(gè)參數(shù),這些參數(shù)都代表了光合作用的情況信息,說明農(nóng)用地植被對(duì)于鹽分情況的變化極為敏感,鹽分越重對(duì)于農(nóng)作物的生產(chǎn)量的影響越大。⑤對(duì)于稀疏植被,情況更為復(fù)雜。大多是呈下開方向的二次多項(xiàng)式方程,即先隨著鹽分的增加對(duì)應(yīng)物候參數(shù)的值也在增加,到達(dá)一個(gè)最大之后又隨著鹽分的增加而減小,如EOS、AMP、BASE、PV、LD、RD和SSI。這就說明鹽生植被的確具有一定耐鹽性,但是當(dāng)鹽分含量到達(dá)一定程度之后也會(huì)對(duì)其生長造成較大的影響。⑥通過以上5點(diǎn)的分析,可以得出盡管通過深挖植被的信息可以較好的反演鹽漬化信息,但至少對(duì)于鹽生植被區(qū)域只用植被的物候信息反演鹽漬化信息的效果并不理想,需要借用其他方面的參數(shù)來參與反演。

通過以上6點(diǎn)的分析可以得出植被信息只是反演鹽漬化的一種重要指示劑,但不能適用于所有植被類型,用最佳曲線擬合的方式來反演鹽漬化信息不具有普適性?；谝陨系姆治?本研究運(yùn)用BP-ANN人工神經(jīng)網(wǎng)絡(luò)來結(jié)合物候參數(shù)、地形信息、影像數(shù)據(jù)、野外實(shí)測(cè)數(shù)據(jù)等22個(gè)參數(shù)來反演鹽漬化信息。

因?yàn)閺谋?的結(jié)果來看指示光合作用的LSI和SSI指數(shù)與鹽分含量的相關(guān)性較高,這表明生物累積量的信號(hào)能更好反映鹽漬化信息?？赡苤饕且?yàn)閷?duì)于不同類型的植被對(duì)于鹽漬化程度的響應(yīng)不同,同種植被對(duì)于不同鹽含量的響應(yīng)也不同,不同植被對(duì)于同一水平的鹽分含量響應(yīng)也會(huì)不同,但是這一切都會(huì)原原本本的記錄在植被的體內(nèi),最突出的就是它的長勢(shì)情況,最終就會(huì)導(dǎo)致生物累積量的不同,所以LSI和SSI的表征鹽漬化的能力要優(yōu)于其他幾個(gè)物候參數(shù),因此圖6中只顯示LSI和SSI分布圖。

圖6 生物累積量分布圖Fig.6 Biomass accumulation patterns

從圖6中的LSI空間分布可以得出位于綠洲農(nóng)用地植被區(qū)域的累積生物量明顯大于綠洲荒漠交錯(cuò)帶與荒漠地區(qū)。農(nóng)用地的生物量值最高,值域在4.9—9.2之間；綠洲荒漠過渡帶的生物量值較低,值域在1.1—4.9之間；荒漠地區(qū)生物量值最低,也是鹽漬化程度最嚴(yán)重的區(qū)域,值域在0—1.1之間。圖6中SSI分布的情況與LSI類似,不同的是對(duì)于同一區(qū)域的累積生物量的值要明顯低于LSI的值,如在農(nóng)田區(qū)的SSI值大部分處于4.9—6.4之間,而LSI值大部分在6.4—9.2之間。SSI值在綠洲和荒漠地區(qū)低于4.9的區(qū)域面積明顯大于LSI低值區(qū)。

3.3 不分區(qū)BP-ANN神經(jīng)網(wǎng)絡(luò)鹽漬化信息反演

圖7 不劃分植被類型鹽漬化分布圖 Fig.7 Spatial distribution patterns of soil salinity in 2013 without vegetation partitioning

把提取出來的10種物候參數(shù)(SOS、EOS、AMP、LEN、BASEV、PV、LD、RD、LSI、SSI)和12種非物候參數(shù)(NDVI、SI、SDI、TVDI、MSAVI、TSAVI、DEM、坡度(SLOPE)、TWI、藍(lán)/紅/近紅外波段反射率)作為BP-ANN的輸入因子。由于含鹽量和電導(dǎo)率之間有著極好的相關(guān)性,可以用電導(dǎo)率表征含鹽量[13],因此把野外實(shí)測(cè)的電導(dǎo)率(1∶5比例的浸提液電導(dǎo)率)作為輸出結(jié)果。隱藏層的神經(jīng)元數(shù)目設(shè)置為14個(gè)。

具體過程如下:

①采樣 利用野外實(shí)際采樣的87個(gè)采樣點(diǎn),其中50個(gè)樣點(diǎn)作為訓(xùn)練樣本,37個(gè)樣點(diǎn)作為測(cè)試樣本。

②預(yù)測(cè)2013年鹽漬化分布情況 利用Matlab創(chuàng)建BP神經(jīng)網(wǎng)絡(luò),利用訓(xùn)練好的網(wǎng)絡(luò)來對(duì)測(cè)試數(shù)據(jù)和逐像元數(shù)據(jù)進(jìn)行預(yù)測(cè),精度驗(yàn)證結(jié)果見表4,預(yù)測(cè)結(jié)果見圖7。

3.4 分區(qū)BP-ANN神經(jīng)網(wǎng)絡(luò)鹽漬化信息反演

分別把位于農(nóng)用地、稀疏植被區(qū)和其他地類的野外采樣點(diǎn)提取出來。用位于不同地類的采樣點(diǎn)來訓(xùn)練神經(jīng)網(wǎng)絡(luò),分別得到分區(qū)之后的結(jié)果圖,然后用各自地類的矢量邊界分別裁剪對(duì)應(yīng)的結(jié)果圖,最后在ArcGIS軟件中進(jìn)行鑲嵌處理,得到分區(qū)之后的鹽漬化信息分布圖。其中由于其他地類區(qū)的反演結(jié)果用不分區(qū)的結(jié)果代替。

具體過程如下:

①采樣 按照不同地物類型采集樣本,然后按照如上的設(shè)置提取訓(xùn)練樣本和測(cè)試樣本(實(shí)測(cè)數(shù)據(jù)中60%用于訓(xùn)練,40%用于測(cè)試)。

②預(yù)測(cè)2013年鹽漬化分布情況 利用Matlab創(chuàng)建BP神經(jīng)網(wǎng)絡(luò),利用訓(xùn)練好的網(wǎng)絡(luò)來對(duì)測(cè)試數(shù)據(jù)和逐像元數(shù)據(jù)進(jìn)行預(yù)測(cè),得到不同分區(qū)的預(yù)測(cè)結(jié)果,結(jié)果見圖8,鑲嵌后的結(jié)果如圖9所示,精度驗(yàn)證結(jié)果見表4。

圖8 基于不同植被類型分區(qū)鹽漬化的反演結(jié)果Fig.8 The inversion results of soil salinity based on vegetation partitioning

同時(shí)只用非鹽漬化的12個(gè)參數(shù)來反演鹽漬化分布情況,精度比較結(jié)果見表4。

從表4中可以得出當(dāng)無物候參數(shù)參與反演時(shí)可得：不分區(qū)和分區(qū)的總體差別不顯著,幾乎一致。RMSE從11.55增加為12.30,ME絕對(duì)值從0.88增加為2.46,R2從0.68下降為0.67,從這幾個(gè)方面可知分區(qū)后的總體精度略有下降,但是分區(qū)后農(nóng)用地部分的反演精度較高,RMSE從不分區(qū)時(shí)的11.55陡降為農(nóng)用地部分的4.21,R2也從0.68上升為0.73；對(duì)于稀疏植被,分區(qū)后的精度反而明顯降低,RMSE從11.55上升為14.22,R2從0.68下降為0.54,可見對(duì)于稀疏植被區(qū),單純的用物候參數(shù)進(jìn)行反演效果不理想,需要探討用其他方法以及加入其他參數(shù)后來進(jìn)行反演。當(dāng)有物候參數(shù)參與反演時(shí)可得：分區(qū)后的精度明顯要高于不分區(qū)時(shí)的精度,如RMSE從不分區(qū)時(shí)的9.55減少到分區(qū)后的7.73,ME從0.42減少為0.04,R2從0.79升高到0.8787,這個(gè)0.8787并沒有位于0.79和0.8765(農(nóng)用地)之間,主要原因是鑲嵌時(shí)的其他地類中的采樣點(diǎn)擬合精度高于不分區(qū)時(shí)的整體精度,R2達(dá)到了0.90,所以分區(qū)后鑲嵌的結(jié)果的R2更高。因此總體而言,按照植被類型分區(qū)后的預(yù)測(cè)精度明顯高于不分區(qū)時(shí)的精度。這可能主要是因?yàn)椴环謪^(qū)時(shí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中是對(duì)所有樣點(diǎn)進(jìn)行全局最優(yōu)擬合,在誤差反饋的過程中權(quán)重的分配根據(jù)所有樣點(diǎn)而變化,但是如地理坐標(biāo)投影一樣,局部區(qū)域的誤差會(huì)變大,因此神經(jīng)網(wǎng)絡(luò)訓(xùn)練好的結(jié)果難免會(huì)受到其他樣點(diǎn)的影響,精度較低。相反,在按照不同植被類型進(jìn)行分區(qū)后,對(duì)每種植被區(qū)的樣本進(jìn)行專門訓(xùn)練就不會(huì)受其他植被類型樣點(diǎn)的干擾,擬合出的方程與匹配的權(quán)重更加符合局部區(qū)域的實(shí)際情況,所以最終的預(yù)測(cè)精度較高。對(duì)比國內(nèi)相關(guān)學(xué)者對(duì)于該區(qū)域的研究[6- 7,24],發(fā)現(xiàn)其RMSE普遍較低,實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性一般都在0.84以上,但是對(duì)比國外相關(guān)學(xué)者[13]的研究,發(fā)現(xiàn)其RMSE普遍較高,一般數(shù)值在20以上,本文結(jié)果介于二者之間,但是從相關(guān)性和可決系數(shù)R2上看,本文反演結(jié)果的精度較高。主要原因可能是采樣時(shí)間與研究的時(shí)段不同和研究方法上的差異等。但是國外的研究一般都是基于大數(shù)據(jù)量的樣點(diǎn)統(tǒng)計(jì)出來的結(jié)果,更加具有統(tǒng)計(jì)學(xué)意義,因此以后應(yīng)該對(duì)研究區(qū)多采集樣點(diǎn),來更好的對(duì)比國內(nèi)外研究的精度。

表4 通過植被類型分區(qū)后不同結(jié)果反演的精度比較

從圖9中可以得到以下結(jié)論：①圖9中有部分無值區(qū),這主要是因?yàn)閷?duì)于無植被覆蓋或分布極其稀疏的區(qū)域,不能有效的提取物候參數(shù)所致。但是通過出野外的實(shí)際觀測(cè),這些無值區(qū)一般都是重鹽漬化區(qū)域。②綠洲內(nèi)部農(nóng)用地區(qū)域主要為非鹽漬化地和輕鹽漬化地,占有效像元的比例達(dá)到53.42%,主要位于中海拔沖積扇平原、中海拔沖積洪積扇平原、低海拔沖積扇平原的地貌類型區(qū)。③位于研究區(qū)綠洲東部和東南部鹽漬化程度最為嚴(yán)重,集中于大于16ms/m。整個(gè)研究區(qū)的重度鹽漬化地比例為32.87%,主要位于低海拔固定草灌叢沙堆的地貌區(qū)域中。④研究區(qū)中度鹽漬化比例為13.71%,主要零星分布于綠洲內(nèi)部,較為集中的分布在研究區(qū)東北部和綠洲最南端,所處的地貌類型主要是低海拔固定草灌叢沙堆。從以上分析可以得出鹽漬化程度受高程和地貌類型的影響顯著,高程較低的地區(qū)鹽漬化程度普遍較重,較高的區(qū)域鹽漬化程度普遍較低。因此對(duì)研究區(qū)以主要地貌類型進(jìn)行分區(qū)后,用BP-ANN預(yù)測(cè)后的的精度分析見表5,結(jié)果見圖10。

從表5可得：①當(dāng)物候參數(shù)參與反演時(shí),按地貌類型進(jìn)行分區(qū)后的預(yù)測(cè)精度有了明顯的提高,RMSE從9.55減小為8.18,大于按植被類型分區(qū)時(shí)的7.73；R2從0.79增加為0.85,小于按植被類型分區(qū)時(shí)的0.88；ME絕對(duì)值從0.42減少為0.11,大于按植被類型分區(qū)時(shí)的0.04,偏離真實(shí)值的幅度較大。②在無物候參數(shù)參與反演時(shí),按地貌類型分區(qū)后的預(yù)測(cè)精度略微下降,RMSE從11.55增加為13.52,R2從0.68減少為0.60,ME絕對(duì)值從0.88增加為3.78。從圖10中可以得出：鹽漬化與地貌類型呈高度對(duì)應(yīng)的聚集分布。在較高海拔區(qū)的中海拔沖積扇平原和中海拔沖積洪積扇平原的鹽漬化程度較低,集中于0—5.50ms/m。處于稀疏植被區(qū)和荒漠區(qū)的低海拔半固定草灌叢沙堆、低海拔固定草灌叢沙堆地貌類型的鹽漬化程度較重,主要位于研究區(qū)東北部、南部和西部綠洲邊緣區(qū),電導(dǎo)率普遍大于16.49ms/m。低海拔沖積扇平原是研究區(qū)主要的地貌類型,鹽漬化普遍較重,集中于5.50—16.49ms/m,但位于研究區(qū)南部邊的部分區(qū)域鹽漬化較輕,集中于0—5.50ms/m。位于研究區(qū)南部和塔里木河北岸交界的低海拔沖積河漫灘鹽漬化較重,但集中于小于34ms/m。綜上分析可以得出基于地貌類型分區(qū)后的整體預(yù)測(cè)精度比根據(jù)植被分區(qū)低,但顯著高于不分區(qū)時(shí)的精度,在以后的分析中以植被分區(qū)來作為依據(jù)更為適宜。

圖9 基于植被類型分區(qū)的鹽漬化組合結(jié)果圖Fig.9 Combination inversion result of soil salinity based on vegetation partitioning

圖10 基于地貌類型分區(qū)的鹽漬化組合結(jié)果圖Fig.10 Combination result based on geomorphological partitioning

表5 通過地貌類型分區(qū)后不同結(jié)果反演的精度比較

4 結(jié)論與討論

通過反演得到10種物候參數(shù)和計(jì)算得到植被指數(shù)、鹽漬化指數(shù)、地形參數(shù)等12種非物候參數(shù)作為BP-ANN模型的輸入因子,把在實(shí)驗(yàn)室實(shí)測(cè)的電導(dǎo)率數(shù)據(jù)作為輸出數(shù)值,最后反演得到鹽漬化信息空間分布圖,得到以下結(jié)論:

(1) 鹽漬化的形成受多種因素的影響,與物候參數(shù)大多呈非線性關(guān)系,不能單純的以某擬合公式來進(jìn)行表達(dá),需借助人工神經(jīng)網(wǎng)絡(luò)超強(qiáng)的非線性擬合能力來反演鹽漬化信息。

(2) 代表生物累積量的LSI和SSI最能顯著的表征鹽漬化的變化情況。

(3) 通過深挖植被多方面的信息,在融入物候參數(shù)后的鹽漬化反演精度顯著提高,可決系數(shù)從0.68增加為0.79,但是僅依據(jù)植被方面的信息不足以來精確反演鹽漬化信息,需要加入地形、影像數(shù)據(jù)和土壤水分空間分布情況等方面的信息。

(4) 按照植被類型分區(qū)后的鹽漬化信息預(yù)測(cè)精度進(jìn)一步提升,R2達(dá)到了0.88。極可能是因?yàn)橥ㄟ^植被分區(qū)研究后能夠用BP-ANN模型擬合得到對(duì)應(yīng)最佳局部的擬合方程,因此十分有必要按照植被類型進(jìn)行分區(qū)來反演鹽漬化信息。

(5) 按照地貌類型分區(qū)后的預(yù)測(cè)精度相比于不分區(qū)時(shí)有顯著的增加,RMSE從9.55減小為8.18,R2從0.79增加為0.85,但綜合預(yù)測(cè)精度比按照植被類型時(shí)偏低。

(6) 研究區(qū)非鹽漬化和輕度鹽漬化、中度鹽漬化和重度鹽漬化地比例分別為53.42%、13.71%和32.87%,鹽漬化地普遍存在,研究區(qū)東部和東南部鹽漬化最為嚴(yán)重。高程和地貌類型對(duì)鹽漬化分布影響顯著。

綜上分析可得出融合物候特征和按照植被類型或地貌類型分區(qū)后鹽漬化的反演精度顯著提高。但本文的采樣點(diǎn)較少,只有87個(gè)樣點(diǎn),在建立BP-ANN神經(jīng)網(wǎng)絡(luò)模型時(shí)數(shù)據(jù)量略顯不足,但是渭庫綠洲本身綠洲-荒漠形態(tài)的界限鮮明,在綠洲農(nóng)用地區(qū)、綠洲荒漠交錯(cuò)帶和荒漠對(duì)應(yīng)區(qū)域的同質(zhì)性較強(qiáng),因此野外實(shí)測(cè)的樣點(diǎn)雖較少,但是均勻分布在了這3個(gè)大區(qū)域中,所以文中分析的結(jié)果基本符合實(shí)際情況。因此本文側(cè)重點(diǎn)在于介紹一種結(jié)合物候與非物候參數(shù)來進(jìn)行反演鹽漬化信息的方法,以及按照植被類型和地貌類型分區(qū)進(jìn)行預(yù)測(cè)鹽漬化信息的思維模式。物候參數(shù)代表鹽漬化長期受影響的因素,非物候參數(shù)主要代表短期內(nèi)的影響因素,通過探討結(jié)合長期和短期內(nèi)的影響因子來反演鹽漬化信息,最后得出這種結(jié)合方法的預(yù)測(cè)精度較高,具有較高的應(yīng)用潛力。以后應(yīng)該要針對(duì)研究區(qū)多采集樣點(diǎn),以更好的挖掘物候參數(shù)在預(yù)測(cè)鹽漬化信息空間分布的能力,并進(jìn)一步探討如同時(shí)考慮按植被和地貌分區(qū)后的預(yù)測(cè)精度,以及按照植被和地貌類型分區(qū)后對(duì)于預(yù)測(cè)結(jié)果的影響機(jī)理。

[1] 塔西甫拉提·特依拜, 吐爾遜·艾山, 海米提·司馬義, 丁建麗. 土壤鹽漬化遙感監(jiān)測(cè)研究進(jìn)展綜述. 新疆大學(xué)學(xué)報(bào): 自然科學(xué)版, 2008, 25(1): 1- 7.

[2] Gorji T, Tanik A, Sertel E. Soil salinity prediction, monitoring and mapping using modern technologies. Procedia Earth and Planetary Science, 2015,15: 507- 512.

[3] Metternicht G I, Zinck J A. Remote sensing of soil salinity: potentials and constraints. Remote sensing of Environment, 2003, 85(1): 1- 20.

[4] 候春玲. 基于BP神經(jīng)網(wǎng)絡(luò)的黃河三角洲典型鹽漬區(qū)遙感監(jiān)測(cè)研究[D]. 青島: 中國石油大學(xué), 2010.

[5] 劉勤, 王宏衛(wèi), 丁建麗, 柴春梅. 干旱區(qū)區(qū)域土壤鹽漬化監(jiān)測(cè)研究進(jìn)展及其未來熱點(diǎn). 新疆大學(xué)學(xué)報(bào): 自然科學(xué)版, 2014, 31(1): 108- 115.

[6] 姚遠(yuǎn), 丁建麗, 雷磊, 江紅南, 張芳, 牛濤. 干濕季節(jié)下基于遙感和電磁感應(yīng)技術(shù)的塔里木盆地北緣綠洲土壤鹽分的空間變異性. 生態(tài)學(xué)報(bào), 2013, 33(17): 5308- 5319．

[7] 丁建麗, 瞿娟, 孫永猛, 張永福. 基于MSAVI-WI特征空間的新疆渭干河—庫車河流域綠洲土壤鹽漬化研究. 地理研究, 2013, 32(2): 223- 232.

[8] 丁建麗, 姚遠(yuǎn), 王飛. 干旱區(qū)土壤鹽漬化特征空間建模. 生態(tài)學(xué)報(bào), 2014, 34(16): 4620- 4631.

[9] 丁建麗, 伍漫春, 劉海霞, 李爭光. 基于綜合高光譜指數(shù)的區(qū)域土壤鹽漬化監(jiān)測(cè)研究. 光譜學(xué)與光譜分析, 2012, 32(7): 1918- 1922.

[10] 趙振亮, 塔西甫拉提·特依拜, 張飛, 買買提·沙吾提, 雷磊, 桂東偉. 塔里木河中游典型綠洲土壤含鹽量的光譜特征. 自然災(zāi)害學(xué)報(bào), 2012, 21(5): 72- 78.

[11] 張芳, 熊黑鋼, 安方舟, 夏倩柔. 基于鹽(堿)生植被蓋度的土壤堿化分級(jí). 土壤學(xué)報(bào), 2012, 49(4): 665- 672.

[12] Yin C H, Feng G, Zhang F S, Tian C Y, Tang C X. Enrichment of soil fertility and salinity by tamarisk in saline soils on the northern edge of the Taklamakan Desert. Agricultural Water Management, 2010, 97(12): 1978- 1986.

[13] Taghizadeh-Mehrjardi R, Minasny B, Sarmadian F, Malone B P. Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 2014, 213(213): 15- 28.

[14] Lobell D B, Lesch S M, Corwin D L, Ulmer M G, Anderson K A, Potts D J, Doolittle J A, Matos M R, Baltes M J. Regional-scale assessment of soil salinity in the Red River Valley using multi-year MODIS EVI and NDVI. Journal of Environmental Quality, 2010, 39(1): 35- 41.

[15] Zhang T T, Qi J G, Gao Y, Ouyang Z T, Zeng S L, Zhao B. Detecting soil salinity with MODIS time series VI data. Ecological Indicators, 2015, 52: 480- 489.

[16] 牛增懿, 丁建麗, 李艷華, 王爽, 王璐, 馬成霞. 基于高分一號(hào)影像的土壤鹽漬化信息提取方法. 干旱區(qū)地理, 2016, 39(1): 171- 181.

[17] Douaoui A E K, Nicolas H, Walter C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma, 2006, 134(1/2): 217- 230.

[18] Wiegand C, Anderson G, Lingle S, Escobar D. Soil salinity effects on crop growth and yield-Illustration of an analysis and mapping methodology for sugarcane. Journal of Plant Physiology, 1996, 148(3/4): 418- 424.

[19] Madrigal L P, Wiegand C L, Meraz J G, Rubio B D R, Estrada X C, Ramirez O L. Soil salinity and its effect on crop yield: A study using satellite imagery in three irrigation districts. Ingeniería Hidráulica en México, 2003, 18: 83- 97.

[20] Tilley D R, Ahmed M, Son J H, Badrinarayanan H. Hyperspectral reflectance response of freshwater macrophytes to salinity in a brackish subtropical marsh. Journal of Environmental Quality, 2007, 36(3): 780- 789.

[21] Zhang T T, Zeng S L, Gao Y, Ouyang Z T, Li B, Fang C M, Zhao B. Using hyperspectral vegetation indices as a proxy to monitor soil salinity. Ecological Indicators, 2011, 11(6): 1552- 1562.

[22] 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.

[23] 江紅南, 丁建麗, 塔西甫拉提·特依拜, 趙睿,張飛. 基于ETM+數(shù)據(jù)的干旱區(qū)鹽漬化土壤信息提取研究. 土壤學(xué)報(bào), 2008, 45(2): 222- 228.

[24] 尼格拉·塔什甫拉提. 渭干河—庫車河三角綠洲土壤鹽漬化遙感與近感協(xié)同監(jiān)測(cè)方法研究[D]. 烏魯木齊: 新疆大學(xué), 2014.

[25] 高婷婷, 丁建麗, 哈學(xué)萍, 張飛, 王飛. 基于流域尺度的土壤鹽分空間變異特征——以渭干河-庫車河流域三角洲綠洲為例. 生態(tài)學(xué)報(bào), 2010, 30(10): 2695- 2705.

[26] Eklundh L, J?nsson P. Timesat 3.1 Software Manual. Lund, Sweden: Lund University, 2011.

[27] Khan N M, Rastoskuev V V, Sato Y, Shiozawa S. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 2005, 77(1/3): 96- 109．

[28] 王飛, 丁建麗, 伍漫春. 基于NDVI-SI特征空間的土壤鹽漬化遙感模型. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(8): 168- 173.

[29] Deering D W, Rouse J W Jr, Haas R H, Schell J A. Measuring "Forage Production" of grazing units from Landsat MSS Data//10th International Symposium on Remote Sensing of Environment. ERIM, Ann Arbor, 1975: 1169- 1179.

[30] Baret F, Guyot G, Major D J. TSAVI: A Vegetation Index which minimizes soil brightness effects on LAI And APAR estimation. Quantitative remote sensing: an economic tool for the nineties // IGARSS ′89: 12th Canadian symposium on remote sensing. Vancouver, Canada, 1989: 1355- 1358.

[31] Qi J, Huete A R, Moran M S, Chehbouni A, Jackson R D. Interpretation of vegetation indices derived from multi-temporal SPOT images. Remote Sensing of Environment, 1993, 44(1): 89- 101.

[32] Sandholt I, Rasmussen K, Andersen, J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status．Remote Sensing of Environment, 2002, 79(2/3): 213- 224．

[33] 秦承志, 楊琳, 朱阿興, 李寶林, 裴韜, 周成虎. 平緩地區(qū)地形濕度指數(shù)的計(jì)算方法. 地理科學(xué)進(jìn)展, 2006, 25(6): 87- 93.

[34] Moore I D, Grayson R B, Ladson A R. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological Processes, 1991, 5(1): 3- 30.

[35] 田苗, 王鵬新, 孫威. 基于地表溫度與植被指數(shù)特征空間反演地表參數(shù)的研究進(jìn)展. 地球科學(xué)進(jìn)展, 2010, 25(7): 698- 705.

[36] 張飛, 塔西甫拉提·特依拜, 丁建麗, 買買提·沙吾提, 桂東偉, 韓桂紅, 孫倩. 塔里木河流域中游渭干河-庫車河綠洲鹽漬土水鹽信息光譜特征研究. 地理與地理信息科學(xué), 2012, 28(1): 65- 70.

[37] 陳斌, 張學(xué)霞, 華開, 徐珂. 溫度植被干旱指數(shù)(TVDI)在草原干旱監(jiān)測(cè)中的應(yīng)用研究. 干旱區(qū)地理, 2013, 36(5): 930- 937.

[38] 劉立文, 張吳平, 段永紅, 邢立新, 陳圣波, 趙敏. TVDI模型的農(nóng)業(yè)旱情時(shí)空變化遙感應(yīng)用. 生態(tài)學(xué)報(bào), 2014, 34(13): 3704- 3711.

[39] Gu D, Gillespie A. Topographic normalization of Landsat TM images of forest based on subpixel sun-canopy-sensor geometry. Remote Sensing of Environment, 1998, 64(2): 166- 175．

[40] Soenen S A, Peddle D R, Coburn C A. SCS+C: A modified sun-canopy-sensor topographic correction in forested terrain. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(9): 2148- 2159．

[41] 王光華, 劉琪璟, 李俊清. 確定SCS+C地形校正模型經(jīng)驗(yàn)參數(shù)C的不同抽樣方法的比較. 計(jì)算機(jī)應(yīng)用研究, 2013, 30(1): 310- 313.

[42] Allbed A, Kumar L. Soil salinity mapping and monitoring in arid and semi-arid regions using remote sensing technology: a review. Advances in Remote Sensing, 2013, 2(4): 373- 385.

[43] J?nsson P, Eklundh L. TIMESAT-a program for analyzing time-series of satellite sensor data. Computers and Geosciences, 2004, 30(8): 833- 845.

[44] 馬新萍, 白紅英, 賀映娜, 秦進(jìn). 基于NDVI的秦嶺山地植被遙感物候及其與氣溫的響應(yīng)關(guān)系——以陜西境內(nèi)為例. 地理科學(xué), 2015, 35(12): 1616- 1621.

[45] 馬勇剛, 張弛, 塔西甫拉提·特依拜. 中亞區(qū)域陸表植被物候時(shí)空變化特征分析. 干旱區(qū)地理, 2014, 37(2): 310- 317.

[46] 樸世龍, 方精云. 1982—1999年我國陸地植被活動(dòng)對(duì)氣候變化響應(yīng)的季節(jié)差異. 地理學(xué)報(bào), 2003, 58(1): 119- 125.

[47] 侯學(xué)會(huì), 牛錚, 高帥, 黃妮. 基于SPOT-VGT NDVI時(shí)間序列的農(nóng)牧交錯(cuò)帶植被物候監(jiān)測(cè). 農(nóng)業(yè)工程學(xué)報(bào),2013, 29(1): 142- 150.

[48] 葉鑫, 周華坤, 劉國華, 姚步青, 趙新全. 高寒矮生嵩草草甸主要植物物候特征對(duì)養(yǎng)分和水分添加的響應(yīng). 植物生態(tài)學(xué)報(bào), 2014, 38(2): 147- 158.

[49] 王靜, 劉湘南, 黃方, 唐吉龍, 趙冷冰. 基于ANN技術(shù)和高光譜遙感的鹽漬土鹽分預(yù)測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(12): 161- 166.

[50] 喬紀(jì)綱, 鄒春洋. 基于神經(jīng)網(wǎng)絡(luò)的元胞自動(dòng)機(jī)與土地利用演化模擬——以廣州市白云區(qū)為例. 測(cè)繪與空間地理信息, 2012, 35(7): 17- 20.

[51] 路春燕, 衛(wèi)海燕, 白俊燕. 基于BP神經(jīng)網(wǎng)絡(luò)的城市化發(fā)展生態(tài)環(huán)境壓力響應(yīng)研究——以延安市為例. 干旱區(qū)資源與環(huán)境, 2012, 26(4): 61- 66.

[52] 黎夏, 葉嘉安. 基于神經(jīng)網(wǎng)絡(luò)的元胞自動(dòng)機(jī)及模擬復(fù)雜土地利用系統(tǒng). 地理研究, 2005, 24(1): 19- 27.

[53] 劉海霞. 基于Bp Adaboost預(yù)測(cè)器的土壤鹽漬化預(yù)警研究[D]. 烏魯木齊: 新疆大學(xué), 2012.

Research on data mining of salinization information based on phenological characters

HE Baozhong1,2, DING Jianli1,2,*, WANG Fei1,2, ZHANG Zhe1,2, LIU Bohua1,2

1CollegeofResourceandEnvironmentalScience,XinjiangUniversity,Urumqi830046,China2KeyLaboratoryforOasisEcology,XinjiangUniversity,Urumqi830046,China

Soil salinization is an important factor that affects crop and vegetation growth condition and can result in environmental impacts with considerable economic consequences. Therefore, it is necessary to determine an effective method to monitor spatiotemporal salinity distribution. We used MOD13A1 time-series NDVI data to determine the vegetation phenology, including start of season (SOS), end of season (EOS), length of season (LEN), etc., and calculated several vegetation, salinity, terrain, and drought indexes, and spatial models. These were used as input parameters for the BP-ANN model. Meanwhile, we predict the soil salinity through vegetation and geomorphological partitioning, which described the correlations between vegetation or geomorphic type and salinization. The main conclusions are as follows: salinity is influenced by many factors, and many of them show non-linear relationships between phenological indicators and salinization, so we utilized artificial neural networks to predict soil salinity than mathematical equations; through a combination of phenology parameters, the precision of inversion salinityR2improved from 0.68 (no phenologcial indicators were included) to 0.79 (phenological indicators were included). However, additional auxiliary data to predict soil salinity, such as terrain, image, and soil moisture parameters should also be included. After the classification of the vegetation, the inversion precision improved obviously, whereR2increased to 0.88. Phenological characters, such as large seasonal integrals (LSIs) and small seasonal integrals (SSIs) are good indicators to represent soil salinity. After geomorphological partitioning,R2increased to 0.85, indicating that it could be a good salinity predictor, but the ability of comprehensive inversion was lower than vegetation type partitioning. In farmland, the salinity level was low. The low, intermediate, and high salinization was 53.42, 13.71, and 32.87% respectively. Generally, salinization was higher at lower altitudes, and the salinity level was affected by terrain and geomorphological factors. The above conclusions indicate an effective method for the inversion of salinization levels that combines phenology and other parameters for comprehensively determining the effect of phenological information on salinity monitoring ability in data mining. The inversion of soil salinity is enhanced by the inclusion of phenological parameters.

salinization; phenological information; land parameters; data mining

新疆維吾爾自治區(qū)重點(diǎn)實(shí)驗(yàn)室專項(xiàng)基金(2016D03001, 2014KL005); 新疆維吾爾自治區(qū)科技支疆項(xiàng)目(201591101); 2014級(jí)新疆大學(xué)博士生科技創(chuàng)新項(xiàng)目(XJUBSCX-2014013); 國家自然科學(xué)基金項(xiàng)目(U1303381, 41261090, 41161063); 教育部促進(jìn)與美大地區(qū)科研合作與高層次人才培養(yǎng)項(xiàng)目

2016- 07- 20;

2017- 03- 03

10.5846/stxb201607201479

*通訊作者Corresponding author.E-mail: Ding_jl@163.com

何寶忠,丁建麗,王飛,張喆,劉博華.基于物候特征的鹽漬化信息數(shù)據(jù)挖掘研究.生態(tài)學(xué)報(bào),2017,37(9):3133- 3148.

He B Z, Ding J L, Wang F, Zhang Z, Liu B H.Research on data mining of salinization information based on phenological characters.Acta Ecologica Sinica,2017,37(9):3133- 3148.