基于反射光譜與Landsat 8 OLI多光譜數據的艾比湖濕地土壤鹽分估算*

梁 靜 丁建麗，3? 王敬哲 王 飛，3

（1 新疆大學資源與環境科學學院，烏魯木齊 830046）（2 新疆大學綠洲生態教育部重點實驗室，烏魯木齊 830046）（3 新疆大學智慧城市與環境建模自治區普通高校重點實驗室，烏魯木齊 830046）

土壤鹽漬化是世界范圍內重要的資源及生態問題，已經成為制約區域農業生產和經濟可持續發展的主要障礙之一［1-2］。作為國家重要的農墾區和后備耕地資源的新疆維吾爾自治區，鹽漬土面積約占全區耕地面積的33%［3］。而不斷加重的土壤鹽漬化以及隨之而來的土地荒漠化，不斷威脅新疆的生態穩定和糧食安全［4-5］。因此，及時并準確掌握土壤的鹽漬化信息對于區域生態穩定、合理防治和配置土地資源至關重要。傳統的原位調查方法所需要的人力物力成本高，也只能獲得有限的點狀信息［6］。遙感因其探測范圍廣、不限于地形和數據獲取快等特點，被廣泛用于土壤鹽漬化的動態監測和評價中［7-8］。

近年來，光學遙感與高光譜遙感技術已經被廣泛應用于土壤鹽分的定量估算。Nawar等［9］在埃及El-Tina平原基于土壤反射光譜和電導率（Electrical conductivity，EC）數據建立了區域的鹽分預測模型，結果表明基于MARS（multivariate adaptive regression splines）建立的預測模型的精度更高（RPD≥2.00）。Meng等［10］利用Landsat OLI/ETM+影像與土壤EC等數據構建了多元線性回歸（multivariable linear regression，MLR）模型，并比較了模型在黃河三角洲農田和鹽沼景觀上的土壤鹽分定量預測能力和尺度轉換能力。Wang等［11］基于室內測量土壤光譜數據和鹽分數據，結合HJ-CCD和Landsat 8 OLI遙感影像建立土壤含鹽量估測模型，并用Bootstarp-BP神經網絡算法來比較所提出的模型性能。厲彥玲等［12］融合多光譜與高光譜影像結合原位數據進行土壤鹽分的預估，并指出相較于單一影像所構建的模型，影像融合技術能顯著提高土壤鹽分的估算精度（R2≥0.97）。王爽等［13］研究了不同鹽漬土的光譜反射率，優選敏感的波段，結合Landsat TM影像構建土壤含鹽量的估算模型，實現了對干旱區綠洲大尺度和高精度的土壤鹽漬化監測。王明寬等［14］以墾利縣為例對多個線性和非線性建模方法進行比較，結果表明基于BP（back propagation）神經網絡所建立的模型精度最優，R2可達到0.85。土壤鹽漬化的發生發展是一個動態過程，雖然這些基于不同平臺的遙感數據源所建立的土壤鹽分估算模型取得了較為理想的結果，但這些研究多是依據某一特定時期的遙感影像開展的，僅能反映單一時期的土壤鹽分信息。干旱區的土壤含鹽量極易受到水分的影響，土壤鹽分在水熱狀況差異極大的干季（9—10月）和濕季（4—5月）變化極為顯著［15-16］。因此，聯合地面反射光譜與星載多光譜數據對區域土壤鹽分進行定量估算，并探討季節對于土壤鹽漬化影響是極為必要的。

新疆位于絲綢之路經濟帶的核心區域，集地緣與資源優勢于一身，以三條通道為建設主線，對通道沿線的生態和經濟均將產生巨大的影響［16-17］。艾比湖橫跨中通道的沿線精河縣和阿拉山口口岸區，是新疆維吾爾自治區最大的咸水湖，同時也是準噶爾盆地“綠洲-荒漠”生態系統的共軛演進中心，對氣候和人類活動十分敏感，生態環境極為脆弱［18］。基于此，本研究選取艾比湖濕地為研究靶區，聯合研究區不同時期Landsat8 OLI遙感影像，土壤EC數據及其對應的室內反射光譜數據，建立研究區土壤EC的PLSR（partial leastsquares regression）定量估算模型，并嘗試性地比較干濕兩季的土壤鹽漬化差異，從而為艾比湖地區土壤鹽漬化的防治和農業生產提供技術支持，并在一定程度上豐富尺度轉換等方面的研究。

1 材料與方法

1.1 研究區概況

艾比湖濕地位于準噶爾盆地西南緣，是內陸干旱區高鹽湖泊濕地的典型代表，地處天山北麓（44°30′～45°10′N，82°35′～83°50′E），地跨精河縣、博樂市及阿拉山口口岸區［18］。研究區三面環山，地勢西北高東南低，西北部受阿拉山口影響，全年8級以上大風可達165 d。艾比湖地處荒漠帶，屬溫帶大陸性干旱氣候，年平均氣溫8.3 ℃，年平均降水量不足100 mm，年均潛在蒸發量達3 400 mm［19］。研究區以灰漠土、灰棕漠土和風沙土為典型土壤。湖水面積逐年縮減，伴隨著地下水位下降和土壤含鹽量的增加，鹽漬化過程進一步增強［20］。同時，受自然因素和人為活動雙重作用使得艾比湖的鹽漬化現象十分普遍，嚴重危害當地的生態環境與農業生產生活［19］。

1.2 樣品采集與處理

研究團隊根據艾比湖濕地的生態景觀特征，選取有代表性的綠洲、荒漠及交錯帶等景觀布設樣地，在2016年5月（n= 57）及2016年9月（n=90）進行土壤樣品的采集，樣點位置如圖1所示。樣品采集前，用GPS記錄樣地的位置，5點混合法采集土樣，采樣深度為0～10 cm，共計147個土壤樣品。待土壤樣品自然風干后去除雜質（草根，石塊等），過2 mm（10目）孔篩備用。土壤EC的測定采用德國Wissenschaftlich Technische Werkst?tten公司生產的Cond 7310土壤測試儀在土壤懸濁液（水土比5∶1）中進行。利用美國ASD（Analytical Spectral Devices）公司生產的ASD Field Spec3（波譜范圍350～2 500 nm） 光譜儀室內采集土壤反射光譜數據。測量時在暗室內操作，光源為50W鹵化燈，探頭視場角為25°，將過篩后土樣置于鋁盒內，用直尺刮平土樣，每個樣點重復采集5次光譜曲線。土壤反射光譜數據采集結束后，對光譜數據進行Savitaky-Golay濾波以去除噪聲并對光譜曲線進行平滑，然后取均值作為該土樣的土壤光譜［18］。

圖1 研究區位置及采樣點分布Fig. 1 Distribution of the sampling sites（n = 147）and the location of the study area

1.3 遙感影像獲取及預處理

結合采樣時間和云量（＜10%），本文選取2016年5月21日和2016年9月10日的Landsat8 OLI影像，數據來源于美國地質調查局（United States Geological Survey，USGS http://glovis.usgs.gov/），行列號為146/29，數據等級為LIT，空間分辨率為30 m。7個波段中心波長分別為0.443 0 μm（Coastal波段）、0.482 6 μm（藍色波段）、0.561 3 μm（綠色波段）、0.654 6 μm（紅色波段）、0.864 6 μm（NIR波段）、1.609 0 μm（SWIR1波段）和2.201 0 μm（SWIR2波段），數據描述信息詳見文獻［21］。在ENVI 5.3中完成Landsat8 OLI影像的輻射定標、大氣校正、幾何校正等預處理工作。

1.4 土壤鹽度指數獲取及計算

光譜指數與土壤表層屬性關系極為密切，是一種監測土壤鹽漬化程度的有效指征［22］。因此，本研究在梳理前人研究及相關文獻的基礎上，選取歸一化鹽分指數（Normalized Difference Salinity Index，NDSI）、鹽分指數（Salinity Index，SI）、鹽分指數1（Salinity Index，SI1）、鹽分指數2（Salinity Index，SI2）、鹽分指數3（Salinity Index，SI3）、鹽分指數S1（Salinity Index，S1）、鹽分指數S2（Salinity Index，S2）、鹽分指數S3（Salinity Index，S3）、鹽分指數S5（Salinity Index，S5）、鹽分指數S6（Salinity Index，S6）、強度指數1（Intensity Index 1，Int1）、強度指數2（Intensity index 2，Int2）和綜合光譜響應指數（Combined Spectral Response Index，CoSRI）共13種土壤鹽分指數和影像的7個波段作為建模因子表征土壤鹽漬化信息（表1）。土壤鹽度指數計算及采樣點對應反射率數據的提取均基于遙感影像在ENVI 5.3中完成。

1.5 建模和驗證

PLSR是一種常用的、具有主成分分析的多元回歸方法［23,25］。為量化模型的擬合能力，決策標準采用均方根誤差（Root mean square error，RMSE）、決定系數（Coefficient of determination，R2）和相對分析誤差（Ratio of performance to deviation，RPD）。PLSR在MATLAB R2012b軟件中實現。基于室內測量土壤反射光譜數據，可以直接用于干旱區遙感影像的土壤鹽分估算［26］。本研究利用實驗室獲得的土壤反射光譜數據，利用ENVI 5.3中的波譜重采樣工具將其重采樣，使之與Landsat 8 OLI影像的波段相匹配。然后分別提取采樣點對應Landsat8 OLI遙感影像7個多光譜波段和土壤鹽分指數的數值，結合室內實測土壤EC數據建立PLSR模型。研究區147個采樣點的EC數據按值從大到小排序，等間距選取98個樣本作為訓練集，其余的49個樣本構成驗證集，分別用于模型的建立及精度的驗證。其中，模型的R2越接近1模型的穩定性越高；RMSE越小模型的預測能力越強精度也越高；RPD大于2.0時表明模型具有較高的預測能力［11］。

表1 土壤鹽分指數Table 1 Selected soil salinity indices and their mathematical formulas

2 結 果

2.1 土壤EC的統計分析及其與鹽分指數的相關性

艾比湖濕地濕季土壤樣本的EC平均值為23.90 mS·cm-1，大于干季土壤樣本的EC平均值（11.62 mS·cm-1）。干濕兩季的變異系數分別為94.29%和74.14%，均屬于中等變異強度。所選取的訓練數據集（0.11～64.60 mS·cm-1）和驗證數據集（0.03～59.80 mS·cm-1）的EC平均值分別為16.52 mS·cm-1和16.93 mS·cm-1。訓練集和驗證集的數據分布均保持了和研究區全部樣本土壤EC相似的統計分布，避免了在模型校準和驗證中的潛在偏估計。

表2 研究區土壤樣品的EC統計特征Table 2 Statistics of EC of the soil samples collected from the Ebinur Lake wetland /（mS·cm-1）

基于預處理后的Landsat8 OLI影像計算土 壤鹽分指數，然后根據樣點數據的地理位置提取鹽分指數上相應點的信息，采樣點的EC與鹽分指數之間的相關性見表3。結果表明，干濕季采樣點的EC與遙感影像的7個波段和鹽分指數之間的相關性均通過顯著性檢驗。除Band6和Band7外，其余指數相關性均在0.01水平下極顯著。

表3 EC與光譜波段及衍生鹽分指數之間的相關性Table 3 Correlation coefficients between EC and spectral bands and salinity indices

2.2 Landsat8 OLI數據評估

由于土壤鹽分和土壤EC之間的關系顯著，土壤含鹽量可用水土質量比為5∶1的溶液測得的EC數據來進行替代分析。依據土壤鹽漬化水平分類標準，本研究的土壤樣本可以劃分為以下5類：EC＞ 16 mS·cm-1為鹽土，8～16 mS·cm-1為重度鹽漬化，4～8 mS·cm-1為中度鹽漬化，2～4 mS·cm-1為輕度鹽漬化，0～2 mS·cm-1為非鹽漬化［27］。從圖2中可以看出，室內獲取的土壤光譜反射率與從OLI數據得到的光譜數據之間存在很高的相關性，并且室內測量的光譜反射率高于OLI影像上相應點的光譜反射率值。此外，不同鹽分含量的土壤樣本的光譜曲線走勢基本一致，但隨著土壤鹽分的增加，土壤光譜反射率基本呈現隨之增加的趨勢［9］。

圖2 不同EC水平下土壤的室內光譜和Landsat8 OLI影像的反射率Fig. 2 In-lab spectra and Landsat8 OLI spectral reflectance of soil samples different in EC level /（mS·cm-1）

2.3 基于PLSR模型的土壤含鹽量估算模型

PLSR模型可以綜合篩選變量信息，使因變量具有最強的解釋能力；在減少噪聲信息干擾的同時，充分利用所有參與建模的數據信息［23］。因此，本研究選取13種土壤鹽分指數和7個波段作為建模因子對兩期數據構建基于PLSR的土壤EC估算模型。在圖3中，顯示了PLSR模型的回歸系數分析結果。各個變量對鹽分的敏感程度不同，在模型中的權重也存在一定差異，其中紅波段（B4）和NIR（B5）波段對預測土壤EC的貢獻最大，其次是鹽分指數S5，Costal Aerosol（B1），綠波段（B3），鹽分指數S3，SWIR-1波段（B6）和SWIR-2波段（B7），鹽分指數Int1、SI1和SI3對估算土壤EC的貢獻率最低。以上結果表明，基于波譜重采樣后的光譜數據校正后的Landsat8 OLI影像的反射率數據進行區域土壤EC的定量估算及空間制圖是可行的。對于艾比湖保護區，土壤含鹽量的建模精度和驗證精度均較高。預測模型的R2為0.89，RMSE為6.99 mS·cm-1，RPD為2.19；模型驗證R2為0.91，RMSE為6.48 mS·cm-1，RPD為2.45。土壤EC估算模型建模和驗證精度見圖4。

圖3 PLSR模型的回歸系數Fig. 3 Regression coefficients of the PLSR model

圖4 電導率預測值與實測值關系散點圖Fig. 4 Scatter plot of measured and predicted

2.4 研究區土壤鹽分的空間分布

聯合PLSR土壤EC預測模型和遙感影像以繪制土壤EC分布圖。從整體變化趨勢看，以艾比湖水體為中心，自中心到保護區外圍邊界，土壤鹽漬化情況不斷減輕，與野外實際調查結果基本一致，說明估算模型的效果是可信的。從研究區北部土石區和水體可以看出，本文所建立的土壤鹽漬化定量估算模型可對鹽漬土和非鹽漬土極為敏感；從研究區南部的鹽田的識別效果極可以再次證明模型的準確性。

艾比湖生態脆弱，是新疆及中國西北部的重要生態屏障。伴隨著湖濱地區荒漠化加劇，該地區已成為中國西部沙塵暴的主要策源地之一。同時，干旱區土壤鹽漬化易受季節性降水的影響［25］。因此，增強對區域年內（干濕季）土壤鹽漬化分布及含量狀況的了解對于區域的生態治理與修復是極為必要的。由表4可知，從2016年5月到2016年10月，艾比湖保護區鹽漬土總面積增加了33.4 km2。從濕季到干季，中度鹽土和重度鹽漬土面積分別增加34.5 km2和20.7 km2，輕度鹽漬土、鹽土面積共減少21.8 km2，非鹽漬土面積減少57 km2，水體面積增加23.6 km2。

就整個保護區而言，鴨子灣管護站以西的地區干季的土壤含鹽量大于濕季，而鴨子灣管護站以東則呈現相反的狀況，這與研究團隊野外調查結果是相符的。鳥島管護站西北方向的間歇性干涸湖底干季以鹽土為主，其中間或分布重度鹽漬土，而濕季鹽漬化狀況大幅減輕，重度鹽漬土為主，夾雜非鹽漬土；科克巴斯陶管護站以北多為非鹽漬土，其他方向主要分布重度鹽漬土和鹽土，相較而言濕季的鹽土斑塊更加破碎；從鹽池橋管護站、鴨子灣管護站至其西南部，沿線濕季鹽漬化加重且主要分布鹽土，以西臨近水體附近從干季以鹽土和重度鹽漬土塊狀分布轉變為濕季的重度鹽漬為主零星分布中度鹽漬土，以東到東大橋管護站鹽漬化狀況加重從中度、重度鹽漬土為主轉變為重度鹽漬土和鹽土為主；東大橋管護站東南方向小部分區域由重度鹽漬土轉為鹽土（圖5）。

表4 2016年5月至2016年10月艾比湖保護區鹽漬化轉移矩陣Table 4 Area variation matrix of soil salinity in the studied area from May to October in 2016 /km2

圖5 艾比湖濕地表層土壤EC分布圖Fig. 5 Soil salinity（EC）maps of the Ebinur Lake wetland

3 討 論

已有研究所建立的土壤EC含量定量估算模型，多是基于多光譜影像或高光譜數據等單一數據源構建的。本研究以艾比湖濕地采集的147個表層土壤為研究對象，結合室內測量土壤反射光譜數據和遙感影像的反射率數據，經空間尺度轉換后建立了艾比湖濕地土壤EC的估算模型。將兩種不同分辨率的數據進行聯合建模，既提升了傳統光學遙感影像模型的精度，又將高光譜數據從孤立的點狀信息擴展至像元尺度及區域尺度上。這對于發揮遙感技術的優勢是至關重要的。

室內測量的土壤光譜數據的重采樣處理是本研究中的一個重要步驟。Landsat8 OLI數據的光譜反射率與重采樣的光譜波段具有較高的相關性，這主要與采樣點位于裸土區域（純凈像元）有關。其次，研究區干濕兩季的NDVI均小于0.1，且干濕季降水量的差異較小（＜20 mm），加之區域極強的蒸散作用，可忽略植被和水分對遙感影像的干擾，使得室內土壤光譜數據與影像上的土壤光譜具有高度重疊的現象［28］。但兩者之間仍存在一定的差異，預處理時，大氣校正的準確性會影響OLI數據光譜反射率；在重新采樣時僅考慮傳感器的光譜分辨率，而忽略了輻射分辨率、空間分辨率、傳感器的幾何形狀和信噪比等其他因素［9］。相較于Nawar等［9］（R2= 0.70，RPD =1.82）和曹雷等［23］（R2= 0.78）建立的土壤EC估算模型，本研究所構建的PLSR模型的精度和穩定性均得以提升（R2= 0.89，RPD = 2.19）。這可能是因為艾比湖的干濕季土壤含水量和降水差異小且蒸發量極高，外界條件對于地表反射率的影響十分微弱，土壤EC含量和土壤光譜之間的高相關，并且OLI數據的波段對于土壤鹽分較為敏感［29-30］。本研究所構建模型中，紅波段和NIR波段對土壤鹽分估算模型的貢獻度較高，這與Nawar等［9］的結果是一致的；但Meng等［10］在黃河三角洲研究區建立的模型中除了近紅波段外，COSRI指數對模型的貢獻度最大，這與本研究中COSRI的貢獻度是相反的。這可能是由于研究區受人為干擾少，植被覆蓋度低且采樣點多分布在純像元內。

艾比湖保護區表層土壤的鹽分分布在濕季與干季呈現顯著差異（圖5）。在春季，隨氣溫升高冰雪消融，土壤中的可溶性鹽隨水流動使得地表鹽分較為均勻，在蒸發與地形的影響下鹽分向某一方向聚集，同時受到來自阿拉山口的強風影響，致使濕季的重鹽土和鹽土成塊狀分布在鴨子灣附近。但干季鹽漬土的總面積增加，輕度鹽漬土和鹽土面積的減少，這可能與干季艾比湖湖面積增加、土壤在干燥季節鹽堿地地下水接近土壤表面時，和高蒸發速率導致鹽在土壤表面積聚有關［25］。艾比湖保護區濕季的輕度鹽土和鹽土面積大于干季，且鹽漬土主要分布在艾比湖保護區的東南部，及西北部，土壤含鹽量靠近農田的區域土壤含鹽量遠大于遠離農田的區域。雖然Wang等［11］在本研究區建立的模型精度較高，但樣點數量較少（n= 44）。本研究在增加樣點數量的基礎上，幾乎覆蓋了整個保護區的所有地類，同時為進一步揭示土壤鹽漬化的干濕季變化規律，對區域EC的估算結果進行了可視化表達，獲得了艾比湖區域土壤EC更為合理的空間分布狀況。此外，為了展示不同鹽漬化程度土壤的空間變化趨勢，輔以土地利用轉移矩陣以定量表達其變化情況。但受Landsat8 OLI數據的空間分辨率（30 m）的限制，單純依據遙感影像計算鹽漬化土壤面積空間分布的準確性可能會受到制約。

基于遙感技術的土壤鹽漬化信息提取是以土壤鹽分的光譜反射率為前提的。定量遙感反演的困難之處在于響應變量往往不可控［25］。土壤的光譜反射率除了鹽分含量以外，還會受到礦物成分、質地結構、有機質含量及表面粗糙度等理化性質的影響。后續的研究將在探討干濕季對土壤EC影響的同時，進一步擴大樣本數量以豐富土壤數據庫，并利用長時間序列的影像與原位數據，以提高模型的泛化能力與準確性。

4 結 論

本研究以艾比湖濕地的表層土壤為研究對象，通過分析艾比湖保護區的Landsat8 OLI數據估算土壤鹽分及其波段和光譜指數與土壤EC之間的關系，利用147個表層土壤樣品的室內測量反射光譜數據、含鹽量及其電導率數據，建立土壤EC含量

PLSR定量估算模型，得出以下結論：艾比湖保護區土壤鹽漬化較為嚴重，濕季土壤樣本EC含量的平均值高于干季。基于Landsat8 OLI遙感影像結合室內實測光譜數據建立PLSR模型估算土壤鹽分模型具有較好的精度。從2016年5月至2016年9月，艾比湖保護區中度鹽漬土和重度鹽漬土面積增加，輕度鹽漬土、鹽土面積減少。