王 飛,丁建麗,魏 陽(yáng),周倩倩,楊曉東,王前鋒

1 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院,烏魯木齊 830046 2 綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室,烏魯木齊 830046 3 福州大學(xué)環(huán)境與資源學(xué)院,福州 350116

基于Landsat系列數(shù)據(jù)的鹽分指數(shù)和植被指數(shù)對(duì)土壤鹽度變異性的響應(yīng)分析
——以新疆天山南北典型綠洲為例

王 飛1,2,丁建麗1,2,魏 陽(yáng)1,2,周倩倩1,2,楊曉東1,2,王前鋒3

1 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院,烏魯木齊 830046 2 綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室,烏魯木齊 830046 3 福州大學(xué)環(huán)境與資源學(xué)院,福州 350116

基于不同地理區(qū)域,借助目前已有或者構(gòu)建新的鹽分和植被指數(shù)定量評(píng)估研究區(qū)的土壤鹽度狀況。但多數(shù)指數(shù)并未在鹽漬化較為嚴(yán)重的中國(guó)新疆地區(qū)進(jìn)行系統(tǒng)性對(duì)比分析。因此,以新疆阜北地區(qū)(采樣數(shù)=37),瑪納斯河綠洲(采樣數(shù)=68)和渭干河-庫(kù)車河綠洲(采樣數(shù)=38)為研究區(qū),以灌區(qū)農(nóng)田和鹽漬地采樣數(shù)據(jù)和Landsat TM/ETM+/ OLI為數(shù)據(jù)源,利用線性模型和多個(gè)非線性模型(10個(gè))測(cè)試上述指數(shù)(14個(gè)指數(shù))和原始波段對(duì)于研究區(qū)土壤鹽度的敏感性。結(jié)果顯示,阜北地區(qū)基于遙感獲取的擴(kuò)展的增強(qiáng)型植被指數(shù)Extented Enhanced Vegetation Index (EEVI)在全樣本和部分樣本(鹽漬化樣本,土壤鹽度>0.3%)兩種模式下(0—10cm),較其他指數(shù)和波段而言較為敏感。在全樣本和部分樣本(土壤飽和溶液電導(dǎo)率<2ds/m)兩種模式下,與瑪納斯流域各層土壤鹽度最為敏感的為band 2,部分樣本模式下土壤鹽度變異性顯著性探測(cè)最大下探深度為30cm。渭干河-庫(kù)車河綠洲全樣本模式下,最大土壤鹽度變異性顯著性探測(cè)深度為40cm,0—10cm和10—20cm深度表現(xiàn)最為敏感的是土壤鹽分指數(shù)SI-T,20—40cm深度則為植被指數(shù)TGDVI。部分樣本下(土壤飽和溶液電導(dǎo)率>2ds/m),0—10cm深度最為敏感的為band5,10—20cm深度最為敏感的為TGDVI,20—40cm深度則為EEVI。其他指數(shù)因地理環(huán)境的差異性(氣候,土壤鹽分類型,土壤類型,采樣時(shí)間),與土壤鹽度之間并未達(dá)到顯著性(sig=0.05或者0.01)的水平。以上結(jié)果只是初步結(jié)論,但也暗示其中的某些指數(shù)在本區(qū)具有一定土壤鹽度的識(shí)別潛力。此外,由于土壤本身的復(fù)雜性,需要采集更多的樣本以深入分析不同鹽度等級(jí)下上述指數(shù)的具體表現(xiàn)。

土壤鹽漬化; 鹽分指數(shù)；植被指數(shù)；干旱區(qū)；Landsat

新疆維吾爾自治區(qū)堪稱干旱區(qū)鹽堿土博物館,分布范圍廣,種類多樣,作為西北最大的農(nóng)業(yè)用地儲(chǔ)備區(qū),快速精確地評(píng)估本地土壤鹽度則有利于本地水資源管理,農(nóng)業(yè)用地規(guī)劃和防止土壤鹽漬化的擴(kuò)張和反復(fù)性。新疆灌區(qū)鹽漬化土地占灌區(qū)總面積比例高達(dá)32.07%[1],多數(shù)城市和縣級(jí)地區(qū)都有分布。整體而言,以天山為界,南疆地區(qū)比北疆地區(qū)嚴(yán)重。鹽漬化土地主要分布在該區(qū)洪積扇中下部,綠洲-荒漠交錯(cuò)帶,新開墾地區(qū)或老灌區(qū)內(nèi)部的棄耕地[2]。放眼未來(lái),隨著人口的增加,人類活動(dòng)將不斷加劇,及時(shí)升級(jí)土壤環(huán)境數(shù)據(jù)(物理化學(xué),生物,生態(tài)水文等)的需求相比從前更為強(qiáng)烈[3]。新疆天然的地理環(huán)境,加之水土資源的不合理利用,勢(shì)必會(huì)造成更多的土地面臨土壤鹽漬化問(wèn)題。另外,干旱區(qū)生態(tài)環(huán)境脆弱,準(zhǔn)確高效地診斷本地土壤鹽度對(duì)于評(píng)估土壤健康和優(yōu)化管理尤為重要。相對(duì)于傳統(tǒng)技術(shù)而言,遙感數(shù)據(jù)因其覆蓋面積廣,尋訪周期快,且非侵入土壤等優(yōu)勢(shì)得以廣泛應(yīng)用。

借助遙感光譜探測(cè)土壤鹽度的方式主要有兩種。首先,在植被覆蓋度較低(植被覆蓋度小于15%)或鹽漬化較為嚴(yán)重的裸土地區(qū),可利用遙感原始波段光譜直接測(cè)量其土壤光譜信息,并與土壤鹽分進(jìn)行關(guān)聯(lián),定量獲取其鹽度值?；谀壳皩?shí)地測(cè)量的光譜信息所總結(jié)的理論基礎(chǔ),許多學(xué)者嘗試建立鹽度指數(shù)定量描述土壤鹽度信息。這些指數(shù)包括：鹽分指數(shù)(SI-T)[4],歸一化鹽分指數(shù)(NDSI)[5],鹽分指數(shù)(Salinity Index 2, SI2)[6],鹽分指數(shù)(S2)[7],鹽分指數(shù)(SI3)[6],以上指數(shù)在其上述文獻(xiàn)研究區(qū)內(nèi)相比其他鹽分指數(shù)而言,對(duì)于鹽度信息更為敏感。其次,鹽漬化土壤因其鹽分含量超過(guò)正常閾值進(jìn)而影響到植被的生理參數(shù),因此出現(xiàn)紅光波段反射率增加和近紅外波段反射率降低的現(xiàn)象[8- 9]。鑒于此發(fā)現(xiàn),諸多研究學(xué)者利用植被光譜間接推理土壤中的鹽分含量。涉及的植被指數(shù)有歸一化植被指數(shù)(NDVI)[10], 增強(qiáng)性植被指數(shù)(EVI)[11], 土壤調(diào)節(jié)植被指數(shù)(SAVI)[12], 廣義植被指數(shù)(GDVI)[13],冠層響應(yīng)鹽度指數(shù)(CRSI)[14], 大氣阻抗植被指數(shù)(GARI)[15],聯(lián)合光譜響應(yīng)指數(shù)(COSRI)[16],擴(kuò)展的增強(qiáng)型植被指數(shù)(ENDVI)[17], 擴(kuò)展的增強(qiáng)型植被植數(shù)(Extented Enhanced Vegetation Index, EEVI)[17], 等。除以上指數(shù)外,Zhang 等 (2016)[18]研究發(fā)現(xiàn)TGDVI(three-band maximal gradient difference, TGDVI)相對(duì)EVI和NDVI 而言,與植被生物量的相關(guān)性更高。Zhang等[19]研究顯示植被序列積分函數(shù)——類生物量參數(shù)SI(Seasonal Integral)具備評(píng)估大尺度下鹽分信息的潛力。因此,基于以上研究,研究增加三波段差分指數(shù)TGDVI[20]聯(lián)合其他植被指數(shù)共同考量植被指數(shù)對(duì)土壤鹽度的敏感性。然而,基于波段組合構(gòu)建的鹽分和植被指數(shù)與土壤鹽度之間的關(guān)系隨著時(shí)空的變異表現(xiàn)出諸多變化。因其地理環(huán)境的不同,本地表現(xiàn)出的高敏感性,在其他地區(qū)是否依然能夠保持,值得商榷。上述指數(shù)被應(yīng)用到世界各地,僅Brunner等[10]利用NDVI 在新疆的博斯騰湖地區(qū)評(píng)價(jià)過(guò)土壤鹽度,其他指數(shù)均較少應(yīng)用到新疆地區(qū)。上述指數(shù)應(yīng)用區(qū)之間在地貌特征,植被類型,氣候,人文因素等方面表現(xiàn)出的一定的差異性,使得土壤中的鹽分類型呈現(xiàn)類型多樣的特點(diǎn)。至此,不同鹽分類型下的土壤/植被光譜與土壤鹽度信息之間的關(guān)系可能會(huì)參差不齊,指數(shù)模型的通用性(transferability)有待考量。上述指數(shù)并沒有在新疆地區(qū)不同綠洲進(jìn)行對(duì)比,而挖掘指數(shù)與土壤鹽度之間的定量關(guān)系,對(duì)于識(shí)別潛在的土壤鹽漬化土地及制定相關(guān)措施,以最小代價(jià)防止土壤鹽漬化,成為目前較為高效的工具。因此,本研究借助Landsat系列數(shù)據(jù),以天山北麓阜北地區(qū),瑪納斯河綠洲和天山南麓渭干河-庫(kù)車河綠洲三個(gè)地區(qū)為研究區(qū),評(píng)估上述指數(shù)在新疆多個(gè)灌區(qū)鹽漬化分布區(qū)的敏感性。

1 研究區(qū)

阜北地區(qū)(44°17′—44°22′N and 87°47′—88°01′E)地處西北干旱地區(qū),是典型的綠洲沙漠過(guò)渡帶,位于三工河(發(fā)源于天山北麓)流域的末端。該地區(qū)高程范圍454.3—485.4 m,地勢(shì)東南方向至西北方向緩慢遞減,平均坡度為0.17%。年際平均降水量為163mm,年際蒸發(fā)皿1780—2460mm。因地勢(shì)平緩,徑流速度緩慢,蒸發(fā)量大等因素,土壤鹽漬化發(fā)生較為普遍。土壤類型依據(jù)FAO/UNESCO (1990) 統(tǒng)計(jì),鹽土(Solonchak)約占37%,其次為簡(jiǎn)育鈣積土(Haplic calcisols)和底層較為肥沃的潮性變性土(Aquert)[21]。自然植被包括耐旱和耐鹽的植被群落,如,荒漠灌叢的多枝檉柳(Tamarixramosissima, 梭梭(Haloxylonammodendron)和琵琶柴(Reaumuriasoongorica)。作物類型包括棉花(cotton),小麥(wheat),啤酒花(hops),葡萄(grapes)和玉米(corn)。

瑪納斯河綠洲(46°00′—44°00′N and 84°30′—86°30′E)坐落于中國(guó)西北地區(qū),位于新疆天山北麓。該地屬于溫帶大陸性干旱性氣候,年際氣溫變化劇烈。平均溫度為6.5 ℃,年際平均降水和潛在蒸發(fā)量為170mm和1800mm[22]。該區(qū)整體地形較為平坦,農(nóng)業(yè)生產(chǎn)潛力巨大。土壤類型以灰漠土為主。生長(zhǎng)季農(nóng)田整體長(zhǎng)勢(shì)較好,作物類型以玉米(Zea may L.),小麥(Triticum spp.)和棉花 (Gossypium hirsutumL.)為主。該綠洲是新疆最為重要的糧食生產(chǎn)基地,灌溉措施齊全,因地理環(huán)境的影響,但仍受土壤鹽漬化的威脅。

渭干河-庫(kù)車河綠洲(41°06′N — 41°40′N and82°10′E — 83°50′E)位于塔里木盆地北麓中段。典型的溫帶大陸性干旱氣候,日平均溫度變化劇烈(夏天最高溫度超過(guò)40℃),年平均降水量67.5mm。由于極端的氣候,地質(zhì)環(huán)境和不合理的農(nóng)業(yè)管理的影響,導(dǎo)致本地土壤鹽漬化現(xiàn)象普遍[23- 24]。自然條件下植被覆蓋較低,優(yōu)勢(shì)植被群落包括蘆葦(Phragimitesaustralis), 檉柳(Tamarixramosissima),駱駝刺(Allhagisparisifolia), 花花柴(Karelinacaspica), and 鹽爪爪(Kalidiumgracile)。嚴(yán)重的地區(qū)出現(xiàn)鹽殼風(fēng)化現(xiàn)象(Salt efflorescence)。相比阜北地區(qū)和瑪納斯河綠洲而言,該地區(qū)鹽漬化現(xiàn)象更為典型和嚴(yán)重。

圖1 研究區(qū)示意圖Fig.1 Study sites.Location of Fubei region, Werigan-Kuqa River Delta Oasis and Manas River Basin假彩色合成543:紅色為植被,藍(lán)色和黑色是水體,白色和灰色是裸土

2 數(shù)據(jù)與方法

2.1 野外調(diào)查和地面數(shù)據(jù)獲取

瑪納斯河綠洲的采樣時(shí)間為2010年5月1日,采用較為均勻的隨機(jī)布點(diǎn)方式。每個(gè)樣點(diǎn)處,采集3個(gè)土壤樣本并混合,樣本之間的距離為25m左右。采樣深度間隔為0—10cm, 10—20cm,20—30cm, 30—50cm, 50—70cm。該地共采集68個(gè)混合樣本。樣本自然風(fēng)干后,經(jīng)研磨和過(guò)濾制備成待測(cè)標(biāo)本。樣本利用1∶5的土水比例混合過(guò)濾后,借助電導(dǎo)率儀(Walklab con 60 conductivity meter)獲取土壤溶液電導(dǎo)率ECe(dS/cm)數(shù)據(jù)。

阜北地區(qū)共采集37個(gè)樣本,深度為0—10cm,采樣時(shí)間為2009年5月12日至19日。因?yàn)樵搮^(qū)地處綠洲-荒漠交錯(cuò)帶,地表特征復(fù)雜,為此,布點(diǎn)盡量覆蓋不同鹽分等級(jí)且樣點(diǎn)布局相對(duì)均勻。為了減少遙感數(shù)據(jù)與地面樣點(diǎn)之間的匹配誤差,每個(gè)樣點(diǎn)共采集5個(gè)樣本進(jìn)行混合。每個(gè)樣品重量為500g。樣品送至中國(guó)科學(xué)院新疆生態(tài)與地理研究所理化測(cè)試中心進(jìn)行測(cè)量,最終的鹽分含量(%)為8大離子之和。

渭干河-庫(kù)車河綠洲共采集38個(gè)樣地,每個(gè)樣地采集3個(gè)樣本。樣本覆蓋以下幾種土地利用類型：農(nóng)業(yè)用地(9個(gè)),鹽土(8個(gè)),荒漠(1個(gè)),低覆蓋草地(5—20%)(16個(gè)),中等覆蓋草地(20—50%)(3個(gè)),灌叢(1個(gè))。采樣時(shí)間為2013年8月24日至9月1日。每個(gè)樣點(diǎn)采集5個(gè)樣本進(jìn)行混合。采樣深度間隔為：0—10 cm, 10—20 cm, 20—40 cm, 40—60 cm, 60—80 cm, 80—100cm。樣本去除雜質(zhì),經(jīng)過(guò)2mm篩子,以20g和100ml蒸餾水進(jìn)行充分混合,待過(guò)濾后,利用土壤溶液電導(dǎo)率儀(Merck Millipore, Billerica, MA, USA)進(jìn)行EC測(cè)量。

2.2 衛(wèi)星數(shù)據(jù)

2.2.1 Landsat 數(shù)據(jù)

本研究應(yīng)用的遙感數(shù)據(jù)包括Landsat TM,Landsat- 7 ETM+和 Landsat- 8 OLI images 3種數(shù)據(jù)(表1)。遙感數(shù)據(jù)源于美國(guó)地質(zhì)調(diào)查局(United States Geological Survey) (http://glovis.usgs.gov/)。圖像投影坐標(biāo)系統(tǒng)為Universal Transverse Mercator (UTM) coordinate system,地理坐標(biāo)系統(tǒng)為World Geodetic System (WGS) 1984,圖像的空間分辨率為30m。數(shù)據(jù)描述信息見文獻(xiàn)[25- 26]。

表1 不同研究區(qū)Landsat系列數(shù)據(jù)獲取時(shí)間及其行列號(hào)

2.2.2 大氣校正

為了更好的擬合圖像數(shù)據(jù)與地面實(shí)測(cè)土壤鹽度數(shù)據(jù),且減少大氣對(duì)最終結(jié)果的影響,研究利用遙感軟件ENVI5.1 (ITT VIS, 2014)中的FLAASH(Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes)模塊對(duì)原始數(shù)據(jù)進(jìn)行大氣校正。模型中的主要參數(shù)包括大氣模塊(設(shè)定為中緯度夏天(Mid-Latitude Summer)),氣溶膠模式(選擇鄉(xiāng)村(Rural))。最終將輻射率轉(zhuǎn)化為地表反射率,為計(jì)算指數(shù)提供相對(duì)精確的數(shù)據(jù)支持。

2.3 研究方法

2.3.1 土壤鹽度指數(shù)和植被指數(shù)獲取及其計(jì)算

研究共選擇了10個(gè)植被指數(shù)和4個(gè)鹽度指數(shù)用于分析其與土壤鹽度之間的定量關(guān)系(表2)。具體指數(shù)計(jì)算則利用ENVI5.1中的Band Math Function模塊完成。

2.3.2 數(shù)據(jù)分析

采用線性和非線性相關(guān)性方式檢驗(yàn)和分析土壤鹽分指數(shù)和植被指數(shù)對(duì)土壤鹽度的敏感性。

線性(Linear)：

E(Yt)=β0+β1t

(1)

對(duì)數(shù)(Logarithmic)：

E(Yt)=β0+β1ln(t)

(2)

逆模型(Inverse)：

E(Yt)=β0+β1/t

(3)

二次函數(shù)(Quadratic)：

E(Yt)=β0+β1t+β2t2

(4)

立方函數(shù)(Cubic)：

E(Yt)=β0+β1t+β2t2+β3t3

(5)

復(fù)合函數(shù)(Compound)：

E(Yt)=β0β1t

(6)

冪函數(shù)(Power)：

E(Yt)=β0tβ1

(7)

S函數(shù)：

E(Yt)=exp(β0+β1/t)

(8)

增長(zhǎng)函數(shù)(Growth)：

E(Yt)=exp(β0+β1t)

(9)

指數(shù)函數(shù)(Exponential)：

E(Yt)=β0eβ1t

(10)

邏輯函數(shù)(Logistic)：

E(Yt)=(1/u+β0β1t)-1

(11)

式中,β0,β1,β2,β3,u為擬合系數(shù),Yt為土壤鹽度,t為土壤鹽分指數(shù),植被指數(shù)和波段。

表2 用于評(píng)價(jià)土壤鹽度的鹽分指數(shù)和植被指數(shù)

B: 藍(lán)波段, G: 綠波段red band, NIR: 近紅外; SWIR1:短波紅外550—1750nm in Landsat ETM+/TM; 1570—1650nm in Landsat 8 OLI); SWIR2: 短波紅外 (在Landsat ETM+/TM該長(zhǎng)為—2350nm; 在andsat 8 OLI該長(zhǎng)為2100—2290nm);n等于 2, 3, 4;λis 波長(zhǎng); L=1 和γ =0.9 是氣溶膠和大氣相關(guān)參數(shù)

本文首先將不同研究區(qū)獲取的樣點(diǎn)整體(全樣本)參與計(jì)算和統(tǒng)計(jì)分析,其次按照土壤鹽度等級(jí)標(biāo)準(zhǔn)分析不同等級(jí)下(部分樣本)土壤鹽分指數(shù),植被指數(shù)和波段與土壤鹽度之間的敏感性。每個(gè)研究區(qū)按照等級(jí)劃分后的樣點(diǎn)數(shù)目的多寡,具體選擇可對(duì)比的等級(jí)進(jìn)行統(tǒng)計(jì)分析。

為了評(píng)價(jià)上述函數(shù)的擬合精度,研究引用決定系數(shù)R2和顯著性檢驗(yàn)(Sig.) (2-tailed),定量評(píng)估不同地區(qū)每個(gè)指數(shù)與不同深度土壤鹽度之間的敏感性。其中Sig.<0.05為顯著性,Sig.<0.01為極度顯著。數(shù)據(jù)分析和檢驗(yàn)均在SPSS16.0中完成。

3 結(jié)果

3.1 土壤鹽度數(shù)據(jù)統(tǒng)計(jì)

表3中顯示了3個(gè)研究區(qū)土壤鹽度的統(tǒng)計(jì)結(jié)果。由表3得知,渭干河-庫(kù)車河綠洲和阜北地區(qū)土壤鹽度范圍橫跨所有鹽度等級(jí),即非鹽漬化至極度鹽漬化,而瑪納斯河綠洲樣品經(jīng)分析之后得知其中94%的樣點(diǎn)屬于非鹽漬化。

表3研究區(qū)不同土壤深度的統(tǒng)計(jì)描述

Table3Descriptivestatisticsoftheactualsoilsalinity(soil salt content% used in Fubei and Electrical conductivity used in Manas oasis/ Werigan-Kuqa River Delta Oasis)

阜北地區(qū)FG/%瑪納斯河綠洲MRB/(ECeds/m)0—100—1010—2020—3030—5050—70最小值Min0．910．090．090．080．080．09最大值Max4．653．663．804．595．534．47平均值Mean1．000．700．831．001．231．38標(biāo)準(zhǔn)差SD1．060．750．891．101．281．24變異系數(shù)CV1．061．071．071．11．040．89Q250．320．150．140．150．170．32Q500．560．300．370．460．730．94Q751．361．181．451．711．962．02渭干河-庫(kù)車河綠洲WKRDO/(ECeds/m)0—1010—2020—4040—6060—8080—100最小值Min0．270．2600．310．240．720．87最大值Max92．1030．6045．8014．8012．849．88平均值Mean22．238．407．345．855．125．13標(biāo)準(zhǔn)差SD23．416．938．143．652．872．53變異系數(shù)CV1．050．8251．110．620．560．49Q254．083．742．423．012．993．09Q5018．027．384．355．434．895．86Q7527．5011．5911．088．396．886．34

圖2 阜北地區(qū)不同土壤鹽漬化(土壤鹽分,g/kg)等級(jí)下采樣點(diǎn)的分布比例Fig.2 The percentage of the samples under different level of soil salinization (soil salt, g/kg) in FG

此外,圖2—圖4顯示了不同研究區(qū)不同深度的土壤鹽度的分布情況,結(jié)果表現(xiàn)出了一定的本地化特征。

圖3 瑪納斯綠洲不同土壤鹽漬化等級(jí)下采樣點(diǎn)的分布比例Fig.3 The percentage of the samples under different level of soil salinization in MRB

圖4 渭干河-庫(kù)車河綠洲不同土壤鹽漬化等級(jí)下采樣點(diǎn)的分布比例Fig.4 The percentage of the samples under different level of soil salinization in WKRDO

3.2 研究區(qū)土壤鹽度與指數(shù)之間的相關(guān)性分析(全樣本)

利用SPSS 16軟件中的曲線估計(jì)(Curve Estimation)模塊擬合研究區(qū)樣點(diǎn)土壤鹽度與指數(shù)及波段之間的定量關(guān)系。表4—表8為3個(gè)研究在全樣本下的統(tǒng)計(jì)結(jié)果。

表4 阜北地區(qū)全樣本下植被指數(shù)與土壤鹽度之間的擬合關(guān)系

基于線性和非線性曲線模型計(jì)算土壤鹽分指數(shù),植被指數(shù)模型和原始波段與阜北地區(qū)土壤鹽分之間的相關(guān)性,統(tǒng)計(jì)結(jié)果顯示(表4),EEVI, ENDVI和TGDVI三個(gè)植被指數(shù)相對(duì)其他指數(shù)和波段而言,與該區(qū)土壤鹽度之間存在較好的相關(guān)性。其中,基于Cubic模型的EEVI指數(shù)表現(xiàn)最好(R2=0.59),極度顯著,其次為Quadratic模型,Growth模型,Compound模型,Logistic模型和線性模型,與土壤鹽度的敏感程度相當(dāng),R2值域范圍在0.43—0.48之間。ENDVI指數(shù)中Cubic模型表現(xiàn)最優(yōu)(R2=0.31),Growth模型,Compound模型,Logistic模型與之表現(xiàn)相當(dāng)(R2=0.30)。TGDVI指數(shù)中Power模型表現(xiàn)最優(yōu)(R2=0.27),Logarithmic模型,Quadratic模型,Cubic模型和S模型敏感性相當(dāng),R2=0.20左右。

表5 瑪納斯綠洲全樣本下植被指數(shù)與土壤之間的擬合關(guān)系

瑪納斯流域統(tǒng)計(jì)結(jié)果顯示(表5和圖5—圖7),該區(qū)采樣時(shí)間內(nèi),與不同深度土壤鹽度顯著相關(guān)的指數(shù)為土壤鹽分指數(shù)SI3,Band2和Band3,其他指數(shù)和波段并未表現(xiàn)出顯著性。此外,研究分析發(fā)現(xiàn)表5的數(shù)值分布呈現(xiàn)出一定特點(diǎn)：1)與不同深度土壤鹽度敏感的指數(shù)均為SI3,Band2和Band3; 2)上述3個(gè)指數(shù)的線性模型和非線性模型統(tǒng)計(jì)結(jié)果相近,部分非線性模型統(tǒng)計(jì)結(jié)果R2值域接近；3) 整體而言,隨著深度的增加,基于遙感數(shù)據(jù)計(jì)算獲取的鹽分指數(shù)和波段對(duì)于土壤中的鹽度敏感程度呈現(xiàn)下降趨勢(shì)；4) SI3,Band2和Band3三者與不同深度土壤鹽度相對(duì)最為敏感的同為Band2,其線性模型的R2值,隨深度增加依次為0.34, 0.37, 0.37,0.39和0.22,非線性模型中表現(xiàn)最優(yōu)者為Cubic模型,其次為Quadratic 模型,不同深度R2值域范圍0.22—0.41。除了S模型和Inverse模型相對(duì)表現(xiàn)一般之外(R2值域范圍0.10—0.15), 其他非線性模型表現(xiàn)接近,R2值域范圍0.27—0.39。

表6—8為渭干河-庫(kù)車河綠洲研究區(qū)遙感指數(shù)與土壤鹽度的統(tǒng)計(jì)結(jié)果,該研究顯示,基于遙感獲取的各類指數(shù)和波段只與40cm深度以上土壤鹽度(0—10cm, 10—20cm, 20—40cm)具備顯著性,而與其他深度則sig.值大于0.05,所以其他深度統(tǒng)計(jì)結(jié)果未列出。

表6 渭干河-庫(kù)車河綠洲全樣本下指數(shù)與0—10cm處土壤鹽度之間的擬合關(guān)系

表7 渭干河-庫(kù)車河綠洲全樣本下指數(shù)與10—20cm處土壤鹽度之間的擬合關(guān)系

表8 渭干河-庫(kù)車河綠洲全樣本下指數(shù)與深度20—40cm處土壤鹽度之間的擬合關(guān)系

整體而言,土壤鹽分指數(shù)和植被指數(shù)與10—20cm深度的土壤鹽度,較其他深度更為敏感。0—10cm深度,植被指數(shù)多以非線性Invers模型最為敏感,Logarithmic模型次之,而鹽分指數(shù)以S模型相關(guān)性最高,其次為Inverse模型。線性模型結(jié)果不夠理想。其中,SI-T指數(shù)的S模型與該層土壤鹽度相關(guān)性最好,R2=0.66,其次為TGDVI指數(shù)的Inverse模型(R2=0.65)。而EVI指數(shù)、SAVI指數(shù)、NDSI指數(shù)、ENDVI指數(shù)和EEVI指數(shù)的Inverse模型R2擬合平均值為0.61。10—20cm深度,擬合度最高的為鹽分指數(shù)SI-T,S模型下R2=0.72,其次為植被指數(shù)ENDVI,Inverse模型下R2=0.68,其他指數(shù)如TGDVI、SAVI、NDSI和EEVI的Logarithmic模型和Invser模型擬合結(jié)果相當(dāng),R2值域范圍0.60-0.65。各個(gè)指數(shù)的線性模型表現(xiàn)一般,R2值為0.25-0.30。20—40cm處,各個(gè)植被指數(shù)以Logarithmic模型和Inverse模型擬合度相對(duì)較高,鹽分指數(shù)SI-T以S模型相關(guān)性最高,NDSI指數(shù)則以模型Inverse擬合度最高。TGDVI的Inverse模型為此深度土壤鹽度最為敏感的指數(shù)(R2=0.50),其他指數(shù)則擬合程度最好的模型表現(xiàn)相當(dāng),R2值為0.48左右。

3.3 研究區(qū)土壤鹽度與指數(shù)之間的相關(guān)性分析(部分樣本)

按照土壤鹽漬化等級(jí)劃分,阜北地區(qū)非鹽漬化樣點(diǎn)只有9個(gè),而鹽漬化樣點(diǎn)(鹽漬化樣土壤鹽度>0.3%)為28個(gè),所以這里只對(duì)后者進(jìn)行擬合計(jì)算。統(tǒng)計(jì)分析結(jié)果顯示(表9),所有參與計(jì)算的指數(shù)和波段中,只有EEVI和ENDVI與該等級(jí)土壤鹽度呈現(xiàn)顯著關(guān)系。EEVI的擬合精度整體高于ENDVI,前者相關(guān)性最高者為Cubic模型(R2=0.64),次之為Quadratic模型(R2=0.53),Compound模型、Growth模型、Exponential模型和Logistic模型擬合結(jié)果一致(R2=0.47), 線性模型擬合精度為R2=0.43。

表9 阜康地區(qū)部分樣本下指數(shù)與0—10cm深處土壤鹽度之間的擬合關(guān)系

表10 瑪納斯綠洲部分樣本下波段與土壤鹽度之間的擬合關(guān)系

瑪納斯研究區(qū)采樣點(diǎn)土壤鹽度以非鹽漬化為主,因此,按照等級(jí)劃分標(biāo)準(zhǔn),這里僅對(duì)土壤鹽度小于2ds/m的樣點(diǎn)進(jìn)行擬合計(jì)算和統(tǒng)計(jì)分析(表10)。結(jié)果顯示,0—10cm深度僅Band2與該層土壤鹽度呈顯著相關(guān)(n=55),擬合精度最高者為Cubic模型(R2=0.21),最低者為Inverse模型和S模型(R2=0.21),其他模型結(jié)果相近,其中線性模型為R2=0.19。與10—20cm深度土壤鹽度擬合精度最高者為Compound模型,Growth模型,Exponential模型和Logistic模型(R2=0.17) (n=50),與線性模型擬合結(jié)果相近(R2=0.16)。20—30cm深度的土壤鹽度與band2的Cubic模型的擬合結(jié)果最好(R2=0.15) (n=48),線性模型為R2=0.14。

表11 渭干河-庫(kù)車河綠洲部分樣本下波段和植被指數(shù)與土壤鹽度之間的擬合關(guān)系

渭干河-庫(kù)車河綠洲采樣點(diǎn)土壤鹽度等級(jí)偏向于鹽漬化,按照鹽度等級(jí)劃分標(biāo)準(zhǔn),僅對(duì)鹽度大于2ds/m的樣點(diǎn)進(jìn)行擬合計(jì)算和統(tǒng)計(jì)分析(表11)。結(jié)果顯示,0—10cm深度鹽度與植被指數(shù)EEVI和band5呈顯著性,且后者整體略好于前者。其中后者擬合精度最高者為Inverse模型(R2=0.33, sig.=0.00) (n=33),線性模型為(R2=0.18, sig.=0.01)。植被指數(shù)EEVI和TGDVI與10—20cm處土壤鹽度呈顯著相關(guān),其中后者略好于前者。TGDVI的Inverse模型和S模型擬合精度最高(R2=0.42, sig.=0.00) (n=29),線性模型擬合精度為(R2=0.13, sig.=0.05) (n=29)。20—40cm深度土壤鹽度僅與植被指數(shù)EEVI呈顯著相關(guān),擬合精度最高者為Cubic模型和Quadratic模型(R2=0.24, sig.=0.00) (n=28),其次為Power模型(R2=0.21, sig.=0.01),線性模型則無(wú)顯著性。

3 討論

3.1 土壤鹽度分析

在阜北地區(qū),由于農(nóng)業(yè)開發(fā)需要更多的灌溉用水,導(dǎo)致地下水位不斷攀升,加之本地氣候特征呈高蒸發(fā)特性,土壤鹽漬化現(xiàn)象普遍[21]。此現(xiàn)象與野外數(shù)據(jù)分析結(jié)果基本符合。

現(xiàn)代滴灌技術(shù)的廣泛應(yīng)用,使得瑪納斯河綠洲農(nóng)業(yè)種植區(qū)的鹽漬化處于可控狀態(tài)[27]。由于定期灌溉淋溶的作用,整體處于非鹽漬化水平。相對(duì)而言,底層鹽分較表層因此更易聚集鹽分。但局部地區(qū)也有輕度鹽漬化現(xiàn)象出現(xiàn)。雖然滴灌技術(shù)的實(shí)施,但管理制度和具體措施實(shí)施的協(xié)同性,地理位置,地貌特征,土壤類型,種植結(jié)構(gòu),灌溉水質(zhì)等同樣也是導(dǎo)致土壤次生鹽漬化發(fā)生的重要因素[28]。

渭干河-庫(kù)車河綠洲鹽漬化水平較其他研究地區(qū)而言,情況較為嚴(yán)重,這主要與本地土壤質(zhì)地和氣候狀況相關(guān)[29]。綠洲內(nèi)部的土壤鹽分經(jīng)灌溉系統(tǒng)和地下水到達(dá)綠洲下游(綠洲-荒漠交錯(cuò)帶),并在低洼處聚集。同時(shí),本地土壤紋理以沙質(zhì)土和壤土為主,空隙度較小,在高蒸發(fā)力的作用下,鹽分隨毛細(xì)上移至表層。加之該區(qū)無(wú)鹽分排泄通道,鹽漬化土壤只能集中于綠洲外圍地區(qū)。

3.2 指數(shù)與土壤鹽度之間的敏感性分析

3.2.1 阜北的地區(qū)

該區(qū)敏感性測(cè)試結(jié)果中(全樣本和部分樣本),植被指數(shù)EEVI表現(xiàn)最優(yōu)。全樣本(n=37)敏感度檢驗(yàn)中,參與計(jì)算的14個(gè)指數(shù)和6個(gè)波段中,只有植被指數(shù)EEVI,ENDVI和TGDVI呈現(xiàn)顯著性,三者中EEVI的不同模型中最高者(立方函數(shù))可以解釋其中樣本(n=37)量59%的土壤鹽度變異性(解析力),二次非線性模型為47%,線性模型則為43%。部分樣本測(cè)試中(鹽漬化)(n=28)與全樣本測(cè)試結(jié)果整體相近,解析力并未明顯變化。

EEVI/ENDVI較其它指數(shù)和波段而言具備更多的解釋能力,其原因可能在于,除了NIR和RED波段之外,第三方波段信息的加入,增加了其感知土壤鹽度變異的效能。首先,短波紅外的引入增加了植被的信息維度；其次,可見光波段之間和短波紅外波段之間呈高度相關(guān)性；最后,NIR與可見光和短波紅外之間相關(guān)性較低[25]。另外,2100—2300nm區(qū)具有豐富的植被信息,可以更好的反映植被覆蓋度和生長(zhǎng)狀況[30—31]。因此,基于上述研究結(jié)果,在可見光組,近紅外組和短波紅外組各調(diào)選一個(gè)波段組合建立新的植被指數(shù),也許提升了EEVI/ENDVI對(duì)土壤鹽度的敏感度,尤其是植被指數(shù)EEVI。

3.2.2 瑪納斯流域

該流域土壤鹽度檢測(cè)中,全樣本(n=58)統(tǒng)計(jì)分析顯示,且不同深度下,土壤鹽分指數(shù)SI3,band2和band3均與土壤鹽度呈現(xiàn)顯著性。指數(shù)對(duì)土壤鹽度的解析力,整體隨深度增加呈降低趨勢(shì),最高土壤鹽度解析力為41%(非線性,10—20cm)和39%(線性,30—50cm),最小解析力出現(xiàn)在底層,23%(非線性)和19%(線性)。

部分樣本(鹽漬化)顯著性檢驗(yàn)中,只有band2留存,且30cm深度以下無(wú)顯著性。土壤鹽度變異性解析力由表層的21%(非線性)和19%(線性),10—20cm深處的17%(非線性)和16%(線性),降至20—30cm深處的14%左右(非線性和線性相似)。

此外,基于上述指數(shù)能夠探測(cè)該區(qū)深層土壤鹽度變異性,原因在于該區(qū)土壤層之間鹽度高度相關(guān)有關(guān)(表12)。

在灌溉種植區(qū),適于作物生長(zhǎng)的土壤和局部地區(qū)的鹽漬化土壤之間存在一定的光譜差異性[5]。后者的光譜反射率要高于前者,這也是基于遙感進(jìn)行識(shí)別鹽漬化土壤的理論依據(jù)之一。在Csillag 等[32]研究中提出,可以用于識(shí)別鹽度的光譜波段為可見光 (550—770 nm),近紅外 (900—1030 nm, 1270—1520 nm)和短波紅外區(qū) (1940—2150 nm, 2150—2310 nm, 2330—2400 nm)。Melendez-Pastor等[33]研究中發(fā)現(xiàn)光譜區(qū)間為433—627nm的反射率與土壤電導(dǎo)率由較大的相關(guān)性。而在本區(qū),結(jié)果顯示鹽分指數(shù)SI3和band2(綠波段：520—600nm),與上述研究形成互補(bǔ)。然而需要指出的是,不同地區(qū),因土壤中鹽分類型,土壤類型,采樣時(shí)間,植被類型等的差異,使得診斷波段區(qū)間多有不同,本地化特征明顯,在具體應(yīng)用時(shí),應(yīng)考慮上述因素,謹(jǐn)慎甄別。

** 顯著性為0.01 水平 (2-tailed); * 顯著性為 0.05 水平 (2-tailed)

3.3.3 渭干河-庫(kù)車河綠洲

全樣本測(cè)試中(n=38),顯著性檢驗(yàn)最大下探深度為40cm,0—10cm和10—20cm表現(xiàn)最優(yōu)者為土壤指數(shù)SI-T,而20—40cm深度則為植被指數(shù)TGDVI,前者土壤鹽度變異性(SI-T)解析力為66%(Inverse模型)和72%(S模型),后者(TGDVI)為50%(Inverse模型)。

部分樣本(鹽漬化)敏感性測(cè)試中,顯著性檢驗(yàn)最大探測(cè)深度同樣為40cm,整體表現(xiàn)最優(yōu)者為植被指數(shù)EEVI。表層土壤鹽度變異性最大解釋力為總樣本的33% (band5, Inverse模型,n=33),植被指數(shù)TGDVI能夠解釋10—20cm深度42%的土壤鹽度變異性(Inverse模型,n=29),20—40cm深度的解析力降至24%。線性模型(植被指數(shù)EEVI)在此樣本測(cè)試中最大解釋力出現(xiàn)在10—20cm處(23%),20—40cm處則無(wú)顯著性。

植被指數(shù)TGDVI首次應(yīng)用于土壤鹽度變異性測(cè)試,總體而言,TGDVI具備一定探測(cè)土壤鹽度的潛力。Zhang等[18]在其研究中指出,利用TGDVI獲取中亞溫帶荒漠區(qū)的植被覆蓋度,與NDVI和EVI相比,TGDVI與生物量具有更好的相關(guān)性。此外,Zhang 等[19]在其研究中指出,在所有的物候參數(shù)中,植被物候積分曲線(EVI-SI)即類生物量參數(shù)(與季節(jié)光合作用活性、生物量和凈第一性生產(chǎn)力(net primary production)相關(guān)),與土壤鹽度最具相關(guān)性。其研究顯示,在黃河三角洲地區(qū)EVI-SI與混合植被區(qū)(不同鹽生植被群落)的土壤電導(dǎo)率相關(guān)性為0.565,而在本研究中,TGDVI與土壤電導(dǎo)率的相關(guān)性最大值為0.504,低于前者。究其原因可能是因?yàn)?1)EVI-SI是多期數(shù)據(jù)計(jì)算而得,而本研究只計(jì)算了單期數(shù)據(jù)；(2)上述研究都是基于Moderate Resolution Imaging Spectrometer(MODIS) 500m尺度為數(shù)據(jù)源,與本研究中30m尺度,尺度的差別是否是造成敏感度變化的原因,有待考證；(3)濱海鹽漬化與內(nèi)地干旱區(qū)地理環(huán)境的差異性(土壤,植被類型,氣候等)也可能是敏感度差異的原因之一?；谝陨戏治?TGDVI的應(yīng)用潛力有待進(jìn)一步挖掘。

此外,需要注意的是,植被覆蓋的增加可能會(huì)使植被指數(shù)探測(cè)土壤鹽度的效能提升,表13為3個(gè)研究區(qū)NDVI的統(tǒng)計(jì)表,結(jié)合上述3個(gè)研究區(qū)的分析和討論得知,事前探測(cè)研究區(qū)有無(wú)植被,有助于提高指數(shù)的應(yīng)用效率。

4 結(jié)論

因樣區(qū)土壤類型,植被蓋度和類型,地貌特征,氣候等因素的影響,不同研究區(qū)指數(shù)對(duì)于土壤鹽度敏感性的表現(xiàn)具有一定的差異性。針對(duì)本文3個(gè)研究區(qū),初步得出以下結(jié)論：

(1)阜北地區(qū),全樣本 (n=37)和部分樣本(鹽漬化,土壤鹽度>0.3%,n=28)下,對(duì)土壤鹽度變異性最為敏感的皆為植被指數(shù)EEVI,前者(全樣本)解析力為59%,線性模型為43%,后者(部分樣本)解析力為64%,線性模型為43%。

表13 研究區(qū)NDVI數(shù)值統(tǒng)計(jì)描述

(2)瑪納斯流域,全樣本 (n=68)下,相對(duì)敏感的指數(shù)為SI3,band2和band3,其中band 2最為顯著,土壤鹽度變異性顯著最大探測(cè)深度為40cm,0—10cm, 10—20cm深度解析力30%—41%,而20—40cm處解析力降至19%—23%。部分樣本(n=48—55),土壤鹽度變異性顯著最大探測(cè)深度同樣為40cm,band 2表現(xiàn)最顯著,各層平均解析力為15%左右。

(3)渭干河-庫(kù)車河綠洲,全樣本下(n=38),土壤鹽度最大探測(cè)深度為40cm,表現(xiàn)最優(yōu)者為SI-T(0—10cm最大解析力為66%,10—20cm最大解析力為72%),20—40cm處則為植被指數(shù)TGDVI(最大解析力為50%),部分樣本(n=28—33),0—10cm深度為band 5(線性解析力為18%,非線性最大解析力為33%),10—20cm處為植被指數(shù)TGDVI(Invers模型,最大解析力為42%,線性為13%),20—40cm處為植被指數(shù)EEVI(最大解析力為24%)。

由于上述研究區(qū)地理環(huán)境的差異,研究并沒有針對(duì)三個(gè)研究區(qū)進(jìn)行綜合評(píng)價(jià),而是就每個(gè)研究給予初步的結(jié)論。本文所選取的指數(shù)如果作為區(qū)域尺度土壤鹽度定量評(píng)價(jià)的因子之一時(shí),應(yīng)結(jié)合具體的下墊面特性,選取適合的指數(shù),以準(zhǔn)確推理研究區(qū)的土壤鹽度。為了更為準(zhǔn)確的評(píng)估指數(shù)在本區(qū)的適用性,未來(lái)需要進(jìn)一步考慮一下幾點(diǎn)：首先,下一階段的工作中可以添加作物區(qū)植被成熟期的樣點(diǎn),以測(cè)試干旱區(qū)不同作物冠層反射率對(duì)于土壤鹽度的敏感性。其次,由于研究區(qū)面積較大,而實(shí)際應(yīng)用的樣點(diǎn)數(shù)據(jù)雖然典型,但若能夠達(dá)到一定密集程度,可以進(jìn)行細(xì)分,分析不同鹽度等級(jí)下或者不用植被類型下,指數(shù)與土壤鹽度之間的相關(guān)性。再次,相對(duì)于傳統(tǒng)獲取土壤鹽度的方式,建議后續(xù)研究可以采用EM38(大地電導(dǎo)率儀)獲取實(shí)測(cè)數(shù)據(jù),此方式不僅操作簡(jiǎn)單,且效率較高,不用破壞土壤,直接讀取數(shù)值,能夠獲取更多的樣點(diǎn),尤其適用于大尺度地區(qū)。

[1] 王芳芳, 吳世新, 喬木, 李和平, 楊涵, 李義玲. 基于3S技術(shù)的新疆耕地鹽漬化狀況調(diào)查與分析. 干旱區(qū)研究, 2009, 26(3): 365- 371.

[2] Wang F, Chen X, Luo G P, Han Q F. Mapping of regional soil salinities in Xinjiang and strategies for amelioration and management. Chinese Geographical Science, 2015, 25(3): 321- 336.

[3] Grunwald S, Thompson J A, Boettinger J L. Digital soil mapping and modeling at continental scales: finding solutions for global issues. Soil Science Society of America Journal, 2011, 75(4): 1201- 1213.

[4] Allbed L, Kumar, L, Aldakheel. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region. Geoderma,2014,230-231(17):1-8.

[5] 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.

[6] 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.

[7] Abbas A, Khan S. Using remote sensing techniques for appraisal of irrigated soil salinity//Paper presented at the Advances and Applications for Management and Decision Making Land, Water and Environmental Management: Integrated Systems for Sustainability MODSIM07. Brighton: MODSIM, 2007.

[8] 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.

[9] Wang D, Poss J A, Donovan T J, Shannon M C, Lesch S M. Biophysical properties and biomass production of elephant grass under saline conditions. Journal of arid Environment, 2002, 52(4): 447- 456.

[10] Brunner P, Li H T, Kinzelbach W, Li W P. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data. International Journal of Remote Sensing, 2007, 28(15): 3341- 3361.

[11] 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, 2009, 39(1): 35- 41.

[12] 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. Geoderma, 2014, 230- 231: 1- 8.

[13] Wu W. The Generalized Difference Vegetation Index (GDVI) for Dryland Characterization. Remote Sensing, 2014, 6(2): 1211- 1233.

[14] Scudiero E, Skaggs T H, Corwin D L. Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance. Remote Sensing of Environment, 2015, 169: 335- 343.

[15] Scudiero E, Skaggs T H, Corwin D L. Regional scale soil salinity evaluation using Landsat 7, western San Joaquin Valley, California, USA. Geoderma Regional, 2014, 2- 3: 82- 90.

[16] Fernández-Buces N, Siebe C, Cram S, Palacio J L. Mapping soil salinity using a combined spectral response index for bare soil and vegetation: A case study in the former lake Texcoco, Mexico. Journal of Arid Environments, 2006, 65(4): 644- 667.

[17] 陳紅艷, 趙庚星, 陳敬春, 王瑞燕, 高明秀. 基于改進(jìn)植被指數(shù)的黃河口區(qū)鹽漬土鹽分遙感反演. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(5): 107- 114.

[18] Zhang C, Lu D S, Chen X, Zhang Y M, Maisupova B, Tao Y. The spatiotemporal patterns of vegetation coverage and biomass of the temperate deserts in Central Asia and their relationships with climate controls. Remote Sensing of Environment, 2016, 175: 271- 281.

[19] 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.

[20] Jiapaer G, Chen X, Bao A M. A comparison of methods for estimating fractional vegetation cover in arid regions. Agricultural and Forest Meteorology, 2011, 151(12): 1698- 1710.

[21] Wang Y G, Li Y. Land exploitation resulting in soil salinization in a desert-oasis ecotone. Catena, 2013, 100: 50- 56.

[22] Sheng J D, Ma L C, Jiang P A, Li B G, Huang F, Wu H Q. Digital soil mapping to enable classification of the salt-affected soils in desert agro-ecological zones. Agricultural Water Management, 2010, 97(12): 1944- 1951.

[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] Li X M, Yang J S, Liu M X, Liu G M, Yu M. Spatio-temporal changes of soil salinity in arid areas of south Xinjiang using electromagnetic induction. Journal of Integrative Agriculture, 2012, 11(8): 1365- 1376.

[25] 徐涵秋, 唐菲. 新一代Landsat系列衛(wèi)星: Landsat 8遙感影像新增特征及其生態(tài)環(huán)境意義. 生態(tài)學(xué)報(bào), 2013, 33(11): 3249- 3257.

[26] 蒲智, 于瑞德, 尹昌應(yīng), 陸亦農(nóng). 干旱區(qū)典型鹽堿土壤含鹽量估算的最佳高光譜指數(shù)研究. 水土保持通報(bào), 2012, 32(6): 129- 133.

[27] Wang R S, Wan S Q, Kang Y H, Dou C Y. Assessment of secondary soil salinity prevention and economic benefit under different drip line placement and irrigation regime in northwest China. Agricultural Water Management, 2014, 131: 41- 49.

[28] 樊自立, 喬木, 徐海量, 張青青, 李和平, 張鵬, 周生斌, 盧磊. 合理開發(fā)利用地下水是新疆鹽漬化耕地改良的重要途徑. 干旱區(qū)研究, 2011, 28(5): 737- 743.

[29] Ding J L, Yu D L. Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan-Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments. Geoderma, 2014, 235- 236: 316- 322.

[30] Dehni A, Lounis M. Remote sensing techniques for salt affected soil mapping: Application to the Oran region of Algeria. Procedia Engineering, 2012, 33: 188- 198.

[31] Darvishzadeh R, Atzberger C, Skidmore A K, Abkar A A. Leaf Area Index derivation from hyperspectral vegetation indicesand the red edge position. International Journal of Remote Sensing, 2009, 30(23): 6199- 6218.

[32] Csillag F, Pásztor L, Biehl L L. Spectral band selection for the characterization of salinity status of soils. Remote Sensing of Environment, 1993, 43(3): 231- 242.

[33] Melendez-Pastor I, Navarro-Pedreo J, Gómez I, Koch M. Identifying optimal spectral bands to assess soil properties with VNIR radiometry in semi-arid soils. Geoderma, 2008, 147(3/4): 126- 132.

SensitivityanalysisofsoilsalinityandvegetationindicestodetectsoilsalinityvariationbyusingLandsatseriesimages:applicationsindifferentoasesin

Xinjiang,ChinaWANG Fei1,2, DING Jianli1,2, WEI Yang1,2, ZHOU Qianqian1,2, YANG Xiaodong1,2, WANG Qianfeng3

1CollegeofResearchandEnvironmentalScience,XinjiangUniversity,Urumqi830046,China2LaboratoryofOasisEcosystems,MinistryofEducation,Urumqi830046,China3CollegeEnvironmentandResourcesofFuzhouUniversity,Fuzhou350116,China

Several indices of vegetation and soil salinity have been developed to quantitatively evaluate soil salinization. This study was conducted to assess the soil salinity levels in the Fubei region (FG), Manas River Basin (MRB), and Werigan-Kuqa River Delta Oasis (WKRDO), which are distributed in the northern and southern Tianshan Mountains in Xinjiang, China. Ground measurements and remote sensing data were used to evaluate the sensitivity of vegetation and soil salinity indices to soil salinity variation in farmland and salt-affected land. A random sampling approach was used to collect soil samples from FG (n=37, only at 0—10-cm depth), MRB (n=58), and WKRDO (n=38). A total of 14 broadband indices encompassing vegetation and soil salinity indices were extracted from Landsat images. The correlation coefficient based on linear and non-linear models (10 models) between these indices, Landsat bands, and soil salinity was examined. The results showed that the extended enhanced vegetation index (EEVI) was the most effective for explaining the soil salinity variation at depths of 0—10 cm in two modes (all samples and partial samples with soil salinity (soil salt content) >0.3%) in FG. With the mode of all samples and partial samples (soil electric conductivity <2 dS/m) in MRB, band 2 yielded the best results for assessing the soil salinity of cultivated lands at the early stage of crop growth in April. The maximum depth of the significance test by using indices for detecting variation of soil salinity in this area was 30 cm. For all samples in WKRDO, the salinity index (SI-T) interpreted more variation of soil salinity than that by other indices at depths of 0—10 and 10—20 cm, and the three-band maximal gradient difference index (TGDVI) exhibited the highest signicant correlation with salinity at 20—40 cm. In the mode of partial samples (soil salinity >2 dS/m), the most sensitive index for variation of soil salinity at 0—10, 10—20, and 20—40 cm were band 5, TGDVI, and EEVI. In addition, the correlation of other indices (excluding those mentioned above) and soil salinity was highly dependent on land cover heterogeneity and sample period, and showed no significant relationships (p > 0.05 or p > 0.01). These results are preliminary conclusions, but in general, the soil salinity in Xinjiang dominated by different salt types was successfully assessed by broadband vegetation and soil salinity indices extracted from the Landsat images. However, relationships between remote sensing indices and soil salinity withinelds are highly complex and require further investigation with additional samples and by using various soil salinity classifications.

soil salinization; salinity index; vegetation index; dryland; Landsat

國(guó)家自然科學(xué)基金-新疆聯(lián)合基金(U1603241); 新疆維吾爾自治區(qū)科技支疆項(xiàng)目(201591101);國(guó)家自然科學(xué)基金(41661046);中國(guó)博士后基金(2016M602909);新疆大學(xué)博士啟動(dòng)基金(BS150248); 新疆維吾爾自治區(qū)重點(diǎn)實(shí)驗(yàn)室專項(xiàng)基金(2014KL005)

2016- 05- 09;

:2016- 09- 07

10.5846/stxb201605090890

*通訊作者Corresponding author.E-mail: watarid@xju.edu.cn

王飛,丁建麗,魏陽(yáng),周倩倩,楊曉東,王前鋒.基于Landsat系列數(shù)據(jù)的鹽分指數(shù)和植被指數(shù)對(duì)土壤鹽度變異性的響應(yīng)分析——以新疆天山南北典型綠洲為例.生態(tài)學(xué)報(bào),2017,37(15):5007- 5022.

Wang F, Ding J L, Wei Y, Zhou Q Q, Yang X D, Wang Q F.Sensitivity analysis of soil salinity and vegetation indices to detect soil salinity variation by using Landsat series images: applications in different oases in Xinjiang, China.Acta Ecologica Sinica,2017,37(15):5007- 5022.