基于SI-MSAVI特征空间的河套灌区盐碱化遥感监测研究

doi:10.6046/gtzyyg.2020.01.23

基于SI-MSAVI特征空间的河套灌区盐碱化遥感监测研究

卢晶¹^,³, 张绪教^,¹, 叶培盛², 吴杭¹, 王涛¹

1. 中国地质大学(北京)地球科学与资源学院,北京 100083

2. 中国地质科学院地质力学研究所,北京 100081

3. 中国地质调查局北京探矿工程研究所,北京 100083

Remote sensing monitoring of salinization in Hetao irrigation district based on SI-MSAVI feature space

LU Jing¹^,³, ZHANG Xujiao^,¹, YE Peisheng², WU Hang¹, WANG Tao¹

1. School of Earth Sciences and Resources, China University of Geosciences(Beijing), Beijing 100083, China

2. Institute of Geomechanics, Chinese Academy of Geological Sciences, Beijing 100081, China

3. Beijing Institute of Exploration Engineering, China Geological Survey, Beijing 100083, China

通讯作者: 张绪教(1964-),男,副教授,硕士生导师,主要从事第四纪地质地貌、新构造方向研究。Email:zhangxj@cugb.edu.cn。

责任编辑: 张仙

收稿日期: 2018-12-29 修回日期: 2019-01-14 网络出版日期: 2020-03-15

基金资助:

中国地质调查局项目“内蒙古1∶5万渡口乡、磴口县幅平原区填图试点”. 编号: 121201104000160902
国家自然科学基金项目“河套盆地第四纪裂陷充填过程及其与同缘山地隆升耦合机制”. 批准号: 41972192

Received: 2018-12-29 Revised: 2019-01-14 Online: 2020-03-15

作者简介 About authors

卢晶(1994-),男,硕士研究生,第四纪地质学专业,主要从事遥感及GIS相关研究。Email:lujingCUGB@163.com。。

摘要

内蒙古河套灌区土壤盐碱化已经严重影响到了当地农业和经济的可持续发展。遥感技术能够定量获取实时的土壤盐碱化信息,监测盐碱化状况。利用Landsat遥感影像,采用盐分指数(salinity index,SI)和改进型土壤调节植被指数(modified soil-adjusted vegetation index,MSAVI)构建了改进型盐碱化监测指数(modified salinization detection index,MSDI)模型,对河套灌区沈乌灌域土壤盐碱化进行定量分析与监测,然后分别对研究区2001年、2010年和2017年土壤盐碱化信息进行分类并统计分析,不同盐碱地类型的MSDI平均值差异明显。通过野外考察并结合土壤样品实测含盐量数据,对改进型盐碱化监测模型进行了精度验证,MSDI与土壤含盐量相关性为0.856 8,土壤盐碱化信息提取总体精度达到87.5%,Kappa系数为0.726。2001年以来研究区土壤盐碱化状况得到了有效的改善,非盐碱地占比由18.50%增加至30.47%,中轻度盐碱地呈碎片化趋势。结果表明,基于SI-MSAVI特征空间建立的盐碱化监测模型MSDI可以定量提取土壤盐碱化信息,有效地对河套灌区土壤盐碱化进行监测。

关键词： SI-MSAVI特征空间 ; Landsat影像 ; 河套灌区 ; 盐碱化 ; MSDI

Abstract

The soil salinization in Hetao irrigation district of Inner Mongolia has exerted severe impact on the sustainable development of local agriculture and economy. Remote sensing can be applied to achieve the real-time information of soil salinization so as to monitor salinization’s future changes. The authors used the satellite images of Landsat to extract salt index (SI) and modified soil mediation vegetation index (MSAVI) and then combined them to construct modified salinization detection index (MSDI) model so as to quantitatively analyze and monitor the soil salinization in this research. After that, the soil salinization information in the study areas obtained in 2001, 2010 and 2017 was further classified and statistically analyzed, which showed an obvious diversity of MSDI mean among various alkali soil types. The result of MSDI was validated by the precision test, field investigation and the salinity of soil samples. The validation demonstrated a strong correlation of 0.856 8 between MSDI and soil salinity, a precision test accuracy of 87.5%, and a Kappa index of 0.726. The soil salinization of this area had been mitigated according to portion changes of non-alkali soil area (from 18.5% to 30.47%) and the fragmented tendency of moderately saline land since 2001. The result indicates that MSDI based on the SI-MSAVI feature space could be applied to quantitatively extract the information of soil salinization and proves to be efficient in monitoring the development of salinization in this region.

Keywords： SI-MSAVI feature space ; image of Landsat ; Hetao irrigation district ; salinization ; MSDI

PDF (4954KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

卢晶, 张绪教, 叶培盛, 吴杭, 王涛. 基于SI-MSAVI特征空间的河套灌区盐碱化遥感监测研究. 国土资源遥感杂志[J], 2020, 32(1): 169-175 doi:10.6046/gtzyyg.2020.01.23

LU Jing, ZHANG Xujiao, YE Peisheng, WU Hang, WANG Tao. Remote sensing monitoring of salinization in Hetao irrigation district based on SI-MSAVI feature space. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(1): 169-175 doi:10.6046/gtzyyg.2020.01.23

0 引言

土壤盐碱化是我国当前面临的严重的环境问题之一,尤其是在干旱和半干旱地区^[1]。土壤盐碱化是由多种自然因素(地质、水文、气候等)以及人类活动(不合理灌溉)共同作用的结果^[2],严重影响灌区农业生产的稳定与可持续发展。因此,利用科学有效的手段对灌区土壤盐碱化进行分析与监测,对于掌握其时空变化特征及保护生态环境具有重要的意义^[3]。传统的盐碱化监测方法成本高且无法全面地获取数据,不具有普遍适用性^[4]。遥感具有范围广、高效同步等优势,可以弥补传统方法的不足,已被广泛应用于大面积的土壤盐碱化监测^[5,6]。

内蒙古河套灌区是我国重要的农业生产基地,但土壤盐碱化一直是制约着当地农业经济发展的主要因素之一^[7],因此对盐碱化进行时空变化分析与监测是非常必要和近切的。虽然已有一些学者利用遥感影像对河套灌区土壤盐碱化信息进行过提取、动态分析与监测^[8,9],但多以目视解译以及监督、非监督分类等定性/半定量的方法为主,其定量化及适用性效果并不理想。目前,利用多光谱遥感数据中各类指标构建特征空间进行盐碱化信息的提取和监测是盐碱化遥感监测研究的先进方法^[10],许多学者利用与土壤盐分密切相关的指标建立特征空间来提取土壤盐碱化信息,取得了不错的效果。王飞等^[11]同时考虑植被和土壤信息,利用归一化植被指数(normalized difference vegetation index,NDVI)和盐分指数(salinity index,SI)提出NDVI-SI特征空间概念,对新疆于田绿洲盐碱化进行了定量分析与监测; 哈学萍等^[12]选取SI和地表反射率(Albedo)建立特征空间并构建模型,对克里雅绿洲的土壤盐碱化分布信息进行了提取; 丁建丽等^[13]利用改进型土壤调节植被指数(modified soil-adjusted vegetation index,MSAVI)和湿度指数(wetness index,WI),构建MSAVI-WI特征空间对干旱区土壤盐碱化监测进行了研究,结果表明基于特征空间理论建立的监测模型能够用于干旱区盐碱化土壤的定量分析与监测。这些研究表明利用二维特征空间理论能够进行盐碱化遥感定量研究和监测,但若能同时考虑像元内的裸土背景和植被信息,可能会使盐碱化运态监测和信息提取精度进一步提高。

本文在总结前人研究成果的基础上,利用Landsat遥感影像和野外调查数据,通过分析地表地物的生物物理特征与盐碱化之间的定量关系,构建由SI和MSAVI组成的改进型盐碱化监测指数(modified salinization detection index,MSDI),对河套灌区沈乌灌域土壤盐碱化进行定量分析与监测。结果表明相对于单个光谱指数方法,该模型提取土壤盐碱化信息的精度更高,可以更有效地对土壤盐碱化进行定量分析与监测,这对准确了解灌区盐碱化动态演变规律及指导盐碱化综合治理具有重要意义。

1 研究区概况及数据源

1.1 研究区概况

研究区位于内蒙古自治区河套盆地西部,范围在N40°14'~40°47',E106°20'~107°06'之间,行政区划上属于巴彦淖尔市磴口县地区,通常被称为沈乌灌域,是河套灌区五大灌域之一(图1)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区地理位置(底图源自Google Earth)

Fig.1 Location of the study area

该区在地质构造上处于新生代以来长期沉降的河套断陷盆地内,沉积物以巨厚的、细粒为主的内陆河湖相泥沙沉积为主,富含盐分。气候属典型的温带大陆季风气候,干旱少雨,年均气温为6~8 ℃,年均降水量为147~215 mm; 年均蒸发量约为2 500 mm,远大于降水量。地貌属于内陆高平原,海拔在1 030~1 050 m之间,坡度平缓,地下径流排泄不畅,地下水埋深较浅(平均为1.67 m)。灌区农业灌溉的方式以传统的漫灌为主,灌溉水渗漏严重,当水大量蒸发的时候,盐分容易在地表聚集。研究区气候、地貌以及水文的特点,再加上漫灌的灌溉方式,使该地区普遍存在土壤盐碱化现象,尤其是在植被覆盖度低以及灌溉排水条件较差的地区。

1.2 数据源及其预处理

本研究采用2017年8月Landsat8 OLI影像、2001年8月及2010年8月Landsat7 ETM+多光谱卫星遥感影像数据,空间分辨率为30 m,以ENVI和ArcGIS图像处理软件作为技术支持平台。ETM+和OLI影像数据经过辐射校正以及FLAASH大气校正,参照1∶5万地形图进行几何精纠正,然后按照研究区范围裁剪出所需要的遥感影像,最后分别建立水体及沙地的掩模,以去除水体及沙地的干扰。

2018年8月对研究区进行了野外考察,共采集了0~20 cm表层土壤样品60个,经自然风干后剔除杂质,最后经室内测试分析得到土壤含盐量(可溶性盐总量)数据,单位为g/kg。采样点的分布同时考虑不同类型的盐碱地以及均匀性的原则,采样时每个样点用GPS精确定位,并记录周围环境。为了减少单个样品的不确定性带来的误差,分别于每个采样点采集3份样品各150 g,呈三角形分布,每采坑相距6~8 m,待样品风干后混合成一份样品。

2 研究方法

2.1 特征参量的选取

1)NDVI常用于提取植被信息从而间接表征土壤盐碱化程度。NDVI会随着植被覆盖度的增高而增高,但易受土壤背景的影响使得植被信息被低估,在植被稀少的地方提取精度不够高; 而常用的水体提取指数归一化水体指数易造成建筑物、部分植被与水体一并被提出,因此本文利用NDVI负值代表云、雪以及水体这一特征来提取水体信息,以去除水体对土壤盐碱化信息提取的干扰,其公式为^[14]

(1)NDVI=(ρ_nir-ρ_red)/(ρ_nir+ρ_red) ,

式中ρ_red和ρ_nir分别为红光波段和近红外波段的反射率值。

2)归一化土壤湿度指数(normalized different moisture index,NDMI)是通过近红外和短波红外对水的吸收特性的差异构建出来的。NDMI对沙地信息较为敏感,负值代表沙地与盐碱地,但盐碱地与沙地的NDMI值差异较大,故利用NDMI可以有效地将沙地信息提取出来^[15],计算公式为^[16]

(2)NDMI=(ρ_nir-ρ_swir1)/(ρ_nir+ρ_swir1) ,

式中ρ_swir1为短波红外1波段的反射率值。

3)MSAVI是植被指数特征参量的改进,它能够较好地消除低植被密度区域土壤及植被冠层背景的影响,可以更好地实现植被信息的表达^[17,18,19]。土壤含盐量高会抑制农作物的生长而导致植被覆盖度低,意味着MSAVI会随着土壤含盐量的升高而降低,因此MSAVI可作为反映植被生长状况的生物物理参量。本文选取该指数作为构建特征空间的其中一个指标,其计算公式为^[20]

(3)MSAVI=[(2ρ_nir-1)-

\sqrt{(2 ρ_{nir} + 1) - 8 (ρ_{nir} - ρ_{red})}

]/2 ,

4)SI可以在一定程度上反映土壤的盐碱化程度,因此本文选择盐分指数作为检测土壤盐碱化的另一个指标,计算公式为^[21]

(4)SI=

\sqrt{ρ_{blue} \times ρ_{red}}

式中ρ_blue为蓝光波段反射率值。

2.2 水体及沙地信息的提取

研究区地处乌兰布和沙漠东北缘,由于特殊的地理位置及干旱的气候条件,分布着大量的沙地以及沙漠湖泊。为了避免水体以及沙地对土壤盐碱化信息的提取造成干扰,本研究利用NDVI和NDMI对其进行提取并建立掩模去除(图2)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 水体及沙地信息的提取

Fig.2 Extraction of water and sand information

2.3 数据的标准化处理及特征空间的构建

2.3.1 特征参量的标准化处理

为了消除不同变量的数据之间单位和数量级差异性带来的影响,对研究区SI和MSAVI进行了数据标准化处理,公式为^[22]

(5)SI=

\frac{SI - S I_{\min}}{S I_{\max} - S I_{\min}}

×100% ,

(6)MSAVI=

\frac{MSAVI - MSAV I_{\min}}{MSAV I_{\max} - MSAV I_{\min}}

×100% ,

式中: SI_max和SI_min分别为SI的最大值和最小值; MSAVI_max和MSAVI_min为分别为MSAVI的最大值和最小值。

2.3.2 SI-MSAVI特征空间的构建

由2017年8月OLI数据得到的SI-MSAVI特征空间与各类盐碱地空间分布如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 SI-MSAVI 特征空间与不同类型盐碱地对比

Fig.3 Comparison of SI-MSAVI feature space with different types of saline-alkali land

选取了盐碱地类型较全面的典型区域,通过上述方法计算SI和MSAVI的值并进行标准化处理,利用标准化处理后的SI和MSAVI,构建SI-MSAVI特征空间散点图(图3(a))。横坐标为SI,表示土壤含盐量的变化; 纵坐标为MSAVI,表示植被覆盖度的变化。从图3(a)可以看出,SI与MSAVI大致呈现负相关的关系,即随着土壤中含盐量的增加,植被覆盖度降低。为了更直观地反映出SI与MSAVI在特征空间中的分异规律,本文在特征空间中选取非盐碱地、中轻度盐碱地与重度盐碱地3种类型的分布与遥感影像中的分布进行对比(图3(b)),结合实地考察发现不同类型盐碱地在特征空间中可以很好地被区分开来。

2.4 盐碱化监测模型的构建

在图3(a)中,SI与MSAVI之间存在明显的非线性关系,可以将SI与MSAVI的关系简化为土壤盐碱化特征轨迹曲线l。根据Verstraete等的研究表明^[23],垂直于特征轨迹曲线l的直线可以将不同程度的盐碱化土壤区分开来(图4)。同时特征轨迹曲线上任意一点到点D(0,1)的距离可以表示该点的土壤含盐量状况,即离D点越远意味着土壤含盐量越高,反之亦然。根据这一变化特性,在空间取任意一点E,可以得到E点到D点的距离,据此建立MSDI模型,其表达式为

(7)MSDI=

\sqrt{{(MSAVI - 1)}^{2} + S I^{2}}

。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 遥感监测模型MSDI示意图

Fig.4 Remote sensing monitoring model MSDI schematic

3 模型验证及应用

3.1 模型验证

抽取45个样点的MSDI值与其对应的表层的土壤全盐量进行相关性验证,得到拟合方程y=0.058 9x+0.207 8,式中x为含盐量实测值; y为MSDI值。方程相关系数R为0.856 8(图5),决定系数R²为0.734 1,并且通过了0.01水平(双侧)的显著性检验。将剩余的15个样点对应的MSDI值代入拟合方程得到的土壤含盐量估算值与实测含盐量真值进行误差分析,均方根误差(root mean square error,RMSE)为0.799 2,平均相对误差为16%。结果表明,MSDI能够较好地反映研究区不同盐碱化程度地表的实际分布状况,可以对研究区内的土壤盐碱化分布情况进行快速监测。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 MSDI与土壤含盐量关系散点图

Fig.5 Scatter plot of MSDI and soil salinity

利用野外实测样点的坐标与OLI影像结合获取其对应光谱指数如NDVI,SI,MSAVI和MSDI,与土壤样品实测含盐量进行相关性分析并进行对比。如表1所示,NDVI和SI与土壤含盐量的相关性低于MSAVI与土壤含盐量的相关性,基于SI-MSAVI 特征空间建立的改进型遥感监测指数MSDI与土壤含盐量相关性最高。由于研究区位于河套平原农业种植区,地表植被覆盖以农作物为主,土壤盐分直接影响农作物的长势,导致受盐分控制的植被光谱特征存在差异,因此当单个指数时,SI对于土壤盐分的敏感性远低于NDVI和MSAVI。然而当土壤含盐量增加,农作物生长受土壤盐分影响,植被密度降低,裸土土壤线会导致植被信息被低估,因此本文考虑将土壤盐分敏感性更高的MSAVI与SI进行结合,构建MSDI。由于空间分辨率较低及混合像元的影响,尽管MSDI与土壤含盐量相关系数较MSAVI并未提升太多,但总体上而言,相对于单个MSAVI指数还是有所改进的。

表1 OLI影像光谱指数与土壤含盐量相关性

Tab.1 Correlation between OLI image spectral index and soil salinity

光谱指数	相关系数
NDVI	0.793 6
SI	0.731 2
MSAVI	0.836 5
MSDI	0.856 8

新窗口打开| 下载CSV

为了进一步分析MSDI模型的适用性,利用Google Earth影像选取了200个样点,结合野外实地考察数据以判别MSDI模型的精度,从表2可以看出,利用MSDI模型提取土壤盐碱化信息的总体精度为87.5%,Kappa系数为0.726,说明MSDI指数可以较为准确地提取盐碱化土壤,有效地对研究区的土壤盐碱化进行定量分析与监测。

表2 MSDI精度验证

Tab.2 Accuracy verification of MSDI

类别	非盐碱地 (实际类型)	盐碱地 (实际类型)	总计
非盐碱地(MSDI)	117	12	129
盐碱地(MSDI)	13	58	71
总计	130	70	200
总体精度: 87.5%		Kappa系数: 0.726

新窗口打开| 下载CSV

不同盐碱化程度的区域对应不同的MSDI值,结合相关研究,采用自然间断点法对研究区盐碱地进行分类,建立4个区间: 非盐碱地(MSDI≤0.236)、轻度盐碱地(0.236<MSDI<0.439)、中度盐碱地(0.439<MSDI<0.659)以及重度盐碱地(MSDI≥0.659),并对不同类型盐碱地的遥感监测指数MSDI进行统计分析。表3显示不同类型盐碱化土壤MSDI平均值差异明显。其中非盐碱地与中度盐碱地MSDI平均值差异为0.34,非盐碱地与重度盐碱地MSDI平均值差异达0.62,表明遥感监测模型MSDI可以用于研究区土壤盐碱化定量监测。

表3 不同程度盐碱地MSDI平均值

Tab.3 Mean value of MSDI for different degrees of saline-alkali land

盐碱地类型	MSDI平均值
非盐碱地	0.15
轻度盐碱地	0.33
中度盐碱地	0.49
重度盐碱地	0.77

新窗口打开| 下载CSV

3.2 模型应用

将MSDI模型建立及分级流程同样应用于预处理后的2001年8月和2010年8月的研究区ETM+遥感影像,获得研究区3期遥感影像盐碱地分类结果(图6)。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 研究区2001年、2010年和2017年盐碱地分类

Fig.6 Classification of saline-alkali land in the study area in 2001, 2010 and 2017

由图6可以看出,研究区的盐碱化土壤以及沙地总体呈萎缩趋势,非盐碱地呈明显的增加趋势,中轻度盐碱地表现出碎片化趋势,集中程度降低,呈点状或片状零散分布于研究区内,重度盐碱地主要分布于西北及沙地和水体的周边。同时根据像元个数统计可以得到研究区各年份不同盐碱地类型的面积和占比(表4)。由表4可见,2001年以来,研究区非盐碱地的面积增加了272.93 km²,占比由18.52%增加至30.47%,增幅为63.62%; 中轻度盐碱地面积增加了97.48 km²,占研究区面积的35.71%,其中2010年占比最大为38.80%; 重度盐碱地面积减少了31.49 km²,但2017年比2010年略呈增加的趋势; 盐碱地总面积增加了65.99 km²,增幅为5.70%; 沙地及水体的面积减少了350.86 km²,降幅达48.14%,占比由31.48%降低至16.41%,其中水体的面积是略有增加的,因此沙地的减少幅度更大。由此可见,尽管研究区总的盐碱地面积总体略有增加,但是沙地向盐碱地、盐碱地向非盐碱地的转化是显而易见的,总体上可以说明,研究区的土壤盐碱化状况正逐步得到了改善,这与当地土壤盐碱化的治理、种植灌溉模式的改良以及防沙治沙有着密不可分的联系。

表4 研究区2001年、2010年和2017年不同盐碱地类型统计

Tab.4 Area and proportion of different saline-alkali land types in the study area in 2001, 2010 and 2017

类型	2001年		2010年		2017年
类型	面积/ km²	比例/ %	面积/ km²	比例/ %	面积/ km²	比例/ %
水体、沙地	728.80	31.48	473.05	20.44	377.94	16.41
非盐碱地	429.00	18.52	559.15	24.16	701.93	30.47
轻度盐碱地	367.01	15.85	475.78	20.56	450.78	19.57
中度盐碱地	357.96	15.46	421.96	18.24	371.67	16.14
重度盐碱地	432.63	18.69	384.03	16.60	401.14	17.41

新窗口打开| 下载CSV

4 结论与讨论

本文选取河套灌区沈乌灌域作为研究区,结合野外实地考察与土壤样品测试,以Landsat影像作为数据源,试图探索通过选取SI与MSAVI构建改进型土壤盐碱化遥感监测指数模型MSDI,对该地区的土壤盐碱化进行定量分析与监测,并进行了精度验证,初步得到了以下几点结论:

1)MSAVI相对于NDVI能更好地提取受土壤背景影响下的植被信息以及盐碱化信息,经研究表明MSAVI与土壤含盐量的相关性为0.836 5,高于NDVI以及SI与土壤含盐量的相关性。

2)MSDI与土壤含盐量之间的相关系数达到了0.856 8,不同程度的盐碱地MSDI平均值差异性较为明显,土壤盐碱化信息提取总体精度为87.5%,Kappa系数为0.726,表明该模型可以有效地对土壤盐碱化进行定量分析与监测。

3)研究区土壤盐碱化存在明显的空间分异规律,重度盐碱地主要分布于西北部以及沙地、水体边缘,中轻度盐碱地呈碎片状零星分布。2001年以来研究区非盐碱地面积显著增加,沙地的面积大幅度减少,总体上看土壤盐碱化状况有所改善,但盐碱地面积略有增加,这可能与沙地向盐碱地、盐碱地向非盐碱地的转化有关。

4)本文使用的盐碱地分类方法为自然间断点分级法,与前人在河套灌区进行的土壤盐碱化研究结果大致相符,但也有些许出入。后期应当进一步对该分类方法的适用性加以验证和改进。另外ETM+数据与OLI数据传感器与波段设置有所差异,因此通过ETM+数据计算得到MSDI与土壤含盐量的相关性仍有待研究。

土壤盐碱化还受地貌形态、植被类型等多因素影响,研究区地处乌兰布和沙漠边缘,分布着大量的沙地及沙漠湖泊,植被枝叶稀疏且与裸土交错分布,“异物同谱”现象以及中低空间分辨率导致的混合像元普遍存在,因此在今后的研究中需要考虑消除这些因素给盐碱化信息提取带来的影响,更加精准地对土壤盐碱化进行定量分析与监测,促进遥感对土壤盐碱化监测的发展。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Wang Y

, Li

, Xiao D

Catchment scale spatial variability of soil salt content in agricultural oasis,Northwest China

[J]. Environmental Geology, 2008,56(2):439-446.