蒙莉娜，丁建麗*，張振華

耦合植被物候的新疆綠洲土壤鹽分信息挖掘①

蒙莉娜1,2，丁建麗1,2*，張振華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)

隨著土壤環(huán)境問題涉及的尺度日趨增大，小區(qū)域斑塊化鹽漬化信息的提取難以了解土壤環(huán)境總體的變化趨勢(shì)。本文以野外監(jiān)測(cè)的南北疆典型綠洲區(qū)域——渭庫綠洲和艾比湖流域?yàn)榉治霭袇^(qū)，通過實(shí)測(cè)數(shù)據(jù)建立土壤–環(huán)境關(guān)系，并通過MODIS EVI數(shù)據(jù)反演得到植被物候特征，耦合植被物候、植被指數(shù)、鹽度指數(shù)、地表溫度和地形參數(shù)作為隨機(jī)森林(random forest, RF)模型的輸入因子，預(yù)測(cè)新疆綠洲區(qū)域土壤鹽分含量信息并繪制土壤鹽分空間分布圖。結(jié)果表明：通過深入挖掘植被物候信息，物候參數(shù)在預(yù)測(cè)土壤鹽分方面具有較高的相對(duì)重要性，代表生物積累量的LSI和SSI參數(shù)表征土壤鹽漬化的能力較強(qiáng)，優(yōu)于其他幾個(gè)物候參數(shù)。耦合物候參數(shù)后土壤鹽分信息預(yù)測(cè)精度明顯提高，決定系數(shù)2從0.53提升到0.61。經(jīng)模型反復(fù)迭代進(jìn)一步篩選出適合研究區(qū)的23個(gè)環(huán)境參數(shù)，大幅提升了預(yù)測(cè)精度(2= 0.73, RMSE = 5.19, MAE = 3.59)。從得到的鹽漬化空間分布特征來看，新疆綠洲大部分區(qū)域分布的是非鹽漬化土和輕鹽漬化土，且普遍分布在綠洲內(nèi)部，中度及以上鹽漬化土多分布在綠洲外圍，總體鹽漬化水平依次為：伊犁平原<北疆綠洲<南疆綠洲<東疆綠洲。

土壤鹽漬化；植被物候；機(jī)器學(xué)習(xí)；數(shù)字土壤制圖

土壤鹽漬化是嚴(yán)重威脅農(nóng)業(yè)生產(chǎn)的全球性問題，我國(guó)受鹽漬化影響的土地面積(3.6×107hm2)占全國(guó)可利用土地資源總量的4.88%[1]。綠洲區(qū)域作為新疆重要的糧食儲(chǔ)備區(qū)，受鹽漬化的影響，制約了農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展。隨著現(xiàn)代數(shù)學(xué)發(fā)展以及遙感數(shù)據(jù)類型日益廣泛和易于獲取，一種新興、高效的技術(shù)方法——數(shù)字化制圖(digital soil mapping, DSM)在土壤空間分布制圖研究中得以應(yīng)用，并得到了飛速發(fā)展[2]。目前主流的數(shù)字土壤制圖方法主要有兩種，第一種是基于要素相關(guān)性，包括統(tǒng)計(jì)學(xué)方法、機(jī)器學(xué)習(xí)方法和基于專家知識(shí)的方法，第二種是基于空間自相關(guān)，包括全局自相關(guān)和局域自相關(guān)分析，其中克里格插值法是應(yīng)用最為廣泛的一種方法。

構(gòu)建反演模型定量化的區(qū)域土壤鹽分動(dòng)態(tài)監(jiān)測(cè)，有助于鹽漬化區(qū)域制定改良措施和優(yōu)化政策，已有大量研究嘗試不同方法對(duì)土壤鹽漬化進(jìn)行反演。Vermeulen和van Niekerk[3]運(yùn)用k鄰近、支持向量機(jī)和隨機(jī)森林等方法，結(jié)合DEM預(yù)測(cè)土壤鹽害影響范圍，證明高程數(shù)據(jù)在監(jiān)測(cè)灌區(qū)鹽分積累方面具有很大潛力。Zhang等[4]運(yùn)用MODIS時(shí)間序列植被數(shù)據(jù)，通過內(nèi)插法模擬年際植被指數(shù)變化，結(jié)合季度植被指數(shù)對(duì)黃河三角洲的土壤鹽分進(jìn)行數(shù)字制圖，結(jié)果表明結(jié)合長(zhǎng)時(shí)間序列植被信息較大地提升了預(yù)測(cè)精度。Wang等[5]結(jié)合環(huán)境變量預(yù)測(cè)新疆渭庫綠洲土壤鹽度信息比較了13種算法及其性能，證明隨機(jī)森林方法具有較好效果。

以往大多數(shù)研究證明植被指數(shù)在鹽分預(yù)測(cè)方面表現(xiàn)良好[6-7]，但多數(shù)研究?jī)H針對(duì)特定時(shí)期進(jìn)行，MODIS長(zhǎng)時(shí)間序列數(shù)據(jù)能滿足長(zhǎng)期觀測(cè)的條件，而植被物候作為連續(xù)的環(huán)境參量在之前的鹽分制圖工作中被忽略或低估[8]。此外對(duì)于土壤鹽漬化監(jiān)測(cè)，大都集中在田間尺度和流域尺度[9-11]。隨著土壤環(huán)境問題涉及尺度愈發(fā)擴(kuò)大，當(dāng)前土地規(guī)劃、生態(tài)文明及糧食安全需要決策者從宏觀角度進(jìn)行把握[12]。因此，本研究以新疆綠洲區(qū)域作為研究靶區(qū)，借助隨機(jī)森林(random forest, RF)模型，結(jié)合研究區(qū)域的典型采樣點(diǎn)，耦合物候參數(shù)和地表參數(shù)反演土壤鹽分信息，通過繪制新疆綠洲地區(qū)土壤鹽漬化空間分布圖，深入理解綠洲區(qū)域土壤鹽漬化的形成及分布，以期為物候信息在大尺度的鹽漬化特征監(jiān)測(cè)應(yīng)用中提供參考。

1 材料與方法

1.1 研究區(qū)概況

新疆維吾爾自治區(qū)(73°40′～ 96°18′E，34°25′～ 48°10′N)，深居歐亞大陸腹地，遠(yuǎn)離海洋，四周為高山環(huán)抱，海洋氣流通達(dá)性不強(qiáng)，形成明顯的溫帶大陸性氣候。年均降水量50 ～ 200 mm，蒸發(fā)量高達(dá)1 500 ～ 3 000 mm，蒸發(fā)強(qiáng)烈造成地表土壤無機(jī)鹽含量升高，形成大面積鹽堿土。除氣候因素外，人為因素加速土壤次生鹽漬化，導(dǎo)致約32% 的耕地出現(xiàn)次生鹽漬化。依據(jù)第二次新疆地區(qū)土壤普查結(jié)果，新疆土壤可劃分為7個(gè)土綱及32個(gè)土類，其中風(fēng)沙土、棕漠土、棕鈣土、寒凍土及石質(zhì)土占比較大。新疆主要植被類型為旱生灌木、小半灌木和喬木等，其稀疏根系發(fā)達(dá)且較耐干旱，農(nóng)田植被主要由玉米、小麥和棉花等構(gòu)成，大多分布在綠洲內(nèi)部水資源豐富的區(qū)域。新疆綠洲面積約占總面積的5% ～ 8%，集中了新疆90%的耕地、人口和國(guó)內(nèi)生產(chǎn)總值。由于水資源的不合理利用及不科學(xué)的耕作方式，致使綠洲生態(tài)環(huán)境惡化，鹽漬化現(xiàn)象依然普遍，嚴(yán)重影響了綠洲的可持續(xù)發(fā)展。

1.2 土壤鹽分?jǐn)?shù)據(jù)采集

根據(jù)土壤鹽漬化狀況的不同，本研究在新疆地區(qū)選擇兩個(gè)不同的研究靶區(qū)采集土樣，分別是位于天山以南的渭干河–庫車河綠洲(簡(jiǎn)稱渭庫綠洲)和天山以北的艾比湖流域?；谙嗨菩缘耐寥乐茍D方法無需要求采樣點(diǎn)的數(shù)量或分布，它根據(jù)每個(gè)地點(diǎn)與采樣點(diǎn)的環(huán)境相似性來預(yù)測(cè)土壤鹽度值。在這兩個(gè)地區(qū)選擇代表性采樣區(qū)，保證其包括不同地理環(huán)境和典型氣候區(qū)，融合兩個(gè)地區(qū)的實(shí)測(cè)數(shù)據(jù)，使之具備與新疆其他區(qū)域近似的地理和氣候環(huán)境。從研究區(qū)中心到外圍按均勻分層采樣，采用 “S”型布點(diǎn)避開城鎮(zhèn)用地，選擇大量的典型覆被類型，例如綠洲荒漠交錯(cuò)帶、鹽漬地、沙地、荒漠進(jìn)行采樣，盡量保證樣點(diǎn)均勻地分布在樣區(qū)內(nèi)部，如圖1所示。采用網(wǎng)格法布設(shè)樣方，在地勢(shì)較為平坦之處選取土壤樣方(30 m×30 m)，保持土壤性質(zhì)相對(duì)一致，環(huán)境因素相似。采用五點(diǎn)法進(jìn)行表層土壤(0 ～ 10 cm)樣品的采集，將測(cè)試的數(shù)據(jù)求平均值作為本樣點(diǎn)的實(shí)際觀測(cè)值。采集的土樣自然風(fēng)干清除石塊和雜草后，研磨過2 mm孔篩，制備水土質(zhì)量比為5∶1的浸提液，采用Cond7310土壤測(cè)試儀測(cè)定土壤上清液電導(dǎo)率，采用殘?jiān)娓煞y(cè)定土壤全鹽量。采樣時(shí)間為2019年7月，剔除無效樣點(diǎn)，選取209個(gè)采樣點(diǎn)(渭庫綠洲113個(gè)，艾比湖96個(gè))進(jìn)行分析。

(該圖基于國(guó)家測(cè)繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號(hào)為GS(2019)3266 號(hào)的標(biāo)準(zhǔn)地圖制作，底圖無修改；下同)

1.3 地表覆蓋數(shù)據(jù)獲取

本研究將新疆綠洲區(qū)域作為研究靶區(qū)，采用王智等[13]的分區(qū)方法，首先按照新疆行政區(qū)邊界將全疆劃分為北疆、南疆、東疆和伊犁4個(gè)大區(qū)。其次，結(jié)合DEM數(shù)據(jù)在四大分區(qū)基礎(chǔ)上對(duì)北疆和伊犁地區(qū)以海拔小于1 300 m為基礎(chǔ)劃分出平原區(qū)域，而南疆和東疆地區(qū)則以海拔小于2 000 m為閾值同樣劃分出平原地區(qū)。最后，運(yùn)用2009年MODIS 500分辨率的土地利用產(chǎn)品數(shù)據(jù)MCD12Q1，提取出平原地區(qū)的耕地和城鎮(zhèn)居民用地，以深入了解綠洲邊緣與部分交錯(cuò)帶區(qū)域的土壤鹽分分布，在消除破碎斑塊后，對(duì)提取出的兩類土地利用數(shù)據(jù)向外做3 km緩沖區(qū)劃為綠洲區(qū)域。

1.4 地表參數(shù)獲取

土壤鹽漬化在不同尺度下受土壤、氣候、地形和生物等因素的綜合影響，對(duì)于不同研究區(qū)，影響土壤形成發(fā)展最主要的環(huán)境因子可能有所不同[12,14]。本文選擇紅波段(R)、藍(lán)波段(B)和近紅外波段(NIR)作為反射率參數(shù)，并以藍(lán)、紅、近紅外波段組合出23種地表遙感參數(shù)，見表1。

1.5 物候參數(shù)計(jì)算

在高植被生物量水平下NDVI容易受到土壤背景變化、噪聲、氣溶膠消光系數(shù)和飽和度的影響[23]，因此選取EVI進(jìn)行植被物候參量的提取[15]。本文所選用的MODIS EVI植被指數(shù)產(chǎn)品MOD13A2數(shù)據(jù)雖然已通過16 d的MVC預(yù)處理，但仍不可避免大氣和噪聲等的影響，直接提取對(duì)物候參量影響較大。通過TIMESAT 3.2的Data plotting模塊對(duì)比Asymmetric Gaussian、Double Logistic和Savitzky-Golay三種平滑擬合方法，發(fā)現(xiàn)Savitzky-Golay濾波法對(duì)時(shí)間序列包絡(luò)數(shù)據(jù)保留更加完整且對(duì)年生長(zhǎng)季原始植被指數(shù)擬合更精準(zhǔn)，因此，選用Savitzky-Golay濾波法重建物候曲線。

新疆地區(qū)橫跨不同氣候帶且植被類型多樣，不同土地覆蓋類別其物候曲線也會(huì)有所差異。采用閾值法通過對(duì)植被指數(shù)設(shè)定閾值條件來確定植被物候的始末期指標(biāo)EOS和SOS，該方法可以忽略地表的覆蓋類型和人為活動(dòng)的影響，根據(jù)研究區(qū)植被不同的生理特點(diǎn)，形象地描述植被的生長(zhǎng)發(fā)育過程[24-25]。根據(jù)相關(guān)研究[26]，本文將提取生長(zhǎng)季始末日期的系數(shù)設(shè)為30%，其計(jì)算公式如下：

式中：EVI(SOS)和EVI(EOS)分別表示最后確定的閾值，EVImax為植被指數(shù)最大值，EVImin1為植被指數(shù)曲線上升階段最小值，EVImin2為曲線下降階段最小值。

根據(jù)平滑和參數(shù)設(shè)置，用TIMESAT軟件計(jì)算出SOS、EOS和LEN等10個(gè)物候參量，其代表的生態(tài)學(xué)意義見表2。

表1 地表參量定義與計(jì)算

注：B：藍(lán)波段；R：紅波段；NIR：近紅外波段；是氣溶膠和大氣相關(guān)參數(shù)；max=a+b×NDVI；min=c+d×NDVI(a、b、c、d分別為干濕邊的擬合系數(shù))。

表2 物候參量定義及生態(tài)學(xué)釋義

1.6 建模方法及模型評(píng)價(jià)指標(biāo)

隨機(jī)森林(RF)方法是一種利用多棵決策樹對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的機(jī)器學(xué)習(xí)算法，該算法的優(yōu)勢(shì)在于具備非線性挖掘能力，數(shù)據(jù)的分布不需要符合任何假設(shè)[27]。RF模型需要用戶定義3個(gè)參數(shù)：終端節(jié)點(diǎn)樹(ntree)、作為每棵樹的預(yù)測(cè)特征的特征個(gè)數(shù)(mtry)，以及每個(gè)終端節(jié)點(diǎn)的最小值[28]。ntree的默認(rèn)值為500，但一般認(rèn)為它不足以產(chǎn)生可靠的結(jié)果[29]，本研究中通過遍歷確定ntree的最優(yōu)值為1 000。在使用 mtry確定單一樹與模型中其他樹之間的相關(guān)性時(shí)，隨著mtry值的增加每棵樹和樹之間的相關(guān)強(qiáng)度逐漸增加[30]。本研究以預(yù)測(cè)誤差最小化為目標(biāo)函數(shù)，通過遍歷比較確定mtry的最優(yōu)值為9，終端節(jié)點(diǎn)大小為5。同時(shí)采用較常用的交叉驗(yàn)證法將樣點(diǎn)數(shù)據(jù)隨機(jī)分為5個(gè)子集，其中4/5作為訓(xùn)練集，1/5用于模型驗(yàn)證。選擇決定系數(shù)(2)、均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)來評(píng)估預(yù)測(cè)模型性能，經(jīng)過反復(fù)迭代獲得最終的精度。2范圍在0 ～ 1之間，越接近1，模型的穩(wěn)定性越高，RMSE和MAE越小，模型的預(yù)測(cè)能力越強(qiáng)、精度也越高。

式中：V為樣本點(diǎn)處的實(shí)測(cè)值；V為點(diǎn)處的預(yù)測(cè)值；為總樣點(diǎn)個(gè)數(shù)。

2 結(jié)果

2.1 物候參數(shù)提取結(jié)果

對(duì)綠洲區(qū)域的10種物候參數(shù)進(jìn)行提取，根據(jù)其對(duì)于鹽漬化預(yù)測(cè)的相對(duì)重要性，僅對(duì)生長(zhǎng)季大生物累積量(LSI)和生長(zhǎng)季小生物累積量(SSI)2個(gè)物候參數(shù)進(jìn)行展示。從圖2可以看出，兩類物候參量分布情況高度一致，均呈現(xiàn)由綠洲外圍向綠洲內(nèi)部遞增狀態(tài)，從側(cè)面可以反映出土壤鹽漬化信息，即在綠洲外圍鹽漬化情況一般較重，植被長(zhǎng)勢(shì)不佳，生物量較低，值域在1.32 ～ 3.14。對(duì)比發(fā)現(xiàn)LSI和SSI在北疆區(qū)域分布幾乎一致，整個(gè)伊犁地區(qū)生物積累量最大集中在4.58 ～ 11.04，說明其植被長(zhǎng)勢(shì)良好，而在南疆綠洲區(qū)域存在LSI明顯高于SSI的情況，說明南疆綠洲區(qū)域大生物累積量高而小生物累積量較低，這可能與該地區(qū)本身的氣候干燥有關(guān)?？v觀LSI可以發(fā)現(xiàn)，其在北疆綠洲區(qū)域和南疆綠洲區(qū)域的分布情況基本一致，大部分區(qū)域集中于4.61 ～ 9.07。一般正常生長(zhǎng)的植被生物量較高，而受鹽漬化或病蟲害影響的植被長(zhǎng)勢(shì)受限，積累生物量會(huì)呈現(xiàn)較低水平，因此，LSI和SSI參數(shù)在監(jiān)測(cè)土壤鹽漬化水平中具有極高的應(yīng)用潛力。

圖2 生物累積量分布圖

2.2 模型精度驗(yàn)證及變量遴選

由表3可得，耦合物候參數(shù)的預(yù)測(cè)模型精度(2= 0.61, RMSE = 9.14, MAE = 7.76)高于僅用陸表參數(shù)的預(yù)測(cè)模型(2= 0.53, RMSE = 10.75, MAE = 9.44)，說明在融合土壤濕度、植被和地形等因素的同時(shí)，加入受不同程度鹽漬化影響的植被長(zhǎng)勢(shì)情況所對(duì)應(yīng)的物候參數(shù)，能最大化地提升模型預(yù)測(cè)精度。將物候信息這類長(zhǎng)時(shí)間序列反映年際變化的數(shù)據(jù)源加入到環(huán)境因子中，能更好地闡明復(fù)雜景觀異質(zhì)性條件下土壤鹽漬化與環(huán)境之間的響應(yīng)關(guān)系。但其均方根誤差RMSE相差不大，可能是由于這33個(gè)參數(shù)之間存在多重共線性。Keskin等[31]認(rèn)為，當(dāng)變量增加到一定程度時(shí)其精度將不再繼續(xù)提升，繼續(xù)增加變量會(huì)與僅有少量變量一樣使模型運(yùn)作變差甚至出現(xiàn)精度“負(fù)增長(zhǎng)”的情況。因此，有必要對(duì)參數(shù)進(jìn)行篩選來確定更合理的預(yù)測(cè)變量，本研究結(jié)合變量相對(duì)重要性，對(duì)比反演精度，經(jīng)模型反復(fù)篩選最終選出23個(gè)取得較好預(yù)測(cè)結(jié)果的參數(shù)。

表3 模型精度驗(yàn)證結(jié)果

通過RF模型迭代100次獲得環(huán)境協(xié)變量的相對(duì)重要性(relative importance, RI)，并繪制重要性玫瑰圖。如圖3所示，在全部參量(圖3A)中，S1、S2、TCA、MOS和SOS 5個(gè)參數(shù)重要性較高，說明鹽分指數(shù)、典型物候期和地形特征是監(jiān)測(cè)土壤鹽漬化的重要指標(biāo)。DVI、MSAVI和SAVI等植被指數(shù)在相對(duì)重要性的排名中都接近中間和偏后的位置，說明單純的植被覆蓋指數(shù)并不能很好地作為反映土壤鹽漬化的指標(biāo)，因?yàn)樵邴}漬化較重區(qū)域，鹽生植被一般長(zhǎng)勢(shì)較好。在僅地表參量(圖3B)中，植被指數(shù)相對(duì)重要性有了一定提升，遙感反射率參數(shù)也有一定重要性，進(jìn)一步說明地表可見光的反射率能有效地反映土壤鹽漬化的具體分布情況。在篩選參數(shù)(圖3C)中，作為物候參數(shù)代表生物光合作用的SSI和LSI起重要作用，因?yàn)椴煌愋椭脖粚?duì)土壤鹽分含量響應(yīng)程度不同，最終會(huì)導(dǎo)致生物積累量的不同，所以LSI和SSI對(duì)土壤鹽漬化的表征能力總體優(yōu)于其他幾種物候參數(shù)。

圖3 環(huán)境協(xié)變量相對(duì)重要性(%)

2.3 鹽漬化空間分布特征

將篩選出的23個(gè)參數(shù)作為預(yù)測(cè)變量輸入RF模型，根據(jù)喬木等[32]擬定的新疆鹽漬土含鹽量劃分標(biāo)準(zhǔn)(非鹽漬化< 8 g/kg；8 g/kg <輕鹽漬化< 10 g/kg；10 g/kg <中鹽漬化< 15 g/kg；15 g/kg<重鹽漬化< 20 g/kg；極重度鹽漬化> 20 g/kg)，得到新疆綠洲區(qū)域2019年土壤鹽漬化空間分布如圖4所示。總體上看，新疆綠洲大部分區(qū)域分布的是非鹽漬化土和輕鹽漬化土，普遍分布在綠洲內(nèi)部，含鹽量大多在8 g/kg以下，中度及以上鹽漬化土多分布在綠洲外圍，尤其是東疆綠洲和南疆綠洲表現(xiàn)較為明顯，即含鹽量都在10 g/kg以上。位于南疆，在塔里木河流經(jīng)的區(qū)域周邊普遍是鹽漬化土，特別是渭庫南面區(qū)域?yàn)橹囟塞}漬化土，主要是由于該區(qū)地下水位較高，加之蒸發(fā)作用強(qiáng)烈，鹽分易累積于地表形成鹽漬化土，這與野外實(shí)地調(diào)研結(jié)果一致。而在伊犁地區(qū)沿伊犁河的絕大部分區(qū)域都是非鹽漬化土，據(jù)相關(guān)研究[33]，伊犁河沿岸有大量地表水，在自然的洗鹽作用下降低了土壤含鹽量。

3 討論

不同鹽度的土壤具備不同光譜特征，土壤鹽分隨土壤樣品光譜反射率增加，這使得利用多光譜波段及其衍生的光譜指數(shù)進(jìn)行表土鹽分監(jiān)測(cè)和制圖成為可能。鹽度指數(shù)與植被指數(shù)在鹽分預(yù)測(cè)方面表現(xiàn)良好，然而，每種植被類型的生境和耐受性有很大差異，為了監(jiān)測(cè)土壤鹽漬化，必須考慮鹽生植被的光譜反射率，特別是在嚴(yán)重鹽漬化的干旱和半干旱地區(qū)[34]。本研究除了加入常用的植被指數(shù)，還挖掘了物候參數(shù)對(duì)土壤鹽分的預(yù)測(cè)能力，發(fā)現(xiàn)代表生物光合作用的SSI和LSI在土壤鹽分預(yù)測(cè)中起重要作用。此外，新疆地區(qū)氣候干旱，蒸發(fā)強(qiáng)烈，土壤中的可溶性鹽隨水分運(yùn)輸積聚表層，土壤水分與鹽分關(guān)系密切，而溫度影響水熱分布從而影響著土壤鹽分水平梯度變化，反演地表溫度LST和溫度植被干旱指數(shù)TVDI對(duì)鹽分的預(yù)測(cè)具有較大潛力。Masoud等[35]利用Landsat影像反演地表溫度，預(yù)測(cè)土壤鹽漬化取得較好效果并推理土壤鹽分未來可能的變化。

圖4 土壤鹽分含量(0 ～ 10 cm)空間分布預(yù)測(cè)

研究區(qū)地質(zhì)環(huán)境復(fù)雜，氣候環(huán)境跨度較大，導(dǎo)致土壤鹽堿類型多樣。研究中通過采樣區(qū)域的物候與非物候特征得出的建模關(guān)系，運(yùn)用到全疆其他區(qū)域時(shí)，通過預(yù)測(cè)發(fā)現(xiàn)其含鹽量的總體分布特征符合實(shí)際，說明全疆的綠洲區(qū)域在總體的環(huán)境變量上存在某些內(nèi)在與外在的相似性，使得通過小區(qū)域來推廣到大尺度區(qū)域的研究具有一定的可行性和現(xiàn)實(shí)意義。考慮到具體環(huán)境的差異性，今后可以從以下兩方面進(jìn)行深入挖掘研究：

1) 新疆地區(qū)的物候驗(yàn)證數(shù)據(jù)雜亂且難以獲取，對(duì)植被物候節(jié)點(diǎn)始末的預(yù)測(cè)也略顯不足。因此，在今后的野外采樣過程中應(yīng)該對(duì)典型樣區(qū)的植被物候數(shù)據(jù)予以階段性記錄并觀測(cè)，以尋找最佳物候始末期，提高鹽漬化推理制圖精度。

2) 若能將研究區(qū)劃分成具有不同等級(jí)的區(qū)域系統(tǒng)，針對(duì)具體環(huán)境篩選合適的變量，將進(jìn)一步提高大尺度土壤鹽分信息的反演精度。探討不同分區(qū)的土壤鹽分信息，也有助于決策者因地制宜地進(jìn)行生態(tài)安全的保護(hù)和農(nóng)業(yè)生產(chǎn)的建設(shè)。

4 結(jié)論

本文基于機(jī)器學(xué)習(xí)算法，利用少量典型樣點(diǎn)，結(jié)合關(guān)鍵環(huán)境協(xié)變量預(yù)測(cè)新疆綠洲鹽漬化土壤的空間分布情況，得出全疆綠洲區(qū)域鹽漬化水平是伊犁平原<北疆綠洲<南疆綠洲<東疆綠洲。充分挖掘不同物候參數(shù)對(duì)土壤鹽漬化程度的響應(yīng)，發(fā)現(xiàn)代表生物積累量的LSI和SSI能較好地反映土壤鹽漬化信息。在耦合物候參數(shù)后模型對(duì)土壤鹽漬化的預(yù)測(cè)精度明顯提升，決定系數(shù)從0.53提升到0.61，經(jīng)模型反復(fù)迭代，最終遴選出適合該研究區(qū)的23個(gè)環(huán)境協(xié)變量，模型決定系數(shù)提升至0.73。

[1] Zhang J F. Coastal saline soil rehabilitation and utilization based on forestry approaches in China[M]. Berlin, Heidelberg: Springer Berlin Heidelberg, 2014.

[2] 朱阿興, 楊琳, 樊乃卿, 等. 數(shù)字土壤制圖研究綜述與展望[J]. 地理科學(xué)進(jìn)展, 2018, 37(1): 66–78.

[3] Vermeulen D, van Niekerk A. Machine learning performance for predicting soil salinity using different combinations of geomorphometric covariates[J]. Geoderma, 2017, 299: 1–12.

[4] Zhang T T, Qi J G, Gao Y, et al. Detecting soil salinity with MODIS time series VI data[J]. Ecological Indicators, 2015, 52: 480–489.

[5] Wang F, Shi Z, Biswas A, et al. Multi-algorithm comparison for predicting soil salinity[J]. Geoderma, 2020, 365: 114211.

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

[7] Zhang C, Lu D S, Chen X, et al. The spatiotemporal patterns of vegetation coverage and biomass of the temperate deserts in Central Asia and their relationships with climate controls[J]. Remote Sensing of Environment, 2016, 175: 271–281.

[8] 何寶忠, 丁建麗, 劉博華, 等. 渭庫綠洲土壤鹽漬化時(shí)空變化特征[J]. 林業(yè)科學(xué), 2019, 55(9): 185–196.

[9] Peng J, Biswas A, Jiang Q S, et al. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province, China[J]. Geoderma, 2019, 337: 1309–1319.

[10] 蒙莉娜, 丁建麗, 王敬哲, 等. 基于環(huán)境變量的渭干河-庫車河綠洲土壤鹽分空間分布[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(1): 175–181.

[11] 張振華, 丁建麗, 王敬哲, 等. 集成土壤-環(huán)境關(guān)系與機(jī)器學(xué)習(xí)的干旱區(qū)土壤屬性數(shù)字制圖[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2020, 53(3): 563–573.

[12] 丁建麗, 王飛. 干旱區(qū)大尺度土壤鹽度信息環(huán)境建模——以新疆天山南北中低海拔沖積平原為例[J]. 地理學(xué)報(bào), 2017, 72(1): 64–78.

[13] 王智, 師慶三, 王濤, 等. 1982—2006年新疆山地-綠洲-荒漠系統(tǒng)植被覆蓋變化時(shí)空特征[J]. 自然資源學(xué)報(bào), 2011, 26(4): 609–618.

[14] 楊琳, 朱阿興, 李寶林, 等. 應(yīng)用模糊c均值聚類獲取土壤制圖所需土壤-環(huán)境關(guān)系知識(shí)的方法研究[J]. 土壤學(xué)報(bào), 2007, 44(5): 784–791.

[15] Mahmoudabadi E, Karimi A, Haghnia G H, et al. Digital soil mapping using remote sensing indices, terrain attributes, and vegetation features in the rangelands of northeastern Iran[J]. Environmental Monitoring and Assessment, 2017, 189(10): 500.

[16] Lobell D B, Lesch S M, Corwin D L, et al. Regional-scale assessment of soil salinity in the red river valley using multi-year MODIS EVI and NDVI[J]. Journal of Environmental Quality, 2010, 39(1): 35–41.

[17] Wu W C, Mhaimeed A S, Al-Shafie W M, et al. Mapping soil salinity changes using remote sensing in Central Iraq[J]. Geoderma Regional, 2014, 2/3: 21–31.

[18] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2): 195–213.

[19] 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[J]. Geoderma, 2014, 230/231: 1–8.

[20] Taghizadeh-Mehrjardi R, Minasny B, Sarmadian F, et al. Digital mapping of soil salinity in Ardakan region, central Iran[J]. Geoderma, 2014, 213: 15–28.

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

[22] Qin Z, Karnieli A, Berliner P. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2001, 22(18): 3719–3746.

[23] Lu L L, Kuenzer C, Wang C Z, et al. Evaluation of three MODIS-derived vegetation index time series for dryland vegetation dynamics monitoring[J]. Remote Sensing, 2015, 7(6): 7597–7614.

[24] 胡召玲, 戴慧, 侯飛, 等. 中國(guó)東北城鄉(xiāng)植被物候時(shí)空變化及其對(duì)地表溫度的響應(yīng)[J]. 生態(tài)學(xué)報(bào), 2020, 40(12): 4137–4145.

[25] 馬新萍, 白紅英, 賀映娜, 等. 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[J]. 地理科學(xué), 2015, 35(12): 1616–1621.

[26] 何寶忠, 丁建麗, 王飛, 等. 基于物候特征的鹽漬化信息數(shù)據(jù)挖掘研究[J]. 生態(tài)學(xué)報(bào), 2017, 37(9): 3133–3148.

[27] 王飛, 楊勝天, 丁建麗, 等. 環(huán)境敏感變量?jī)?yōu)選及機(jī)器學(xué)習(xí)算法預(yù)測(cè)綠洲土壤鹽分[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(22): 102–110.

[28] Friedman J H, Meulman J J. Multiple additive regression trees with application in epidemiology[J]. Statistics in Medicine, 2003, 22(9): 1365–1381.

[29] Yang R M, Zhang G L, Liu F, et al. Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem[J]. Ecological Indicators, 2016, 60: 870–878.

[30] Prasad A M, Iverson L R, Liaw A. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction[J]. Ecosystems, 2006, 9(2): 181–199.

[31] Keskin H, Grunwald S, Harris W G. Digital mapping of soil carbon fractions with machine learning[J]. Geoderma, 2019, 339: 40–58.

[32] 喬木, 周生斌, 盧磊, 等. 新疆渭干河流域土壤鹽漬化時(shí)空變化及成因分析[J]. 地理科學(xué)進(jìn)展, 2012, 31(7): 904–910.

[33] 黃志方. 伊犁河流域農(nóng)田鹽漬化特征及驅(qū)動(dòng)因子分析[D]. 烏魯木齊: 新疆大學(xué), 2010.

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

[35] Masoud A A, Koike K. Arid land salinization detected by remotely-sensed landcover changes: A case study in theregion, NW Egypt[J]. Journal of Arid Environments, 2006, 66(1): 151–167.

Soil Salinization Mining in Xinjiang Based on Vegetation Phenology

MENG Lina1,2, DING Jianli1,2*, ZHANG Zhenhua1,2

(1 College of Resources and Environmental Sciences, Xinjiang University, Urumqi 830046, China; 2 Laboratory of Oasis Ecology Under Ministry of Education, Xinjiang University, Urumqi 830046, China)

With the increasing scale of soil environmental problems, it is difficult to understand the overall changing trends of soil environment by extracting the information on patchy salinization in small areas. In this study, the Weigan-Kuqa River delta oasis and Ebinur River basin were taken as the research area, topsoil samples (0–10 cm) were collected from 209 of typical sites based on the representative grade sampling method, the electric conductivity (EC) and salt contents of the samples were determined, and then the relationship between soil EC and various environment variables were established. The characteristics of vegetation phenology were inversed by MODIS EVI data and were coupled with vegetation index, salinity index, surface temperature and topographic parameters as input factors of the random forest (RF) model, and then the information of soil salt content in the oasis regions in Xinjiang was deduced and the spatial distribution maps of soil salt content was drawn. The results show that digging deeper into the information of vegetation phenology promote significantly the importance of the phenological parameters in predicting soil salinity, the large seasonal integral (LSI) and small seasonal integral (SSI) representing bioaccumulation are better in characterizing soil salinization than other phenological parameters. The accuracy of saltness prediction is significantly improved after coupling with the phenological parameters with the coefficient of determination2increased from 0.53 to 0.61. 23 environmental parameters suitable for the study area are screened out after the iterative selection, which significantly improve the prediction accuracy (2= 0.73, RMSE = 5.19, MAE = 3.59). According to the spatial distribution of salinization, non-salinized and lightly salinized soils are distributed in most areas of the Xinjiang oases, and they are generally distributed in the interior of the oases, while the moderate and above salinized soils are mostly distributed in the periphery of the oases. The total salinization level is in order of Yili plain < Northern xinjiang oasis < Southern Xinjiang oasis < Eastern Xinjiang oasis.

Soil salinization; Vegetation phenology; Machine learning; Digital soil mapping

S153

A

10.13758/j.cnki.tr.2022.03.025

蒙莉娜, 丁建麗, 張振華. 耦合植被物候的新疆綠洲土壤鹽分信息挖掘. 土壤, 2022, 54(3): 629–636.

國(guó)家自然科學(xué)基金項(xiàng)目(41961059、41261090、41771470)資助。

(watarid@xju.edu.cn)

蒙莉娜(1995—)，女，新疆石河子人，碩士，主要從事干旱區(qū)環(huán)境演變遙感研究。E-mail: menglina_xj@163.com