魏陽，丁建麗，王飛

?

基于Landsat OLI的綠洲灌區(qū)土壤鹽度最優(yōu)預(yù)測尺度分析

魏陽，丁建麗，王飛

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

【目的】基于遙感提取的多尺度遙感指示因子和土壤實(shí)測電導(dǎo)率數(shù)據(jù)，借助統(tǒng)計(jì)分析，試圖探尋適合干旱區(qū)典型綠洲灌區(qū)土壤鹽度變異的最佳觀測尺度和指征變量，為快速評估綠洲土壤鹽漬化提供備選方案?！痉椒ā恳孕陆几珊?庫車河綠洲為研究區(qū)，以野外采集的土壤鹽度數(shù)據(jù)（采集0—10、10—20、20—40和40—60 cm土層土樣，制備土壤飽和溶液并測試電導(dǎo)率（ms·cm-1））并將其作為預(yù)測對象（n=87），借助Landsat OLI遙感影像數(shù)據(jù)，利用柵格重采樣（30—1 000 m）和領(lǐng)域?yàn)V波（原始分辨率為30、60、90、120、150、180、210 m，濾波尺度為3×3至31×31）兩種方式，生成多個(gè)尺度若干種指示因子（主成分分析、纓帽變化、植被指數(shù)、濕度指數(shù)），共計(jì)獲得1 078個(gè)（其中，柵格重采樣生成352個(gè)，領(lǐng)域?yàn)V波生成726個(gè)）環(huán)境變量。在此基礎(chǔ)之上，利用線性和非線性曲線模型分別擬合上述兩種模式下土壤鹽度和環(huán)境變量之間的相關(guān)性，進(jìn)而找出最優(yōu)環(huán)境因子和預(yù)測尺度?！窘Y(jié)果】柵格重采樣模式下能夠較好響應(yīng)各層土壤變異性的皆為非線性模式。其次，該模式下，擬合精度隨著空間分辨率的降低而降低。此模式下最佳推理尺度為30 m，該尺度下最佳響應(yīng)變量除了40—60 cm處為三波段差分指數(shù)（Three-band Maximal Gradient Difference，TGDVI）外，其余深度皆為擴(kuò)展的歸一化指數(shù)（Extended Normalized Difference Vegetation Index，ENDVI）。領(lǐng)域?yàn)V波模式下的最佳推理尺度為180 m（濾波尺度3×3），同時(shí)，各層最佳擬合變量皆為擴(kuò)展的增強(qiáng)型植被指數(shù)（Extented Enhanced Vegetation Index，EEVI）。相比較柵格重采樣模式，該模式下的擬合精度全面優(yōu)于前者，各層依次提高14.60%、34.40%、32.10%和21.70%?！窘Y(jié)論】基于領(lǐng)域?yàn)V波模式下，像元分辨率為180 m，窗口大小為3×3的ENDVI指數(shù)更適合預(yù)測本研究區(qū)土壤鹽度的空間變異性。

土壤鹽漬化；Landsat OLI; 尺度分析；綠洲灌區(qū)；非線性模型；新疆

0 引言

【研究意義】McCarthy指出，在地理學(xué)研究中，不能期望在某一個(gè)尺度上研究得出的結(jié)論能適用于其他尺度，尺度上的每一個(gè)變化都會引出新的問題，沒有理由假設(shè)在某一個(gè)尺度上的關(guān)聯(lián)在其他尺度上仍然存在[1]。不同的自然現(xiàn)象有不同的最佳觀測距離和尺度，需要適當(dāng)?shù)木嚯x和比例尺，才能得到有效完整的觀察[2]。遙感是多尺度下土壤數(shù)字制圖研究中被廣泛利用的預(yù)測工具[3]。然而，此數(shù)據(jù)展現(xiàn)出的多種分辨率影響著決策者利用此數(shù)據(jù)的方式[4]。遙感數(shù)據(jù)通常呈現(xiàn)出一定的尺度依賴性，并以獨(dú)立的像元作為分析的基本單元。因此，遙感數(shù)據(jù)的尺度分析直接涉及空間分辨率[5]。依靠尺度效應(yīng)，學(xué)者嘗試測量或者模擬下墊面過程，即不同的分辨率可能在捕捉期望中的變異性研究中，擁有不同的效能[6]。環(huán)境變量空間尺度分析與柵格分辨率和領(lǐng)域分析（窗口大小的選擇）有關(guān)?！厩叭搜芯窟M(jìn)展】目前已有很多學(xué)者調(diào)查分析柵格大小對土壤屬性的影響[7-8]，以及與既定尺度下生物物理過程的相互作用關(guān)系[9-10]，多數(shù)研究中選擇窗口的大小為3×3，其他窗口尺度并未考察。此外，部分學(xué)者也證明領(lǐng)域大小的選擇的重要性以及其對土壤-景觀關(guān)系的影響。統(tǒng)計(jì)模型是預(yù)測土壤屬性空間變異性研究中的常用方法。特定土壤屬性和環(huán)境變量的定量描述可以豐富本地的土壤-景觀知識庫。多數(shù)統(tǒng)計(jì)模型建立的前提是假設(shè)土壤-環(huán)境變量之間呈線性相關(guān)。然而，土壤屬性空間變異性與潛在環(huán)境變量之間的關(guān)系異常復(fù)雜，以線性假設(shè)恐難精確擬合二者之間的關(guān)系。借助現(xiàn)有遙感數(shù)據(jù)派生出的環(huán)境變量，利用多元統(tǒng)計(jì)分析技術(shù)，已對土壤有機(jī)質(zhì)、紋理分析、土壤深度等屬性進(jìn)行了初步的探索[7-9]。而在土壤鹽度這一領(lǐng)域并未有相關(guān)研究。即便是在分布最為廣泛的干旱區(qū)，如新疆，也未曾涉及。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)用地儲備區(qū)，快速精確地評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)。新疆灌區(qū)鹽漬化土地面積占灌區(qū)總面積的比例高達(dá)32.07%[11]，多數(shù)城市和縣級地區(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-荒漠交錯帶，新開墾地區(qū)或老灌區(qū)內(nèi)部的棄耕地[12]。放眼未來，隨著人口的增加，人類活動將不斷加劇，及時(shí)升級土壤環(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[13]。新疆天然的地理環(huán)境，加之水土資源的不合理利用，勢必會造成更多的土地面臨土壤鹽漬化問題。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于評估土壤健康和優(yōu)化管理尤為重要。相對于傳統(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)勢得以廣泛應(yīng)用?！颈狙芯壳腥朦c(diǎn)】目前，借助遙感光譜探測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量其土壤光譜信息[14-15]，并與土壤鹽分進(jìn)行關(guān)聯(lián)，定量獲取其鹽度值?；谀壳耙延醒芯筷P(guān)于地面光譜所總結(jié)的理論基礎(chǔ)，許多學(xué)者嘗試借助鹽分敏感波段，建立相關(guān)鹽度指數(shù)定量描述土壤鹽度信息。其次，鹽漬化土壤因其鹽分含量超過正常閾值進(jìn)而影響到植被的生理參數(shù)，在不同像元尺度上表現(xiàn)為，植被類型豐富度、植被出現(xiàn)頻率、植被蓋度降低的趨勢。鑒于此發(fā)現(xiàn)，諸多研究學(xué)者利用植被指數(shù)間接推理土壤中的鹽分含量[16-17]。而上述研究多在單一尺度上（如運(yùn)用最為廣泛的Landsat數(shù)據(jù)，30 m分辨率）進(jìn)行，并未綜合考察不同尺度下土壤鹽度-環(huán)境景觀之間的響應(yīng)關(guān)系?！緮M解決的關(guān)鍵問題】本研究以渭干河-庫車河綠洲為例，利用線性和非線性曲線擬合模型，分析不同尺度下土壤鹽度-環(huán)境變量之間的響應(yīng)關(guān)系，以期找出最佳的敏感尺度，提高基于遙感推理土壤鹽度的精度。

1 研究區(qū)概況

渭干河-庫車河綠洲（41°06′—41°40′N，82°10′—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40℃），年平均降水量67.5 mm。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。自然條件下植被覆蓋度較低，優(yōu)勢植被群落包括蘆葦（），檉柳（），駱駝刺（），花花柴（）和鹽爪爪（）。嚴(yán)重的地區(qū)出現(xiàn)鹽殼風(fēng)化現(xiàn)象（）。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。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)

2.1.1 采樣數(shù)據(jù) 本研究使用的樣本采樣時(shí)間為2015年7月10—17日，樣本量為87個(gè)，每個(gè)樣點(diǎn)采集5個(gè)樣本進(jìn)行混合。研究團(tuán)隊(duì)自2005年至今對渭干河-庫車河綠洲進(jìn)行多次采樣（每年至少一次），本次樣點(diǎn)布局充分考慮到研究區(qū)的土地利用方式和不同鹽度土壤的分布格局。樣本覆蓋以下幾種土地利用類型：農(nóng)業(yè)用地、鹽土、荒漠、低覆蓋草地、中等覆蓋草地、灌叢。每個(gè)樣點(diǎn)采集5個(gè)樣本，覆蓋面積范圍為30—250 m2。查閱新疆各個(gè)典型綠洲關(guān)于土壤鹽分的空間變程后發(fā)現(xiàn)，自相關(guān)距離在1.14—27.45 km。而本研究最小分辨率為1 km，小于上述區(qū)間。所以，可以認(rèn)定1 km以內(nèi)的土壤鹽度是相對同質(zhì)的，或者變異性較小。土樣采集深度為：0—10、10—20、20—40和40—60 cm。土樣去除雜質(zhì)，經(jīng)過2 mm篩后，以20 g土樣中加入100 mL蒸餾水進(jìn)行充分混合，待過濾后，利用土壤溶液電導(dǎo)率儀（Merck Millipore, Billerica, MA, USA）測量土壤溶液電導(dǎo)率（ms·cm-1）。

2.1.2 遙感數(shù)據(jù) 為了更好的擬合圖像數(shù)據(jù)與地面實(shí)測土壤鹽度數(shù)據(jù)，且減少大氣對最終結(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)包括大氣模式（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)提供相對精確的數(shù)據(jù)支持。本文使用的遙感數(shù)據(jù)為Landsat 8 OLI，影像獲取時(shí)間為2015年7月15日，行列號為145/31。

2.2 方法

2.2.1 環(huán)境變量 因地理環(huán)境的不同，借助遙感數(shù)據(jù)構(gòu)建的各種指數(shù)在其研究區(qū)表現(xiàn)出對土壤鹽度的高敏感性，在其他地區(qū)是否依然能夠保持這種特性還有待商榷。目前已有多個(gè)植被和鹽度指數(shù)被應(yīng)用到世界各地測試間接推理土壤鹽度的潛力，其中植被指數(shù)包括NDVI[18]、EVI[19]、GARI[20]、CRSI[20]、COSRI[21]、GDVI[22]、SAVI[23]、TGDVI[24]、ENDVI[17]、EEVI[17]，鹽度指數(shù)包括SI-T[25]、S2[26]、SI2[27]、SI3[27]、NDSI[28]。然而，僅BRUNNER等[18]利用NDVI 在新疆的博斯騰湖地區(qū)評價(jià)過土壤鹽度，其他指數(shù)均較少應(yīng)用到新疆地區(qū)。而探尋指數(shù)與土壤鹽度之間的定量關(guān)系，對于識別潛在的土壤鹽漬化土地以及制定相關(guān)利用措施有重要意義。

另外，研究還選用了圖像變換衍生因子(主成分分析和纓帽變換)和土壤濕度指數(shù)。其中后者，即歸一化紅外指數(shù)（即濕度指數(shù)）（Normalized Difference Infrared Index, NDII），不僅與冠層濕度有關(guān)，還與鹽度有關(guān)，原因在于融合了Landsat TM的第五波段信息。其他非植被指數(shù)類環(huán)境協(xié)同變量，主成分分析（Principal Component Analysis, PCA）的前三個(gè)波段（PCA1、PCA2、PCA3）占整體信息的90%以上和纓帽變換（Tasseled Cap, TC）。TC變換將陸地表面的信息轉(zhuǎn)化成若干個(gè)主題指數(shù)，如亮度（Tasseled Cap Brightness, BRI），植被綠度（Tasseled Cap Green, GRE）和土壤濕度（Tasseled Cap Wet, WET）信息。其中亮度指數(shù)可近似作為土壤反照率或者反射率的相關(guān)指示因子。

2.2.2 尺度變換 本文主要基于升尺度方法研究不同像元分辨率對土壤鹽分-植被指數(shù)之間關(guān)系的影響。研究將采用兩種方法進(jìn)行升尺度變換。一是利用ENVI 5.1中的重采樣模塊（RESIZE DATA）將30 m的反射率數(shù)據(jù)進(jìn)行重采樣，重采樣方法選擇最鄰近（Nearest Neighbor）算法，此方法相對于雙線性內(nèi)插法（Bilinear）和三次卷積內(nèi)插法（Cubic Convolution）而言，更接近真實(shí)值。最終將30 m的原始反射率數(shù)據(jù)依次重采樣成60、90、150、 210、270、330、390、 450、510、630、690、750、810、870、930和1 000 m，將重采樣后的反射率數(shù)據(jù)分別計(jì)算2.2.1節(jié)中提及的指數(shù)和衍生因子，如此共計(jì)產(chǎn)生374個(gè)環(huán)境變量。二是借助GRASS 7.1 的r.param.scale尺度轉(zhuǎn)換模塊，按照n×n移動窗口分別計(jì)算3×3，5×5，7×7，…，31×31多個(gè)領(lǐng)域?yàn)V波，窗口大小為奇數(shù)，數(shù)值間隔為2，具體計(jì)算方法詳見圖1。紋理計(jì)算中，初步選擇了5種原始分辨率，分別是30、60、90、150和210 m，紋理尺度窗口則選擇了（3×3）—（31×31）共計(jì)15個(gè)級別，如此則對應(yīng)33個(gè)尺度（分辨率）（圖1）。每種分辨率下都是優(yōu)先進(jìn)行原始反射率數(shù)據(jù)的紋理計(jì)算，之后所形成的新波段數(shù)據(jù)再計(jì)算文中選擇的22個(gè)指數(shù)和主題因子（2.2.1），由此共計(jì)獲取726個(gè)環(huán)境變量。

圖1 原始分辨率經(jīng)過濾后對應(yīng)的空間分辨率

2.2.3 統(tǒng)計(jì)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)對土壤鹽度的敏感性，具體包括線性模型、對數(shù)模型、逆模型、二次函數(shù)、立方函數(shù)、復(fù)合函數(shù)、冪函數(shù)、S函數(shù)、增長函數(shù)、指數(shù)函數(shù)、邏輯模型。

為了評價(jià)上述函數(shù)的擬合精度，研究引用決定系數(shù)2和顯著性檢驗(yàn)（Sig.）（2-tailed），定量評估每個(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SPSS 22.0中的曲線擬合函數(shù)完成。

3 結(jié)果

3.1 土壤鹽度統(tǒng)計(jì)分析

根據(jù)實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果，表1顯示了各層數(shù)據(jù)的基本分布信息。以表層土壤鹽度值為例，根據(jù)美國鹽度實(shí)驗(yàn)室的等級劃分（非鹽漬化：0—2 ms·cm-1；輕度鹽漬化：2—4 ms·cm-1；中度鹽漬化：4—8 ms·cm-1；重度鹽漬化：8—16 ms·cm-1；極度鹽漬化：＞16 ms·cm-1），從非鹽漬化至極度鹽漬化排列，樣本所占比例依次為16.00%、6.90%、19.50%、17.20%和40.40%，樣本土壤已涵蓋各個(gè)等級。自上而下觀察土壤剖面的鹽度均值，25%分位數(shù)（將各層鹽度值由小到大依次排列，87個(gè)樣本中1/4處的數(shù)值即25%分位數(shù)），中值（50%）和75%分位數(shù)的分布發(fā)現(xiàn)，25%分位數(shù)的鹽度值已是中度鹽漬化，剖面鹽度呈顯表聚態(tài)勢，以此判定該區(qū)土壤鹽漬化情況較為嚴(yán)重且普遍。此外，由實(shí)測數(shù)據(jù)得知（數(shù)據(jù)表未顯示），陰離子C1-的平均含量明顯高于SO42-和CO32-的含量。原因在于，易溶性鹽類上行過程中，氯化物表聚性最為強(qiáng)烈，硫酸鹽次之，碳酸鹽最弱。由此可得出，此時(shí)該綠洲土壤鹽類主要以氯化物為主，同時(shí)還伴有少量的硫酸鹽-氯化物類。

表1 研究區(qū)土壤電導(dǎo)率統(tǒng)計(jì)分布特征

3.2 尺度變換對土壤鹽度-環(huán)境變量的影響

圖2—9顯示了本研究所選環(huán)境變量在多個(gè)尺度下（柵格重采樣和領(lǐng)域?yàn)V波）解析土壤鹽度（不同土壤深度）變異性。需要說明的是，圖中所有的橫坐標(biāo)為不同尺度環(huán)境變量，即不同尺度下的植被指數(shù)、鹽度指數(shù)及其他衍生因子。因數(shù)量較多，在此僅以數(shù)字表達(dá)，排列順序則按照30—1 000 m依次排開，變量順序不變。另外，繪制的解釋力圖中，研究只選擇了顯著性Sig.＜0.01的變量，其他指數(shù)則未參與顯示。由圖2—5可知，參與計(jì)算的11個(gè)模型中，有6個(gè)模型擬合精度相對較高，包括邏輯模型，成長模型，復(fù)合模型，指數(shù)模型，S模型和冪函數(shù)。同時(shí)，前4個(gè)模型最大擬合精度要高于后2個(gè)模型，此規(guī)律適用于除20—40 cm深度之外的其他土層。圖6—9中，橫坐標(biāo)的變量排列順序?yàn)?0 m的3×3至31×31，隨后為60 m的3×3至17×17，如此依次排開，變量順序則不變。除了表層復(fù)合模型缺席之外，上述6個(gè)模型都能夠捕捉到各層土壤鹽度-環(huán)境變量之間的響應(yīng)關(guān)系，且響應(yīng)尺度較多?？傮w而言，0—10 cm、10—20 cm兩個(gè)土層處，30、60、90、150和210 m等5個(gè)原始分辨率計(jì)算的指數(shù)擬合精度要高于其領(lǐng)域?yàn)V波計(jì)算的指數(shù)，且隨濾波尺度增大而降低，但不絕對。20—40和40—60 cm兩個(gè)土層的擬合結(jié)果與上述兩個(gè)土層比較，規(guī)律不明顯。

圖2 不同尺度環(huán)境變量（柵格重采樣模式）對0—10 cm土層鹽度的解釋力

圖3 不同尺度環(huán)境變量（柵格重采樣模式）對10—20 cm土層鹽度的解釋力

圖4 不同尺度環(huán)境變量（柵格重采樣模式）對20—40 cm土層鹽度的解釋力

3.3 不同深度最佳響應(yīng)尺度和變量

表2總結(jié)了兩種柵格模式下擬合精度數(shù)值和模型參數(shù)，并列出各層鹽度擬合精度最優(yōu)尺度和模型。柵格柵格重采樣模式中，空間分辨率為30 m下的變量集相對更為敏感。同時(shí)，0—40 cm深度的最佳敏感指數(shù)皆為擴(kuò)展性植被指數(shù)ENDVI，而40—60 cm處則為植被指數(shù)TGDVI。10—20 cm處擬合精度最高，2=0.46，最低值為2=0.35 （20—40 cm）。領(lǐng)域?yàn)V波模式下，擬合精度最高的尺度為180 m（領(lǐng)域?yàn)V波為3×3），響應(yīng)變量則全為擴(kuò)展性植被指數(shù)ENDVI。最大解釋力出現(xiàn)于10—20 cm處，與柵格重采樣模式結(jié)果相似，能夠解釋58.10%的鹽度變異性，最小值則出現(xiàn)在20—40 cm處，解釋力為42.5%。

圖5 不同尺度環(huán)境變量（柵格重采樣模式）對土壤鹽度（40—60 cm）的解釋力

圖6 不同尺度環(huán)境變量（領(lǐng)域?yàn)V波）對（0—10 cm）土壤鹽度的解釋力

在分析上述兩種模式下最優(yōu)土壤鹽度-ENDVI散點(diǎn)圖擬合關(guān)系時(shí)發(fā)現(xiàn)（圖10和圖11），當(dāng)去除極端案例時(shí)，擬合精度會進(jìn)一步提升（研究區(qū)極端鹽漬化的覆蓋面積相對較少，去除極端案例后的擬合精度更為貼合實(shí)際情況）。柵格模式下，10—20和40—60 cm處2分別提升至47.90%和43.20%。領(lǐng)域?yàn)V波模式下，10—20、20—40和40—60 cm處2分別提升至64.39%、46.21%和52.60%。

圖7 不同尺度環(huán)境變量（領(lǐng)域?yàn)V波）對（10—20 cm）層鹽度的解釋力

圖8 不同尺度環(huán)境變量（領(lǐng)域?yàn)V波）對（20—40 cm）土層鹽度的解釋力

圖9 不同尺度環(huán)境變量（領(lǐng)域?yàn)V波）對（40—60 cm）土層鹽度的解釋力

表2 不同深度土壤鹽度-植被指數(shù)的最佳擬合模型

：代表土壤鹽度Soil salinity

圖10 去除極端案例下不同深度處土壤鹽度-ENDVI/TGDVI的擬合關(guān)系（柵格重采樣模式）

圖11 去除極端案例下不同深度處土壤鹽度-ENDVI的擬合關(guān)系（領(lǐng)域?yàn)V波模式）

4 討論

隨著空間分辨率的降低，兩種模式下的土壤鹽度-環(huán)境變量擬合精度隨之降低。MULLER和van NIEKERK在其研究中對比了多種分辨率下（Rapideye, IRS, SPOT6/7, CBERS4, SENTINEL-2, ASTER）植被指數(shù)與土壤鹽度之間的響應(yīng)關(guān)系發(fā)現(xiàn)，隨著分辨率的降低2值依次降低（0.22—0.66）[29]。本文中的領(lǐng)域?yàn)V波模式下以表層鹽度擬合關(guān)系為例，30 m的濾波由3×3至31×31依次計(jì)算，發(fā)現(xiàn)擬合精度同樣依次降低。但也不絕對，如180 m的 3×3尺度，響應(yīng)關(guān)系明顯提升，這與研究區(qū)的地理特征和土壤屬性的空間變異性有關(guān)。整體而言，隨著土層深度的增加，該趨勢則不明顯。由此看來，空間分辨率對擬合精度的影響較為明顯。

若只用30 m大小的像元去捕捉鹽分-地表景觀之間的關(guān)系，可能會忽視由于尺度影響帶來的不確定性。不同傳感器獲取的固定像元面積就是描述地表景觀變異的最佳尺度嗎？目前多數(shù)研究的地面覆蓋的采樣面積以像元大小為標(biāo)準(zhǔn)。但土壤屬性的空間變異性與地表像元代表的光譜變異性不是一一對應(yīng)的，這就需要進(jìn)行研究，到底多大的像元或者空間尺度（由此產(chǎn)生的地表反射率，植被指數(shù)，植被覆蓋度等特性）可以描述鹽分空間的變異性，這就是本文的主題。尺度效應(yīng)問題同樣受到其他學(xué)者的關(guān)注，黃彥等[30]對國內(nèi)外基于遙感獲取植被理化參數(shù)因尺度效應(yīng)產(chǎn)生的原因和空間異質(zhì)性進(jìn)行了綜述。分析眾多文獻(xiàn)后發(fā)現(xiàn)，當(dāng)多種地表覆被類型同時(shí)出現(xiàn)在單位像元內(nèi)時(shí)，即混合像元現(xiàn)象，會發(fā)生尺度效應(yīng)，由此帶來的異質(zhì)性是產(chǎn)生尺度效應(yīng)的主要因素。不同的像元（尺度）內(nèi)的地表景觀結(jié)構(gòu)異質(zhì)性，因分辨率的大小不同程度影響著土壤-植被之間的關(guān)系，同時(shí)伴隨著一定的不確定性。本研究結(jié)果顯示，像元分辨率180 m是觀測本地土壤鹽分-植被變化的最優(yōu)尺度。當(dāng)研究區(qū)發(fā)生變化，地表異質(zhì)性隨之改變時(shí)，上述尺度還是否是適宜的觀測尺度還需要進(jìn)一步研究。但給予的啟發(fā)是，基于遙感描述上述關(guān)系時(shí)，應(yīng)嘗試多種尺度。由郝金標(biāo)等[31]的研究可以看出，水鹽變化導(dǎo)致植被的類型、蓋度、頻率發(fā)生一定的規(guī)律性變化。在干旱區(qū)，異型性下墊面非常普遍，單位像元下的地表覆被類型各有不同。當(dāng)?shù)叵滤患巴寥乐械乃}，符合干旱區(qū)植被最佳生存環(huán)境時(shí)，單位面積下的植被類型較為豐富，且類型多樣，蓋度也會相應(yīng)增加，此時(shí)的異質(zhì)性也隨之加大，而生態(tài)水位下降時(shí)，生存環(huán)境變得苛刻，適應(yīng)的植被類型減少，即便存在，也多半是耐旱性植被。此時(shí)的空間異質(zhì)性出現(xiàn)下降趨勢，地表植被類型單一。裸露的土壤面積加大，異質(zhì)性的主導(dǎo)因子則轉(zhuǎn)為土壤類型，或者地表土壤的物化屬性，涉及地表粗糙度，土壤濕度，土壤顏色等特征。那么針對此問題，單一的尺度未必能很好地詮釋不同尺度下由于下墊面異質(zhì)性而改變的土壤-植被間的關(guān)系。

參與計(jì)算的各種指數(shù)涉及下墊面的相關(guān)屬性，包括植被覆蓋度、土壤濕度、地上植被生物量、土壤亮度、土壤反照率、土壤溫度等，但以ENDVI為代表的植被指數(shù)響應(yīng)關(guān)系最佳，相對而言，并成明顯的負(fù)相關(guān)關(guān)系。其原因可能在于，ENDVI除了NIR和RED波段之外，第三方波段信息的加入，增加了其預(yù)測土壤鹽度的效能。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[31]。另外，2 100—2 300 nm區(qū)具有豐富的植被信息，可以更好地反映植被覆蓋度和生長狀況[15]。此外，目前該指數(shù)在黃河口區(qū)效果良好，2值為0.53（=113）。本研究結(jié)果，以表層為例，在考慮極端案例的情況下，2值為0.43（柵格重采樣）和0.49（領(lǐng)域?yàn)V波），樣本量為87個(gè)，而在不考慮極端案例時(shí)，=86，10—60 cm各土層擬合關(guān)系中，2值都有提升，但領(lǐng)域?yàn)V波模式更為明顯（2=0.64）。與前人在該區(qū)（渭干河流域）研究對比發(fā)現(xiàn)，DING等[32]在構(gòu)建鹽度模型時(shí)，綜合考慮變量SI（salinity index, SI）和NDVI，擬合精度2=0.43（=68），但需要注意的是，該研究中使用時(shí)的是EM38大地電導(dǎo)率儀測得的表觀電導(dǎo)率，而非飽和溶液電導(dǎo)率值，二者的相關(guān)性為2值為0.663（濕季，7—8月）[31]。對此，需要進(jìn)一步研究ENDVI與表觀電導(dǎo)率之間的關(guān)系。

研究結(jié)果顯示，與線性關(guān)系相比，非線性關(guān)系更能夠表達(dá)土壤鹽度-植被之間的定量關(guān)系。這與MULLER 和 van NIEKERK[29]的研究結(jié)果相似，在其研究中顯示，土壤鹽度與EVI（6 m）之間最佳擬合模型為復(fù)合模型，屬于非線性模式。FERNáNDEZ- BUCES 等在其研究中利用構(gòu)建的聯(lián)合光譜響應(yīng)指數(shù)（combined spectral response index，COSRI）[21]，即NDVI改進(jìn)型指數(shù)（NDVI（B1+B2）/（B3+B4）），與飽和溶液電導(dǎo)率ECe（ms·cm-1）擬合后發(fā)現(xiàn)，二者呈現(xiàn)非線性關(guān)系（=348.10e-18.37x，2=0.83），同NDVI相比，擬合關(guān)系更好，但其與鹽度之間的非線性關(guān)系并沒有改變。該指數(shù)在本文中并未使用，但在一定程度上說明了上述非線性關(guān)系的存在。在查閱相關(guān)文獻(xiàn)資料后發(fā)現(xiàn)，新疆地區(qū)的土壤鹽分變化與植被物種豐富程度、物種多樣性、植被分布頻率之間關(guān)系較為復(fù)雜。郝金標(biāo)等[31]在其研究中指出，土壤鹽分變化與植被物種豐富程度之間呈非線性關(guān)系，與物種多樣性之間呈線性關(guān)系，與植被分布頻率之間因植被類型差異即有線性又有非線性關(guān)系存在。此外，石瑞花等[33]以新疆焉耆盆地為研究區(qū)，分析該地天然植被與地下水關(guān)系后發(fā)現(xiàn)，喬木、灌木、草本蓋度因土壤鹽分以及地下水礦化度的變化表現(xiàn)出一定的規(guī)律性特征，且皆成指數(shù)負(fù)相關(guān)關(guān)系。魚騰飛等[34]研究中提到，胡楊的平均密度與水溶性鹽分含量的關(guān)系并非呈線性關(guān)系。通過分析上述結(jié)果，發(fā)現(xiàn)植被蓋度或者頻率與土壤鹽分之間多以負(fù)相關(guān)出現(xiàn)，并呈非線性關(guān)系。上述關(guān)系可能與地下水分布關(guān)系密切，而地下水位和礦化度之間又呈指數(shù)負(fù)相關(guān)。在渭干河-庫車河綠洲地區(qū)，當(dāng)?shù)叵滤恍∮? m時(shí)，地下水的礦化度增加趨勢明顯。3 m有可能就是鹽分聚集速率的分界線，當(dāng)?shù)叵滤淮笥? m時(shí)的積鹽速率要小于地下水位少于3 m的地區(qū)。此外，因干旱區(qū)，降水稀少，蒸發(fā)強(qiáng)烈，多數(shù)自然植被依靠地下水位生存。不同植被的出現(xiàn)都與地下水的臨界水位有關(guān)。張麗等[35]以生態(tài)適宜性理論為基礎(chǔ)，根據(jù)塔里木河干流流域典型植物的隨機(jī)抽樣調(diào)查資料，建立了干旱區(qū)幾種典型植物生長與地下水位關(guān)系的對數(shù)正態(tài)分布模型。由建立的模型得出干旱區(qū)典型植物的最適地下水位、適宜地下水位區(qū)間及其對環(huán)境因子的忍耐度。結(jié)論表明，塔里木河干流流域中的幾種代表性植被的最適宜的地下水位為1—3 m，而整個(gè)干旱區(qū)的適宜性生態(tài)水位2—4 m。在上述水位范圍內(nèi)的植被長勢良好，而地下水位大于4 m時(shí)，則植被長勢受水分虧缺，或受土壤鹽漬化的影響，植被的多樣性、蓋度和頻率都會降低。

本研究以目前應(yīng)用最為廣泛的Landsat數(shù)據(jù)為依托研究尺度對土壤鹽度-環(huán)境變量擬合關(guān)系的影響，其空間分辨率為30 m，而隨著傳感器分辨率的不斷提升，如worldview-2數(shù)據(jù)（9個(gè)波段，多光譜空間分辨率為2 m，全色波段為0.5 m），為下一步的研究提供新的數(shù)據(jù)源。本文中柵格重采樣的步長為30 m（像元逐個(gè)加入），以此計(jì)算的多種重采樣數(shù)據(jù)可能存在漏選的尺度，進(jìn)而隨之計(jì)算的擬合關(guān)系不能精確刻畫土壤鹽度-環(huán)境變量之間動態(tài)耦合趨勢。高空間分辨率的加入縮短了步長，為改進(jìn)擬合精度提供了可能性。

5 結(jié)論

本文基于遙感分析干旱區(qū)綠洲灌區(qū)土壤鹽度最優(yōu)預(yù)測尺度，初步得出以下結(jié)論。即，領(lǐng)域?yàn)V波模式和空間重采樣模式相比，易于提高土壤鹽度-環(huán)境變量之間的響應(yīng)關(guān)系。在采用的眾多指示因子中，以擴(kuò)展的歸一化植被指數(shù)（ENDVI）表現(xiàn)最佳。此外，適于描述本地土壤鹽度-環(huán)境變量關(guān)系的最佳觀測尺度為180 m，領(lǐng)域窗口大小為3×3。需要注意的是，因地理環(huán)境的差異性，應(yīng)多嘗試幾種尺度，以便更好地了解本地的土壤-景觀之間的響應(yīng)關(guān)系。

References

[1] MCCARTHY ALBERT J P．The Irish national electrification scheme., 1957, 47(4): 539-554.

[2] 李小文, 王祎婷. 定量遙感尺度效應(yīng)芻議. 地理學(xué)報(bào), 2013, 68( 9) : 1163-1169.

LI X W, WANG Y T. Prospects on future developments of quantitative remote sensing., 2013, 68(9): 1163-1169. (in Chinese)

[3] Mulder V L, de Bruin S, Schaepman M E, Mayr T R. The use of remote sensing in soil and terrain mapping — a review., 2011, 162: 1-19.

[4] Woodcock C E, Strahler A H. The factor of scale in remote sensing., 1987, 21: 311-332.

[5] CAMPBELL J B, WYNNE R H.. New York: Guilford Press, 2011: 235-239.

[6] MOELLERING H, TOBLER W. Geographical variances., 1972, 4 (1): 34-50.

[7] BRADLEY A, SYLVIA K, MARC W, MICHAEL S. Impact of multi-scale predictor selection for modeling soil properties., 2015 (239/240): 97-106.

[8] PACHEPSKY Y, HILL R. Scale and scaling in soils., 2017(287): 4-30.

[9] KAMAL M, PHINN S JOHANSEN K. Assessment of multi- resolution image data for mangrove leaf area index mapping.2016(176): 242-254.

[10] 聶志文, 布仁倉, 李冰倫. 紅松存在/不存在在數(shù)據(jù)的多尺度空間分布格局研究. 生態(tài)學(xué)報(bào), 2017, 37(3): 1-9.

NIE Z W, BU R C, LI B L. Multi-sclale spatial pattern analysis of Korean pine based on presence/absence data., 2017, 37(3): 1-9. (in Chinese)

[11] 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): 366-371.

WANG F F, WU S X, QIAO M, LI H P, YANG H, LI Y L. Investigation and analysis on the salinization degree of cultivated land in Xinjiang based on 3S technology.2009, 26(3): 366-371. (in Chinese)

[12] WANG F, CHEN X, LUO G P, HAN Q F. Mapping of regional soil salinities in Xinjiang and strategies for amelioration and management., 2015, 25(3): 321-336.

[13] GRUNWALD S, THOMPSON J A, BOETTINGER J L. Digital soil mapping and modeling at continental scales: finding solutions for global issues., 2011, 75(4): 1201-1213.

[14] KHAN N M, RASTOSKUEV V V, SATO Y, SHIOZAWA S. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators., 2005, 77(1/3): 96-109.

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

[16] 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., 2015, 52: 480-489.

[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.

CHEN H Y, ZHAO G X, CHEN J C, WANG R Y, GAO M X. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River., 2015, 31(5): 107-114. (in Chinese)

[18] 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., 2007, 28(15): 3341-3361.

[19] SCUDIERO E, SKAGGS T H, CORWIN D L. Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance., 2015, 169: 335-343.

[20] SCUDIERO E, SKAGGS T H, CORWIN D L. Regional scale soil salinity evaluation using Landsat 7, western San Joaquin Valley, California, USA., 2014(2/3): 82-90.

[21] 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., 2006, 65(4): 644-667.

[22] WU W. The Generalized Difference Vegetation Index (GDVI) for dryland characterization., 2014, 6(2): 1211-1233.

[23] 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., 2014(230/231): 1-8.

[24] JIAPAER G, CHEN X, BAO A. A comparison of methods for estimating fractional vegetation cover in arid regions., 2011, 151: 1698-1710.

[25] TRIPATHI N K, BRIJESH K R D P. Spatial modelling of soil alkalinity in GIS environment using IRS data. Paper presented at the 18th Asian Conference in Remote Sensing, 1997.

[26] 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, 2007.

[27] DOUAOUI A E K, NICOLAS H, WALTER C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data., 2006, 134: 217-230.

[28] KHAN N M, RASTOSKUEV V V, SATO Y, SHIOZAWA S. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators., 2005, 77 (1): 96-109.

[29] MULLER S J, VAN NIEKERK A. Identification of WorldView-2 spectral and spatial factors in detecting salt accumulation in cultivated fields., 2016, 273: 1-11.

[30] 黃彥, 田慶久, 耿軍, 王磊, 欒海軍. 遙感反演植被理化參數(shù)的光譜和空間尺度效應(yīng). 生態(tài)學(xué)報(bào), 2016, 36(3): 883-891.

HUANG Y, TIAN Q J, GENG J, WANG L, LUAN H J. Review of spectral and spatial scale effects of remotely sensed biophysical and biochemical vegetation parameters., 2016, 36(3): 883-891. (in Chinese)

[31] 郗金標(biāo), 張福鎖, 毛達(dá)如, 田長彥, 董振成, 王開芳. 新疆鹽生植物群落物種多樣性及其分布規(guī)律的初步研究. 林業(yè)科學(xué), 2006, 42(10): 6-12.

XI J B, ZHANG F S, MAO D R, TIAN C Y, DONG Z C, WANG K F. Species diversity and distribution of halophytic vegetation in Xinjiang., 2006, 42(10): 6-12. (in Chinese)

[31] 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.

XU H Q, TANG F. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance., 2013, 33(11): 3249-3257. (in Chinese)

[32] 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., 2014(235/236): 316-322.

[33] 石瑞花, 李霞, 董新光, 楊鵬年, 劉磊. 焉耆盆地天然植被與地下水關(guān)系研究. 自然資源學(xué)報(bào), 2009, 24(12): 2097-2103.

SHI R H, LI X, DONG X G, YANG P N, LIU L. Research on the relationship between natural vegetation growth and ground water in Yanqi Basin., 2009, 24(12): 2097-2013. (in chinese)

[34] 魚騰飛, 馮起, 劉蔚, 司建華, 席海洋, 陳麗娟. 黑河下游土壤水鹽對生態(tài)輸水的響應(yīng) 及其與植被生長的關(guān)系. 生態(tài)學(xué)報(bào), 2012, 32(22): 7009-7017.

YU T F, FENG Q, LIU W, SI J H, XI H Y, CHEN L J. Soil water and salinity in response to water deliveries and the relationship with plant growth at the lower reaches of Heihe River, Northwestern China., 2012, 32(22): 7009-7017. (in chinese)

[35] 張麗, 董增川, 黃曉玲. 干旱區(qū)典型植被生長與地下水位關(guān)系的模型研究. 中國沙漠, 2004, 24(1): 110-113.

ZHANG L, DONG Z C, HUANG X L. Modelling on relation between major plants growth and ground water depth in arid area., 2004, 24(1): 110-113. (in Chinese)

（責(zé)任編輯 李云霞）

Optimal Scale Analysis of Soil Salinity Prediction in Oasis Irrigated Area of arid Land Based on Landsat OLI

WEI Yang，DING JianLi, WANG Fei

(College of Resource and Environmental Science, Xinjiang University/ Laboratory of Oasis Ecosystems, Ministry of Education, Urumqi 830046)

【Objective】 Based on the multi-scale remote sensing indicators and measured soil conductivity data, the objective of this study is to exploit the appropriate scales and indicators for inferring soil salinity in irrigation area of arid oasis, and to provide alternative schemes for rapid assessment of soil salinization in the study area. 【Method】Weigan-kuqa oasis located in southern Xinjiang was selected as the study area. Soil electrical conductivity of multiple soil layers (0-10 cm, 10-20 cm, 20-40 cm, 40-60 cm), as inference object, were analyzed. Raster resampling (30-1 000 m) and neighborhood extent (3×3 to 31×31) were employed as the method of scale transformation to generate multiple scales of environmental factors (with help of principal component analysis, tasseled cap, vegetation index, soil wet index) based on Landsat OLI image data, then, a total of 1 078 environmental variables (the former produced 352 variables, the latter produced 726 variables). On this basis, linear and nonlinear curve models were used to fit the correlation between soil salinity and environmental variables under the above mentioned method of scale transformation, and then the optimal prediction scale and environmental factor were explored. 【Result】Nonlinear curve models showed a significance between soil salinity and environmental factors compared to linear model under multiple scale (raster resampling model). Secondly, the fitting accuracy decreased when the spatial resolution become coarse. In this model, the best inference scale was 30 m, and the sensitive variable was three-band maximal gradient difference (TGDVI) at depth of 40-60 cm, and the remaining depths were implied by Extended Normalized Difference Vegetation index (ENDVI). The optimal inference scale in model of neighborhood extent was 180 m (filtering scale 3×3), and the best fit variables for each layer was EEVI. Compared with the grid resampling mode, the fitting accuracy of neighborhood extent was improved by 14.60%, 34.40%, 32.10% and 21.70% (from top layer to bottom one) compared to fomer model, respectively. 【Conclusion】Based on the model of neighborhood extent, the nonlinear model constructed by Extented Enhanced Vegetation Index(EEVI) (180 m, 3×3) is more suitable for the prediction of soil salinity variation in the study area.

soil salinization; Landsat OLI; scale analysis; oasis irrigation area; nonlinear model; Xinjiang

2016-12-24；接受日期：2017-03-31

國家自然科學(xué)基金（41661046）、中國博士后面上基金（2016M602909）、自治區(qū)科技支疆項(xiàng)目（201591101）、新疆大學(xué)博士啟動基金（BS150248）、新疆維吾爾自治區(qū)重點(diǎn)實(shí)驗(yàn)室專項(xiàng)基金（2014KL005）、國家自然科學(xué)基金（新疆聯(lián)合基金本地優(yōu)秀青年培養(yǎng)專項(xiàng)（U1503302））

魏陽，E-mail：wcyang0909@163.com。通信作者丁建麗，E-mail：Watarid@xju.edu.cn