灰色评估模型定量评价于田绿洲土壤盐渍化风险

依力亚斯江·努尔麦麦提，师庆东，阿不都拉·阿不力孜，夏 楠，王敬哲



灰色评估模型定量评价于田绿洲土壤盐渍化风险

依力亚斯江·努尔麦麦提1,2，师庆东2※，阿不都拉·阿不力孜2,3，夏 楠1,2，王敬哲1,2

（1. 新疆大学资源与环境科学学院，乌鲁木齐 830046；2. 新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830046； 3. 新疆大学旅游学院，乌鲁木齐 830049）

针对土壤盐渍化这一干旱区重大生态环境问题，以新疆维吾尔自治区于田绿洲为研究靶区，在野外踏探、室内试验的基础上，将土壤电导率作为评价盐渍化风险生态终点，选择地面蒸散发、地表温度、地表反照率、地面高程、地下水埋深、地下水电导率、地上生物量、叶面积指数、归一化植被指数、表层土壤pH值、表层土壤含水率、土地利用/覆被类型、人口密度和人均耕地面积共14个评价指标作为主要盐渍化风险源，通过遥感与GIS技术获取这些评价因子空间数据集，同时进行数据标准化、叠加并生成相应的栅格图层集，采用Pearson相关性分析法确定评价因子风险权重，引入灰色系统分析法构建研究区盐渍化风险灰色评价模型，构建了土壤盐渍化风险评价模型，并对研究区的盐渍化风险进行定量评价与分析。结果表明：整个研究区盐渍化风险值介于0.053～0.747之间，平均值达到0.190。总体以一般风险为主，盐渍化高度风险占23.37%，虽然分布面积不大，但对绿洲北部区域的生态环境和农业生产影响深远。研究可为干旱区绿洲的土地资源管理、农田系统的合理布局及农业可持续发展中的风险决策提供数据基础与参考依据。

土壤；盐渍化；遥感；GIS；风险评价；灰色评估；于田绿洲

0 引 言

土壤盐渍化是干旱、半干旱区的一种典型的土地退化问题[1]。它不仅制约干旱区农业的可持续发展，而且对区域生态环境构成极大威胁[2]。中国盐渍化土壤分布极为广泛，所带来的环境、社会和经济后果严重。由于特殊的地形地貌、干旱气候条件和不合理的水土资源利用，西北干旱区的土壤盐渍化愈发严重，使得农业生态系统以及国家粮食安全受到严重影响[3]。中国新疆维吾尔自治区是其中的典型代表，盐渍化土壤分布广、种类多，被称作“世界盐渍土的博物馆”[4]。同时，盐渍化风险是新疆绿洲面临的主要危害，是制约当地土地资源可持续开发和利用的首要障碍[5]。因此，利用遥感（remote sensing，RS）与地理信息系统（geographic information system，GIS）技术对土壤盐渍化进行检测，宏观、动态、快速地获取其有效信息[6-7]，开展土壤盐渍化风险动态监测及定量评价具有重要的现实意义[8-13]。

目前，国内外的学者主要采用生态风险评价理论进行土壤盐渍化方面的研究[14]，常用的方法有、综合指数法[15]、以熵值法和暴露-反应法为主的物理方法[16]、模糊评判法[17]、聚类分析法[18]、马尔可夫预测法[19]、灰色系统分析法[20-21]、人工神经网络模型[22]等计算机模拟方法。在新疆有学者评估了以北疆艾比湖流域为代表的土壤盐渍化风险[23-24]，然而，对于自然环境差异较大、气候更加干旱、盐渍化灾害十分严重的南疆地区的相关研究则较少。

基于此，本研究选取新疆南部盐渍化问题典型地区—于田绿洲为研究区，运用遥感和空间信息技术引入灰色系统分析法，构建土壤盐渍化风险定量评估模型并对其进行综合评价，以期为当地农业生产可持续发展和土地资源科学管理提供科学参考。

1 研究区及数据来源

1.1 研究区概况

于田绿洲位于新疆和田地区于田县境内（36°47¢～37°6¢N，81°8¢～81°45¢E），南部毗邻塔克拉玛干沙漠，北部依靠昆仑山，受大陆性干旱气候和山盆相间的地貌格局影响，形成典型的绿洲—荒漠生态系统[25]（图1）。研究区地势南高北低，最高海拔1 639 m，最低海拔1 304 m；热量与光照丰富，多年平均气温12.4 ℃，≥10 ℃积温为4 340 ℃，年总辐射量达6.12×105J/cm2，年日照时数长达2.73×103h[26]。平原绿洲区年均降水仅14 mm，年均蒸发量则高达2 500 mm，其主要依靠山区冰雪融水和部分地下水补给[25]。于田绿洲的天然植被主要为芦苇、柽柳、胡杨、骆驼刺等[25]；土壤类型主要为草甸土和棕漠土，其土壤颗粒物细而透水性差，地下水水位偏高且矿化程度严重，存在不同程度的土壤盐渍化和外围沙漠化问题[27]，生态环境十分脆弱。

图1 研究区示意图

1.2 数据资料与处理

1.2.1 野外数据

根据于田绿洲的景观空间分布特征、土壤盐渍化程度空间差异性等特点，在研究区内设定95个典型点位进行野外样本采集（图1），其中24个采样点为地下水位记录仪安置点，可动态获取地下水位及相关数据。分别于2015年11月和2016年10月进行野外样品采集，采集表土（0～20 cm）土样、记录各点的土壤类型、土地利用/覆被类型、植被类型；测量或评估相关参数，包括植被覆盖度、叶面积指数、土壤盐渍化情况、土壤水分、盐分、温度、电导率等，读取地下水位记录仪测得的地下水埋深和地下水电导率等数据。对野外调查所获得样本在室内测定植物地上生物量、土壤水分、pH值和电导率等数据。

1.2.2 盐渍化风险源的选取

在已有研究成果的基础上[28-29]，参照研究区实际情况与历史资料，通过咨询专家，总结出各类盐渍化风险源的强度及范围，选取代表研究区实际情况的风险因子，并结合研究区数据的完整性与代表性，最终选择了地面蒸散发、地表温度、地表反照率、地面高程、地下水埋深、地下水电导率、地上生物量、叶面积指数、归一化植被指数、表层土壤pH值、表层土壤含水率、土地利用/覆被类型、人口密度、人均耕地面积共14个盐渍化风险源建立盐渍化风险评价指标体系（表1）。

表1 研究区土壤盐渍化风险源数据获取方式描述

1.2.3 遥感反演数据

本研究选取与野外考察同时期、已经过辐射校正和几何校正的Landsat-8光学遥感数据反演土壤盐渍化风险成因要素，包括归一化植被指数（normalized difference vegetation index，NDVI）、叶面积指数（leaf area index，LAI）、地表反照率（albedo）、地表温度（land surface temperature，LST）、蒸散发（evapotranspiration，ET）、生物量（biomass）评价因子（图2）。本研究选取，研究区的数字高程模型（digital elevation model，DEM）来自于30 m分辨率的ASTER GDEM数据。同时，基于决策树分类法获取研究区土地利用/覆被（land-use/land-cover, LULC）分类图[30]，结合野外实地测量数据，对遥感反演结果进行精度验证，以确保其可靠性。

1.2.4 空间数据

为实现点位数据的空间面状化，进而匹配ET、LST等空间因子，利用空间内插的方法对研究区表层土壤（0～20 cm土层）、含盐量（topsoil salinity, TSS）、表层土壤电导率（topsoil electrical conductivity, TS_EC）、表层土壤pH值（pH）、表层土壤水分（surface soil water content, SWC）、地下水埋深（groundwater depth, GWD）、地下水电导率（groundwater electrical conductivity, GW_EC）、人口密度（population density, PD）和人均耕地面积（per capita arable land, PCAL）数据进行空间插值。由于不同插值方法的结果存在较大差异，因此必须选用最优空间内插方法[31]。根据既往的研究结果[32-33]和本研究试验结果，最终选择反距离加权（inverse distance weighted，IDW）插值法对研究区以上8种盐渍化风险评价因子进行空间插值，生成各评价因子所对应的空间分布图（图3）。

注：图g中WB、MS、VG、BL、HS、SS分别为水体、中度盐渍地、植被、裸露地、重度盐渍地、轻度盐渍地。

图3 研究区GIS空间插值的盐渍化风险成因数据

2 研究方法

2.1 研究技术路线

为综合考量多源数据的集成，首先对遥感数据、野外实地考查数据、地理背景数据和社会经济数据等多种数据进行合成以获取研究区GIS空间数据库。然后，依据构建的盐渍化风险评价因子数据集，建立研究区盐渍化风险评估指标体系并构建盐渍化风险灰色评估模型；最后，开展研究区盐渍化风险状况的定量评估、分级与分析。具体研究技术路线如图4所示。

2.2 灰色评估模型

灰色系统理论是由中国著名学者邓聚龙教授于1982提出[34]的一种多因素统计分析方法，其目的是通过一定的方法原理确定系统中各因素的主要关系，用灰色关联度来刻画因素间关系的强弱、大小和次序[35]。该方法能够从整体观念出发综合评价受多种因素共同影响的事物和现象，并且得到广泛应用[36]。灰色关联度的方法根据序列之间发展趋势的相似或相异程度来判断其联系是否紧密，该方法弥补了采用数理统计方法进行系统分析所导致的缺憾，并它对样本量的多少和样本有无规律都同样适用[37]，因此本文引入灰色系统分析法对该区域的盐渍化风险进行了定量分析。

图4 土壤盐渍化风险定量评估研究技术路线

如果将土壤盐渍化风险定义为盐渍化风险因子x对最适宜值x的偏离程度，则有如下基本的评价模型[37]：

根据前人研究[38-39]可知，灰色评估方法弥补了采用数理统计方法进行系统分析所导致的缺陷。它对采集样本数量和样本是否有规律都同样适用[40]。故本文引进灰色关联分析数学模型，构建了该研究区土壤盐渍化风险灰色定量评估模型。

假如x0为采样点的指标变量（母系列，即参考序列）标准化值，x为第个样点在第个风险评价因子的标准化值（比较序列）。其中：

式中γ0为第个样点与各类风险因子关联度的综合评价值。鉴于各x与x0之间可能呈现负相关性，即生态风险变量值的增加从而引起指标变量减少而产生损失性风险，这种情况下，则可定义如下基于灰色关联度模型的盐渍化风险灰色评估模型为

为客观评价研究区土壤盐渍化风险，本文选取表层土壤（0～20 cm）电导率作为生态终点（参考序列0），以盐渍化风险评级指标体系的14个盐渍化风险源（表1）作为盐渍化风险评价因子（比较序列x）。考虑到研究区土地利用类型比较复杂，轻度盐渍地表层土壤含盐量差异很小，可比性不明显，本文选择与土壤含盐量密切有关与高度关联的表层土壤电导率作为参考序列。

3 结果与分析

3.1 盐渍化风险评价因子风险权重的确定

风险评价因子在土壤盐渍化风险总体构成中的作用大小称为风险权重[11]。要评估研究区的土壤盐渍化风险水平，首先要考虑以上14个评价因子的风险权重。为尽量减少人为主观因素的过多参与，本研究采用相关系数法[37-38]确定盐渍化风险各评价因子权重，并通过SPSS®软件对评价因子进行Pearson相关系数的计算。由表2可知，表层土壤含盐量和电导率的相关系数为0.99（<0.01），表明土壤含盐量和电导率高度相关，同时说明土壤电导率可以作为评价土壤盐渍化风险的参考序列（母序列）。其次，作为盐渍化风险评价参考因素的TS_EC与DEM的相关性达到1%极显著水平（=95，=0.003），与LST、GW_EC、Biomass和SWC均显著相关（=95，<0.05），表明这些评价因子为研究区土壤盐渍化风险评估的重要因素。此外，ET与LST、Albedo、Biomass极显著相关，Biomass与ET、LST、Albedo极显著相关，DEM与GWD、GW_EC极显著相关。这结果与研究区实际情况比较符合，进一步说明本研究所选取的评价因子较可靠。

表2 盐渍化风险评价因子Pearson相关系数矩阵

注（Note）：*，<0.05；**，<0.01.

对各评价因子与土壤电导率的相关系数求取绝对值，通过标准化处理后得到14个评价因子的盐渍化风险权重系数，如表3所示。盐渍化风险评价因子权重系数大小依次为DEM > SWC > LST > GW_EC > Biomass > GWD > pH > ET > PD > LCLU > NDVI > Albedo > LAI > PCAL。在盐渍化风险灰色评估模型构建中将其作为各因子的风险评价权重向量。

表3 土壤盐渍化风险评价因子权重

3.2 盐渍化风险灰色评估模型的构建

首先，利用ArcGIS®软件建立土壤盐渍化评价因子空间地理叠加的栅格图层集。其次，实现各土壤盐渍化风险评价因子（比较序列）和指标变量（参考序列）的数据标准化图层的计算，生成所有因子的空间标准化栅格图层集。然后，计算出各盐渍化风险评价因子与表层土壤电导率的灰色关联系数的栅格图层集，图5为DEM、SWC、LST、GW_EC与TS_EC之间灰色关联系数。最后，基于各个变量的因子权重构建土壤盐渍化风险评估模型。鉴于于田绿洲土壤盐渍化程度、分布现状和生态环境状况，同时参考相关研究所采用的分级方法[11-12,37-38]确定该地区土壤盐渍化风险等级划分标准，共分为4级，如表4所示。

图5 盐渍化风险评价因子与表层土壤电导率的灰色关联系数栅格图

表4 研究区土壤盐渍化风险等级划分标准及盐渍化风险面积统计表

3.3 土壤盐渍化风险状况定量评估与分析

由图6可知，研究区域盐渍化风险值在0.053～0.747之间，平均值达到0.190。区域的土壤盐渍化风险状况具有明显空间差异，总体以一般风险为主，高度风险（1级和2级风险）区主要分布在冲洪积平原灌区的斯也克乡北部、希吾勒乡、喀尔克乡、英巴格乡北部、加依乡等乡镇。其中，斯也克乡北部区域盐渍化风险最为严重，位于研究区的几何中心处。研究区北部盐渍化风险高于南部，其原因一方面在于北部海拔较低、地下水位较浅、土壤盐分、地下水电导率较高（图2h和图3）；另一方面可能在于于田县大部分耕地依然采用地面漫灌，而且现有的地面灌溉水利用率较低，田间渗漏严重，抬高了北部地下水位，造成研究区北部土壤盐渍化风险更加严重。此外，绿洲地下水埋深从由南至北逐渐减小（图3e），砂砾粒径由南向北变细，地下水储水层在冲洪积平原中下部有上通下阻的现象，因此在北部区域土壤盐渍化风险更为严重。从局部来看，研究区中北及西北部盐渍化风险最高，这是由于该区域地下水埋深较浅、表层土壤含盐量高、地下水电导率较高、植被覆盖度低（图2和图3），且主要为红柳、胡杨、芦苇、盐节木、盐穗木等耐盐植被；同时，于田绿洲北部地势平坦，地下水的水力坡度小，水平径流基本停滞，灌区水实际处于垂直循环状况，形成了积盐环境。由图3a与图6可知，研究区盐渍化风险与土壤盐分的空间分布特征高度一致，这表明本研究构建的灰色评估模型具有可信性。

图6 研究区土壤盐渍化风险空间分布

表4为研究区各级盐渍化风险区面积的统计结果。研究区3级风险的区域面积最大，占总面积的48.94%（942.45 km2），主要集中分布于研究区北部和中部，盐渍化危害程度为一般，属于潜在风险区域，其一部分分布在绿洲农田区域，对研究区农作物较为不利；其次是4级风险区，占27.69%（533.09 km2），属于风险较小的区域，主要碎片式分布于研究区的南部，这些部位土壤含盐量较低；盐渍化2级风险区占19.35%（372.56 km2），主要分布在研究区北部和西北部位，且属于1级风险与3级风险的过渡带，呈斑块状分布，风险为较大。盐渍化1级风险区域仅占4.02%（77.39 km2），主要呈斑块状分布于研究区北边和西北部位，土壤含盐量普遍较高，风险很大。总体上，研究区域以一般风险和较小风险为主，占研究区总面积76.64%, 是土壤改良治理和科学管理的重点区域。1级和2级风险区占23.37%，虽然分布面积不大，但对绿洲北部，克里雅河流域的下游区域的生态环境和农业生产影响深远。

本研究尽管成功构建了盐渍化风险灰色评估模型，然而还存在一些不足与评估结果的不确定性。土壤盐渍化通常是的自然和人类活动共同作用造成的，而且缺乏长期连续试验观测数据的支持，因此盐渍化风险评估指标的遴选及其权重系数的确定极易受到主观因素的影响。本研究构建的盐渍化风险灰色评估模型的泛化能力还有待进一步验证。此外，本研究的数据来源较为复杂、类型众多，包括栅格数据、矢量数据、属性数据，点、线、面数据，一部分为遥感定量反演所得，另一部分为GIS空间内插所产生，因此这些数据之间的有机集成和数据有效同化可能存在一定不确定性。今后的研究将进一步完善数据，减少人为因素的干扰，进一步完善这些数据的同化机制，继续探索盐渍化风险最优定量评估模型，以期为干旱区绿洲土地资源管理、农作物的合理布局和生态环境的保护提供一定数据基础，并为区域可持续发展中的风险决策提供参考依据。

4 结 论

1）对研究区盐渍化风险评价因子进行Pearson相关系数的计算，得出盐渍化风险评价因子权重系数以地面数字高程最大、表层土壤含水率次之。

2）整个研究区域盐渍化风险值介于0.053～0.747之间，平均值达到0.190。研究区不同区域土壤盐渍化风险状况具有显著差异性，风险总体以一般风险为主。

3）研究区3级风险的区域面积为最大，占总面积的48.94%，盐渍化危害程度为一般，属于潜在风险区域；其次是4级风险区，占27.69%，属于风险较小的区域，这些部位土壤含盐量较低；再次盐渍化2级风险区站19.35%，呈斑块状分布，风险为较大。最后盐渍化1级风险区域仅占4.02%，主要呈斑块状分布于研究区北边和西北部位，土壤含盐量普遍较高，风险很大。研究区域1级和2级风险占23.37%，虽然分布面积不大，但对绿洲北部区域的生态环境和农业生产影响深远。

[1] Metternicht G I, Zinck J A. Remote sensing of soil salinity: Potentials and constraints[J]. Remote Sensing of Environment, 2003, 85(1): 1－20.

[2] Amezketa E. An integrated methodology for assessing soil salinization, a pre-condition for land desertification[J]. Journal of Arid Environments, 2006, 67(4): 594－606.

[3] 田长彦，周宏飞，刘国庆. 21世纪新疆土壤盐渍化调控与农业持续发展研究建议[J]. 干旱区地理，2000，23(2)：177－181. Tian Changyan, Zhou Hongfei, Liu Guoqing. The proposal on control of soil salinizing and agricultural sustaining development in 21' s century in Xinjiang[J]. Arid land Geography, 2000, 23(2): 177－181. (in Chinese with English abstract)

[4] 张芳. 新疆奇台绿洲土壤碱化特征及遥感监测研究[D]. 乌鲁木齐：新疆大学，2011. Zhang Fang. Characteristics of Alkalinized soil in Qitai oasis in Xinjiang and the investigation by remote sensing[D]. Urumqi: Xinjiang University, 2011. (in Chinese with English abstract)

[5] 胡小韦. 于田绿洲土壤盐渍化与地下水环境变化的关系研究[D]. 乌鲁木齐：新疆大学，2008. Hu Xiaowei. Study of Relationship Between the Soil Salinization and the Change of Groundwater Environment in Yutian Oasis[D]. Urumqi: Xinjiang University, 2008. (in Chinese with English abstract)

[6] 郭华东. 雷达对地观测理论与应用[M]. 北京：科学出版社，2000.

[7] 党安荣. 地理信息系统可视化专题制图要素分级探讨[J]. 地理学报，1998，65(增刊1)：61－66.Dang Anrong. Study on thematic mapping element classification of GIS visualization[J]. Acta Geographica Sinica, 1998, 65(s1): 61－66. (in Chinese with English abstract)

[8] 丁建丽, 姚远, 王飞. 基于三维光谱特征空间的干旱区土壤盐渍化遥感定量研究[J]. 土壤学报，2013，50(5)：853－861. Ding Jianli, Yao Yuan, Wang Fei. Quantitative remote sensing of soil salinization in arid regions based on three dimensional spectrum eigen spaces[J]. Acta Pedologica Sinica, 2013, 50(5): 853－861. (in Chinese with English abstract)

[9] 王飞，丁建丽，伍漫春. 基于NDVI-SI特征空间的土壤盐渍化遥感模型[J]. 农业工程学报，2010，26(8)：168－173. Wang Fei, Ding Jianli, Wu Manchun. Remote sensing monitoring models of soil salinization based on NDVI-SI feature space[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(8): 168－173. (in Chinese with English abstract)

[10] (美)苏特尔(Suter G W). 生态风险评价：第二版[M]. 北京：高等教育出版社，2011.

[11] 李冬顺，杨劲松，姚荣江. 生态风险分析用于苏北滩涂土壤盐渍化风险评估研究[J]. 土壤学报，2010，47(5)：857－864. Li Dongshun, Yang Jinsong, Yao Rongjiang. Application of ecological risk analysis to soil salinization risk assessment of coastal tidal flat in north Jiangsu Province[J]. Acta Pedologica Sinica, 2010, 47(5): 857－864. (in Chinese with English abstract)

[12] 姚荣江，杨劲松，刘广明，等. 黄河三角洲地区典型地块土壤盐分空间变异特征研究[J]. 农业工程学报，2006，22(6)：69－74. Yao Rongjiang, Yang Jinsong, Liu Guangming, et al. Spatial variability of soil salinity in characteristic field of the Yellow River Delta[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(6): 69－74. (in Chinese with English abstract)

[13] Zhou D, Lin Z, Liu L, et al. Assessing secondary soil salinization risk based on the PSR sustainability framework[J]. Journal of Environmental Management, 2013, 128(20): 642－654.

[14] Castrignanò A, Buttafuoco G, Puddu R. Multi-scale assessment of the risk of soil salinization in an area of south-eastern Sardinia (Italy)[J]. Precision agriculture, 2008, 9(1/2): 17－31.

[15] 喻光明，胡秀丽，张敏，等. 土地整理的生态风险评价[J]. 安全与环境学报，2007，7(6): 83－88. Yu Guangming, Hu Xiuli, Zhang Min, et al. The ecological risks assessment of the land use rectification and reconstruction[J]. Journal of Safety and Environment, 2007, 7(6): 83－88. (in Chinese with English abstract)

[16] Hakanson L. An ecological risk index for aquatic pollution control a sedimentological approach[J]. Water Research, 1980, 14(8): 975－1001.

[17] 胡月明，万洪富，吴志峰，等. 基于GIS的土壤质量模糊变权评价[J]. 土壤学报，2001，38(3)：266－274. Hu Yueming, Wan Hongfu, Wu Zhifeng, et al. GIS based quality evaluation with fuzzy variable weight[J]. Acta Pedologica Sinica, 2001, 38(3): 266－274. (in Chinese with English abstract)

[18] 许明祥,刘国彬,赵允格.黄土丘陵区侵蚀土壤质量评价[J]. 植物营养与肥料学报，2005，11(3)：285－293. Xu Mingxiang, Liu Guobin, Zhao Yunge. Quality assessment of erosion soil on hilly Loess Plateau[J]. Plant Nutrition and Fertilizer Science, 2005, 11(3): 285－293. (in Chinese with English abstract)

[19] 郑文瑞，王新代，纪昆，等. 非确定数学方法在水污染状况风险评价中的应用[J]. 吉林大学学报：地球科学版，2003，33(1)：59－62. Zheng Wenrui, Wang Xindai, Ji Kun, et al. Application of undetermined mathematic method in risk assessment of water pollution conditions[J]. Journal of Jilin University Earth: Science Edition, 2003, 33(1): 59－62. (in Chinese with English abstract)

[20] 马建军，李青丰，张树礼. 灰色关联分析在黑岱沟露天煤矿土壤质量评价中的应用[J]. 干旱区资源与环境，2007，21(7)：125－129. Ma Jianjun, Li Qingfeng, Zhang Shuli. Application of grey system theory to the reclaimed land soil quality evaluation of Hei Dai Gou opencast coal mine[J]. Journal of Arid Land Resources and Environment, 2007, 21(7): 125－129. (in Chinese with English abstract)

[21] 李月芬，汤洁，林年丰，等. 灰色关联度法在草原土壤质量评价中的应用[J]. 吉林农业大学学报，2003，25(5)：551－556. Li Yuefen, Tang Jie, Lin Nianfeng, et al. Application of grey system theory in evaluating grassland soil quality[J]. Journal of Jilin University, 2003, 25(5): 551－556. (in Chinese with English abstract)

[22] 陈辉，李双成，郑度. 基于人工神经网络的青藏公路铁路沿线生态系统风险研究[J]. 北京大学学报：自然科学版，2005，41(4)：586－593. Chen Hui, Li Shuangcheng, Zheng Du. Ecological risk assessment of regions alongside Qinghai-Xizang highway and railway based on artificial neural network[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2005, 41(4): 586－593. (in Chinese with English abstract)

[23] 王东芳. 艾比湖湿地国家级自然保护区土壤盐渍化生态风险评价[D]. 乌鲁木齐：新疆大学，2016. Wang Dongfang. Ecological Risk Assessment of Soil Salinization in Ebinur Lake Wetland National Nature Reserve[D]. Urumqi: Xinjiang University, 2016. (in Chinese with English abstract)

[24] 张兆永，李菊英，祖皮艳木·买买提，等. 艾比湖流域小尺度农田土壤养分的空间分布和盐渍化风险评价[J]. 生态学报，2017，37(3)：819－828. Zhang Zhaoyong, Li Juying, Zulpiya Mamat, et al. Spatial heterogeneity of soil nutrients and salinization risk assessment of a small-scale farmland in Ebinur Basin in northwest China[J]. Acta Ecologica Sinica, 2017, 37(3): 819－828．

[25] 田源. 干旱区典型绿洲空间热环境遥感研究[D]. 乌鲁木齐：新疆大学，2009. Tian Yuan. Study on the Space Thermal Environment of typical Oasis in the Arid Region using Remote Sensing Technology[D]. Urumqi: Xinjiang University, 2009. (in Chinese with English abstract)

[26] 于田县地方志编纂委员会. 于田县志[M]. 乌鲁木齐：新疆人民出版社，2006：94－185.

[27] 刘曾媛，贡璐，张雪妮，等. 克里雅河流域于田绿洲土壤酶活性与理化因子相关性分析[J]. 中国土壤与肥料, 2014(4): 35－41. Liu Zengyuan, Gong Lu, Zhang Xueni, et al. Soil enzyme activities and their relationship with physicochemical factors in Yutian oasis of the Keriya river watershed[J]. Soil and Fertilizer Science in China, 2014(4): 35－41. (in Chinese with English abstract)

[28] 姜红涛. 干旱区土壤水盐变化特征及其影响因子的遥感反演和GIS分析[D]. 乌鲁木齐：新疆大学, 2014. Jiang Hongtao. Remote Sensing Inversion and GIS Analysis of Soil Water and Salt Change Characteristics and Its Influencing Factors in Arid Area[D]. Urumqi: Xinjiang University, 2014. (in Chinese with English abstract)

[29] 刘国华.于田绿洲土壤盐分特征及其成盐驱动因子分析[D]. 乌鲁木齐：新疆大学，2009. Liu Guohua. Study on Soil Salinity Characteristics and its Salt-driven Actuation Factors in Yutian Oasis[D]. Urumqi: Xinjiang University, 2009. (in Chinese with English abstract)

[30] Nurmemet I, Ghulam A, Ding J L, et al. Monitoring soil salinization in Keriya River Basin, Northwestern China using passive reflective and active microwave remote sensing data[J]. Remote Sensing, 2015, 7(7): 8803－8829.

[31] Piazza A D, Conti F L, Noto L V, et al. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy[J]. International Journal of Applied Earth Observation & Geoinformation, 2011, 13(3): 396－408.

[32] 蔡福，于贵瑞，祝青林，等. 气象要素空间化方法精度的比较研究：以平均气温为例[J]. 资源科学，2005，27(5)：173－179. Cai Fu, Yu Guirui, Zhu Qinglin, et al. Comparison of precisions between spatial methods of climatic factors: A case study on mean air temperature[J]. Resource science, 2005, 27(5): 173－179. (in Chinese with English abstract)

[33] 吴亚坤，刘广明，苏里坦，等. 基于电磁感应研究新疆土壤盐分三维空间变异对季节的响应[J]. 农业工程学报，2017，33(14)：173－178. Wu Yakun, Liu Guangming, Su Litan, et al. Response of three-dimensional spatial variability of soil salinity to change of season of Xinjiang based on electromagnetic induction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 173－178. (in Chinese with English abstract).

[34] 邓聚龙. 灰色系统理论教程[M]. 武汉：华中理工大学出版社，1990.

[35] 徐建华. 现代地理学中的数学方法[M]. 北京：高等教育出版社，2002：224－229．

[36] 田凯波. 基于层次分析法的灰色关联分析的应用[J]. 湖南农机，2010，37(5)：98－99. Tian Kaibo. Application of grey correlation analysis based on AHP[J]. Hunan Agricultural machinery, 2010, 37(5): 98－99. (in Chinese with English abstract)

[37] 曹建荣，徐兴永，于洪军，等. 黄河三角洲土壤盐渍化原因分析与生态风险评价[J]. 海洋科学进展，2014，32(4)：508－516. Cao Jianrong, Xu Xingyong, Yu Hongjun, et al. Analysis for driving forces and ecological risk assessment of soil salinization in the Yellow River Delta[J]. Advances in Marin science, 2014, 32(4): 508－516. (in Chinese with English abstract)

[38] 李自珍，李维德，石洪华，等. 生态风险灰色评价模型及其在绿洲盐渍化农田生态系统中的应用[J]. 中国沙漠，2002，22(6)：617－622. Li Zizhen, Li Weide, Shi Honghua, et al. Gray model for ecological risk assessment and its application in salinization oasis agroecosystem[J]. Journal of Desert Research, 2002, 22(6): 617－622. (in Chinese with English abstract)

[39] 钱建平，周勇，郧文聚，等. 基于灰色系统理论的收益还原法在农用地估价中的应用[J]. 农业工程学报，2004，20(6)：282－285. Qian Jianping, Zhou Yong, Yun Wenju, et al. Application of income capitalization approach based on grey system theory in the evaluation of agricultrual land price[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(6): 282－285. (in Chinese with English abstract)

[40] 赵晓慧，严立蛟. 生态敏感性的灰色关联投影评价模型及其应用[J]. 浙江大学学报：农业与生命科学，2006，32(3)：341−345. Zhao Xiaohui, Yan Lijiao. Grey relation projection model for the ecological sensitivity[J]. Journal of Zhejiang University: Agric & Life Sci, 2006, 32(3): 341－345. (in Chinese with English abstract)

Quantitative evaluation of soil salinization risk in Keriya Oasis based on grey evaluation model

Ilyas Nurmemet1,2, Shi Qingdong2※, Abdulla Abliz2,3, Xia Nan1,2, Wang Jingzhe1,2

(1.830046,; 2.830046,; 3.830049,)

Soil salinization is a global issue of concern and the biggest global natural disaster. Salt-affected soil is also the most prominent environmental problem in arid and semi-arid regions in China. In this study, the Keriya Oasis in the arid zone of Xinjiang, Northwestern China was chosen as study area, a geodatabase was created with multiple field observations together with laboratory analyses and related datasets including attribute, vector and raster data. Topsoil electrical conductivity (TS_EC) was selected as the ecological endpoint for evaluating the salinization risk. And 14 evaluation indicators were chosen as the main sources of soil salinity risk which included ground evapotranspiration (ET), land surface temperature (LST), surface albedo (Albedo), digital elevation model (DEM), normalized difference vegetation index (NDVI), leaf area index (LAI), aboveground biomass (Biomass), groundwater depth (GWD), groundwater electrical conductivity (GW_EC), topsoil water content (SWC), topsoil pH value (pH), land use land / cover type (LULC), population density (PD) and per capita arable land (PCAL). An index system for soil salinization risk assessment was established. Through remote sensing (RS) techniques and quantitative inversion, 7 risk factors were derived such as: NDVI, LAI, Albedo, LST, ET, Biomass, DEM; the other factors were spatially interpolated, then data normalization was applied to all these datasets and overlayed GIS database of soil salinity risk factors was built. Risk weights of evaluation factors were determined and weight coefficients were calculated by adopting Pearson correlation analysis method. The theory of grey relational analysis system was introduced into soil salinization risk assessment, and risk assessment model was constructed in the study area. Then the soil salinity risk of the region was quantitatively assessed and classified, and finally soil salinity risk map was elaborated. The results showed that: the salinization risk values of the whole study area varied from 0.053 to 0.747, with a mean value of 0.190. Spatial distribution heterogeneity of different risks in the Keriya Oasis was prominent, and soil salinity risk was mainly demonstrated moderate risk. The area of risk rating 3 was the largest, and it accounted for 48.94% of total study area, soil salinity risk was moderate, belonging to potential risk area; The area of rating 4 accounted for 27.69%, and it belonged to the low risk region. Rating 2 risk region accounted for 19.35%, and soil salinity risk was relatively high. Rating 1 risk area accounted for only 4.02%, but it was characterized with very high risk soil salinity. Although the high risky area was smaller in size, it might lead a negative influence on the ecological environment and agricultural production in the northern region of the oasis. In conclusion, the quantitative assessment and mapping results of soil salinization risk in Keriya Oasis could be used to make appropriate decisions related to crop production, prevention of soil salinization, and it might offer scientific evidence and consulting for obtaining sustainable development of agriculture and eco-environment in arid and semi-arid regions.

soils; salinization; remote sensing; GIS; risk assessment; grey evaluation; Keriya Oasis

2018-11-06

2019-03-10

国家自然科学基金（41561089、U1703237、41461111）；新疆大学博士毕业生科研启动基金（BS160236）

依力亚斯江·努尔麦麦提，博士，从事遥感与地理信息系统及其干旱区资源环境应用研究。Email：ilyas777v@163.com

师庆东，教授，博士生导师，主要研究方向为绿洲生态学。Email：shiqingdong@126.com

10.11975/j.issn.1002-6819.2019.08.021

S156.4；TP79

A

1002-6819(2019)-08-0176-09

依力亚斯江·努尔麦麦提，师庆东，阿不都拉·阿不力孜，夏 楠，王敬哲. 灰色评估模型定量评价于田绿洲土壤盐渍化风险[J]. 农业工程学报，2019，35(8)：176－184. doi：10.11975/j.issn.1002-6819.2019.08.021 http://www.tcsae.org

Ilyas Nurmemet, Shi Qingdong, Abdulla Abliz, Xia Nan, Wang Jingzhe. Quantitative evaluation of soil salinization risk in Keriya Oasis based on grey evaluation model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 176－184. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.08.021 http://www.tcsae.org