基于环境变量的渭干河-库车河绿洲土壤盐分空间分布

蒙莉娜，丁建丽，王敬哲，葛翔宇

基于环境变量的渭干河-库车河绿洲土壤盐分空间分布

蒙莉娜，丁建丽※，王敬哲，葛翔宇

（1. 新疆大学资源与环境科学学院智慧城市与环境建模自治区普通高校重点实验室，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）

土壤属性的数字制图对精准农业生产和环境保护治理至关重要。为了在大尺度上尽可能精确的监测土壤盐分空间变异性，该文使用普通克里格（ordinary kriging，OK）、地理加权回归（geographically weighted regression，GWR）和随机森林（random forest，RF）方法，结合地形、土壤理化性质和遥感影像数据等16个环境辅助变量，绘制渭干河-库车河绿洲表层土壤盐分分布图。基于决定系数（2）、均方根误差（RMSE）和平均绝对误差（MAE）验证模型精度。结果表明：不同方法预测的盐分分布趋势没有显著差异，大体上从研究区的西北向东南部方向增加；结合辅助变量的不同预测方法中，RF方法预测精度最高，2为0.74，RMSE和MAE分别为9.07和7.90 mS/cm，说明该模型可以有效地对区域尺度的土壤盐分进行定量估算；RF方法对电导率（electric conductivity，EC）低于2 mS/cm时预测精度最高，RMSE为3.96 mS/cm，很好的削弱了植被覆盖对电导率EC的影响。

土壤盐份；遥感；机器学习；环境变量

0 引 言

随着现代数学发展以及遥感制图辅助变量的类型日益广泛和易于获取，一种新兴的、高效表达土壤空间分布的技术方法，数字土壤制图（digital soil mapping，DSM）在过去的30 a得到了飞速发展[1]。DSM方法被广泛用到了土壤学领域中，用以描述土壤属性的空间变异规律。土壤发生学理论与数学模型紧密结合，研究土壤盐渍化制图成为主流。

土壤的空间分布是土壤形成与发展过程的体现，具有复杂性和时空变异性。土壤盐分的空间分布在一定程度上反映了土壤耕作层内土壤盐渍化的程度和状态，因此进行土壤盐渍化的变异性研究对于盐渍土的改良和防治，提高农业产量具有重要意义[2]。Guo等[3]证明遥感和近感辅助数据可以作为土壤盐渍化区域识别的指标，进行了沿海地区土壤盐分数字制图。Peng等[4]使用多种环境变量构建电导率的立体模型和偏最小二乘模型，在大面积上监测盐分的空间分布并进行温宿地区的数字制图。Sheng等[5]进行了干旱区盐渍化土壤定量分类及数字制图方法的研究。常见的数字土壤属性制图方法有地统计学方法、机器学习方法和混合模型方法等。Grunstra等[6]表明普通克里格（ordinary kriging，OK）插值效果优于反距离插值方法。为了更好的揭示土壤属性空间变异的局部信息，结合辅助变量的地理加权回归（geographically weighted regression，GWR）方法被应用到土壤属性制图当中。郭龙等[7]表明在辅助变量较多的情况下地理加权回归模型比协同克里格插值更为简单且具有更高的预测精度。但国内关于GWR的应用主要在人文地理和统计学领域，GWR在土壤和环境科学方面的应用还十分有限，需进一步尝试[8]。目前一些研究者认为更复杂和精密的方法能显著提高土壤属性制图精度，Brungard等[9]对比11种机器学习算法，发现随机森林和人工神经网络等复杂的建模方法优于K邻近距离等简单建模方法。相比神经网络的参数较多难以确定和模型结果不易解释[10]，随机森林（random forest，RF）模型能够处理高维度数据且模型参数较少，在土壤属性预测中得到了广泛的应用。但随着环境条件的变化，模型的预测能力有所不同。为了尽可能准确地反演干旱区土壤盐分的空间分布，选取优势模型与合适的变量尤为重要。

本文以渭干河-库车河绿洲（以下简称渭-库绿洲）为研究靶区，筛选出新疆典型绿洲渭-库地区土壤盐度敏感性较高的环境变量，研究绿洲土壤盐分的空间分布以及与环境变量之间的关系。选用传统的普通克里格方法与地理加权回归和随机森林方法进行对比分析，对土壤盐分变异性被制图方法揭示的程度进行探究，优选模型提高土壤盐渍化制图精度，为该地区土壤盐渍化的治理提供科学依据。

1 材料与方法

1.1 研究区

渭-库绿洲（80°37′～83°59′E，41°06′～42°40′N）位于塔里木盆地北麓中段。该范围包括新和、库车和沙雅3个县，总面积523.76万km2。海拔范围892～1 100 m，由西北向东南递减（图1）。该区属典型的温带大陆性干旱气候，年平均气温10.5～14.4 ℃，年平均降水量51.6 mm，年均潜在蒸发量达2 356 mm。土壤类型众多，其中主要土壤类型为潮土，其次为草甸土，盐土、沼泽土和棕钙土等也分布较多。土地利用类型主要包括农田、草地、林地、荒地、盐渍地等。在平原区中下部地势较平坦，地下水位较高，蒸发作用强烈，导致盐分随水运动积累于地表造成土壤盐渍化，灌区内盐渍化面积已达50%以上，其中严重盐渍化面积达30%。选择该地区作为研究区具有较好的代表性，对其改善生态环境及农业生产的发展有着重大意义。

图1 研究区采样点分布示意图

1.2 野外调查和地面数据获取

采样设计综合考虑渭-库绿洲土壤类型、植被类型、景观特征以及土地利用方式等因素。在野外采样过程中，选取样点（30 m×30 m）的土壤，保持土壤性质相对一致，环境因素相似，异质性相对较小，用五点法采集土样，将测试的数据求平均值作为本样点的实际观测值。采样时间为2018年7月11日至7月23日，采样深度为0～10 cm，样本数量为73个。待土壤样品自然风干后去除杂质，过2 mm（10目）孔筛备用。称量20 g土壤样品与100 mL去离子水配制成水土比5:1的土壤悬浊液，用Cond7310土壤测试仪测定土壤电导率（electric conductivity，EC），用pHS-3C采集土壤溶液的pH值，使用烘干称重法进行土壤含水量（soil mass content，SMC）的测量。

1.3 遥感影像获取与预处理

结合采样时间和云量（<10%），本文选取2018年7月23日的Landsat8 OLI影像，数据来源于美国地质调查局（United States Geological Survey, USGS http:// glovisusgsgov/），行列号为145/31，数据级为LIT，空间分辨率为30 m。数据描述信息详见文献[11]。使用ENVI 5.3中的FLAASH模型对影像进行大气纠正，用校正后的图像进行主成分分析（principal component analysis，PCA）和基于相关矩阵的缨帽（tasseled cap，TC）变换，以减少数据层的总数，更好地区分盐渍土和非盐渍土壤。纠正后的反射率数据用于计算环境变量。

1.4 环境变量

土壤盐渍化在不同尺度下受土壤、气候、地形、生物等因素的综合影响，本研究选取6个盐度指数，6个植被指数，6个遥感影像数据指数和15个地形指数作为土壤盐分预测的环境变量。具体指数参见表1。其中地形指数采用空间分辨率为30 m的DEM数据，运用SAGA GIS从30 m数字高程模型进行计算，该模型经过校正进行填凹处理。30 m的网格大小被证明是最适合土壤-景观分析[12]，也可以更好的匹配Landsat8 OLI的空间分辨率。

1.5 建模方法和性能评估

OK是根据区域化变量的原数据及半方差函数的结构特点，通过线性无偏最优估计来预测未知样点区域化变量的常用方法。本文通过EC含量半方差函数以及拟合参数，用OK方法预测EC空间分布。

GWR是一种局域回归模型，是在经典多元线性回归模型的基础上进行的空间局域扩展[13-14]，将样点数据的地理位置嵌入到回归参数之中，对于存在非平稳性的空间数据，该模型可反映出不同地理位置的变量对该区域的影响程度，由此可探寻该研究区域内各环境因素对EC影响的空间分异特征。其参数设定在GWR4软件中实现，其中模型带宽的计算运用AICc方法，带宽的确定一般有固定带宽和自适应带宽2种方法，前者给出确定性带宽，后者则根据样点密度分布进行自动调整，本研究选择自适应带宽，以满足采样点分布不均的情况。

RF是指利用多棵决策树对样本进行训练并预测的一种机器学习算法。该算法的优势在于具备非线性挖掘能力，数据的分布不需要符合任何假设，同时处理等级和连续变量[15]。RF模型需要用户定义3个参数：终端节点树（），作为每棵树的预测特征的特征个数（），以及每个终端节点的最小值[16]。的默认值为500，但一般认为它不足以产生可靠的结果[17]，因此在该模型中通过遍历确定的最优值为1 000。用以确定单一树与模型中其他树之间的相关性。随着值的增加，每棵树和树之间的相关强度逐渐增加[18]。以预测误差最小化为目标函数，通过遍历比较确定的最优值为3，节点大小为5。

表1 基于Landsat OLI和DEM衍生的环境变量

注：F为蓝波段反射率，F为绿波段反射率，F为红波段反射率，NIR为近红外波段反射率；取值2、3、4；=1和=0.9是气溶胶和大气相关参数。

Note:Fis blue band reflectivity,Fis green band reflectivity,Fis red band reflectivity,NIRis near infrared reflectivity;is set to 2, 3, 4, respectively; the aerosol and atmospheric related parametersandare set to 1 and 0.9, respectively.

将73个土壤样品根据其EC值按升序排序，等间距选取58个样本作为训练集，剩余的15个样本构成验证集，分别用于模型的建立以及精度的验证。决定系数（R），均方根误差（RMSE）和平均绝对误差（MAE）用于评估和比较上述模型的性能。R、RMSE和MAE的计算公式如下

式中V为样本点处的实测值；V为点处的预测值；为总样点个数。2范围在0～1之间，越接近1模型的稳定性越高，RMSE和MAE越小模型的预测能力越强精度也越高。

2 结果与讨论

2.1 土壤特性描述性统计

采样点的土壤特性描述性统计特征如表2所示。整个研究区的EC值变化很大，EC在0.08～74.30 mS/cm之间变化，其平均值为13.38 mS/cm，变异系数（variable coefficient，CV）值大于1，表明土壤含盐量的空间变异性较强。土壤含水量SMC的范围在0.52%～20.28%，CV值为53.79%。pH值的范围在7.21～10.21之间，整个研究区的pH值变化不大。

表2 土壤属性描述性统计

注：EC为电导率，mS·cm-1；SMC为土壤含水量，%。

Note: EC is electric conductivity, mS·cm-1; SMC is soil mass content, %.

2.2 土壤盐分与环境变量的相关性

基于预处理后的Landsat8 OLI影像计算并根据样点数据的地理位置提取遥感数据衍生变量相应点的信息，样点的EC与环境变量之间的相关性见表3。

表3 EC与参选变量之间的相关性

注：**表示在＜0.01水平显著；*表示在＜0.05水平显著。

Note: ** means significant at＜0.01 levels; * means significant at＜0.05 levels.

在33个参选变量中，有16个变量与EC具有显著相关性。地形指数被证明是十分有效的预测变量，在植被覆盖密集的地区能够显著提高准确性[28]。但在15个地形指数中，只有DEM、CNBL和VD与EC呈显著相关性，这主要因为研究区地形较为平坦，加上该地区降雨量有限，地表径流大大削弱了地形因素对土壤盐分再分布的影响。6个遥感影像数据指数中PC2、TC1和TC2与EC显著相关，在遥感图像中PC2的高值主要分布在高亮度区域，TC1携带图像的亮度信息，高亮度区域对应图像内的高EC值，由于TC2携带图像的绿色信息，因此TC2值高的区域对应于绿色植被覆盖区域，TC2值低的区域对应于高EC值。在盐度指数中NDSI在<0.01阈值为±0.296时显著，1、2和SI1在<0.05阈值为±0.192时显著。植被指数均与EC在<0.05时呈显著相关性。虽然盐度指数与植被指数在盐分预测方面表现良好，但其受植被覆盖度、耐盐性、土壤湿度和土壤类型等因素的影响，且植被指数对植被覆盖度越高的土壤盐分变化越敏感，其适用性和泛化程度较差[29]，因此需要根据植被覆盖度选择合适的光谱指数。

通过RF模型迭代100次获得辅助变量的相对重要性（relative importance，RI），如图2所示。CRSI、VD、CNBL、DEM和TC2是模型中最重要的变量。此外，遥感影像数据对EC含量的解释能力最高，其次是地形指数。这表明从遥感图像中提取的变量对于预测植被覆盖区域的EC含量影响最大。

图2 辅助变量的重要性

2.3 不同预测方法的预测精度

从不同预测方法精度验证结果来看（表4），训练集中OK方法的预测误差最大，均方根误差值为10.14 mS/cm，OK模型使用的方差函数是基于整个研究区的，在过程中一直不变导致部分局部信息被忽略。相对于OK模型，GWR模型表现出了土壤属性指标的局部空间依赖性和异质性，因此可以很好地结合土壤属性指标的空间性对EC进行预测，提高了土壤盐分的空间预测精度，其2达到0.69，RMSE为9.23 mS/cm。RF模型的预测性能明显优于OK和GWR，2达到0.85，RMSE和MAE分别为8.29和5.66 mS/cm，RF方法在本研究区的应用效果较好。在验证集中，各精度结果略有变化，但RF模型的预测性能仍为最优。

表4 基于不同方法的土壤盐度预测精度验证

注：OK：普通克里格；GWR：地理加权回归；RF：随机森林。

Note: OK: ordinary kriging; GWR: geographically weighted regression; RF: random forest.

2.4 EC的空间分布特征

依据土壤盐渍化水平分类标准，将研究区土壤样本划分为以下5类：EC≥16 mS/cm为盐土，8≤EC＜16 mS/cm为重度盐渍化，4≤EC＜8 mS/cm为中度盐渍化，2≤EC＜4 mS/cm为轻度盐渍化，EC＜2 mS/cm为非盐渍化[30-31]。从不同方法预测的EC空间分布图来看，盐分的分布趋势有一定差异，RF方法预测盐分含量在西北山体处偏高，主要由地形影响引起的辐射误差导致。灌区内部轻微的地形起伏，加上农业生产过程中引水及灌溉提高地下水位，导致深层土壤盐分积聚于表层形成盐渍化土。总体上盐分的分布从研究区的西北部向东南部方向增加，盐土和重度盐渍化土壤集中在区域的东南部。中度盐渍化土壤主要为盐渍草地，呈带状分布在区域内部。轻度盐渍化和非盐渍化土壤主要分布在灌溉和排水科学管理的农田和地势较高的区域。

对比不同制图方法对土壤盐渍化的揭示程度，OK方法仅能预测出EC含量的整体空间分布规律，缺乏对EC含量空间变异的细节描述。相较于OK方法，GWR方法有较好的整体拟合性，预测的结果在EC＜2 mS/cm和EC≥16 mS/cm的区域缩小，中间区域扩大，内部图斑破碎化使得制图效果的细节更为丰富。RF预测结果很大程度上避免了平滑效应和图斑边界两侧的突变，很好的突出了空间变异的细节，更好的揭示了轻度盐渍化和中度盐渍化的区域呈条带状分布。GWR和RF方法采用非线性回归方式进行建模，制图精度明显优于OK方法。然而，GWR方法并没有明确地考虑自变量的自相关问题，难以避免局部多重共线性。因此，RF方法的总体制图效果最优（图3）。

图3 基于不同方法预测的土壤盐度空间分布

2.5 不同土壤盐分和不同植被覆盖下的模型精度

根据盐渍化程度对EC进行分段统计，如表5所示，OK方法在EC低值和高值区的误差很大，RMSE分别为9.77和18.06 mS/cm，在中度盐渍化区域RMSE较小为6.87 mS/cm。GWR和RF方法均表现出随着EC值的增加，RMSE也逐渐增加，GWR方法在轻度，中度和重度盐渍化区域显示出与RF方法大致相同的精度，对低值和高值区的预测误差较大，分别为6.33和15.23 mS/cm。RF方法对各个EC区的预测精度均高于OK和GWR方法，对低值的预测误差最小，RMSE为3.96 mS/cm。

表5 基于电导度和NDVI的3种方法预测精度对比

植被光谱指数在EC预测中表现良好，而NDVI是植被覆盖度计算的关键因素，其值越高表明植被覆盖度越大[32]。随着NDVI值的增加，GWR方法的RMSE增加，当NDVI大于等于0.2时RMSE达到15.68 mS/cm。OK和RF方法均在NDVI为0.1～0.2之间预测误差最大，分别为16.65和8.7 mS/cm，由于该区间的土壤位于稀疏植被区域，遥感影像显示出植被和土壤光谱信息的混合，而在裸地和耕地区域中观察到NDVI在0～0.1和大于等于0.2时，分别具有相对纯净的土壤和植被光谱信息。总体来说RF方法在3个区间内的RMSE变化不大，说明该方法显著削弱了植被覆盖对EC预测的影响。

3 结 论

本研究采用OK、GWR和RF方法结合地形属性、植被光谱指数和盐度指数等环境变量对该区表层EC含量的空间分布规律进行预测。结果表明GWR和RF采用非线性回归方式进行建模的效果明显优于OK方法，对EC含量的局部变异信息描述地更加详细。RF方法的预测精度最高，2为0.74，RMSE和MAE分别为9.07和7.90 mS/cm。RF方法在EC低值区预测精度最高RMSE为3.96 mS/cm，削弱了植被覆盖对EC的影响。本文为下一步在干旱或半干旱地区的盐渍化监测进行推广，选择更为有效的环境变量，提高土壤属性数字制图的准确性提供了基础。

[1]朱阿兴，杨琳，樊乃卿，等. 数字土壤制图研究综述与展望[J]. 地理科学进展，2018，37(1)：66－78.

Zhu Axing, Yang Lin, Fan Naiqing, et al. The review and outlook of digital soil mapping[J]. Progress in Geography, 2018, 37(1): 66－78. (in Chinese with English abstract)

[2]姚荣江，杨劲松，姜龙，等. 基于聚类分析的土壤盐渍剖面特征及其空间分布研究[J]. 土壤学报，2008，45(1)：56－65.

Yao Rongjiang, Yang Jinsong, Jiang Long, et al. Profile characteristics and spatial distribution of soil salinity based on hierarchical cluster analysis[J]. Acta Pedologica Sinica, 2008, 45(1): 56－65. (in Chinese with English abstract)

[3]Guo Yan, Zhou Yin, Zhou Lianqing, et al. Application of digital soil mapping methods for identifying salinity management classes based on a study on coastal central China[J]. Soil Use and Management, 2013, 29(3): 445－456.

[4]Peng Jie, Biswas A, Qingsong Jiang, et al. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province, China[J]. Geoderma, 2019, 337: 1309－1319.

[5]Sheng Jiandong, Ma Lichun, Jiang Pingan, et al. Digital soil map-ping to enable classification of the salt-affected soils in desert agro-ecological zones[J]. Agricultural Water Management, 2010, 90: 1944－1951.

[6]Grunstra M, Auken OW V. Using GIS to display complex soil salinity patterns in an inland salt marsh[J]. Developments in Environmental Science, 2007, 5(1): 407－431.

[7]郭龙，张海涛，陈家赢，等. 基于协同克里格插值和地理加权回归模型的土壤属性空间预测比较[J]. 土壤学报，2012，49(5)：1037－1042.

Guo Long, Zhang Haitao, Chen Jiaying, et al. Comparison between co-kriging model and geographically weighted regression model in spatial prediction of soil attributes[J]. Acta Pedologica Sinica, 2012, 49(5): 1037－1042. (in Chinese with English abstract)

[8]瞿明凯，李卫东，张传荣，等. 地理加权回归及其在土壤和环境科学上的应用前景[J]. 土壤，2014，46(1)：15－22.

Qu Mingkai, Li Weidong, Zhang Chuanrong, et al. Geographically weighted regression and its application prospect in soil and environmental sciences[J]. Soils, 2014, 46(1): 15－22. (in Chinese with English abstract)

[9]Brungard C W, Boettinger J L, Duniway M C, et al. Machine learning for predicting soil classes in three semi-arid landscapes[J]. Geoderma, 2015(239/240): 68－83.

[10]黄文，正林. 数据挖掘：R语言实战[M]. 北京：电子工业出版社，2014.

[11]徐涵秋，唐菲. 新一代 Landsat 系列卫星：Landsat 8遥感影像新增特征及其生态环境意义[J]. 生态学报，2013，33(11): 3249－3257.

Xu Hanqiu, Tang Fei. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance[J]. Acta Ecologica Sinica, 2013, 33(11): 3249－3257. (in Chinese with English abstract)

[12]Wang Jingzhe, Ding Jianli, Abulimiti A, et al. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared (VIS-NIR) spectroscopy, Ebinur Lake Wetland, Northwest China[J/OL]. PeerJ., 2018, 6: e4703.

[13]罗罡辉. 基于GWR模型的城市住宅地价空间结构研究[D].杭州：浙江大学，2007.

Luo Ganghui. Spatial Structure of Urban Housing Land Prices Based on GWR Model[D]. Hangzhou: Zhejiang University, 2007. (in Chinese with English abstract)

[14]Fotheringham A S, Brunsdon C, Charlton M. Geographically Weighted Regression: The Analysis Of Spatially Varying Relationships[M]. West Sussex: John Wiley & Sons, 2003.

[15]王飞，杨胜天，丁建丽. 环境敏感变量优选及机器学习算法预测绿洲土壤盐分[J]. 农业工程学报，2018，4(22)：102－110.

Wang Fei, Yang Shengtian, Ding Jianli. Environmental sensitive variable optimization and machine learning algorithm using in soil salt prediction at oasis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(22): 102－110. (in Chinese with English abstract)

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

[17]Yang Renmin, Zhang Ganlin. 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.

[18]Prasad A M, Liaw I A. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction[J]. Ecosystems, 2006, 9(2): 181－199.

[19]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.

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

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

[22]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.

[23]Wu Weicheng. The generalized difference vegetation index (GDVI) for dryland characterization[J]. Remote Sensing, 2014, 6(2): 1211－1233.

[24]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.

[25]Khan N M, Rastoskuev V V, Sato Y. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management, 2005, 77(1/2/3): 96－109.

[26]Khan S, Abbas A. Using remote sensing techniques for appraisal of irrigated soil salinity[C]//New Zealand: MODSIM 2007 International Congress on Modelling and Simulation, 2007.

[27]Douaoui A E K, Hervé Nicolas, Walter C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data[J]. Geoderma, 2006, 134(1/2): 217－230.

[28]Wang Shuai, Jin Xinxin, Adhikari K, et al. Mapping total soil nitrogen from a site in northeastern China[J]. Catena, 2018, 166: 134－146.

[29]Wang Jingzhe, Ding Jianli, Yu Danlin, et al. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China[J]. Geoderma, 2019, 353: 172－187.

[30]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.

[31]梁静，丁建丽，王敬哲，等. 基于反射光谱与 Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算[J]. 土壤学报，2019，56(2)：320－330.

Liang Jing, Ding Jianli, Wang Jingzhe, et al. Quantitative estimation and mapping of soil salinity in the Ebinur lake wetland based on VIS-NIR reflectance and Landsat 8 OLI data[J]. Acta pedologica sinica, 2019, 56(2): 320－330. (in Chinese with English abstract)

[32]Zhang Chi, Lu Dengsheng, Chen Xi, 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.

Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables

Meng Lina, Ding Jianli※, Wang Jingzhe, Ge Xiangyu

(1.,,830046,; 2.,,830046,)

Digital soil mapping (DSM) is the creation and population of spatial soil information systems by numerical models inferring the spatial and temporal variations of soil types and soil properties from soil observations and knowledge and from related environmental variables. DSM is critical to precise agricultural production and environmental protection. Accurately mapping soil salinity through remote sensing techniques has been an active research area in the past few decades particularly for agricultural lands. A total of 73 cropland topsoil samples (0-10 cm) were collected from Ugan-Kuqa River Delta Oasis, southern parts of Xinjiang Uyghur Autonomous Region of China for the measurement of soil electrical conductivity (EC) based on 1:5 soil-water extraction solution. Three spatial prediction models, i.e., ordinary kriging (OK), geographically weighted regression (GWR) and random forest (RF) methods were employed for digital mapping of soil salinity. Multi-source remote sensing data were resampled in the spatial resolution of 30m and calculated various derived environmental variables, such as terrain attributes, soil physiochemical properties, and spectral indices. We selected 16 most sensitive variables to calibrate the estimation models based on the correlation analysis. Finally, the validation results of different models were compared under different intervals of EC and vegetation coverage. The mean absolute prediction error (MAE), root mean square error (RMSE) and coefficient of determination (2) were used to evaluate and compare the performance of the above methods. The spatial distribution patterns of EC obtained by different methods were quite similar, in general the distribution of salt increased from northwest to southeast of the study area, salt soil and severe salinity soil were concentrated in the southeast of the region. Among the different prediction methods combined with the variables, the OK method lacked a detailed description of the spatial variation of the EC content, and the internal map fragmentation of the GWR method made the details of the drawing effect more abundant. For the RF method the RMSE and MAE of both datasets were lower than OK and GWR method,2, RMSE and MAE were 0.74, 9.07 and 7.90 mS/cm, could effectively estimate the soil salinity at the regional scale. From the segmentation statistics of EC, the error of the RF method in the low and high values was small. The RF method had the highest prediction accuracy of 3.96 mS/cm for the EC of 0-2 mS/cm, which weakens the influence of vegetation cover on EC. Both the OK and the GWR methods had the largest prediction error between 0.1 and 0.2 of NDVI, but the RF method had little change in RMSE under different vegetation coverage. The best predicting model in these methods was selected based on corresponding performance and accuracy measures. The effect of GWR and RF modeling by nonlinear regression was obviously better than that of OK method. The local variation information of EC content was described in more detail. This study could provide a basis for the next step in the promotion of salinization monitoring in arid or semi-arid areas, selecting more effective environmental synergy variables, and improving the accuracy of soil mapping digital mapping.

soil salt; remote sensing; machine learning; environmental variables

蒙莉娜，丁建丽，王敬哲，葛翔宇. 基于环境变量的渭干河-库车河绿洲土壤盐分空间分布[J]. 农业工程学报，2020，36(1)：175－181.doi：10.11975/j.issn.1002-6819.2020.01.020 http://www.tcsae.org

Meng Lina, Ding Jianli, Wang Jingzhe, Ge Xiangyu. Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 36(1): 175－181. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.01.020 http://www.tcsae.org

2019-06-02

2019-10-25

国家自然科学基金（41771470，41661046）；国家自然科学基金联合基金项目（U1603241）

蒙莉娜，主要从事遥感应用研究。Email：menglina_xj@163.com

丁建丽，教授，主要从事干旱区环境演变与遥感应用研究。Email：watarid@xju.edu.cn

10.11975/j.issn.1002-6819.2020.01.020

S153

A

1002-6819(2020)-01-0175-07