基于Sentinel2A影像的干旱区土壤盐渍化监测研究

摘要  以渭干河—库车河三角洲绿洲为例，在5种盐分光谱指数（NDSI、SI、SI1、SI2、SAVI）基础上，选择Sentinel2A多光谱影像中的3个红边波段和近红外窄波段进行扩展，提出了新的基于红边和近红外窄波段的光谱指数，用偏最小二乘回归（PLSR）方法构建土壤电导率遥感反演模型。结果表明：相对传统光谱指数，引入红边1波段（B5）和近红外窄波段（B8a）的光谱指数与土壤电导率相关性显著提高；基于Sentinel2A影像的PLSR的土壤电导率信息建模效果较好（R2=0.77），模型准确、可靠。盐分反演结果表明研究区土壤盐分含量整体较高，盐渍化影响范围广泛。自绿洲内部向外围由非盐渍化向轻度—中度—重度盐渍化过渡，绿洲西部、南部轻度盐渍土分布较多，绿洲东部、东南及西南方向有重度盐渍土及极重度盐渍土分布，盐渍化程度较高。

关键词  Sentinel2A；土壤盐渍化；光谱指数；干旱区

中图分类号  TP79  文献标识码  A  文章编号  0517-6611（2024）01-0051-05

doi：10.3969/j.issn.0517-6611.2024.01.012

开放科学（资源服务）标识码（OSID）：

Research on Monitoring of Soil Salinization in Arid Area Based on Sentinel2A Image

NING An-xin

（XPCC Surveying & Designing Institute （Group） Co.，Ltd.， Urumuqi，Xinjiang 830000）

Abstract  Taking the Weigan-Kuqa River Delta Oasis as an example， based on five salt spectral indices （NDSI， SI， SI1， SI2， SAVI）， three red edge bands and near-infrared narrow bands in Sentinel2A multispectral images were selected for expansion. A new spectral index based on red edge and near-infrared narrow bands was proposed， and a partial least squares regression （PLSR） method was used to construct a soil conductivity remote sensing inversion model.The results showed that compared to traditional spectral index， the correlation between the spectral index introduced in the red edge 1 band （B5） and the near-infrared narrow band （B8a） and soil conductivity was significantly improved; the modeling effect of soil conductivity information using PLSR based on Sentinel2A images was good （R2=0.77）， and the model was accurate and reliable.The results of salt inversion indicated that the soil salt content in the study area was generally high， and the impact of salinization was extensive.There was a transition from non salinization-mild-moderate-severe salinization from the interior to the exterior of the oasis. There were more mild saline soils distributed in the western and southern parts of the oasis， while there were severe saline soils and extremely severe saline soils distributed in the eastern， southeast and southwest directions of the oasis， with a higher degree of salinization.

Key words  Sentinel2A;Soil salinization;Spectral index;Arid area

基金項目  第三次新疆综合科学考察项目（2021xjkk0202-02）；兵团科技创新人才计划项目（2023CB011）。

作者简介  宁岸新（1984—），男，新疆吐鲁番人，高级工程师，硕士，从事干旱区水土资源利用方面的研究。

收稿日期  2022-12-09；修回日期  2023-01-30

土壤盐渍化是干旱区土地退化的主要类型，盐渍化危害的土壤会造成农作物减产或绝收，影响植被生长并间接造成生态环境恶化，这已成为影响干旱半干旱区农业生产的第一障碍性问题。因此，及时、准确地获取大范围土壤盐分信息，对土壤盐渍化治理和绿洲农业可持续发展意义重大［1-2］。

遥感技术具有监测范围广、受地面限制少等优势，成为区域土壤盐渍化动态监测新的技术手段。土壤盐渍化的遥感监测主要采用不同数据源结合光谱指数和地表反射率，构建土壤盐分反演模型，实现土壤盐渍化的高精度监测［3］。如Khan等［4］和Douaoui等［5］分别采用IRS-1B影像和Spot XS 影像，提出不同波段组合的盐分指数提取土壤盐分信息；Abbas等［6］在Khan的盐分指数基础上扩展出6种盐分指数，并对农业区土壤盐分监测取得较好的效果。Allbed等［7］基于IKONOS 影像数据提取多种盐分指数和植被指数并进行盐分反演对比分析，发现各种指数对盐分预测效果并非固定的，而是随不同环境条件、土壤类型、植被特征有所改变。由此可见，国内外利用光谱指数方法进行盐渍土监测工作已取得一定成果，学者们多采用中高分辨率影像尝试不同盐分指数对盐分信息进行定量表达。受制于影像时空分辨率及波谱分辨率共同影响，现有的与盐分相关光谱指数仅涉及可见光、近红外波段和短波红外波段，研究成果暂时没有取得更大的突破。

欧洲航天局（ESA）2020年发布的高分辨率光学成像卫星Sentinel2A投入使用，其高时空分辨率、高重访周期等优良特性为盐渍化遥感监测研究提供了新的前景，该影像也是目前唯一一个拥有3个红边波段的多光谱影像［8-9］。亦有研究指出红边波段对盐生植物响应敏感，常被用于估测植被的生长状态及植被盐分胁迫［10］。Sentinel2A影像对不同土壤盐渍化程度下耐盐植被的分布监测具有潜在优势，可间接反映土壤盐分特征。可以预见Sentinel2A数据的应用将极大地推进区域土壤盐渍化遥感监测研究进程，而目前国内关于该影像应用的相关文献鲜见报道。

鉴于此，该研究选取受盐渍化影响严重的渭干河与库车河流域绿洲农业区（简称渭库绿洲）为典型研究区，利用Sentinel2A高分辨率影像在现有应用广泛的盐分指数基础上，引入红边波段和近红外窄波段进行扩展；基于扩展后的最优光谱指数及显著相关波段，结合实测电导率数据，用偏最小二乘回归（PLSR）方法构建土壤电导率遥感反演模型，对研究区盐渍化分布进行预测和评估，探索有效的土壤盐渍化信息提取方法，为该地区土壤盐渍化防治及农业可持续发展提供理论依据，同时也为Sentinel2A多光谱影像在相关领域的应用提供了参考。

1  材料与方法

1.1  研究区概况

渭库绿洲位于新疆塔里木盆地的中北部，包括新河县、沙雅县和库车县，是我国干旱区范围内较为完整和典型的扇形平原绿洲。渭库绿洲属于温带大陆性干旱气候，年降水量51.3 mm，多年平均气温 10.6 ～14.8 ℃，年蒸发量为1 991.0～2 864.3 mm，干旱少雨的气候特征加之微咸水的灌溉模式等使得该地区土壤盐渍化现象普遍存在。在绿洲外围及绿洲荒漠交错带盐渍化现象较为严重，植被盖度较低。植物以芦苇、柽柳、骆驼刺、花花柴等盐生植被为主。根据绿洲形状及野外实地采样区域，排除绿洲北部山地和大片的荒漠地区，确定研究区范围为82°14′～83°30′E、41°01′～41°50′N（图1）。

1.2  土壤样本采集及处理

根据研究区气候特点和土壤盐分的季节性变化，于2016年4月22—30日对研究区进行实地采样。在考虑土壤盐渍化程度、土地覆盖类型和土壤质地差异前提下，选择出具有代表性土壤测量单元35个。每个样区均匀采集0～10 cm土层土样，记录相应环境信息。将土壤样品密封后带回实验室，经风干研磨并过0.25 mm孔徑的细筛，用四分法取样200 g，与蒸馏水按1∶5的比例配制浸提液，静置过滤后，获得土壤溶液，最后利用德国WTW公司制造的Cond7310仪器来测定土壤溶液的电导率，记作EC1∶5。

1.3  遥感数据获取及预处理

结合采样时间，选择2016年4月22日同步Sentinel2A多光谱影像为数据源，影像参数详见表1。所下载影像为经过辐射校正和几何校正的L1C级大气层顶表观反射率数据，校正精度在1个像元内。依据影像元数据文件提供的参数，选取覆盖研究区域的2幅影像，进行镶嵌处理，后采用暗像元法进行大气纠正。该研究使用20和10 m分辨率的8个波段，进行不同空间分辨率波段间运算，将影像中20 m分辨率波段精细至10 m，最后根据研究区实际范围，经图像裁剪、掩膜等预处理后，得到研究区影像。

1.4  光谱指数

土壤的反射光谱是土壤理化性质的产物，选取对土壤盐分较为敏感的波段构建适宜的光谱指数已经成为当今盐渍化定量反演的主要途径。而土壤盐分作为影响植被分布的主要土壤化学因子［11］，直接决定着区域植被分布，因此，可利用影像植被指数作为分析土壤盐渍化程度的间接指标，综合运用土壤盐分指数和植被指数来构建土壤含盐量估算模型。

结合前人研究成果［12-13］，利用Sentinel2A影像反射率波段提取能够较好反映土壤盐渍化程度的5种光谱指数（归一化盐分指数NDSI、盐分指数SI、盐分指数SI1、盐分指数SI2、土壤调节植被指数SAVI）。并在此基础上考虑Sentinel2A红边波段及近红外窄波段的光谱效应，分别用红边波段（B5、B6、B7）替换红波段B4、近红外窄波段（B8a）替换近红外波段（B8），尝试构建新的红边波段指数和近红外窄波段指数，作为渭库绿洲的土壤盐渍化定量分析的备选指数，光谱指数公式如表2所示。

1.5  偏最小二乘回归方法

偏最小二乘回归方法（partial least squares regression，PLSR）是一种新型的多元统计数据分析方法，集中了主成分分析、典型相关分析和线性回归分析方法的特点。尤其是当变量存在多重相关性，而观测样本又较少时，仍然能取得较好的建模效果。该方法较传统回归分析更具优势，也是目前光谱数据建模中的常用分析方法［14-16］。详细计算原理参考文献［17］。

1.6  模型评价及检验

该研究采用单因变量最小二乘回归方法，建立实测土壤电导率与各波段和盐分指数的回归模型，通过模型和遥感影像预测空间土壤电导率。为了保证建模样本和验证样本能够更具代表性，提高盐渍化模型估算精度，将35个样本按照从小到大顺序排列，按照每隔2个挑出一个的方法分成两组，其中22个样本作为建模数据，其余13个用于模型验证。估算模型的准确性和适用性采用通用的决定系数（R2）和均方根误差（RMSE）2个指标进行评定，R2越接近1、RMSE越小时，表示该模型的准确性越高。同时，绘制预测值与实测值之间的1∶1关系图，以直观地显示模型估算电导率的拟合度和可靠性。

2  结果与分析

2.1  土壤电导率与各波段及盐分指数的相关分析

为了评估各光谱指数对土壤盐分的反演效果，根据野外采样点坐标，在GIS软件中提取所有样点位置的光谱指数，并分别将实测样本电导率与其对应的光谱指数及影像波段进行相关分析，结果如表3所示。从表3可以看出，5种传统土壤盐分指数（NDSI、SI、SI1、SI2、SAVI）均与土壤电导率有较好的相关性，且相关性均在0.01水平下极显著；其中，SAVI与电导率呈负相关，其余指数与电导率呈正相关，SI2相关性最高，为0.708；这些指数对该区域土壤盐渍化的预测能力较强。其次，分析用Sentinel2A的3个红边波段（B5、B6、B7）替换原红波段（B4），用近红外窄波段（B8a）替换原近红外宽波段（B8），扩展后的土壤光谱指数与电导率的相关关系，可以看出由红边1波段（B5）及近红外窄波段（B8a）组合构成的光谱指数（NDSIre1、SIre1、SI1re1、SI2re1、SAVIre1、NDSIre1n、NDSIn、SAVIre1n、SAVIn）与土壤电导率的相关性较所对应的传统光谱指数显著提高，如NDSIre1n和NDSIn与土壤实测电导率的相关性（0.501、0.483）大于NDSI与其相关性（0.479），且均通过了0.01水平的显著性检验，说明扩展后的土壤盐分光谱指数对土壤电导率的预测能力优于传统光谱指数。而由红边2波段（B6）、红边3波段（B7）参与扩展的光谱指数（SIre2、NDSIre2、SI1re2、SI2re2；SIre3、NDSIre3、SI1re3、SI2re3、SAVIre2、SAVIre3）与所对应的传统光谱指数相比相关性明显变弱，且红边3波段光谱指数（SIre3、NDSIre3、SI1re3、SI2re3、SAVIre3）与土壤电导率相关性更低，对土壤电导率的预测能力较差。分析以上扩展前后的光谱指数与电导率相关关系变化原因，红边波段对植被生长状态及植被盐分胁迫监测效果显著。当引入Sentinel2A影像的3个红边波段，红边1波段（B5）因波长位置更靠近红波段，具有更多红光特性，且信息量大，与土壤电导率相关性高于红波段（B4），该波段对土壤盐分的波谱响应更敏感。这一结果并非偶然，Fernández-Manso等［18］尝试用红边波段扩展植被指数NDVI时也得到了类似结论。与此同时，近红外窄波段（B8a）的参与进一步提高了土壤盐分光谱指数与土壤电导率的响应关系，主要是由于土壤的光谱特性在窄波段更容易体现。然而由于红边2、红边3波长与近红外波段更靠近，表现出红光光谱特征减弱，近红外特性增强，再替换原红光波段构建盐分指数，将失去原指数的意义，无法对盐分信息更有效表达。此外，Sentinel2A影像各波段对土壤电导率的光谱响应差异明显，其中绿（B3）、红（B4）、红边1（B5）、红边2（B6）、短波红外1（B11）、短波紅外1（B12）波段显著相关，可作为土壤盐分反演的特征谱段参与建模。短波红外波段B11（1 600 nm）相关性最大（0.756），主要是由于土壤盐分的迁移和累积与土壤水分关系密切，而对水分响应敏感的短波红外波段能够很好地预测土壤盐分。

2.2  电导率与光谱指数的PLSR建模与检验

由上述分析可知，研究区土壤电导率与部分光谱指数及波段存在较好的响应关系。考虑到不同指数对土壤盐分的反演适用性不同，单一变量对光谱信息的利用也不足，采用多指标相结合的方法可以有效提高土壤盐渍化反演精度。为进一步研究Sentinel2A影像对土壤盐渍化的定量表达能力，该研究以土壤电导率（EC）为因变量，以扩展后正负相关性更优的各类光谱指数（NDSIre1n、SIre1、SI1re1、SI2re1、SAVIre1n）和极显著相关波段（B3、B4、B5、B6、B11、B12）为自变量，利用SIMCA-P11.0软件进行偏最小二乘回归建模；采用交叉有效性判别方法，最终确定提取3个主成分的偏最小二乘回归模型，模型回归系数见图2。

从图2可以看出，各变量的回归系数差异各不相同，反映了不同的光谱指数在土壤电导率PLSR反演模型中的权重差异明显，其中SWIR1波段（B11）、盐分指数SI2re1、绿波段（B3）、盐分指数SIre1权重较大，在土壤盐分的PLSR回归模型中对盐分的解释能力较强。其余光谱指数回归系数较小，对土壤盐分解释能力较弱。

采用土壤电导率PLSR模型对样本土壤电导率进行预测，结果如图3所示，模型预测值与实测值呈现较好的线性关系。大部分样本粗略分布在1∶1线的两侧，也有部分样本偏离1∶1线，通过统计发现，在电导率低值端有略微高估的现象，在电导率高值端有低估的现象，主要是由于土壤盐分的空间变异较大，而影像像元值反映的是覆盖范围内光谱特征的平均化水平，使得对单一像元盐分的反演起到了平滑的作用。但从整体来看，该模型的检验样本R2为0.78，RMSE为6.03；建模样本预测值与实测值R2达到0.77，RMSE为9.13；预测值与实测值相关性高，拟合精度高于Bouaziz等［19］利用 MODIS 数据和多元线性回归建模精度（R2=0.40），及 Fourati等［12］利用 Landsat 8 OLI 数据和 PLSR 建模精度（R2=0.58），建模效果良好，说明基于Sentinel2A影像的土壤电导率PLSR反演土壤盐渍化可行。

2.3  土壤鹽渍化信息提取

土壤学研究结果表明，土壤电导率与土壤含盐量显著线性相关，一般可用电导率EC1∶5数值代替土壤含盐量进行分析［20-22］。按照联合国粮农组织（FAO）土壤盐渍化分类系统［20］，依据实测电导率将土壤盐渍化分为5个等级：EC1∶5≥16 dS/m 为极重度盐渍化，8 dS/m≤EC1∶5<16 dS/m为重度盐渍化，4 dS/m≤EC1∶5<8 dS/m为中度盐渍化，2 dS/m≤EC1∶5<4 dS/m为轻度盐渍化，EC1∶5<2 dS/m为非盐渍化。基于构建好的偏最小二乘回归模型，结合Sentinel2A各波段反射率数据及光谱指数，实现渭库绿洲各等级土壤盐渍化分类图（图4）。

统计分类结果可知，研究区中非盐渍化、轻度盐渍化、中度盐渍化、重度盐渍化及极重度盐渍化面积分别占总分类面积的49.74%、21.37%、22.56%、4.62%、1.71%。渭库绿洲的土壤盐分总体含量较高，梯度明显，受盐渍化影响面积较大，占总研究面积的50.26%。其中，中度盐渍化面积最大，轻度盐渍化面积次之，极重度盐渍化面积最小。从空间分布（图4）来看，非盐渍化区域主要集中在植被覆盖区，近年来渭库绿洲农业发展迅速，前期盐渍化土地整治力度较大以及灌溉和排水技术的改善，使得绿洲面积明显扩大，已向南延伸至塔里木河北岸。自绿洲内部向绿洲外围土壤盐分含量增加，盐渍化程度由非盐渍化向轻度—中度—重度过渡。轻度盐渍化主要分布在绿洲边缘，是绿洲与较重盐渍化土地的过渡区域，也是农业区发展规划的重要后备耕地资源。可以看出绿洲西部、南部轻度盐渍土分布较多，可作为今后绿洲发展的主要方向。而绿洲东部、东南及西南方向有重度及极重度盐渍土分布，土壤盐渍化程度较高，且紧挨绿洲区域，不利于绿洲扩张，也是今后需重点治理和防治的主要区域。

3  结论与讨论

（1）该研究尝试使用Sentinel2A影像光谱指数用于土壤盐渍化程度的遥感监测。在5种传统反演土壤盐分的光谱指数基础上，引入Sentinel2A影像独有的3个红边波段及近红外窄波段进行扩展，发现红边1波段及近红外窄波段参与扩展后的光谱指数（NDSIre1、SIre1、SI1re1、SI2re1、SAVIre1、NDSIre1n、NDSIn、SAVIre1n、SAVIn）与土壤电导率的相关性优于所对应的原传统土壤盐分光谱指数（NDSI、SI、SI1、SI2、SAVI），能够更好地探测土壤盐分的变化；而用红边2及红边3波段扩展的指数对盐渍化信息表达较差。另一方面，Sentinel2A影像各波段光谱特征分析表明，短波红外波段（B11、B12）、绿（B3）、红（B4）、红边1（B5）、红边2（B6）波段与土壤电导率具有较好的相关性，可作为土壤盐分反演的特征谱段参与建模。

（2）选取最优光谱指数及显著相关波段，结合实测电导率，采用PLSR方法建立Sentinel2A盐渍化信息反演模型，对渭库绿洲土壤盐渍化水平进行评估与制图。模型反演值与实测值呈现较好的线性关系，验证集R2为0.78，RMSE为6.03，对土壤盐分含量具有较好的反演效果。

（3）基于光谱指数建模反演得到的研究区土壤电导率空间分布结果表明，渭库绿洲土壤盐分含量整体较高，受盐渍化影响面积较大。其中，中度盐渍化面积最大，轻度盐渍化面积次之，极重度盐渍化面积最小。自绿洲内部向绿洲外围盐渍化程度由非盐渍化向轻度—中度—重度过渡，土壤盐分含量增加。绿洲西部、南部轻度盐渍土分布较多，而绿洲东部、东南及西南方向有重度及极重度盐渍土分布，土壤盐渍化程度较高，是今后亟待治理主要区域。该研究对渭库绿洲盐渍土的信息快速提取及其防治具有重要的实际意义。

参考文献

［1］METTERNICHT G，ZINCK J A.Remote sensing of soil salinization：Impact on land management［M］.Boca Raton：CRC Press，2008.

［2］谭军利，康跃虎，焦艳平，等.滴灌条件下种植年限对大田土壤盐分及 pH 值的影响［J］.农业工程学报，2009，25（9）：43-50.

［3］丁建丽，伍漫春，刘海霞，等.基于综合高光谱指数的区域土壤盐渍化监测研究［J］.光谱学与光谱分析，2012，32（7）：1918-1922.

［4］KHAN N M，RASTOSKUEV V V，SHALINA E V，et al.Mapping salt-affected soils using remote sensing indicators-a simple approach with the use of GIS IDRISI［C］∥22nd Asian conference on remote sensing.Singapore：National University of Singapore，2001：9.

［5］DOUAOUI A E K，NICOLAS H，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.

［6］ABBAS A，KHAN S.Using remote sensing technology for appraisal of irrigated soil salinity［C］∥OXLEY L，KULASIRI D.Proceedings of the international congress on modelling and simulation（MODSIM’07）.Brighton，UK：Modelling and Simulation Society of Australia and New Zealand，2007：2632-2638.

［7］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.

［8］欧洲航天局网站：the ESA Sentinels Scientific Data Hub［DB/OL］.［2022-05-25］.https：//scihub.copernicus.eu/.

［9］BAILLARIN S J，MEYGRET A，DECHOZ C，et al.Sentinel-2 level 1 products and image processing performances［C］∥2012 IEEE international geoscience and remote sensing symposium.Munich：IEEE，2012：7003-7006.

［10］LAO M T，PLAZA B M，JIMNEZ S.Impact of salt stress on micronutrients in Cordyline fruticosa var.‘Red Edge’［J］.Journal of plant nutrition，2013，36（6）：990-1000.

［11］王雪梅，柴仲平，塔西甫拉提·特依拜.渭干河—库车河三角洲绿洲土壤盐分对植被分布格局的影响［J］.干旱地区农业研究，2011，29（1）：219-223.

［12］FOURATI H T，BOUAZIZ M，BENZINA M，et al.Modeling of soil salinity within a semi-arid region using spectral analysis［J］.Arabian journal of geosciences，2015，8（12）：11175-11182.

［13］AZABDAFTARI A，SUNAR F.Soil salinity mapping using multitemporal landsat data［C］∥International archives of the photogrammetry，remote sensing and spatial information sciences.Prague，Czech Republic：ISPRS Congress，2016：3-9.

［14］曹雷，丁建丽，玉米提·哈力克，等.基于国产高分一号卫星数据的区域土壤盐渍化信息提取与建模［J］.土壤学报，2016，53（6）：1399-1409.

［15］李微，李媛媛，田彦，等.基于包络线法的滨海滩涂PLSR盐分模型研究［J］.海洋科学进展，2014，32（4）：501-507.

［16］彭杰，刘焕军，史舟，等.盐渍化土壤光谱特征的区域异质性及盐分反演［J］.农业工程学报，2014，30（17）：167-174.

［17］王惠文.偏最小二乘回归方法及其应用［M］.北京：国防工业出版社，1999：1-3，78-82.

［18］FERNNDEZ-MANSO A，FERNNDEZ-MANSO O，QUINTANO C.SENTINEL-2A red-edge spectral indices suitability for discriminating burn severity［J］.International journal of applied earth observation and geoinformation，2016，50：170-175.

［19］BOUAZIZ M，MATSCHULLAT J，GLOAGUEN R.Improved remote sensing detection of soil salinity  from a semi-arid climate in Northeast Brazil［J］.Comptes rendus geoscience，2011，343（11/12）：795-803.

［20］ABROL I P，YADAV J S P，MASSOUD F I.Salt-affected soils and their management［M］.Rome：FAO Soils Bulletin，1988.

［21］吴亚坤，杨劲松，杨晓英，等.基于EM38 的封丘县土壤盐渍化调查研究［J］.干旱地区农业研究，2008，26（5）：129-133.

［22］姚遠，丁建丽，雷磊，等.干湿季节下基于遥感和电磁感应技术的塔里木盆地北缘绿洲土壤盐分的空间变异性［J］.生态学报，2013，33（17）：5308-5319.