黄河三角洲土壤盐分养分空间分异规律研究

2018-09-10 05:43刘玉斌韩美刘延荣潘彬倪杰
人民黄河 2018年2期
关键词:黄河三角洲空间分布土壤养分

刘玉斌 韩美 刘延荣 潘彬 倪杰

摘要:以黄河三角洲新生湿地为研究区域,以Landsat-8遥感影像与实测土壤含盐量、总氮、总磷含量为数据基础,引入植被和土壤相关指数,构建反演模型并定量反演新生湿地土壤含盐量、总氮、总磷含量,探讨其空间分布规律。结果表明:土壤含盐量回归模型中,由6个波段地表反射率(B1-.B6)和6个光谱指数(RVI、SMI、GVSB、GRABS、ARVI、EVI)共12个因子建立的反演模型最优;总氮含量回归模型中,以B5、B6、SMI、NDVI、MSAVI、GVSB、GRABS、ARVI、EVI、RVI为自变量建立的模型精度最高;总磷含量回归模型中,以7个波段地表反射率(B1~B7)和1个光谱指数(SBI)共8个因子建立的反演模型最优。黄河三角洲新生湿地总氮含量整体上呈现出由河道两侧向外递减,高值区多集中于河道两侧,低值区多为近海滩涂地区;土壤含盐量呈现出由海向陆递减、由河道两侧向外递增的趋势,黄河三角洲新生湿地总磷整体上呈现由海向陆递增、由河道向外遞减的趋势,1976-1996年形成的湿地的土壤含盐量和总磷含量整体上明显高于1996年后新生湿地的。河水、地下水和海水复杂的相互作用主导了黄河三角洲湿地盐分的空间分异规律。

关键词:土壤含盐量;土壤养分;空间分布;黄河三角洲

中图分类号:TV856;TV882.1 文献标志码:A doi:10.3969/i.issn.1000-1379.2018.02.016

土壤是地球陆地表面具有肥力并能生长绿色植物的疏松层,具有为植物生长提供并协调营养条件和环境条件的能力[1]。土壤不仅是人类农业生产的基础,也是地球表层系统自然地理环境的重要组成部分[2]。全球性气候变化已使得中低纬度区域的土壤盐渍化问题日益突出,尤其是在沿海地区,海水入侵极易引起土壤盐渍化,影响区域环境[3]。对区域土壤盐渍化类型、程度和空间分布进行监测十分必要,而遥感监测是当前快速获取土壤信息的最具潜力和最广泛采用的手段。

遥感定量反演就是根据地面实测点信息与所对应的遥感影像像元值(地表反射率)建立相关数学模型,定量反演或推算某些地面实况(地学或生物学信息)。国内外对土壤盐分监测研究起初基于地理统计学分析土壤含盐量与土壤营养元素,遵循由点到线、再由线到面的顺序,推测分析其空间分布规律[4-6];遥感监测研究始于20世纪70年代,利用遥感影像数据研究土壤的盐碱化情况,主要根据含盐土壤和盐生植物的光谱特征目视解译遥感影像或采用监督分类的方法提取盐碱土信息,经历了从目视解译到基于数字图像处理的计算机自动分类的过程[7-9];随着遥感技术、GIS技术和GPS技术的发展及广泛应用,提取盐渍土、营养元素信息常用方法主要有主成分回归模型、线性与非线性模型、神经网络模型以及多源数据集成建模等[10-12]。国内外学者在盐渍化土壤光谱特征、遥感数据源和遥感信息提取等方面开展了大量研究,取得了丰硕成果,而准确估算土壤含盐量、土壤养分对于生态修复工作具有重要的理论和指导意义,有必要开展深入研究。

本文以典型的盐碱化土壤区新生黄河三角洲为研究对象,采用Landsat-8 OLI遥感数据,以现有的地理信息系统为支撑,以遥感影像数字图像处理技术为主要技术手段,将传统的野外土壤调查与遥感调查结合起来,在对影像进行预处理、特征选择的基础上,分析波段、植被及土壤相关指数与土壤盐分的相关性,通过野外实测土壤数据与遥感影像反射率数据定量反演土壤的含盐量、总氮、总磷含量,以期为黄河三角洲的土壤盐渍化遥感监测和预测研究、湿地生态修复和保护提供科技支撑。

1 研究区概况

黄河三角洲是我国三大河口三角洲之一,是我国暖温带最年轻、最广阔的湿地生态系统,是世界上土地面积自然增长最快的自然保护区[13]。黄河三角洲位于东经118°07′-119°18′、北纬36°55′-38°12′,以垦利县的宁海镇为顶点,呈东南至淄脉河河口与西北至套尔河之间的扇形区。研究区属暖温带半湿润大陆性季风气候区,年均气温11.7~12.6℃,年降水量530~630mm,年水面蒸发量1750~2430mm。黄河尾间淤积、延伸、抬高、摆动、改道的规律性演变塑造了岗、坡、洼相间排列的复杂微地貌。黄河三角洲土壤类型主要有潮土和盐土,另外还分布少量的褐土、石灰性砂姜黑土和水稻土;纵向上,顺黄河而下依次分布着潮土和盐土;横向上,由黄河或黄河故道两侧向外延伸,土壤盐化程度逐渐加重,土壤类型依次为潮土、盐化潮土、潮盐土[14]。本文研究区特指1976年黄河改道后黄河三角洲自然保护区内的新生湿地。

2 研究数据与方法

2.1 土壤数据采集与分析

实地采样时间为2015年10月,采样点的选择结合研究区的地形图、土壤图以及土地利用类型等辅助信息进行,所选样点基本覆盖研究区的主要湿地类型并符合随机分布规律,且样点的选择遵循由海向陆、沿黄河及一些道路两侧交通便利、采样方便的原则,样点分布位置见图1。利用GPS定位仪记录样方地理坐标,挖取0~10cm表层土壤作为本次研究的土样,装入塑料袋内、贴上标签以便后续实验室分析,共采集62个土壤样本。

委托山东省分析测试中心对土壤样本进行检测,主要检测土壤中的水溶性盐、总氮、总磷含量,检测结果见表1。

2.2 遥感数据获取与处理

选取中等空间分辨率的Landsat-8 OLI系列遥感数据(7个波段的反射率B1~B7),条带号为Path 121、Row 34,空间分辨率为30m,成像时间为2015年10月27日,遥感影像数据时间上与实地采样时间一致,且为无云日,以便地面土壤盐分含量反演。数据来源于地理空间数据云,此数据是经初步几何校正后的遥感数据,因此只需进行辐射定标和大气校正即可。遥感影像通常是用无量纲的数字量化值记录信息的,辐射定标可将量化值转换为定量分析常用的辐射亮度值;大气校正消除大气和光照等因素对地物反射的影响和大气散射的影响,获得地物真实反射率。采用ENVI5.1辐射定标和大气校正模块,选择定标参数进行辐射定标和大气校正。选取差别较大的植被和土壤光谱指数NDVI、DVI ,ARVI、EVI、MSAVI、GVSB、GRABS、SBI、RVI、SMI作为反演模型的待选指标(见表2)。

2.3 研究方法

回归分析是最基本的定量分析方法,多元线性回归是研究两个或两个以上自变量与一个因变量之间关系的回归分析方法。各种现象普遍是由多种相互联系的因素造成的,由多个自变量的最优组合来预测因变量更符合实际,因此本研究采用多元线性回归,模型如下[15]:

Y=β0+β1X1+β2X2+…+βnXn+μ式中:Y为被解释变量;X1、X2、…、Xn为自变量;n为自变量的数量(n≥2);β0、β1、…、βn为待定回归系数;μ为随机误差。

相关性分析是指对两个或多个具备相关性的变量进行分析,从而衡量两个变量间的相关密切程度。相关系数大小表示变量之间的相关性强弱,常用的相关系数有Pearson简单相关系数、Kendall tua-b一致性相关系数和Spearman等级相关系数[16],本文采用Pearson简单相关系数,其计算公式为式中:xi、yi为变量的第i个样本值;n为样本数量。

预测吻合度G作为预测精度的一个衡量指标,其值越大,对应的预测模型精度越高,计算公式[17]如下:式中:y(i)为第i个采样点实测值;y(i)为第i个采样点预测值;y为实测平均值;n为点位个数。

3 结果分析

地表含盐量的不同导致其在遥感影像上的表现也不同,各波段地表反射率(B1~B7)、各种植被和土壤指数在影像上能间接反映遥感像元中盐分含量。研究区植被覆盖会干扰土壤光谱对土壤盐分含量、总氮、总磷含量的响应关系,植被指数的引入能更好地反映土壤的含盐量,利用SPSS软件通过相关性分析筛选出土壤的含盐量和总氮、总磷含量反演模型的指标。

研究区土壤反射率与土壤盐分含量存在较好的相关关系。在建立回归模型之前,利用黄河三角洲自然保护区土地利用类型矢量数据,将建筑用地、道路以及水域面积剔除。利用SPSS建立多元线性回归模型,并预留12个样点进行精度检验,筛选出土壤盐分和养分的多元线性最优模型。研究表明:土壤含盐量多元线性回归模型中,以6个波段地表反射率(B1~B6)和6个光谱指数(RVI、SMI、GVSB、GRABS、ARVI、EVI)为自变量建立的模型相关系数最大(R=0.663),预测吻合度达68.63%,模型精度较高,模型形式为

Y=589.80-19.49B1-67.62B2+290.73B3-619.22B4+423.63B5-549.95B6-36.76RVI-126.48SMI+116.93GVSB-87.57GRABS-67.74ARVI+111.33EVI

总氮含量多元线性回归模型中,以B5、B6、SMI、NDVI、MSAVI、GVSB、GRABS、ARVI、EVI、RVI为自变量建立的模型相关系数最大(R=0.633),预测吻合度为63.22%,模型精度较高,模型形式为

Y=-14.60-23.19B5+16.68B6+3.71SMI+9.66NDVI+35.01MSAV1-4.90GVSB+1.20GRABS-15.57ARVI-6.41EV1-0.31RVI

总磷含量多元线性回归模型中,以B1~B7、SBI为自变量建立的模型相关系数最大(R=0.664),預测吻合度达69.78%,模型形式为

Y=-0.797-4.059E1-6.466B2-1.505B3+1.604B4-2.290B5-1.962B6+6.519B7+0.244SBI

将最优回归模型代入ENV15.1中的Band Math进行计算,生成土壤含盐量、总氮、总磷含量空间分布图,并在ArcGIS中按自然间断点分级法(Jenks)自动划分5个等级(见表3、图2和图3)。

由图2可以看出,黄河三角洲湿地含盐量整体上呈现由河道两岸向外侧递增的趋势,低值区多分布于黄河河道两侧和地势较高的地区,高值区多集中于近海沿岸和地势较低的地区。通过ArcGIS 10.1的栅格统计分析可知,黄河三角洲新生湿地0~10cm土层中水溶性盐平均含量为12.27g/kg。黄河河水、地下水和海水复杂的相互作用主导了黄河三角洲湿地含盐量的空间分异规律,地势因素对土壤盐分空间分布的影响比较显著,人为的道路修筑对土壤盐分的影响也不容忽视。1996年黄河人为改道后黄河主河道流经1996年后新生的湿地,主要受淡水影响,而黄河不再流经1976-1996年形成的湿地,淡水影响作用减弱,海水影响作用加强,因此1976-1996年形成的湿地整体上含盐量明显高于1996年后新生湿地的。在黄河河道附近的生境中,淡水影响使土壤盐分含量较低;而在靠近海滩的区域,海水侵袭带来的盐分,在海水与土壤的相互作用过程中进入土壤,导致了土壤的高含盐量。在黄河入海口附近的滩涂,由于海水受到黄河淡水的冲淡稀释,因此土壤盐分含量较低。

由图3可以看出,黄河三角洲新生湿地总氮含量整体上呈现出由河道两侧向外递减的趋势,高值区多集中于河道两侧,低值区多为近海滩涂地区;黄河三角洲新生湿地总磷含量整体上呈现由海向陆递增、由河道向外递减的趋势,这种趋势很微弱,1996年后新生湿地的总磷含量整体上明显低于1976-1996年形成的湿地的。通过ArcGIS 10.1的栅格统计分析可知:黄河三角洲新生湿地0~10cm土层中营养元素总氮、总磷平均含量分别为0.41、0.46g/kg。黄河三角洲滨海湿地系统中磷主要是陆源磷,随黄河水流输入,伴随着泥沙的沉积而保留在淤积土层中;植物的分解输入是陆地生态系统土壤营养元素氮的主要来源,黄河三角洲新生湿地的土壤营养元素氮随生物量增加而增加。从湿地类型来看,芦苇和怪柳湿地营养元素含量较高:芦苇湿地的植物再生产能力强且生物量大,表层积累大量枯枝落叶,腐殖化作用明显,营养元素易于积累;柽柳湿地离海岸线较近,养分除来源于植物枯落物外,还受外源输入的影响,如受潮汐作用,海水中藻类、动植物残体会滞留在土壤表层,故营养元素含量高[5]。黄河三角洲新生滨海湿地土壤养分的水平分布规律与滨海湿地植物群落、土壤盐分状况、营养元素的化学性质及潮汐等关系密切,不同湿地植物对养分的吸收与释放能力也是决定养分水平分布的重要因素之一,总的来说,黄河三角洲滨海湿地中营养元素含量处于较低水平[5,18]。

4 结论

在土壤含盐量回归模型中,以B1~B6、RVI、SMI、GVSB、GRABS、ARVI、EVI为自变量的模型相关系数最大(R=0.663),预测吻合度达68.63%,模型精度较高,模型最优;总氮含量回归模型中以B5、B6、SMI、NDVI、MSAVI、GVSB、GRABS、ARVI、EVI、RVI为自变量的模型相关系数最大(R=0.633),预测吻合度为63.22%,模型精度较高,模型最优;在总磷含量回归模型中,以B1~B7、SBI为自变量的模型相关系数最大(R=0.664),预测吻合度达69.78%,模型精度较高,模型最优。在建立回归模型之前将水域、道路等非植被覆盖区做了剔除处理,提高了模型精度,在一定程度上揭示了湿地土壤盐分、养分空间分布规律,但所建模型仅考虑实测数据与遥感影像反射率的关系,忽视多种因素(如地形、地下水埋深等)的影响,反演模型还需进一步改进。

黄河三角洲新生湿地总氮含量整体上呈现出由河道两侧向外递减的趋势,高值区多集中于河道两侧,低值区多为近海滩涂地区;黄河三角洲新生湿地总磷含量整体上呈现由海向陆递增、由河道向外递减的趋势,1996年后新生湿地的总磷含量整体上明显低于1976-1996年形成的湿地的;土壤含盐量呈现出由海向陆递减的趋势,由河道两侧向外递增的趋势,低值区多分布于黄河河道两侧和地势较高的地区,高值区多集中于近海沿岸和地势较低的地区,1996年黄河人为改道后新生的湿地主要受淡水影响,而1976-1996年形成的湿地主要受海水影响,故1976-1996年形成的湿地土壤含盐量整体上明显高于1996年后新生湿地的。0~10cm土层中水溶性盐、总氮、总磷平均含量分别为12.27、0.41、0.46g/kg。河水、地下水和海水复杂的相互作用主导了黄河三角洲湿地盐分的空间分异规律。

参考文献:

[1]史舟.土壤地面高光谱遥感原理与方法[M].北京:科学出版社,2014:2-10.

[2]黄昌勇.土壤学[M].北京:中国农业出版社,2000:1-5.

[3]陈实,高超,徐斌,等.新疆石河子农区土壤含盐量定量反演及其空间格局分析[J].地理研究,2014,33(11)2135-2144.

[4]毛蓉.基于地理权重回归模型的土壤盐分空间预测及其应用[D].北京:中国地质大学(北京),2015;6-11.

[5]王岩,陈永金,刘加珍.黄河三角洲湿地土壤养分空间分布特征[J].人民黄河,2013,35(2):72-74.

[6]李重阳,宋豫秦.宁夏银北灌区土壤盐渍化时空分布特征[J].人民黄河,2014,36(8):134-136.

[7]樊彦国,李潭潭,李祥昌.基于Landsat8的黄河三角洲盐渍化反演[J].山东农业科学,2015,47(2):119-124.

[8]刘焕军,赵春江,王纪华,等.黑土典型区土壤有机质遥感反演[J].农业工程学报,2011(8):211-215.

[9]扶卿华,倪绍祥,王世新,等.土壤盐分含量的遥感反演研究[J].农业工程学报,2007(1):48-54.

[10]侯春玲.基于BP神经网络的黄河三角洲典型盐渍区遥感监测研究[D].青岛:中国石油大学(华东),2010;2-6.

[11]江红南,丁建丽,赵睿,等.基于ETM+数据的干旱区盐渍化土壤信息提取研究[J].土壤学报,2008,45(2):222-228.

[12]袁中强,曹春香,鲍达明,等.若尔盖湿地土壤重金属元素含量的遥感反演[J].湿地科学,2016(1):113-116.

[13]张晓龙,李培英,刘月良,等.黄河三角洲湿地研究进展[J].海洋科学,2007,31(7):81-85.

[14]王树功,黎夏,周永章.湿地植被生物量测算方法研究进展[J].地理与地理信息科学,2004,20(5):104-109.

[15]张景阳,潘光友.多元线性回归与BP神经网络预测模型对比与运用研究[J].昆明理工大学学报(自然科學版),2013,38(6):61-67.

[16]邓书斌,陈秋锦,杜会建,等.ENVI遥感图像处理方法[M].2版.北京:高等教育出版社,2014:381-389.

[17]沈掌泉,周斌,孔繁胜,等.应用广义回归神经网络进行土壤空间变异研究[J].土壤学报,2004,41(3);471-475.

[18]于君宝,陈小兵,孙志高.黄河三角洲新生滨海湿地土壤营养元素空间分布特征[J].环境科学学报,2010,30(4):855-861.

猜你喜欢
黄河三角洲空间分布土壤养分
不同施肥模式对油茶植株营养生长和土壤养分的影响
广灵县平川区土壤养分变化及施肥建议
白龟山湿地重金属元素分布特征及其来源分析
黄河三角洲不同植被类型下土壤氮的差异研究
江苏省臭氧污染变化特征
稻蟹共作模式下稻蟹产出与土壤理化性质的研究
通川区耕地土壤养分现状与变化趋势
生态视阈下的黄河三角洲未利用地开发与保护