EN中文

GEOGRAPHICAL RESEARCH >

2014 , Vol. 33 >Issue 11: 2135 - 2144

DOI: https://doi.org/10.11821/dlyj201411013

Orginal Article

Quantitative inversion of soil salinity and analysis of its spatial pattern in agricultural area in Shihezi of Xinjiang

  • CHEN Shi , 1, 2 ,
  • GAO Chao 2 ,
  • XU Bin 1 ,
  • JIN Yunxiang 1 ,
  • LI Jinya 1 ,
  • MA Hailong 1 ,
  • ZHAO Fen 1 ,
  • GUO Jian 1 ,
  • YANG Xiuchun , 1, 3
Expand
  • 1. Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China
  • 2. College of Territorial Resources and Tourism, Anhui Normal University, Wuhu 241000, Anhui, China
  • 3. College of Environment and Planning, Shangqiu Normal University, Shangqiu 476000, Henan, China

Received date: 2014-03-03

  Request revised date: 2014-09-08

  Online published: 2014-11-10

Copyright

《地理研究》编辑部
Fold

Abstract

Salinization has been a serious threat to continuous farming and grain production security, therefore, the rapid inversion of soil salinity is particularly important. The monitoring and prevention of soil salinization are of great significance to agricultural sustainable development in Shihezi, Xinjiang. In this study, we took the remote sensing image of Landsat-8 OLI and the soil salinity of 72 samples measured in the field as a data base. Then we introduced the soil brightness index, soil moisture index, soil cover degree index and soil radiation level index. Finally we built feature remote sensing index to invert quantitatively the soil salinity of Land Reclamation District of Shihezi in Xinjiang, and analyzed the spatial pattern of it. The results showed that: ① The accuracy of characteristic remote sensing index value of image pixel to invert soil salinity which corresponded to the ground was better. The inversion method was feasible. REE and RMSM, the precision validation index of inversion model were 3.07 and 0.34 respectively, and retrieval accuracy was 66%; ② The distribution map of soil salinity with obvious grades and clear levels presented the pattern of 'one stripe and one region'. One stripe referred to the stripe with high salinization formed by Manas basin, mostly located in the alluvial plains, low-lying area, and reservoir areas. And one region referred to the region with serious salinization caused by soil texture. ③ In the farming areas, the non-salinization cotton area accounted for 14.02%, the mild salinization cotton area accounted for 21.38%, the moderate salinization cotton area accounted for 21.27%, severe salinization cotton area accounted for 29.99%, and saline accounted for 13.30% in cotton area. Some 35.40% of the cotton field was suitable for cultivation and 64.60% of the cotton field which needed to be improved. It is urgent to control soil salinization of farming areas.

Key words： remote sensing; saline soil; quantitative inversion; Xinjiang Reclamation District; Artificial Neural Network

Cite this article

CHEN Shi , GAO Chao , XU Bin , JIN Yunxiang , LI Jinya , MA Hailong , ZHAO Fen , GUO Jian , YANG Xiuchun . Quantitative inversion of soil salinity and analysis of its spatial pattern in agricultural area in Shihezi of Xinjiang[J]. GEOGRAPHICAL RESEARCH, 2014 , 33(11) : 2135 -2144 . DOI: 10.11821/dlyj201411013

1 引言

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趋明显[1,2],尤其是在干旱半干旱地的新疆地区[3],其落后的水资源管理技术,极易引起土壤盐渍化发生,对农作物产量以及区域生产造成了巨大损失[4],在以农业为主的新疆石河子农区长期面临着盐渍化的严重威胁,及时掌握农区土壤盐渍化类型、程度和空间分布[5,6],对农区土壤盐渍化防治具有重要的科学参考依据[7]。
遥感定量反演是通过遥感影像中像元的某个指标与其对应的地面点所要反演的信息之间建立的关系模型,利用这个关系模型可对地表某一信息进行精确和实用的地学描述。国内外对遥感反演土壤盐分含量已有大量研究[8-12],主要体现在以下三大方面：① 对原始光谱曲线进行数学变换,突出光谱曲线波峰、波谷等敏感位置,定量反演土壤含盐量[13];研究表明土壤光谱反射率与盐碱土壤表层含盐量极显著相关[14,15],利用盐渍土光谱特征和实验室化验的土壤含盐数据,对盐渍土盐分进行BP神经网遥感反演,能较好地模拟土壤含盐量与光谱数据之间的关系[16]。② 将遥感影像上反射率进行多种数学变换后,筛选土壤含盐量响应最敏感波段,采用地理信息系统的分析方法,定量反演土壤盐分含量[17-19];还有研究表明遥感影像上的波段反射率和对应的土壤含盐量有着较好的正相关关系,通过建立敏感波段与实测土壤含盐量之间的关系模型,能够较好的反演出研究地区的土壤盐分含量[20-22]。③ 把遥感影像进行假彩色合成,通过比值增强和假彩色等密度分割可突出盐碱信息,经过K-T变换可分离绿度,提高了对盐碱土的判读精度[23];丁建丽等对遥感影像进行数学变换,突出有利于研究的信息,运用改进型土壤调节植被指数(Modified soil-adjusted vegetation index, MSAVI)、湿度指数(Humidity Index, HI)、盐分指数(Salt Index, SI)、亮度指数(Brightness index, BI)和归一化差分盐度指数(Normalized difference salt index, NDSI)等,构建土壤含盐量遥感反演模型,为土壤盐渍化反演提供新方法[24]。总体上说,目前利用遥感技术反演地表土壤盐分含量主要集中运用遥感敏感光谱和波段与土壤含盐量之间构建反演模型,而较少涉及利用遥感影像上多种表征地表土壤含盐量的特征遥感指数来反演土壤含盐量。
基于土壤亮度指数(Soil brightness index, SBI)、土壤湿度指数(Soil moisture index, SMI)、土壤盐盖度指数(Salt soil cover index, SSCI)和土壤辐射水平指数(Soil radiation level index, GRLI)等指标构建特征遥感指数,基于BP人工神经网络反演石河子农区的土壤盐分含量,建立高精度的BP神经网络土壤盐分反演模型,在通过精度验证的前提下,利用训练好的神经元来反演石河子农区棉田的土壤盐分,并分析其空间格局,为揭示石河子农区土壤盐分的空间形成规律,为防治土壤盐渍化提供科学的参考。

2 研究区概况

研究区位于新疆维吾尔自治区北部农牧团场中的石河子市玛纳斯县和沙湾县,地理坐标范围为84°07′E~86°33′E、43°28′N~45°08′N(图1),该区地处准噶尔盆地南缘,天山北麓,古尔班通古特大沙漠南缘。东接呼图壁县,西靠克拉玛依市和奎屯市,东距新疆自治区首府乌鲁木齐150 km,西距霍尔果斯口岸500 km,总面积22841 km2;属于典型的大陆性气候,冬季严寒,夏季酷热,年降水量在125.0~207.7 mm之间,年日照时数为2721~2818 h,春季升温快,秋季降温迅速,昼夜温差大,平均海拔高度450.8 m;河流由南向北流入准格尔盆地,地下水埋深较浅,地下水径流缓慢,易导致盐分积累量大于排出量;土壤多为草甸土、潮土、灰漠土、盐土和荒漠风沙土,土质大多数为黏质土、沙质土、砾质土等,盐类组成属硫酸或氯化物类型,土壤的脱盐和淋溶效果相当微弱,从盐渍土形成的原因上看,石河子农区的气候、地形、水文地质和母质等对该区土壤含盐量反演研究都具有典型性和代表性。
Fig. 1 The geographical situation of the study area

图1 研究区位置图

3 研究方法与数据来源

3.1 土壤信息的采集与分析

2013年4月23日至4月28日进行了野外调查采样,在为期6天的晴朗天气中,调查不同程度水盐区域,观测实地周边环境,采集土壤表层0~30 cm的盐渍土作为样本[25]。并针对土壤信息采集的日期、经纬度位置、记录光谱号、土壤样品编号以及相对应的照片号,填入调查表格中。当天采样获取的调查信息,及时整理分类放置储存。筛选处理得到土壤盐分样品72个,在实验室内采用八大离子测定法,计算其土壤含盐量。其中,SO42-采用EDTA容量法,Na+和K+采用火焰光度法,CO32-和HCO3-采用双指示剂中和滴定法,Cl-采用AgNO3滴定法,Ca2+和Mg2+采用EDTA络合滴定法。

3.2 遥感数据影像的选择与处理

选取中等空间分辨率的Landsat-8 OLI系列遥感数据源,条带号为Path:144、Row:29,空间分辨率30 m,成像时间为2013年4月13日,该时期地面植被生长稀疏,天气较好,以便地面土壤盐分含量反演,另下载2013年9月4日遥感影像用以解译农区棉田的范围,于2013年9月6日至9月10日进行野外调查,记录解译地面棉花种植的信息,利用遥感解译专业知识,经过对比分析、综合分析、逻辑推理等方法提取和解析出棉花地,最后结合野外遥感解译标志验证检查,精确解译棉花地范围,逐步识别棉花地得到2013年棉田范围矢量图。
对影像几何纠正后,利用双线性内插点法对图像重采样,投影选择UTM投影,椭球体选择WGS84,各控制点误差和总体误差保证在0.5个像元以内。并采用ENVI5.0大气校正模块,选择定标参数进行大气校正。

3.3 特征遥感指数与土壤含盐量相关性分析

随着地表含盐量的不同在遥感影像上的表现也不一样,在影像上从土壤亮度、土壤湿度、土壤盐盖度和土壤辐射水平等是间接反映遥感像元中盐分含量。本研究对遥感影像进行缨帽变换、混合像元分解和LBV变换等数学方法,挑选出表征土壤盐分含量相关系数较高的特征遥感指数,包括土壤亮度指数、土壤湿度指数、土壤盐盖度指数和土壤辐射水平指数等因素。选择穗帽变换进行土壤亮度指数以及土壤湿度指数的求取[26];以土壤、盐土、植被为端元,经线性混合像元分解模型获取土壤盐盖度指数[27];土壤辐射水平指数则是运用LBV变换获得的[28]。为进一步探讨SBI、SMI、SSCI和GRLI特征遥感指数与地面点土壤含盐量之间的拟合优度,在SPSS软件中,借助线性与非线性方法拟合各种特征遥感指数值与地面点土壤含盐量之间的关系(图2),结果发现SBI拟合效果最好的是非线性指数法,R2拟合优度达到了0.521(P<0.01),SMI最优拟合方法是二次多项式拟合R2为0.480(P<0.01),SSCI与GRLI的最佳拟合方法是幂函数拟合方法,拟合优度R2分别为0.506(P<0.01)和0.522(P<0.01)。由此可见,各像元特征遥感指数值与所对应土壤盐分含量的相关性较高。
Fig. 2 The fitting scatter plot diagram of the feature remote sensing index value and the soil salinity

图2 各种特征遥感指数值与土壤盐分含量拟合散点图

4 基于BP神经网络的土壤含盐量反演模型的构建与精度验证

通过特征遥感指数与土壤含盐量相关性分析可知,利用特征遥感指数反演土壤含盐量可行,而BP神经网络较其他反演模型有着极强的线性和非线性模拟能力,并具有一定的概括推广能力[11],特别适合模拟遥感影像特征与土壤盐分含量之间这种内部机制复杂的关系,能够较好通过遥感影像信息反演出地面的土壤盐分的实际含量[19,22]。因此,本研究以选取出的表征土壤盐分含量的特征遥感指数为输入因子,地表土壤含盐量为输出因子,经过多次参数调试,获取最优的神经元来反演农区土壤盐分,为分析石河子农区土壤含盐量的空间格局提供技术支撑。

4.1 基于BP神经网络的土壤含盐量反演模型的构建

以MATLAB为研究平台,对BP神经网络进行结构设计,采用遥感影像上52个影像像元的SBI、SMI、SSCI和GRLI数据作为输入因子,与地面对应52个土壤盐分含量建立关系,最后利用随机预留的20组SBI、SMI、SSCI、GRLI和土壤盐分含量进行验证。具体模型建立如下：
(1)数据标准化处理：各输入因子的测量单位不尽相同,为消除这些变量的量纲效应,使每个输入因子都具有同等的表现效果,数据分析采用无量纲化的方法对不同的输入因子进行标准化处理,使每个输入因子的变化范围压缩至-1~1之间,在MATLAB中可利用premnmx函数对输入因子进行归一化处理,当获得的神经元精度满意时,可运用postmnmx函数将归一化的数据还原到原始的数量级。
(2)网络隐含层和隐含节点的确定：将52个试验样本点的像元SBI、SMI、SSCI、GRLI和土壤盐分含量用于训练神经网络,设计输入层有4个神经元,3层BP神经网络,输出层为1个神经元,隐含层神经元个数范围为12~17个,试验表明隐含节点为15时,预测值与实测值拟合效果最佳,均方误差小于0.00065,或小于最大循环数50000时结束。学习速率大小选取直接影响训练周期的长短和要达到的精度要求,多次测验确定学习速率为0.05。
(3)训练函数的选取：对比试验标准梯度下降算法、优化算法、可变学习速率的梯度下降算法等3类算法中12种训练函数,最终确定最佳训练函数为trainrp,隐含层传递函数和输出函数均为Tan-sigmoid。

4.2 BP土壤盐分反演精度评价与验证

建立好的BP模型训练速度快,模拟精度高(图3),训练循环次数仅到12000时满足了小于0.00065均方误差。模拟含盐量与真实含盐量的模拟效果好,二者的吻合程度表示基本一致,仿真程度高。反演预测值与真实值之间建立散点图,可以看出反演模型预测值与实测值的决定系数R2达到了0.999,模拟值和预测值基本都在线性趋势线上,可见神经网络模型具有较强的非线性拟合能力,说明利用遥感指数在反演土壤盐分含量上的效果较好,从而将此高精度训练的模型作为反演遥感图像上其他像元的土壤含盐量。
Fig. 3 The precision results of inversion model training of neural network

图3 神经网络反演模型训练精度结果

为了检验建立和优选出的反演模型的精度,采取随机预留的20个土壤样品数据进行模型的精度验证,具体采用常用精度评价指标平均绝对误差(REE)和平均相对误差(RMSE)两个验证指标来进行检验,当REE和RMSE的值越小,则反演模型的精度越高。
其计算公式如下：
REE = ∑ ( T i - P i ) / P i ] 2 N (1)
RMSE = ∑ ( T i - P i ) 2 N (2)
式中：Ti为样点土壤盐分含量地面样点实测值;Pi为样点土壤盐分含量反演预测值;N为验证反演精度的土壤含盐量样品个数。
Fig. 4 The validation scatter plot of BP neural network inversion of soil salinity

图4 BP神经网络反演土壤含盐量验证散点图

从验证实测值与预测值的散点图中可以看出,预测值与真实值间的R2为0.917,从图中看出大多数验证样本的预测的土壤盐分含量与真实测得的土壤盐分含量十分接近,反演的预测值相对于实测值大多数样点偏小。反演模型精度验证指标RMSE和REE分别为3.07和0.34,模型精度为66%。而与张成雯等[22]采用中巴地球资源卫星的敏感波段反演土壤盐分含量的效果相比,本研究与其训练样本和验证样本基本相同,其得到训练神经元验证R2为0.751,小于本文的模拟结果。所以,通过以上BP神经网络精度验证分析,发现利用遥感指数通过BP神经网络反演土壤盐分含量具有很大的优势。

5 土壤盐分遥感反演空间格局分析

利用BP神经网络使特征遥感指数与土壤盐分含量建立了相关系数较高的反演模型,基于这个高精度神经元反演棉田研究区内每个像元的土壤盐分含量,根据制定的土壤盐碱化程度等级划分的标准,得到棉田土壤盐渍化程度等级图,分析膜下滴灌棉田空间格局,剖析研究区盐渍化形成的问题所在。

5.1 土壤盐渍化程度分级

对于土壤盐渍化程度等级的划分目前没有统一的标准,不同的地区划分标准不尽相同,根据盐渍化土的化学属性,分别按照土壤含盐量和碱化度制定标准[29],在《新疆农业技术手册》中按土壤盐分阴离子毫克当量百分数比值来制定土壤盐渍化程度分级标准[30],根据不同研究区的气候和地形地貌等特征,可按照土壤含盐量制定干旱区与半干旱区盐渍土等级划分标准,也可采用盐渍化土地所占面积比、地下水潜水位、土地生物量下降率等可作为土壤盐渍化等级的划分标准[31]。
本研究区土壤盐分样品通过实验室化学分析得到棉田土样八大离子组成成分,全盐含量较高的样点,主要是以Na+、Cl-、Ca2+和SO42-含量较多,其中钠盐最为突出,结合石河子农区土壤盐渍化的特征,参考王水献等[30]针对新疆土壤盐渍化研究划分依据,本文将土壤盐碱化程度划分为五个等级,一级属于高土壤盐渍化程度等级,如表1所示。
Tab. 1 The hierarchy standard table of soil salinization degree

表1 土壤盐渍化程度等级划分标准表

等级 土壤含盐量S(g/kg) 土壤盐渍化程度
五级 0≤S<3 非盐渍化土
四级 3≤S<6 轻度盐渍化土
三级 6≤S<10 中度盐渍化土
二级 10≤S<20 重度盐渍化土
一级 S≥20 盐土
土壤盐分遥感反演结果表明,在研究区棉田覆盖面积中,非盐渍化棉田面积占14.02%,轻度盐渍化占21.38%,中度盐渍化占21.27%,重度盐渍化占29.99%,盐土占13.30%。也就是说在研究区农区中,仅有35.40%的棉田适合农业生产,其他64.60%的棉田耕地需要继续改良,所以石河子垦区目前面临的土壤盐渍化治理显得十分紧迫,对不同等级盐渍化棉田进行治理显得尤为重要。

5.2 土壤盐分遥感反演空间格局分析

根据本文制定的土壤盐渍化程度等级划分标准,划分出各盐渍化程度等级空间格局图(图5),从图5可以看出各盐渍化等级明显,层次分明。从行政层面看,主要是以沙湾县棉田的盐渍化影响为主,程度远高于玛纳斯县和石河子市,盐渍化等级高的地区分布在沙湾县的135团场、下八户村、132团场、红旗农场、梧桐树村等村级地区;玛纳斯县整体上受盐渍化影响不大,在149团场片区盐渍化程度等级较高;石河子市范围内棉田土壤盐渍化等级均在二级以下,盐渍化危害较小。从研究区土壤盐渍化程度分布格局上看,呈现出“一带一区”的格局,一带是玛纳斯流域形成的盐渍化程度等级较高的条带,自西北向东南以135团场、闸板口村和二坪村为代表,一区是132团场、134团场、红旗农场和梧桐树村等组成的典型盐渍化区域。所以在未来的盐渍化防治措施中,可结合本文提出的“一带一区”作为重点区域进行治理。
Fig. 5 The spatial pattern of inversion of soil salinity in cotton field

图5 研究区棉田土壤盐分含量反演空间格局图

反演得到的土壤盐渍化等级空间布局与石河子农区盐渍化分布实际情况比较吻合,多分布在河流冲积平原和地势低洼地段,大泉沟水库、夹河子水库和蘑菇湖水库附近地区。河流冲积平原低洼地段地下水排水不畅,地下径流缓慢,而地下与地表径流是形成盐碱土的主要动力,使得土壤中的水分通过蒸发作用向上运动,土壤毛细作用于水分带动融化的盐分使其上升至地表,水分蒸发散失后,带来的盐分将滞留于土壤表层,从而形成土壤盐碱化。地下水位上升,地表和地下径流流过盐分含量高的地层,溶解其中大量盐分并携带到地表,从而使流经地层上的盐分,通过蒸发作用使土壤表层的盐分积聚,形成大面积盐渍土,使土壤盐碱化速度加快,造成灌区大面积土地被荒弃;水库对周边棉田地下水的补给有很大影响,使沿水库周边下游地区的地下水位抬升,融于水中的盐碱通过土壤毛细作用极易上升至地表,蒸发作用使水分散失后,大量盐碱滞留在土壤表层上。
土壤类型为盐土和灰漠土的132团场、134团场、红旗农场和梧桐树村等典型盐渍化地区,成土母质含盐碱量高,在当地特殊气候的影响下,强烈的蒸发使地下水位埋深1~5 m处的矿化度增大,带有盐分的水分沿着土壤毛细管上升到地表,当水分被蒸发后,盐分留在地面,最后形成裸露在地表的盐碱土。

6 结论与讨论

遥感技术应用于土壤含盐量的反演已有了大量研究,但是由于研究尺度、研究区的特征和研究目的等方面的不同,导致目前遥感土壤含量反演方法和反演程度存在差异。选择石河子农区膜下滴灌棉田为研究区,以Landsat-8 OLI为遥感数据源,利用构建的特征遥感指数反演土壤盐分含量,提出了一套完整的遥感土壤盐分反演的技术体系,通过系统研究得到以下结论：
(1)通过缨帽变换、混合像元分解、LBV变换等数学处理方法,选取表征土壤盐分含量的土壤亮度、土壤湿度、土壤盐盖度和土壤辐射水平等特征遥感指数,基于BP神经网络构建膜下滴灌棉田土壤盐分含量反演模型,经验证该方法精度较高,实施较为可行。
(2)基于BP神经网络反演出的高精度神经元,反演研究区内每个像元的土壤盐分含量,得到棉田土壤盐渍化程度等级图,在整个棉田覆盖面积中,仅有35.40%的棉田适合耕作,其他64.60%的棉田耕地需要改良,农区土壤盐渍化治理仍十分紧迫。
(3)从石河子农区土壤盐渍化程度空间分布上看,呈现出“一带一区”的格局,“一带”是以135团场、闸板口村以及二坪村等为代表,形成的玛纳斯流域盐渍化等级较高的条带;“一区”是132团场、134团场、红旗农场和梧桐树村等组成的由内在土质导致的典型盐渍化区域。石河子农区土壤盐渍化程度空间分布格局可为未来盐渍化防治提供了一定的科学参考。
选择特征遥感指数进行土壤盐分反演,并借助BP神经网络极强的线性和非线性模拟模型,提高特征遥感指数反演土壤盐分的精度,通过精度评价,证明该方法具有一定的准确性和可靠性,但仍然存在一些问题,如研究出的方法是否适用于其他地区还有待进一步验证;其他数据源是否有更好的效果还需进一步深入的研究;本研究只适用于有地面点有土壤含盐量数据的遥感影像,土壤盐分反演模型在其他年份的反演和推广将有利了解土壤盐渍化变化的动态过程有待进一步研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Pankova Y I, Novikova A F, Kontoboytseva A.The new map of soil salinity and regularities in distribution of salt-affected soils in Russia. In: Shahid S A, Abdelfattah M A, Taha F K. Developments in Soil Salinity Assessment and Reclamation. Berlin: Springer-Verlag, 2013: 99-111.

[2]
李建国, 濮励杰, 朱明, 等. 土壤盐渍化研究现状及未来研究热点. 地理学报, 2012, 67(9): 1233-1245.

[Li Jianguo, Pu Lijie, Zhu Ming, et al.The present situation and hot issues in the salt-affected soil research. Acta Geographica Sinica, 2012, 67(9): 1233-1245.]

[3]
Danierhan S, Shalamu A, Tumaerbai H, et al.Effects of emitter discharge rates on soil salinity distribution and cotton (Gossypium hirsutum L.) yield under drip irrigation with plastic mulch in an arid region of Northwest China. Journal of Arid Land, 2013, 5(1): 51-59.

[4]
祝寿泉, 单光宗, 胡纪常, 等. 南水北调东线沿线土壤盐渍化初步分析. 地理研究, 1984, 3(4): 111-118.

[Zhu Shouquan, Shan Guangzong, Hu Jichang, et al.Preliminary analysis on soil salinization along the proposed east route in South-to-North water. Geographical Research, 1984, 3(4): 111-118.]

[5]
王红, 宫鹏, 刘高焕. 黄河三角洲多尺度土壤盐分的空间分异. 地理研究, 2006, 25(4): 649-658.

[Wang Hong, Gong Peng, Liu Gaohuan.Multi-scale spatial variations in soil salt in the Yellow River Delta. Geographical Research, 2006, 25(4): 649-658.]

[6]
范晓梅, 刘高焕, 刘红光. 基于Kriging和Cokriging方法的黄河三角洲土壤盐渍化评价. 资源科学, 2014, 36(2): 321-327.

[Fan Xiaomei, Liu Gaohuan, Liu Hongguang.Evaluating the spatial distribution of soil salinity in the Yellow River Delta based on Kriging and Cokriging methods. Resources Science, 2014, 36(2): 321-327.]

[7]
李晋, 赵庚星, 常春艳, 等. 基于HSI高光谱和TM图像的土地盐渍化信息提取方法. 光谱学与光谱分析, 2014, 34(2): 520-525.

[Li Jin, Zhao Gengxing, Chang Chunyan, et al.Land salinization information extraction method based on HSI hyperspectral and TM imager. Spectroscopy and Spectral Analysis, 2014, 34(2): 520-525.]

[8]
姜红涛, 塔西甫拉提∙特依拜, 买买提∙沙吾提, 等. 于田绿洲土壤盐渍化动态变化研究. 土壤通报, 2014, 45(1): 123-129.

[Jiang Hongtao, Tashpolat∙Tiyip, Mamat∙Sawut, et al. Study on spatial and temporal dynamics change of soil salinization in Keriya Oasis. Chinese Journal of Soil Science, 2014, 45(1): 123-129.]

[9]
刘丽娟, 王玉刚, 李小玉. 干旱区绿洲土壤可溶性无机碳的空间分布特征. 生态学杂志, 2013, 32(10): 2539-2544.

[Liu Lijuan, Wang Yugang, Li Xiaoyu.Spatial distribution pattern of soil dissolved inorganic carbon in an arid oasis. Chinese Journal of Ecology, 2013, 32(10): 2539-2544.]

[10]
Rao B R M, Dwivedi R S, Venkataratnam L, et al. Mapping the magnitude of sodicity in part of the Indo-Gangetic plains of Uttar Pradesh, northern India using landsat-TM data. International Journal of Remote Sensing, 1991, 12(3): 419-425.

[11]
Farifteh J, Meer F V D, Atzberger C, et al. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN ). Remote Sensing of Environment, 2007, 110(1): 59-78.

[12]
Summers D, Lewis M, Ostendorf B, et al.Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties. Ecological Indicators, 2011, 11: 123-131.

[13]
徐驰, 黄介生. 土壤含盐量高光谱定量反演研究. 中国农村水利水电, 2014, (4): 1-3.

[Xu Chi, Huang Jiesheng.A study of quantitative hyperspectral inversion of soil salt content. China Rural Water and Hydropower, 2014, (4): 1-3.]

[14]
鲁纯. 利用HJ1A-HSI数据定量反演松辽平原土壤含盐量. 吉林农业大学学报, 2013, 35(5): 577-582.

[Lu Chun.Quantitative inversion of salinity based on hyper-spectral data in Songliao Plain. Journal of Jilin Agricultural University, 2013, 35(5): 577-582.]

[15]
马驰. 基于HJ-1A 高光谱影像的土壤盐碱化遥感研究. 干旱区资源与环境, 2014, 28(2): 180-184.

[Ma Chi.Research on soil salinization using remote sensing of HJ-1A hyper spectral images. Journal of Arid Land Resources and Environment, 2014, 28(2): 180-184.]

[16]
雷磊, 江红南, 阿尔达克∙克里木, 等. 干旱区盐渍化土壤高光谱遥感信息分析与提取. 干旱区资源与环境, 2014, 28(3): 112-118.

[Lei Lei, Jiang Hongnan, Ardak Kelimu, et al.Analysis and extraction of saline soil hyperspectral remote sensing information for arid area. Journal of Arid Land Resources and Environment, 2014, 28(3): 112-118.]

[17]
唐彦. 土壤含盐量反演的研究. 测绘工程, 2010, 19(6): 65-67.

[Tang Yan.Study on inversion of soil salinity. Engineering of Surveying and Maping, 2010, 19(6): 65-67.]

[18]
陈东强, 王让会. 准葛尔盆地人工林地土壤全盐的高光谱反演. 干旱区研究, 2013, 30(3): 444-448.

[Chen Dongqiang, Wang Ranghui.Total soil salinity in Artificial forest in the Junggar Basin base on hyperspectrum. Arid Zone Research, 2013, 30(3): 444-448.]

[19]
扶卿华, 倪绍祥, 王世新, 等. 土壤盐分含量的遥感反演研究. 农业工程学报, 2007, 23(1): 48-54.

[Fu Qinghua, Ni Shaoxiang, Wang Shixin, et al.Retrieval of salt content base on remote sensing. Transactions of the CSAE, 2007, 23(1): 48-54.]

[20]
蒲智, 于瑞德, 尹昌应, 等. 干旱区典型盐碱土壤含盐量估算的最佳高光谱指数研究. 水土保持通报, 2012, 32(6): 129-133.

[Pu Zhi, Yu Ruide, Yin Changying, et al.Optimal hyperspectral indices for soil salt content estimation on typical saline soil in arid areas. Bulletin of soil and Water Consevation, 2012, 32(6): 129-133.]

[21]
樊彦国, 侯春玲, 朱浩, 等. 基于BP神经网络的盐渍土盐分遥感反演模型研究. 地理与地理信息科学, 2010, 26(6): 24-27.

[Fan Yanguo, Hou Chunling, Zhu Hao, et al.Research on salinity inversion from remote sensing of saline soil based on BP neural network. Geography and Geo-Information Science, 2010, 26(6): 24-27.]

[22]
张成雯, 唐家奎, 于新菊, 等. 黄河三角洲土壤含盐量定量遥感反演. 中国科学院研究生院学报, 2013, 30(2): 220-227.

[Zhang Chengwen, Tang Jiakui, Yu Xinju, et al.Quantitative retrieval of soil salt content based on remote sensing in the Yellow River delta. Journal of Graduate University of Chinese Academy of Sciences, 2013, 30(2): 220-227.]

[23]
彭望录. 土壤盐渍化量化的遥感与GIS实验. 遥感学报, 1997, 1(3): 237-240.

[Peng Wanglu.An experiment of remote sensing and GIS base on quantity of soil salinity. Journal of Remote Sensing, 1997, 1(3): 237-240.]

[24]
丁建丽, 瞿娟, 孙永猛, 等. 基于MSAVI-WI特征空间的新疆渭干河—库车河流域绿洲土壤盐渍化研究. 地理研究, 2013, 32(2): 223-232.

[Ding Jianli, Qu Juan, Sun Yongmeng, et al.The retrieval model of soil salinization information in arid region based on MSAVI-WI feature space: A case study of the delta oasis in Weigan-Kuqa watershed. Geographical Research, 2013, 32(2): 223-232.]

[25]
赵锐锋, 陈亚宁, 洪传勋, 等. 塔里木河源流区绿洲土壤含盐量空间变异和格局分析: 以岳普湖绿洲为例. 地理研究, 2008, 27(1): 145-154.

[Zhao Ruifeng, Chen Yaning, Hong Chuanxun, et al.Study on spatial variability and pattern of soil salinity of the oasis in the headstreams of the Tarim River Basin: A case study on Yuepuhu oasis. Geographical Research, 2008, 27(1): 145-154.]

[26]
夏双, 阮仁宗, 颜梅春, 等. 洪泽湖区土地利用/覆盖变化分析. 遥感信息, 2013, 28(1): 54-59.

[Xia Shuang, Ruan Renzong, Yan Meichun, et al.Analysis on land use/cover change in Hongze Lake. Remote Sensing Information, 2013, 28(1): 54-59.]

[27]
龚建周, 陈健飞, 刘彦随. 基于线性光谱混合模型的城市下垫面分类影响因素分析. 地球信息科学学报, 2013, 15(4): 574-580.

[Gong Jianzhou, Chen Jianfei, Liu Yansui. Quantitative study on factors for urban underlying surface classification using linear spectral mixing model. Journal of Geo-information science, 2013, 15(4): 574-580.]

[28]
孟伟灿, 朱述龙, 曹闻, 等. 综合水体指数的创建. 测绘科学, 2013, 38(4): 130-133.

[Meng Weichan, Zhu Shulong, Cao Wen, et al.Establishment of synthetical water index. Science of Surveying and Maping, 2013, 38(4): 130-133.]

[29]
宋威, 刘松霖, 赵一婷, 等. 大安灌区土壤盐碱化程度浅析. 吉林水利, 2009, (7): 1-3.

[Song Wei, Liu Songlin, Zhao Yiting, et al.Analysis for the extent of soil salinization in Da'an irrigated areas. Jilin Water Resources, 2009, (7): 1-3.]

[30]
王水献, 董新光, 杜卫东. 新疆阿瓦提灌区土壤盐渍化现状及特征分析. 干旱地区农业研究, 2009, 24(5): 170-175.

[Wang Shuixian, Dong Xinguang, Du Weidong.Principal component analysis of soil salinization in Awati irrigation areas of Xiniang. Agricultural Research in the Arid Areas, 2009, 24(5): 170-175.]

[31]
王岷, 岳乐平, 李智佩, 等. 对荒漠化综合研究中一些基本问题的初步探讨. 西北地质, 2001, 34(1): 10-17.

[Wang Min, Yue Leping, Li Zhipei, et al.A primary research on some major issues of desertification. Northwestern Geology, 2001, 34(1): 10-17.]

Options
Outlines

/

〈 〉