何寶忠,丁建麗,*,王 飛,張 喆,劉博華
1 新疆大學資源與環(huán)境科學學院,烏魯木齊 830046 2 新疆大學綠洲生態(tài)教育部重點實驗室,烏魯木齊 830046
?
基于物候特征的鹽漬化信息數(shù)據(jù)挖掘研究
何寶忠1,2,丁建麗1,2,*,王 飛1,2,張 喆1,2,劉博華1,2
1 新疆大學資源與環(huán)境科學學院,烏魯木齊 830046 2 新疆大學綠洲生態(tài)教育部重點實驗室,烏魯木齊 830046
鹽漬化是影響植被和作物長勢的重要因素,精確反演鹽漬化的時空分布信息至關重要?;贛OD13A1-NDVI數(shù)據(jù)反演生長季開始日期(SOS)、生長季結束日期(EOS)、生長季長度(LEN)等物候參數(shù)和計算出能高精度反演鹽漬化空間分布的多種植被指數(shù)、鹽分指數(shù)、地形指數(shù)、干旱指數(shù)等參數(shù)后作為BP-ANN人工神經(jīng)網(wǎng)絡的輸入因子來反演鹽漬化信息,同時按照植被類型和地貌類型進行分區(qū)來反演鹽漬化信息,以探討鹽漬化受植被和地貌類型的影響。主要結論如下:①鹽漬化的形成受多種因素的影響,與物候參數(shù)大多呈非線性關系,不能單純的以某擬合公式來進行表達,需要借助人工神經(jīng)網(wǎng)絡超強的非線性擬合能力來反演鹽漬化信息。②通過深入挖掘植被物候信息,在融入物候參數(shù)后的反演精度顯著提高。可決系數(shù)R2從0.68(非物候參數(shù))增加到0.79(包括物候參數(shù)),但是需要加入地形、影像數(shù)據(jù)和土壤水分等方面的信息來更加精確的反演鹽漬化信息。生物累積量指標LSI(Large seasonal integral)和SSI(Small seasonal integral)能夠很好的表征鹽漬化的信息。③劃分植被類型后的鹽漬化提取精度進一步提高,可決系數(shù)R2達到了0.88。④以地貌特征作為類型分區(qū)后,反演結果的R2達到了0.85,精度較高,比以植被類型作為分區(qū)的精度略小。高程較低區(qū)域的鹽漬化現(xiàn)象普遍較重,鹽漬化程度受到地形和地貌因素的影響顯著。⑤農(nóng)用地區(qū)域多為非鹽漬化和輕度鹽漬化地,稀疏植被區(qū)多為重鹽漬化地。研究區(qū)的非鹽漬化和輕鹽漬化地、中鹽漬化地和重度鹽漬化地比例分別為53.42%,13.71%,32.87%。以上的研究結果提出了一種融合物候信息和非物候參數(shù)來反演鹽漬化信息的方法,進行深入的協(xié)同植被物候監(jiān)測鹽漬化信息方面的數(shù)據(jù)挖掘,在融入了物候參數(shù)后,鹽漬化的預測精度顯著提高。
鹽漬化; 物候信息; 地表參數(shù); 數(shù)據(jù)挖掘
研究表明,在干旱區(qū)由于鹽漬化和次生鹽漬化所造成的大面積土地被迫撂荒和植被的第一性生產(chǎn)力下降,嚴重降低了土地生產(chǎn)力,限制著農(nóng)業(yè)生產(chǎn)的發(fā)展[1]。同時由于為短期利益的農(nóng)業(yè)活動而忽視了長期的后果是加重鹽漬化的重要原因[2]。現(xiàn)在傳統(tǒng)的方法來監(jiān)測鹽漬化表現(xiàn)出多方面的不足,而融合了遙感RS、地理信息系統(tǒng)GIS的技術方法卻顯示出很多優(yōu)勢[3]。國外學者利用遙感提取鹽漬土信息主要有以下方法:波段選擇、主成分分析、K-T 變換、IHS 變換、圖像比值運算,以及最大相似性分類、神經(jīng)網(wǎng)絡、決策樹、表面特征分解、模糊分類以及多源數(shù)據(jù)集成建模等信息提取技術[4]。國內(nèi)學者對土壤鹽漬化狀況遙感監(jiān)測的研究多從靜態(tài)角度,鹽漬化信息提取的方法主要有目視解譯、基于影像光譜特征的數(shù)字圖像處理技術、遙感信息地理信息綜合分類、基于地學知識發(fā)現(xiàn)的識別與分類、人工神經(jīng)網(wǎng)絡分類器(RBF 或 BP 神經(jīng)網(wǎng)絡模型)等[4-5]。國內(nèi)的一些學者還運用主要由各種植被指數(shù)、鹽分指數(shù)或堿性指數(shù)等來構建特征空間來提取鹽漬化信息[6-9]。很多研究中都用到了歸一化差值植被指數(shù)(NDVI)來作為參數(shù),但NDVI值與土壤電導率之間存在的相關性可用于區(qū)分鹽漬土和非鹽漬土,但無法區(qū)分鹽土和堿土,同時由于不同類型的植被生長在不同的鹽漬化水平下,NDVI表現(xiàn)出很大的不確切性[2,4]。因此單純的考慮一種表征植被狀態(tài)的指數(shù)并不可取。綜合國內(nèi)外已有的研究可以發(fā)現(xiàn)存在以下一些可以改進的地方:
(1)多數(shù)對于監(jiān)測鹽漬化選擇的參數(shù)是基于光譜特征[10]、母質(zhì)成因參數(shù)[11-12]、地貌特征和數(shù)字高程模型(DEM)[13]。但是對于植被的信息大多是用如NDVI、修改型土壤調(diào)整植被指數(shù)(MSAVI)和轉換型土壤調(diào)整植被指數(shù)(TSAVI)等相關的指數(shù)。這些指數(shù)雖然各有優(yōu)勢,但解決的也只能是較理想下的土壤背景和植被覆蓋等兩大地類信息,不能用在每一種自然環(huán)境狀態(tài)下[2]。同時,很多研究只是以鹽生植被和非鹽生植被來介紹植被在不同鹽分下的長勢情況,但較少對鹽生植被與非鹽生植被進行區(qū)別研究(即劃分出鹽生植被和非鹽生植被,然后選擇不同的方法或設置不同的參數(shù)進行監(jiān)測,最終把不同監(jiān)測的結果進行匯總,得到整個研究區(qū)鹽漬化空間分布信息),這很可能使得最后提取的鹽漬化信息精度有所降低。根據(jù)相關研究[14-15],這種植被類型的劃分更能有效的表征鹽漬化程度的分布情況,因此本文也通過探討劃分不同的植被類型進行分區(qū)來反演鹽漬化信息。
(2)很多研究對于鹽漬化信息的提取只是針對某一特定時期進行的,選擇的影像數(shù)據(jù)及其他輔助數(shù)據(jù)都圍繞著采樣時間進行,其結果是影像等輔助數(shù)據(jù)選擇只是一期的的結果,但鹽漬化在一定的區(qū)域內(nèi)是多種自然原因和人類原因長期共同作用的結果[5],而MODIS長時間序列的植被指數(shù)數(shù)據(jù)滿足長期觀測的條件。
(3)不同的植被與土壤類型,NDVI等相關植被指數(shù)、鹽分指數(shù)的變化[16]、管理措施、蟲害、疾病、氣候和土壤屬性[2]等會使得這些參數(shù)與鹽分信息呈現(xiàn)出非線性的變化,因此有必要探討運用人工神經(jīng)網(wǎng)絡強大而復雜的非線性擬合能力來反演鹽漬化信息的時空分布情況。
(4)反演出的植被指數(shù)與含鹽量的相關性很低,是因為寬區(qū)間的光譜波段不能捕捉由于鹽分的變化而出現(xiàn)的生物物理化學上的差異[17],因此需要尋求一種能平衡時間分辨率、空間分辨率和波譜分辨率的數(shù)據(jù)源,而MODIS數(shù)據(jù)同時具備這些優(yōu)點[15],是一種良好的遙感數(shù)據(jù)源。
(5)研究表明當土壤足夠干燥時,能夠用遙感數(shù)據(jù)來進行較高精度的反演[14],因此這限制了遙感數(shù)據(jù)主要適用于區(qū)域中降水稀少的干季,而不適用于降水集中的濕季[6]。同時地表上一般均有植被覆蓋,特別是在農(nóng)耕區(qū),因此監(jiān)測作物的長勢情況是一種潛力巨大,能夠代替?zhèn)鹘y(tǒng)方式的方法,因為植被長勢差的地區(qū)一般表征著重鹽漬化程度集中的區(qū)域[14]。這種方法在一些地方已經(jīng)有成功運用的案例,特別是在完全沒有植被存在的情況下[18-19]。
(6)在先前的研究中,MODIS連續(xù)數(shù)據(jù)和鹽分的相關性很可能被低估,MODIS連續(xù)時間序列的數(shù)據(jù)并沒有被充分利用,特別是在物候信息方面[15]。已有的報道中雖有用物候參數(shù)來進行研究,但研究較少,主要考慮到的只有植被類因素[14-15],精度難免有所影響,極有可能存在一定的不確定性,因此本文通過加入物候信息來探討反演鹽漬化的信息。
綜上,對于植被監(jiān)測鹽漬化信息的能力還沒有充分挖掘。一般情況下植被受到鹽漬化的影響會有著較低的光合作用,同時使得可見光反射率增高,近紅外反射率降低[20-21]。鹽生植被一般具有較高的耐鹽性,因此是區(qū)分鹽漬化地區(qū)和非鹽漬化地區(qū)的理想指標[22]。MODIS連續(xù)序列的數(shù)據(jù)平衡了光譜分辨率、時間分辨率和空間分辨率的優(yōu)勢[15],可以用來進行大尺度的監(jiān)測鹽漬化信息。因此本文以渭干河-庫車河三角洲綠洲為研究區(qū),基于MOD13A1-NDVI數(shù)據(jù)來提取2013年植被多種物候信息,綜合物候和非物候影響因子來反演研究區(qū)的鹽漬化信息。
圖1 研究區(qū)及采樣點分布圖Fig.1 Location of study area and distribution of sampling sites
渭干河—庫車河三角洲綠洲(以下簡稱渭庫綠洲)位于新疆南部的塔里木盆地中北部,屬大陸性暖溫帶干旱氣候[7]。根據(jù)對實地采樣區(qū)域確定的邊界范圍為: 82°10′—83°50′E;41°06′—41°40′N (圖1)。屬于大陸性溫帶干旱氣候。多年平均氣溫11.6℃,多年平均降水量為52mm,蒸降比為54∶1[23]。土壤主要為潮土和草甸土[7]。綠洲自然植被以鹽生植被為主,如檉柳(Tamarix)、鹽節(jié)木(Halocnemumstrabliaceum)、鹽爪爪(Kalidiumfoliatum)、花花柴(Kareliniacaspica)、蘆葦(Phragmitescommunis)、苦豆子(Sophoraio pecuroides)、白刺(Nitrarria sibirica)、黑刺(Lyciumruthenicum)、駱駝刺(Aihagisparsifolia)、鹽穗木(Halostachyscaspica)、胡楊(Populuseuphratica)等肉質(zhì)多汁泌鹽植物和鹽生灌叢,主要呈片狀分布在綠洲外圍[24]。農(nóng)田植被主要由小麥、玉米、棉花等種植作物構成,主要分布在綠洲內(nèi)部水資源豐富、種植環(huán)境良好、排灌渠設施完善的種植區(qū)[24]。渭庫綠洲鹽類沉積規(guī)模大,土壤普遍鹽漬化,鹽漬化總面積超過研究的50%,重度鹽漬化(5—10 g/kg)面積達到30%,因此綠洲的發(fā)展受到嚴重威脅[23,25]。
綜合物候參數(shù)、植被指數(shù)、鹽漬化指數(shù)、干旱指數(shù)、特征空間、影像反射率、地形參數(shù)等22種參數(shù)來反演研究區(qū)鹽漬化的空間分布信息。這些參數(shù)分別代表了物候特征、植被長勢情況、鹽漬化分布特征、干旱情況和地形變化特征等。物候參數(shù)的定義見表1[15,26],非物候參數(shù)的定義見表2。
表1 物候參數(shù)的定義和生態(tài)學意義
表2 非物候參數(shù)的定義與計算
B 藍波段反射率,R 紅波段反射率,NIR 近紅外反射率
2.1 電導率數(shù)據(jù)的采集
選擇具有代表性的土壤表層單元,測量單元的位置、數(shù)量、土壤質(zhì)地和鹽分狀況和植被類型以及土地覆蓋情況等進行選取(圖1)。對每個測量單元進行表層(0—10cm)土壤樣品的采集。然后帶回實驗室中經(jīng)過自然風干,磨碎,過0.5mm孔徑篩、制作1∶5比例的浸提液來測定土壤電導率和含鹽量,采樣時間為2013年8月,剔除不能提取物候參數(shù)對應像元的采樣點,最終選出87個采樣點來進行分析(圖1)。
2.2 地形參數(shù)的獲取
研究表明地形參數(shù)中高程、坡度對鹽漬化的聚集有重大影響[13]。地形的高低直接決定了地下水與地表水的流向,這使得鹽分會隨著水流流向而發(fā)生不同程度的聚集,地勢較高的區(qū)域一般鹽漬化程度較低,地勢較低的區(qū)域鹽漬化程度一般較高。Moore等[34]研究發(fā)現(xiàn)土壤鹽分和地形濕度指數(shù)有很強的相關性。地形濕度指數(shù)具有明確的物理意義:具有相同地形濕度指數(shù)的不同空間位置對降雨的水文響應相同,地形濕度指數(shù)頻率分布相同的不同流域具有水文相似性。因此其頻度分布及空間分布在流域的土壤分布及分布式水文模型等研究中具有重要的意義[33]。同時地形濕度指數(shù)表征了地表水文特征的濕度程度,被用來對鹽漬化程度進行分類[34]。所有這些參數(shù)都反演于500m分辨率的DEM數(shù)據(jù),具體計算公式參見表2。
2.3 地表覆蓋數(shù)據(jù)的獲取
獲取渭庫綠洲2009年500m分辨率的土地利用產(chǎn)品MODIS-MCD12Q1的土地利用數(shù)據(jù),從中國科學院資源環(huán)境科學數(shù)據(jù)中心(http://www.resdc.cn)下載2010年土地利用數(shù)據(jù)。由于中科院的土地利用數(shù)據(jù)分辨率是1000 m,因此2013年使用的是2009年分辨較高的土地利用數(shù)據(jù)。
根據(jù)本研究目的和根據(jù)MODIS產(chǎn)品的土地覆蓋劃分的類型和文獻[15]的分類,分為農(nóng)田植被(代表不同作物類型的植被,主要是非鹽生植被)、鹽生植被(主要是稀疏植被,分布于為綠洲外圍和荒漠區(qū))和其他地類(代表了混合了農(nóng)用地和稀疏植被的區(qū)域,主要包括稠密灌叢、稀疏灌叢、稀疏草原、草地、永久草地、自然植被等地類)等3大類。但由于其他地類中的樣點主要位于綠洲荒漠交錯帶區(qū)域,受人類活動影響較大,同時在這個漫長的交錯帶上,其他地類分布的樣點顯得特別分散,如果單獨進行反演極有可能會使得結果有較大的不確定性,因此其他地類中反演結果用不分區(qū)時的結果替代。
2.4 溫度植被干旱指數(shù)(TVDI)
目前,基于植被指數(shù)(VI)和地表溫度(Ts)的二維特征空間獲取溫度植被干旱指數(shù)(TVDI)綜合了兩個參數(shù)特有的生理生態(tài)意義,能有效地減小植被覆蓋度對干旱監(jiān)測的影響,準確性更高,實用性更強;且特征空間所需數(shù)據(jù)較少,獲取方便,計算得到的 TVDI 的物理意義明確,應用較為廣泛[35]。因此本文以TVDI來表征地表的土壤水分,因為土壤水分和鹽分之間的關系直接關系到利用遙感光譜信息監(jiān)測土壤鹽漬化的精度[36]。很多研究表明TVDI對于不同地區(qū)的旱情監(jiān)測或土壤濕度時空差異方面取得了顯著的效果[37]。同時劉立文[38]等研究發(fā)現(xiàn)引入DEM數(shù)據(jù)對Ts做地形校正,減少了地形起伏對能量平衡的影響,所用模型為C校正模型。但是盡管C校正模型易于使用,但在森林覆蓋的山區(qū),其模型的幾何關系與植被向地生長的特性不相符[39]。為此,一些研究者提出了適用于森林山區(qū)遙感影像地形校正的 SCS 模型[39]。由于 SCS 與 Cosine 模型一樣存在過度校正的情況,所以依照C模型的建立方法,經(jīng)驗參數(shù)C被引入SCS形成了SCS+C模型,取得了較好的校正效果[40]。因此本文采用基于奈曼最優(yōu)分配法[41]的SCS+C模型來校正Ts,最后得到TVDI(表2)。
2.5 鹽漬化監(jiān)測模型SDI的建立
綜合分析歸一化差值植被指數(shù)(NDVI)、鹽分指數(shù)(SI)二者之間的關系,在此基礎之上提出 NDVI-SI特征空間概念,并構建土壤鹽漬化遙感監(jiān)測指數(shù)模型(SDI)。研究結果表明土壤表層含鹽量與SDI相關性較高,對于干旱區(qū)鹽漬地信息提取具有重要意義[28]。因此根據(jù)采樣日期選擇MODIS-NDVI數(shù)據(jù)和計算鹽分指數(shù),構造二維特征空間NDVI-SI,最后得到鹽漬化監(jiān)測模型SDI,把SDI作為神經(jīng)網(wǎng)絡模型的一個輸入變量。
圖2 SDI模型圖形表達示意圖 Fig.2 Sketch map of SDI under lowly, moderately and highly saline soils注:A、E和B分別是空間軌跡曲線AEB的起點,中間點和終點;L是指從空間中任意一點如C點至D點的直線距離;由坐標軸NDVI和SI即可得到SDI
圖2顯示的是特征空間SDI模型的示意圖,AEB是特征空間軌跡曲線??臻g中距離點D(1,0)越遠,表示鹽漬化程度越嚴重,越近表示鹽漬化程度越輕[28]。根據(jù)兩點之間的距離公式就可以得到從C點到D點的距離L:
(1)
從而建立鹽漬化監(jiān)測模型(SDI),表達式為:
(2)
2.6 植被指數(shù)與鹽分指數(shù)的計算
植被是鹽漬化程度的一種重要指示劑,因此選擇能夠較好地反應土壤鹽漬化程度的4種光譜指數(shù)(表2):歸一化差值植被指數(shù)(NDVI)、修改型土壤調(diào)整植被指數(shù)(MSAVI)、轉換型土壤調(diào)整植被指數(shù)(TSAVI)和鹽分指數(shù)(SI)。經(jīng)過統(tǒng)計,NDVI和MSAVI、TSAVI的相關性較低,相關系數(shù)均在0.2左右;MSAVI和TSAVI具有高度的相關性,相關系數(shù)接近于1;SI與MSAVI和TSAVI的相關性較低,均為-0.16;SI與NDVI的相關性較高,相關系數(shù)為-0.84;SDI和SI、NDVI相關性較高,相關系數(shù)均大于0.85(與NDVI是負相關),與TSAVI和MSAVI相關性較低,相關系數(shù)均為-0.21。綜上分析,盡管部分指數(shù)之間具有高度的相關性,但為了精確的捕捉鹽漬化信息細節(jié)上的變化,把這5(包括SDI)個指標均作為反演的輸入變量。
2.7 遙感反射率數(shù)據(jù)
研究表明地表反射率對于監(jiān)測地表鹽漬化的效果顯著[42]。因此選擇藍波段、紅波段和近紅外波段反射率作為參數(shù)來表征鹽漬化的信息。經(jīng)統(tǒng)計可得藍波段和紅波段的相關系數(shù)達到了0.98,其他波段之間的相關系數(shù)的絕對值都小于0.2,但藍波段和紅波段在不同土壤水分含量的鹽漬地中的響應并不一致,同時作為反演的一個因子能更好的捕捉鹽漬化變化的細節(jié)信息,因此這3個波段反射率全部用來作為反演輸入的變量。
2.8 植被物候參數(shù)的計算
盡管MOD13A1-NDVI數(shù)據(jù)經(jīng)過了大氣和氣溶膠的校正,但是厚重云霧仍然存在,因此在做平滑處理之前,需要根據(jù)MODIS質(zhì)量控制產(chǎn)品(QA)對連續(xù)時間的序列數(shù)據(jù)賦予不同的權重[15,26,43]。因此通過比較常用的Savitzky-Golay、Asymmetric Gaussian和Double logistic model等3種方法的濾波效果,本文最終選擇用Savitzky-Golay濾波法來對影像數(shù)據(jù)做處理,得到重建后的NDVI曲線。擬合公式為:
(3)
圖3 基于QA質(zhì)量數(shù)據(jù)賦予權重的Savitsky-Goaly濾波(2012—2014年)Fig.3 The QA weighted time series and Savitzky-Golay smoothed curves (2012—2014)
權重Cj=1/(2n+1),數(shù)據(jù)值yi被位置ti的平均值所取代,這是從二次多項式最小二乘法的2n+1個點的滑動平均窗口中獲得。同時加入MODIS產(chǎn)品質(zhì)量控制影像文件,賦予像元不同的權重后可以有效的降低噪聲的影響。濾波結果如圖3所示,圖中藍線(具有不平滑特征的曲線)表示原始的序列曲線,紅線(較為平滑的曲線)代表平滑去噪后的曲線。
采用動態(tài)閾值法從NDVI數(shù)據(jù)集中提取渭庫綠洲的物候參數(shù)。主要是因為與傳統(tǒng)的固定閾值法比較,動態(tài)閾值法與每個像元的NDVI季節(jié)變化幅度緊密相關,根據(jù)研究條件的不同,可以動態(tài)地確定閾值,并消除不同土壤背景值和植被類型的影響[44]。根據(jù)相關者學者[45- 47]對中國及中亞不同地區(qū)的研究,本文將提取生長季開始日期(SOS)和生長季結束日期(EOS)的系數(shù)都設置為30%。用儒略歷計算法(1月1日為一年中第1天)進行物候期統(tǒng)計分析[48]。
在經(jīng)過了平滑和參數(shù)設置后,用TIMESAT軟件計算季節(jié)性參數(shù)包括SOS、EOS、生長季長度(LEN)和生長季豐度(AMP)等10個參數(shù)。表1中闡述了不同指標所代表的生態(tài)學意義[15,26]。
2.9 BP-ANN模型的預測研究
由于光譜反射率和土壤參數(shù)間的轉換函數(shù)是非線性的,因此人工神經(jīng)網(wǎng)絡(Artificial neural network, ANN)已被廣泛用于獲取土壤參數(shù)。目前利用人工神經(jīng)網(wǎng)絡的研究多集中于對土壤質(zhì)地的土壤特性研究[49]。同時鹽漬土光譜數(shù)據(jù)的參數(shù)反演是將多維空間向低維空間的映射過程,這種映射關系是復雜的、非線性的。BP(Backpropagation)神經(jīng)網(wǎng)絡是智能計算技術的重要分支,具有快速、有效地處理多維、非線性數(shù)據(jù)的能力。將 BP 神經(jīng)網(wǎng)絡用于反演鹽漬土含鹽量能大大提高反演精度,推動鹽漬土遙感的定量化發(fā)展[4]。所以結合前人的研究,本研究采用3層BP神經(jīng)網(wǎng)絡,來預測研究區(qū)鹽漬化空間分布信息,見圖4。
圖4 基于BP神經(jīng)網(wǎng)絡的預測鹽分模型流程圖Fig.4 The flowchart of predictation on salinity information based on BP-ANN model
神經(jīng)網(wǎng)絡是一種黑箱結構,多層神經(jīng)網(wǎng)絡能以任意精度逼近給定樣本的分布和結構。訓練過程無需人工操作,并且自動獲得每個神經(jīng)元的權重[50]。它具有運算效率高、自學習能力強、適應面寬等優(yōu)點[51]。利用BP神經(jīng)網(wǎng)絡主要分為模型校正和模擬,主要思路為:建立三層神經(jīng)網(wǎng)絡,包括輸入層,隱藏層和輸出層,利用隨機采樣的數(shù)據(jù)對其進行訓練,在利用訓練好的網(wǎng)絡對整個研究區(qū)的數(shù)據(jù)進行模擬與預測(圖4)。
輸入層將信號輸出到隱藏層,隱藏層第j個神經(jīng)元所收到的信號為[50]:
(4)
式中,k為輸出信號對應的模擬單元,t為模擬時間,netj(k,t)為隱藏層第j個神經(jīng)元所接收到的信號,wi,j為為連接輸入層和隱藏層之間的參數(shù),即權重值。
隱藏層對該函數(shù)的響應為:
(5)
所以輸出層第l個神經(jīng)元所接收到的信號為:
(6)
式中,PVl(k,t)為單元n在模擬時間t時刻第l個神經(jīng)元所接收到的信號;wj,l為隱藏層和輸出層之間的參數(shù),即權重值。
將每個像元中的22個變量作為輸入層數(shù)據(jù),輸出層為預測的電導率數(shù)據(jù),由于隱藏層的神經(jīng)元的數(shù)目至少為2n/3個[52](其中n為輸入層神經(jīng)元的數(shù)目),因此本研究中隱藏層的神經(jīng)元數(shù)目為14個。
2.10 驗證方法
選用均方根誤差(RMSE)、平均誤差(ME)和可決系數(shù)(R2)(實測值與預測值之間線性擬合方程的可決系數(shù))來評價不同方法預測的精度[6,13]。
(7)
(8)
(9)
式中,Pi代表預測值,Oi代表實測值,Oave代表實測平均值,Pave代表預測平均值,n表示驗證點的數(shù)量。RMSE越小,R2越高,ME絕對值越接近于0,精度越高,反之越低。
3.1 不同參數(shù)的提取結果
依照上述描述的步驟計算出的各非物候參數(shù)見圖5。從圖5中可以得到以下結論: ①從NDVI分布圖可以得出,渭庫的綠洲內(nèi)部的植被覆蓋程度明顯高于綠洲荒漠交錯帶和荒漠地區(qū)。②從TVDI分布圖中可以得出綠洲內(nèi)部的土壤含水量明顯高于綠洲外圍,從綠洲內(nèi)部—綠洲外圍—荒漠區(qū)依次遞減。③從坡度分布圖(SLOPE)中可以得到研究區(qū)坡度和高程的總體呈北高南低、西高東低的趨勢,但總體差異不大,是明顯的平原地區(qū)。因此水流的總體趨勢是從北往南和從西向東,研究區(qū)東部是鹽漬化的“重災區(qū)”[53]。④地形濕度指數(shù)空間分布信息顯示出TWI較低的地區(qū)多位于地勢較高的西北部地區(qū),較高值多位于東部和南部地區(qū)。⑤MSAVI和TSAVI的分布趨勢與NDVI基本相同。⑥分布在綠洲內(nèi)部農(nóng)用地區(qū)域的SI數(shù)值明顯低于荒漠區(qū)域。⑦SDI空間分布結果表明綠洲農(nóng)用地的SDI值明顯低于非綠洲地區(qū),在綠洲的大部分區(qū)域SDI小于0.4,非綠洲區(qū)域SDI集中于大于0.7,這在一定程度上表明在綠洲的鹽漬化程度普遍比綠洲荒漠交錯帶和荒漠區(qū)低。
圖5 各非物候參數(shù)的計算結果Fig.5 Calculation results of the non-phenological parameters
3.2 物候參數(shù)的提取結果
為了更好的挖掘不同物候參數(shù)在不同植被類型下提取鹽漬化信息的能力,用野外實測的土壤含鹽量數(shù)據(jù)與這10種物候參數(shù)做最佳線性或非線性方程的擬合,擬合結果見表3。
表3 不同物候參數(shù)對于鹽分的最佳曲線擬合
SOS:生長季開始時間Start of season, ;EOS: 生長季結束時間End of season;AMP:生長季豐度Amplitude;LEN: 生長季長度Length of season;BASEV: 生長季NDVI最小值Base level;LD:生長季曲線的左斜率Left derivative;RD:生長季曲線的右斜率Right derivative;LSI: 生長季大生物累積量Large seasonal integral;SSI:生長季小生物累積量Small seasonal integral
表3中分為了不分植被類型和分植被類型的兩種情況。基于研究目的,只對最重要的代表非鹽生植被的農(nóng)田區(qū)實測樣點數(shù)據(jù)和代表鹽生植被的綠洲外圍與荒漠地區(qū)的實測樣點數(shù)據(jù)進行了擬合。可得以下結論:①在真實的田間測量情況下,可決系數(shù)R2的變化范圍為0.06—0.48,因此不分地類的擬合結果精度較低,不足以來解釋鹽漬化信息的細節(jié)信息。②劃分地類后的農(nóng)用地R2有了明顯的提高,大多在0.55以上,最大值到達了0.92,但是對于稀疏植被區(qū)R2較低,因此單純的用某個擬合曲線不能很好的反應鹽漬化的空間分布特征。③分地類和不分地類的最佳擬合方程大多是非線性的。④從農(nóng)用地最佳擬合曲線可以得出擬合方程多為單調(diào)遞減函數(shù),即隨著含鹽量的增加,其對應物候參數(shù)的值在逐漸降低,最明顯的就是LSI、RD、LD、PV這幾個參數(shù),這些參數(shù)都代表了光合作用的情況信息,說明農(nóng)用地植被對于鹽分情況的變化極為敏感,鹽分越重對于農(nóng)作物的生產(chǎn)量的影響越大。⑤對于稀疏植被,情況更為復雜。大多是呈下開方向的二次多項式方程,即先隨著鹽分的增加對應物候參數(shù)的值也在增加,到達一個最大之后又隨著鹽分的增加而減小,如EOS、AMP、BASE、PV、LD、RD和SSI。這就說明鹽生植被的確具有一定耐鹽性,但是當鹽分含量到達一定程度之后也會對其生長造成較大的影響。⑥通過以上5點的分析,可以得出盡管通過深挖植被的信息可以較好的反演鹽漬化信息,但至少對于鹽生植被區(qū)域只用植被的物候信息反演鹽漬化信息的效果并不理想,需要借用其他方面的參數(shù)來參與反演。
通過以上6點的分析可以得出植被信息只是反演鹽漬化的一種重要指示劑,但不能適用于所有植被類型,用最佳曲線擬合的方式來反演鹽漬化信息不具有普適性?;谝陨系姆治?本研究運用BP-ANN人工神經(jīng)網(wǎng)絡來結合物候參數(shù)、地形信息、影像數(shù)據(jù)、野外實測數(shù)據(jù)等22個參數(shù)來反演鹽漬化信息。
因為從表3的結果來看指示光合作用的LSI和SSI指數(shù)與鹽分含量的相關性較高,這表明生物累積量的信號能更好反映鹽漬化信息。可能主要是因為對于不同類型的植被對于鹽漬化程度的響應不同,同種植被對于不同鹽含量的響應也不同,不同植被對于同一水平的鹽分含量響應也會不同,但是這一切都會原原本本的記錄在植被的體內(nèi),最突出的就是它的長勢情況,最終就會導致生物累積量的不同,所以LSI和SSI的表征鹽漬化的能力要優(yōu)于其他幾個物候參數(shù),因此圖6中只顯示LSI和SSI分布圖。
圖6 生物累積量分布圖Fig.6 Biomass accumulation patterns
從圖6中的LSI空間分布可以得出位于綠洲農(nóng)用地植被區(qū)域的累積生物量明顯大于綠洲荒漠交錯帶與荒漠地區(qū)。農(nóng)用地的生物量值最高,值域在4.9—9.2之間;綠洲荒漠過渡帶的生物量值較低,值域在1.1—4.9之間;荒漠地區(qū)生物量值最低,也是鹽漬化程度最嚴重的區(qū)域,值域在0—1.1之間。圖6中SSI分布的情況與LSI類似,不同的是對于同一區(qū)域的累積生物量的值要明顯低于LSI的值,如在農(nóng)田區(qū)的SSI值大部分處于4.9—6.4之間,而LSI值大部分在6.4—9.2之間。SSI值在綠洲和荒漠地區(qū)低于4.9的區(qū)域面積明顯大于LSI低值區(qū)。
3.3 不分區(qū)BP-ANN神經(jīng)網(wǎng)絡鹽漬化信息反演
圖7 不劃分植被類型鹽漬化分布圖 Fig.7 Spatial distribution patterns of soil salinity in 2013 without vegetation partitioning
把提取出來的10種物候參數(shù)(SOS、EOS、AMP、LEN、BASEV、PV、LD、RD、LSI、SSI)和12種非物候參數(shù)(NDVI、SI、SDI、TVDI、MSAVI、TSAVI、DEM、坡度(SLOPE)、TWI、藍/紅/近紅外波段反射率)作為BP-ANN的輸入因子。由于含鹽量和電導率之間有著極好的相關性,可以用電導率表征含鹽量[13],因此把野外實測的電導率(1∶5比例的浸提液電導率)作為輸出結果。隱藏層的神經(jīng)元數(shù)目設置為14個。
具體過程如下:
①采樣 利用野外實際采樣的87個采樣點,其中50個樣點作為訓練樣本,37個樣點作為測試樣本。
②預測2013年鹽漬化分布情況 利用Matlab創(chuàng)建BP神經(jīng)網(wǎng)絡,利用訓練好的網(wǎng)絡來對測試數(shù)據(jù)和逐像元數(shù)據(jù)進行預測,精度驗證結果見表4,預測結果見圖7。
3.4 分區(qū)BP-ANN神經(jīng)網(wǎng)絡鹽漬化信息反演
分別把位于農(nóng)用地、稀疏植被區(qū)和其他地類的野外采樣點提取出來。用位于不同地類的采樣點來訓練神經(jīng)網(wǎng)絡,分別得到分區(qū)之后的結果圖,然后用各自地類的矢量邊界分別裁剪對應的結果圖,最后在ArcGIS軟件中進行鑲嵌處理,得到分區(qū)之后的鹽漬化信息分布圖。其中由于其他地類區(qū)的反演結果用不分區(qū)的結果代替。
具體過程如下:
①采樣 按照不同地物類型采集樣本,然后按照如上的設置提取訓練樣本和測試樣本(實測數(shù)據(jù)中60%用于訓練,40%用于測試)。
②預測2013年鹽漬化分布情況 利用Matlab創(chuàng)建BP神經(jīng)網(wǎng)絡,利用訓練好的網(wǎng)絡來對測試數(shù)據(jù)和逐像元數(shù)據(jù)進行預測,得到不同分區(qū)的預測結果,結果見圖8,鑲嵌后的結果如圖9所示,精度驗證結果見表4。
圖8 基于不同植被類型分區(qū)鹽漬化的反演結果Fig.8 The inversion results of soil salinity based on vegetation partitioning
同時只用非鹽漬化的12個參數(shù)來反演鹽漬化分布情況,精度比較結果見表4。
從表4中可以得出當無物候參數(shù)參與反演時可得:不分區(qū)和分區(qū)的總體差別不顯著,幾乎一致。RMSE從11.55增加為12.30,ME絕對值從0.88增加為2.46,R2從0.68下降為0.67,從這幾個方面可知分區(qū)后的總體精度略有下降,但是分區(qū)后農(nóng)用地部分的反演精度較高,RMSE從不分區(qū)時的11.55陡降為農(nóng)用地部分的4.21,R2也從0.68上升為0.73;對于稀疏植被,分區(qū)后的精度反而明顯降低,RMSE從11.55上升為14.22,R2從0.68下降為0.54,可見對于稀疏植被區(qū),單純的用物候參數(shù)進行反演效果不理想,需要探討用其他方法以及加入其他參數(shù)后來進行反演。當有物候參數(shù)參與反演時可得:分區(qū)后的精度明顯要高于不分區(qū)時的精度,如RMSE從不分區(qū)時的9.55減少到分區(qū)后的7.73,ME從0.42減少為0.04,R2從0.79升高到0.8787,這個0.8787并沒有位于0.79和0.8765(農(nóng)用地)之間,主要原因是鑲嵌時的其他地類中的采樣點擬合精度高于不分區(qū)時的整體精度,R2達到了0.90,所以分區(qū)后鑲嵌的結果的R2更高。因此總體而言,按照植被類型分區(qū)后的預測精度明顯高于不分區(qū)時的精度。這可能主要是因為不分區(qū)時神經(jīng)網(wǎng)絡訓練的過程中是對所有樣點進行全局最優(yōu)擬合,在誤差反饋的過程中權重的分配根據(jù)所有樣點而變化,但是如地理坐標投影一樣,局部區(qū)域的誤差會變大,因此神經(jīng)網(wǎng)絡訓練好的結果難免會受到其他樣點的影響,精度較低。相反,在按照不同植被類型進行分區(qū)后,對每種植被區(qū)的樣本進行專門訓練就不會受其他植被類型樣點的干擾,擬合出的方程與匹配的權重更加符合局部區(qū)域的實際情況,所以最終的預測精度較高。對比國內(nèi)相關學者對于該區(qū)域的研究[6- 7,24],發(fā)現(xiàn)其RMSE普遍較低,實測值與預測值的相關性一般都在0.84以上,但是對比國外相關學者[13]的研究,發(fā)現(xiàn)其RMSE普遍較高,一般數(shù)值在20以上,本文結果介于二者之間,但是從相關性和可決系數(shù)R2上看,本文反演結果的精度較高。主要原因可能是采樣時間與研究的時段不同和研究方法上的差異等。但是國外的研究一般都是基于大數(shù)據(jù)量的樣點統(tǒng)計出來的結果,更加具有統(tǒng)計學意義,因此以后應該對研究區(qū)多采集樣點,來更好的對比國內(nèi)外研究的精度。
表4 通過植被類型分區(qū)后不同結果反演的精度比較
從圖9中可以得到以下結論:①圖9中有部分無值區(qū),這主要是因為對于無植被覆蓋或分布極其稀疏的區(qū)域,不能有效的提取物候參數(shù)所致。但是通過出野外的實際觀測,這些無值區(qū)一般都是重鹽漬化區(qū)域。②綠洲內(nèi)部農(nóng)用地區(qū)域主要為非鹽漬化地和輕鹽漬化地,占有效像元的比例達到53.42%,主要位于中海拔沖積扇平原、中海拔沖積洪積扇平原、低海拔沖積扇平原的地貌類型區(qū)。③位于研究區(qū)綠洲東部和東南部鹽漬化程度最為嚴重,集中于大于16ms/m。整個研究區(qū)的重度鹽漬化地比例為32.87%,主要位于低海拔固定草灌叢沙堆的地貌區(qū)域中。④研究區(qū)中度鹽漬化比例為13.71%,主要零星分布于綠洲內(nèi)部,較為集中的分布在研究區(qū)東北部和綠洲最南端,所處的地貌類型主要是低海拔固定草灌叢沙堆。從以上分析可以得出鹽漬化程度受高程和地貌類型的影響顯著,高程較低的地區(qū)鹽漬化程度普遍較重,較高的區(qū)域鹽漬化程度普遍較低。因此對研究區(qū)以主要地貌類型進行分區(qū)后,用BP-ANN預測后的的精度分析見表5,結果見圖10。
從表5可得:①當物候參數(shù)參與反演時,按地貌類型進行分區(qū)后的預測精度有了明顯的提高,RMSE從9.55減小為8.18,大于按植被類型分區(qū)時的7.73;R2從0.79增加為0.85,小于按植被類型分區(qū)時的0.88;ME絕對值從0.42減少為0.11,大于按植被類型分區(qū)時的0.04,偏離真實值的幅度較大。②在無物候參數(shù)參與反演時,按地貌類型分區(qū)后的預測精度略微下降,RMSE從11.55增加為13.52,R2從0.68減少為0.60,ME絕對值從0.88增加為3.78。從圖10中可以得出:鹽漬化與地貌類型呈高度對應的聚集分布。在較高海拔區(qū)的中海拔沖積扇平原和中海拔沖積洪積扇平原的鹽漬化程度較低,集中于0—5.50ms/m。處于稀疏植被區(qū)和荒漠區(qū)的低海拔半固定草灌叢沙堆、低海拔固定草灌叢沙堆地貌類型的鹽漬化程度較重,主要位于研究區(qū)東北部、南部和西部綠洲邊緣區(qū),電導率普遍大于16.49ms/m。低海拔沖積扇平原是研究區(qū)主要的地貌類型,鹽漬化普遍較重,集中于5.50—16.49ms/m,但位于研究區(qū)南部邊的部分區(qū)域鹽漬化較輕,集中于0—5.50ms/m。位于研究區(qū)南部和塔里木河北岸交界的低海拔沖積河漫灘鹽漬化較重,但集中于小于34ms/m。綜上分析可以得出基于地貌類型分區(qū)后的整體預測精度比根據(jù)植被分區(qū)低,但顯著高于不分區(qū)時的精度,在以后的分析中以植被分區(qū)來作為依據(jù)更為適宜。
圖9 基于植被類型分區(qū)的鹽漬化組合結果圖Fig.9 Combination inversion result of soil salinity based on vegetation partitioning
圖10 基于地貌類型分區(qū)的鹽漬化組合結果圖Fig.10 Combination result based on geomorphological partitioning
表5 通過地貌類型分區(qū)后不同結果反演的精度比較
通過反演得到10種物候參數(shù)和計算得到植被指數(shù)、鹽漬化指數(shù)、地形參數(shù)等12種非物候參數(shù)作為BP-ANN模型的輸入因子,把在實驗室實測的電導率數(shù)據(jù)作為輸出數(shù)值,最后反演得到鹽漬化信息空間分布圖,得到以下結論:
(1) 鹽漬化的形成受多種因素的影響,與物候參數(shù)大多呈非線性關系,不能單純的以某擬合公式來進行表達,需借助人工神經(jīng)網(wǎng)絡超強的非線性擬合能力來反演鹽漬化信息。
(2) 代表生物累積量的LSI和SSI最能顯著的表征鹽漬化的變化情況。
(3) 通過深挖植被多方面的信息,在融入物候參數(shù)后的鹽漬化反演精度顯著提高,可決系數(shù)從0.68增加為0.79,但是僅依據(jù)植被方面的信息不足以來精確反演鹽漬化信息,需要加入地形、影像數(shù)據(jù)和土壤水分空間分布情況等方面的信息。
(4) 按照植被類型分區(qū)后的鹽漬化信息預測精度進一步提升,R2達到了0.88。極可能是因為通過植被分區(qū)研究后能夠用BP-ANN模型擬合得到對應最佳局部的擬合方程,因此十分有必要按照植被類型進行分區(qū)來反演鹽漬化信息。
(5) 按照地貌類型分區(qū)后的預測精度相比于不分區(qū)時有顯著的增加,RMSE從9.55減小為8.18,R2從0.79增加為0.85,但綜合預測精度比按照植被類型時偏低。
(6) 研究區(qū)非鹽漬化和輕度鹽漬化、中度鹽漬化和重度鹽漬化地比例分別為53.42%、13.71%和32.87%,鹽漬化地普遍存在,研究區(qū)東部和東南部鹽漬化最為嚴重。高程和地貌類型對鹽漬化分布影響顯著。
綜上分析可得出融合物候特征和按照植被類型或地貌類型分區(qū)后鹽漬化的反演精度顯著提高。但本文的采樣點較少,只有87個樣點,在建立BP-ANN神經(jīng)網(wǎng)絡模型時數(shù)據(jù)量略顯不足,但是渭庫綠洲本身綠洲-荒漠形態(tài)的界限鮮明,在綠洲農(nóng)用地區(qū)、綠洲荒漠交錯帶和荒漠對應區(qū)域的同質(zhì)性較強,因此野外實測的樣點雖較少,但是均勻分布在了這3個大區(qū)域中,所以文中分析的結果基本符合實際情況。因此本文側重點在于介紹一種結合物候與非物候參數(shù)來進行反演鹽漬化信息的方法,以及按照植被類型和地貌類型分區(qū)進行預測鹽漬化信息的思維模式。物候參數(shù)代表鹽漬化長期受影響的因素,非物候參數(shù)主要代表短期內(nèi)的影響因素,通過探討結合長期和短期內(nèi)的影響因子來反演鹽漬化信息,最后得出這種結合方法的預測精度較高,具有較高的應用潛力。以后應該要針對研究區(qū)多采集樣點,以更好的挖掘物候參數(shù)在預測鹽漬化信息空間分布的能力,并進一步探討如同時考慮按植被和地貌分區(qū)后的預測精度,以及按照植被和地貌類型分區(qū)后對于預測結果的影響機理。
[1] 塔西甫拉提·特依拜, 吐爾遜·艾山, 海米提·司馬義, 丁建麗. 土壤鹽漬化遙感監(jiān)測研究進展綜述. 新疆大學學報: 自然科學版, 2008, 25(1): 1- 7.
[2] Gorji T, Tanik A, Sertel E. Soil salinity prediction, monitoring and mapping using modern technologies. Procedia Earth and Planetary Science, 2015,15: 507- 512.
[3] Metternicht G I, Zinck J A. Remote sensing of soil salinity: potentials and constraints. Remote sensing of Environment, 2003, 85(1): 1- 20.
[4] 候春玲. 基于BP神經(jīng)網(wǎng)絡的黃河三角洲典型鹽漬區(qū)遙感監(jiān)測研究[D]. 青島: 中國石油大學, 2010.
[5] 劉勤, 王宏衛(wèi), 丁建麗, 柴春梅. 干旱區(qū)區(qū)域土壤鹽漬化監(jiān)測研究進展及其未來熱點. 新疆大學學報: 自然科學版, 2014, 31(1): 108- 115.
[6] 姚遠, 丁建麗, 雷磊, 江紅南, 張芳, 牛濤. 干濕季節(jié)下基于遙感和電磁感應技術的塔里木盆地北緣綠洲土壤鹽分的空間變異性. 生態(tài)學報, 2013, 33(17): 5308- 5319.
[7] 丁建麗, 瞿娟, 孫永猛, 張永福. 基于MSAVI-WI特征空間的新疆渭干河—庫車河流域綠洲土壤鹽漬化研究. 地理研究, 2013, 32(2): 223- 232.
[8] 丁建麗, 姚遠, 王飛. 干旱區(qū)土壤鹽漬化特征空間建模. 生態(tài)學報, 2014, 34(16): 4620- 4631.
[9] 丁建麗, 伍漫春, 劉海霞, 李爭光. 基于綜合高光譜指數(shù)的區(qū)域土壤鹽漬化監(jiān)測研究. 光譜學與光譜分析, 2012, 32(7): 1918- 1922.
[10] 趙振亮, 塔西甫拉提·特依拜, 張飛, 買買提·沙吾提, 雷磊, 桂東偉. 塔里木河中游典型綠洲土壤含鹽量的光譜特征. 自然災害學報, 2012, 21(5): 72- 78.
[11] 張芳, 熊黑鋼, 安方舟, 夏倩柔. 基于鹽(堿)生植被蓋度的土壤堿化分級. 土壤學報, 2012, 49(4): 665- 672.
[12] Yin C H, Feng G, Zhang F S, Tian C Y, Tang C X. Enrichment of soil fertility and salinity by tamarisk in saline soils on the northern edge of the Taklamakan Desert. Agricultural Water Management, 2010, 97(12): 1978- 1986.
[13] Taghizadeh-Mehrjardi R, Minasny B, Sarmadian F, Malone B P. Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 2014, 213(213): 15- 28.
[14] Lobell D B, Lesch S M, Corwin D L, Ulmer M G, Anderson K A, Potts D J, Doolittle J A, Matos M R, Baltes M J. Regional-scale assessment of soil salinity in the Red River Valley using multi-year MODIS EVI and NDVI. Journal of Environmental Quality, 2010, 39(1): 35- 41.
[15] Zhang T T, Qi J G, Gao Y, Ouyang Z T, Zeng S L, Zhao B. Detecting soil salinity with MODIS time series VI data. Ecological Indicators, 2015, 52: 480- 489.
[16] 牛增懿, 丁建麗, 李艷華, 王爽, 王璐, 馬成霞. 基于高分一號影像的土壤鹽漬化信息提取方法. 干旱區(qū)地理, 2016, 39(1): 171- 181.
[17] Douaoui A E K, Nicolas H, Walter C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma, 2006, 134(1/2): 217- 230.
[18] Wiegand C, Anderson G, Lingle S, Escobar D. Soil salinity effects on crop growth and yield-Illustration of an analysis and mapping methodology for sugarcane. Journal of Plant Physiology, 1996, 148(3/4): 418- 424.
[19] Madrigal L P, Wiegand C L, Meraz J G, Rubio B D R, Estrada X C, Ramirez O L. Soil salinity and its effect on crop yield: A study using satellite imagery in three irrigation districts. Ingeniería Hidráulica en México, 2003, 18: 83- 97.
[20] Tilley D R, Ahmed M, Son J H, Badrinarayanan H. Hyperspectral reflectance response of freshwater macrophytes to salinity in a brackish subtropical marsh. Journal of Environmental Quality, 2007, 36(3): 780- 789.
[21] Zhang T T, Zeng S L, Gao Y, Ouyang Z T, Li B, Fang C M, Zhao B. Using hyperspectral vegetation indices as a proxy to monitor soil salinity. Ecological Indicators, 2011, 11(6): 1552- 1562.
[22] Dehaan R L, Taylor G R. Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization. Remote Sensing of Environment, 2002, 80(3): 406- 417.
[23] 江紅南, 丁建麗, 塔西甫拉提·特依拜, 趙睿,張飛. 基于ETM+數(shù)據(jù)的干旱區(qū)鹽漬化土壤信息提取研究. 土壤學報, 2008, 45(2): 222- 228.
[24] 尼格拉·塔什甫拉提. 渭干河—庫車河三角綠洲土壤鹽漬化遙感與近感協(xié)同監(jiān)測方法研究[D]. 烏魯木齊: 新疆大學, 2014.
[25] 高婷婷, 丁建麗, 哈學萍, 張飛, 王飛. 基于流域尺度的土壤鹽分空間變異特征——以渭干河-庫車河流域三角洲綠洲為例. 生態(tài)學報, 2010, 30(10): 2695- 2705.
[26] Eklundh L, J?nsson P. Timesat 3.1 Software Manual. Lund, Sweden: Lund University, 2011.
[27] Khan N M, Rastoskuev V V, Sato Y, Shiozawa S. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 2005, 77(1/3): 96- 109.
[28] 王飛, 丁建麗, 伍漫春. 基于NDVI-SI特征空間的土壤鹽漬化遙感模型. 農(nóng)業(yè)工程學報, 2010, 26(8): 168- 173.
[29] Deering D W, Rouse J W Jr, Haas R H, Schell J A. Measuring "Forage Production" of grazing units from Landsat MSS Data//10th International Symposium on Remote Sensing of Environment. ERIM, Ann Arbor, 1975: 1169- 1179.
[30] Baret F, Guyot G, Major D J. TSAVI: A Vegetation Index which minimizes soil brightness effects on LAI And APAR estimation. Quantitative remote sensing: an economic tool for the nineties // IGARSS ′89: 12th Canadian symposium on remote sensing. Vancouver, Canada, 1989: 1355- 1358.
[31] Qi J, Huete A R, Moran M S, Chehbouni A, Jackson R D. Interpretation of vegetation indices derived from multi-temporal SPOT images. Remote Sensing of Environment, 1993, 44(1): 89- 101.
[32] Sandholt I, Rasmussen K, Andersen, J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status.Remote Sensing of Environment, 2002, 79(2/3): 213- 224.
[33] 秦承志, 楊琳, 朱阿興, 李寶林, 裴韜, 周成虎. 平緩地區(qū)地形濕度指數(shù)的計算方法. 地理科學進展, 2006, 25(6): 87- 93.
[34] Moore I D, Grayson R B, Ladson A R. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological Processes, 1991, 5(1): 3- 30.
[35] 田苗, 王鵬新, 孫威. 基于地表溫度與植被指數(shù)特征空間反演地表參數(shù)的研究進展. 地球科學進展, 2010, 25(7): 698- 705.
[36] 張飛, 塔西甫拉提·特依拜, 丁建麗, 買買提·沙吾提, 桂東偉, 韓桂紅, 孫倩. 塔里木河流域中游渭干河-庫車河綠洲鹽漬土水鹽信息光譜特征研究. 地理與地理信息科學, 2012, 28(1): 65- 70.
[37] 陳斌, 張學霞, 華開, 徐珂. 溫度植被干旱指數(shù)(TVDI)在草原干旱監(jiān)測中的應用研究. 干旱區(qū)地理, 2013, 36(5): 930- 937.
[38] 劉立文, 張吳平, 段永紅, 邢立新, 陳圣波, 趙敏. TVDI模型的農(nóng)業(yè)旱情時空變化遙感應用. 生態(tài)學報, 2014, 34(13): 3704- 3711.
[39] Gu D, Gillespie A. Topographic normalization of Landsat TM images of forest based on subpixel sun-canopy-sensor geometry. Remote Sensing of Environment, 1998, 64(2): 166- 175.
[40] Soenen S A, Peddle D R, Coburn C A. SCS+C: A modified sun-canopy-sensor topographic correction in forested terrain. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(9): 2148- 2159.
[41] 王光華, 劉琪璟, 李俊清. 確定SCS+C地形校正模型經(jīng)驗參數(shù)C的不同抽樣方法的比較. 計算機應用研究, 2013, 30(1): 310- 313.
[42] Allbed A, Kumar L. Soil salinity mapping and monitoring in arid and semi-arid regions using remote sensing technology: a review. Advances in Remote Sensing, 2013, 2(4): 373- 385.
[43] J?nsson P, Eklundh L. TIMESAT-a program for analyzing time-series of satellite sensor data. Computers and Geosciences, 2004, 30(8): 833- 845.
[44] 馬新萍, 白紅英, 賀映娜, 秦進. 基于NDVI的秦嶺山地植被遙感物候及其與氣溫的響應關系——以陜西境內(nèi)為例. 地理科學, 2015, 35(12): 1616- 1621.
[45] 馬勇剛, 張弛, 塔西甫拉提·特依拜. 中亞區(qū)域陸表植被物候時空變化特征分析. 干旱區(qū)地理, 2014, 37(2): 310- 317.
[46] 樸世龍, 方精云. 1982—1999年我國陸地植被活動對氣候變化響應的季節(jié)差異. 地理學報, 2003, 58(1): 119- 125.
[47] 侯學會, 牛錚, 高帥, 黃妮. 基于SPOT-VGT NDVI時間序列的農(nóng)牧交錯帶植被物候監(jiān)測. 農(nóng)業(yè)工程學報,2013, 29(1): 142- 150.
[48] 葉鑫, 周華坤, 劉國華, 姚步青, 趙新全. 高寒矮生嵩草草甸主要植物物候特征對養(yǎng)分和水分添加的響應. 植物生態(tài)學報, 2014, 38(2): 147- 158.
[49] 王靜, 劉湘南, 黃方, 唐吉龍, 趙冷冰. 基于ANN技術和高光譜遙感的鹽漬土鹽分預測. 農(nóng)業(yè)工程學報, 2009, 25(12): 161- 166.
[50] 喬紀綱, 鄒春洋. 基于神經(jīng)網(wǎng)絡的元胞自動機與土地利用演化模擬——以廣州市白云區(qū)為例. 測繪與空間地理信息, 2012, 35(7): 17- 20.
[51] 路春燕, 衛(wèi)海燕, 白俊燕. 基于BP神經(jīng)網(wǎng)絡的城市化發(fā)展生態(tài)環(huán)境壓力響應研究——以延安市為例. 干旱區(qū)資源與環(huán)境, 2012, 26(4): 61- 66.
[52] 黎夏, 葉嘉安. 基于神經(jīng)網(wǎng)絡的元胞自動機及模擬復雜土地利用系統(tǒng). 地理研究, 2005, 24(1): 19- 27.
[53] 劉海霞. 基于Bp Adaboost預測器的土壤鹽漬化預警研究[D]. 烏魯木齊: 新疆大學, 2012.
Research on data mining of salinization information based on phenological characters
HE Baozhong1,2, DING Jianli1,2,*, WANG Fei1,2, ZHANG Zhe1,2, LIU Bohua1,2
1CollegeofResourceandEnvironmentalScience,XinjiangUniversity,Urumqi830046,China2KeyLaboratoryforOasisEcology,XinjiangUniversity,Urumqi830046,China
Soil salinization is an important factor that affects crop and vegetation growth condition and can result in environmental impacts with considerable economic consequences. Therefore, it is necessary to determine an effective method to monitor spatiotemporal salinity distribution. We used MOD13A1 time-series NDVI data to determine the vegetation phenology, including start of season (SOS), end of season (EOS), length of season (LEN), etc., and calculated several vegetation, salinity, terrain, and drought indexes, and spatial models. These were used as input parameters for the BP-ANN model. Meanwhile, we predict the soil salinity through vegetation and geomorphological partitioning, which described the correlations between vegetation or geomorphic type and salinization. The main conclusions are as follows: salinity is influenced by many factors, and many of them show non-linear relationships between phenological indicators and salinization, so we utilized artificial neural networks to predict soil salinity than mathematical equations; through a combination of phenology parameters, the precision of inversion salinityR2improved from 0.68 (no phenologcial indicators were included) to 0.79 (phenological indicators were included). However, additional auxiliary data to predict soil salinity, such as terrain, image, and soil moisture parameters should also be included. After the classification of the vegetation, the inversion precision improved obviously, whereR2increased to 0.88. Phenological characters, such as large seasonal integrals (LSIs) and small seasonal integrals (SSIs) are good indicators to represent soil salinity. After geomorphological partitioning,R2increased to 0.85, indicating that it could be a good salinity predictor, but the ability of comprehensive inversion was lower than vegetation type partitioning. In farmland, the salinity level was low. The low, intermediate, and high salinization was 53.42, 13.71, and 32.87% respectively. Generally, salinization was higher at lower altitudes, and the salinity level was affected by terrain and geomorphological factors. The above conclusions indicate an effective method for the inversion of salinization levels that combines phenology and other parameters for comprehensively determining the effect of phenological information on salinity monitoring ability in data mining. The inversion of soil salinity is enhanced by the inclusion of phenological parameters.
salinization; phenological information; land parameters; data mining
新疆維吾爾自治區(qū)重點實驗室專項基金(2016D03001, 2014KL005); 新疆維吾爾自治區(qū)科技支疆項目(201591101); 2014級新疆大學博士生科技創(chuàng)新項目(XJUBSCX-2014013); 國家自然科學基金項目(U1303381, 41261090, 41161063); 教育部促進與美大地區(qū)科研合作與高層次人才培養(yǎng)項目
2016- 07- 20;
2017- 03- 03
10.5846/stxb201607201479
*通訊作者Corresponding author.E-mail: Ding_jl@163.com
何寶忠,丁建麗,王飛,張喆,劉博華.基于物候特征的鹽漬化信息數(shù)據(jù)挖掘研究.生態(tài)學報,2017,37(9):3133- 3148.
He B Z, Ding J L, Wang F, Zhang Z, Liu B H.Research on data mining of salinization information based on phenological characters.Acta Ecologica Sinica,2017,37(9):3133- 3148.