EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 3: 431 - 444

DOI: https://doi.org/10.13866/j.azr.2025.03.04

水土资源

基于遥感的土壤盐渍化风险评估及其演变规律

  • 强欣欢 , 1 ,
  • 高文文 , 2 ,
  • 王博 3, 4, 5 ,
  • 谭剑波 6 ,
  • 赵旦 7, 8 ,
  • 闫世勇 9 ,
  • 隋立春 1
展开
  • 1.长安大学地质工程与测绘学院，陕西 西安 710054
  • 2.太原理工大学水利科学与工程学院，山西 太原 030024
  • 3.中国地质调查局西安矿产资源调查中心，陕西 西安 710101
  • 4.秦岭—黄土高原过渡带水土要素耦合与生物资源保育野外观测研究站，陕西 渭南 714000
  • 5.自然资源部自然资源要素耦合过程与效应重点实验室，北京 100055
  • 6.长沙理工大学交通运输工程学院，湖南 长沙 410001
  • 7.中国科学院空天信息创新研究院遥感科学国家重点实验室，北京 100094
  • 8.中国科学院大学资源与环境学院，北京 100049
  • 9.中国矿业大学环境与测绘学院，江苏 徐州 221116
高文文. E-mail:

强欣欢（1999-），女，硕士研究生，主要从事生态遥感. E-mail:

收稿日期: 2024-09-12

  修回日期: 2024-11-19

  网络出版日期: 2025-08-13

基金资助

山西省基础研究计划青年项目(202203021212273)

中国地质调查局地质调查项目(DD20220882)

中国地质调查局地质调查项目(KC20230013)

收起

Remote sensing-based risk assessment of soil salinization and its change over time

  • QIANG Xinhuan , 1 ,
  • GAO Wenwen , 2 ,
  • WANG Bo 3, 4, 5 ,
  • TAN Jianbo 6 ,
  • ZHAO Dan 7, 8 ,
  • YAN Shiyong 9 ,
  • SUI Lichun 1
Expand
  • 1. School of Geological Engineering and Geomatics, Chang’an University, Xi’an 710054, Shaanxi, China
  • 2. School of Hydro Science and Engineering, Taiyuan University of Technology, Taiyuan 030024, Shanxi, China
  • 3. Xi’an Center of Mineral Resources Survey, China Geological Survey, Xi’an 710101, Shaanxi, China
  • 4. Qinling-Loess Plateau Transition Zone Observation and Research Station for Coupling of Soil and Water Elements and Conservation of Biological Resources, Weinan 714000, Shaanxi, China
  • 5. Key Laboratory of Coupling Process and Effect of Natural Resources Elements, Beijing 100055, China
  • 6. School of Traffic and Transportation Engineering, Changsha University of Science & Technology, Changsha 410001, Hunan, China
  • 7. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 8. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 9. School of Environment and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, Jiangsu, China

Received date: 2024-09-12

  Revised date: 2024-11-19

  Online published: 2025-08-13

Fold

摘要

土壤盐渍化风险评估监测对于精准治理盐渍土、保障农业与生态可持续发展具有重要意义。本文以大荔县为研究对象，依据土壤盐分驱动机理和过程，结合土壤盐分表征状态，利用CRITIC赋权法构建了综合盐分指数、综合土壤指数、综合植被指数和综合地理指数，并采用AHP-熵权法组合权重法构建土壤盐渍化风险评估模型。监测发现：大荔县土壤盐渍化风险主要以轻度为主，其中2021年盐渍化风险等级较高，中度及以上盐渍化风险总面积达到近4 a最大值，占比约为50%。2020—2023年土壤盐渍化风险等级变化特征以风险升级型为主，且东部的黄河流域周边土壤盐渍化风险等级稳定性较差。耕地是治理分区内预警区和修复区的主要土地覆被类型，主要分布在大荔县东部。通过相关性验证发现土壤盐渍化风险评估结果与同期实测土壤电导率样点之间呈显著强相关关系，土壤盐渍化风险评估模型能够有效地表征大荔县土壤盐渍化时空演变特征。此外，土壤盐渍化风险加重主要受集中强降雨、气温升高、地下水位升高、地表蒸散量增加、农业生产等多因素的影响。因此，大荔县土壤盐渍化风险评估能够为精准、高效地治理盐渍土提供科学的理论依据及数据支撑，有效地促进农业生产结构调整及生态可持续发展。

关键词： 土壤盐渍化; 遥感; 大荔县; 信息演变图谱; 组合权重法

本文引用格式

强欣欢 , 高文文 , 王博 , 谭剑波 , 赵旦 , 闫世勇 , 隋立春 . 基于遥感的土壤盐渍化风险评估及其演变规律[J]. 干旱区研究, 2025 , 42(3) : 431 -444 . DOI: 10.13866/j.azr.2025.03.04

Abstract

Assessment of the risk of soil salinization and associated monitoring are particularly significant for the precise management of saline soil and to ensure sustainable agricultural development. Taking Dali County as a focus, this study used the CRITIC weighting method to construct a comprehensive salt index, comprehensive soil index, comprehensive vegetation index, and comprehensive geographical index based on the soil salt driving mechanism and process, combined with the characterized soil salt state. It also used the analytic hierarchy process-entropy combined weight method to construct a model for assessing the risk of soil salinization. Monitoring revealed that the risk of soil salinization in Dali County is mainly mild, although the level of salinization risk in 2021 was relatively high. Meanwhile, the total area with salinization risk that is moderate or above peaked in the last four years, accounting for approximately 50% of the total. From 2020 to 2023, the changes in the level of soil salinization risk mainly involved risk escalation, and the stability of the soil salinization risk level around the Yellow River Basin in the east was relatively poor. Cultivated land is the main land cover type in the warning zone and restoration zone within the saline soil management zoning and both warning zone and restoration zone are mainly distributed in the eastern part of Dali County. Upon efforts to confirm the findings by determining the correlations between the soil salinization risk assessment results and the soil conductivity samples measured in the same period, there was a significant strong correlation between them. The model for assessing the risk of soil salinization can effectively characterize the spatiotemporal evolution of soil salinization in Dali County. In addition, the increased risk of soil salinization was shown to be mainly associated with multiple factors such as concentrated heavy rainfall, rising temperatures, rising groundwater levels, increased surface evapotranspiration, and agricultural production. Therefore, assessment of the risk of soil salinization in Dali County can provide a theoretical and scientific basis and data support for the precise and efficient management of saline soils and effectively promote the adjustment of agricultural production structure and achieve ecologically sustainable agricultural development.

Key words： soil salinization; remote sensing; Dali County; information evolution map; combined weight method

土壤盐渍化由自然或人类活动引起，它能造成土地荒芜，耕地质量下降，草场退化，直接威胁人类的生存和发展[1]。目前，我国盐渍土总面积约为3.6×107 hm2，我国耕地中盐渍化面积达到920.9×104 hm2，占全国耕地面积的6.6%。大荔县地处黄河西岸，土地可变性强，地下水位较浅且矿化度较高，极易形成盐渍土，对其农业生产和经济发展有一定影响。然而针对盐渍化的监测，人们通常在盐渍化程度严重影响植被生长时才会重视，而此时盐渍土的复垦和改良已变得十分艰巨[2]。因此，科学地指导盐渍土治理，实现土地资源的可持续发展需要对土壤盐渍化进行精准的动态监测。
传统的盐渍化监测需要野外采集获取土壤盐分信息，并通过空间插值结果反映土壤盐分的空间分布状况。该方法能够精准得到采样点周围的土壤含盐量信息，然而以点代面的方法耗时且工作量大，难以实现大区域尺度的长时序监测[3]。遥感技术具有宏观、快速、动态的特点，已成为土壤盐渍化大尺度时空监测的主要手段。Elnagga等[4]基于Landsat影像，利用决策树分类方法对俄勒冈州干旱区盐渍化提取，盐渍土识别准确率达到98.8%。Wang等[5]结合Landsat影像与实地调查数据，监测1979—2009年中国半干旱区盐渍土时空变化，发现盐渍土面积以每年0.28%的速度增加。Kabiraj等[6]基于Landsat 8和Sentinel-2遥感影像构建土壤盐分反演模型，监测印度Thoothukdu地区土壤盐渍化程度空间分布，准确率达97%以上。洪国军等[7]利用Sentinel-2和Landsat 9遥感影像监测新疆阿拉尔垦区棉田的土壤盐渍化程度的空间格局，验证精度R2可达到0.85。综上所述，遥感技术进行土壤盐渍化研究，既能够有效地识别盐渍土的时空格局，又能针对土壤盐渍化发生的成因、机理和过程实现土壤盐渍化程度的精准监测。
基于机器学习方法构建土壤盐渍化评估模型可以实现土壤盐渍化程度的监测，但该方法需要训练大量实测盐渍土样本数据，对于样本数据缺乏或者区域尺度长时序的盐渍化监测具有一定困难[8-9]。因此，部分学者发展了基于不同理论模型，利用评价指标来构建土壤盐渍化评估模型的方法，主要包括主观赋权法和客观赋权法。Seydehmet等[10]基于高程、归一化植被指数和地表蒸散量等17个评价指标，采用层次分析法构建新疆克利雅绿洲土壤盐渍化风险评估模型。De等[11]基于起伏度、归一化植被指数和人口密度等16个评价指标，采用层次分析法构建宁夏银川平原土壤盐渍化风险评估模型。主观赋权法主要依赖于人们的先验知识判断，在一定程度上会影响土壤盐渍化评估结果的客观性和准确性[12]。依力亚斯江等[13]基于灰色关联法选用地面高程、地表反照率和归一化植被指数等14个指标，构建于田绿洲盐渍化风险灰色评价模型。Wang等[14]利用相关系数法基于植被衰老反射指数、归一化植被指数和坡度等12个评价指标构建艾比努尔湖湿地国家自然保护区旱季和雨季土壤盐渍化风险评估模型。客观赋权法虽然遵循了客观科学数据信息，但容易忽视实际情况中各评价因子的影响程度[12]。因此，基于主客观相结合的方法进行土壤盐渍化监测[15]，能够避免单一主观赋权法或客观赋权法存在的问题，精准地评判各评价因子在土壤盐渍化监测中的实际重要程度，实现长时序大尺度土壤盐渍化的精准监测。
因此，本文依据土壤盐分驱动机理和过程，结合土壤盐分表征状态，基于10 m空间分辨率Sentinel-2遥感数据，结合气象、地形及人类活动强度数据，采用主客观相结合的层次分析法（Analytic Hierarchy Process，AHP）——熵权法组合权重法构建大荔县土壤盐渍化风险评估模型，分析评估2020—2023年大荔县土壤盐渍化风险空间分布及演变规律，提出科学的盐渍土治理分区，为大荔县农业生产、经济及生态可持续发展提供可靠的理论依据。

1 研究区及数据源

1.1 研究区概况

大荔县位于黄土高原南部的陕西关中东部（34°36′~35°02′N，109°43′~110°19′E），地处黄河、渭河、洛河三河汇流之地（图1）。总面积1776 km2，海拔329~534 m，属于暖温带半湿润、半干旱季风气候，年均气温14.4 ℃，年降雨量514 mm，且降雨主要集中在夏季，特别是2021年出现了1961年以来的最强降雨，年降雨量超过往年同期水平，达到726.2 mm。地势总体呈西北高东南低的特征，拥有黄土台塬、渭河阶地、洛南沙苑和黄河滩地4种地貌类型，黄河滩地位于大荔县的东部及南部地区，受河水汛后淤积改道的影响，土地可变性较强。土壤类型主要分为垆土、风沙土、黄土、淤土及盐渍土，其中，盐渍土约占全县土壤总面积的6%，其表层土壤以粉砂壤土为主，有机质、氮、磷、钾含量低，保水保肥能力差。大荔县土地利用类型主要以耕地为主，水浇地是耕地的主要类型，占耕地面积的91%。种植方式为小麦和玉米轮作种植，农业灌溉使用喷灌、滴灌和微灌方式，灌溉水源主要来自地表河水和地下井水。大荔县地下水埋深较浅且矿化度高，易形成盐渍土[16]。
图1 大荔县地理位置

Fig. 1 Location of Dali County

1.2 数据源

选取2020—2023年逐年同期（8月）Sentinel-2作为遥感数据源，数据来源于欧空局（https://scihub.copernicus.eu/）。降水数据选用364个国家级气象站点逐日降水量数据，采用克里金插值方法获取空间分辨率为1 km全国尺度降水插值结果，并裁取大荔县降水空间数据作为其年累积降水数据，数据来自美国国家海洋和大气管理局（NOAA）（https://www.ncei.noaa.gov）。数字高程模型（DEM）来自日本地球遥感数据分析中心（ERSDAC）（http://ersdac.or.jp）空间分辨率为30 m的ASTER GDEM数据集。陆地表层人类活动强度指数（Human Activity Intensity of Land Surface，HAILS）是表征人类活动强度的指数，该数据集基于ChinaCover土地覆被数据集进行估算得到[17-18]。2022年6月16日至7月6日使用集思宝G138BD高精度手持机GPS采集大荔县25个0~20 cm土深的浅层土壤样品，并按照《HJ 802-2016》标准[19]进行土壤电导率测定，获取研究区实测土壤电导率数据，空间分布如图1所示。

2 研究方法

2.1 土壤盐渍化风险评估模型

2.1.1 模型理论

依据土壤盐分驱动机理和过程[20-21]，结合土壤盐分表征状态，构建包含A1土壤含盐量、A2土壤质地、A3植被生长状况和A4地理环境的土壤盐分表征状态层，并选用对应的B1综合盐分指数、B2综合土壤指数、B3综合植被指数和B4综合地理指数构建其评价因子层。基于评价因子层指标，采用AHP-熵权法组合权重法，构建土壤盐渍化风险评估模型（Soil salinization risk assessment model，SSR），并将评语集合层划分为C1无盐渍化风险、C2轻度盐渍化风险、C3中度盐渍化风险、C4重度盐渍化风险和C5极度盐渍化风险5个盐渍化风险等级，具体理论框架如图2所示。
图2 土壤盐渍化风险评估理论框架

Fig. 2 The theoretical framework for soil salinization risk assessment

2.1.2 模型指标

基于CRITIC赋权法，构建土壤盐渍化风险评估模型SSR的评价因子层指数。其中，B1综合盐分指数采用19个土壤盐分指数，B2综合土壤指数采用4个土壤质地指数，B3综合植被指数采用10个植被指数，B4综合地理指数采用Slope、降水量及HAILS 3个指标来构建，具体内容如表1所示，以上数据均重采样到10 m空间分辨率。
表1 土壤盐渍化风险评估模型指标

Tab. 1 Indicators for soil salinization risk assessment model

指标类型 指标名称 指标计算公式及方法 指标名称 指标计算公式及方法
土壤质地 黏土指数 $\text { CLEX }=\frac{S W I R 1}{S W I R 2}$ 石膏指数 $\text { GYEX }=\frac{S W I R 1-N I R}{S W I R 2+N I R}$
碳化指数 $\mathrm{CAEX}=\frac{G}{B}$ 亮度指数 $\mathrm{BI}=\sqrt{G^{2}+B^{2}}$
植被生长状况 比值植被指数 $\mathrm{RVI}=\frac{N I R}{R}$ 差值植被指数 $\mathrm{DVI}=N I R-R$
非线性植被指数 $\mathrm{NLI}=\frac{N I R^{2}-R^{2}}{N I R^{2}+R}$ 广义差分植被指数 $\mathrm{GDVI}=\frac{N I R^{2}-R^{2}}{N I R^{2}+R^{2}}$
增强型归一化植被
指数		 $\mathrm{ENDVI}=\frac{N I R+S W I R 1-R}{N I R+S W I R 2+R}$ 绿色归一化差分植被
指数		 $\mathrm{GNDVI}=\frac{(R E 3-R)}{(R E 3+R)}$
归一化植被指数 $\mathrm{NDVI}=\frac{(N I R-R)}{(N I R+R)}$ 修改型土壤调节植被
指数		 $\mathrm{MSAVI} =\frac{(N I R \times 2+1)-\sqrt{(N I R \times 2+1)^{2}-(N I R-R) \times 8}}{2}$
红外百分比植被指数 $\mathrm{IPVI}=\frac{N I R}{N I R+R}$ 全球植被水分指数 $\mathrm{GVMI} =\frac{(\text { NIR }+0.1)-(S W I R 1+0.02)}{(\text { NIR }+0.1)+(S W I R 1+0.02)}$
土壤含盐量 盐分指数1 $\mathrm{SI1} =\sqrt{G \times} R$ 盐分指数10 $\mathrm{SI10}=\frac{N I R \times R}{G}$
盐分指数2 $ \mathrm{SI} 2=\sqrt{R+G}$ 盐分指数11 $\mathrm{SI11} =\frac{\text { SWIR } 1-\text { SWIR2 } 2}{\text { SWIR } 1+\text { SWIR2 }}$
盐分指数3 $\mathrm{SI} 3=\sqrt{G^{2}+R^{2}+N I R^{2}}$ 盐分指数12 $\mathrm{SI12}=\frac{G \times R}{2}$
盐分指数4 $\mathrm{SI} 4=\sqrt{G^{2}+R^{2}}$ 盐分指数13 $\mathrm{SI13}=\frac{G+R+N I R}{2}$
盐分指数5 $\mathrm{SI5}=\frac{S W I R 1}{N I R}$ 盐度指数 $\mathrm{SI}-\mathrm{T}=\frac{R}{N I R} \times 100$
盐分指数6 $\mathrm{SI} 6=\frac{B}{R}$ 土壤盐碱度指数1 $\mathrm{SSSI}-1=R-N I R$
盐分指数7 $\mathrm{SI} 7=\frac{B-R}{B+R}$ 土壤盐碱度指数2 $\mathrm{SSSI}-2=\frac{R \times N I R-N I R \times N I R}{R}$
盐分指数8 $\mathrm{SI} 8=\frac{G \times R}{B}$ 归一化盐分指数 $\mathrm{NDSI}=\frac{N I R-S W I R 1}{N I R+S W I R 1}$
盐分指数9 $\mathrm{SI9}=\frac{B \times R}{G}$ 盐分比指数 $\mathrm{SAIO}=\frac{G-N I R}{B+N I R}$
增强型土壤盐分指数 $\mathrm{ERSSI}=\frac{G^{2}}{R \times S W I R 1}$
地理环境 Slope S l o p e   = a r c t a n   e l e v a t i o n     d i s t a n c e  ，elevation为高程差，distance为水平距离，参数从DEM数据获取
年降水量 国家级气象站点逐日降水量数据，采用克里金插值方法获取1 km空间分辨率的年累积降水数据
HAILS $\text { HAILS }=\frac{S_{C L E}}{S}$， S C L E为建设用地当量面积；S为区域总面积，参数从ChinaCover土地覆被数据获取

注：G、B、R、NIR、SWIR1、SWIR2、RE3分别为Sentinel-2影像的绿、蓝、红、近红外、短波红外1、短波红外2和红边3波段。

2.1.3 模型构建方法

2.1.3.1 CRITIC赋权法

本文采用CRITIC方法构建评价因子层B1综合盐分指数、B2综合土壤指数、B3综合植被指数和B4综合地理指数。该方法是根据指标之间的对比强度和冲突性进行综合评价的一种客观赋权法[22]，其具体公式如下：
W i = C i ∑ j = 1 n C i
式中： C i表示第i个指标的信息量，信息量越大则权重越大； W i表示第i个指标的权重结果。

2.1.3.2 AHP-熵权法组合权重法

本文采用AHP-熵权法组合权重法构建土壤盐渍化风险评估模型，其中，AHP是一种定量与定性相结合的主观决策方法，该方法通过对比两两指标的相对重要程度计算各指标主观权重[23]。熵权法是一种客观反映各评价指标权重的决策方法，通常认为如果指标值之间的差距越大，则该指标在综合评价中所起的作用越大[24]。由于AHP无法避免个人因素对指标权重的影响，而熵权法是仅依靠客观数据可能导致实际重要的评价因子权重很小。因此，将二者相结合，综合计算各评价因子的组合权重[12]。具体计算公式如下：
ω i = P i × E i ∑ i n P i × E i
式中： P i为评价因子i的AHP权重法结果； E i为评价因子i熵权法权重结果； ω i为评价因子i的组合权重结果。因此，根据上述权重计算结果，构建土壤盐渍化风险评估模型，具体计算公式如下：
S S R ' = ∑ i n ω i Y i
S S R = S S R ' - m i n S S R ' m a x S S R ' - m i n S S R '
式中： ω i为驱动因子i的组合权重； Y i为驱动因子i的值； S S R '为土壤盐渍化风险评估初始结果；SSR为土壤盐渍化风险评估结果。
根据自然断点法及大荔县土壤盐渍化风险评估结果，将土壤盐渍化风险评估结果依据评语集合层划分为C1无盐渍化风险（<0.2）、C2轻度盐渍化风险（0.2~0.4）、C3中度盐渍化风险（0.4~0.6）、C4重度盐渍化风险（0.6~0.8）和C5极度盐渍化风险（>0.8）。

2.2 土壤盐渍化风险演变图谱

采用信息演变图谱[25]分析土壤盐渍化风险演变规律，采用编码法获取C1无盐渍化风险、C2轻度盐渍化风险、C3中度盐渍化风险、C4重度盐渍化风险和C5极度盐渍化风险5个评语集合层的编码结果，计算公式如下：
S S R i = 10 n S S R i - y + 10 n - 1 S S R i - y + 1 + … + S S R i - y + n
式中： S S R i为评语集合层 C i的转换编码；y为监测初始年份； S S R i - y为评语集合层 C i在y年对应的编码（属于 C i风险等级则赋值1，反之则赋值为0）；n为监测的年数。根据上述方法，统计各评语集合层 C i的4期土壤盐渍化风险评估的变化结果，并按照其变化含义分为7个转换类型，具体如表2所示。
表2 评语集合层中各风险等级的转换类型、编码和含义

Tab. 2 Conversion types, codes and meanings for each risk grade in the comment collection layer

转换类型 编码 含义
稳定型 a 多年均为i风险等级
增加型 b 从其他风险等级转换而来
减少型 c 转换为其他风险等级
波动稳定型 d 最后一年与初始年份风险等级相同，研究期内呈波动变化
波动增加型 e 最后一年与初始年份相比出现i风险等级，研究期内呈波动变化
波动减少型 f 最后一年与初始年份相比i风险等级消失，研究期内呈波动变化
其他型 o 多年均不为i风险等级
根据得到的各评估评语集合层 C i的转换类型，叠加获取包含土壤盐渍化风险演变图谱，具体公式如下：
S R = 10 4 S S R n o n e   + 10 3 S S R m i l d   + 10 2 S S R m o d e r a t e   +                 10 S S R s e v e r e   + S S R e x t r e m e  
式中： S S R n o n e  、 S S R m i l d  、 S S R m o d e r a t e  、 S S R s e v e r e  、 S S R e x t r e m e  表示各评估评语集合层 C i的转换编码； S R为得到的土壤盐渍化风险演变图谱，将其划分为22类演变模式，4个变化特征分区，如表3所示。
表3 土壤盐渍化风险演变图谱的演变模式及变化特征分区

Tab. 3 Evolutionary patterns and zoning of change characteristics in soil salinization risk evolution map

变化特征分区 编码 演变模式
长期稳定型 A 持续极度盐渍化风险
B 持续重度盐渍化风险
C 持续中度盐渍化风险
D 持续轻度盐渍化风险
E 持续无盐渍化风险
波动稳定型 F 重度盐渍化风险与极度盐渍化风险相互转换并维持在一个稳定状态
G 中度盐渍化风险与重度或极度盐渍化风险相互转换并维持在一个稳定状态
H 轻度盐渍化风险与中度、重度或极度盐渍化风险相互转换并维持在一个稳定状态
I 无盐渍化风险与轻度、中度或重度风险盐渍化相互转换并维持在一个稳定状态
风险降级型 J 重度盐渍化风险（波动）增加，极度盐渍化风险（波动）减少
K 中度盐渍化风险（波动）增加，重度或极度盐渍化风险（波动）减少
L 轻度盐渍化风险（波动）增加，中度或重度盐渍化风险（波动）减少，极度盐渍化稳定
M 轻度盐渍化风险稳定，中度盐渍化风险（波动）增加，重度盐渍化风险（波动）减少
N 无盐渍化风险（波动）增加，轻度、中度、重度或极度盐渍化风险（波动）减少
O 无盐渍化风险稳定，轻度盐渍化风险（波动）增加，中度或重度盐渍化风险（波动）减少
风险升级型 P 重度盐渍化风险（波动）减少，极度盐渍化风险（波动）增加
Q 中度盐渍化风险（波动）减少，重度或极度盐渍化风险（波动）增加
R 轻度盐渍化风险（波动）减少，中度、重度或极度盐渍化风险（波动）增加
S 轻度盐渍化风险稳定，中度盐渍化风险（波动）减少，重度盐渍化风险（波动）增加
T 无盐渍化风险（波动）减少，轻度、中度或重度盐渍化风险（波动）增加
U 无盐渍化风险稳定，中度盐渍化风险（波动）减少，重度盐渍化风险（波动）增加
V 无盐渍化风险稳定，轻度盐渍化风险（波动）减少，中度或重度盐渍化风险（波动）增加
统计2020—2023年土壤盐渍化风险评估结果的变化次数，得到值为0、1、2和3的土壤盐渍化风险演变稳定性图谱，以此分析大荔县土壤盐渍化风险的稳定性。

2.3 盐渍土治理分区

基于每期土壤盐渍化风险演变图谱与土壤盐渍化风险演变稳定性图谱，采用空间叠加的方法构建盐渍土治理分区结果，如表4所示。其中，优化区表示该区域为长期稳定型且从未发生演变，土壤条件状态较为稳定，可保持现有状态并适当进行优化。保护区表示该区域为波动稳定型且发生1次演变，需要采取恰当的盐渍土治理措施对其进行改善。预警区表示该区域为风险降级型且发生两次左右演变，曾存在更高的土壤盐渍化风险等级且稳定性较差，应加强对该区域的盐渍化监测，及时采取治理措施。修复区表示该区域为风险升级型且存在至少两次演变，面临土壤盐渍化风险等级上升趋势且稳定性最差，急需进行盐渍土治理。
表4 盐渍土治理分区

Tab. 4 The management zoning of soil saline

治理分区 变化特征
长期稳
定型		 波动稳
定型		 风险降
级型		 风险升
级型
稳定性 演变0次 优化区 保护区 保护区 预警区
演变1次 保护区 保护区 预警区 预警区
演变2次 保护区 预警区 预警区 修复区
演变3次 预警区 预警区 修复区 修复区

3 结果与分析

3.1 土壤盐渍化风险时空分布格局

采用Pearson相关性检验方法分析实测土壤电导率与土壤盐渍化风险评估结果间相关性，以验证土壤盐渍化风险评估模型的精度。因土壤水溶性盐属于强电解质，其水溶液具有导电作用，所以可通过测定土壤提取液的导电率来衡量水溶性盐浓度大小，有效地反映土壤盐渍化程度[26]。如图3所示，土壤盐渍化风险评估结果与同期实测土壤电导率样点间呈显著强相关（R=0.648，P<0.001），土壤盐渍化风险评估模型能够有效地表征大荔县土壤盐渍化时空分布及变化特征。
图3 2022年土壤盐渍化风险评估结果与实测土壤电导率相关性

Fig. 3 Correlation of soil salinization risk assessment results with measured soil conductivity in 2022

2020年和2022年土壤盐渍化风险等级均以轻度盐渍化风险为主，中度盐渍化风险主要分布在东部黄河流域周边及东南部的赵渡镇（图4）。2023年土壤盐渍化风险等级仍以轻度盐渍化风险为主，但在东北部黄河中上游区有大范围中度盐渍化风险区。2021年土壤盐渍化风险等级以轻度和中度盐渍化风险为主，其中轻度盐渍化风险主要分布在大荔县四周，中度盐渍化风险主要分布在大荔县东北部黄河中上游区，尤其在东南部的赵渡镇和黄河流域周边存在重度和极度盐渍化风险。
图4 2020—2023年土壤盐渍化风险等级时空分布

Fig. 4 Temporal and spatial distribution of soil salinization risk level from 2020 to 2023

如表5所示，2020—2023年均为轻度盐渍化风险面积最大。除2021年之外，其余年份的轻度盐渍化风险面积占比均超过50%，而2021年轻度盐渍化风险面积占比仅为45.062%。2020年、2022年和2023年无盐渍化风险和轻度盐渍化风险总面积占比均超过70%，而2021年两者总面积占比仅53.921%，且两者面积分别比前一年缩小224.157 km2和363.048 km2。2020年中度及以上盐渍化风险的总面积最小，占比不到10%，2021年中度及以上盐渍化风险面积明显扩大，达到近4 a最大值，约占总面积的50%。其中，中度盐渍化风险面积扩大最为明显，与2020年相比扩大了481.720 km2，面积占比增加了30.124%。2021年轻度盐渍化风险与中度盐渍化风险的面积差异与其他年份相比最小，其他年份分别相差934.846 km2、900.639 km2和503.281 km2，而2021年仅相差90.078 km2，且两者总面积占比达到84.491%。2020年、2022年和2023年极度盐渍化风险面积占比均约为0%，甚至2020年重度盐渍化风险面积占比仍约为0%，仅2021年出现较为明显的重度和极度盐渍化风险，两者总面积占比超过6%。
表5 土壤盐渍化各风险等级面积及占比

Tab. 5 Area and proportion of each risk level of soil salinization

土壤盐渍化风险等级 2020年 2021年 2022年 2023年
面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/%
无盐渍化风险 365.825 22.876 141.668 8.859 184.744 11.552 207.160 12.954
轻度盐渍化风险 1083.651 67.763 720.603 45.062 1153.416 72.125 939.002 58.717
中度盐渍化风险 148.805 9.305 630.525 39.429 252.777 15.807 435.721 27.246
重度盐渍化风险 0.906 0.057 97.113 6.073 8.246 0.516 17.275 1.080
极度盐渍化风险 0.002 0.000 9.236 0.578 0.006 0.000 0.033 0.002
中度及以上盐渍化风险 149.713 9.362 736.874 46.080 261.029 16.323 453.029 28.328

3.2 土壤盐渍化风险演变规律

如表6所示，2020—2023年大荔县无盐渍化风险等级以降级型转换类型为主，其他等级均以波动稳定型转化类型为主。升级型和波动升级型转换类型属于土壤盐渍化风险增加的转换类型，而降级型和波动降级型属于土壤盐渍化风险减弱的转换类型。对比各土壤盐渍化风险等级的转换类型面积，无盐渍化风险和轻度盐渍化风险等级的风险增加面积小于风险减弱的面积，而中度、重度和极度盐渍化风险等级的风险增加面积大于风险减弱面积。且风险增加转换类型中，中度盐渍化风险等级面积最大，风险减弱转换类型中，无盐渍化风险等级面积最大。
表6 土壤盐渍化各风险等级的转换类型面积及占比

Tab. 6 Area and proportion of conversion types for each risk level of soil salinization

转换类型 风险等级
无盐渍化风险 轻度盐渍化风险 中度盐渍化风险 重度盐渍化风险 极度盐渍化风险
面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/%
稳定型 37.533 7.162 369.879 25.429 23.214 2.749 0.049 0.046 0.000 0.000
增加型 84.456 16.115 215.426 14.810 174.804 20.697 10.711 9.882 0.030 0.328
减少型 216.618 41.333 208.267 14.318 43.763 5.182 0.789 0.728 0.002 0.017
波动稳定型 127.370 24.303 430.167 29.573 406.902 48.178 90.414 83.417 9.240 99.630
波动增加型 15.803 3.015 39.516 2.717 175.894 20.826 6.420 5.923 0.002 0.025
波动减少型 42.302 8.072 191.314 13.153 20.003 2.368 0.004 0.004 0.000 0.000
根据土壤盐渍化风险演变图谱可知（图5），大荔县西部和北部主要以持续轻度盐渍化风险（D）为主，南部主要以轻度、中度、重度或极度盐渍化风险向无盐渍化风险转换（N）为主，东北部主要以轻度盐渍化风险向中度、重度或极度盐渍化风险转换（R）为主，黄河流域上游周边区域主要以无盐渍化风险向轻度、中度或重度盐渍化风险（T）为主，下游主要以持续无盐渍化风险（E）为主。
图5 2020—2023年土壤盐渍化风险信息演变图谱

注：图中简写含义详见表3。

Fig. 5 Information evolution map of soil salinization risk from 2020 to 2023

如图6所示，2020—2023年大荔县土壤盐渍化风险等级的变化特征以风险升级型为主，面积占比为36.777%，风险降级型面积占比最小，仅为8.438%，长期稳定型和波动稳定型面积占比相近。长期稳定型变化特征中，持续轻度盐渍化风险（D）的演变模式面积为最大，且为所有演变模式中面积最大的类型。波动稳定型变化特征中，轻度盐渍化风险和中度、重度或极度盐渍化风险相互转换（H）的演变模式面积为最大，为291.067 km2。风险降级型变化特征中，轻度、中度、重度或极度盐渍化风险向无盐渍化风险转换（N）的演变模式面积最大，为100.259 km2，但面积不足轻度盐渍化风险和中度、重度或极度盐渍化风险相互转换（H）的演变模式的二分之一。风险升级型变化特征中，轻度盐渍化风险向中度、重度或极度盐渍化风险转换（R）和无盐渍化风险向轻度、中度或重度盐渍化风险转换（T）的演变模式面积较大，总面积达到566.411 km2，占比约为35.420%。
图6 2020—2023年土壤盐渍化风险信息演变图谱统计

Fig. 6 Statistics of information evolution map of soil salinization risk from 2020 to 2023

由图7可知，大荔县土壤盐渍化风险等级演变稳定性在西部主要以演变0次为主，稳定性较好，而在东部的黄河流域周边，演变稳定性较差，其中东北部主要以演变3次为主，东南部主要以演变两次为主。根据面积统计，演变两次面积占比为最大，约32.103%，演变3次的面积占比最小，约18.653%。演变0次和演变1次面积占比较为相近，分别为26.932%和22.313%。
图7 2020—2023年土壤盐渍化风险演变稳定性图谱

Fig. 7 Stability map of soil salinization risk evolution from 2020 to 2023

结合土壤盐渍化风险信息演变图谱及演变稳定性图谱，得到盐渍土治理分区结果如图8所示。其中，盐渍土治理优化区面积约为430.675 km2，主要分布在大荔县北部远离黄河区域。保护区面积最大，面积约为497.216 km2，占比达到31.093%，主要分布在大荔县南部边缘区域。预警区面积最小，面积约为326.594 km2，占比为20.423%。修复区面积约为344.658 km2。预警区和修复区以耕地类型为主，且主要分布在大荔县东部黄河流域上游区域。
图8 大荔县盐渍土治理分区

Fig. 8 Saline soil management zoning in Dali County

4 讨论

4.1 模型适用性分析

遥感技术现阶段已经广泛应用于土壤盐渍化研究中，已有多位学者采用遥感指数来构建土壤盐分反演模型，且能够精准地表征土壤盐渍化时空分布格局[6,27-28]。通过与实测土壤电导率的相关性分析，发现两者呈显著强相关（R=0.648，P<0.001）。此外，本文所采用的AHP-熵权法组合权重法构建的生态评估模型能够有效分析多年长时序、短时序以及单一年份的生态环境变化情况。Jie等[12]采用AHP-熵权法组合权重法建立生态脆弱性评估模型，有效地监测了从2000—2017年塔里木河流域长时间序列的生态脆弱性时空分布及变化情况。Liu等[15]也采用该方法构建渭河生态流域评价模型，分析了从2019—2021年渭河流域短时序生态变化特征。王青等[29]则利用该方法建立长江上游防护林健康评估模型，分析2005年防护林中不同群落类型的健康状况及其影响因素。
土壤含盐量是制约农作物产量的突出因子，土壤盐渍化程度偏高的地区作物产量普遍偏低[30-31]。据陕西省渭南市统计年鉴粮食总量（主要包括小麦、稻谷、玉米和大豆）统计结果，2020—2022年粮食总产量和单位面积粮食产量呈现先减少后增加的趋势，土壤盐渍化风险等级与其对应呈现先升高后降低的趋势（图9）。其中，2021年土壤盐渍化程度最为严重，中度及以上盐渍化风险面积占比趋近于50%，粮食产量也达到近3 a最低值。与此同时，与2020年相比，2022年土壤盐渍化中度及以上盐渍化风险面积占比增加6.961%，粮食总产量也同时减少约0.060×105 t。此外，粮食产量还受到降水量、气温、光照辐射、耕地种植面积、复种和极端气象灾害等多种因素的影响[32⇓-34]。
图9 2020—2022年大荔县粮食产量

Fig. 9 Grain production from 2020 to 2022 in Dali County

土壤盐渍化风险评估模型中，输入数据源的差异会对土壤盐渍化风险评估结果产生一定影响。选用空间分辨率为10 m的Sentinel-2遥感影像作为主要数据源，并叠加了30 m空间分辨率的ASTER GDEM和HAILS数据集，此外还结合了插值到1 km空间分辨率的降水空间分布结果，并将输入数据统一尺度到10 m分辨率。然而对于不同空间分辨率数据进行计算时，高分辨数据会受低分辨率数据影响，造成所表达的信息量降低，特别是空间分辨率在10~30 m的地物，其光谱信息多义性、不确定性和误差增加，从而对土壤盐渍化风险评估结果造成影响[35]。此外，降水站点数目、位置的选取，以及所采用空间插值方法会直接对降水量空间分布格局产生影响，从而导致模型评估结果的差异，影响模型评估结果。本文选用364个国家级气象站点的逐日降水数据并采用克里金差值方法[36]生成大荔县年累积降水量空间数据，该方法能够避免站点数据选取差异带来的空间分布不均的影响，基本表征大荔县降水量空间分布格局。

4.2 土壤盐渍化演变驱动因素

土壤盐渍化是可溶性盐分在土壤中的积聚，主要受降雨[37]、气温[38]、地表蒸散量[13]和地下水位[39]等自然因素的影响，除此之外还受到农业生产[40]和农业政策[41]等人为干扰因素的影响。
土壤盐渍化风险加重主要受到集中强降雨、气温升高、地下水位升高、地表蒸散量增加、农业生产等多因素的影响。大荔县地下水位浅且矿化度高，长年累月的强烈蒸发作用，使得深层土壤和浅层地下水中的盐分上升聚集于土壤表层，造成土壤盐渍化发生。当集中强降雨发生时，地下水位会急剧抬高，若伴随气温升高，地表蒸散量增加，将造成地下水位抬高，深层土壤盐分上移并在土壤表层沉积，引起土壤盐渍化加重[42]。其次，当排灌设施老化、沟渠太浅、沟渠淤积严重时，采用传统的大水漫灌方式也会加重土壤盐渍化[43]。2021年7月中旬大荔县出现了集中强降雨，因排水渠过浅、淤堵等因素导致雨水无法及时排出，使得土壤盐渍化风险加重。监测结果发现2021年土壤盐渍化风险显著升高，大范围的轻度土壤盐渍化风险转为中度土壤盐渍化风险。此外，近年来气温逐年增加，导致地表蒸散量增加，与2020年相比，2022年和2023年土壤盐渍化风险呈现缓慢升高的趋势，中度盐渍化风险面积变化较为明显，较2020年面积占比分别增加了6.502%和15.941%。
然而，通过人为主动地采取一些农田管理措施，如采用节水灌溉、完善水利体系和改善排水条件，能有效地减缓土壤盐渍化风险加重[41]。大荔县政府从2019年开始推动一系列农业生产管理相关举措来减缓土壤盐渍化，其中大荔县高标准农田建设，确保每块农田排水沟渠有效使用，成为具有旱能浇、涝能排能力的完备水利体系[44]。针对2021年出现的持续强降雨，大荔县政府实施了农田排水恢复保护工程，对干、支沟渠进行清淤、改造，打通了耕地内排水渠堵点，使得排水渠基本畅通，避免了强降雨造成地下水位持续抬升而导致的土壤盐渍化加重的问题[45]。此外，大荔县还大力推广喷灌、滴灌和微灌的节水灌溉方式，控制甚至降低地下水位，维持表层土壤的水盐平衡，从而减缓土壤盐渍化进一步地加重[44]。同时监测结果发现，与2021年相比，2022年土壤盐渍化风险等级显著降低，中度及以上土壤盐渍化风险面积减少29.757%，无盐渍化风险面积增加2.693%。与2022年相比，2023年无盐渍化风险面积也增加了1.402%。

5 结论

土壤盐渍化风险加剧将严重阻碍农业生产和经济发展，因此，掌握土壤盐渍化风险空间分布及其演变规律，可为盐渍土分区精准管理和治理提供可靠的数据支撑。本文依据土壤盐分驱动机理和过程，结合土壤盐分表征状态，基于Sentinel-2遥感数据，结合ASTER GDEM、HAILS和国家级气象站点数据，采用主客观相结合的AHP-熵权法组合权重法，构建大荔县土壤盐渍化风险评估模型，基于信息演变图谱法分析了2020—2023年大荔县土壤盐渍化风险时空格局及变化特征，并提出科学的盐渍土治理分区，主要结论如下：
（1） 大荔县土壤盐渍化风险以轻度盐渍化风险为主且主要分散分布在耕地类型中，这在一定程度上阻碍了大荔县的农业生产及经济发展。特别是2021年盐渍化风险等级显著上升，中度盐渍化风险面积大幅增加，且出现较为明显的重度和极度盐渍化风险，中度及以上盐渍化风险总面积占比增加36.718%，耕地土壤盐渍化风险加剧，作物长势受到影响。2022年土壤盐渍化风险等级显著降低，中度及以上盐渍化风险面积与2021年相比减少29.757%，耕地土壤盐渍化情况逐渐好转，土壤盐渍化对作物长势影响减弱。
（2） 2020—2023年大荔县土壤盐渍化风险等级的变化特征以风险升级型为主，特别是大荔县东北部以及黄河流域下游部分地区土壤盐渍化风险等级较高。黄河流域周边土壤盐渍化风险稳定性明显较差，主要以演变两次为主，西部地区土壤盐渍化风险较为稳定。因此，根据盐渍土治理分区结果，亟待治理的预警区和修复区内的耕地主要分布在大荔县东部黄河流域周边区域，需加大盐渍土治理力度，及时改良耕地条件，以减缓土壤盐渍化对农业生产的阻碍。
（3） 经验证分析发现，大荔县土壤盐渍化风险评估结果与同期实测土壤电导率呈显著强相关关系，土壤盐渍化风险评估模型能够有效评估土壤盐渍化变化规律。大荔县土壤盐渍化风险加剧主要受集中强降雨、气温升高、地下水位升高、地表蒸散量增加和农业生产等多因素的影响。因此，需要通过人为干扰的方式治理盐渍土，如采用节水灌溉、完善水利体系和改善排水条件，以有效控制或降低地下水水位，防止土壤盐渍化加重。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
石聪, 陈礼瀚, 张怡菲, 等. 新疆小海子灌区耕地土壤盐渍化特征研究[J]. 干旱区地理, 2023, 46(8): 1314-1323.

DOI

[Shi Cong, Chen Lihan, Zhang Yifei, et al. Soil salinization characteristics of cultivated land in Xiaohaizi Irrigation Area of Xinjiang[J]. Arid Land Geography, 2023, 46(8): 1314-1323.]

DOI

[2]
Rengasamy P. World salinization with emphasis on Australia[J]. Journal of Experimental Botany, 2006, 57(5): 1017-1023.

DOI PMID

[3]
刘梅先, 杨劲松. 土壤盐分的原位测定方法[J]. 土壤, 2011, 43(5): 688-697.

[Liu Meixian, Yang Jinsong. In-situ determination methods for soil salinity[J]. Soils, 2011, 43(5): 688-697.]

[4]
Elnaggar A A, Noller J S. Application of remote-sensing data and decision-tree analysis to mapping salt-affected soils over large areas[J]. Remote Sensing, 2009, 2(1): 151-165.

[5]
Wang H, Jia G. Satellite-based monitoring of decadal soil salinization and climate effects in a semiarid region of China[J]. Advances in Atmospheric Sciences, 2012, 29(5): 1089-1099.

[6]
Kabiraj S, Jayanthi M, Vijayakumar S, et al. Comparative assessment of satellite images spectral characteristics in identifying the different levels of soil salinization using machine learning techniques in Google Earth Engine[J]. Earth Science Informatics, 2022, 15(4): 2275-2288.

[7]
洪国军, 谢俊博, 张灵, 等. 基于多光谱影像的阿拉尔垦区棉田土壤盐分反演[J]. 干旱区研究, 2024, 41(5): 894-904.

DOI

[Hong Guojun, Xie Junbo, Zhang Ling, et al. Monitoring soil salinization of cotton fields in the Aral Reclamation Area using multispectral imaging[J]. Arid Zone Research, 2024, 41(5): 894-904.]

DOI

[8]
Zixuan Z, Beibei N, Xinju L, et al. Estimation and dynamic analysis of soil salinity based on UAV and Sentinel-2A multispectral imagery in the coastal area, China[J]. Land, 2022, 11(12): 2307.

[9]
Jiaqiang W, Jie P, Hongyi L, et al. Soil salinity mapping using machine learning algorithms with the Sentinel-2 MSI in arid areas, China[J]. Remote Sensing, 2021, 13(2): 305.

[10]
Seydehmet J, Lv G H, Abliz A, et al. Irrigation salinity risk assessment and mapping in arid oasis, Northwest China[J]. Water, 2018, 10(7): 966.

[11]
De Z, Jianchun X, Li W, et al. Identifying and managing risk factors for salt-affected soils: A case study in a semi-arid region in China[J]. Environmental Monitoring and Assessment, 2015, 187(7): 421.

DOI PMID

[12]
Jie B, Junli L, Anmin B, et al. Spatial-temporal variations of ecological vulnerability in the Tarim River Basin, Northwest China[J]. Journal of Arid Land, 2021, 13(8): 814-834.

DOI

[13]
依力亚斯江·努尔麦麦提, 师庆东, 阿不都拉·阿不力孜, 等. 灰色评估模型定量评价于田绿洲土壤盐渍化风险[J]. 农业工程学报, 2019, 35(8): 176-184.

[Ilyas Nurmemet, Shi Qingdong, Abdulla Abliz, et al. Quantitative evaluation of soil salinization risk in Keriya Oasis based on grey evaluation model[J]. Transactions of the Chinese Society of Agricultural Engineerin, 2019, 35(8): 176-184.]

[14]
Wang Z, Zhang F, Zhang X, et al. Quantitative evaluation of spatial and temporal variation of soil salinization risk using GIS-based geostatistical method[J]. Remote Sensing, 2020, 12(15): 2405.

[15]
Liu Y, Mu Z, Dong W, et al. Establishment of an evaluation indicator system and evaluation criteria for the Weihe River ecological watersheds[J]. Water, 2024, 16(17): 2393-2393.

[16]
张倩. 基于粒子群算法的大荔县农业水资源优化配置研究[D]. 西安: 西安理工大学, 2019.

[Zhang Qian. Study Research on Optimal Allocation of Agricultural Water Resources in Dali County Based on Particle Swarm Optimization[D]. Xi’an: Xi’an University of Technology, 2019.]

[17]
Wu J C, Gao W W, Zheng Z J, et al. Study of human activity intensity from 2015 to 2020 based on remote sensing in Anhui Province, China[J]. Remote Sensing, 2023, 15(8): 2029.

[18]
吴炳方. 中国土地覆被[M]. 北京: 科学出版社, 2017.

[Wu Bingfang. Land Cover of China[M]. Beijing: Science Press, 2017.]

[19]
环境保护部. 土壤电导率的测定电极法(HJ 802-2016)[S]. 北京: 中国环境科学出版社, 2016.

[Ministry of Environmental Protection. Soil Quality-determination of Conductivity-electrode Method[S]. Beijing: China Environmental Science Press, 2016.]

[20]
刘子金, 徐存东, 朱兴林, 等. 干旱荒漠区人工绿洲土壤盐碱化风险综合评估与演变分析[J]. 中国环境科学, 2022, 42(1): 367-379.

[Liu Zijin, Xu Cundong, Zhu Xinglin, et al. Comprehensive assessment and evolution analysis of soil salinization in artificial oasis in arid desert area[J]. China Environmental Science, 2022, 42(1): 367-379.]

[21]
解雪峰, 濮励杰, 朱明, 等. 土壤水盐运移模型研究进展及展望[J]. 地理科学, 2016, 36(10): 1565-1572.

DOI

[Xie Xuefeng, Pu Lijie, Zhu Ming, et al. Evolution and prospects in modeling of water and salt transport in soils[J]. Scientia Geographica Sinica, 2016, 36(10): 1565-1572.]

DOI

[22]
Qi J W, Zhang Y C, Zhang J Q, et al. Research on the evaluation of geological environment carrying capacity based on the AHP-CRITIC empowerment method[J]. Land, 2022, 11(8): 1196-1196.

[23]
Shekar P R, Mathew A. Integrated assessment of groundwater potential zones and artificial recharge sites using GIS and Fuzzy-AHP: A case study in Peddavagu watershed, India[J]. Environmental Monitoring and Assessment, 2023, 195(7): 906.

DOI PMID

[24]
Gong J, Jin T T, Wang S M, et al. Is ecological vulnerability assessment based on the VSD model and AHP-Entropy method useful for loessial forest landscape protection and adaptative management? A case study of Ziwuling Mountain Region, China[J]. Ecological Indicators, 2022, 143(12): 109379.

[25]
李帆, 贾夏, 赵永华, 等. 基于DPSIR模型的黄土高原生态敏感性演变格局及驱动力分析[J]. 农业工程学报, 2023, 39(9): 241-251, 303.

[Li Fan, Jia Xia, Zhao Yonghua, et al. Evolutionary pattern and driving forces of ecological sensitivity in the Loess Plateau using DPSIR model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(9): 241-251, 303.]

[26]
李相, 丁建丽, 侯艳军, 等. 干旱半干旱区土壤含盐量和电导率高光谱估算[J]. 冰川冻土, 2015, 37(4): 1050-1058.

DOI

[Li Xiang, Ding Jianli, Hou Yanjun, et al. Estimating the soil salt content and electrical conductivity in semi-arid and arid areas by using hyperspectral data[J]. Journal of Glaciology and Geocryology, 2015, 37(4): 1050-1058.]

DOI

[27]
刘旭辉, 白云岗, 柴仲平, 等. 基于多光谱遥感的典型绿洲棉田春季土壤盐分反演及验证[J]. 干旱区地理, 2022, 45(4): 1165-1175.

DOI

[Liu Xuhui, Bai Yungang, Chai Zhongping, et al. Inversion and validation of soil salinity based on multispectral remote sensing in typical oasis cotton field in spring[J]. Arid Land Geography, 2022, 45(4): 1165-1175.]

DOI

[28]
Guo B, Lu M, Fan Y W, et al. A novel remote sensing monitoring index of salinization based on three-dimensional feature space model and its application in the Yellow River Delta of China[J]. Geomatics Natural Hazards & Risk, 2023, 14(1): 95-116.

[29]
王青, 李富程, 李国蓉, 等. 基于“压力-状态-响应”框架的长江上游防护林健康评价[J]. 长江流域资源与环境, 2010, 19(8): 953-958.

[Wang Qing, Li Fucheng, Li Guorong, et al. Health assessment of protection forest based on pressure-state-response model[J]. Resources and Environment in the Yangtze Basin, 2010, 19(8): 953-958.]

[30]
Zhang J, Cai J, Xu D, et al. Soil salinization poses greater effects than soil moisture on field crop growth and yield in arid farming areas with intense irrigation[J]. Journal of Cleaner Production, 2024, 451(32): 142007-142022.

[31]
蒋磊, 刘小龙, 郭帅, 等. 基于Logistic回归分析的土壤盐渍化易发性评价——以新疆南疆塔里木灌区为例[J]. 干旱区地理, 2023, 46(11): 1858-1867.

DOI

[Jiang Lei, Liu Xiaolong, Guo Shuai, et al. Evaluation of soil salinization susceptibility based on Logistic regression analysis: A case of Tarim irrigation area in southern Xinjiang[J]. Arid Land Geography, 2023, 46(11): 1858-1867.]

DOI

[32]
扶松林, 孔令颖, 周海香, 等. 泾河流域粮食产量与生产潜力时空分布特征及其与MODIS-GPP的关系[J]. 干旱地区农业研究, 2020, 38(6): 192-199.

[Fu Songlin, Kong Lingying, Zhou Haixiang, et al. Spatial-temporal distribution characteristics of grain yield and its potential productivity in the Jing River Basin and their relationships with MODIS-GPP[J]. Agricultural Research in the Arid Areas, 2020, 38(6): 192-199.]

[33]
孔坚文, 王连喜, 李琪, 等. 陕西省主要农业气象灾害分析及其对粮食产量的影响[J]. 干旱地区农业研究, 2015, 33(4): 220-226.

[Kong Jianwen, Wang Lianxi, Li Qi, et al. Analyses of main agro-meteorological disasters and their impacts on food production in Shaanxi Province[J]. Agricultural Research in the Arid Areas, 2015, 33(4): 220-226.]

[34]
宋喜芳, 姚海荣, 张小飞, 等. 陕西省粮食产量影响因素的灰色关联分析——基于面板数据的实证研究[J]. 中国农学通报, 2020, 36(28): 158-164.

DOI

[Song Xifang, Yao Hairong, Zhang Xiaofei, et al. Grey correlation analysis of the influence factors of grain yield in Shaanxi: Empirical research based on panel data[J]. Chinese Agricultural Science Bulletin, 2020, 36(28): 158-164.]

DOI

[35]
貟培东, 曾永年, 历华. 多尺度遥感影像融合技术及其算法研究进展[J]. 遥感信息, 2006(6): 67-71.

[Yun Peidong, Zeng Yongnian, Li Hua. Advances in algorithms and techniques of multi-scale data fusion[J]. Remote Sensing Information, 2006(6): 67-71.]

[36]
Shtiliyanova A, Bellocchi G, Borras D, et al. Kriging-based approach to predict missing air temperature data[J]. Computers and Electronics in Agriculture, 2017, 142(33): 440-449.

[37]
Colombani N, Mastrocicco M, Giambastian B M S. Predicting salinization trends in a lowland coastal aquifer: Comacchio (Italy)[J]. Water Resources Management, 2015, 29(2): 603-618.

[38]
Xudong Z, Changjian S, Manabu F, et al. Numerical and experimental study on water-heat-salt transport patterns in shallow bare soil with varying salt contents under evaporative conditions: A comparative investigation[J]. Journal of Hydrology, 2023, 621(61): 129564.

[39]
樊会敏, 许明祥, 李彬彬, 等. 渭北地区农田土壤物理性质对土壤剖面盐分的影响[J]. 水土保持学报, 2017, 31(4): 198-204.

[Fan Huimin, Xu Mingxiang, Li Binbin, et al. Influence of soil physical properties on salt content in soil profile of farmland in Weibei Region[J]. Journal of Soil and Water Conservation, 2017, 31(4): 198-204.]

[40]
苏春利, 纪倩楠, 陶彦臻, 等. 河套灌区西部土壤盐渍化分异特征及其主控因素[J]. 干旱区研究, 2022, 39(3): 916-923.

DOI

[Su Chunli, Ji Qiannan, Tao Yanzhen, et al. Differentiation characteristics and main influencing factors of soil salinization in the West of Hetao Irrigation Area[J]. Arid Zone Research, 2022, 39(3): 916-923.]

DOI

[41]
赵起越, 夏夜, 邹本东. 土壤盐渍化成因危害及恢复[J]. 农业与技术, 2022, 42(11): 115-119.

[Zhao Qiyue, Xia Ye, Zou Bendong. Causes, hazards and rehabilitation of soil salinization[J]. Agriculture and Technology, 2022, 42(11): 115-119.]

[42]
Khamidov M, Ishchanov J, Hamidov A, et al. Impact of soil surface temperature on changes in the groundwater level[J]. Water, 2023, 15(21): 3865.

[43]
杜秉晨曦, 程勇翔, 吴玲. 准噶尔盆地植被与土壤盐渍化关联性变化趋势分析[J]. 生态学报, 2021, 41(23): 9364-9376.

[Du Bingchenxi, Cheng Yongxiang, Wu Ling. Analysis of negative correlation between vegetation and soil salinization in Junggar Basin[J]. Acta Ecologica Sinica, 2021, 41(23): 9364-9376.]

[44]
姚媛. 陕西农垦沙苑农场粮食丰产的秘诀是什么?[N]. 农民日报, 2024-07-10(007).

[Yao Yuan. What is the secret of abundant grain production at Shaanxi Nongken Shayuan Farm?[N]. Farmers’ Daily, 2024-07-10(007).]

[45]
苏怡. “薄地”生金有良方[N]. 陕西日报, 2024-08-29(002).

[Su Yi. There are good ways to make gold from ‘thin land’[N]. Shaanxi Daily, 2024-08-29(002).]

Options
文章导航

/

〈 〉