EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 2: 128 - 139

DOI: https://doi.org/10.6046/zrzyyg.2023330

Origin of surface substrate for soil salinization and alkalization in the Songnen Plain

  • MA Min , 1, 2 ,
  • ZUO Zhen 3, 4 ,
  • HAN Yandong 3, 4 ,
  • QIU Ye 3, 4 ,
  • QIAO Mudong , 3, 4
Expand
  • 1. Key Laboratory of Coupling Process and Effect of Natural Resources Elements, Ministry of Natural Resources, Beijing 100055, China
  • 2. Integrated Natural Resources Survey Center, China Geological Survey, Beijing 100055, China
  • 3. Hohhot General Survey of Natural Resources Center, China Geological Survey, Hohhot 010010, China
  • 4. Innovation Base for Yellow River-Big Black River Water Resources Development and Eco-Environmental Effect, Hohhot 010010, China

Received date: 2023-10-31

  Revised date: 2024-08-23

  Online published: 2026-06-03

Fold

Abstract

To determine the origin of surface substrate for soil salinization and alkalization in the Songnen Plain, this study investigated Songyuan City based on Sentinel-2 multispectral images. Considering various commonly used indices like the soil salinity index (SSI), soil water index (SWI), and vegetation index (VI), this study constructed the optimal 3D spectral feature model to calculate the soil salinization-alkalization index (SSAI) for inversion of the soil salinization-alkalization status. Surface water and groundwater in areas subjected to soil salinization and alkalization were sampled to test their salt ion concentrations, followed by the analysis of salt ion sources according to the groundwater levels. The surface substrate was explored through planar grid layout and vertical stratified sampling. A total of 2 362 soil samples were collected in various layers within a depth of 5 m to test their pH and texture for the construction of a 3D surface substrate model. The results of this study reveal a positive linear correlation between the inversion result of remote sensing data and the topsoil salt content (coefficient of determination: R2=0.74). The study area was characterized by alkalization of sodium bicarbonate, with soil salt ions originating primarily from groundwater. The deep multilayer argillaceous soils acted as an aquiclude to prevent the downward infiltration, migration, and dilution of salt ions along with water. This surface substrate condition serves as the objective cause of soil salinization and alkalization in the study area.

Key words： soil salinization and alkalization; 3D spectral feature model; Sentinel-2 multispectral image; surface substrate

Cite this article

MA Min , ZUO Zhen , HAN Yandong , QIU Ye , QIAO Mudong . Origin of surface substrate for soil salinization and alkalization in the Songnen Plain[J]. Remote Sensing for Natural Resources, 2025 , 37(2) : 128 -139 . DOI: 10.6046/zrzyyg.2023330

0 引言

土壤盐碱化是一个严重的土地退化问题和影响农业生产可持续发展的制约因素[1-5]。松嫩平原作为我国东北“大粮仓”的粮食主产区和肥沃黑土地的集中分布区,同时也是我国盐碱化较为严重的区域之一和世界三大苏打盐渍化土壤集中分布区之一[6-7],其盐碱化范围、程度,特别是深部盐碱化状况和支撑孕育各类自然资源的深部地表基质本底特征尚不完全清楚。因此,开展研究区盐碱化遥感反演研究并查明其地表基质状况,对保护黑土“大熊猫”、巩固脱贫攻坚成果、助力东北全方位振兴和推进生态文明建设等具有重要意义[8]。
卫星遥感技术具有大范围、周期性重访、高分辨率等优势,已有效应用于大区域土壤盐碱化反演。如Everitt等[9]提出近红外与可见光波段的合成相比单一使用绿色或近红外波段更容易识别区分土壤盐碱化程度; Metternicht等[10]利用Landsat TM热红外波段与可见光—近红外波段结合实现盐碱化与非盐碱化土壤的有效分离; Bell等[11]利用雷达遥感影像的后向散射系数强度与土壤盐分的相关关系反演土壤盐碱化; Salcedo等[12]和Zhang等[13]综合利用地形、水文、气候等多源数据构建多指标体系使用机器学习方法反演土壤盐碱化状况; 也有学者利用植被指数与盐分指数或土壤水分与土壤盐分之间的约束关系选取某一对光谱指数来反演土壤盐碱化状况[14-16]。总体来看,现有研究大多从遥感数据源的选择与反演方法方面考虑,在土壤盐碱化的客观形成机理与遥感数据源之间的相关机制方面考虑还不充分,如土壤盐分的增加会抑制多数植被的健康生长,土壤水分含量的增加通常指示土壤孔隙度的增加从而使盐分通过淋滤渗透作用得以稀释、有助于植被生长[17-18],即土壤盐分-土壤水分-植被覆盖状况三者之间存在客观的耦合约束机制。同时由于多光谱遥感数据的各波段之间及其构建的各类光谱指数之间通常存在不同程度的相关性,即信息的混叠与冗余,因此通常反演精度不高。在盐碱化野外调查验证方面,现有研究多使用零星布点、在地表取样采集各类盐分指标数据(如盐分离子、pH值、电导率等),多集中于耕作层以上土壤盐碱化状况研究[19-21],野外调查采样密度不高、深部地表基质本底状况揭示不足。
本次研究使用Sentinel-2多光谱遥感影像计算土壤盐分指数(soil salinity index,SSI)、土壤水分指数(soil water index,SWI)和植被指数(vegetation index,VI)构建最优光谱特征模型计算土壤盐碱化指数(soil salinazation-alkalization index,SSAI)反演表层土壤盐碱化状况。在地表土壤盐分取样验证点位附近采集地表水和地下水样测试其盐分离子含量,在全区按平面网格、垂向分层的方式取地下5 m以内土壤样品,测试pH值、质地等地表基质理化指标,从而查明土壤盐碱化盐分离子来源及其地表基质成因。以期为了解土壤盐碱化深部状况从而指导盐碱化综合治理和保护黑土地提供科学依据。

1 研究区概况及数据源

1.1 研究区概况

研究区位于松嫩平原中部地区松原市,43°58'~45°30'N,123°4'~125°20'E之间,北邻嫩江和松花江支流(图1(a))。属于内陆低平原,海拔为109~357 m,坡度平缓、地形低洼,土壤盐分无法通过径流排泄。地下水埋深较浅,与地形分布一致,西部大范围区域水位小于5 m、东部水位较深、平均为5.6 m(图1(b))。年降水量在400~500 mm之间,年蒸发量在1 200 mm以上,远大于降水量[22-23]。属中温带大陆性季风气候区,春季干旱少雨,特别是东部地下水位较深和地形较高的区域需要抽取地下水保障农业灌溉,秋冬季寒冷干燥,年平均气温约4.7 ℃,土壤冻结深度2 m左右,土壤盐分随之冻结于浅地表[24-25]。研究区地质构造上处于第四纪继承性沉积盆地中南部,为一套河湖相沉积,在早更新世晚期至中更新世存在一个面积约50 000 km2的大湖——松嫩古湖,晚全新世松辽平原整体抬升,导致古湖消失,晚更新世晚期—全新世早期长岭弧形断隆形成,这些时代形成的丰富的砂、粉砂和黏土,以及特殊的地形地貌条件是研究区盐碱化的基础。近代干旱、多风的气候条件,以及人类活动的叠加,使研究区盐碱化等生态环境问题突出[20,26 -27]。
图1 研究区位置和盐碱化土壤类型、地下水位图

Fig.1 Location salinized soil types and water-table map of the study area

根据联合国粮食及农业组织(Food and Agriculture Organization of the United Nations, FAO)发布的HWSD v1.2土壤数据库,其中我国国土范围内的土壤类型数据为第二次全国土壤普查办公室提供的第二次全国土壤普查(1979—1985年)数据 [28],比例尺为1∶100万,分辨率为30″。揭示研究区盐碱土类型为潜育碱土、潜育盐土、弱发育盐土、松软盐土,面积分别为528.16 km2,15.74 km2,37.82 km2,149.55 km2,主要分布于研究区西部地形低洼地区(图1(c))。

1.2 数据源

本次研究使用2022年9月20日—10月20日无冰、雪、云覆盖、少量植被覆盖的6景Sentinel-2B L2A级多光谱卫星遥感影像数据,各波段序号和光谱范围、空间分辨率介绍见表1。数据已进行辐射定标和大气校正,在ENVI软件中将空间分辨率重采样为10 m,拼接、裁剪出研究区影像。
表1 Sentinel-2多光谱传感器波段介绍

Tab.1 Spectral bands of Sentinel-2 MSI sensor

波段序号 名称 中心波长/μm 空间分辨率/m
B1 海岸 0.443 60
B2 蓝光 0.490 10
B3 绿光 0.560 10
B4 红光 0.665 10
B5 红边1 0.705 20
B6 红边2 0.740 20
B7 红边3 0.783 20
B8 近红外 0.842 10
B8A 植被红边 0.865 20
B9 水蒸气 0.945 60
B10 短波红外卷云 1.375 60
B11 短波红外1 1.610 20
B12 短波红外2 2.190 20
在同一时间段内对研究区进行野外实地调查验证,采集不同程度盐碱化区域土壤样品(0~20 cm)50个(图1(c)),采样时相距30 m以内三角位置取混合样以保证样品的均匀性和代表性,经自然风干后过10目筛剔除杂质,室内测试其土壤总体可溶性盐分(total water-soluble salt, TWSS)、pH值、阳离子(K+,Na+,Ca2+,Mg2+)和阴离子( H C O 3 -, C O 3 2 -,Cl-, S O 4 2 -)含量。同时在表层土壤采样点附近,采集地下水样品25个(均为自流井),地表水样品25个(均为盐碱地区域池洼、湖泊水),测试溶解性总固体(total dissolved solids,TDS)、pH值和8项盐分离子含量,以研究土壤盐碱化的盐分离子来源。以平面上按网格布点、垂向上按质地类型进行分层取样(洛阳铲调查2 m深度、背包钻调查5 m深度)的方式,共采集2 362件土壤样品,经自然风干后过10目筛剔除杂质,测试土壤质地、pH值等地表基质理化指标,以研究深部土壤盐碱化状况与地表基质成因。所有采样点用中海达QpadX5掌上机精确定位,并记录周围环境、采集时间等信息。

2 研究方法

本次研究使用室内解译与野外调查验证相结合,总体流程分为2个步骤,见图2。
图2 研究方法流程图

Fig.2 Flowchart of the approach in this research

首先是表层土壤盐碱化状况的反演与盐碱化程度的分级。在反演前先利用水体在可见光波段的高反射和近红外波段的低反射差异使用波段比值(B3/B12)增强水体与其他地物的反差,设定阈值为1.1分割出水体掩模图层,去除水体干扰。利用盐碱化会抑制植被生长、土壤水分有助于植被生长并有利于降低土壤盐碱化程度这一客观约束机制[15-16,29 -32],综合考虑遥感影像波段之间及各类波段合成的光谱指数(SSI,SWI和VI)之间存在客观的相关性或信息的冗余和混叠这一制约因素,通过遍历前人在土壤盐碱化反演中常用的SSI,SWI,VI这3类光谱指数(表2—4),在使用归一化方法消除量纲和数量级的差异的基础上,即将SSI, SWI,VI标准化为0~1之间,公式为:
S S I ' = S S I - S S I m i n S S I m a x - S S I m i n ,
S W I ' = S W I - S W I m i n S W I m a x - S W I m i n ,
V I ' = V I - V I m i n V I m a x - V I m i n ,
式中 S S I m a x, S S I m i n, S W I m a x, S W I m i n, V I m a x和 V I m i n分别为其最大值和最小值,筛选出SSI与 1-SSWI和1-VI两两之间的相关性最大(相关系数平方和最大)的组合作为最优模型,用来计算SSAI反演土壤盐碱化状况,其值域范围同样在0~1之间,具体公式为:
S S A I = 1 3 S S I 2 + ( 1 - S W I ) 2 + ( 1 - V I ) 2 。
表2 常用的遥感土壤盐分光谱指数(SSI)

Tab.2 The commonly used soil salinity index by remote sensing

序号 名称 公式 参考文献
1 归一化土壤盐分指数NDSI NDSI=(B4-B8)/(B4+B8) [33-36]
2 近红外-短波红外盐分指数NSI NSI=(B11-B12)/(B11+B8) [37]
3 ASTER盐分指数ASTER_SI ASTER_SI=(B11-B12)/(B11+B12) [31,38 -39]
4 增强型盐分指数ESI ESI=2.5(B4-B8)/(B8+6B4-7.5B2+1) [40]
5 盐分指数SI1 SI1=(B4+B3)/2 [39,41]
6 盐分强度指数II1 II1=(B8+B4+B3)/3 [39,41]
7 盐分指数SI-T SI-T=(B4/B8)·100 [42]
8 波段比值盐分指数BRSI1 BRSI1=B2/B3 [42]
9 波段比值盐分指数BRSI2 BRSI2=B2/B4 [34,41 -44]
10 波段比值盐分指数BRSI3 BRSI3=B2/B8 [42]
11 波段比值盐分指数BRSI4 BRSI4=B3/B4 [42]
12 波段比值盐分指数BRSI5 BRSI5=B3/B8 [42]
13 波段比值盐分指数BRSI6 BRSI6=B4·B3/B2 [34,43 -44]
14 波段比值盐分指数BRSI7 BRSI7=B4·B2/B3 [34,42 -43]
15 波段比值盐分指数BRSI8 BRSI8= (B2-B4)/(B2+B4) [34,43]
16 波段比值盐分指数BRSI9 BRSI9=B11·B4/B3 [45]
17 波段比值盐分指数BRSI10 BRSI10= (B2-B12)/(B2+B12) [45]
18 波段比值盐分指数BRSI11 BRSI11=B11/B12 [34,39,42]
19 波段比值盐分指数BRSI12 BRSI12= (B4-B11)/(B4+B11) [34]
20 表层土壤盐分指数SSSI1 SSSI1=B11-B12 [31]
21 表层土壤盐分指数SSSI2 SSSI2=(B11·B12-B12·B12)/B11 [31]
22 盐分强度指数II2 II2= B 3 2 + B 4 2 + B 8 2 [34,39,41 -42]
23 盐分强度指数II3 II3= B 3 2 + B 4 2 [34,39,41 -42]
24 盐分亮度指数BI1 BI1= B 4 2 + B 8 2 [33,41 -42]
25 盐分亮度指数BI2 BI2= B 3 2 + B 8 2 [39,42]
26 盐分亮度指数BI3 BI3= B 4 2 + B 7 2 [31]
27 盐分指数SI2 SI2= B 2 · B 4 [31,33 -34,42 -43]
28 盐分指数SI3 SI3= B 3 · B 4 [33-34,39,41 -42,46]
29 盐分指数SI4 SI4= B 4 · B 8 [42]
表3 常用的遥感土壤水分光谱指数(SWI)

Tab.3 The commonly used soil water index by remote sensing

序号 名称 公式 参考文献
1 缨帽变换土壤湿度指数TCS TCS=0.150 9B2 + 0.197 3B3 + 0.327 3B4 + 0.340 6B8-0.711 2B11+0.457 3B12 [47-48]
2 归一化水分指数NDWI NDWI=(B8-B11)/(B8+B11) [40]
3 短波红外变换反射指数STR STR=0.5(1-B12)/B12 [49]
4 标准化多波段干旱指数NMDI NMDI=B8-(B11 -B12)/B8+B11-B12 [50]
5 简单比值水分指数SRWI SRWI=B8A/B11 [51]
6 陆表水分指数LSWI LSWI=(B8A-B11)/(B8A+B11) [52]
表4 常用的遥感植被光谱指数(VI)

Tab.4 The commonly used vegetation index by remote sensing

序号 名称 公式① 参考文献
1 归一化植被指数NDVI NDVI=(B8-B4)/(B8+B4) [39,41,44,46]
2 环境植被指数EVI EVI=2.5(B8-B4)/ (B8 +6B4-7.5B2 +1) [39,46]
3 土壤调节植被指数SAVI SAVI=1.5(B8-B4)/ (B8+B4 +0.5) [34,39,41,47,53]
4 比值植被指数RVI RVI=B8/B4 [54]
5 差值植被指数DVI DVI=B8-B4 [41]
6 垂直植被指数PVI PVI=[B8-(aB4 +b)]/ ( 1 + a 2 ) [41,55]
7 改进型土壤调节植被指数TSAVI TSAVI=a[B8-(cB4+d)]/[B4+c(B8-d)+0.08(1+c2)] [41,56]
8 缨帽变换后的绿度指数TCG TCG=-0.063 5B1-0.112 8B2-0.168 0B3-0.348 0B4-0.330 3B5+0.085 2B6+ 0.330 2B7+0.316 5B8+0.362 5B8A+0.046 7B9-0.457 8B11-0.406 4B12 [57]
9 冠层盐分响应指数CRSI CRSI= ( B 8 · B 4 - B 4 · B 2 ) / ( B 8 · B 4 + B 4 · B 2 [42,46]

①PVI和TSAVI中的a,b,c,d为拟合常数。

第二步是野外调查验证与三维集成揭示盐碱化地表基质成因。通过在不同盐碱化程度的区域采集地表盐碱化土壤样品测试TWSS,将其与遥感反演土壤盐碱化指数SSAI拟合评价反演精度。盐碱化程度的分级根据国务院第三次全国土壤普查领导小组办公室发布的《第三次全国土壤普查技术规程规范(修订版)》(国土壤普查办发〔2023〕24号)(以下简称“土壤三普规范”)中规定的分类方法对其进行划分。通过野外调查地表水、地下水样品测试盐分离子含量、地下水位状况和深部(5 m以内)地表基质属性(pH值、质地)分析土壤盐分离子的来源,展示深部盐碱化状况,揭示盐碱化地表基质成因。

3 结果与分析

3.1 地表土壤盐碱化反演结果

通过遍历筛分上述常用的SSI,1-SWI,1-VI使得SSAI最优的组合为表2中的BRSI10、表3中的NDWI、表4中的TSAVI,利用其计算所得的土壤盐碱化指数SSAI与野外实地调查验证表层土壤样TWSS做拟合呈正相关且决定系数R2=0.74(图3),说明模型反演效果较好、结果可信。根据土壤三普规范中以苏打为主的盐渍土壤即盐分离子含量 ρ ( C O 3 2 - + H C O 3 - ) > ρ ( C l - + S O 4 2 - ),按盐分含量TWSS的多少可将盐渍化等级划分为轻度1~3 g/kg、中度3~5 g/kg、重度5~7 g/kg、苏打盐土>7 g/kg,依此将研究区地表土壤盐碱化程度划分为4个等级,对应盐碱化分布状况见图4,其中轻度、中度、重度和苏打盐土面积分别占209 km2(51%),116 km2(29%),71 km2(17%)和12 km2(3%)。
图3 SSAI与TWSS拟合结果

Fig.3 Regression result of SSAI and TWSS

图4 遥感反演土壤盐碱化分布状况

Fig.4 Retrieved distribution of soil salinazation-alkalization from remote sensing

表层土壤盐分离子成分与含量统计特征见表5,结合Piper三线图(图5)可知,研究区盐碱化离子主要以重碳酸根 C O 3 2 -和碳酸氢根离子 H C O 3 -为主,而氯离子Cl-和硫酸根离子 S O 4 2 -占比较小; pH值介于5.44~9.23,平均值为7.85,土壤偏碱性,以碱化特征为主。
表5 表层土壤盐分离子含量统计表

Tab.5 Statistics of the salt ions’ content in the surface soil

统计量 盐分含量/
(g·kg-1)		 ρ ( C O 3 2 - + H C O 3 - ) /
(g·kg-1)		 ρ(Cl-+
S O 4 2 - ) /
(g·kg-1)		 pH值
最大值 9.99 2.86 3.737 9.23
最小值 0.15 0.055 0.018 5.44
平均值 1.73 0.79 0.30 7.85
图5 表层盐碱化土壤Piper三线图

Fig.5 Piper diagram of the surface salinized soil

3.2 研究区土壤盐碱化的变化情况

根据FAO发布的HWSD v1.2土壤数据库,提取研究区在20世纪80年代(1980s)的土壤类型数据,结合本次反演的土壤盐碱化分布情况与其土地利用情况,绘制桑基图(图6),图中1980s的盐碱土用红色表示、非盐碱土用灰色表示,2022年遥感反演盐碱化状况用绿色表示、土地利用类型用蓝色表示,由上至下方块越小、颜色越暗表示所占面积越小。从图6可见,研究区土壤盐碱化面积从1980 s的731.26 km2减少到2022年的390.14 km2(轻度200.93 km2、中度108.98 km2、重度68.08 km2、苏打盐土12.15 km2),减少了约341.12 km2。在此40 a间,大部分潜育碱土、松软盐土、弱发育盐土、潜育盐土变为非盐碱化区域,仅有很少一部分仍然为盐碱土,而其他非盐碱土部分变为盐碱化土壤,且当前盐碱化状况主要以轻度-中度为主,重度和苏打盐土所占面积比例相对较小。这些不同程度的盐碱化土壤主要被利用为了耕地、草地、水利设施用地、湿地、林地、其他人类用地和种植园用地。
图6 土壤盐碱化变化状况桑基图

Fig.6 Sankey diagram of the saline-alkaline changes from 1980s to 2022

3.3 研究区土壤盐碱化的地表基质成因

3.3.1 盐分离子的来源和深位盐碱化状况

野外验证取样时,在地表盐碱化土壤取样点附近同时采集地表水、地下水样品各25件,测试TDS,pH值和8项离子含量,其统计特征见表6,绘制Gibbs图(图7)。
表6 地表水、地下水盐分离子含量统计表

Tab.6 Statistics of the salt ions’ content in surface and underground water

统计量 地表水 地下水
ρ ( C O 3 2 - + H C O 3 - ) /
(mg·L-1)		 ρ ( C l - + S O 4 2 - ) /
(mg·L-1)		 pH值 ρ ( C O 3 2 - + H C O 3 - ) /
(mg·L-1)		 ρ ( C l - + S O 4 2 - ) /
(mg·L-1)		 pH值
最大值 2 145.10 2 572.40 9.64 1 159.00 336.60 9.08
最小值 301.10 39.73 7.65 99.54 18.78 7.11
平均值 790.65 433.29 8.56 370.76 90.73 7.61
图7 地表水和地下水盐分离子Gibbs图

Fig.7 Gibbs diagram of the surface and underground water

可见地表水、地下水中的盐分离子受蒸发和水岩交互作用所控制,且均以 C O 3 2 -和 H C O 3 -为主、pH偏碱性。同时根据土壤三普规范和国际上常用的由美国盐碱化实验室(United States Salinity Laboratory Staff Classification, USSL)提出的碱化分界阈值,将pH值不低于8.5的土壤定义为碱性土壤[7,13],对研究区深部碱化区域进行三维分层显示(图8(a)),图中pH值在8.5~10.75之间,显示研究区深部碱化土壤分布范围广,在西部和南部土壤深位碱化状况明显。同时由于研究区大范围地下水位较浅(小于5 m),只有东部地势较高的地方地下水位较深。因此土壤中的 C O 3 2 -和 H C O 3 -小苏打盐分离子来源于地下水携带至地表,加之研究区地处地形低洼的内陆平原,年蒸发量远大于降水量,土壤盐分无法通过地表径流排泄、不断累积形成盐碱化土壤,并在深位5 m以内沿土壤裂隙或孔隙富集形成白色钙质结晶,呈现不同程度的碱化特征(图8(b)—(d))。
图8 土壤深位碱化特征

Fig.8 Alkalization characteristics of the deep soil

3.3.2 地表基质成因

洛阳铲和背包钻野外调查结果显示研究区表层地表基质类型主要以砂质土壤为主,而深部分布有多层黏质土壤,如图9(a)所示,在2 m深度层位黏质土壤主要分布于研究区北部,5 m深度层位黏质土壤主要分布于研究区南部。调查显示研究区盐碱化现象在0~5 m范围内不同层位均有分布,通常沿土壤裂隙或孔隙盐分结晶呈白色网脉状或斑点状。盐碱化土壤区在垂直向上的地表基质三维特征见图9(b),图中黄色砂土、壤质砂土下部见多层蓝色黏土、砂质黏土、黏壤土,上部砂质土壤地表基质类型有利于水分的渗透和盐分离子的运移,而其对应下部地表基质类型主要为多层黏质土壤充当隔水层的作用、不利于水分的渗透与盐分的运移和稀释。这样的地表基质环境为盐分在浅地表土壤中的聚集形成盐碱化土壤提供了良好的条件。
图9 研究区地表基质三维特征

Fig.9 Ground substrate 3D characters of the study area

4 讨论

4.1 盐碱化遥感反演模型的不确定性

本次研究开展盐碱化遥感反演是基于SSI,SWI和VI之间的客观约束关系,即土壤盐分的增加会抑制植被的健康生长、土壤水分的增加有助于植被的生长并会使得淋滤稀释作用增强从而降低土壤盐度,依此来遍历常用的SSI,SWI和VI筛选最优组合来计算SSAI反演盐碱化状况。然而上述三者之间的关系并非绝对成立,在某些特殊自然环境条件下,特别是遇到下述2种情况时,模型的鲁棒性会较差。第一种情况是当研究区被耐盐植被覆盖时,由于盐生植被对土壤盐分的耐受性,在不同程度盐碱化条件下仍然会长势良好[45],这时SSI与VI的负相关关系并不明显或不成立; 第二种情况是当模型中的3类指数由可见光波段组合而成时,通常反演精度不高,这是因为可见光波段受土壤水分的影响严重,土壤水分的增加会使地表盐分溶解、白色盐壳变暗从而降低土壤反射率[58],从而可见光波段组合成的盐分光谱指数仅在干旱区土壤盐碱化遥感反演效果较好。而近红外—短波红外波段受土壤水分的影响相对较小,因此本次研究筛选出的最优模型为BRSI10-NDWI-TSAVI,均为含近红外波段组合而成的光谱指数,使得模型的稳定性较好,且适用于干旱或湿润、裸露或少量植被覆盖等各类自然条件下的土壤盐碱化反演,反演精度较高。在实际使用中,不同研究区、不同盐碱化类型筛选的最优组合方式会有所差异。
此外,在反演前需要先做水体掩模预处理,这是因为文中的最优光谱模型方法无法自动剔除水体干扰。在反演时同样需要考虑影像空间分辨率和时间尺度的影响,因为盐分的聚集是一个动态的过程[22],在空间分布上通常富集在某一部位,大小形态各异、空间尺度不同; 在时间尺度上,随日照、降雨、气候、季节等变化,具有动态变化的特征。

4.2 盐碱化程度的分级

根据盐碱化土壤的定义,当土壤中的盐分在植被根部积累达到一定程度从而影响植被或农作物的正常生长,则被称为盐碱土[2,7,38,45]。然而由于土壤盐分对植被的损害程度是由盐分离子类型与植被类型综合决定的,因此很难给出明确的阈值分割点,也有很多种方法对其进行界定[7]。传统的方法是由USSL于1954年提出的通过测量电导率(electrical conductivity, EC)和pH值来计算钠离子交换能力(exchangeable sodium percentage, ESP)[7,12],但同时获取EC和pH值需要大量人力和时间成本,因此更为常用的盐碱化分类或分级方法是使用FAO于1988年发布[59]和美国农业部(United States Department of Agriculture, USDA)于2002年发布[60]的直接通过EC值来进行盐碱化土壤的分类/分级。
本次研究使用我国2022年土壤三普规范对研究区盐碱化程度进行分级,该分类方式是根据我国陆域范围内不同地区盐碱化类型客观状况进行划分,且对样品的采集方式、深度和需要测试的盐分离子类型等都作了明确的规定,如在本研究区域盐碱化土壤样品的采集应在0~20 cm范围内测试TWSS盐分指标对盐碱化程度进行划分,而在干旱和滨海地区的盐碱化区域,样品的采集应分别在0~30 cm和1 m以内,且盐碱化程度的划分需根据不同的盐分离子指标类型进行划分。该分类规范与遥感反演相结合,更适用于开展大区域盐碱化状况遥感反演和野外调查。

4.3 盐碱化深度

盐碱化的深度通常与地下水位紧密关联,并且是一个动态变化过程。有的学者提出地下水位小于2 m且水体盐度高于0.48 dS·m-1,当水体盐度较低时,地下水位不应低于1.5 m,在此深度范围内形成盐碱化土壤[61-62]。有学者则提出当地下水位达到5 m深度时,这一深度范围内仍然会形成盐碱化土壤[63]。FAO从表土层(0~30 cm)和底土层(30~100 cm)2个深度绘制了全球盐碱化土壤分布图[2]。本次研究认为不同植被类型根深不同,树的根部较深而常见农作物的根部较浅。研究区受多层黏质土壤隔水层和盐碱化抑制的综合影响,植被生长受约束通常根部较浅,特别是常见农作物、经济类树种的根深不超过5 m,因此在5 m深度范围内开展盐碱化调查研究,揭露其碱化状况和约束机制。

4.4 盐碱化成因

土壤盐碱化通常是由地形、气象气候、地表蒸发和植被蒸腾作用、土壤类型、农业灌溉、人类活动等因素共同作用所形成。根据本次研究结果和野外调查,认为研究区土壤盐碱化成因为: 年均蒸发量远大于降水量,地下水位在夏季-秋季上升将盐分离子携带至地表,不同层位黏质土壤作为隔水层阻碍盐分离子向下渗透运移和稀释,同时冬季-春季冻融作用使得盐分在5 m以内不同层位富集。研究区西部地下水位较浅的区域其盐碱化土壤主要由上述自然因素造成,以原生盐碱化为主,而东部地下水位较深的区域则主要有人为灌溉所造成、自然因素为辅,主要表现为次生盐渍化,其示意图见图10。
图10 研究区土壤盐碱化过程示意图

Fig.10 Schematic diagram of the salinization-alkalization process in the study area

5 结论

1)SSI,SWI和VI三者之间存在客观的耦合约束关系,通过构建最优组合计算SSAI来反演土壤盐碱化状况,与实地野外验证TWSS拟合,决定系数R2可达0.74,结果可信。根据土壤三普规范将研究区土壤盐碱化程度划分为4级(轻度、中度、重度和苏打盐土)。
2)通过野外地表基质调查,结合地下水位状况,显示研究区土壤盐碱化的盐分离子主要来源于地下水。地下水位浅、地形低洼、年蒸发量远大于降水量,多层黏质土壤作为隔水层阻碍盐分离子向深部渗透运移与稀释,同时土壤盐分无法通过地表径流排泄、在浅地表不断积累,加上冬季的冻融作用,形成盐碱化土壤,并以Na+,K+,Ca2+和 C O 3 2 -, H C O 3 -的小苏打型碱化为标志特征。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Ivushkin K, Bartholomeus H, Bregt A K, et al. Global mapping of soil salinity change[J]. Remote Sensing of Environment, 2019, 231:111260.

[2]
FAO. Global map of salt affected soils version 1.0[EB/OL]. [2023-10-17]. https://www.fao.org/soils-portal/data-hub/soil-maps-and-databases/global-map-of-salt-affected-soils/en/

[3]
Setia R, Gottschalk P, Smith P, et al. Soil salinity decreases global soil organic carbon stocks[J]. Science of the Total Environment, 2013, 465:267-272.

[4]
刘兴土. 松嫩平原退化土地整治与农业发展[M]. 北京: 科学出版社, 2001: 15-350.

Liu X T. Regulation and agricultural development of degraded land in Songnen Plain[M]. Beijing: Science Press, 2001: 15-350.

[5]
杨帆, 罗金明, 王志春, 等. 松嫩平原盐渍化区水盐转化规律与调控机理[M]. 北京: 中国环境出版社, 2014:15-201.

Yang F, Luo J M, Wang Z C. Water-salt transformation law and regulation mechanism in salinization area of Songnen Plain[M]. Beijing: China Environmental Science Press, 2014:15-201.

[6]
王遵亲. 中国盐渍土[M]. 北京: 科学出版社, 1993.

Wang Z Q. Saline soil in China[M]. Beijing: Science Press, 1993.

[7]
Zaman M, Shahid S A, Heng L. Guideline for salinity assessment,mitigation and adaptation using nuclear and related techniques[M]. Cham,Switzerland: Springer Open, 2018.

[8]
赵鹏敏, 贾政强. 东北平原西部盐碱地生态治理探析[J]. 东北水利水电, 2020, 38(5):47-49,72.

Zhao P M, Jia Z Q. Study on ecological management of saline-alkali land in west of Northeast Plain[J]. Water Resources & Hydropower of Northeast China, 2020, 38(5):47-49,72.

[9]
Everitt J, Escobar D, Gerbermann A H, et al. Detecting saline soils with video imagery[J]. Photogrammetric Engineering and Remote Sensing (USA), 1988, 54(9):1283-1287.

[10]
Metternicht G, Zinck J A. Spatial discrimination of salt- and sodium-affected soil surfaces[J]. International Journal of Remote Sensing, 1997, 18(12):2571-2586.

[11]
Bell D, Menges C, Ahmad W, et al. Vegetation correction of airSAR data for mapping soil salinity in a tropical coastal environment[J]. Annual Congress of the Australian Society for Liminology, 2000:78-78.

[12]
Salcedo F P, Cutillas P P, Cabañero J J A, et al. Use of remote sensing to evaluate the effects of environmental factors on soil salinity in a semi-arid area[J]. Science of the Total Environment, 2022, 815:152524.

[13]
Zhang Y, Hou K, Qian H, et al. Characterization of soil salinization and its driving factors in a typical irrigation area of Northwest China[J]. Science of the Total Environment, 2022, 837:155808.

[14]
张琦林, 胡娟, 高英志, 等. 松嫩平原沙丘-草甸复合生态系统土壤水分和盐碱时空变化特征[J]. 中国农学通报, 2021, 37(20):49-58.

DOI

Zhang Q L, Hu J, Gao Y Z, et al. Spatiotemporal variations of soil water and saline-alkali in compound ecosystem of sand and mea-dow in the Songnen Plain[J]. Chinese Agricultural Science Bulletin, 2021, 37(20):49-58.

[15]
卢晶, 张绪教, 叶培盛, 等. 基于SI-MSAVI特征空间的河套灌区盐碱化遥感监测研究[J]. 国土资源遥感, 2020, 32(1):169-175.doi:10.6046/gtzyyg.2020.01.23.

Lu J, Zhang X J, Ye P S, et al. Remote sensing monitoring of salinization in Hetao irrigation district based on SI-MSAVI feature space[J]. Remote Sensing for Land and Resources, 2020, 32(1):169-175.doi:10.6046/gtzyyg.2020.01.23.

[16]
张思源, 岳楚, 袁国礼, 等. 基于ENDVI-SI3特征空间的盐渍化反演模型及风险评估[J]. 自然资源遥感, 2022, 34(4):136-143.doi:10.6046/zrzyyg.2021349.

Zhang S Y, Yue C, Yuan G L, et al. Salinization inversion model based on ENDVI-SI3 characteristic space and risk assessment[J]. Remote Sensing for Natural Resources, 2022, 34(4):136-143.doi:10.6046/zrzyyg.2021349.

[17]
Suweis S, Rinaldo A, Van der Zee A T M, et al. Stochastic modeling of soil salinity[J]. Geophysical Research Letters, 2010, 37(7):1-5.

[18]
Perri S, Molini A, Hedin L O, et al. Contrasting effects of aridity and seasonality on global salinization[J]. Nature Geoscience, 2022, 15:375-381.

[19]
张殿发. GIS支持下的吉林西部平原土地盐碱化研究[D]. 长春: 长春科技大学, 2000.

Zhang D F. Study on soil salinization in the western plain of Jilin Province based on GIS[D]. Changchun: Changchun University of Science and Technology, 2000.

[20]
林年丰, Bounlom V, 汤洁, 等. 松嫩平原盐碱土的形成与新构造运动关系的研究[J]. 世界地质, 2005, 24(3):282-288,311.

Lin N F, Bounlom V, Tang J, et al. Study on the relation between the formation of saline-alkali soil and the Neotectonic Movement[J]. World Geology, 2005, 24(3):282-288,311.

[21]
方洪宾. 松辽平原第四纪地质环境与黑土退化[M]. 北京: 地质出版社, 2009.

Fang H B. Quaternary geological environment and black soil degradation in Songliao Plain[M]. Beijing: Geological Publishing House, 2009.

[22]
Han Y, Ge H, Xu Y, et al. Estimating soil salinity using multiple spectral indexes and machine learning algorithm in Songnen Plain,China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1912, 16:7041-7050.

[23]
Yu H, Wang Z, Mao D, et al. Spatiotemporal variations of soil salinization in China’s West Songnen Plain[J]. Land Degradation & Development, 2023, 34:2366-2378.

[24]
Fan Y, An F, Ma H, et al. Variations on soil salinity and sodicity and its driving factors analysis under microtopography in different hydrological conditions[J]. Water, 2016, 8:227.

[25]
Qin Y, Bai Y, Chen G, et al. The effects of soil freeze-thaw processes on water and salt migrations in the western Songnen Plain,China[J]. Scientific Reports, 2021, 11(1):3888.

[26]
汪景宽, 王铁宇, 张旭东, 等. 黑土土壤质量演变初探I——不同开垦年限黑土主要质量指标演变规律[J]. 沈阳农业大学学报, 2002, 33(1):43-47.

Wang J K, Wang T Y, Zhang X D, et al. An approach to the changes of black soil quality (I): Changes of the indices of black soil with the year(s) of reclamation[J]. Journal of Shenyang Agricultural University, 2002, 33(1):43-47.

[27]
詹涛, 曾方明, 谢远云, 等. 东北平原钻孔的磁性地层定年及松嫩古湖演化[J]. 科学通报, 2019, 64(11):1179-1190.

Zhan T, Zeng F M, Xie Y Y, et al. Magnetostratigraphic dating of a drill core from the Northeast Plain of China:Implications for the evolution of Songnen paleo-lake[J]. Chinese Science Bulletin, 2019, 64(11):1179-1190.

[28]
FAO. Harmonized world soil database v12.[EB/OL]. [2024-03-13]. https://www.fao.org/soils-portal/soil-survey/soil-maps-and-databases/harmonized-world-soil-database-v12/en/

[29]
Steven M D, Malthus T J, Danson F M, et al. Monitoring responses of vegetation to stress[C]// 18th Annual Conference of the Remote Sensing Society Remote Sensing from Research to Operation, 1992:369-377.

[30]
Bastiaanssen W G M, Molden D J, Makin I W. Remote sensing for irrigated agriculture:Examples from research and possible applications[J]. Agricultural Water Management, 2000, 46(2):137-155.

[31]
Bannari A, Guedon A M, El-Harti A, et al. Characterization of slightly and moderately saline and sodic soils in irrigated agricultural land using simulated data of advanced land imaging (EO-1) sensor[J]. Communications in Soil Science and Plant Analysis, 2008, 39(19/20):2795-2811.

[32]
Zhang T T, Zeng S L, Gao Y, et al. Using hyperspectral vegetation indices as a proxy to monitor soil salinity[J]. Ecological Indicators, 2011, 11(6):1552-1562.

[33]
Khan N M, Rastoskuev V V, Sato Y, et al. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management, 2005, 77(1/2/3):96-109.

[34]
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, 230:1-8.

[35]
Zewdu S, Suryabhagavan K V, Balakrishnan M. Geo-spatial approach for soil salinity mapping in Sego Irrigation Farm,South Ethiopia[J]. Journal of the Saudi Society of Agricultural Sciences, 2017, 16(1):16-24.

[36]
赵瑞, 崔希民, 刘超. GF-5高光谱遥感影像的土壤有机质含量反演估算研究[J]. 中国环境科学, 2020, 40(8):3539-3545.

Zhao R, Cui X M, Liu C. Inversion estimation of soil organic matter content based on GF-5 hyperspectral remote sensing image[J]. China Environmental Science, 2020, 40(8):3539-3545.

[37]
Abuelgasim A, Ammad R. Mapping soil salinity in arid and semi-arid regions using Landsat 8 OLI satellite data[J]. Remote Sensing Applications:Society and Environment, 2019, 13:415-425.

[38]
Al-Khaier F. Soil salinity detection using satellite remote sensing[Z]. Enschede in Netherlands:International Institute for Geo-information Science and Earth Observation, 2003.

[39]
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.

[40]
Tran T V, Tran D X, Myint S W, et al. Examining spatiotemporal salinity dynamics in the Mekong River Delta using Landsat time series imagery and a spatial regression approach[J]. Science of the Total Environment, 2019, 687:1087-1097.

[41]
El Kader Douaoui A, 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.

[42]
Allbed A, Kumar L, Sinha P. Soil salinity and vegetation cover change detection from multi-temporal remotely sensed imagery in Al Hassa Oasis in Saudi Arabia[J]. Geocarto International, 2018, 33(8):830-846.

[43]
Abbas A, Khan S. Using remote sensing techniques for appraisal of irrigated soil salinity[C]// MODSIM07-Land, Water and Environmental Management: Integrated Systems for Sustainability,Proceedings, 2007:2632-2638.

[44]
Abbas A, Khan S, Hussain N, et al. Characterizing soil salinity in irrigated agriculture using a remote sensing approach[J]. Physics and Chemistry of the Earth,Parts A/B/C, 2013, 55:43-52.

[45]
Li X, Li Y, Wang B, et al. Analysis of spatial-temporal variation of the saline-sodic soil in the west of Jilin Province from 1989 to 2019 and influencing factors[J]. CATENA, 2022, 217:106492.

[46]
Scudiero E, Skaggs T H, Corwin D L. Regional scale soil salinity evaluation using Landsat 7,western San Joaquin Valley,California,USA[J]. Geoderma Regional, 2014, 2:82-90.

[47]
Masoud A A, Koike K. Arid land salinization detected by remotely-sensed landcover changes:A case study in the Siwa region,NW Egypt[J]. Journal of Arid Environments, 2006, 66(1):151-167.

[48]
Wang J, Ding J, Yu D, et al. Machine learning-based detection of soil salinity in an arid desert region,Northwest China:A comparison between Landsat8 OLI and Sentinel-2 MSI[J]. Science of the Total Environment, 2020, 707:136092.

[49]
Sadeghi M, Jones S B, Philpot W D. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands[J]. Remote Sensing of Environment, 2015, 164:66-76.

[50]
Wang L, Qu J J. NMDI:A normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing[J]. Geophysical Research Letters, 2007, 34(20):1-5.

[51]
Maffei C, Leone A P, Vella M, et al. Retrieval of vegetation moisture indicators for dynamic fire risk assessment with simulated MODIS radiance[C]// 2007 IEEE International Geoscience and Remote Sensing Symposium.Barcelona,Spain.IEEE, 2007:4648-4651.

[52]
Xiao X, Boles S, Liu J, et al. Mapping paddy rice agriculture in Southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2005, 95(4):480-492.

[53]
Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3):295-309.

[54]
Pearson R, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie,Pawnee National Grasslands,Colorado[J]. Remote Sensing of Environment,VIII, 1972:1357-1381.

[55]
Richardson A J, Wiegand C L. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering & Remote Sensing, 1977, 43(12):1541-1552.

[56]
Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment, 1991, 35(2/3):161-173.

[57]
Crist E P. A TM Tasseled Cap equivalent transformation for reflectance factor data[J]. Remote Sensing of Environment, 1985, 17(3):301-306.

[58]
Karavanova E I, Shrestha D P, Orlov D S. Application of remote sensing techniques for the study of soil salinity in semi-arid Uzbekistan[M]//Response to Land Degradation. Boca Raton: CRC Press, 2019:261-273.

[59]
Abrol I, Yadav J S P, Massoud F. Salt-affected soils and their management[M]. Rome,Italy: Food & Agriculture Organization, 1988,39.

[60]
Schoeneberger P, Wysocki D, Benham E, et al. Field book for describing and sampling soils,version 2.0[M]. Lincoln,OR,USA: Natural Resources Conservation Service,National Soil Survey Center, 2002:2-72.

[61]
Ibrakhimov M, Khamzina A, Forkutsa I, et al. Groundwater table and salinity:Spatial and temporal distribution and influence on soil salinization in Khorezm Region (Uzbekistan,Aral Sea Basin)[J]. Irrigation and Drainage Systems, 2007, 21(3):219-236.

[62]
Luo J, Yang F, Wang Y, et al. Mechanism of soil sodification at the local scale in Songnen Plain,Northeast China,as affected by shallow groundwater table[J]. Arid Land Research and Management, 2011, 25:234-256.

[63]
Yang F, Zhang G, Yin X, et al. Study on capillary rise from shallow groundwater and critical water table depth of a saline-sodic soil in western Songnen Plain of China[J]. Environmental Earth Sciences, 2011, 64(8):2119-2126.

Options
Outlines

/

〈 〉