利用空间关联随机森林模型与遥感影像估算裸土期耕地土壤盐分含量的研究

doi:10.15933/j.cnki.1004-3268.2022.05.017

摘要/Abstract

摘要： 为快速准确获取区域内土壤盐分含量（Soil salt content，SSC）信息及空间分布特征，选取莱州湾南岸滨海平原地区为研究区，系统采集裸土期土壤样品95个并获取同时相Sentinel-2多光谱影像，进一步利用变量重要度评估技术选取SSC的敏感波段作为输入自变量，测定得到的SSC值为因变量，分别建立基于随机森林和空间关联随机森林算法的遥感估算模型，完成区域尺度上的SSC反演制图。结果表明：Sentinel-2影像近红外范围内波段（B11、B12、B2和B8a）对SSC响应较为敏感，波段11的重要度值最高。空间关联随机森林模型的估算效果指标R2（决定系数）和RMSE（均方根误差）分别为0.86和0.38，相对比随机森林模型估算效果提升了16.22%和35.60%，模型的计算效率和稳健性也相应提高。SSC在区域上整体呈现较低含量水平（<2 g/kg），高值区分布在西北部和东部部分区域（>6 g/kg），主要受到海水入侵影响。此外，在微地貌和干旱蒸发的作用下形成的离散块状分布的中度土壤盐化区（2 g/kg≤SSC<4 g/kg）应引起重视。

关键词: 土壤, 盐分含量, 空间关联随机森林, 遥感估算, 裸土期

Abstract: This study aimed to investigate the concentration status and spatial distribution of soil salt content（SSC）.The coastal plain area in the south of Laizhou Bay was selected as the study area，a total of 95 soil samples in bare soil period and Sentinel‑2 multispectral images were acquired simultaneously；the SSC responding bands were then selected using the variables importance assessment method，and used as the independent variables in the SSC estimation model，the measured SSC values were regarded as the dependent variables，and remote sensing estimation models based on random forest and spatial random forest were established.Results showed that the band 11，band 12，band 2，and band 8a from the Sentinel‑2 image were the sensitive bands for SSC，band 11 showed the significant correlation with SSC；The R²（coefficient of determination）and RMSE（root mean square error）of the spatial random forest model were 0.86 and 0.38，respectively，which were 16.22% and 35. 60% higher than those of the random forest model，and the computational efficiency and robustness of the model were improved accordingly.SSC showed a low level（<2 g/kg）at the regional scale，and high‑value areas（>6 g/kg）were mainly distributed in the northwestern and eastern parts of the area，mainly affected by seawater intrusion.In addition，moderately salt‑affected areas（2 g/kg≤SSC<4 g/kg）were characterized with discrete distribution due to the effects of micro‑geomorphology and drought evaporation，which should be given attention to.

Key words: Soil, Salt content, Spatial random forest, Remote sensing estimation, Bare soil period

中图分类号:

S127
TP79

徐夕博, 吕明荟, 王海会, 周忠科, 彭远新, 颜学文. 利用空间关联随机森林模型与遥感影像估算裸土期耕地土壤盐分含量的研究[J]. 河南农业科学, 2022, 51(5): 162-170.

XU Xibo, LÜ Minghui, WANG Haihui, ZHOU Zhongke, PENG Yuanxin, YAN Xuewen. Estimation of Soil Salt Content of Cultivated Land during Bare Soil Period Using Spatial Random Forest Model and Remote Sensing Images[J]. Journal of Henan Agricultural Sciences, 2022, 51(5): 162-170.

图/表 7

参考文献

［1］吴春生，黄翀，刘高焕，等.黄河三角洲土壤含盐量空间预测方法研究［J］.资源科学，2016，38（4）：704‑713.
WU C S，HUANG C，LIU G H，et al.Spatial prediction of soil salinity in the Yellow River Delta based on geographically weighted regression ［J］.Resources Science，2016，38（4）：704‑713.
［2］ROZEMA J，FLOWERS T.Crops for a salinized world［J］.Science，2008，322：1478‑1480.
［3］卢霞.滨海盐土盐分含量与其光谱特征的关系研究［J］.水土保持通报，2012，32（5）：186‑190.
LU X.Relationship between saline concentration and its reflectance spectra for seashore saline soil［J］.Bulletin of Soil and Water Conservation，2012，32（5）：186‑190.
［4］LIU Y，ZHANG F，WANG C，et al.Estimating the soil salinity over partially vegetated surfaces from multispectral remote sensing image using non‑negative matrix factorization［J］.Geoderma，2019，354：113887.
［5］WANG S，CHEN Y，WANG M，et al.Performance comparison of machine learning algorithms for estimating the soil salinity of salt‑affected soil using field spectral data［J］.Remote Sensing，2019，11（22）：2605.
［6］SRIVASTAVA R，SETHI M，YADAV R K，et al.Visible‑near infrared reflectance spectroscopy for rapid characterization of salt‑affected soil in the Indo‑Gangetic Plains of Haryana，India［J］.Journal of the Indian Society of Remote Sensing，2017，45（2）：307‑315.
［7］冯娟，丁建丽，杨爱霞，等.干旱区土壤盐渍化信息遥感建模［J］.干旱地区农业研究，2018，36（1）：266‑273.
FENG J，DING J L，YANG A X，et al.Remote sensing modeling of soil salinization information in arid areas［J］.Agricultural Research in the Arid Areas，2018，36（1）：266‑273.
［8］贾萍萍，尚天浩，张俊华，等.利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量［J］.农业工程学报，2020，36（17）：125‑134.
JIA P P，SHANG T H，ZHANG J H，et al.Inversion of soil salinity in dry and wet seasons based on multi‑source spectral data in Yinbei area of Ningxia，China［J］.Transactions of the Chinese Society of Agricultural Engineering，2020，36（17）：125‑134.
［9］曹雷，丁建丽，玉米提·哈力克，等.基于国产高分一号卫星数据的区域土壤盐渍化信息提取与建模［J］.土壤学报，2016，53（6）：1399‑1409.
CAO L，DING J L，YU M T H L K，et al.Extraction and modeling of regional soil salinization based on data from GF‑1 satellite［J］.Acta Pedologica Sinica，2016，53（6）：1399‑1409.
［10］FAN X，LIU Y，TAO J，et al.Soil salinity retrieval from advanced multi‑spectral sensor with partial least square regression［J］.Remote Sensing，2015，7（1）：488‑511.
［11］MULLER S J，VAN NIEKERK A.Identification of WorldView‑2 spectral and spatial factors in detecting salt accumulation in cultivated fields［J］.Geoderma，2016，273：1‑11.
［12］张智韬，魏广飞，姚志华，等.基于无人机多光谱遥感的土壤含盐量反演模型研究［J］.农业机械学报，2019，50（12）：151‑160.
ZHANG Z T，WEI G F，YAO Z H，et al.Soil salt inversion model based on UAV multispectral remote sensing［J］.Transactions of the Chinese Society of Agricultural Machinery，2019，50（12）：151‑160.
［13］姚志华，陈俊英，张智韬，等.覆膜对无人机多光谱遥感反演土壤含盐量精度的影响［J］.农业工程学报，2019，35（19）：89‑97.
YAO Z H，CHEN J Y，ZHANG Z T，et al.Effect of plastic film mulching on soil salinity inversion by using UAV multispectral remote sensing［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（19）：89‑97.
［14］LIU X，ZHU A X，YANG L，et al.A graded proportion method of training sample selection for updating conventional soil maps［J］.Geoderma，2020，357：113939.
［15］BAO Y，MENG X，USTIN S，et al.Vis‑SWIR spectral prediction model for soil organic matter with different grouping strategies［J］.Catena，2020，195：104703.
［16］WADOUX A M J C，BRUS D J，HEUVELINK G B M.Sampling design optimization for soil mapping with random forest［J］.Geoderma，2019，355：113913.
［17］LAGACHERIE P，ARROUAYS D，BOURENNANE H，et al.Analysing the impact of soil spatial sampling on the performances of Digital Soil Mapping models and their evaluation：A numerical experiment on Quantile Random Forest using clay contents obtained from Vis‑NIR‑SWIR hyperspectral imagery［J］.Geoderma，2020，375：114503.
［18］TOBLER W R.A computer movie simulating urban growth in the Detroit region［J］.Economic Geography，1970，46（S1）：234‑240.
［19］陈广泉，刘文全，于洪军，等.基于GIS的莱州湾南岸土壤盐渍化特征分析研究［J］.海洋科学进展，2012，30（4）：501‑507.
CHEN G Q，LIU W Q，YU H J，et al.Analysis of soil salinization in the southern Laizhou bay based on GIS［J］.Advances in Marine Science，2012，30（4）：501‑507.
［20］徐夕博，吕建树，徐汝汝.山东省沂源县土壤重金属来源分布及风险评价［J］.农业工程学报，2018，34（9）：216‑223.
XU X B，LV J S，XU R R .Source spatial distribution and risk assessment of heavy metals in Yiyuan County of Shandong Province［J］.Transactions of the Chinese Society of Agricultural Engineering，2018，34（9）：216‑223.
［21］鲁如坤.土壤农业化学分析方法［M］.北京：中国农业科技出版社，2000.
LU R K.Soil agrochemical analysis methods［M］.Beijing：China Agricultural Science and Technology Press，2000.
［22］田颖，陈卓奇，惠凤鸣，等.欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析［J］.北京师范大学学报（自然科学版），2019，55（1）：57‑65.
TIAN Y，CHEN Z Q，HUI F M，et al.ESA Sentinel‑2A/Bsatellite：Characteristics and applications［J］.Journal of Beijing Normal University（Natural Science），2019，55（1）：57‑65.
［23］WANG J，DING J，YU D，et al.Capability of Sentinel‑2MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region，Xinjiang，China［J］.Geoderma，2019，353：172‑187.
［24］XU X，CHEN Y，WANG M，et al.Improving estimates of soil salt content by using two‑date image spectral changes in Yinbei，China［J］.Remote Sensing，2021，13（20）：4165.
［25］BREIMAN L. Random forest［J］.Machine Learning，2001，45（1）：5‑32.
［26］FOTHERINGHAM A S，BRUNSDON C，CHARLTON M.Geographically weighted regression：The analysis of spatially varying relationships［M］.New Jersey：John Wiley & Sons Press，2003.
［27］YANG S H，LIU F，SONG X D，et al.Mapping topsoil electrical conductivity by a mixed geographically weighted regression kriging：A case study in the Heihe River Basin，northwest China［J］.Ecological Indicators，2019，102：252‑264.
［28］CHI Y，SHI H，ZHENG W，et al.Simulating spatial distribution of coastal soil carbon content using a comprehensive land surface factor system based on remote sensing［J］.Science of the Total Environment，2018，628：384‑399.
［29］侯宇初，张冬有.基于Landsat8遥感影像的地表温度反演方法对比研究［J］.中国农学通报，2019，35（10）：142‑147.
HOU Y C，ZHANG D Y.Comparison study on land surface temperature retrieval algorithms based on Landsat8 remote sensing image ［J］.Chinese Agricultural Science Bulletin，2019，35（10）：142‑147.
［30］刘焕军，张美薇，杨昊轩，等.多光谱遥感结合随机森林算法反演耕作土壤有机质含量［J］.农业工程学报，2020，36（10）：134‑140.
LIU H J，ZHANG M W，YANG H X，et al.Invertion of cultivated soil organic matter content combining multi‑spectral remote sensing and random forest algorithm［J］.Transactions of the Chinese Society of Agricultural Engineering，2020，36（10）：134‑140.
［31］彭远新，蒙永辉，徐夕博，等.基于随机森林算法的潍北平原土壤全氮高光谱估算［J］.安全与环境学报，2020，20（5）：1975‑1983.
PENG Y X，MENG Y H，XU X B ，et al.Estimation for the total nitrogen content rate in the soil of Weibei Plain based on the random forest algorithm and hyper‑spectral［J］.Journal of Safety and Environment，2020，20（5）：1975‑1983.
［32］LI J，XU X，LV J，et al.Source apportionment and health risk quantification for heavy metal sources in soils near aluminum‑plastic manufacturing facilities in northeast China［J］.Human and Ecological Risk Assessment，2020，26（8）：2225‑2244.
［33］KUANG B，MOUAZEN A M.Calibration of visible and near infrared spectroscopy for soil analysis at the field scale on three European farms［J］.European Journal of Soil Science，2011，62（4）：629‑636.
［34］付腾飞，张颖，徐兴永，等.山东滨海低平原区盐渍土盐分的时空变异研究［J］.海洋开发与管理，2017，34（12）：38‑45.
FU T F，ZHANG Y，XU X Y，et al.Spatio‑temporal variability of saline soil salinity in Shandong low‑lying coastal plain［J］.Ocean Development and Management，2017，34（12）：38‑45.
［35］翁永玲，宫鹏.土壤盐渍化遥感应用研究进展［J］.地理科学，2006（3）：369‑375.
WENG Y L，GONG P.A review on remote sensing technique for salt‑affected soils［J］.Scientia Geographica Sinica，2006（3）：369‑375.
［36］WANG Q，LI P，CHEN X.Modeling salinity effects on soil reflectance under various moisture conditions and its inverse application：A laboratory experiment［J］.Geoderma，2012，170：103‑111.
［37］KAHAER Y， TASHPOLAT N.Estimating salt concentrations based on optimized spectral indices in soils with regional heterogeneity［J］.Journal of Spectroscopy，2019：2402749. DOI：10. 1155/2019/2402749.
［38］SHRESTHA R P.Relating soil electrical conductivity to remote sensing and other soil properties for assessing soil salinity in northeast Thailand［J］.Land Degradation & Development，2006，17（6）：677‑689.
［39］张俊华，孙媛，贾科利，等.不同盐结皮光谱特征及其盐渍化信息预测研究［J］.农业机械学报，2018，49（12）：325‑333.
ZHANG J H，SUN Y，JIA K L，et al.Spectral characteristics and salinization information prediction of different soil salt crusts［J］.Transactions of the Chinese Society for Agricultural Machinery，2018，49（12）：325‑333.
［40］安德玉，邢前国，赵庚星.基于HICO波段的滨海土壤盐分遥感反演研究［J］.海洋学报，2018，40（6）：51‑59.
AN D Y，XING Q G，ZHAO G X.Hyperspectral remote sensing of soil salinity for coastal saline soil in the Yellow River Delta based on HICO bands［J］.Acta Oceanographica，2018，40（6）：51‑59.
［41］曹正凤.随机森林算法优化研究［D］.北京：首都经济贸易大学，2014.
CAO Z F.Study on optimization of random forests algorithm［D］.Beijing：Capital University of Economics and Business，2014.
［42］SABETIZADE M，GORJI M，ROUDIER P，et al.Combination of MIR spectroscopy and environmental covariates to predict soil organic carbon in a semi‑arid region［J］.Catena，2021，196：104844.
［43］刘文全，于洪军，徐兴永.莱州湾南岸土壤剖面盐分离子分异规律研究［J］.土壤学报，2014，51（6）：1213‑1222.
LIU W Q，YU H J，XU X Y.Rules of variation of salt ions in soil profiles in south coastal area of Laizhou Bay［J］.Acta Pedologica Sinica，2014，51（6）：1213‑1222.
［44］蒙永辉，王集宁.基于地理加权回归的莱州湾南岸土壤盐渍化与环境因子的关系研究［J］.地质论评，2018，64（5）：1180‑1189.
MENG Y H，WANG J N.Study on influencing factors of soil salinity in south coast of Laizhou Bay，Shandong，based on geographically weighted regression model［J］.Geological Review，2018，64（5）：1180‑1189.
［45］张丽霞，吕兰颂，邓振利，等.莱州湾南岸土壤全盐量空间分布及其高光谱反演研究［J］.安全与环境学报，2019，19（3）：1034‑1040.
ZHANG L X，LÜ L S，DENG Z L，et al.Study on spatial distribution and spectral inversion of total soil salinity in south bank of Laizhou Bay［J］.Journal of Safety and Environment，2019，19（3）：1034‑1040.
［46］曹文涛，吴泉源，王菲，等.基于野外实测光谱的潍北地区土壤全盐量监测研究［J］.土壤通报，2016，47（2）：265‑271.
CAO W T，WU Q Y，WANG F，et al.Study on monitoring for soil total salt based on field measured spectra at the north of Weifang areas［J］.Chinese Journal of Soil Science，2016，47（2）：265‑271.

[1]	马宇, 王硕立, 赵曦, 侯冰清, 薛子钟, 张扬, 习红昂, 程玉渊, 时向东, 邢雪霞. 保水剂对豫西南半湿润区雪茄烟田耕层土壤理化性质及烟株生长发育的影响[J]. 河南农业科学, 2024, 53(2): 46-55.
[2]	徐春燕, 张倩, 王雅娴, 王红雨, 盛开, 王宜伦. 商品有机肥对砂质潮土理化性状、冬小麦产量及养分积累的影响[J]. 河南农业科学, 2024, 53(2): 56-64.
[3]	赵鑫, 陈栋, 郭冠廷, 吴娇娇, 张远东, 龙林梅, 龙明忠, 李晓娜. 贵州石漠化地区生物结皮对土壤氮矿化的影响[J]. 河南农业科学, 2024, 53(2): 75-84.
[4]	任志超, 李想, 李先锋, 毋丽丽, 王景, 彭志良, 刘国顺, 殷全玉. 生物炭对黑胫病抗性不同烤烟品种根际土壤真菌群落结构的影响[J]. 河南农业科学, 2024, 53(1): 105-115.
[5]	余高, 陈芬, 田霞, 卢心, 滕明欢, 谢婉莹. 冬季覆盖对幼龄柑橘园土壤化学性质及酶活性的影响[J]. 河南农业科学, 2023, 52(9): 91-101.
[6]	张静, 苏胜, 毛伟, 曾洪玉, 仇建荣, 赵海涛. 江苏沿江地区不同地力水平下油菜的肥料效应分析[J]. 河南农业科学, 2023, 52(7): 60-69.
[7]	李善敏, 曾歆花, 黄卫昌, 付浩, 黄清俊. 不同林地类型对白及生长及其内生真菌多样性的影响[J]. 河南农业科学, 2023, 52(7): 70-80.
[8]	贾云超, 黄达, 王喜枝, 闫军营, 王立河. 长期定位施氯对3 种质地土壤理化性质及作物产量的影响[J]. 河南农业科学, 2023, 52(7): 81-89.
[9]	许豆豆, 贺云新, 李飞, 刘爱玉, 周仲华. 间套作模式在棉田上的研究进展[J]. 河南农业科学, 2023, 52(6): 1-11.
[10]	熊瑞, 张玮, 钟康裕, 周文涛, 欧茜, 王泓睿, 龙攀, 徐莹, 傅志强. 秸秆还田与轮耕对双季稻土壤物理特性及碳氮含量的影响[J]. 河南农业科学, 2023, 52(5): 81-90.
[11]	柴冠群, 杨娇娇, 王丽, 刘桂华, 罗沐欣键, 秦松, 范成五. 活化磷矿粉对土壤镉形态转化和辣椒镉吸收的影响[J]. 河南农业科学, 2023, 52(5): 91-98.
[12]	谭攀, 王士超, 谢锦, 蒋高乾, 韩立朴. 暗管排水与秋葵种植协同改良滨海盐土的施肥效应研究[J]. 河南农业科学, 2023, 52(5): 99-109.
[13]	徐蝶, 王济, 蔡雄飞, 郁鑫杰, 赵帅, 赵士杰. 我国土壤物理结皮侵蚀效应研究进展[J]. 河南农业科学, 2023, 52(4): 9-20.
[14]	李成玉, 程思贤, 马海彬, 刘卫玲, 张学林, 刘天学, 李潮海, 赵亚丽. 豫南砂姜黑土水浇地不同产田土壤理化性状及其与作物产量的相关性[J]. 河南农业科学, 2023, 52(4): 74-81.
[15]	吴希宝, 徐洪乐, 胡尊纪, 宋化稳, 庄治国, 唐广新, 徐娜娜, 孔月, 梁林, 庄占兴. 新型土壤封闭除草剂砜吡草唑在花生和向日葵田的应用及安全性[J]. 河南农业科学, 2023, 52(4): 99-106.