遥感科学与应用技术

基于无人机遥感的滨海盐碱地土壤空间异质性分析与作物光谱指数响应胁迫诊断

  • 朱婉雪 , 1, 2 ,
  • 孙志刚 , 1, 2, 3, 4, * ,
  • 李彬彬 1 ,
  • 杨婷 3 ,
  • 刘振 3 ,
  • 彭金榜 1, 2 ,
  • 朱康莹 1, 2 ,
  • 李仕冀 1, 2 ,
  • 娄金勇 1, 3, 4 ,
  • 侯瑞星 1 ,
  • 李静 1 ,
  • 于武江 4 ,
  • 王永利 5 ,
  • 张峰 5 ,
  • 刘向冶 5 ,
  • 胡华浪 6 ,
  • 欧阳竹 2, 3, 4
展开
  • 1.中国科学院地理科学与资源研究所 生态系统网络观测与模拟重点实验室,北京100101
  • 2.中国科学院大学资源与环境学院,北京100049
  • 3.中国科学院地理科学与资源研究所 中国科学院黄河三角洲现代农业工程实验室,北京 100101
  • 4.中科山东东营地理研究院,东营257000
  • 5.东营市现代农业示范区管理中心,东营 257000
  • 6.农业农村部规划设计研究院农业遥感与数字乡村研究所 农业农村部耕地利用遥感重点实验室,北京 100125
*孙志刚(1976- ),男,江苏盐城人,博士,研究员,研究方向为生态遥感与区域生态。E-mail:

朱婉雪(1994- ),女,四川乐山人,博士生,研究方向为无人机农业遥感应用。E-mail: zhuwx.

收稿日期: 2020-03-26

  要求修回日期: 2020-06-11

  网络出版日期: 2021-05-25

基金资助

中国科学院先导A专项子课题(XDA23050102)

中国科学院重点部署项目(KFZD-SW-113)

国家重点研发项目课题(2017YFC0503805)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。

Analysis of Spatial Heterogeneity for Soil Attributes and Spectral Indices-based Diagnosis of Coastal Saline-Alkaline Farmland Stress Using UAV Remote Sensing

  • ZHU Wanxue , 1, 2 ,
  • SUN Zhigang , 1, 2, 3, 4, * ,
  • LI Binbin 1 ,
  • YANG Ting 3 ,
  • LIU Zhen 3 ,
  • PENG Jinbang 1, 2 ,
  • ZHU Kangying 1, 2 ,
  • LI Shiji 1, 2 ,
  • LOU Jinyong 1, 3, 4 ,
  • HOU Ruixing 1 ,
  • LI Jing 1 ,
  • YU Wujiang 4 ,
  • WANG Yongli 5 ,
  • ZHANG Feng 5 ,
  • LIU Xiangye 5 ,
  • HU Hualang 6 ,
  • OUYANG Zhu 2, 3, 4
Expand
  • 1. Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Laboratory of Modern Agricultural Engineering in the Yellow River Delta, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 4. Shandong Dongying Institute of Geographic Sciences, Dongying 257000, China
  • 5. Management Center of Dongying Modern Agricultural demonstration Zone, Dongying, 257000, China
  • 6. Key Laboratory of Cultivated Land Use/ Ministry of Agriculture and Rural Affairs, Academy of Agricultural Planning and Engineering, Beijing 100125, China
*SUN Zhigang, E-mail:

Received date: 2020-03-26

  Request revised date: 2020-06-11

  Online published: 2021-05-25

Supported by

Strategic Priority Research Program of the Chinese Academy of Sciences(XDA23050102)

Key Projects of the Chinese Academy of Sciences(KFZD-SW-113)

National Key Research and Development Program of China(2017YFC0503805)

Copyright

Copyright reserved © 2021

摘要

在已集中连片改造为农田的盐碱地上,开展无人机遥感作物土壤空间异质性分析与光谱指数响应胁迫诊断对于提升盐碱地利用效率、创造更多经济效益与生态价值具有重要意义。本研究以山东省东营市黄河三角洲典型滨海盐碱地集中连片旱作农田的主要作物——高粱和玉米为研究对象,利用固定翼无人机获取400 hm2滨海盐碱地多光谱遥感数据,并结合地面195个采样点的3个土层(0~10 cm、10~20 cm、20~40 cm)的土壤属性数据,对该研究区域内作物生长的土壤环境因子进行空间异质性分析与光谱指数响应胁迫诊断。基于土壤属性数据,利用反距离加权插值法,绘制该研究区域内土壤盐分、pH、有机质、全氮和速效氮共5个指标含量的水平与垂直空间分布图。插值结果显示,5种土壤属性指标存在显著水平和垂直空间异质性。基于随机森林模型,采用递归特征消除法,结合土壤指标对光谱指数的重要性值,探讨影响作物生长的主要土壤环境胁迫因子。结果表明,5种土壤属性因子均会对玉米和高粱生长造成影响,但主要胁迫因子分别为土壤速效氮含量(10~20 cm)和3个土层的盐分含量。本研究为大面积农情胁迫监测提供了一项有效的地面与航空协同监测方案,为盐碱地旱作农田管理与决策提供了理论依据和技术支持。

本文引用格式

朱婉雪 , 孙志刚 , 李彬彬 , 杨婷 , 刘振 , 彭金榜 , 朱康莹 , 李仕冀 , 娄金勇 , 侯瑞星 , 李静 , 于武江 , 王永利 , 张峰 , 刘向冶 , 胡华浪 , 欧阳竹 . 基于无人机遥感的滨海盐碱地土壤空间异质性分析与作物光谱指数响应胁迫诊断[J]. 地球信息科学学报, 2021 , 23(3) : 536 -549 . DOI: 10.12082/dqxxkx.2021.200144

Abstract

Analysis of the spatial heterogeneity of soil attributes and diagnosis of the soil stress for crops cultivated at large-scale saline-alkali farmland based on remote sensing spectral indices are important to improve the land utilization efficiency and contribute to improve economic and ecological benefits. In this study, we conducted an Unmanned Aerial Vehicle (UAV) remote sensing observation and field measurement over a typical coastal saline-alkali farmland (400 hm2) in the Yellow River Delta of Dongying City, Shandong province in China during the growing season of maize and sorghum in 2019. An eBee wing-fixed UAV platform (SenseFly, Cheseaux-Lausanne, Switzerland) equipped with a multiSPEC-4C multispectral camera (SenseFly, Cheseaux-Lausanne, Switzerland) was used to capture the spectral information of crops. Nine Vegetation Indices (VIs) were selected to characterize the growth status of crops. Among the nine VIs, MCARI, TCARI/OSAVI, and NDREI were sensitive to Leaf Chlorophyll Content (LCC); OSVAI, GNDVI, and MSR were sensitive to Above-Ground Biomass (AGB); and NDVI, EVI2, and MSRRE were sensitive to Leaf Area Index (LAI). Soil sampling (n = 195) at three layers (0~10 cm, 10~20 cm, and 20~40 cm) were implemented evenly across the study area. In total, five soil attributes were measured, including soil salinity (SALT, g/kg), pH, organic matter content (C, g/kg), total nitrogen content (N, g/kg), and available nitrogen content (SN, mg/kg). In our study, we first conducted an interpolation method using Inverse Distance Weighted (IDW) to map the spatial heterogeneity of soil attributes. Our interpolation results show that all the soil attributes showed obvious horizontal spatial heterogeneity, while pH and SALT showed remarkable vertical spatial heterogeneity. Second, we conducted the Pearson Correlation Analysis (PCA) between different soil attributes at each soil layer. The results of PCA showed that SALT and pH had a significantly negative correlation, and these two attributes were not related to SN, N, and C. While SN, N, and C had significantly positive relationships with each other. Finally, the influences of soil attributes on the growth status of maize and sorghum were assessed separately using the Recursive Feature Elimination (RFE) method along with the random forest model based on 3-fold cross validation and 100 times iteration. According to the importance values of soil attributes to VIs, the influence of soil attributes on crop growth from high to low was that SN>N, C>pH>SALT for maize, and SALT>pH>SN, N, C for sorghum. However, the dominant soil attributes that influenced crop growth were SN2 (i.e., SN at 10~20 cm soil layer) and SALT at 0~40 cm soil layer for maize and sorghum, respectively. This study proposes a 'soil-crop growth-VIs' framework for monitoring crop growth status based combining field sampling and UAV remote sensing observations, which is essential for agronomic management in saline-alkali land and contributes to the development of precision agriculture.

1 引言

中国黄河三角洲地区位于黄蓝两大国家战略重叠地带,是中国东部沿海后备土地资源最富集、人均土地最多且开发潜力巨大的地区。但该区域濒临渤海,沉积环境独特且地势低平,导致土壤盐碱化程度严重[1]。因此,对影响该区域作物生长的土壤环境胁迫因子进行诊断,有利于快速制定土壤改良方法和调控农作物生长环境措施,从而提高土地利用程度,提高经济效益和生态价值。
滨海盐碱地面积广阔,传统的地面采样测量方法需耗费大量的人力与物力,不适用于实际生产活动[2]。目前,卫星遥感技术已广泛应用于大面积区域农情监测,对于宏观层面决策具有重要意义[3]。但由于卫星遥感影像的空间分辨率粗糙,且受天气云雨情况和卫星重访周期的限制性较强,致使卫星遥感在精准农业中的应用受到明显限制,难以满足实际农业应用的需求[4,5]。无人机作为近年来新起的遥感平台,具有时效高、空间分辨率高、作业成本低以及灵活和可重复实施等特点,可以及时、准确地获取较大面积农田的厘米级遥感影像,对农业经营决策管理起到有力的辅助作用[6]
在农业遥感应用领域,土壤盐分与肥力监测通常采用高光谱或多光谱传感器[7],而土壤墒情则常采用热红外、合成孔径雷达、微波等多源遥感技术[8,9]。受到无人机承载能力、电池续航能力和作业成本等的限制,高光谱传感器虽然可获取大量农情信息,但并不适宜于农业实践生产活动。机载多光谱相机(如Micasense Red Edge-M和MS600PRO)通常具有3~6个光谱通道,体积小、质量轻,且波段设计具有较强的针对性[10],近年来被广泛应用于无人机遥感农情监测与实践中[11]。多光谱相机可获得植被冠层特定波段的反射率,进而得到光谱指数[12]。目前,大量研究将光谱指数作为衡量作物长势的定量指标,基于多光谱指数的遥感监测方法被广泛用于作物长势监测[13,14]。作物长势会受到土壤理化性质的影响,产生不同的植物表型,进而影响光谱反射率[15,16]。因此,结合遥感光谱和地面土壤采样信息可对影响作物长势的土壤理化性质进行协同诊断[17,18],从而对农业措施的调整提供积极、正确的反馈。目前,关于影响植被生长的土壤环境胁迫诊断的研究大多基于卫星遥感数据,此类研究重点反演土壤盐分和水分含量[19,20];地基遥感技术则常用于土壤微环境的水分与盐分运移建模与验证;而使用无人机遥感技术诊断土壤环境因子的相关研究尚少[7,14],尤其是针对我国滨海盐碱地农业的无人机遥感监测研究较为缺乏;因此,本研究具有重要的科学意义和现实意义。
本研究选取黄河三角洲典型滨海盐碱地规模化旱作农田为研究对象,首先,采用反距离加权插值方法对研究区域土壤分层采样数据进行插值计算,结合作物种植布局图,分析不同作物种植区域的土壤属性指标的水平和垂直空间异质性特征,并对土壤指标的相关性进行分析。其次,利用轻小型固定翼无人机获取农作物多光谱遥感数据,并用光谱指数表征作物的长势情况。最后,基于随机森林模型,采用递归特征消除法,结合土壤指标对遥感光谱指数的重要性值,探讨影响该地区2种典型作物--高粱和玉米生长的主要土壤环境胁迫因子。本研究基于“土壤因子-作物长势-光谱信息”框架,为大面积农情胁迫监测提供一套有效的地面与航空协同监测方案,为盐碱地旱作农田管理与决策提供理论依据和技术支持。

2 实验区概况、数据来源及研究方法

2.1 实验区概况

研究区位于山东省东营市垦利区东部(118.90°E-118.93°E,37.67°N-37.68°N)(图1(a))。该区域位于黄河以南,东部和北部临渤海,属暖温带大陆性季风气候,冬冷夏热,四季分明;年平均气温约为12.50 ℃,年平均降水量约为555.90 mm,夏季降水集中,约占全年降水量的65.60%;冬季降水少,约占全年降水量的3.70%。无人机作业区域及土壤采样点分布如图1(b)所示,位于中国科学院地理科学与资源研究所黄河三角洲研究中心试验田,面积约为400 hm2;条形农田宽约为50 m,长度约为1200 m;部分为新开垦农田,条形农田之间均布设有沟渠用于灌溉和排洪,以保证作物整个生育期内的蓄水要求,基础设施条件良好。该地区距离黄河入海口约20 km,距离渤海直线距离约10 km,地势低平,面积广阔,盐碱化程度严重且分布不均匀,作物长势存在显著差异。作业区内主要种植的作物以玉米和高粱为主,兼种有大豆、燕麦、油菜、南瓜、西瓜、葡萄等农作物和经济作物,一年一熟(图2)。本研究选取高粱和玉米为研究对象,玉米播种时间为 5月中旬,高粱为5月底,均采用大型机械进行旋耕、播种和施肥,农业耕作管理措施一致。
图1 研究区域地理位置、无人机作业田块及土壤采样点分布

Fig. 1 Location of the study area, the field for the observation of an Unmanned Aerial Vehicle (UAV) and ground samplings

图2 研究区域作物种植布局情况

Fig. 2 Distribution of crops cultivated at the study area

2.2 无人机飞行及数据预处理

地面采样和飞行试验时间为2019年8月17日。由于受到环境胁迫,各种作物植株较正常农田植株更为矮小,部分植株叶片泛黄。本试验采用eBee Ag(SenseFly, 瑞士)农用固定翼专业无人机遥感平台,搭载的传感器为multiSPEC-4C多光谱相机(SenseFly, 瑞士)(图3)。该相机共有4个单独的1.2 MP传感器,可采集4个波段数据:绿波段(G)、红波段(R)、红边波段(E)和近红外波段(NIR)。 4个波段的中心波长分别位于550、660、735和 790 nm;对应的波段宽度分别为40、40、10和40 nm。无人机共飞行3个架次,飞行高度为150 m,飞行面积达400 hm2。作业当日天气晴朗无云,作业时间集中于10:00-14:00光照辐射较强期间,累计飞行时长约为1h。飞行前,均采集白板数据,用于后期光谱数据辐射校正。无人机的飞行控制软件为eMotion 3(SenseFly,瑞士);利用Pix4D Mapper Pro 3.1.22软件(Pix4D, 瑞士)对无人机图像进行辐射校正、图像拼接与正射校正,得到空间分辨率约为0.15 m的四波段反射率正射影像标准产品,投影方式为UTM/WGS84。
图3 SenseFlye Bee无人机飞行与地面土壤采样

Fig. 3 Flight of the SenseFlye Bee UAV and ground samplings of soil

2.3 土壤数据采集

地面试验与飞行试验同步进行,地面土壤采样点分布如图1(b)所示。考虑到土壤样本的代表性与合理性,地面采样路线沿着田块进行,采样点均匀分布,覆盖全部研究地块,共计195个地面样点。利用GPS记录采样样方中心点的经纬度位置,用于 后期土壤属性数据的插值处理。试验采集了 0~10 cm,10~20 cm 和 20~40 cm共3个土层土壤样品。每个土样测定5个属性指标,分别为土壤盐分含量(SALT,g/kg)、全氮含量(N,g/kg)、有机质含量(C,g/kg)、速效氮含量(SN,mg/kg)和pH。考虑到该地区的盐碱特性,共测得3个土壤深度的pH和盐分含量;只测定了0~10 cm和10~20 cm 2个土层的土壤有机质、速效氮和全氮含量。具体测定方法为:土壤全氮用凯氏定氮法测定;土壤有机质用重铬酸钾容量法测定;土壤速效氮用碱解蒸馏法测定;土壤pH用水土比为5:1(W:W)溶液测定;土壤含盐量采用重量法测定[21]。为简化表述,以下用pH1、pH2、pH3分别代表0~10 cm、10~20 cm、20~40 cm土层土壤的pH值;其它土壤属性指标的简化表述类似。

2.4 研究方法

2.4.1 技术路线
图4为本研究的技术路线图。由于不同种类作物具有不同的光谱特性,本文首先根据作物种植分布图,将研究区域划分为高粱、玉米、大豆、燕麦、油菜和其他综合种植区域6类,共计710个研究小区;将作物已收割的小区排除后,余下558个研究小区;其中,高粱194个小区,玉米147个小区。在195个地面土壤采样点中,种植高粱和玉米的采样点分别有70个和35个,种植油菜的采样点为15个,种植大豆和燕麦的采样点各10个,其它55个。
图 4 基于无人机多光谱遥感技术的农作物土壤环境空间异质性分析与作物光谱指数响应胁迫诊断研究的技术路线

Fig. 4 A flowchart regarding the analysis of spatial heterogeneity for soil attributes and spectral indices-based diagnosis of coastal saline-alkaline farmland stress using UAV multispectral remote sensing

选取土壤地理插值中常用的反距离加权插值(IDW)方法,利用ArcGIS 10.5(Esri,美国)对土壤数据进行反距离加权插值,得到研究区域土壤属性的空间分布信息图。将每个条田划分为50 m×50 m的矩形区域,并将每个50 m×50 m矩形框内的土壤属性指标均值作为该样方点的土壤属性值,结合作物的种植布局信息,利用python 3.7中的相关性分析工具对整个研究区域、高粱和玉米种植区域内的土壤属性指标进行皮尔森相关性分析。
本研究将无人机拍摄的遥感光谱信息(光谱指数,也称植被指数)作为作物生理生态指标(叶片叶绿素含量(LCC, mg/kg)、叶面积指数(LAI, m2/m2)和地上生物量(AGB, t/hm2),详见2.4.2)的表征(输出),而土壤属性指标(SN、N、SALT、pH、C)则作为影响遥感光谱信息的输入因子,即构建“土壤因子-作物长势-光谱信息”理论研究框架。利用R中的caret软件包,采取递归特征消除法(Recursive Feature Elimination, RFE),研究土壤属性因子对无人机遥感光谱指数的影响,并对输入特征的重要性值进行量化,计算重复执行100次。RFE是一种典型的包装器方法,包装器方法利用搜索算法来搜索可能的特征子集的空间,并通过在子集上运行模型来评估每个子集,从而选择出得分最高的子集,为模型构建提供最有用的特征。本研究使用RFE方法,通过多次重复地构建模型(采用随机森林模型,3折交叉验证),根据输入特征的系数选出最好的或者最差的特征,然后在剩余的特征上重复此过程,直到遍历所有特征;在此过程中,特征被消除的次序就是特征的排序;而特征的重要性值即为此输入特征对于模型结果的重要性程度,值越大则输入特征的重要性程度越高。
2.4.2 光谱指数
叶片叶绿素含量(LCC)是土壤氮含量的重要生化指示,叶面积指数(LAI)是影响植被冠层光合作用的重要生理参数,而地上生物量(AGB)是作物净光合作用的地上净累积部分,是衡量作物长势的综合指标。传统的破坏性采样方法并不适宜于大面积农情监测,因此,本研究采用光谱指数来表征作物的综合长势情况。结合multiSPEC-4C相机的传感器通道,通过文献资料查阅,本研究各选取了3种对LCC、LAI和AGB敏感的且估算性能较优的光谱指数(表1),并用这9个光谱指数来表征植被的长势情况。其中,MCARI (Modified Chlorophyll Absorption Ratio Index)、TCARI (Transformed Chlorophyll Absorption in Reflectance Index)/OSAVI (Optimized Soil Adjusted Vegetation Index)、NDREI(Normalized Difference Red Edge Index)对LCC敏感;OSAVI、GNDVI (Green-NDVI)、MSR(Modified Simple Ratio Index)对AGB的估算性能较好[22],NDVI (Normalized Difference Vegetation Index)、EVI2 (Two-band Enhanced Vegetation Index)和MSRRE (Modified Simple Ratio Red-edge)在LAI的估算中表现出较稳定的估算精度[23]
表1 研究选用的光谱指数及计算方法

Tab. 1 Vegetation indices used in this study

作物参数 光谱指数及公式 公式编号 参考文献
LCC MCARI=1.52.5NIR-R-1.3NIR-G(2NIR+1)2-6NIR-5R-0.5 (1) [24]
TCARI/OSAVI=3[E-R-0.2(E-G)(E/R)]/[1.16(NIR-R)/(NIR+R+0.16)] (2) [25]
NDREI=(NIR-E)/(NIR+E) (3) [26]
AGB OSAVI=(NIR-R)/(NIR+R+x)(x=0.16) (4) [22]
GNDVI=(NIR-G)/(NIR+G) (5)
MSR=(NIR/R-1)(NIR/R+1) (6)
LAI NDVI=(NIR-R)/(NIR+R) (7) [23]
EVI2=2.5(NIR-R)/(NIR+2.4R+1) (8)
MSRRE=(NIR/E-1)(NIR/E+1) (9)

注:R为红波段反射率;G为绿波段反射率;E为红边波段反射率;NIR为近红外波段反射率;x为调整系数,通常取值为0.16。

2.4.3 相关性分析
使用皮尔森相关系数对土壤属性指标之间相关性进行度量,具体公式如下:
r ab = i = 1 n ( a i - a ̅ ) ( b i - b ̅ ) i = 1 n ( a i - a ̅ ) 2 i = 1 n ( b i - b ̅ ) 2
式中:ab表示2个要素,它们的样本值分别为aibii=1,2,3,…,n); a ̅ b ̅ 分别表示2个要素样本值的平均值;n表示样本个数;rabab的皮尔森相关系数。

3 土壤属性空间异质性分析

3.1 土壤属性空间分布特征及影响因素

利用IDW插值后的土壤属性因子空间分布特征如图5所示,红色为高值分布区,绿色为低值分布区。总体而言,土壤盐分含量具有显著的水平和垂直空间异质性(图5(a)),3个土层的盐分含量均呈现出西部低而东部高的分布特性。在垂直空间分布上,在0~40 cm土层内,土壤盐分含量随着土壤深度逐渐下降。在盐分含量相对较低的西部区域,垂直异质性不显著;在盐分含量较高的东北区域,垂直异质性显著。在水平空间分布上,西南部pH较东北部高(图5(b));土壤pH1、pH2和pH3的均值分别为8.33、8.42和8.49,即随着土壤深度的加深pH变大,表明下层土壤较上层土壤碱化程度严重。土壤速效氮含量表现出从西到东逐渐降低的变化规律(图 5(c)),水平空间异质性较为显著;垂直分布特征表现为SN1显著高于SN2,变异系数更大,水平空间异质性更为显著。全氮含量最高值位于中西部,东部值较低(图5(d));在垂直分布上,N1均值为0.53 g/kg(变异系数为16.81%),N2均值为0.53 g/kg(变异系数为20.26%),水平空间异质性较为显著,而两层土壤全氮含量差异并不显著。土壤有机质含量在水平分布上呈现由中心向两侧逐渐降低的趋势(图5(e));在垂直方向上,C1和C2均值分别为8.42 g/kg和8.10 g/kg,差异不显著。
图5 研究区域不同深度土层的土壤属性空间分布情况

Fig. 5 Distribution of the soil attributes in different soil layers of the study area

研究结果表明该研究区的土壤性质呈现显著的水平空间分异规律,这可能是由于该研究区域面积较大(400 hm2),局部地貌条件和水文环境存在差异。该研究区呈现轻微的地势高度差异,地势较高地方海水倒灌入侵程度较轻,故盐分含量较低;而地势低洼地方则由于排水不畅,在引黄灌溉抬高地下水位和海水顶托的作用下,土壤盐分含量显著偏高。在该研究区的中部偏西区域,有机质含量、全氮和速效氮含量较高,一方面可能是由于此区域存在溪流,其携带的泥沙沉积物中含有较多的营养物质;另一方面,此区域内的农田开垦时间较早,人类施肥及土壤改良等活动使得土壤理化性质得到了改善,而其他区域的农田开垦较晚,土壤养分含量相对较低。
因有机质、全氮和速效氮的采样数据只包含2个土层,难以说明土壤属性的垂直分异性规律,故此处只探讨土壤盐分含量和pH的垂直分异性规律。该区域土壤盐分的垂直空间分异规律为,在0~40 cm土层中,盐分含量随着土壤深度而降低,而pH升高。这可能是因为,在夏季时,土壤盐类物质的溶解度增加,易上升至表土;下雨时,并伴随着温度降低,土体中的盐分不断结晶析出,从而使得上层土壤盐分累积加剧,盐分在土壤表面集聚[27]。由于东营地区的地下水位较浅,海水向上返盐导致盐碱土壤的形成,所以随着土壤的深度的增加,pH会越来越高。
此外,不同插值方法的选择也会对研究结果产生影响。本研究采取反距离加权插值法,是土壤地理研究中最为常用的插值方法[28];它是一种精确的插值方法,即插值生成的曲面上的预测样点值与实测样本点的值完全相等[29];该方法受到极值影响程度较大,空间分布规律不一定是对现实的真实反映。而其他插值方法,如克里金插值法,则能体现空间点的自相关性,插值结果的空间分布规律性更强,但是会损失两端极值,同时会对采样点处数据进行重新赋值计算,产生的曲面更加平滑[30]。本研究是基于无人机遥感技术的田块尺度作物土壤环境胁迫诊断,由于研究区域地理位置的特殊性,土壤属性呈现斑块状不均匀分布的情况。反距离加权插值法可保留田块内部的土壤属性极值情况,即凸显出该研究区域的显著的水平空间异质性。然而,在不同的研究中,需根据研究区域与研究目的的不同,选择适宜的插值方法

3.2 土壤属性指标相关性分析

图6为0~10 cm和10~20 cm土层的土壤各属性指标的相关性分析结果。结果显示,在整个研究区域(图6(a)),在0~10 cm土层中,土壤有机质和速效氮、全氮含量呈极显著的正相关性,其相关系数r分别为0.78和0.54(n = 710, p< 0.01);土壤全氮和速效氮含量呈现极显著的正相关性,r为0.63(n = 710, p< 0.01);而土壤pH与盐分含量呈现极显著负相关性(r=-0.77, p< 0.01, n = 710);其余指标之间的相关性不显著。10~20 cm土层的土壤属性数据的相关性与0~10 cm土层相似,pH与盐分含量的相关系数为-0.62(n = 710, p< 0.01),速效氮和全氮含量的相关系数为0.66(n=710, p< 0.01),而土壤有机质与全氮和速效氮含量的相关系数分别为0.81和0.66(n = 710, p< 0.01)。由此说明,在该研究区域中,土壤碱性程度与盐分含量密切相关,土壤碱性程度越高,盐分含量越低;土壤的盐碱性则与土壤养分含量(SN、N、C)无显著相关性;C、SN和N含量之间呈现显著正相关性。此外,分别分析玉米(图6(b),n = 147)和高粱(图6(c),n = 194)种植区域的土壤属性因子的相关性,其呈现出与整个研究区域基本相同的特征。
图6 0~10 cm和10~20 cm土层的土壤属性因子皮尔森相关性分析矩阵

Fig. 6 Matrix diagrams of Pearson correlation analysis of soil attributes at 0~10 cm and 10~20 cm layers

4 基于作物光谱指数响应的土壤环境胁迫诊断

光学遥感平台可直接对裸露的土壤进行监测,也可通过植被的类型和生长状况来进行间接监测,因为植物生长和土壤表面特性都受到土壤理化性质的影响,从而产生不同的光谱反射率[8,31]。前人研究指出,光谱信息可表示为气候、地形、植被/生态系统、土壤/水文变量的函数[32]。在本研究中,气候、地形和水文的差异性较小,对光谱信息起到显著影响的因子为土壤属性指标和作物长势的空间异质性,即可认为光谱信息是土壤因子和植被因子所构建的综合非线性模型,故利用遥感光谱信息可对土壤属性和作物长势信息进行经验性的判断,这也是众多土壤和植被遥感研究的重要基础[14,16]
本研究使用的多光谱相机包含4个波段,每个波段都具有各自的特性,能反映出不同的植被生理生化特征。绿波段对植被类型敏感,红波段对植被覆盖度和植物生长状况敏感,近红外波段受叶内细胞结构的控制[33],而红边波段则对叶绿素含量敏感。通过数学计算,隐含在单波段反射率中的植被信息可能在光谱指数中会被揭示或者放大。因此,光谱指数通常比光谱反射率更能识别监测对象之间的微小差异[34]。另外,先前的研究表明,光谱指数能反映植被表型信息,并减少来自土壤、大气和阴影的部分噪声干扰。众多研究利用光谱指数,基于经验统计或物理传输模型,对植被生理生态指标进行反演,并取得了较高的反演精度[22,23]。基于此,本研究利用光谱指数来表征作物的长势情况,通过文献资料查阅,筛选了3类常用的光谱指数,分别表征作物的LCC、AGB和LAI。而由于3个指标本身具有显著的相关性,一些光谱指数(如NDVI)可同时用于作物多种生理生态参数的表征,故也可以将光谱指数视为作物长势的综合指示性指标。

4.1 玉米生长诊断

图7所示,对于玉米LCC而言,当RMSE达到最小时,MCARI、TCARI/OSAVI、NDREI的特征数量分别为10、11和11;但当输入特征为4时,3种光谱指数的RMSE值则下降至平稳值,因此可认为特征重要性排序前4的土壤属性因子对玉米生长影响最为显著;按照特征重要性排序,包括SN2、C1、C2、pH3、N2、SALT2、SALT3共7个指标;其中,SN2在MCARI、TCARI/OSAVI、NDREI中的重要性值分别为16.50、15.08和13.51,即10~20 cm土层土壤速效氮含量是影响玉米叶绿素含量最重要的土壤属性因子。对于玉米AGB而言,当输入特征为5时,RMSE值下降至较稳定低值,特征重要性排序结果包含pH1、pH2、pH3、SN2、C1、C2、N2共7个指标,其中SN2、pH3和C2的重要性值最高,表明10~20 cm土层的土壤速效氮含量和有机质含量、20~40 cm土层的土壤pH对玉米生物量起着重要的影响作用。对于玉米LAI,当输入特征为5时,RMSE值保持较稳定低值,此时特征重要性排序结果包含了SN2、pH2、pH3、SALT1、SALT2、C1、C2、N2共8种指标。其中,SN2重要性值最高,而盐分含量和pH也显著影响着玉米LAI。
图7 土壤属性因子的特征性选择结果与土壤属性因子的重要性(玉米)

Fig. 7 The results of feature selection for soil attributes and the importance values of soil attributes (maize)

研究结果显示,影响玉米长势的土壤因子重要性排序为:速效氮>全氮、有机质>pH>盐分;其中,10~20 cm土层的土壤速效氮含量的影响最为显著。在玉米种植区域内,0~40 cm土层的土壤盐分含量约为0.3 g/kg,是该研究区域盐分含量最低的区域,尚未对玉米的生长造成明显胁迫。关于速效氮含量,0~10 cm土层的土壤速效氮含量较高,10~20 cm土层的土壤速效氮含量较低;而由于土壤速效氮是可直接被植物根系吸收的氮,对于作物的生长产生直接且显著的作用,且10~20 cm土层也是作物根系的主要分布区域,因此该层土壤未提供充足的速效氮以供给玉米生长,进而使得SN2成为玉米生长的最大限制因子。

4.2 高粱生长诊断

图8所示,影响高粱LCC最显著的土壤因子为SALT1,即0~10 cm土层土壤盐分含量,其对于MCARI、TCARI/OSAVI、NDREI的重要性值分别为17、27.68、14.67;其次显著影响高粱LCC的土壤属性因子为SALT2和pH2,即10~20 cm土层土壤盐分含量和土壤酸碱性情况。影响高粱AGB最显著的土壤因子也是SALT1和SALT2,即0~10 cm和10~20 cm土层土壤盐分含量;而0~10 cm土层的土壤速效氮和全氮含量也对高粱生物量产生了显著影响。对于高粱LAI,当输入特征为7时,RMSE值保持较低的稳定状况;其中,SALT1仍是最显著的影响因子,对NDVI、EVI2和MSRRE的重要性分别为15.09、13.96和13.42;其次为SALT2、pH1、pH2和N2。由此可见,对该研究区域内高粱生长产生最显著影响的土壤因子为0~10 cm土层的土壤盐分含量。
图 8 土壤属性特征性选择结果与土壤属性指标的重要性(高粱)

Fig. 8 The results of feature selection for soil attributes and the importance values of soil attributes (sorghum)

与玉米不同,影响高粱生长的土壤因子重要性排序为:盐分>pH>速效氮、全氮、有机质。造成该现象的主要原因可能并不在于高粱和玉米这两种作物品种的差异性,而在于2种作物种植区域的土壤特性存在显著区别。高粱种植于研究区中部,该区域表层土壤盐分含量最高,达30 g/kg,pH也较高,约为8.3,盐碱化程度较为严重。因此,0~10 cm土层的土壤盐分含量和0~40 cm土层的土壤pH成为影响高粱生长的关键土壤因子,而其他土壤属性指标,则对高粱的生长情况影响稍弱而成为次要因素。
此外,由于研究区域为典型的滨海盐碱地,本研究只讨论了土壤pH、盐分、速效氮、全氮和有机质含量对于作物生长的影响,而其他土壤属性指标,例如土壤水分和温度,也是影响作物生长的重要因素。实验区域的基础设施条件良好,灌溉系统设备完备,能够保证实验区域内作物生长水分的需求;且高粱和玉米的关键生长期正处于东营地区的雨季,降水丰富,温度适宜。因此,本研究尚未考虑土壤水分含量和温度的影响。然而,本研究采用的“土壤因子-作物长势-光谱信息”无人机遥感诊断框架,需根据研究区域的特性进行土壤输入因子和光谱信息输出因子的调整,从而确保遥感诊断结果的精准性和稳健性。
对于作物土壤因子胁迫诊断,通常采用的是高光谱遥感数据,挑选敏感波段进行光谱指数的构建[31],而本研究采用的是多光谱遥感数据,光谱信息数量受限,虽然能在一定程度上反映作物受到环境胁迫而表现出的综合特征,但仍需进一步深入的研究,例如针对不同作物和不同生育期来选择特定波段进行作物生长遥感监测,提升无人机遥感技术诊断的精确性和稳健性。此外,光学相机不具有穿透植被冠层的能力[35],而地表常有植被覆盖,故多光谱相机只能从监测作物长势来间接反映土壤情况。为保证诊断结果的精确性,应考虑将多种传感器诊断相结合,例如加入热红外、微波、合成孔径雷达传感器等。

5 结论

本研究以山东省东营市黄河三角洲典型滨海盐碱地集中连片旱作农田的主要作物--玉米和高粱为研究对象,利用多光谱无人机遥感观测技术,结合地面土壤分层采样数据,对影响该区域内作物生长的土壤环境进行空间异质性分析与作物光谱指数响应胁迫诊断。研究结果表明:
(1)研究区域内农田土壤含盐量、有机质、速效氮、全氮和pH存在显著的水平空间差异性;在垂直空间上,土壤盐分和速效氮含量随着土壤深度逐渐升高,pH逐渐降低,有机质和全氮并没有表现出显著的差异性。
(2)土壤pH与盐分含量呈极显著负相关关系(0~10 cm土层:r =-0.77;10~20 cm土层:r =-0.62,n = 710, p < 0.01),且pH与盐分含量同土壤有机质、速效氮和全氮含量无显著相关性;而有机质含量、全氮含量和速效氮含量呈现极显著正相关关系,相关系数为0.54~0.81(n = 710, p < 0.01)。
(3)在该研究区域中,10~20 cm土层土壤速效氮含量是影响玉米生长的关键土壤环境胁迫因子;0~40 cm土层土壤盐分含量则是制约高粱生长的最重要土壤环境胁迫因子。
无人机作为新型的遥感平台,结合传统地面采样数据,可以快速进行作物土壤环境胁迫因子诊断。本研究为大面积农情胁迫监测提供了一项有效的地面与航空协同监测方案,为盐碱地旱作农田管理与决策提供了理论依据和技术支持,并有助于现代化精准农业的发展。
[1]
马玉蕾, 王德, 刘俊民, 等. 黄河三角洲典型植被与地下水埋深和土壤盐分的关系[J]. 应用生态学报, 2013,24(9):2423-2430.

[ Ma Y L, Wang D, Liu J M, et al. Relationships between typical vegetations, soil salinity, and groundwater depth in the Yellow River Delta of China[J]. Chinese Journal of Applied Ecology, 2013,24(9):2423-2430. ]

[2]
Alaa A M, Katsuaki K, Mohamed G A, et al. Mapping soil salinity using spectral mixture analysis of landsat 8 OLI images to identify factors influencing salinization in an arid region[J]. International Journal of Applied Earth Observation and Geoinformation, 2019,83:101944.

[3]
Casas A, Riaño D, Ustin S L, et al. Estimation of water-related biochemical and biophysical vegetation properties using multitemporal airborne hyperspectral data and its comparison to MODIS spectral response[J]. Remote Sensing of Environment, 2014,148:28-41.

[4]
Darvishzadeh R, Wang T, Skidmore A, et al. Analysis of Sentinel-2 and Rapid Eye for retrieval of leaf area index in a Saltmarsh using a radiative transfer Model[J]. Remote Sensing, 2019,11(6):671.

[5]
Battude M, Bitar A A, Morin D, et al. Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data[J]. Remote Sensing of Environment, 2016,184:668-681.

[6]
Zhang C, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012,13(6):693-712.

[7]
Hu J, Peng J, Zhou Y, et al. Quantitative estimation of soil salinity using UAV-borne hyperspectral and satellite multispectral images[J]. Remote Sensing, 2019,11:736.

[8]
Qiu J, Crow W T, Wagner W, et al. Effect of vegetation index choice on soil moisture retrievals via the synergistic use of synthetic aperture radar and optical remote sensing[J]. International Journal of Applied Earth Observation and Geoinformation, 2019,80:47-57.

[9]
Dong J, Crow W T, Tobin K J, et al. Comparison of microwave remote sensing and land surface modeling for surface soil moisture climatology estimation[J]. Remote Sensing of Environment, 2020,242:111756.

[10]
Potgieter A B, Barbara G J, Chapman S C, et al. Multi-spectral imaging from an unmanned aerial vehicle enables the assessment of seasonal leaf area dynamics of sorghum breeding lines[J]. Frontiers in Plant Science, 2017,8:1532.

DOI PMID

[11]
Hassan M, Yang M, Rasheed A, et al. Time-series multispectral indices from unmanned aerial vehicle imagery reveal senescence rate in bread wheat[J]. Remote Sensing, 2018,10:809.

[12]
Wang Y, Zhang K, Tang C, et al. Estimation of rice growth parameters based on linear mixed-effect model using multispectral images from fixed-wing unmanned aerial vehicles[J]. Remote Sensing, 2019,11(11):1371.

[13]
Jay S, Maupas F, Bendoula R, et al. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: Comparison of vegetation indices and PROSAIL inversion for field phenotyping[J]. Field Crops Research, 2017,210:33-46.

[14]
Xu Y, Wang X, Bai J, et al. Estimating the spatial distribution of soil total nitrogen and available potassium in coastal wetland soils in the Yellow River Delta by incorporating multi-source data[J]. Ecological Indicators, 2020,111:106002.

[15]
Khadim F K, Su H, Xu L, et al. Soil salinity mapping in Everglades National Park using remote sensing techniques and vegetation salt tolerance[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2019,110:31-50.

[16]
Chen M, Willgoose G R, Saco P M. Investigating the impact of leaf area index temporal variability on soil moisture predictions using remote sensing vegetation data[J]. Journal of Hydrology, 2015,522:274-284.

[17]
Zhang X, Huang B, Liu F. Information extraction and the dynamics of soil salinization with a remote sensing method in a typical county on the Huang-Huai-Hai-Plain of China[J]. Pedosphere, 2020: 30(4):496-507.

[18]
José AM D, Sayo V M, Rizzo R, et al. Soil class and attribute dynamics and their relationship with natural vegetation based on satellite remote sensing[J]. Geoderma, 2017,302:39-51.

[19]
Lei F, Crow W T, Kustas W P, et al. Data assimilation of high-resolution thermal and radar remote sensing retrievals for soil moisture monitoring in a drip-irrigated vineyard[J]. Remote Sensing of Environment, 2020,239:111622.

[20]
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.

[21]
鲍士旦等. 土壤农化分析[M]. 北京: 中国农业出版社, 2000.

[ Bao S D, et al. Soil agrochemical analysis[M]. Beijing: China Agriculture Press, 2000. ]

[22]
Wang L, Zhou X, Zhu X, et al. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data[J]. The Crop Journal, 2016,4:212-219.

[23]
Dong T, Liu J, Shang J, et al. Assessment of red-edge vegetation indices for crop leaf area index estimation[J]. Remote Sensing of Environment, 2019,222:133-143.

[24]
Haboudane D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004,90(3):337-352.

[25]
Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002,81(2):416-426.

[26]
Raymond H E, Daughtry C S T, Eitel J U H, et al. Remote Sensing Leaf Chlorophyll Content Using a Visible Band Index[J]. Agronomy Journal, 2011,103(4):1090.

[27]
郭勃. 基于RS和GIS的黄河三角洲盐碱地分级与治理研究[D]. 济南:山东师范大学, 2015.

[ Guo B. The research on saline-alkali soil grading and governance of the Yellow River Delta based on the RS and GIS[D]. Jinan: Shandong Normal University, 2015. ]

[28]
Guo L, Sun Z, Ouyang Z, et al. A comparison of soil quality evaluation methods for Fluvisol along the lower Yellow River[J]. Catena, 2017,152:135-143.

[29]
余笑眉, 吕晓男, 王美琴, 等. 南方丘陵耕地土壤有机质空间插值精度比较——以衢江区为例[J]. 浙江农业学报, 2010,22(5):639-643.

[ Yu X M, Lv X N, Wang M Q, et al. Comparison of spatial interpolation for soil organic matter of hilly area in southern China: Taking Qujiang District as an example[J]. Acta Agriculturae Zhejiangensis, 2010,22(5):639-643. ]

[30]
周四维. 土壤属性三维建模方法及不确定性分析[D]. 武汉:华中农业大学, 2018.

[ Zhou S W. The 3D modeling methods and uncertainties analysis of soil properties[D]. Wuhan: Huazhong Agricultural University, 2018. ]

[31]
Kahae Y, Tashpolat N. Estimating salt concentrations based on optimized spectral indices in soils with regional heterogeneity[J]. Journal of Spectroscopy, 2019,2019(2):1-15.

[32]
Di L, Rundquist D C, Han L. Modelling relationships between NDVI and precipitation during vegetative growth cycles[J]. International Journal of Remote Sensing, 1994,15(10):2121-2136.

[33]
赵英时等. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003.

[ Zhao Y S, et al. Principles and methods of remote sensing application analysis[M]. Beijing: Science Press, 2003. ]

[34]
Burkart A, Aasen H, Alonso L, et al. Angular dependency of hyperspectral measurements over wheat characterized by a novel UAV based goniometer[J]. Remote Sensing, 2015,7:725-746.

[35]
Aasen H, Burkart A, Bolten A, et al. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,108:245-259.

文章导航

/