土壤盐渍化高光谱特征分析与建模

基于高光谱遥感技术快速、无损的检测优势,以新疆渭干河-库车河三角洲绿洲为例,探讨利用反射光谱来预测土壤含盐量的可行性。利用野外采集的土壤样本,在实验室内测得了土壤含盐量及原始光谱反射率。利用光谱分析技术计算高光谱指数,与土壤样本含盐量进行相关性分析,筛选出土壤含盐量的光谱特征波段,基于逐步多元线性回归和偏最小二乘回归建立土壤盐分动态监测模型。通过精度检验,结果表明:基于偏最小二乘回归方法,以对数二阶微分光谱特征波段所构建的盐渍化遥感监测模型最优,模型的稳定性和预测精度最高。利用反射光谱来预测土壤含盐量可实现区域尺度上的土壤盐渍化实时监测和评价。     

基于高光谱的ASTER影像土壤盐分模型校正及验证

快速准确地获取土壤盐分信息是监测和治理土壤盐渍化现象的重要前提。该文以新疆维吾尔自治区典型盐渍化区域--艾比湖流域为研究区,analytical spectral devices（ASD）光谱仪采集的土壤高光谱数据和advanced space borne thermal emission and reflection radiometer（ASTER）影像为数据源,结合实测土壤盐分含量信息,对遥感定量反演土壤盐渍化现象进行研究。再经过光谱反射率数学变换后,结合相关性分析,利用多元回归方法分别建立基于重采样后的高光谱和影像光谱的土壤含盐量估算模型,对遥感影像光谱盐分估算模型进行校正,以提高遥感定量监测盐渍化土壤的精度。结果表明：ASTER影像光谱反射率二阶导数变换和ASD重采样光谱的对数的二阶导数变换所建立的盐分估算模型最佳,决定系数R2分别为0.59和0.82。经ASD重采样光谱模型校正后的ASTER影像光谱的盐分估算模型精度R2为0.91,有效地提高大尺度条件下土壤盐渍化反演精度。研究为大尺度土壤盐分定量遥感监测提供了一种有效方法。     

基于WorldView-2影像的土壤含盐量反演模型

针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力,以盐渍化现象较为明显的新疆克里雅河流域为研究对象,基于WorldView-2影像和实测高光谱数据,利用偏最小二乘回归(partial least squares regression,PLSR)和BP人工神经网络(back propagation artificial neural networks,BP ANN)方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明:1)利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型,其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数R2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337,模型的稳定性和预测能力都优于PLSR模型(R2、RMSE、RPD分别为0.814、1.139、2.007)。2)利用WorldView-2影像提高了土壤含盐量制图的空间分辨率,归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数,一定程度上满足了干旱、半干旱地区的盐渍化监测需求,可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。     

基于实测高光谱和Landsat 8 OLI影像的土壤盐化和碱化程度反演研究

针对宁夏银北地区土壤盐碱化定量监测的需要,利用实测土壤高光谱和Landsat 8 OLI多光谱影像数据采用多项式、多元线性回归等方法进行土壤含盐量和pH值反演研究,并对影像光谱反演模型进行校正,以提高遥感定量反演精度。结果表明:(1)基于实测光谱的土壤含盐量反演精度均高于基于OLI影像反演精度;基于实测光谱敏感波段反射率反演精度高于实测盐分指数反演精度,其中实测光谱经平滑后敏感波段建立的模型效果最佳(R²=0.695)。(2)基于实测光谱平滑后敏感波段建立的pH值反演模型精度最高且最稳定(R²=0.545),基于OLI影像光谱反演精度低于实测光谱,但也通过了显著性检验和精度验证。(3)经实测光谱模型校正后的Landsat 8 OLI影像光谱的土壤含盐量反演模型R²从0.347提高到0.623。研究结果可以为准确、快速地定量监测当地土壤盐分含量、pH值的变化提供科学依据和技术手段。     

采用非负矩阵分解方法的秸秆-土壤光谱解混及盐分估测

黄河三角洲地区发展节约型农业,大力推行秸秆还田技术以改善土壤生态环境,当利用遥感技术对部分秸秆覆盖地区进行土壤盐渍化监测时,混合像元制约土壤盐分遥感估测的精度。该研究设置10组不同秸秆覆盖度的盐渍化地表场景,多次光谱测量并取平均值作为其反射光谱。探究非负矩阵分解（Non-negative Matrix Factorization,NMF）方法分离农业秸秆和土壤光谱的有效性,并基于分离出的土壤光谱构建偏最小二乘法土壤盐分估测模型。结果表明：1）秸秆覆盖会使土壤光谱反射率增高,相比于纯土壤光谱在1 730 nm、2 090 nm附近出现吸收谷;2）通过NMF进行混合光谱解混之后,可以有效地将土壤光谱从秸秆覆盖光谱中分离出来,且土壤光谱保留了土壤盐分信息;3）对于不同秸杆覆盖水平下的土壤盐分估测模型而言,与原始混合光谱相比,利用土壤光谱NMF分离数据构建的模型精度普遍提高,建模集决定系数平均提高0.07,均方根误差降低1.21。验证集决定系数、相对分析误差分别平均提高0.07、0.25,均方根误差降低1.22。该研究可为黄河三角洲地区部分秸秆覆盖盐渍土地的近地面遥感估测精度的提高提供方法。     

基于可见-近红外反射光谱的土壤碳酸钙含量与反演效果关系研究

土壤可见-近红外反射光谱中包含了大量的土壤属性信息,研究人员根据土壤属性信息在光谱上的特征,对土壤属性进行定量反演。是否属性值越高,反演精度越高?目前对于属性含量与反演效果的定量关系尚不清楚。采集了我国西北地区黑河流域69个代表性干旱土剖面(292个发生层土样),以气量法测定其碳酸钙含量,使用Cary 5000分光光度计测定其可见-近红外光谱反射率,以样本量和离散度(变异系数)作为数据集划分标准,分别建立了11个相同样本量子集(A)和5个相近离散度子集(B),应用偏最小二乘回归(PLSR)算法对各子集进行土壤碳酸钙含量反演,以此探究碳酸钙含量与反演效果的定量关系。结果表明,碳酸钙可增加可见-近红外波段的光谱反射率,但利用可见近红外光谱反演土壤碳酸钙含量,其反演效果与碳酸钙含量关系不显著。     

利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量

土壤盐渍化是导致全球荒漠化和土壤退化的主要诱因之一。为确定高光谱和多光谱遥感反演干湿季土壤含盐量的最优模型,该研究以宁夏银北平罗县为例,以干季(4月)和湿季(10月)实测高光谱和Landsat 8 OLI多光谱以及干湿两季实测土壤含盐量为基础数据源,利用相关系数法、灰度关联法和逐步回归法筛选敏感光谱数据,分别采用偏最小二乘、支持向量机、岭回归、BP神经网络和地理加权回归建立干湿两季土壤含盐量反演模型。结果表明:1)银北地区土壤盐渍化较为严重,干湿季含盐量均表现为强度变异,且干季变异程度大于湿季;2)在不同土壤含盐量条件下,重采样后的高光谱波段反射率和影像波段反射率具有显著相关性;3)对比相关性分析、灰度关联和逐步回归三组变量筛选方法下各模型R2和RMSE,逐步回归组模型整体效果较好;4)5种土壤含盐量反演模型中地理加权回归模型精度较高,支持向量机算法和BP神经网络算法在基于不同变量组的模型中表现较为接近,岭回归表现最差,偏最小二乘回归模型出现了较严重的"过拟合"现象。局部模型在土壤含盐量反演方面更具优越性。干季以实测灰度关联组-地理加权回归模型效果最佳,其验证决定系数Rp2和相对分析误差RPD分别为0.94和4.49;湿季以影像相关系数组-地理加权回归模型反演效果最好,其验证决定系数Rp2和相对分析误差RPD分别为0.96和4.83。研究结果可为当地及同类地区土壤盐渍化的识别、防治提供理论依据。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息,可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据,并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数,在此基础上引入红边波段建立新的光谱指数,同时使用Elastic-net算法（ENET）对光谱变量进行筛选,并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组;运用BP神经网络（Back Propagation Neural Networks,BPNN）、支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）3种机器学习方法,构建作物覆盖下不同土壤深度的土壤盐分反演模型,并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明,使用ENET变量选择方法可以有效筛选出最优光谱变量,且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组;ELM模型反演效果优于SVM模型和BPNN模型,其验证集的决定系数为0.783,均方根误差为0.141,一致性相关系数为0.875;研究区域内,作物覆盖下的土壤盐分最佳反演深度为10～20 cm;在不同土壤深度下,基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实地反映试验区内的盐渍化程度,这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于相似光谱匹配预测土壤有机质和阳离子交换量

土壤可见光-近红外波段光谱(350~2 500 nm)包含了大量的土壤属性信息,相同类型的土壤具有相似的光谱曲线特征,但相似光谱曲线是否具有相似的属性含量?探讨此问题可为土壤光谱库的应用提供依据,从而最终服务于快速获取土壤信息技术体系的构建。该研究以安徽宣城为研究区,根据母质、地形特征和土地利用等信息,采集91个典型土壤剖面,共含400个土壤发生层样品,测定了有机质(soil organic matter,SOM)和阳离子交换量(cation exchange capacity,CEC)含量,同时采用VARIAN公司的Cary 5000分光光度计测定了土壤光谱,并将光谱数据变换为反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。该文采用光谱角(spectral angle mapper,SAM)、偏最小二乘回归(partial least square regression,PLSR)和SAM-PLSR(spectral angle mapper-partial least square regression,SAM-PLSR)3种方法预测土壤SOM和CEC。SAM方法是通过对测试集104个光谱曲线与参考集的296个光谱曲线进行相似性计算,并以此实现土壤SOM和CEC含量的预测。SAM-PLSR方法以SAM算法下的匹配结果作为建模样本建立PLSR模型和进行预测分析。结果表明,具有相似光谱曲线的土壤具有相似的SOM和CEC含量,SAM算法下相似光谱匹配可直接预测SOM(R2=0.78,RPD=2.17)和CEC(R2=0.82,RPD=2.41)。PLSR方法可很好地预测SOM(R2=0.87,RPD=2.77)和CEC(R2=0.87,RPD=2.59);相较之下,SAM-PLSR方法不仅可以更加准确预测SOM(R2=0.89,RPD=3.00)和CEC(R2=0.91,RPD=3.06),而且大大减少了建模样本的数量。该研究使可见光-近红外光谱可更加高效地用于土壤属性分析,并为土壤光谱数据库的建设及应用提供技术参考。     

Estimating Soil Salinity in the Yellow River Delta,Eastern China——An Integrated Approach Using Spectral and Terrain Indices with the Generalized Additive Model

Soil salinity is one of the most severe environmental problems worldwide. It is necessary to develop a soil-salinity-estimation model to project the spatial distribution of soil salinity. The aims of this study were to use remote sensed images and digital elevation model (DEM) to develop quantitative models for estimating soil salinity and to investigate the influence of vegetation on soil salinity estimation. Digital bands of Landsat Thematic Mapper (TM) images, vegetation indices, and terrain indices were selected as predictive variables for the estimation. The generalized additive model (GAM) was used to analyze the quantitative relationship between soil salt content, spectral properties, and terrain indices. Akaike’s information criterion (AIC) was used to select relevant predictive variables for fitted GAMs. A correlation analysis and root mean square error between predicted and observed soil salt contents were used to validate the fitted GAMs. A high ratio of explained deviance suggests that an integrated approach using spectral and terrain indices with GAM was practical and efficient for estimating soil salinity. The performance of the fitted GAMs varied with changes in vegetation cover. Salinity in sparsely vegetated areas was estimated better than in densely vegetated areas. Red, near-infrared, and mid-infrared bands, and the second and third components of the tasseled cap transformation were the most important spectral variables for the estimation. Variable combinations in the fitted GAMs and their contribution varied with changes in vegetation cover. The contribution of terrain indices was smaller than that of spectral indices, possibly due to the low spatial resolution of DEM. This research may provide some beneficial references for regional soil salinity estimation.     

基于组合模型的庐山森林土壤有效铁光谱间接反演研究

铁是植物生长的重要微量营养元素之一,土壤有效铁含量对林地环境起着重要的影响,利用土壤光谱预测技术获取土壤有效铁含量信息具有重要意义。而要通过土壤光谱直接预测土壤有效铁含量是难以实现的,因此提出利用土壤有机质含量与有效铁含量之间的相关性,探讨间接估算土壤有效铁含量的可行性。以庐山森林土壤样本为研究对象,研究基于偏最小二乘回归(PLSR)和径向基函数(RBF)神经网络的组合模型预测土壤有机质含量的适用性,并且通过构建有机质含量与有效铁含量的二项式线性模型,对土壤有效铁含量进行间接反演,探讨不同权重下的最优组合模型。结果表明,组合模型的预测效果优于偏最小二乘回归和RBF神经网络单个模型,并且熵值组合为最优组合模型,其中,土壤有机质的反演模型验证的决定系数(R~2)为0.81,均方根误差(RMSE_p)为11.54 g kg~(-1),测定值标准差与标准预测误差的比值(RPD)为2.18;有效铁的间接反演模型R~2为0.70,RMSE_p为21.60 mg kg~(-1),RPD为1.77。通过土壤有机质构建土壤有效铁含量的光谱反演间接模型,在光谱反演模型中,组合模型能较大限度地利用各种预测样本信息,能有效减少单个预测模型中随机因素的影响,增强预测稳定性,提高模型的预测能力。因此,组合模型可对土壤有机质含量的光谱预测及土壤有效铁的间接预测发挥更好的作用。     

可见-近红外与中红外光谱预测土壤养分的比较研究

对土壤养分的快速和准确测定有助于适时指导施肥。为进一步研究可见-近红外（350～2500 nm）与中红外光谱（4000～650 cm-1）对土壤养分的预测能力,以贵州省500个土样为例,对光谱进行Savitzky-Golay（SG）平滑去噪处理,再用标准正态化（SNV）方法进行基线校正,然后分别应用偏最小二乘回归（PLSR）和支持向量机（SVM）两种方法进行建模,探讨了可见-近红外和中红外光谱对土壤全氮（TN）、全磷（TP）、全钾（TK）和碱解氮（AN）、有效磷（AP）、速效钾（AK）共六种土壤养分的预测效果。结果表明：（1）无论基于可见-近红外光谱还是中红外光谱,PLSR模型的预测精度整体均优于SVM模型。（2）中红外光谱对TN、TK和AN的预测精度均显著高于可见-近红外光谱,可见-近红外和中红外光谱均可以可靠地预测TN和TK（性能与四分位间隔距离的比率（RPIQ）大于2.10）,中红外光谱可相对较可靠地预测AN（RPIQ=1.87）;但两类光谱对TP、AP和AK的预测效果均较差（RPIQ<1.34）。（3）当变量投影重要性得分（VIP）大于1.5时,PLSR模型在中红外光谱区域预测TN和TK的重要波段多于可见-近红外光谱区域,TN的重要波段主要集中于可见-近红外光谱区域的1910和2207 nm附近,中红外光谱区域的1 120、1 000、960、910、770和668 cm-1附近;TK的重要波段主要集中于可见-近红外光谱区域的540、2176、2225和2268 nm附近,中红外光谱区域的1 040、960、910、776、720和668 cm-1附近。因此,中红外光谱技术结合PLSR模型对土壤养分预测效果较好,可快速准确预测土壤TN和TK,可为指导适时施肥提供技术支撑。     

基于无人机多光谱影像的土壤盐分反演模型

为探究不同作物覆盖下不同深度的土壤盐分快速反演模型,该研究采集苜蓿、玉米覆盖下0～15、>15～30、>30～50 cm层深度的土壤盐分含量,基于无人机多光谱影像数据,提取各地块采样点的光谱反射率,在此基础上引入红边波段计算光谱指数作为特征变量,采用支持向量机递归特征消除算法（Support Vector Machine-Recursive Feature Elimination,SVM-RFE）以筛选光谱指数及未经过筛选的全指数组作为模型输入组,共构建出36个基于随机森林（Random Forest,RF）、极限学习机（Extreme Learning Machine,ELM）、BP神经网络（Back Propagation Neural Network）等机器学习模型,确定不同作物覆盖下的最佳土壤盐分反演模型。结果表明：SVM-RFE算法筛选光谱指数构建模型精度优于未进行筛选构建的模型。对于苜蓿和玉米覆盖土壤,整体上,RF反演效果优于ELM模型和BPNN模型,反演结果能体现真实土壤盐分含量,在0～15和>30～50 cm土层上,RF模型反演效果优于其他模型,苜蓿样地验证集决定系数Rp2分别为0.71、0.58,验证集均方根误差RMSEp分别为0.026、0.033,玉米样地Rp2分别为0.67、0.64,RMSEp分别为0.111、0.094,在>15～30 cm土层上ELM反演效果较好,苜蓿样地Rp2为0.58,RMSEp为0.039,玉米样地Rp2为0.68,RMSEp为0.059。0～15 cm是作物覆盖下的土壤含盐量最佳反演深度,验证集平均决定系数R2为0.65,均方根误差RMSE为0.084。研究结果可为土壤盐分的快速反演提供理论依据。     

以土地利用为基础的安徽省生态评价遥感信息模型

[目的]建立更科学合理的生态评价遥感信息模型,为研究区的可持续发展提供参考依据。[方法]利用NDVI(归一化植被指数)和像元二分模型监测植被覆盖度作为地表植被覆盖信息的评价指标;用热惯量法反演研究区的土壤含水量作为研究区地表植被覆盖信息与土壤肥力的评价指标;采用目视解译获得土壤质地的编码分布图并进行影像化处理,将土壤中物理性黏粒含量作为评价土壤板结情况指标;利用线性光谱混合分解模型提取研究区的裸地比率作为土地荒漠化程度的评价指标。[结果]从土地利用的角度构建了生态评价指标体系,建立了以像元为单位的生态评价定量化遥感信息模型。[结论]植被覆盖度因子对研究区生态评价的影响程度相对较大;在生态评价过程中本研究新建模型总体评价精度比传统方法提高了15%。     

基于线性光谱混合模型的荒漠草地覆盖度估测

为了解决草地混合像元对草地植被覆盖度监测的影响,该研究以Landsat TM为数据源,探讨线性光谱混合模型进行混合像元分解的关键问题,分析混合光谱模型获得的不同组分分量与植被覆盖度之间的关系,以期建立适合天山北坡荒漠草地覆盖度监测模型。结果表明:通过光谱混合模型获得植被、沙丘以及盐碱化土壤3个基本组分,其中植被组分与覆盖度拟合效果较好(R2=0.62),与植被指数法估测草地覆盖度相比,决定系数R2均高于比值植被指数、归一化植被指数、土壤调节植被指数及修正土壤调整植被指数MSAVI。通过对所获模型精度检验,均方根误差RMSE为1.28,结果较为理想。因此,利用线性光谱混合模型解析混合像元估测天山北坡荒漠草地覆盖度具有可行性。     

基于Sentinel-2卫星数据的灌区农田土壤水盐协同反演

土壤含水量（soil water content, SWC）和土壤含盐量（soil salt content, SSC）是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射率的响应,使得SSC和SWC的反演精度较差。对此,该研究提出了一个半解析性的反射率模型—RVS模型,来模拟植被光谱反射率（R_v）对作物根区土壤含水量和含盐量的响应;并通过构建的RVS模型,对植被覆盖区域的土壤含水量和土壤含盐量进行同步监测。研究表明：RVS模型在反演研究区土壤含盐量和含水量时,精度较为可靠(水分：决定系数R²为0.63～0.74,均方根误差为0.017～0.028;盐分：决定系数R²为0.68～0.75,均方根误差为0.0525～0.0617)。在作物生长过程中,植被光谱反射率对深层土壤的含水量和含盐量的响应比对浅层土壤的含水量和含盐量的响应更加明显,而且随着作物的生长,影响光谱反射率的主导因素从土壤水分慢慢转向土壤盐分和水盐相互作用。该研究在一定程度上揭示了土壤水分、盐分、水盐交互作用对作物光谱反射率的干扰过程,实现土壤水分和盐分的同步监测,对实现区域尺度上土壤含盐量和含水量的精准监测具有一定的意义。     

西北地区种植甘草对土壤次生盐渍化的影响

[目的]研究西北地区植被特征指标与土壤表层盐含量、碱性间的相互关系,为该区土壤次生盐渍化防治工作提供科学依据。[方法]以甘草(Glycyrrhiza uralensis)植被和其下部土壤为研究对象,通过测定甘草植被的盖度、高度、地上生物量和其下部土壤表层(0—5cm)的含水率、pH值、电导率、盐含量等指标,并利用SPSS统计软件进行分析。[结果]甘草植被的盖度、高度、地上生物量和其下部土壤的含水率均随甘草生长年限的增加呈显著升高的趋势(p0.05),而土壤的pH值、电导率、盐含量正好相反,均表现出显著降低的趋势(p0.05);相关分析结果显示,耕地表层土壤的pH值、盐含量与甘草植被特征指标间呈显著的负相关关系,相关系数的大小顺序均为:植被盖度植株高度地上生物量;回归分析显示,土壤pH值和盐含量与甘草植被的这3个性状指标间均表现为负线性函数关系,甘草植被的盖度、高度、地上生物量每提高1个单位,可使土壤表层的pH值分别下降0.012,0.011和0.002,盐含量分别降低0.108,0.107,0.015g/kg。[结论]西北干旱地区耕地中种植甘草对其下部土壤表层的盐含量和碱性(pH值)影响显著,其中植被的盖度对表层土壤的盐碱影响最大;从耕地表层抑盐角度考虑,应优先选择种植枝叶稠密、植株高大的作物。