蘇 雯，丁建麗，楊愛霞

(1.新疆大學資源與環(huán)境科學學院,烏魯木齊 830046；2.綠洲生態(tài)教育部重點實驗室,烏魯木齊 830046)

土壤鹽漬化以及土壤次生鹽漬化問題已經(jīng)成為我國干旱、半干旱區(qū)亟待解決的主要的生態(tài)環(huán)境問題[1-4]。土壤鹽漬化能導致土地退化，削弱并破壞土地生產(chǎn)力，降低農(nóng)作物產(chǎn)量，已經(jīng)嚴重地威脅到我國生態(tài)及國民經(jīng)濟的可持續(xù)發(fā)展[5-7]。因此，及時、精準地監(jiān)測土壤鹽漬化信息，獲取大面積地鹽漬化土壤空間分布狀況，這對于合理利用土地資源、防治土地鹽堿化及保護脆弱的干旱、半干旱區(qū)生態(tài)環(huán)境而言至關(guān)重要。而遙感技術(shù)因其具有監(jiān)測范圍大，獲得資料速度快、信息量大、周期短、成本低、受地面條件限制少等優(yōu)點，已被廣泛應用于土壤鹽漬化監(jiān)測[7-10]。

近年來，國內(nèi)外學者在干旱半干旱區(qū)的鹽漬化土壤光譜特征分析，基于遙感的鹽漬化分級以及動態(tài)監(jiān)測等方面作了大量研究。Viscarra Rossel等[11]利用土壤可見-近紅外反射光譜來區(qū)分不同土壤類型。Guan等[12]利用支持向量機的方法，結(jié)合地下水埋深、灌溉水以及蒸發(fā)量，預測鹽漬土的電導率。丁建麗等[13]基于高維數(shù)特征空間所構(gòu)建的土壤鹽漬化遙感監(jiān)測模型可以準確地反映鹽漬化土壤地表鹽量組合及其變化信息。張芳等[14]利用影像反射率值和實測反射率值對土壤堿化進行了預測對比，結(jié)果表明，以實測反射率值為基礎(chǔ)數(shù)據(jù)構(gòu)建的模型對pH 值的預測精度較高。趙振亮等[15]利用HIS高光譜影像進行鹽漬化信息提取。陳實等[16]利用BP神經(jīng)網(wǎng)絡模型對土壤特征指數(shù)的土壤含鹽量定量反演進行了研究。王爽等利用實測高光譜結(jié)合Landsat-TM多光譜遙感影像構(gòu)建最佳土壤鹽漬化監(jiān)測模型,并將此模型實現(xiàn)大尺度范圍內(nèi)的高精度土壤鹽分遙感定量反演[17]。綜上所述，目前國內(nèi)外學者研究土壤光譜特征以及鹽漬土信息提取的主要參數(shù)所使用的數(shù)據(jù)，大多為實測高光譜數(shù)據(jù)、高光譜影像以及國外的高分辨率影像，而利用國產(chǎn)高分數(shù)據(jù)結(jié)合數(shù)據(jù)挖掘方法進行鹽漬化土壤的定量研究還比較少。

本文以干旱區(qū)渭-庫綠洲外圍荒漠交錯帶為研究區(qū)，嘗試利用國產(chǎn)GF-1高分辨率影像為數(shù)據(jù)源，利用BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡建模方法，建立基于GF-1多光譜影像的表層土壤鹽分含量估算模型。最后對擬合及預測的表層土壤鹽分含量進行定量反演，并分析該地的鹽漬化程度。據(jù)此來探討基于GF-1遙感影像對于定量反演土壤含鹽量及土壤鹽漬化監(jiān)測的適用性。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

本研究區(qū)(見圖1)位于天山南麓，塔里木盆地北部的渭干河-庫車河綠洲(簡稱渭-庫綠洲)，地理坐標范圍為: 81°28′30″E～84°05′06″E， 39°29′51″N～42°38′01″N，包括阿克蘇地區(qū)的庫車、沙雅和新和3個縣的部分地區(qū)。渭-庫綠洲是一個典型而完整的山前沖積扇平原，屬大陸性暖溫帶極端干旱氣候，光、熱資源豐富，地勢北高南低，平均海拔920～1 100 m，總面積8 346.5 km2，年平均降水量128.1～217.2 mm，蒸發(fā)量1 992.0～2 863.4 mm。該區(qū)土壤以輕壤和沙壤為主，土壤pH值為7.9～8.0，土壤耕層含鹽量0.3%～0.6%，局部地區(qū)土壤含鹽量0.6%～1.0%，夾荒地土壤含鹽量一般為2%左右[18]。為避免混合像元問題，本次研究主要位于綠洲外圍荒漠交錯帶。

圖1 研究區(qū)示意圖Fig.1 Geographical position map of study area and distribution of sampling points

1.2 土壤含鹽量測定

鹽堿土采樣一般在4、7、9月份[13,19]，參考前人文獻[20],發(fā)現(xiàn)利用植被指數(shù)能夠提高模型定量反演土壤含鹽量的預測精度，在新疆阿克蘇地區(qū)4月份植被活動生長季剛開始，9月份植被開始凋萎，7月份是植被生長旺盛，生物量較大的季節(jié)，提取7月份的植被指數(shù)較為合適，因此土壤樣品采集選擇在7月下旬進行。

本文的樣品采自渭-庫綠洲，采樣時間為2014年7月22-28日，對在非植被覆蓋區(qū)的31個采樣點的表層(0～10 cm)土壤進行采樣，采樣單元為800 cm×800 cm，每個樣點取3 個土樣，將其混合，作為待試樣品。土樣經(jīng)風干、磨碎、過2 mm篩后備用，采用1∶5 土水比例浸提水溶性鹽。使用德國WTW公司制造的Cond 7310精密儀器來測定采樣點的含鹽量，并對土壤鹽分含量做對數(shù)變換。

1.3 影像處理

本文采用國產(chǎn)“GF-1”8 m影像數(shù)據(jù)，包括4個多光譜波段：藍(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)、近紅(0.77～0.89 μm)、全色(0.45～0.90 μm)，側(cè)擺時的重訪周期為4 d。本文使用的影像獲取日期為2014年7月19日。對GF-1遙感影像作的預處理包括幾何精校正、輻射定標以及采用 Flash大氣校正方法作了大氣校正及影像融合。

因為本文是基于多光譜影像的含鹽量估算模型，考慮到多光譜影像自身的光譜分辨率較低，而影像的獲取時間又是在7月份，該月是生物量較大的季節(jié)，植被覆蓋，都會對土壤的鹽分含量產(chǎn)生一定的影響，因此根據(jù)前人的研究[3,13,20]最終選取植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、鹽分指數(shù)(SI1、SI2、SI-T)(見表1)作為遙感指數(shù)。

表1 土壤含鹽量估算選取的遙感指數(shù)Tab.1 The remote sensing index for estimation of soil salt content

1.4 野外實測光譜數(shù)據(jù)測定及預處理

為驗證高分數(shù)據(jù)預測鹽漬化土壤鹽分含量的可行性，又要保持與影像獲取時的環(huán)境相似，因此本文采用野外實測高光譜數(shù)據(jù)與GF-1影像數(shù)據(jù)進行對比分析。采用美國ASD公司的ASD FieldSpec○R3 HR光譜儀獲取土壤光譜反射率數(shù)據(jù)，波段范圍為350～2 500 nm，因此每條光譜曲線包含有2 151個波長變量[27]。測量時間為2014年7月22-28日，基本與影像獲取時間同步。每個采樣點測5次，取光譜數(shù)據(jù)的平均值作為每個采樣點的光譜反射率，最終測定31個采樣點的光譜反射率。

1.5 模型建立

建模采用BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡進行建模。BP 神經(jīng)網(wǎng)絡模型是一種按誤差反向傳播算法訓練的神經(jīng)網(wǎng)絡學習算法，是目前應用范圍最廣、實現(xiàn)途徑最直觀、運算機制最易理解、研究深入的一種人工神經(jīng)網(wǎng)絡[28]。而徑向基函數(shù)(RBF)網(wǎng)絡模型是一種性能良好的前饋型神經(jīng)網(wǎng)絡，具有較高的運算速度。為了能夠更好的對比，因此選擇這2種算法。

將GF-1影像的4個多光譜波段以及利用GF-1影像提取的歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、鹽度指數(shù)(SI1、SI2、SI-T)共10個變量作為模型的輸入因子，土壤鹽分含量作為輸出因子，分別利用BP神經(jīng)網(wǎng)絡及RBF徑向基函數(shù)神經(jīng)網(wǎng)絡進行建模。為探討植被對土壤鹽漬化的影響，每種模型又分為加入植被指數(shù)和不加植被指數(shù)，分別記為模型1和模型2。

1.6 模型檢驗

模型檢驗采用常用精度評價指標平均相對誤差(RMSE) 和決定系數(shù)R22個驗證指標進行檢驗。當RMSE的值越小，同時R2值越大時，估算模型的精度越高。計算公式如下：

(1)

式中：Pi為樣點土壤鹽分含量地面樣點實測值；Si為樣點土壤鹽分含量反演預測值；N為驗證反演精度的土壤含鹽量樣品個數(shù)。

2 結(jié)果與分析

2.1 野外實測高光譜反射率與GF-1影像反射率對比與分析

在GF-1遙感影像4個相應波段范圍內(nèi)，通過對相應野外實測高光譜反射率取中值的方法，利用實測光譜的反射率模擬GF-1遙感影像的反射率，并對比2者之間關(guān)系[29]，見圖2。

圖2 不同含鹽量下實測光譜與高分影像的反射率對比Fig.2 Comparison of measured spectral reflectance and GF-1 image spectral reflectance

從圖2中可以看出：在不同土壤鹽分含量下，實測光譜反射率和高分影像反射率的變化趨勢一致。當土壤含鹽量小于等于7.1 g/kg時，GF-1影像反射率均低于實測高光譜反射率，這可能是由于GF-1影像的反射率會受到土壤濕度、植被覆蓋以及大氣校正精度的影響。而當土壤含鹽量高于7.1 g/kg(為10.1 g/kg)時，GF-1影像反射率高于實測高光譜反射率，原因可能是由于該樣點土壤鹽漬化程度較高，表面以鹽殼形式存在，受土壤濕度和植被覆蓋影響較小。

此外，通過對2者進行相關(guān)性分析(見表2)可以看出，2者的相關(guān)系數(shù)均在0.9以上?？傮w來說，野外實測高光譜的反射率和GF-1影像的反射率高度相關(guān)，GF-1遙感影像光譜反射率可以用來反演土壤含鹽量。

表2 實測光譜反射率與GF-1反射率相關(guān)系數(shù)Tab.2 The correlation coefficient of the measured spectral reflectance and GF-1 reflectance

2.2 神經(jīng)網(wǎng)絡的建立

經(jīng)過多次試驗訓練，找到最適于建立網(wǎng)絡模型的參數(shù)。BP神經(jīng)網(wǎng)絡的模型1采用7-5-3-1拓撲結(jié)構(gòu)，模型2采用10-6-3-1拓撲結(jié)構(gòu)，最小訓練速率0.1、動態(tài)參數(shù)為0.5、Sigmoid參數(shù)0.9、允許誤差0.0001、最大迭代次數(shù)1 000次。

RBF神經(jīng)網(wǎng)絡模型1：輸入節(jié)點數(shù)7、輸出節(jié)點數(shù)1、隱含節(jié)點數(shù)7、中心化方法Cluster、訓練速率0.15、加權(quán)種子數(shù)為2、sigma參數(shù)0.38、迭代次數(shù)100。RBF神經(jīng)網(wǎng)絡模型2：輸入節(jié)點數(shù)10、輸出節(jié)點數(shù)1、隱含節(jié)點數(shù)10、中心化方法Cluster、訓練速率0.15、加權(quán)種子數(shù)為2、sigma參數(shù)0.34、迭代次數(shù)100。

2.3 神經(jīng)網(wǎng)絡估算模型精度驗證

分別利用BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡，對10個變量因子分別進行2組建模，結(jié)果見表3。

表3 BP 與RBF網(wǎng)絡模型預測精度對比Tab.3 Accuracy comparison of BP and RBF models

由表3可以看出，在BP神經(jīng)網(wǎng)絡模型中，模型1和模型2的預測精度分別為0.814和0.818，發(fā)現(xiàn)在增加了植被指數(shù)后模型的預測精度有所提升，說明植被指數(shù)對模型的預測精度有一定程度的影響。2種模型的平均相對誤差(RMSE)分別為0.197和0.194，R2達到了0.814和0.818，2個模型的預測精度基本相等。在RBF神經(jīng)網(wǎng)絡模型中，模型2的預測精度要高于模型1，R2分別為0.721和0.736，均方根誤差分別為0.239和0.236。

通過2種神經(jīng)網(wǎng)絡算法建立的4種模型可以看出：植被指數(shù)對模型預測精度有一定的提高。NDVI、RVI和SAVI都是反映植被生長的重要指數(shù)，當使用植被指數(shù)進行建模時，其模型預測精度明顯提高，這與Ayetiguli[20]的研究所得出的結(jié)論一致。BP神經(jīng)網(wǎng)絡算法建立的2種模型的預測精度要高于RBF神經(jīng)網(wǎng)絡算法建立的2種模型，BP神經(jīng)網(wǎng)絡算法建立的2種模型的R2分別為0.814、0.818；RBF神經(jīng)網(wǎng)絡算法建立的2種模型的R2分別為0.721和0.736，這說明BP神經(jīng)網(wǎng)絡更適于土壤鹽分的預測。

對BP神經(jīng)網(wǎng)絡模型2和RBF神經(jīng)網(wǎng)絡模型2預測值生成折線圖(見圖3)，從圖3中可以看出，BP神經(jīng)網(wǎng)絡模型反演的鹽分含量值，與RBF神經(jīng)網(wǎng)絡模型相比，更接近實測值，這可能和模型本身的參數(shù)設定有關(guān)。因此，BP神經(jīng)網(wǎng)絡模型的預測效果要優(yōu)于RBF神經(jīng)網(wǎng)絡模型。

圖3 BP、RBF神經(jīng)網(wǎng)絡模型土壤含鹽量預測值與實測值折線圖Fig.3 The line graph of predicted vs meatured of BP & RBF model 2

2.4 土壤含鹽量反演

利用預測精度最高的BP神經(jīng)網(wǎng)絡模型2進行土壤含鹽量反演，并與GF-1鹽度指數(shù)(SI1)[13]影像對比，得到研究區(qū)的土壤鹽分的空間分布圖(見圖4)。從圖4可以看出，2者的鹽漬化趨勢基本一致，鹽漬化嚴重區(qū)域都處在綠洲外圍。鹽度指數(shù)影像對于鹽漬化較為嚴重的地區(qū)提取更為明顯，而BP神經(jīng)網(wǎng)絡模型反演出的鹽漬化情況更為準確，劃分更加細致，更加接近實際情況。從BP神經(jīng)網(wǎng)絡模型2預測的鹽分分布圖(圖4)中，提取31個樣點的值，得到均方根誤差(RMSE)為0.304，決定系數(shù)(R2)為0.789(見表4)，較上文中反演精度有所降低，這可能是和影像本身混合像元及影像大氣校正有關(guān)，但整體反演精度較高，接近研究區(qū)實際情況。

圖4 研究區(qū)0～10 cm 層土壤含鹽量空間分布圖Fig.4 Soil salt content space distribution of study site in 0～10 cm

項目RMSER2精度驗證0．3240．781

土壤鹽漬化程度較重的區(qū)域主要分布在東部和南部的荒漠及綠洲外圍，而土壤鹽漬化程度較輕的區(qū)域分布在西北部的綠洲內(nèi)部。這主要由于7月份農(nóng)田植被覆蓋較高，蒸發(fā)量相對于荒漠區(qū)域較低。此外，研究區(qū)地勢北高南低，鹽分多積累于地勢較低的山前沖積平原。并且根據(jù)韓桂紅[28]對研究區(qū)地下水位的研究顯示，7月份農(nóng)田內(nèi)部地下水埋深較深，蒸發(fā)量小，這也可能是土壤鹽漬化現(xiàn)象輕的原因之一。

3 結(jié) 論

本文以干旱區(qū)渭-庫綠洲交錯帶為研究區(qū)，通過分析GF-1多光譜數(shù)據(jù)與野外實測高光譜數(shù)據(jù)的關(guān)系,以GF-1影像的4個波段的反射率、歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)及鹽分指數(shù)(SI1，SI2，SI-T)10個變量作為輸入因子，利用BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡，建立基于GF-1多光譜影像的土壤含鹽量估算模型,并用預測精度較好的模型進行土壤含鹽量反演，并分析該地區(qū)的土壤鹽分空間分布。

(1)通過對GF-1遙感影像的反射率和野外實測高光譜影像反射率的對比分析，得出2者在不同鹽分含量下的相關(guān)系數(shù)基本都在0.95以上，2者高度相關(guān)，其變化趨勢基本一致，均呈現(xiàn)從B1到B4波段逐漸升高的趨勢，在近紅波段(B4)反射率最高。土壤鹽分含量越高，2者的相關(guān)性越高，說明利用GF-1數(shù)據(jù)定量反演土壤鹽分含量具有可行性。

(2)通過分別利用BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡建模，發(fā)現(xiàn)預測精度最好的是BP神經(jīng)網(wǎng)絡模型，R2為0.818，RMSE為0.194，說明BP神經(jīng)網(wǎng)絡更適合該研究區(qū)土壤含鹽量建模反演。

(3)通過分別對不加植被指數(shù)的模型1建模和加植被指數(shù)的模型2建模對比發(fā)現(xiàn)，BP模型1、模型2的R2分別為0.814、0.818，RBF模型1、模型2的R2分別為0.721和0.736，說明植被指數(shù)對于提高模型預測精度有所幫助。

(4)通過對BP神經(jīng)網(wǎng)絡模型2反演的土壤含鹽量分布圖和GF-1鹽度指數(shù)影像對比發(fā)現(xiàn)，其鹽漬化情況基本符合研究區(qū)，而BP神經(jīng)網(wǎng)絡模型2更接近研究區(qū)的實際情況。對反演結(jié)果進行精度驗證，RMSE為0.324，R2為0.781，整體精度較高。

利用從影像上提取因子，來定量反演土壤含鹽量，大大減小了一些人為誤差。雖然研究區(qū)處于渭-庫綠洲外圍荒漠交錯帶，植被占整個區(qū)域的面積較小，但還是會有影響，在以后的研究中希望采用更高分辨率的影像來進行反演。此外，神經(jīng)網(wǎng)絡自身還存在著一些缺陷，對于網(wǎng)絡隱含層的層數(shù)、節(jié)點數(shù)及網(wǎng)絡參數(shù)該如何選取尚無理論依據(jù)，通常都是根據(jù)經(jīng)驗或?qū)嶒灤_定，找到最佳組合，因此使網(wǎng)絡具有較大的冗余性，而這將會影響模型擬合和預測效果。

□

[1] Wang Y G，Xiao D N，Li Y，et al.Response of salt accumulation in soil to groundwater changes at the oasis in the lower reaches of Sangong River，Xinjiang[J].Acta Ecologica Sinica，2007，27(10)．

[2] Acosta J A，Jansen B，Kalbitz K，et al.Salinity increases mobility of heavy metals in soils[J].Chemosphere，2011，85(8):1 318-1 324．

[3] Aldakheel Y Y.AssessingNDVIspatial pattern as related to irrigation and soil salinity management in Al-Hassa Oasis，Saudi Arabia[J].Journal of the Indian Society of Remote Sensing，2011，39(2):171-180．

[4] Muyen Z，Moore G A，Wrigley RJ.Soil salinity and sodicity effects of waste water irrigation in South East Australia[J].Agricultural Water Management，2011，99(1):33-41．

[5] Dehaan R L，TayLor G R.Field derived spctra of salinized soils and vegetation as indicators of irrigation induced soil salinization[J].Remote sensing of environment，2002，80(3):406-417.

[6] Mettmicht GL，Zinck JA.Remote sensing of soil salinity potentials and constraints[J].Remote Sensing of Environment，2003，85(1):1-20.

[7] 陳 實，徐 斌，金云翔，等. 北疆農(nóng)區(qū)土壤鹽漬化遙感監(jiān)測及其時空特征分析[J].地理科學，2015,35(12):1 608-1 615.

[8] 翁永玲，宮 鵬.土壤鹽漬化遙感應用研究進展[J].地理科學，2006，26(3):371-372.

[9] Rao B R M，Ravisankar T，Dwivedi R S，et al.Spectral behaviour of sa1taflfected soils[J].International Journal of Remote Sensing，1995，16(12):2 125-2 136．

[10] Letey J，Hoffman G J，Hopmans J W，et al. Evaluation of soil salinity leaching requirement guidelines[J].Agricultural Water Management，2011，98(4):502-506．

[11] Viscarra Rossel R A，Webster R.Discrimination of Australian soil horizons and classes from their visible-near infrared spectra[J].Eur J Soil Sci，2011，62:637-647.

[12] Xiaoyan Guan，Shaoli Wang，Zhanyi Gao，et al.Dynamic prediction of soil salinization in an irrigation district based on the support vector machine[J].Mathematical and Computer Modelling，2013，56:719-724.

[13] 丁建麗，姚 遠，王 飛.干旱區(qū)土壤鹽漬化特征空間建模[J].生態(tài)學報，2014，34(16):4 620-4 631．

[14] 張 芳，熊黑鋼，欒福明，等.土壤堿化的實測光譜響應特征[J].紅外與毫米波學報，2011，30(1):55-60．

[15] 趙振亮，塔西甫拉提·特依，孫 倩，等．土壤光譜特征分析及鹽漬化信息提取——以新疆渭干河/庫車河綠洲為例[J]．地理科學進展，2014，33(2):280-288.

[16] 陳 實，高 超，徐 斌．新疆石河子農(nóng)區(qū)土壤含鹽量定量反演及其空間格局分析[J]．地理研究，2014，33(11).

[17] 王 爽，丁建麗，王 璐，等.基于地表光譜建模的區(qū)域土壤鹽漬化遙感監(jiān)測研究[J].干旱區(qū)地理，2016，39(1):190-198.

[18] 張 飛，塔西甫拉提·特依拜，丁建麗，等.干旱區(qū)綠洲土壤鹽漬化程度遙感定量評價[J]. 生態(tài)環(huán)境學報，2009，18(5):1 822-1 829.

[19] 姚 遠，丁建麗，張 芳，等.基于電磁感應技術(shù)的塔里木盆地北緣綠洲土壤鹽分空間變異特性[J].中國沙漠，2014，34(3):765-772.

[20] Ayetiguli Sidikea, Shuhe Zhao, Yuming Wen. Estimating soil salinity in Pingluo County of China using Quick Birddata and soil reflectance spectra [J]. International Journal of Applied Earth Observation andGeoinformation，2014,26(2):156-175.

[21] Yinghai Ke, Jungho Im, Junghee Lee, et al. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations[J]. Remote Sensing of Environment, 2015,164: 298-313.

[22] Yao Zhengyang, Liu Jianjun, Zhao Xiaowen, et al. Spatial dynamics of aboveground carbon stock in urban green space:A case study of Xi’an, China[J]. Journal of Arid Land, 2015,7(3):350-360.

[23] Huete A R. A soil-adjusted vegetation index(SAVI)[J].Remote Sensing of Environment, 1988,25(88):295-309.

[24] 王玉剛，肖篤寧，李 彥，等． 新疆三工河流域尾閭綠洲地下水變化與土壤積鹽的響應[J]． 生態(tài)學報，2007,27 (10)．

[25] A E K Douaoui, H Nicolas, C Walter,et al. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data[J]. Geoderma,2006,134(1):217-230.

[26] N K Tripathi, Brijesh. Spatial modelling of soil alkalinity in GIS environment using IRS data[C]∥ Paper presented at the 18th Asian Conference in Remote Sensing,1997.

[27] 楊愛霞，丁建麗.新疆艾比湖濕地土壤有機碳含量的光譜測定方法對比[J].農(nóng)業(yè)工程學報，2015，31(18):162-168.

[28] 蔣宗禮.人工神經(jīng)網(wǎng)絡導論[M].北京:高等教育出版社，2001:7-13.

[29] 韓桂紅,塔西甫拉提·特依拜，買買提·沙吾提,等. 渭-庫綠洲地下水對土壤鹽漬化和其逆向演替過程的影響[J]地理科學,2012,32(3):362-367.