劉 恩，王軍濤，常步輝，王東琦

(1.黃河水利科學(xué)研究院，鄭州 450045；2.河海大學(xué)水文水資源學(xué)院，南京 210098)

黃河三角洲地區(qū)自然資源豐富，開(kāi)發(fā)前景廣闊，是我國(guó)重要的后備土地資源區(qū)，也是我國(guó)濱海鹽堿地集中分布區(qū)。土壤的鹽漬化不僅會(huì)引起土壤肥力下降，土壤板結(jié)，而且會(huì)導(dǎo)致農(nóng)作物減產(chǎn)，嚴(yán)重制約著該區(qū)域的農(nóng)業(yè)與經(jīng)濟(jì)發(fā)展，對(duì)生態(tài)環(huán)境的穩(wěn)定性也造成了一定影響。因此開(kāi)展黃河三角洲土壤鹽漬化動(dòng)態(tài)監(jiān)測(cè)與治理，改善土壤狀況，對(duì)區(qū)域農(nóng)業(yè)和生態(tài)資源的可持續(xù)發(fā)展具有重要意義。

國(guó)外衛(wèi)星遙感應(yīng)用于土壤鹽漬化監(jiān)測(cè)始于20世紀(jì)70年代[1]，到了90年代，遙感數(shù)據(jù)源變得更豐富，遙感監(jiān)測(cè)方法也更加成熟。Bao.B.R.M作了鹽漬土光譜特征的專門(mén)研究，與一般耕地相比，鹽漬土在可見(jiàn)光和近紅外波段光譜反射強(qiáng)；土壤鹽漬化程度越高，光譜反射越強(qiáng)[2]。Dwivedi.R.S作了鹽漬土監(jiān)測(cè)中最佳波段組合的試驗(yàn)，研究表明：TM數(shù)據(jù)1、3和5波段組合所含遙感數(shù)據(jù)信息量最大，但鹽漬土信息提取精度并不與遙感數(shù)據(jù)信息量的大小成正比[3]。Mougenot等對(duì)不同地表形態(tài)研究得出：一般情況下，鹽漬化地表在可見(jiàn)光和近紅外波段的反射較一般地表強(qiáng)。相同含鹽量的鹽殼，表層破壞使得粗糙度增加，雖然其總體反射會(huì)降低，但光譜曲線沒(méi)變化[4]。

國(guó)內(nèi)學(xué)者在鹽漬化監(jiān)測(cè)方面也取得了長(zhǎng)足的進(jìn)展。曹建榮在基于landsat TM/ETM影像的黃河三角洲鹽漬土動(dòng)態(tài)變化分析中，發(fā)現(xiàn)鹽荒地在1、5波段的DN值遠(yuǎn)高于其他地類(lèi)，因此用來(lái)構(gòu)建土地指數(shù)并制作土地退化等級(jí)圖。結(jié)果表明黃河三角洲近10 a來(lái)鹽堿地呈加重的趨勢(shì)，土地退化明顯[5]。扶卿華等以河北省黃驊市為研究區(qū)對(duì)實(shí)測(cè)土壤光譜進(jìn)行分析，發(fā)現(xiàn)波長(zhǎng)451.42～593.79 nm范圍內(nèi)的反射率對(duì)土壤鹽分含量較為敏感，建立了土壤鹽分含量反演模型，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線性擬合能力，能顯著提高反演精度[6]。樊彥國(guó)在基于Landsat8的黃河三角洲鹽漬化反演中，發(fā)現(xiàn)光譜反射率在近紅外波段最大，同時(shí)BP神經(jīng)網(wǎng)絡(luò)的反演精度要高于多元回歸模型[7]。

本文以黃河三角洲小開(kāi)河灌區(qū)為研究區(qū)，以Landsat8 OLI影像為數(shù)據(jù)源，結(jié)合野外取樣并在實(shí)驗(yàn)室測(cè)得的土壤全鹽量，分別采用多元線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建土壤鹽分反演模型，對(duì)比兩個(gè)模型的反演精度后采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行土壤鹽分定量遙感反演，為提高黃河三角洲引黃灌區(qū)鹽分定量反演精度提供一種新的手段，為土壤鹽漬化的改善和治理提供依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)獲取

1.1 研究區(qū)概況

小開(kāi)河引黃灌區(qū)位于黃河下游左岸，地處黃河三角洲腹地，縱貫山東省濱州市中部，南起黃河大堤，北至無(wú)棣縣，東以秦口河及新立河為界，西以崔灌區(qū)為鄰。地理坐標(biāo)東經(jīng)117°42′～118°04′，北緯37°17′～38°03′。該地區(qū)屬半干旱、半濕潤(rùn)季風(fēng)氣候，有明顯季節(jié)變化，多年平均降雨584 mm，多年平均水面蒸發(fā)量為1 154 mm，蒸降比約為2∶1，地下水礦化度在2.0～5.0 g/L之間，地下水埋深為1～2 m，排水不暢，絕大多數(shù)淺層地下水不能作為灌溉水源，并極易引起土壤鹽漬化，灌區(qū)內(nèi)的土壤類(lèi)型主要為潮土和鹽化潮。

1.2 野外實(shí)測(cè)土壤鹽分?jǐn)?shù)據(jù)

根據(jù)研究區(qū)的氣候特征和土壤鹽分的季節(jié)性變化，于2017年4月23-30日在研究區(qū)進(jìn)行野外調(diào)查和取樣，取樣時(shí)間與Landsat8影像獲取時(shí)間保持同步。設(shè)計(jì)采樣點(diǎn)51處，采樣深度為表層土壤0～20 cm，每個(gè)采樣點(diǎn)用GPS記錄其地理坐標(biāo)。隨機(jī)選取21個(gè)樣點(diǎn)帶回實(shí)驗(yàn)室分別測(cè)EC1∶5和全鹽量,并建立這21個(gè)樣點(diǎn)的全鹽量和電導(dǎo)率的關(guān)系，如圖1所示。

圖1 實(shí)測(cè)樣點(diǎn)全鹽量和電導(dǎo)率的關(guān)系Fig.1 Relationship between total salt content and conductivity of sampling points

土壤全鹽量和電導(dǎo)率的關(guān)系式如下：

y=0.002 4x+0.242 5

(1)

式中：y表示土壤可溶性全鹽量，g/kg；x表示電導(dǎo)率，mS/cm。

1.3 遙感影像獲取與預(yù)處理

Landsat 8衛(wèi)星發(fā)射于2013年，該衛(wèi)星攜帶兩個(gè)主要載荷：OLI和TIRS，OLI陸地成像儀包括了9個(gè)波段，其中包括1個(gè)分辨率為15 m的全色波段，7個(gè)分辨率為30 m的多光譜波段，一個(gè)卷云波段，成像寬幅為185 km×185 km。

綜合取樣時(shí)間和遙感影像的質(zhì)量，研究采用2017年4月30日的landsat8 OLI影像，利用ENVI軟件對(duì)影像進(jìn)行預(yù)處理。

(1)幾何校正：下載的影像是已經(jīng)校正過(guò)的，且精度符合要求，所以無(wú)需做幾何校正。

(2)輻射定標(biāo)：對(duì)多光譜波段和全色波段分別做輻射定標(biāo)，將影像DN值轉(zhuǎn)換為光譜輻射率。

(3)FLASSH大氣校正：為了消除大氣、水汽對(duì)各波段反射率的影響，對(duì)多光譜數(shù)據(jù)進(jìn)行FLASSH大氣校正，校正后遙感影像得到真實(shí)的地表反射率值。

(4)圖像融合和裁剪：將處理后的全色和多光譜波段進(jìn)行融合，在ENVI中利用ROI工具裁剪出研究區(qū)。

(5)地表反射率提?。簩?jīng)緯度坐標(biāo)的樣點(diǎn)導(dǎo)入ENVI Classic，在ENVI Classic中提取并導(dǎo)出各個(gè)波段的地表反射率數(shù)據(jù)。研究區(qū)影像及樣點(diǎn)分布見(jiàn)圖2。

圖2 研究區(qū)及采樣點(diǎn)分布Fig.2 Distribution of study area and sampling points

2 數(shù)據(jù)分析處理

2.1 鹽漬土光譜特征分析

從定性的角度分析小開(kāi)河灌區(qū)土壤鹽分含量與影像反射率值的關(guān)系，根據(jù)測(cè)得的土壤鹽分含量數(shù)據(jù)，選擇六組具有代表性的典型樣點(diǎn)分析其光譜曲線特征。由圖3可知：①曲線的整體變化趨勢(shì)基本一致，同一鹽分含量的光譜反射率值在可見(jiàn)光部分較低，隨著波長(zhǎng)的增大而逐漸增大，在紅光波段(Band 4)反射率值陡增，當(dāng)波長(zhǎng)達(dá)到近紅外光(Band 5)時(shí)，反射率值達(dá)到最大，隨后隨著波長(zhǎng)的增加而減??；②對(duì)于同一波段的樣點(diǎn)，隨著鹽分含量的增高光譜反射率值逐漸減小。

圖3 不同鹽分含量的鹽漬土光譜曲線特征Fig.3 Spectral curve characteristics of saline soil with different salt contents

2.2 敏感波段的選取

分析遙感影像的光譜曲線特征，篩選出能定量反演土壤鹽分含量的敏感波段。首先計(jì)算遙感影像51個(gè)樣點(diǎn)的反射率數(shù)據(jù)和土壤含鹽量的相關(guān)系數(shù)，見(jiàn)表1，結(jié)果表明：光譜反射率數(shù)據(jù)與土壤含鹽量均呈負(fù)相關(guān)，且第5、6、7波段的相關(guān)性要高于前4個(gè)波段。研究表明第5波段即近紅外波段的反射率與土壤鹽分含量的相關(guān)系數(shù)最高[8,9]，這也與本文研究結(jié)果一致。

為了進(jìn)一步研究遙感影像光譜數(shù)據(jù)對(duì)土壤鹽分含量的敏感程度，采用診斷指數(shù)法來(lái)計(jì)算landsat8影像各波段反射率的診斷指數(shù)。診斷指數(shù)(Pi)公式如下:

Pi=σiRi

(2)

式中：Ri為波段i光譜反射率和土壤鹽分含量的相關(guān)系數(shù)；σi為波段i反射率值的均方差。

診斷指數(shù)Pi越大，表明該波段對(duì)土壤鹽分含量越敏感。分別計(jì)算各波段的診斷指數(shù)，結(jié)果表明第5、6、7波段的反射率數(shù)據(jù)適用于研究區(qū)鹽分含量的反演，見(jiàn)表1。

表1 各波段反射率與土壤含鹽量的相關(guān)系數(shù)、均方差和診斷指數(shù)Tab.1 Correlation coefficient、mean square error and diagnostic index between soil salinity and reflectance of each band

3 多元線性回歸模型的建立與應(yīng)用

3.1 基于敏感波段的多元回歸模型

研究采用SPSS構(gòu)建多元線性回歸模型，將51組樣本隨機(jī)分為兩組，其中一組41個(gè)樣本用于建立回歸模型，另一組10個(gè)樣本用于驗(yàn)證回歸模型的精度。將41組樣點(diǎn)的反射率數(shù)據(jù)進(jìn)行倒數(shù)、對(duì)數(shù)、對(duì)數(shù)的倒數(shù)變換作為自變量，以對(duì)應(yīng)土壤鹽分含量作為因變量，進(jìn)行多元線性回歸分析?；貧w模型的效果用決定系數(shù)R2和校正的決定系數(shù)(AdjustedR2)進(jìn)行檢驗(yàn)，經(jīng)過(guò)校正的R2能消除無(wú)關(guān)變量對(duì)決定系數(shù)R2的影響，AdjustedR2越接近1，表示回歸模型擬合效果越好。RMSE(均方根誤差)表示實(shí)測(cè)值和回歸方程模擬值的誤差，RMSE越小，預(yù)測(cè)效果越好。

表2是以遙感影像b5、b6、b7波段的光譜反射率及變換形式為自變量，土壤鹽分含量為因變量建立的多元線性回歸模型。

在4個(gè)回歸模型中，通過(guò)比較AdjustedR2和RMSE，鹽漬土反射率的倒數(shù)和鹽分含量建立的回歸模型(Y=-20.392+5.179/b5+0.76/b6-0.148/b7 )AdjustedR2最大，均方根誤差RMSE最小，回歸效果最好，可以用來(lái)反演土壤鹽分含量。

3.2 模型的精度驗(yàn)證

利用剩余的10個(gè)土樣的鹽分含量值對(duì)建立的多元線性回歸方程進(jìn)行驗(yàn)證，結(jié)果見(jiàn)表3。

表2 敏感波段反射率及變換形式的回歸方程Tab.2 Regression equations for reflectance and transformation of sensitive bands

表3 多元回歸模型土壤鹽分反演結(jié)果Tab.3 Soil salinity inversion results of multi-regression model

對(duì)這10個(gè)土樣的實(shí)測(cè)值和預(yù)測(cè)值進(jìn)行誤差分析可知，多元回歸模型的預(yù)測(cè)值最大相對(duì)誤差達(dá)到86.41%,最小相對(duì)誤差為-9.63%，平均相對(duì)誤差為39.1%，誤差分布不均勻，預(yù)測(cè)效果不穩(wěn)定，這表明多元回歸模型反演精度較差。由于土壤光譜是多種因素共同作用的結(jié)果，土壤鹽分含量的反演與不是簡(jiǎn)單的線性關(guān)系。

4 BP神經(jīng)網(wǎng)絡(luò)模型的建立和應(yīng)用

本研究采用MATLAB 9.4編程BP神經(jīng)網(wǎng)絡(luò)模型，將51個(gè)土壤鹽分?jǐn)?shù)據(jù)分為兩組，一組作為訓(xùn)練樣本，共41個(gè)；另一組作為測(cè)試樣本，共10個(gè)。Landsat 8影像的b5、b6、b7的反射率數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，土壤鹽分含量作為網(wǎng)絡(luò)的輸出。設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)時(shí)主要考慮隱層數(shù)、隱層節(jié)點(diǎn)數(shù)和激勵(lì)函數(shù)、期望誤差等。根據(jù)研究區(qū)土壤鹽分反演的實(shí)際情況，單隱層即可達(dá)到建模要求，隱含層節(jié)點(diǎn)數(shù)k可以根據(jù)經(jīng)驗(yàn)公式計(jì)算：

式中：m和n分別為輸入層和輸出層的變量個(gè)數(shù)；a為0～10之間的整數(shù)。

為了確定最佳的隱層節(jié)點(diǎn)數(shù)，分別計(jì)算了當(dāng)其他網(wǎng)絡(luò)參數(shù)相同時(shí)，不同節(jié)點(diǎn)數(shù)的R2和RMSE，見(jiàn)表4。綜合時(shí)間效率和模擬效果，最終確定隱含層的節(jié)點(diǎn)數(shù)為12個(gè)。

在對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，為了加快神經(jīng)網(wǎng)絡(luò)的收斂，需要對(duì)神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)做歸一化處理，仿真之后再反歸一化。神經(jīng)網(wǎng)絡(luò)模型的隱層和輸出層分別采用Tansig和Purelin傳遞函數(shù)，訓(xùn)練函數(shù)有traingdx、trainlm、trainscg等，經(jīng)過(guò)多次嘗試決定采用traingdx訓(xùn)練函數(shù)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)為3 000次，目標(biāo)誤差為0.000 1，學(xué)習(xí)速率為0.01，訓(xùn)練模型的樣本預(yù)測(cè)值見(jiàn)表5。

表4 不同隱層節(jié)點(diǎn)數(shù)訓(xùn)練樣本的R2和RMSETab.4 R2 and RMSE of training samples with different hidden layer nodes

表5 BP神經(jīng)網(wǎng)絡(luò)模型反演結(jié)果Tab.5 Inversion results of BP neural network model

由表5可知，利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)土壤鹽分進(jìn)行反演，預(yù)測(cè)值和實(shí)測(cè)值的最大相對(duì)誤差為-61.61%，最小相對(duì)誤差為0.53%，有60%的樣點(diǎn)反演誤差低于10%，平均相對(duì)誤差為15.4%，與多元回歸模型的39.1%相比，BP神經(jīng)網(wǎng)絡(luò)模型反演精度更高。

圖4 模型反演結(jié)果與實(shí)測(cè)鹽分含量對(duì)比Fig.4 Comparison between model inversion results and measured salt content

利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)研究區(qū)的土壤鹽分含量反演，見(jiàn)圖4。結(jié)果表明：研究區(qū)北部和中部含鹽量較高，南部鹽分含量較低；由于北部地區(qū)有較多的鹽池，中部地勢(shì)低洼，地下水位高，容易積累鹽分，所以導(dǎo)致這兩部分區(qū)域鹽分含量較。綜上所述，利用BP神經(jīng)網(wǎng)絡(luò)反演土壤鹽分含量分布與研究區(qū)實(shí)際調(diào)查情況較為符合。

圖5 BP神經(jīng)網(wǎng)絡(luò)鹽分反演結(jié)果Fig.5 BP neural network salt inversion results

5 結(jié) 語(yǔ)

本研究以小開(kāi)河引黃灌區(qū)為研究對(duì)象，將野外調(diào)查取樣和室內(nèi)實(shí)驗(yàn)相結(jié)合，分析土壤鹽分含量與Landsat8 遙感影像光譜反射率數(shù)據(jù)的相關(guān)關(guān)系，利用多元回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型定量反演研究區(qū)土壤鹽分含量，進(jìn)而反演出研究區(qū)土壤鹽漬化信息并制圖。

(1)利用診斷指數(shù)法篩選出Landsat8遙感影像的敏感波段，結(jié)合實(shí)測(cè)土壤鹽分含量建立多元回歸模型，模型的決定系數(shù)R2為0.812，最大相對(duì)誤差為86.41%，最小相對(duì)誤差為7.62%，模型預(yù)測(cè)具有較大的波動(dòng)，土壤鹽分含量和影像光譜反射率不是單純的線性關(guān)系，因此反演精度不佳。

(2)利用BP神經(jīng)網(wǎng)絡(luò)反演研究區(qū)土壤鹽分含量，最大相對(duì)誤差為61.61%，最小相對(duì)誤差為0.53%，平均相對(duì)誤差為18.6%。相比多元回歸模型來(lái)說(shuō)，BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性擬合能力，反演精度更高。

(3)土壤鹽分含量的影響因素有很多，如地下水埋深、土壤含水量、地下水礦化度和土壤有機(jī)質(zhì)含量等，遙感信息的影響因素較多，僅將遙感信息與土壤鹽分含量相結(jié)合反演土壤鹽分含量會(huì)有較大誤差，下一階段應(yīng)結(jié)合實(shí)測(cè)數(shù)據(jù)對(duì)鹽漬土反演，反演精度會(huì)進(jìn)一步提高。

(4)本研究只是反演了研究區(qū)某一時(shí)間點(diǎn)的土壤鹽分含量，分析了土壤鹽分含量的空間分布，下一階段應(yīng)從時(shí)間尺度和空間尺度考慮，分析土壤鹽分含量的時(shí)空演變規(guī)律。

(5)利用BP神經(jīng)網(wǎng)絡(luò)反演土壤鹽分含量時(shí)，神經(jīng)網(wǎng)絡(luò)僅是在有限次訓(xùn)練對(duì)比得到的優(yōu)解，并非是模型最優(yōu)解。應(yīng)嘗試偏最小二乘法、支持向量機(jī)、主成分回歸分析等方法，以提高神經(jīng)網(wǎng)絡(luò)的泛化能力。

□