賈萍萍，尚天浩，張俊華，孫　媛

利用多源光譜信息反演寧夏銀北地區(qū)干濕季土壤含鹽量

賈萍萍，尚天浩，張俊華※，孫媛

（1.寧夏大學資源環(huán)境學院，銀川 750021；2. 寧夏大學環(huán)境工程研究院，銀川 750021；3. 寧夏旱區(qū)資源評價與環(huán)境調(diào)控重點實驗室，銀川 750021）

土壤鹽漬化是導致全球荒漠化和土壤退化的主要誘因之一。為確定高光譜和多光譜遙感反演干濕季土壤含鹽量的最優(yōu)模型，該研究以寧夏銀北平羅縣為例，以干季（4月）和濕季（10月）實測高光譜和Landsat 8 OLI多光譜以及干濕兩季實測土壤含鹽量為基礎數(shù)據(jù)源，利用相關(guān)系數(shù)法、灰度關(guān)聯(lián)法和逐步回歸法篩選敏感光譜數(shù)據(jù)，分別采用偏最小二乘、支持向量機、嶺回歸、BP神經(jīng)網(wǎng)絡和地理加權(quán)回歸建立干濕兩季土壤含鹽量反演模型。結(jié)果表明：1）銀北地區(qū)土壤鹽漬化較為嚴重，干濕季含鹽量均表現(xiàn)為強度變異，且干季變異程度大于濕季；2）在不同土壤含鹽量條件下，重采樣后的高光譜波段反射率和影像波段反射率具有顯著相關(guān)性；3）對比相關(guān)性分析、灰度關(guān)聯(lián)和逐步回歸三組變量篩選方法下各模型2和RMSE，逐步回歸組模型整體效果較好；4）5種土壤含鹽量反演模型中地理加權(quán)回歸模型精度較高，支持向量機算法和BP神經(jīng)網(wǎng)絡算法在基于不同變量組的模型中表現(xiàn)較為接近，嶺回歸表現(xiàn)最差，偏最小二乘回歸模型出現(xiàn)了較嚴重的“過擬合”現(xiàn)象。局部模型在土壤含鹽量反演方面更具優(yōu)越性。干季以實測灰度關(guān)聯(lián)組-地理加權(quán)回歸模型效果最佳，其驗證決定系數(shù)p2和相對分析誤差RPD分別為0.94和4.49；濕季以影像相關(guān)系數(shù)組-地理加權(quán)回歸模型反演效果最好，其驗證決定系數(shù)p2和相對分析誤差RPD分別為0.96和4.83。研究結(jié)果可為當?shù)丶巴惖貐^(qū)土壤鹽漬化的識別、防治提供理論依據(jù)。

遙感；反演；模型；土壤含鹽量；光譜指數(shù)；GWR模型

0 引 言

土壤鹽漬化是關(guān)系到干旱地區(qū)可持續(xù)發(fā)展的戰(zhàn)略性問題，受到世界各國的廣泛關(guān)注[1]，據(jù)統(tǒng)計，鹽漬土占全球整個陸地面積的7.26%，嚴重影響著當?shù)厣鷳B(tài)、經(jīng)濟的可持續(xù)發(fā)展[2]。中國是受鹽漬化影響最嚴重的國家之一，其西北干旱和半干旱地區(qū)土壤鹽漬化問題尤為突出[3]。鹽漬土作為重要的后備耕地資源，對其進行準確監(jiān)測、開發(fā)利用已迫在眉睫[4]。

農(nóng)業(yè)生產(chǎn)中，土壤鹽漬化的監(jiān)測對農(nóng)作物管理具有十分重要的指導作用[5]。傳統(tǒng)的土壤含鹽量測定費時、費力、成本高且無法全面獲取數(shù)據(jù)。近年來，隨著光譜分析技術(shù)的發(fā)展，遙感技術(shù)已成為大面積監(jiān)測和評估土壤鹽漬化的主要手段[6]。但由于土壤鹽漬化產(chǎn)生原因及土壤鹽分組成復雜，在土壤鹽分遙感監(jiān)測敏感波段和鹽分指數(shù)的選擇上，不同區(qū)域的研究結(jié)果存在差異[7-8]。所以，定量分析光譜數(shù)據(jù)時特征變量的選取就顯得非常重要。目前，常用的變量優(yōu)選方法主要有相關(guān)性分析（Pearson Correlation Coefficient，PCC）[9]、灰度關(guān)聯(lián)（Gray Correlation，GC）[10]、逐步回歸（Stepwise Regression，SR）[10]、變量投影重要性分析（Variable Importance in Projection，VIP）[10]等。王海峰[10]采用GC、SR和VIP三種波段分析法并使用偏最小二乘回歸（Partial Least Squares Regression，PLSR）和支持向量機回歸（Support Vector Machine，SVM）對不同鹽離子進行了反演，不同波段分析方法下各模型精度不同。Wang等[9]基于PCC、VIP、GC、隨機森林（Random Forest，RF）篩選敏感因子，并分別利用PLSR建立了含鹽量反演模型，結(jié)果表明RF-PLSR效果最佳，其2達到0.93。不同建模方法反演效果也不同，張俊華等[11]發(fā)現(xiàn)利用PLSR建立光譜數(shù)據(jù)模型對SO42-、Ca2+、Na+都有較高的反演精度，但馮娟等[12]指出采用SVM模型較PLSR模型對含鹽量的反演精度更高，而劉恩等[13]以Landsat 8 OLI多光譜影像數(shù)據(jù)建立的土壤含鹽量反演模型中，BP神經(jīng)網(wǎng)絡（Back Propagation Neural Networks, BPNN）模型預測精度也顯示出一定的優(yōu)越性，其2達到0.980 8。此外，嶺回歸（Ridge Regression，RR）作為一種新的光譜定量分析方法，在土壤含水率、葉綠素濃度等反演方面已顯示出較好的效果[14-15]。以上提到的反演模型均屬于全局性模型，它們將自變量與因變量的關(guān)系視為全局不變，而忽略了兩者的空間變異性所導致的關(guān)系變化[16]。Petlo等[17]在1968年首次將局部回歸的思想用于處理非等間隔分布的高程數(shù)據(jù)，并獲得滿意的結(jié)果。Fotheringham等[18]提出了地理加權(quán)回歸（Geographically Weighted Regression，GWR），將自變量與因變量之間的非穩(wěn)態(tài)關(guān)系引入到模型中，使得反演更加準確有效，但RR和GWR模型目前在土壤含鹽量方面的應用還較少[10, 16]。

土壤鹽漬化程度常伴隨季節(jié)和空間的變化而變化，不同季節(jié)、不同地點土壤光譜與含鹽量信息之間的關(guān)系參差不齊，土壤鹽分時空維度差異較大[19]，所以GWR在鹽分反演中的表現(xiàn)值得研究。另外，雖然很多基于不同平臺的遙感數(shù)據(jù)源建立的土壤鹽分反演模型取得了較理想的精度，但這些研究多是依據(jù)某一特定時期開展的，僅能反映單一時期的土壤鹽分信息[20-21]。在前期研究中[22]，課題組利用線性和非線性函數(shù)對高光譜重采樣波段和影像鹽分指數(shù)進行篩選，進而對干濕兩季的總含鹽量進行了估算，發(fā)現(xiàn)利用遙感數(shù)據(jù)可以達到準確反演不同季節(jié)含鹽量的目的，但光譜篩選方法較為單一，且建模過程中未考慮回歸參數(shù)與樣點地理位置的關(guān)系，所以，本文在其基礎上，以實地采樣點的土壤高光譜反射率以及研究區(qū)Landsat 8 OLI多光譜遙感影像為數(shù)據(jù)源，使用PCC、GC和SR三種方法篩選敏感光譜數(shù)據(jù)，然后采用PLSR、SVM、RR、BPNN和GWR五種方法分別對實測和影像數(shù)據(jù)下的干季和濕季0～20 cm的含鹽量進行反演，評定不同模型輸入變量和不同建模方法下含鹽量反演模型的精度，綜合評價各模型對土壤含鹽量的反演效果，以期得到不同季節(jié)最佳的光譜反演模型，為當?shù)丶巴惖貐^(qū)土壤鹽漬化的識別、防治和制定相關(guān)利用措施提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于寧夏銀北地區(qū)石嘴山市平羅縣（38°26′60″～39°14′09″N，105°57′40″～106°52′52″E），地處賀蘭山東麓洪積扇與平原之間，面積2 060 km2，該地區(qū)屬干旱-暖溫帶季風氣候，年平均溫度9 ℃，降水量稀少（平均150～203 mm，主要集中在6－10月），蒸發(fā)強烈（>1825 mm）。由于地質(zhì)環(huán)境、地形、農(nóng)業(yè)不合理灌溉等影響，導致本地鹽漬化現(xiàn)象普遍。研究區(qū)主要土壤類型為灰鈣土、鹽土、堿土和灌淤土，土壤母質(zhì)多為碳酸鹽型母質(zhì)，主要土地利用和土地覆蓋類型包括基本農(nóng)田、水體、撂荒地和鹽堿地等。天然植被多為鹽生植物，如白刺、蘆葦、堿蓬等，植被覆蓋度低，有利于通過遙感影像反演土壤含鹽量。

1.2 野外高光譜數(shù)據(jù)和樣品采集與處理

樣點布局充分考慮研究區(qū)土壤表面鹽分特征和土地利用方式等因素，在全縣共設置9個采樣區(qū)域，包括基本農(nóng)田、中低產(chǎn)田和撂荒地等不同程度的鹽漬化土地（圖1），采樣時間為2018年10月24－25日（濕季）和2019年4月18－19日（干季）。每個樣區(qū)實地進行土壤光譜測定（樣點間隔為30、60、100、200、300 m不等）。野外土壤光譜采用美國SR-3500地物光譜儀測定土壤光譜反射率，波段范圍為350～2 500 nm。光譜測定時間在10:00－14:00，天氣狀況良好，每次測定前先進行標準白板校正，探頭設置在垂直距離土表80 cm（與測量人腰部同高）處，每個樣點重復測定5次，求平均值作為該樣點的光譜反射值。光譜采集后在該點原處用土鉆采集土壤樣品（0～20 cm，非混合土樣），其中10月份采集樣本共57個，4月份59個，土樣裝入密封袋，采用手持GPS記錄各樣點經(jīng)緯度，并同時記錄周圍地表類型和植被蓋度等信息。利用烘干法測定土壤含水率，電導法測定土壤EC，然后轉(zhuǎn)換為土壤含鹽量，參考王遵親等[23]土壤鹽漬化分級方法，將采樣點的土壤分為非鹽漬化、輕度鹽漬化、中度鹽漬化、重度鹽漬化和鹽土，其中非鹽漬土、輕度鹽漬土、中度鹽漬土、重度鹽漬土和鹽土占比分別為5%、40%、7.5%、25%、22.5%。

圖1 研究區(qū)位置與采樣點分布

在ENVI5.2.2軟件中運用波譜重采樣工具，通過影像傳感器波譜響應函數(shù)將光譜儀350～2 500 nm波段光譜進行重采樣，使其與Landsat 8 OLI影像光譜波段相匹配。

1.3 衛(wèi)星數(shù)據(jù)與預處理

根據(jù)采樣時間，文中使用的影像數(shù)為覆蓋研究區(qū)2018年10月27日和2019年4月21日的Landsat 8 OLI遙感影像（美國地質(zhì)調(diào)查局(http://glovis.usgs.gov/)官網(wǎng)下載），其行列號為129/33。為減少大氣對影像精度的影響，且更好的擬合影像數(shù)據(jù)與土壤含鹽量數(shù)據(jù)，在ENVI 5.5.2中對影像進行輻射和大氣校正，將輻射率轉(zhuǎn)化為地表反射率，進而提取各采樣點在9個波段的反射率，并利用Band math模塊計算鹽分指數(shù)。

Landsat 8 OLI 數(shù)據(jù)有 9 個波段（海岸波段Coastal: 433～453 nm、藍波段Blue: 450～515 nm、綠波段Green: 525～600 nm、紅波段Red: 630～680 nm、近紅外波段NIR: 845～885 nm、短波紅外1 SWIR1: 1 560～1 651 nm、短波紅外2 SWIR2: 2 100～2 300 nm、全色波段Pan 500～680、卷云波段Cirrus: 1 360～1 390nm），空間分辨率為30 m，全色波段分辨率為15 m。選取除海岸波段和全波段以外的波段參與研究。

1.4 鹽分指數(shù)

鹽分指數(shù)是不同波段的數(shù)學組合，可用于建立光譜數(shù)據(jù)與特定目標之間的相關(guān)性，并為土壤含鹽量研究提供了科學依據(jù)[24]。本文選取了常用的11種鹽分指數(shù)與土壤含鹽量進行定量分析，光譜波段為重采樣后的實測數(shù)據(jù)和預處理后的影像數(shù)據(jù)，計算公式見表1。

表1 鹽分指數(shù)

注：為紅色分量值，為綠色分量值，為藍色分量值，NIR 為近紅外分量值。

Note:is red band component value;is green band component value;is blue band component value; NIR is near infrared band component value.

1.5 特征光譜篩選

選用PCC、GC和SR進行特征光譜參量篩選。PCC中相關(guān)系數(shù)絕對值越大，說明該數(shù)據(jù)的光譜信息量越多，通常PCC有助于揭示土壤鹽分含量與可見－近紅外光譜之間的關(guān)系，并在一定程度上預示了建模效果[30]。GC是通過關(guān)聯(lián)度的計算與比較來辨別系統(tǒng)中各因素間的主次關(guān)系，關(guān)聯(lián)度越大，相似程度越高，由于灰色關(guān)聯(lián)度的大小會受到樣本數(shù)量的影響[31]，故從干季中隨機去掉2個樣本來計算灰色關(guān)聯(lián)度，使干濕季土壤光譜指標計算出的灰色關(guān)聯(lián)度有可比性；為消除量綱的影響，對數(shù)據(jù)做“均值化”預處理。SR是根據(jù)自變量對因變量的顯著程度，由大到小地逐個引入回歸方程，剔除對因變量作用不顯著的自變量，建立最優(yōu)回歸方程[10]。

1.6 模型建立及評價指標

通過K-S算法[32]選用2/3的樣本用于建模（干季39，濕季38），1/3的樣本用于驗證（干季20，濕季19）。分別基于干濕季土壤樣本建立含鹽量反演模型，選用PLSR、RR、SVM、BPNN和GWR進行建模[33-37]。其中，PLSR建模過程中利用完全交叉驗證法來選取最佳主成分個數(shù)[33]；RR過程中利用嶺跡法判斷嶺參數(shù)的取值[34]；SVM中核函數(shù)類型使用Radial basis function，使用訓練集交叉驗證和網(wǎng)格搜索法（Grid search）進行參數(shù)尋優(yōu)，按照均方差最小原則確定懲罰參數(shù)和核參量的值[35]；BPNN中，數(shù)據(jù)轉(zhuǎn)換方式為標準化轉(zhuǎn)換，隱含層節(jié)點數(shù)按經(jīng)驗選取輸入層節(jié)點數(shù)的75%，最小訓練速率取0.1，迭代次數(shù)取1 000次，多次訓練后取擬合殘差最小時結(jié)果為模型結(jié)果[36]。GWR中使用自適應二次形式的帶寬并以常用的Golden section search方法來選擇，用AICc準則來確定。PLSR和SVM在The UnscramblerX10.4中進行，RR和BPNN在DPS 9.01中進行，GWR在GWR4.0中進行。

模型精度通過建模決定系數(shù)c2，驗證決定系數(shù)p2、均方根誤差RMSE和相對分析誤差RPD來綜合評價。

2 結(jié)果與分析

2.1 土壤含水率和含鹽量統(tǒng)計分析

由研究區(qū)干濕兩季土壤含水率和含鹽量統(tǒng)計結(jié)果可知（表2），干濕季土壤含水率差異較小，都屬于中等程度變異（變異系數(shù)CV值反映樣點值的離散程度，在一定程度上揭示了變量的空間分布特性[38]，CV＜0.1為弱變異性；0.1＜CV＜1為中等變異；CV＞1為強變異)。干季土壤含鹽量平均值大于濕季土壤的平均值。由變異系數(shù)知，干季和濕季含鹽量均屬于強度變異。干濕季整體變異系數(shù)大于1，說明研究區(qū)土壤受到不同程度土壤鹽漬化影響較強，干季較濕季變異程度大。

表2 土壤樣品的含水率和含鹽量統(tǒng)計

2.2 土壤實測光譜與影像光譜數(shù)據(jù)評估

高光譜實現(xiàn)了地物的空間信息、輻射信息和光譜信息的同步獲取。分別選取干季和濕季5種不同鹽漬化程度土壤，對重采樣的實測光譜反射率與影像反射率7個波段數(shù)據(jù)進行擬合（圖2），發(fā)現(xiàn)二者之間具有良好的擬合度，這可能是由于采樣點多為裸土區(qū)，影像光譜為相對較為純凈的像元。干季輕度和中度鹽漬化土壤的重采樣光譜與影像光譜相關(guān)性最強，2達到0.98，然后是非鹽漬化和重度鹽漬化，2也達到了0.97，鹽土相關(guān)性略低；濕季重采樣光譜與影像光譜相關(guān)性輕度和重度鹽漬化土壤表現(xiàn)最佳，其次為非鹽漬化土壤，而鹽土相關(guān)性相對較低，但也均達到了極顯著水平。因此，經(jīng)重采樣后的高光譜數(shù)據(jù)與影像反射率具有良好的相關(guān)性，可為重采樣光譜與影像定量反演含鹽量提供較可靠的依據(jù)。

2.3 特征光譜篩選結(jié)果

2.3.1 相關(guān)性分析

土壤含鹽量與實測、影像波段及鹽分指數(shù)之間的相關(guān)系數(shù)見表3和表4。干季實測數(shù)據(jù)均通過了顯著性檢驗，除鹽分指數(shù)SI-T和NDSI外，其余相關(guān)性均表現(xiàn)為極顯著，但含鹽量與影像波段和鹽分指數(shù)均未通過顯著性檢驗。濕季土壤含鹽量與實測數(shù)據(jù)相關(guān)性均通過了顯著性檢驗，含鹽量與影像數(shù)據(jù)的相關(guān)性除鹽分指數(shù)SI-T、NDSI和S3外均通過了0.01顯著性檢驗，其中與S1的相關(guān)性最強。選用通過0.01顯著性的變量為模型因子。

圖2 重采樣實測光譜與影像光譜反射率相關(guān)性

表3 土壤含鹽量與實測和影像波段相關(guān)性

注：**表示在<0.01水平顯著，*表示在<0.05水平顯著。下同

Note:**means significant at<0.01 levels,*means significant at<0.05 levels. The same below.

表4 土壤含鹽量與實測和影像鹽分指數(shù)相關(guān)性

2.3.2 灰度關(guān)聯(lián)法分析

圖3為干、濕季實測和影像數(shù)據(jù)與土壤含鹽量之間的灰色關(guān)聯(lián)度統(tǒng)計，其中干季實測數(shù)據(jù)波段和鹽分指數(shù)與含鹽量灰色關(guān)聯(lián)度均較高，干季影像數(shù)據(jù)與含鹽量灰色關(guān)聯(lián)度變化整體較為平緩，濕季影像數(shù)據(jù)與含鹽量灰色關(guān)聯(lián)度整體較小。為實現(xiàn)波段和鹽分指數(shù)篩選，本研究設敏感波段和鹽分指數(shù)的GCD閾值為0.45。

2.3.3 逐步回歸分析

基于SR分析的干濕季特征光譜數(shù)據(jù)如表5所示，干濕季實測和影像的最優(yōu)SR模型入選變量的波段和鹽分指數(shù)個數(shù)為3～9個?？傮w來看，SR模型的調(diào)整2除干季影像外均在0.60以上，說明模型擬合效果較好，同時所有的顯著性均小于0.001，表明干濕季SR模型均具有顯著意義。因此，選取各SR模型入選特征變量作為后續(xù)模型的自變量。

2.4 干濕兩季土壤含鹽量反演模型構(gòu)建與驗證

將經(jīng)過PCC、GC及SR篩選后得到的光譜參量作為自變量，土壤含鹽量為因變量，分別采用PLSR、SVM、RR、BPNN和GWR法構(gòu)建干濕季土壤含鹽量定量反演模型并進行模型精度驗證。干季含鹽量反演模型結(jié)果如表6所示。

圖3 土壤含鹽量與波段和鹽分指數(shù)的灰度關(guān)聯(lián)分析

表5 逐步回歸分析篩選特征光譜數(shù)據(jù)參數(shù)指標

表6 干季土壤含鹽量反演模型

注：P2為驗證決定系數(shù)，RPD為相對分析誤差。下同。

Note:P2, validation decision coefficient; RPD, relative percent deviation. The same as below.

干季實測光譜基于PCC篩選光譜參量的5種模型建模效果較穩(wěn)定，c2在0.81~0.89之間；基于SR篩選光譜參量的5種模型效果整體較好，且GWR模型效果優(yōu)于其他4種全局模型。在全局模型下，SVM和BPNN模型的c2與p2高于PLSR和RR，PCC組算法中，SVM組的p2和 RMSE分別為0.33和5.94，低于BPNN的p2和RMSE，而在GC和SR組算法中，SVM組的p2分別為0.51和0.55，高于SVM模型，整體BPNN的RMSE平均為3.96，為3個變量組中的最低值，預測能力最優(yōu)。在模型擬合度方面，以GC篩選光譜參量下的GWR模型效果最佳，其c2與p2分別為0.91和0.94；在模型預測方面，以SR篩選光譜參量下的GWR模型效果最佳，其RMSE為1.42，RPD為4.49，表明模型預測能力強。

干季影像模型建模效果較差，PCC中光譜變量與含鹽量均未通過顯著性檢驗，因此PCC組未參與建模，其余2種篩選光譜參量方法下，5種模型中均以GWR模型效果最好，其次為SVM和BPNN模型，且BPNN的c2與p2相對較穩(wěn)定，呈現(xiàn)出較好的“魯棒性”，而PLSR模型其p2/c2比值較大，模型呈現(xiàn)出“欠擬合”的效果。對比分析10個模型精度發(fā)現(xiàn)，基于GC篩選光譜參量下的GWR鹽分反演模型效果最佳，其p2和RPD分別為0.70和1.88。比較5種回歸方法對模型精度效果的影響發(fā)現(xiàn)，4種機器學習算法模型相比PLSR模型精度明顯提高。整體GC篩選光譜參量模型效果好于SR篩選光譜參量模型精度，但干季影像模型整體c2與p2均相差較大，這可能是由于土壤鹽漬化發(fā)生機理的復雜性導致的。

表7為濕季土壤含鹽量建模與驗證結(jié)果。濕季實測和影像建模效果整體較好，濕季實測建模c2不小于0.64，p2在0.55以上，其c2和p2整體較接近，說明模型反演能力較穩(wěn)定。全局回歸模型下，在PCC組構(gòu)建的模型中，SVM和BPNN模型p2分別為0.93和0.95，二者的RMSE相差0.57；在GC和SR組中，SVM模型的c2和p2均高于BPNN模型，且SVM模型RMSE也低于BPNN，PCC組中，BPNN模型效果優(yōu)于SVM，而在GC和SR組中，SVM模型效果優(yōu)于BPNN；以GC篩選光譜參量下的SVM模型預測能力極強。SR篩選光譜參量下的RR模型精度高于PCC以及GC。整體以SR篩選光譜參量中模型精度最佳，GC篩選光譜參量在SVM方面表現(xiàn)出一定優(yōu)勢；局部回歸模型下，以PCC篩選光譜參量中GWR模型效果最佳。

表7 濕季土壤含鹽量反演模型

在濕季影像反演模型中，同一光譜數(shù)據(jù)作為模型輸入變量下，全局模型中，在模型擬合方面，以SVM模型效果最佳，其c2和p2分別達到了0.92、0.86、0.89和0.94、0.81和0.81，沒有出現(xiàn)“過擬合”或“欠擬合”現(xiàn)象。在模型預測方面，以BPNN模型最佳，其RMSE平均值為2.24，為4個模型中的最低值，PRD平均值為4.83，預測能力極佳。4種全局回歸模型方法中，反演精度最高的是基于PCC篩選光譜參量的BPNN模型，其p2和RPD分別為0.78和5.63，局部回歸模型下以PCC篩選光譜參量分析下GWR模型效果最佳，其p2和RPD分別為0.96和4.83。

2.5 干濕季土壤含鹽量反演結(jié)果

結(jié)合土壤含鹽量反演模型評價的4個指標c2、P2、RMSE和RPD，對比評價PCC、GC和SR三種方法篩選光譜參量下，PLSR、SVM、RR、BPNN和GWR的反演模型效果。較高2、RPD值以及較低RMSE值即為土壤含鹽量最佳反演模型。分析表6和表7可知，干季實測和影像均以GC-GWR模型效果最優(yōu)，其p2和RPD分別為0.94、0.70和4.49、1.88，說明GC-GWR模型共同適用于該地區(qū)干季的實測數(shù)據(jù)和影像數(shù)據(jù)建模；濕季實測以GC-SVM模型反演效果最佳，其p2和RPD分別為0.88和2.94，濕季影像則以PCC-GWR模型效果最佳，其p2和RPD分別為0.96和4.83。

3 討 論

本研究對實測高光譜數(shù)據(jù)進行重采樣，使其與影像波段相匹配，在一定程度上可提高和促進土壤定量遙感監(jiān)測鹽漬化精度，并且可以實現(xiàn)不同傳感器間的性能比較[20]。遙感傳感器對土壤含鹽量的反演能力，取決于傳感器的光譜數(shù)據(jù)對含鹽量的敏感程度[39]，因此，特征光譜數(shù)據(jù)的選擇是建立穩(wěn)健模型的關(guān)鍵步驟。本研究中3種方法篩選的特征變量數(shù)量存在較大差異，18個特征變量（7個波段和11個鹽分指數(shù)）中基于PCC的特征變量數(shù)除干季影像外，均通過了顯著性檢驗；基于GC分析的干濕季實測和影像特征變量數(shù)各不同，干季實測、影像和濕季實測特征變量數(shù)較多；SR得到的特征變量數(shù)量變化較大（3～9個）。這3種方法從原理來說，GC和SR的結(jié)果更為可靠，當然，不同的光譜變量篩選方法對于敏感光譜的篩選，只可作為光譜尋優(yōu)等研究的一種參考，與模型反演效果之間的關(guān)系，還需做更嚴謹?shù)臄?shù)學推理[40]。

選擇合適的模型輸入變量和模型回歸方法是提高土壤含鹽量預測精度的有效途徑。本研究發(fā)現(xiàn)基于SR分析篩選敏感光譜指數(shù)建立模型的穩(wěn)定性和預測能力整體效果最優(yōu)，這與王海峰等[10]的研究結(jié)果相同，這是因為SR通過調(diào)整變量選擇和排除的顯著性水平，實現(xiàn)對模型復雜度的優(yōu)化構(gòu)建，但李明亮[41]指出GC分析篩選敏感光譜指數(shù)建模優(yōu)于線性相關(guān)性分析篩選建模，這可能是由于研究對象在鹽分含量、粗糙度和質(zhì)地等方面存在一定差異造成的。有研究指出，土壤成分對光譜模型的性能有很大的影響，因此GC法的適用性有待商榷[42]。對比5種模型建模效果，發(fā)現(xiàn)全局模型中SVM和BPNN機器算法比傳統(tǒng)建模方法PLSR在含鹽量反演中的可靠性更高，這與王飛等[43]、張智韜等[21]在對含鹽量反演中，機器學習模型的精度遠高于傳統(tǒng)模型的結(jié)論一致。但BPNN網(wǎng)絡結(jié)構(gòu)與節(jié)點設置均依靠經(jīng)驗，易于陷入局部極值及出現(xiàn)“過擬合”[44]。以往土壤含鹽量的光譜反演研究主要采用PLSR、MLR、BPNN等全局回歸模型，這些模型中均未考慮到回歸參數(shù)與空間位置的關(guān)系，只考慮研究區(qū)的平均值，而在實際研究過程中，數(shù)據(jù)建模的回歸參數(shù)是隨著地理位置而變化的。GWR作為一種局部多元回歸方法，在空間回歸等方面有較好的效果[45]。本文中GWR模型效果普遍較好于全局模型，且干季模型效果好于濕季，這是因為土壤鹽分的空間變異性是鹽漬土重要的自然屬性之一[19]，且干季含鹽量空間變異性大于濕季，空間變異程度越高，GWR模型精度越高[46]，但模型的實用性會受到一定限制[47]，而RR作為一種新型的多元回歸模型，在遙感領域部分學者在嘗試利用RR反演葉綠素濃度[15]、葉面積指數(shù)[48]、凈初級生產(chǎn)力(Net Primary Productivity, NPP)[34]和土壤含水率[14]等方面都得到了較好的效果，但是RR在含鹽量方面的研究較少見到，作為一種全局建模方法，本文中RR含鹽量反演模型也取得了較好的結(jié)果，但是效果不及SVM和BPNN模型，這可能是因為RR模型在值選擇上存在著一定的主觀人為性，且操作過程較為復雜，所以降低了模型的簡便性和穩(wěn)定性。有研究指出RR作為一種有偏估計方法，雖然放棄了最小二乘的無偏性、放棄部分精確度，回歸效果稍差，但是其更符合實際的回歸過程[49]。需要指出的是，土壤鹽分組成復雜，且呈現(xiàn)嚴重的區(qū)域性和空間變異性，因此某一種算法在不同地區(qū)可能出現(xiàn)不同的效果，因此在具體研究中應具體分析[19,50]。

本文利用5種回歸方法進行了土壤含鹽量反演，在后續(xù)的研究將進一步擴大樣本數(shù)量，利用長時間序列的實測和影像數(shù)據(jù)探討干濕季對土壤含鹽量影響，以提高模型的普適性與準確性。

4 結(jié) 論

1）研究區(qū)干濕兩季土壤含鹽量空間變異性均為強度變異，干季變異性大于濕季。在不同土壤鹽漬化條件下，實測高光譜重采樣波段與影像波段具有極顯著相關(guān)性。

2）基于相關(guān)性分析確定的干濕季實測和影像特征光譜數(shù)量最多，但干季影像與含鹽量相關(guān)性分析均未通過顯著性檢驗；基于灰度關(guān)聯(lián)法確定的土壤特征光譜濕季影像較少；基于逐步回歸方法確定的特征光譜數(shù)量差異較大?；?種模型輸入變量構(gòu)建的含鹽量反演模型，逐步回歸組模型精度相對最高。

3）對比干濕季基于實測和影像模型的鹽分反演模型，局部回歸模型效果優(yōu)于全局回歸模型，其中全局模型中以支持向量機和BP神經(jīng)網(wǎng)絡模型精度較高，局部模型精度也因含鹽量特征的不同而不同，干季精度大于濕季。研究結(jié)果證實了局部回歸模型在土壤含鹽量反演方面的優(yōu)越性。

4）干季實測和影像均以灰度關(guān)聯(lián)-地理加權(quán)回歸模型反演效果最佳，而濕季實測以灰度關(guān)聯(lián)-支持向量機模型反演效果最佳；濕季影像則以相關(guān)性分析-地理加權(quán)回歸模型效果最佳。

[1] Scudiero E, Skaggs T H, Corwin D L. Comparative regional-scale soil salinity assessment with near-ground apparent electrical conductivity and remote sensing canopy reflectance[J]. Ecological Indicators, 2016, 70: 276-284.

[2] Whitney K, Scudiero E, Elaskary H M, et al. Validating the use of MODIS time series for salinity assessment over agricultural soils in California, USA[J]. Ecological Indicators, 2018, 93: 889-898.

[3] 李建國，濮勵杰，朱明，等. 土壤鹽漬化研究現(xiàn)狀及未來研究熱點[J]. 地理學報，2012，67(9)：1233-1245.

Li Jianguo, Pu Lijie, Zhu Ming, et al. The present situation and hot issues in the salt-affected soil research[J]. Acta Geographica Sinica, 2012, 67(9): 1233-1245. (in Chinese with English abstract)

[4] 黃帥，丁建麗，李相，等. 土壤鹽漬化高光譜特征分析與建模[J]. 土壤通報，2016，47(5)：1042-1048.

Huang Shuai, Ding Jianli, Li Xiang, et al. Hyperspectral characteristics analysis and modeling of soil salinization[J]. Chinese Journal of Soil Science, 2016, 47(5): 1042-1048. (in Chinese with English abstract)

[5] 陳仲新，任建強，唐華俊，等. 農(nóng)業(yè)遙感研究應用進展與展望[J]. 遙感學報，2016，20(5)：748-767.

Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748-767. (in Chinese with English abstract)

[6] 史舟，梁宗正，楊媛媛，等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機械學報，2015，46(2)：247-260.

Shi Zhou, Liang Zongzheng, Yang Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese with English abstract)

[7] 王飛，丁建麗，魏陽，等. 基于Landsat系列數(shù)據(jù)的鹽分指數(shù)和植被指數(shù)對土壤鹽度變異性的響應分析：以新疆天山南北典型綠洲為例[J]. 生態(tài)學報，2017，37(15)：5007-5022.

Wang Fei, Ding Jianli, Wei Yang, et al. Sensitivity analysis of soil salinity and vegetation indices to detect soil salinity variation by using Landsat series images: Applications in different oases in Xinjiang, China[J]. Acta Ecologica Sinica, 2017, 37(15): 5007-5022. (in Chinese with English abstract)

[8] Farahmand N, Sadeghi V. Estimating soil salinity in the dried lake bed of Urmia Lake using optical Sentinel-2 images and nonlinear regression Models[J/OL]. Journal of the Indian Society Remote Sensing(2020). https: //xs. Scihub. ltd/https: //doi. org/10. 1007/s12524-019-01100-8.

[9] Wang Jingzhe, Ding Jianli, Yu Danlin, et al. Capability of Sentinel-2 MSI 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.

[10] 王海峰. 基于高光譜遙感的土壤水鹽監(jiān)測模型研究[D]. 楊凌：西北農(nóng)林科技大學，2019.

Wang Haifeng. Hyperspectral Remote Sensing Based Models for Soil Moisture and Salinity Prediction[D]. Yangling: Northwest A&F University, 2019. (in Chinese with English abstract)

[11] 張俊華，賈萍萍，孫媛，等. 基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預測[J]. 農(nóng)業(yè)工程學報，2019，35(12)：106-115.

Zhang Junhua, Jia Pingping, Sun Yuan, et al. Prediction of salinity parameters in different saline soil layers based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2019, 35(12): 106-115. (in Chinese with English abstract)

[12] 馮娟，丁建麗，楊愛霞，等. 土壤鹽漬化信息遙感建模[J]. 干旱地區(qū)農(nóng)業(yè)研究，2018，36(1)：266-273.

Feng Juan, Ding Jianli, Yang Aixia, et al. Remote sensing modeling of soil salinization information in arid areas[J]. Agricultural Research in the Arid Areas, 2018, 36(1): 266-273. (in Chinese with English abstract)

[13] 劉恩，王軍濤，常步輝，等. 小開河引黃灌區(qū)土壤鹽漬化定量遙感反演[J]. 中國農(nóng)村水利水電，2019(12)：20-24.

Liu En, Wang Juntao, Chang Buhui, et al. Quantitative remote sensing inversion of soil salinization in Xiaokaihe Yellow River irrigation district [J]. China Rural Water and Hydropower, 2019(12): 20-24. (in Chinese with English abstract)

[14] 張智韜，王海峰，Arnon Karnieli，等. 基于嶺回歸的土壤含水率高光譜反演研究[J]. 農(nóng)業(yè)機械學報，2018，49(5)：240-248.

Zhang Zhitao, Wang Haifeng, Arnon Karnieli, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 240-248. (in Chinese with English abstract)

[15] Verrelst J, Mu?oz J, Alonso L, et al. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and -3[J]. Remote Sensing of Environment, 2012, 118: 127-139.

[16] 吳春生，黃翀，劉高煥，等. 黃河三角洲土壤含鹽量空間預測方法研究[J]. 資源科學，2016，38(4)：704-713.

Wu Chunsheng, Huang Chong, Liu Gaohuan, 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. (in Chinese with English abstract)

[17] Pelto C R, Elkins T A, Boyd H A. Automatic contouring of irregularly spaced data[J]. Geophysics, 1968, 33(3): 424-424.

[18] Fotheringham A S, Charlton M, Brunsdon C. The geography of parameter space: An investigation of spatial non-stationarity[J]. International Journal of Geographical Information Systems, 1996, 10(5): 605-627.

[19] Li H Y, Marchant B P, Webster R. Modelling the electrical conductivity of soil in the Yangtze delta in three dimensions[J]. Geoderma, 2016, 269: 119-125.

[20] 阿爾達克?克里木，塔西甫拉提?特依拜，張東，等. 基于高光譜的ASTER影像土壤鹽分模型校正及驗證[J]. 農(nóng)業(yè)工程學報，2016，32(12)：144-150.

Ardak·Kelimu, Tashpolat·Tiyip, Zhang Dong, et al. Calibration and validation of soil salinity estimation model based on measured hyperspectral and ASTER image[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2016, 32(12): 144-150. (in Chinese with English abstract)

[21] 張智韜，魏廣飛，姚志華，等. 基于無人機多光譜遙感的土壤含鹽量反演模型研究[J]. 農(nóng)業(yè)機械學報，2019，50(12)：151-160.

Zhang Zhitao, Wei Guangfei, Yao Zhihua, et al. Research on soil salt inversion model based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(12): 151-160. (in Chinese with English abstract)

[22] 賈萍萍，孫媛，尚天浩，等. 基于高光譜和Landsat-8 OLI影像的鹽漬化土壤水鹽估算模型構(gòu)建[J]. 生態(tài)學雜志，2020，39(7)：2456-2466.

Jia Pingping, Sun Yuan, Shang Tianhao, et al. Estimation models of soil water-salt based on hyperspectral and Landsat-8 OLI image[J]. Chinese Journal of Ecology, 2020，39(7): 2456-2466. (in Chinese with English abstract)

[23] 王遵親，祝壽全，俞仁培，等. 中國鹽漬土[M]. 北京：科學出版社，1993.

[24] Wang Xiaoping, Zhang Fei, Ding Jianli, et al. Estimation of soil salt content (SSC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR), Northwest China, based on a bootstrap-BP neural network model and optimal spectral indices[J]. Science of the Total Environment, 2018, 615, 918-930.

[25] Allbed A, Kumer L, Aldakheel Y Y, et al. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region[J]. Geoderma, 2014, 230-231: 1-8.

[26] Khan N M, Rastoskuev V V, Sato Y, et al. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management, 2005, 77(1): 96-109.

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

[28] Abbas A, Khan S. Using remote sensing techniques for appraisal of irrigated soil salinity[C].//New Zealand: MODSIM 2007 International Congress on Modelling and Simulation, 2007.

[29] 曹雷，丁建麗，玉米提?哈力克，等. 基于國產(chǎn)高分一號衛(wèi)星數(shù)據(jù)的區(qū)域土壤鹽漬化信息提取與建模[J]. 土壤學報，2016，53(6)：1399-1409.

Cao Lei, Ding Jianli, Umut·Halik, 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. (in Chinese with English abstract)

[30] Weng Yongling, Gong Peng, Zhu Zhiliang. Reflectance spectroscopy for the assessment of soil salt content in soils of the Yellow River Delta of China[J]. International Journal of Remote Sensing, 2008, 29(19): 5511-5531.

[31] 劉思峰，楊英杰，吳利豐. 灰色系統(tǒng)理論及其應用[M]. 北京：科學出版社，2015.

[32] Kennard R W, Stone L A. Computer aided design of experiments[J]. Technometrics, 1969, 11(1): 137-148.

[33] 于雷，洪永勝，耿雷，等. 基于偏最小二乘回歸的土壤有機質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學報，2015，31(14)：103-109.

Yu Lei, Hong Yongsheng, Geng Lei, et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(14): 103-109. (in Chinese with English abstract)

[34] 焦偉，陳亞寧，李稚，等. 基于多種回歸分析方法的西北干旱區(qū)植被NPP遙感反演研究[J]. 資源科學，2017，39(3)：545-556.

Jiao Wei, Chen Yaning, Li Zhi, et al. Inversion of net primary productivity in the arid region of Northwest China based on various regressions[J]. Resources Science, 2017, 39(3): 545-556. (in Chinese with English abstract)

[35] Xiao Zhenzhen, Li Yi, Feng Hao. Modeling soil cation concentration and sodium adsorption ratio using observed diffuse reflectance spectra[J]. Canadian Journal of Soil Science, 2016, 96(4): 372-385.

[36] 唐啟義. DPS數(shù)據(jù)處理系統(tǒng)[M]. 北京：科學出版社，2010.

[37] 于瀚辰，沈體雁，孫童. 中國ICT設備制造業(yè)的動態(tài)空間分異[J]. 地域研究與開發(fā)，2019，38(1)：1-5.

Yu Hanchen, Shen Tiyan, Sun Tong. Spatio-temporal heterogeneity of ICT equipment manufacturing industry in China[J]. Area Research and Development, 2019, 38(1): 1-5. (in Chinese with English abstract)

[38] 李傳華，趙軍，師銀芳，等. 基于變異系數(shù)的植被NPP人為影響定量研究：以石羊河流域為例[J]. 生態(tài)學報，2016，36(13)：4034-4044.

Li Chuanhua, Zhao Jun, Shi Yinfang, et al. The impact of human activities on net primary productivity based on the coefficient of variation: A case study of the Shiyang River Basin[J]. Acta Ecologica Sinica, 2016, 36(13): 4034-4044. (in Chinese with English abstract)

[39] 夏軍，張飛. 熱紅外光譜的干旱區(qū)土壤含鹽量遙感反演[J]. 光譜學與光譜分析，2019，39(4)：1063-1069.

Xia Jun, Zhang Fei. A study on remote sensing inversion of soil salt content in arid area based on thermal infrared spectrum[J]. Spectroscopy and Spectral Analysis, 2019, 39(4): 1063-1069. (in Chinese with English abstract)

[40] 王海峰，張智韜，Arnon Karnieli，等. 基于灰度關(guān)聯(lián)-嶺回歸的荒漠土壤有機質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學報，2018，34(14)：124-131.

Wang Haifeng, Zhang Zhitao, Arnon Karnieli, et al. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2018, 34(14): 124-131. (in Chinese with English abstract)

[41] 李明亮. 土壤有機質(zhì)高光譜灰色關(guān)聯(lián)度估測模型研究[D]. 泰安：山東農(nóng)業(yè)大學，2017.

Li Mingliang. Study on the Grey Relation Degree Estimation on Model of Soil Organic Matter Based on Hyperspectral[D]. Taian: Shandong Agricultural University, 2017. (in Chinese with English abstract)

[42] Viscarra Rossel R A, Webster R. Predicting soil properties from the Australian soil visible-near infrared spectroscopic database[J]. European Journal of Soil Science, 2012, 63(6): 848-860.

[43] 王飛，楊勝天，丁建麗，等. 環(huán)境敏感變量優(yōu)選及機器學習算法預測綠洲土壤鹽分[J]. 農(nóng)業(yè)工程學報，2018，34(22)：102-110.

Wang Fei, Yang Shengtian, Ding Jianli, et al. Environmental sensitive variable optimization and machine learning algorithm using in soil salt prediction at oasis[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2018, 34(22): 102-110. (in Chinese with English abstract)

[44] 林宇鋒，鄧洪敏，史興宇. 基于新的改進粒子群算法的BP神經(jīng)網(wǎng)絡在擬合非線性函數(shù)中的應用[J]. 計算機科學，2017，44(S2)：51-54.

Lin Yufeng, Deng Hongmin, Shi Xingyu. Application of BP neural network based on newly improved particle swarm optimization algorithm in fitting nonlinear function[J]. Computer science, 2017, 44(S2): 51-54. (in Chinese with English abstract)

[45] 趙明松，劉斌寅，盧宏亮，等. 基于地理加權(quán)回歸的地形平緩區(qū)土壤有機質(zhì)空間建模[J]. 農(nóng)業(yè)工程學報，2019，35(20)：102-110.

Zhao Mingsong, Liu Binyin, Lu Hongliang, et al. Spatial modeling of soil organic matter over low relief areas based on geographically weighted regression[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2019, 35(20): 102-110. (in Chinese with English abstract)

[46] 劉寧. 礦區(qū)耕地土壤重金屬含量GWR模型反演研究[D]. 長沙: 長沙理工大學，2018.

Liu Ning. Inversion of Heavy Metals with GWR Model in Arable Land in Mining Area[D]. Changsha: Changsha University of Science & Technology, 2018. (in Chinese with English abstract)

[47] 趙彥鋒，李豪杰，陳杰，等. 基于土壤變異解釋力的幾種土壤制圖方法的對比研究：以南陽市1 m土體土壤有機碳密度制圖為例[J]. 土壤學報，2017，55(1)：43-53.

Zhao Yanfeng, Li Haojie, Chen Jie, et al. Comparison between soil mapping approaches based on their ability explaining soil variability: A case of mapping soil organic carbon density of soil(1m) in Nanyang district[J]. Acta Pedologica Sinica, 2017, 55(1): 43-53. (in Chinese with English abstract)

[48] Caicedo J P R, Verrelst J, Munoz-Mari J, et al. Toward a semiautomatic machine learning retrieval of biophysical parameters[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(4): 1249-1259.

[49] 任媛媛，姚宏亮. 嶺回歸視角下金融數(shù)據(jù)分析與算法實現(xiàn)[J]. 經(jīng)濟研究導刊，2013(32)：206-209.

Ren Yuanyuan, Yao Hongliang. Financial data analysis and algorithm realization from the perspective of the ridge regression[J]. Economic Research Guide, 2013(32): 206-209. (in Chinese with English abstract)

[50] 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)：369-375.

Weng Yongling, Gong Peng. A Review on remote sensing technique for salt-affected soils[J]. Scientia Geographica Sinica, 2006, 26(3): 369-375. (in Chinese with English abstract)

Inversion of soil salinity in dry and wet seasons based on multi-source spectral data in Yinbei area of Ningxia, China

Jia Pingping, Shang Tianhao, Zhang Junhua※, Sun Yuan

(1.,750021,;2.,,750021,; 3.,750021,)

Soil salinization is one of the main causes of global desertification and soil degradation. Information data about salinity and alkalinity is essential to the treatment of alkalized soil for preventing its further degradation and sustainable development of agriculture. Soil salinization is often characterized with significant spatiotemporal dynamics. Taking the saline soil in Pingluo County as the research object, which is predominant in the Ningxia Yinbei area of Northwestern China, this study aims to explore the salt content of soil in dry and wet seasons, and then compare the accuracy of local models and global models, further to determine the optimal model for retrieving soil salinity using the hyperspectral and multispectral remote sensing. The specific processing is following, based on hyperspectral and Landsat 8 OLI image data in the dry season (April) and wet season (October), First, the hyperspectral data was resampled to the image band range for matching the two, whereas, the 11 salt indices under the two spectral data were calculated separately. Second, different algorithms including pearson correlation coefficient (PCC), stepwise regression (SR) and gray relational analysis (GRA) were applied for the sensitive band and index screening of the measured and image spectral data in the dry and wet seasons. Finally, the quantitative analysis models for soil salinity were established using the partial least squares regression (PLSR), support vector machine (SVM), ridge regression (RR), BP neural networks (BPNN), and geographically weighted regression (GWR) method, respectively. All these regression models were verified to select the optimal model, after comparing the effects of different input variables and different regression methods on the model precision. The results showed that: 1) The soil of the Yinbei region was strongly salt-affected, and the salt content in the wet and dry season was characterized by the intensity variation, where the variation degree of dry season was much higher than that of the wet season. 2) The resampling bands showed a good correlation with the image bands data under different soil salinity. 3) The SR group model achieved the best inversion effect, whereas, the PC and GC groups indicated advantages and disadvantages in different regression algorithms, after comparing of the2, RMSE and RPD of the salt salinity inversion model under the three filter variables of PCC, GC and SR. 4) In the five inversion models of soil salinity, the GWR model showed a higher accuracy. The SVM and BPNN algorithm performed similarly in the models, based on different variable groups, whereas, the RR performance was the worst, particularly a serious “overfitting” phenomenon in the PLSR model. The evaluation results demonstrated the superiority of the local regression over the global regression model for soil salinity. The measured GC-GWR model in dry season achieved the best inversion effect, where the values ofP2andRPD were 0.94 and 4.49, in the wet season, whereas, the imaged PCC-GWR model obtained the best inversion effect,where the values ofP2andRPD were 0.96 and 4.83. These findings can contribute to tackling the regional land salinization and degradation, as well as identification and prevention of soil salinization in local and similar areas, further to soil salinization monitoring and land reclamation in arid or semi-arid regions outside the current study area.

remote sensing; inversion; models; soil salt; spectral index; GWR model

賈萍萍，尚天浩，張俊華，等. 利用多源光譜信息反演寧夏銀北地區(qū)干濕季土壤含鹽量[J]. 農(nóng)業(yè)工程學報，2020，36(17)：125-134.doi：10.11975/j.issn.1002-6819.2020.17.015 http://www.tcsae.org

Jia Pingping, Shang Tianhao, Zhang Junhua, 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 (Transactions of the CSAE), 2020, 36(17): 125-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.17.015 http://www.tcsae.org

2020-05-14

2020-06-27

國家自然科學基金項目（41561078）；寧夏自然科學基金項目（2020AAC03113）

賈萍萍，主要從事荒漠化與水土保持的研究Email：1606425266@qq.com

張俊華，博士，研究員，博士生導師，主要從事精準農(nóng)業(yè)與土壤質(zhì)量提升研究。Email：zhangjunhua728@163.com

10.11975/j.issn.1002-6819.2020.17.015

S127; TP79

A

1002-6819(2020)-17-0125-10