馮文哲，王新濤,2，韓 佳,2，趙億祥，梁 磊，李定乾，唐新新，張智韜,2

(1.西北農(nóng)林科技大學(xué),水利與建筑工程學(xué)院，陜西 楊凌 712100；2.西北農(nóng)林科技大學(xué),旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室，陜西 楊凌 712100)

0 引 言

土壤鹽漬化已成為干旱、半干旱地區(qū)土地退化的主要原因[1]，嚴(yán)重影響當(dāng)?shù)剞r(nóng)業(yè)經(jīng)濟(jì)的發(fā)展，同時(shí)對(duì)當(dāng)?shù)氐纳鷳B(tài)安全構(gòu)成威脅。準(zhǔn)確高效的獲取有關(guān)土壤鹽漬化的地理分布、面積、鹽漬化程度等方面的信息，對(duì)土壤鹽漬化防治以及灌區(qū)的可持續(xù)發(fā)展有著重要的意義。

衛(wèi)星遙感技術(shù)以其廣泛、宏觀、快速等優(yōu)點(diǎn)，已成為大范圍土壤鹽漬化監(jiān)測(cè)的新興手段，在國內(nèi)外得到了廣泛的應(yīng)用[2-8]。如周曉紅等[9]利用Landsat8 OLI多光譜遙感影像計(jì)算植被指數(shù)反演土壤含鹽量；Bouaziz[10]等利用MODIS遙感影像建立了預(yù)測(cè)半干旱地區(qū)土壤鹽漬化的線性光譜分解(Linear Spectral Unmixing)模型。這些研究雖取得了一定的成果，但衛(wèi)星數(shù)據(jù)普遍存在著高空間分辨率與高時(shí)間分辨率相矛盾的問題，為解決這個(gè)問題，王鵬新等[11]通過對(duì)MODIS數(shù)據(jù)進(jìn)行降尺度處理，發(fā)現(xiàn)監(jiān)測(cè)旱情的效果優(yōu)于降尺度前；蘇偉等[12]在反演LAI值時(shí)，發(fā)現(xiàn)經(jīng)過對(duì)Landsat8 OLI遙感影像升尺度處理，將數(shù)據(jù)內(nèi)在信息保存在低分辨率中，從而將點(diǎn)數(shù)據(jù)擴(kuò)展到面數(shù)據(jù)，反演精度明顯提高；王爽[13]等在構(gòu)建土壤鹽分監(jiān)測(cè)模型時(shí)發(fā)現(xiàn)，經(jīng)尺度轉(zhuǎn)換后的模型精度(R2=0.708 4)要優(yōu)于原模型(R2=0.592 5)。但以上均是衛(wèi)星數(shù)據(jù)間的尺度轉(zhuǎn)換。無人機(jī)作為新興的工具，具有便攜、高空間分辨率、靈活性高、飛行時(shí)間自主選擇和能搭載多種光譜相機(jī)等優(yōu)點(diǎn)，可快速高效的實(shí)現(xiàn)指定區(qū)域的遙感圖像獲取。將衛(wèi)星大范圍監(jiān)測(cè)的優(yōu)點(diǎn)與無人機(jī)高精度監(jiān)測(cè)的優(yōu)點(diǎn)相結(jié)合，可實(shí)現(xiàn)對(duì)土壤鹽漬化的大范圍高精度監(jiān)測(cè)，目前這方面的研究較少。陳俊英等[14]雖采用改進(jìn)的TsHARP升尺度方法，將無人機(jī)數(shù)據(jù)與衛(wèi)星數(shù)據(jù)相結(jié)合，通過無人機(jī)建立的趨勢(shì)面應(yīng)用到GF-1衛(wèi)星尺度上來實(shí)現(xiàn)監(jiān)測(cè)精度的提高，但其使用的是多元線性回歸、逐步回歸、嶺回歸這些傳統(tǒng)回歸方法，模型穩(wěn)定性較差、易受到變量數(shù)或樣本數(shù)的影響，同時(shí)傳統(tǒng)回歸方法可能存在估計(jì)和檢驗(yàn)誤差，使得預(yù)測(cè)精度受到一定限制。機(jī)器學(xué)習(xí)模型可以有效彌補(bǔ)傳統(tǒng)回歸方法的不足，已在土壤鹽分反演方面得到了許多應(yīng)用[15-17]。

因此本文以河套灌區(qū)沙壕渠灌域0～20、20～40 cm深度土壤為研究對(duì)象，采用BP神經(jīng)網(wǎng)絡(luò)模型、SVM模型、ELM模型，構(gòu)建無人機(jī)數(shù)據(jù)與GF-1衛(wèi)星數(shù)據(jù)的鹽漬化監(jiān)測(cè)模型，通過重采樣方法對(duì)無人機(jī)數(shù)據(jù)進(jìn)行尺度轉(zhuǎn)換，用尺度轉(zhuǎn)換后的無人機(jī)數(shù)據(jù)對(duì)GF-1衛(wèi)星數(shù)據(jù)進(jìn)行修正，并進(jìn)行建模比較，為提高衛(wèi)星遙感監(jiān)測(cè)土壤鹽漬化的精度提供參考。

1 材料與方法

1.1 研究區(qū)概況

沙壕渠灌域是內(nèi)蒙古河套灌區(qū)西北部解放閘灌域(40°30′～41°17′N,106°33′～107°31′E)內(nèi)的一個(gè)獨(dú)立個(gè)體。如圖1所示，該灌域位于西北高原地帶，平均海拔高于1 010 m，屬于典型的干旱半干旱性氣候。夏季高溫少雨，冬季嚴(yán)寒少雪，多年平均氣溫為7 ℃，多年均降雨量140 mm，蒸發(fā)量2 000 mm[15]。主要農(nóng)作物是小麥、白菜、葵花和玉米，同時(shí)還夾雜種植一些辣椒、番茄、西瓜等作物。由于降水少、蒸發(fā)大，再加之氣候等多種因素的共同作用，導(dǎo)致了此地較為嚴(yán)重的土壤鹽漬化問題。

圖1 研究區(qū)示意圖Fig.1 Map of research area

1.2 數(shù)據(jù)來源與處理

1.2.1 GF-1多光譜遙感影像的獲取及預(yù)處理

GF-1影像在中國資源衛(wèi)星應(yīng)用中心下載(www.cresda.com)。成像時(shí)間為2018年6月19日，與采集土壤樣點(diǎn)日期同步，高分一號(hào)衛(wèi)星數(shù)據(jù)的重訪周期為4 d，空間分辨率為16 m，包括了4個(gè)波段，分別為藍(lán)波段(450～520 nm)、綠波段(520～590 nm)、紅波段(630～690 nm)和近紅外波段(770～890 nm)。使用ENVI5.3.1軟件對(duì)下載好的影像進(jìn)行幾何精校正、輻射定標(biāo)、大氣校正等預(yù)處理，經(jīng)鑲嵌、剪裁后得到研究區(qū)域衛(wèi)星影像圖，再將實(shí)地測(cè)點(diǎn)的經(jīng)緯度信息導(dǎo)入到GF-1遙感影像里，提取各個(gè)實(shí)驗(yàn)點(diǎn)的像元反射率。

1.2.2 無人機(jī)多光譜遙感影像的獲取及預(yù)處理

本研究所使用的無人機(jī)為大疆創(chuàng)新科技有限公司生產(chǎn)的M600型六旋翼無人機(jī)，其搭載的多光譜相機(jī)傳感器為美國Tetracam公司生產(chǎn)的Mirco-MCA多光譜相機(jī)(簡稱MCA)，具有質(zhì)量輕、體積小及遠(yuǎn)程觸發(fā)的特點(diǎn)。MCA包括了6個(gè)波段的光譜采集通道，分別為藍(lán)波段(490 nm)、綠波段(550 nm)、紅波段(680 nm)、紅邊波段(720 nm)、近紅外波段1(800 nm)、近紅外波段2(900 nm)。實(shí)驗(yàn)選取了鹽漬化程度不同的5個(gè)區(qū)域進(jìn)行無人機(jī)飛行實(shí)驗(yàn)，無人機(jī)飛行模式按照提前規(guī)劃的航線飛行，拍照時(shí)相機(jī)鏡頭垂直向下，拍照模式為等時(shí)間間隔拍照。多光譜影像獲取時(shí)間為2018年6月中旬，飛行天氣晴朗，飛行高度為120 m，此時(shí)影像的地面分辨率為0.065 m。將多光譜正射影像進(jìn)行提取、配準(zhǔn)與合成處理后導(dǎo)出為6波段的多光譜TIF影像，提取圖像中對(duì)應(yīng)采樣點(diǎn)的反射率。

1.2.3 土壤鹽分?jǐn)?shù)據(jù)獲取

控制地面采樣時(shí)間、無人機(jī)飛行時(shí)間與GF-1衛(wèi)星過境時(shí)間一致，采用五點(diǎn)法于5個(gè)實(shí)驗(yàn)區(qū)均勻取樣，共設(shè)置80個(gè)采樣點(diǎn)。土樣采集編號(hào)后帶回實(shí)驗(yàn)室進(jìn)一步分析，將土樣配置為水土比為5∶1的土壤溶液，并攪拌、靜置、沉淀、過濾后，采用電導(dǎo)率儀(DDS-307型,上海佑科儀器公司)測(cè)定土壤溶液電導(dǎo)率，每個(gè)采樣點(diǎn)的電導(dǎo)率EC1∶5為5個(gè)土樣電導(dǎo)率的平均值，通過經(jīng)驗(yàn)公式計(jì)算土壤含鹽量SSC=(0.288 2EC1∶5+0.018 3)[18]。剔除3個(gè)異常值，將剩余的77個(gè)樣本從小到大排序，建模集和驗(yàn)證集按照2∶1的比例等間隔分配。設(shè)置建模集共51個(gè)樣本點(diǎn)，驗(yàn)證集共26個(gè)樣本點(diǎn)。無人機(jī)采樣點(diǎn)影像如圖2所示(僅展示其中一個(gè)區(qū)域)。

圖2 無人機(jī)采樣點(diǎn)影像Fig.2 Sampling point image of UAV

1.3 光譜指數(shù)構(gòu)建

共采用10個(gè)光譜指數(shù)，分別為歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)、鹽分指數(shù) (Salinity index,SI-T)、歸一化鹽分指數(shù)(Normalized difference soil index,NDSI)、鹽分指數(shù)1(Salinity index 1,SI1)、鹽分指數(shù)2(Salinity index 2,SI2)、鹽分指數(shù)3(Salinity index 3,SI3)、鹽分指數(shù)(Salinity index,S1)、鹽分指數(shù)(Salinity index,S2)、鹽分指數(shù)(Salinity index,S3)以及聯(lián)合光譜指數(shù)(Combined spectral response index,COSRI)，計(jì)算公式如表1所示。

表1 用于反演土壤鹽度的光譜指數(shù)Tab.1 Spectral index for inversion soil salinity

1.4 尺度轉(zhuǎn)換原理

無人機(jī)多光譜遙感影像和GF-1衛(wèi)星多光譜遙感影像的空間分辨率分別為0.065m以及16m，兩種影像在相同的面積內(nèi)包含的像元數(shù)相差較大，為減少這種誤差，需對(duì)無人機(jī)多光譜遙感影像數(shù)據(jù)作尺度轉(zhuǎn)換，盡量保持兩者像元數(shù)一致。

本研究采用重采樣方法對(duì)無人機(jī)數(shù)據(jù)進(jìn)行尺度上推，將分辨率為0.065 m的無人機(jī)數(shù)據(jù)上推至GF-1衛(wèi)星數(shù)據(jù)16 m的分辨率。具體做法為：找出時(shí)間范圍對(duì)應(yīng)的無人機(jī)和GF-1衛(wèi)星影像數(shù)據(jù)，找出研究區(qū)域，使用ENVI5.3.1軟件中重采樣的尺度上推方法對(duì)實(shí)驗(yàn)區(qū)域進(jìn)行尺度上推，得到尺度轉(zhuǎn)換后的無人機(jī)多光譜遙感數(shù)據(jù)。為提高GF-1衛(wèi)星反演模型的預(yù)測(cè)精度，增加預(yù)測(cè)的可靠性，采用尺度轉(zhuǎn)換后的無人機(jī)光譜指數(shù)修正GF-1衛(wèi)星數(shù)據(jù)光譜指數(shù)。這個(gè)修正方法是基于尺度轉(zhuǎn)換后的無人機(jī)數(shù)據(jù)與GF-1衛(wèi)星數(shù)據(jù)分辨率相同的前提下實(shí)現(xiàn)的，將無人機(jī)數(shù)據(jù)與GF-1衛(wèi)星數(shù)據(jù)相結(jié)合，因?yàn)橄嗤娣e內(nèi)包含的像元數(shù)大致相同，可減少由于分辨率問題引起的誤差，由于兩者成像時(shí)間相近，避免了時(shí)間滯后性引起的誤差。

大尺度上土壤鹽分模型的自變量，應(yīng)是修正后的光譜指數(shù)，計(jì)算式為：

S=f(XC)

(1)

式中：S為大尺度上模型反演的土壤含鹽量；f為鹽分反演函數(shù)；XC為修正后的光譜指數(shù)。

具體為無人機(jī)數(shù)據(jù)重采樣到16 m后構(gòu)建的光譜指數(shù)，乘以對(duì)應(yīng)的GF-1衛(wèi)星光譜指數(shù)。

1.5 模型介紹

1.5.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP(back propagation) 神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家提出的，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，有強(qiáng)大的非線性映射能力和自學(xué)能力，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，有學(xué)者將其應(yīng)用到鹽漬化程度反演監(jiān)測(cè)的問題中[24,25]。3層BP神經(jīng)網(wǎng)絡(luò)的普適性最強(qiáng)，本文采用3層BP神經(jīng)網(wǎng)絡(luò)，按照訓(xùn)練結(jié)果誤差相對(duì)較小的原則，應(yīng)用RStudio軟件編寫程序，建立土壤鹽分動(dòng)態(tài)模型，隱層節(jié)點(diǎn)數(shù)和權(quán)值的衰減參數(shù)通過多次實(shí)驗(yàn)及參數(shù)尋優(yōu)算法，最終確定隱層節(jié)點(diǎn)數(shù)為5、權(quán)值的衰減參數(shù)為0.001，其余參數(shù)取默認(rèn)值。

1.5.2 支持向量機(jī)模型

SVM是一類按監(jiān)督學(xué)習(xí)(supervised learning)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器(generalized linear classifier)。SVM模型是在以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則的理論基礎(chǔ)下，將原數(shù)據(jù)從線性可分的狀態(tài)轉(zhuǎn)化為線性不可分的狀態(tài)，盡可能避免離散值多等問題[26]，目前在回歸問題上也有應(yīng)用[27-30]。本文應(yīng)用RStudio軟件編寫程序，建立土壤鹽分動(dòng)態(tài)模型，設(shè)置核函數(shù)類型為“radial”，并且根據(jù)所寫的程序進(jìn)行參數(shù)尋優(yōu)，根據(jù)均方根誤差(RMSE)最小的原則確定了參數(shù)γ=0.01，C=1 000。

1.5.3 極限學(xué)習(xí)機(jī)模型

ELM是一類基于前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neuron Network, FNN)構(gòu)建的機(jī)器學(xué)習(xí)系統(tǒng)或方法，適用于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)問題[31]。在訓(xùn)練之前設(shè)置網(wǎng)絡(luò)隱含層節(jié)點(diǎn)個(gè)數(shù)和激勵(lì)函數(shù)，算法模型在執(zhí)行過程中自動(dòng)匹配隱含層和輸出層的輸出權(quán)值，它克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率較慢、很容易陷入局部最優(yōu)導(dǎo)致對(duì)整體結(jié)果造成誤差以及對(duì)學(xué)習(xí)率敏感等方面的缺點(diǎn)[32]，具有學(xué)習(xí)速度快、泛化性能良好、改進(jìn)潛力大等優(yōu)點(diǎn)。

1.6 評(píng)價(jià)指標(biāo)

本文采用R2、RMSE以及RPD來綜合評(píng)價(jià)模型精度。R2可以反映建模和驗(yàn)證的擬合精度高低；RMSE可以反映鹽分值預(yù)測(cè)結(jié)果與實(shí)際測(cè)得鹽分值之間的偏差度；而RPD可以反映模型預(yù)測(cè)能力的強(qiáng)弱。一般來說，當(dāng)RPD<1.0時(shí)表明模型不具備預(yù)測(cè)能力；當(dāng)1.0

(2)

(3)

2 結(jié)果與分析

2.1 土壤鹽漬化程度統(tǒng)計(jì)

利用實(shí)驗(yàn)室分析所得的土壤表層0～40 cm平均鹽分?jǐn)?shù)據(jù)(0～40 cm土層實(shí)測(cè)鹽分是20 cm與40 cm實(shí)測(cè)鹽分的平均值)，對(duì)77個(gè)采樣點(diǎn)含鹽量進(jìn)行統(tǒng)計(jì)處理，統(tǒng)計(jì)情況如表2所示。

表2 實(shí)驗(yàn)區(qū)鹽漬化程度Tab.2 Degree of salinization in the experimental area

變異系數(shù)是用來反應(yīng)數(shù)據(jù)離散程度的一個(gè)歸一化量度，相比于標(biāo)準(zhǔn)差，變異系數(shù)不需要參照數(shù)據(jù)的平均值，變異系數(shù)越大則說明變異程度越大。由表2可得知5塊地中實(shí)測(cè)值的變異程度的排序?yàn)椋旱谝粔K地>第四塊地>第三塊地>第五塊地>第二塊地。

將實(shí)驗(yàn)室分析所得的土壤含鹽量樣本分為4個(gè)等級(jí)[15]：非鹽漬化土(<0.2%)、輕度鹽漬化土(0.2%～0.5%)、重度鹽漬化土(0.5%～1.0%)和鹽土(>1.0%)。統(tǒng)計(jì)情況如表3所示。

表3 土壤鹽漬化程度Tab.3 Degree of soil salinization

2.2 土壤異質(zhì)性分析

鹽漬化程度不同的地區(qū)往往也會(huì)存在土壤異質(zhì)性[34]，本文引用洛倫茲曲線的原理來表征植被指數(shù)空間異質(zhì)性。由于NDVI是比較常見的光譜指數(shù)，故以NDVI的空間異質(zhì)性來表征土壤異質(zhì)性。實(shí)驗(yàn)在5塊地的無人機(jī)影像內(nèi)分別截取了2 000 m×2 000 m大小的部分，并將其繪制于圖3內(nèi)。

圖3 NDVI洛倫茲曲線Fig.3 The Lorenz curve of NDVI

圖3中的直線表示研究區(qū)域內(nèi)NDVI空間上的分布絕對(duì)均勻，而在實(shí)際中這個(gè)是不現(xiàn)實(shí)的，一般都為下凸的曲線，通過下凸程度的不同可以判斷出NDVI異質(zhì)性的大小。即下凸程度越大，此區(qū)域內(nèi)NDVI的分布越不均勻，異質(zhì)性也就越大。由圖3可以看出在5塊地中，NDVI異質(zhì)性的排序?yàn)椋旱谝粔K地>第四塊地>第三塊地>第五塊地>第二塊地。這與實(shí)驗(yàn)區(qū)實(shí)測(cè)鹽分變異系數(shù)大小順序一致，兩者呈正相關(guān)。

2.3 無人機(jī)數(shù)據(jù)與GF-1衛(wèi)星數(shù)據(jù)建模

將實(shí)測(cè)土壤鹽分值記為因變量組，無人機(jī)影像與衛(wèi)星圖像處理所得的NDVI、SI-T、NDSI、SI1、SI2、SI3、S1、S2、S3、COSRI等10個(gè)光譜指數(shù)分別記為不同的自變量組。

2.3.1 無人機(jī)數(shù)據(jù)反演土壤鹽分研究

將尺度轉(zhuǎn)換前的無人機(jī)數(shù)據(jù)作為自變量輸入模型，針對(duì)不同深度的實(shí)際狀況，分別采用BP、ELM、SVM機(jī)器學(xué)習(xí)回歸模型，R2、RMSE、RPD等作為模型精度的驗(yàn)證指標(biāo)，結(jié)果如表4所示。

表4 基于無人機(jī)數(shù)據(jù)下的土壤含鹽量模型評(píng)價(jià)表Tab.4 Evaluation table of soil salinity model based on UAV data

繁華盡去逐香塵，流水無情草自春。清秋走了，燕西走了，小玲走了，晚香走了，秀珠走了……金粉情場(chǎng)中的眾人最終身家敗落，各自飄零，攜帶著不同的心事和品格，失散在一個(gè)動(dòng)蕩的年代中。

2.3.2 GF-1衛(wèi)星數(shù)據(jù)反演土壤鹽分研究

將GF-1衛(wèi)星數(shù)據(jù)作為自變量輸入模型，針對(duì)不同深度的實(shí)際狀況，分別采用BP、SVM、ELM機(jī)器學(xué)習(xí)回歸模型，并做以模型精度指標(biāo)驗(yàn)證，得到的結(jié)果如表5所示。

表5 基于衛(wèi)星數(shù)據(jù)下的土壤含鹽量模型評(píng)價(jià)表Tab.5 Evaluation table of soil salinity model based on satellite data

2.4 修正后GF-1衛(wèi)星數(shù)據(jù)建模

將修正后的GF-1衛(wèi)星數(shù)據(jù)作為自變量輸入模型，分別建立BP、SVM、ELM機(jī)器學(xué)習(xí)回歸模型，并做以模型精度指標(biāo)驗(yàn)證，得到的結(jié)果如表6所示。

表6 基于修正后衛(wèi)星數(shù)據(jù)下的土壤含鹽量模型評(píng)價(jià)表Tab.6 Evaluation table of soil salinity model based on modified satellite data

2.5 模型綜合評(píng)價(jià)

不同數(shù)據(jù)源2種深度下的3種機(jī)器學(xué)習(xí)模型預(yù)測(cè)土壤鹽分值與實(shí)測(cè)土壤鹽分值比較如圖4所示。從圖4可以看出，GF-1衛(wèi)星數(shù)據(jù)模型的預(yù)測(cè)值與實(shí)測(cè)值的擬合效果不理想，并且在20 cm深度下極限學(xué)習(xí)機(jī)模型的預(yù)測(cè)值里還存在不合理的負(fù)值。無人機(jī)數(shù)據(jù)模型的預(yù)測(cè)值和實(shí)測(cè)值的擬合效果基本良好，除40 cm深度下的極限學(xué)習(xí)機(jī)模型之外，其余模型無不合理值出現(xiàn)，20 cm深度下3個(gè)模型中效果最好的是SVM模型；40 cm深度下3個(gè)模型中效果最好的是BP模型。在修正后的GF-1衛(wèi)星數(shù)據(jù)散點(diǎn)圖中，BP神經(jīng)網(wǎng)絡(luò)模型擬合效果最優(yōu)，且無不合理值出現(xiàn)，說明修正后的衛(wèi)星數(shù)據(jù)進(jìn)行土壤鹽分反演是行得通的。無人機(jī)數(shù)據(jù)和經(jīng)過修正后的GF-1衛(wèi)星數(shù)據(jù)模型的預(yù)測(cè)值與實(shí)測(cè)值的擬合效果均優(yōu)于GF-1衛(wèi)星數(shù)據(jù)模型。綜合散點(diǎn)圖可以得出20 cm深度的模型擬合效果均優(yōu)于40 cm深度的擬合效果。

圖4 土壤含鹽量預(yù)測(cè)值與實(shí)測(cè)值比較Fig.4 Comparison of soil salt content prediction with measured value

3 討 論

研究不同深度下的土壤鹽漬化模型，對(duì)實(shí)時(shí)監(jiān)測(cè)以及改善灌區(qū)土壤鹽漬化問題具有很大意義。本文通過3種機(jī)器學(xué)習(xí)算法對(duì)實(shí)驗(yàn)區(qū)的土壤含鹽量進(jìn)行建模反演，結(jié)果表明無人機(jī)數(shù)據(jù)建模精度均高于GF-1衛(wèi)星數(shù)據(jù)建模精度，這與陳俊英等[14]通過無人機(jī)與衛(wèi)星遙感升尺度鹽漬化監(jiān)測(cè)時(shí)，研究的結(jié)果基本一致。這是由于和GF-1衛(wèi)星數(shù)據(jù)相比，無人機(jī)數(shù)據(jù)的空間分辨率更高，且獲取數(shù)據(jù)的時(shí)間更加自由多變，可以人為選擇最適合飛行的時(shí)間段進(jìn)行實(shí)驗(yàn)，然而GF-1衛(wèi)星數(shù)據(jù)受到氣候環(huán)境因素影響更大。本文引入的3種回歸算法模型與傳統(tǒng)回歸模型相比，機(jī)器學(xué)習(xí)模型擁有極強(qiáng)的學(xué)習(xí)能力、逼近絕大多數(shù)非線性關(guān)系的能力、較強(qiáng)的泛化能力、較好的魯棒性和容錯(cuò)性，總的來看要優(yōu)于傳統(tǒng)的回歸模型[15-17]。

原始衛(wèi)星數(shù)據(jù)建模分析精度相對(duì)較低，本文使用無人機(jī)數(shù)據(jù)進(jìn)行重采樣，生成分辨率為16 m的遙感影像，通過其對(duì)衛(wèi)星光譜指數(shù)的修正，配合機(jī)器學(xué)習(xí)算法進(jìn)行擬合，提高了GF-1衛(wèi)星遙感數(shù)據(jù)對(duì)土壤含鹽量建模反演的精度，這與姚遠(yuǎn)等[35]研究的結(jié)果基本一致。由于尺度上推后的無人機(jī)數(shù)據(jù)對(duì)衛(wèi)星數(shù)據(jù)的修正以及機(jī)器學(xué)習(xí)算法的引入，兩者相結(jié)合，有效提高了衛(wèi)星遙感反演模型的精度與可靠性。在做機(jī)器學(xué)習(xí)模型預(yù)測(cè)值與實(shí)測(cè)值的擬合效果分析時(shí)，發(fā)現(xiàn)預(yù)測(cè)值中存在不合理的值，這有可能是作為自變量的光譜指數(shù)值自身存在著誤差，導(dǎo)致模型預(yù)測(cè)時(shí)出現(xiàn)不合理值。研究結(jié)果顯示20 cm深度下的土壤含鹽量預(yù)測(cè)效果要遠(yuǎn)遠(yuǎn)好于40 cm，這可能與當(dāng)?shù)氐臍夂蛱卣骷肮喔戎贫扔嘘P(guān)。三四月份春灌之后，五六月份還未到雨季，此時(shí)氣候干旱、蒸發(fā)強(qiáng)烈，正處于土壤返鹽狀態(tài)，大量鹽分上移至地表甚至析出，形成鹽殼等，故20 cm淺層土壤鹽分模型效果優(yōu)于40 cm。

傳統(tǒng)的重采樣尺度上推方法在保持遙感空間特征方面還有些許欠缺，且土壤鹽漬化的反演模型會(huì)受土的種類、灌溉情況、溫度、濕度、天氣狀況、甚至是在本文中所使用的尺度轉(zhuǎn)化方法和遙感平臺(tái)等多個(gè)因素的共同影響。因此本文所得的最優(yōu)土壤含鹽量反演模型也僅限于本次實(shí)驗(yàn)，在其他月份以及其他地區(qū)還需要進(jìn)一步的探索。

4 結(jié) 論

(1)對(duì)實(shí)驗(yàn)區(qū)的異質(zhì)性分析得到的結(jié)果為第一塊地>第四塊地>第三塊地>第五塊地>第二塊地。這與實(shí)驗(yàn)區(qū)實(shí)測(cè)鹽分變異系數(shù)大小順序一致。

(2)對(duì)比分析了基于不同數(shù)據(jù)源建立的模型精度，高分辨率的無人機(jī)數(shù)據(jù)模型精度統(tǒng)一優(yōu)于低分辨率的GF-1衛(wèi)星數(shù)據(jù)。無人機(jī)數(shù)據(jù)源下20 cm深度SVM模型最優(yōu)、40 cm深度BP模型最優(yōu)， 衛(wèi)星數(shù)據(jù)源下20 cm深度SVM模型最優(yōu)、40 cm深度BP模型最優(yōu)。

(3)對(duì)比發(fā)現(xiàn)通過尺度轉(zhuǎn)換后的無人機(jī)數(shù)據(jù)對(duì)GF-1衛(wèi)星數(shù)據(jù)修正，可提高GF-1衛(wèi)星遙感對(duì)土壤鹽漬化的監(jiān)測(cè)精度。BP模型R2可提高0.4～0.5，RMSE至少可減小0.061，RPD至少可提高1.308。