奚雪，趙庚星，高鵬，崔昆，李濤

基于Sentinel衛(wèi)星及無人機多光譜的濱海冬小麥種植區(qū)土壤鹽分反演研究——以黃三角墾利區(qū)為例

奚雪1，趙庚星1，高鵬1，崔昆1，李濤2

（1山東農業(yè)大學資源與環(huán)境學院/土肥資源高效利用國家工程實驗室，山東泰安 271018；2山東省土壤肥料總站，濟南 250100）

【】探究黃河三角洲麥田土壤鹽分準確高效的遙感提取方法，掌握土壤鹽漬化程度與分布。以墾利區(qū)為研究區(qū)，均勻布設冬小麥種植區(qū)樣點77個，同時設置代表性試驗區(qū)2個，網格布設樣點99個，實測采集麥田土壤表層鹽分數據及試驗區(qū)無人機多光譜圖像。篩選紅、綠、紅邊、近紅4個波段及SI、NDVI、DVI、RVI、GRVI 5個光譜指數中的敏感光譜參量，采用逐步回歸、偏最小二乘法、BP神經網絡及SVM支持向量機4種方法建立土壤鹽分估測模型，使用波段比值均值法得到Sentinel-2A衛(wèi)星影像相應波段的修正系數，進而將篩選的土壤鹽分估測模型轉換為基于衛(wèi)星影像的反演模型，經麥區(qū)實測樣點數據驗證，得到最佳的麥區(qū)土壤鹽分反演模型，實現試驗區(qū)和研究區(qū)2個尺度的麥田土壤鹽分反演。無人機4個波段及光譜指數NVDI、RVI、SI與土壤鹽分含量相關性顯著，4種建模方法的13個模型中，以NDVI、RVI、SI建立的4個指數模型的建模及驗證2均優(yōu)于其他模型；對4個模型進行升尺度修正及驗證，效果最佳的反演模型為偏最小二乘法光譜指數模型：Y=-9.4774×NDVI1+0.4794×RVI1+3.0747×SI1+5.0604，驗證2為0.513，為1.379；利用該模型反演得到了試驗區(qū)及整個研究區(qū)麥田土壤鹽分等級分布圖，結合實測插值及調查結果，證明反演模型及空間分布結果準確、可靠。本研究構建了衛(wèi)星、無人機一體化的濱海麥區(qū)土壤鹽分反演模型，對濱海鹽漬區(qū)農作物的生產管理有積極參考價值。

冬小麥；無人機；Sentinel-2A衛(wèi)星；土壤鹽分；反演模型

0 引言

【研究意義】土壤鹽漬化是國內外廣泛關注的生態(tài)環(huán)境問題，由于自然和人為因素的影響，我國北方干旱、半干旱和半濕潤地區(qū)鹽漬化土壤廣泛分布，濱海區(qū)域尤為突出，其中黃河三角洲自20世紀70年代開始，水沙減少、海水倒灌導致陸地水鹽失衡，嚴重的鹽漬化導致土壤退化、板結，地力降低限制了農作物的生長，嚴重阻礙了區(qū)域農業(yè)經濟的可持續(xù)發(fā)展[1]?！厩叭搜芯窟M展】傳統(tǒng)的土壤鹽分監(jiān)測方法為實地采樣化驗分析法，土壤采樣樣點數量受限且費時費力；電磁感應技術數據獲取均勻但處理較為復雜；而遙感圖像反演技術已經在土壤鹽分監(jiān)測上取得了較高的應用效果，且數據來源豐富、精度高、獲取方便快捷[2-3]。多數學者基于多源衛(wèi)星影像，結合光譜及地面數據建模，實現了土壤鹽分含量的大范圍定量反演[4-8]；陳俊英等[9]和Zhang等[10]結合不同空間尺度，使用星機地一體的多平臺遙感技術手段進行土壤鹽分反演，均取得較好結果；Song等[11]選取Landsat TM圖像的數字波段、植被指數和地形指數作為變量，利用廣義加性模型實現了土壤鹽分的定量估測。在植被生長與土壤鹽分含量關系遙感檢測方面，多數學者通過研究土壤鹽分與植被覆蓋、長勢等的時空變化，尋找兩者之間的定量關系，如賈吉超等[12]通過多時相影像疊加分析，研究了黃河三角洲典型區(qū)域麥棉種植面積的變化與土壤鹽分含量的關系，并建立了研究區(qū)土壤鹽分與小麥的長勢模型；張同瑞等[13]采用多光譜數據，篩選敏感光譜植被指數，建立并優(yōu)選出土壤鹽分含量監(jiān)測的最佳模型；Zhang等[14]通過對7種典型鹽敏植物的高光譜數據與其根區(qū)土壤樣品的鹽分含量進行分析，探討了黃河三角洲地區(qū)植被光譜與土壤鹽度的關系；張?zhí)炫e等[15]和張雪妮等[16]依據多種植物群落的空間變化，研究與之對應的土壤鹽分分布特征。在建模過程中，選擇敏感光譜參數與最佳建模類型和方法是提高模型精度的重要環(huán)節(jié)，如安德玉等[17]采用實測的高光譜數據進行多種模型的鹽分反演，結合HICO波段進行模型修正，從而得到了可運用于大尺度的反演模型。對于不同來源、不同尺度的光譜數據，采用敏感光譜波段組合、光譜指數篩選、改進、微分等方法進行處理，建立多類土壤鹽分估測模型，可以有效提升模型的土壤鹽分反演效果[18-25]。在模型類型的選擇上，多數學者使用線性回歸方法和機器學習算法建立反演土壤鹽分模型，比較了不同方法得到的反演模型的精度[26-29]?！颈狙芯壳腥朦c】在黃河三角洲濱海鹽漬土典型區(qū)，采用星機一體化的技術方法，專門針對冬小麥種植區(qū)域的土壤鹽分反演研究較為薄弱?！緮M解決的關鍵問題】本文通過實地調查獲取土壤鹽分數據，篩選無人機多光譜波段并構建光譜參數，建立小麥光譜與土壤鹽分間的多種關系模型，進而根據無人機圖像與衛(wèi)星影像關系進行模型修正，實現麥田土壤鹽分估測模型的升尺度反演，最終得到研究區(qū)冬小麥種植區(qū)域的土壤鹽分分布。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)選擇山東省東營市墾利區(qū)，位于東經117°90′—119°82′，北緯37°01′—37°99′，是黃河三角洲濱海鹽漬土的典型區(qū)域，地處暖溫帶半濕潤大陸性季風氣候區(qū)，光照充足降水少，蒸發(fā)大，旱澇不均，季節(jié)性干濕交替明顯。研究區(qū)地勢低平，自西南至東北降低，地表水來源為自然降水及黃河水，地下水礦化度高、埋深淺，主要土壤類型為鹽土和潮土，鹽化程度高，鹽漬土分布廣泛。種植的主要農作物為小麥、玉米和棉花，主要的種植區(qū)分布在區(qū)內西南部的地勢較高區(qū)和東北部的黃河沿岸區(qū)2個部分，其土壤鹽漬化變異明顯，是本研究的理想區(qū)域。

綜合墾利區(qū)域調查、地貌土壤及作物分布情況，分別在研究區(qū)西南部和東北部2個作物集中分布區(qū)，選擇A、B 2個試驗區(qū)，均處于麥田集中種植區(qū)域，耕作方式一致，灌排條件良好，小麥長勢存在空間差異性，具有較好的代表性。其中A試驗區(qū)為100 m×50 m的長方形區(qū)域，其南側分布著灌溉溝渠及農用道路，B試驗區(qū)為50 m×50 m的四邊形區(qū)域，其西側有灌溉溝渠及鄉(xiāng)道，其余相鄰區(qū)域均分布著麥田（圖1）。

圖1 研究區(qū)及試驗區(qū)分布圖

1.2 地面數據采集與處理

4月份墾利降雨較少，地表鹽化明顯、穩(wěn)定，各地類與農作物覆被差異顯著，其他主要農作物均未播種，冬小麥處于返青拔節(jié)期，便于提取光譜特征[30]。于2019年4月10日至16日進行了研究區(qū)野外調查，為確保布點均勻，研究區(qū)每5 km×5 km的網格內預布設3個樣點，最終采集了位于麥區(qū)的77個樣點。針對2個試驗區(qū)，分別在A、B試驗區(qū)的測量區(qū)域外圍邊界，每10 m放置一個插地牌，使用測繩連接后形成10 m×10 m的樣點格網，以其格網交叉點作為采樣點，最終共采集99個樣點數據，其中A試驗區(qū)63個，B試驗區(qū)36個。

使用TrimbleGeo7手持式差分GPS，測量試驗區(qū)四至點坐標作為無人機圖像空間校正的地面控制點。將EC110便攜式鹽分計進行電導率溫度校正后，對每個樣點植株下方0—10 cm土層厚度的土壤電導率（EC）進行多次測量，待穩(wěn)定后記錄，取測量值均值作為各樣點EC值，dS·m-1。根據前期研究結果[31]，利用公式SS= 2.18×EC+0.727，將實測EC數據轉換為土壤鹽分含量（SS），g·kg-1。

1.3 無人機圖像數據采集及預處理

使用Matrice600PRO六旋翼無人機搭載Sequoia多光譜相機采集多光譜數據，相機帶有4個120萬單色傳感器：綠（bG）、紅（bR）、紅邊（bREG）、近紅（bNIR）光譜波段，中心波長分別為550、660、735、790 nm。陽光傳感器可進行自校準，且?guī)в蠫PS模塊，每幅相片均存儲了地理標記。飛行時，天氣晴朗微風，飛行時間為10：00—14：00，飛行高度50 m，速度5 m·s-1，地面分辨率2—3 cm。

使用Pix4D軟件進行無人機多幅圖像拼接及輻射校正，ENVI5.3進行波段疊加與圖像裁剪，在ArcGIS10.1中使用控制點進行空間校正后展點，提取99個樣點在4個波段的像元反射率。

1.4 衛(wèi)星圖像獲取及預處理

Sentinel-2衛(wèi)星是具有高分辨率、重訪率及更新率的多光譜成像衛(wèi)星，包含A、B 2顆小衛(wèi)星，重訪周期5 d，主要載荷為MSI多光譜成像儀，覆蓋0.4—2.4 μm光譜范圍，包含10 m（4個波段）、20 m（6個波段）、60 m（3個波段）的地面分辨率，可監(jiān)測陸地植被生長、覆蓋、健康狀況，獲取農作物種植、土地利用變化等信息。本文下載2019年4月17日的Sentinel-2A衛(wèi)星影像（https://scihub.copernicus.eu/），選擇的Level-2A級產品是經輻射定標和大氣校正的大氣底層反射率數據。

選擇與無人機光譜波段中心波長相近的Sentinel衛(wèi)星波段：b3、b4、b6、b7，中心波長依次為560、665、740、783 nm，空間分辨率依次為10、10、20、20 m，在ENVI5.3中為影像統(tǒng)一投影坐標，進行重采樣、邊界裁剪、圖層疊加，輸出多波段影像。

1.5 基于無人機的土壤鹽分估測模型構建與驗證

根據植被冠層在可見光強吸收及近紅外強反射的特性，使用無人機采集的多波段光譜計算歸一化植被指數NDVI、差值植被指數DVI、比值植被指數RVI、綠波段比值植被指數GRVI和鹽分指數SI（表1）。

表1 光譜指數計算公式

將99個樣本隨機劃分為66個建模樣本和33個驗證樣本，對66個樣點土壤鹽分含量數據與無人機圖像4個波段、5種光譜指數進行相關性分析，利用公式=1/(1-r×r)（r為光譜參量間的相關系數）計算光譜參量間的方差膨脹因子（）[19]，排除相關性較低或＞10，即無法通過共線性診斷的參數。對敏感波段及光譜指數，分別在IBM SPSS19和Matlab R2012b軟件中使用線性逐步回歸方法、偏最小二乘法，建立統(tǒng)計分析模型，在Matlab R2012b軟件中使用BP神經網絡、支持向量機方法建立機器學習模型，其中BP神經網絡設置訓練的迭代次數1 000，精度0.003，學習速率為0.01；支持向量機方法設置類型為v-SVR，選用高斯核函數（RBF），通過網絡搜索和交叉驗證選擇最佳懲罰因子C與核函數參數gamma，訓練出支持向量機模型。

用33個樣本驗證所得模型，以決定系數2為主要評價依據，結合均方根誤差評價建模及驗證精度，2在0.50—0.65，0.66—0.81，0.82—0.90，0.91—1.00的閉區(qū)間內的預測能力依次為一般、中等、良好、優(yōu)秀[10]。分別篩選出4種方法中擁有較高2及相對較低的土壤鹽分估測模型，同時，基于試驗區(qū)衛(wèi)星影像數據，建立4個同方法、同光譜自變量的估測模型。通過比較兩者的模型精度，以驗證采用無人機多光譜建模是否提高了反演精度，確認無人機鹽分估測模型進行升尺度修正及應用的必要性，其中BP神經網絡模型根據其驗證精度進行篩選和比較。

1.6 基于衛(wèi)星影像的土壤鹽分反演模型修正與應用

1.6.1 衛(wèi)星影像的反射率修正及反演模型 由于衛(wèi)星數據及無人機圖像數據存在光譜分辨率的差異，需要對衛(wèi)星光譜波段進行修正，以期達到一體化的目的。在試驗區(qū)每個樣點對應的衛(wèi)星影像單個像元范圍內，提取無人機圖像各波段的平均反射率bRⅴGⅴREGⅴNIR及對應波段的衛(wèi)星單一像元反射率b3ⅴ4ⅴ6ⅴ7，參照前人研究[10]，選用比值均值法確定衛(wèi)星4個波段的修正系數C，公式如下：

式中，n為參與計算的樣點數量（n=99），以各波段修正系數乘以對應衛(wèi)星波段參量，對篩選出的模型中的光譜自變量進行修正后，得到升尺度土壤鹽分反演模型。

1.6.2 反演模型驗證 導出衛(wèi)星影像上研究區(qū)77個樣點的各波段像元值，計算修正后的光譜參數。升尺度土壤鹽分反演的統(tǒng)計分析模型代入修正后的光譜參數，得到的結果與冬小麥種植區(qū)實測鹽分數據進行相關性分析；機器學習模型則直接將修正的光譜參數、實測鹽分作為驗證集放入BP神經網絡及支持向量機模型中進行驗證，根據2、判斷模型修正效果。

1.6.3 研究區(qū)冬小麥分布信息提取及土壤鹽分反演 為得到研究區(qū)中的麥區(qū)空間分布，使用ENVI對Sentinel-2A多波段影像劃分小麥、居民點、水體、灘涂、荒地5類感興趣區(qū)，統(tǒng)計不同地物在各個波段的感興趣區(qū)像元值均值，計算NDVI均值，繪制折線以確定分類的閾值，建立決策樹模型進行地物分類，結合目視解譯提取研究區(qū)小麥種植區(qū)域。

綜合試驗區(qū)不同方法鹽分估測模型精度及研究區(qū)升尺度修正反演模型的驗證結果，篩選出2個尺度土壤鹽分反演的最佳模型，使用該模型進行土壤鹽分反演，得到試驗區(qū)及冬小麥種植區(qū)鹽分反演圖，使用反距離加權（inverse distance weighted，IDW）方法進行土壤鹽分實測值插值，得到2個尺度鹽分等級分布圖。統(tǒng)計反演圖與實測插值圖的等級面積比例，綜合2個圖的空間分布及不同等級占比變化趨勢的一致性，結合實際調查分析模型反演效果。土壤鹽漬化程度按照相關分級標準劃分為5個等級（表2）[34]。

2 結果

2.1 光譜參數篩選

4個無人機光譜波段及5種光譜指數與試驗區(qū)地面鹽分數據進行的相關性分析結果如表3—4所示。在相關性矩陣中，4個波段與土壤鹽分相關性均較好，光譜指數中的GRVI與土壤鹽分相關性較低，DVI與NDVI間的r為0.953，VIF值大于10，存在較強的多重共線性，故選擇4個波段和光譜指數NDVI、RVI、SI作為自變量進行建模。

2.2 土壤鹽分估測模型的構建與驗證

采用逐步回歸、偏最小二乘、BP神經網絡及SVM支持向量機方法，基于無人機多光譜圖像，以66個建模樣本的4個波段和3個光譜指數為自變量，土壤鹽分含量為因變量建立土壤鹽分估測模型，并使用33個驗證樣本對模型進行驗證（表5）?？梢钥闯?，4種建模方法的13個模型中，由NDVI、RVI、SI建立的4個光譜指數模型的建模和驗證精度均為最佳，均高于光譜波段模型。其中，建模精度最高的是支持向量機模型，2為0.835，但其驗證精度相比其他3個模型較低，說明該模型穩(wěn)定性較差。從逐步回歸模型可以看出，疊加敏感波段項、指數項可以逐步提高建模精度。使用4種建模方法，基于衛(wèi)星影像，以指數NDVI、RVI、SI為自變量建立土壤鹽分估測模型（表6）。通過比較發(fā)現，4個無人機光譜指數模型精度均高于同一方法的衛(wèi)星光譜指數模型，表明采用無人機光譜建模可以提高土壤鹽分的反演精度。因此，選擇由NDVI、RVI、SI建立的4個無人機光譜指數模型進行下一步的升尺度模型修正與驗證。

表2 墾利區(qū)土壤鹽漬化程度分級標準

表3 試驗區(qū)樣點各波段與實測土壤鹽分含量相關性

** 表示在 0.01水平（雙側）上顯著相關。下同

** indicates thesignificant correlationat0.01 level(bilateral). The same as below

表4 試驗區(qū)樣點光譜指數與實測土壤鹽分含量相關性

表5 基于無人機多光譜的土壤鹽分估測模型

2.3 反演模型的升尺度修正與驗證

2.3.2 反演模型修正 在試驗區(qū)每個樣點對應衛(wèi)星單個像元范圍內，統(tǒng)計無人機各波段圖像多個小像元的平均反射率，提取樣點的衛(wèi)星影像反射率，通過比值均值法，計算出衛(wèi)星數據每個波段的修正系數為0.82483（b3）、0.63767（b4）、0.51249（b6）和1.15859（b7），將4個模型的自變量NDVI、RVI、SI使用衛(wèi)星波段乘以修正系數進行修正，從而將基于無人機平臺的土壤鹽分估測模型轉換為基于衛(wèi)星影像的反演模型。修正后的基于衛(wèi)星圖像的各模型自變量為：

2.3.3 反演模型驗證 根據研究區(qū)中77個麥區(qū)樣點4個波段反射率，計算已修正的指數NDVI1、RVI1、SI1，分別代入4個修正后的反演模型，結合實測土壤鹽分含量進行驗證。其中逐步回歸反演模型Y=-10.287×NDVI1+0.651×RVI1+13.486×SI1+3.843的驗證2為0.485，為1.339；偏最小二乘模型Y=-9.4774×NDVI1+0.4794×RVI1+3.0747×SI1+5.0604的驗證2為0.513，為1.379。同樣地，將指數NDVI1、RVI1、SI1作為測試集放入已構建好的BP神經網絡和支持向量機模型進行驗證，結果2分別為0.436、0.387，分別為1.297、1.006。機器學習模型的驗證相對較低，而統(tǒng)計分析模型驗證2均高于機器學習模型，其中僅偏最小二乘法構建的指數模型2大于0.5。

2.4 模型應用與鹽分反演

綜合建模及2個尺度的驗證結果，4個模型中偏最小二乘法建立的光譜指數具有更好的適用性和穩(wěn)定性，選用該模型進行2個尺度的土壤鹽分反演。

2.4.1 試驗區(qū)土壤鹽分反演 基于試驗區(qū)土壤鹽分實測值和最佳模型，得到試驗區(qū)土壤鹽分等級分布（圖2），并對其進行等級面積統(tǒng)計（表7），總體看，麥田土壤鹽分的反演結果與實測結果基本一致，各等級面積占比的變化趨勢大致相同，而比較看，反演結果對土壤鹽分空間分布的反映則更為精細。試驗區(qū)A總體鹽漬化程度較高，無非鹽漬化及輕度鹽漬化土壤分布，中、重度鹽漬化土壤面積占83.72%，鹽土面積占16.28%。土壤鹽分含量呈現南部高、北部低趨勢，其中鹽土集中分布于西南部區(qū)域。試驗區(qū)B總體鹽漬化程度偏低，其中非鹽化和輕度鹽漬化土壤面積比例為39.11%，集中在小麥長勢良好的北部，而試驗區(qū)中部和南部重度鹽漬化土壤面積達50.63%，且空間分布差異不大。

圖2 試驗區(qū)土壤鹽分實測插值圖（左）及反演圖（右）

表7 試驗區(qū)土壤鹽分等級面積統(tǒng)計

2.4.2 研究區(qū)麥田面積與分布 對研究區(qū)典型地物光譜曲線進行分析（圖3），在b7波段各地類出現清晰反射率區(qū)間，水體、灘涂平均反射率小于0.2，首先被去除，NDVI均值大于0.2的地物為冬小麥，由此建立決策樹模型，提取冬小麥種植區(qū)域（圖4）。結果顯示，研究區(qū)麥田集中分布在墾利西南部及東北部黃河沿岸區(qū)域，提取結果符合冬小麥實際分布。

圖3 研究區(qū)典型地物光譜曲線（左）及冬小麥決策樹提取模型（右）

2.4.3 研究區(qū)麥田土壤鹽分升尺度反演 對比研究區(qū)麥區(qū)土壤鹽分反演及實測插值結果（圖4），結合其等級面積統(tǒng)計情況（表8），可以看出，土壤鹽分反演結果與空間插值結果一致，面積占比均呈現出隨著鹽漬化程度升高而減少的變化趨勢，與調查情況相符，表明麥區(qū)升尺度反演效果較好。研究區(qū)小麥種植區(qū)無非鹽漬化土壤分布，輕度鹽漬化土壤分布廣泛，面積占比達73.09%，集中在地勢相對較高的西南部和黃河淡水影響的東北部區(qū)域；中度鹽漬化土壤面積次之，占比14.01%，且在麥區(qū)零散分布；重度鹽漬化土壤及鹽土面積較小，集中分布于研究區(qū)中西部沿黃河灘區(qū)。

3 討論

在星機一體化的土壤鹽分反演研究中，針對農作物種植區(qū)域的土壤鹽分反演研究相對匱乏，需要深入細致的研究探索。本研究為提高采集的農作物光譜精度，使用格網交點采集地面數據，保障樣點的均勻及位置準確，無人機飛行高度較低，搭載 Sequoia多光譜相機的分辨率高達2—3 cm，保證了建模精度，因此，反演結果能更精確地反映小麥種植區(qū)的鹽分分布狀況。

表8 麥區(qū)土壤鹽分等級面積統(tǒng)計

圖4 麥區(qū)土壤鹽分實測插值圖（左）及升尺度反演圖（右）

植被覆蓋差異與土壤鹽分空間變化息息相關，特征光譜參數的選擇是土壤鹽分準確反演的重要基礎。本研究中，2個試驗區(qū)冬小麥長勢、覆蓋度差異較明顯，樣點間可見光與近紅外光譜差異增強，選用光譜指數進行土壤鹽分反演，增強了原本與土壤鹽分含量相關性接近的4個無人機光譜波段的敏感程度，提高了模型的精度及空間普適性，與前人研究結果相符[28, 35-36]。光譜指數中，GRVI及RVI與土壤鹽分相關性不高，這與前人研究中波段比值與土壤鹽分相關性較低的結果一致[22]。

本研究通過評價模型的精度、不同尺度的穩(wěn)定性和適應性篩選最佳土壤鹽分反演模型。選擇的評價指標決定系數2衡量模型的擬合程度，反映實測值與預測值的偏差，考慮前者性能度量在0—1之間，而后者對于數據沒有準確的度量范圍，故模型精度評價以2作為主要依據。本文建立的統(tǒng)計分析模型的建模2小于支持向量機模型，說明機器學習方法的數據擬合效率較高，這與前人機器學習算法土壤鹽分估測效果優(yōu)于多元線性回歸方法的研究結果一致[29]。但模型升尺度驗證時，4個模型精度均降低，可能與無人機和衛(wèi)星波段的中心波長存在5—13 nm的差異且大尺度農作物光譜狀況較為復雜有關。同時，由于BP神經網絡存在數據過擬合現象，使其預測能力與訓練能力出現矛盾，而支持向量機模型對新輸入樣本的泛化能力低[37-38]，可能導致了機器學習模型的穩(wěn)定性較低，精度降幅較大。

在試驗時期的考察選點盡量做到了均勻且具有代表性，使其插值結果較好地反映土壤鹽分的空間分布情況，但插值方法以距離權重進行賦值，在部分小區(qū)域內鹽分出現較大變化時，會在一定程度上影響插值準確性。試驗區(qū)的土壤鹽分反演結果與土壤鹽分的實測插值圖比較時，2個圖北部的鹽土區(qū)域分布存在一定的差異，此外，在試驗區(qū)和研究區(qū)需要減少對插值圖定量結果的依賴，而是要結合空間分布情況、各等級占比的相對變化趨勢及實際調查結果綜合驗證反演模型的應用效果。

本研究針對濱海冬小麥作物種植區(qū)，實現了多尺度、多類建模方法的土壤鹽分遙感反演，在此基礎上，后續(xù)需考慮區(qū)域中玉米、水稻等其他農作物類型，篩選適宜的光譜參數及高效反演模型，開展對農作物種植區(qū)的土壤鹽分系統(tǒng)定量研究；另外，為提高升尺度反演模型精度，升尺度反演中尺度間數據的修正方法也有待進一步的優(yōu)化。

4 結論

（1）基于冬小麥試驗區(qū)無人機圖像的多光譜波段，構建光譜指數，4個波段與土壤鹽分含量的相關性均大于0.6，5個光譜指數中篩選出了用于建模的NDVI、RVI、SI，使用4種方法構建了9個統(tǒng)計分析模型和4個機器學習模型，不同方法中由NDVI、RVI、SI建立的光譜指數模型綜合精度均優(yōu)于波段模型和基于衛(wèi)星影像的光譜指數模型。

（2）紅、綠、紅邊、近紅波段進行升尺度修正的修正系數分別為0.82483、0.63767、0.51249、1.15859，對4個試驗區(qū)估測模型進行修正，構建了基于衛(wèi)星波段的升尺度土壤鹽分反演模型，經驗證篩選出麥區(qū)最佳反演模型Y=-9.4774×NDVI1+0.4794×RVI1+3.0747× SI1+ 5.0604，驗證2為0.513。

（3）由最佳模型反演得到了試驗區(qū)及研究區(qū)2個尺度的麥區(qū)土壤鹽分等級分布圖，反演效果較好，表明模型有良好的預測能力和適用性。研究區(qū)小麥種植區(qū)土壤以輕度鹽漬化為主，面積占73.09%，集中在研究區(qū)地勢相對較高的西南部和黃河淡水影響的東北部區(qū)域，中度鹽漬化土壤在麥區(qū)零散分布，重度鹽漬化及鹽土則分布于中西部沿黃灘區(qū)。

本研究綜合衛(wèi)星、無人機及地面數據，采用統(tǒng)計分析和機器學習的建模方法，得到了星機一體化的麥區(qū)土壤鹽分反演最佳模型，為把握麥區(qū)土壤鹽分等級分布狀況、指導研究區(qū)農業(yè)生產提供了科學依據。

[1] 王建華, 胡鵬, 龔家國. 實施黃河口大保護推動黃河流域生態(tài)文明建設. 人民黃河, 2019, 41(10): 7-10.

WANG J H, HU P, GONG J G. Taking the great protection of the Yellow River estuary as the grasp to promote the construction of ecological civilization in the Yellow River basin., 2019, 41(10): 7-10. (in Chinese)

[2] 劉麗娟, 李小玉. 干旱區(qū)土壤鹽分積累過程研究進展. 生態(tài)學雜志, 2019, 38(3): 891-898.

LIU L J, LI X Y. Progress in the study of soil salt accumulation in arid region., 2019, 38(3): 891-898. (in Chinese)

[3] 張順, 賈永剛, 連勝利, 付騰飛, 潘玉英. 電導率法在土壤鹽漬化中的改進和應用進展. 土壤通報, 2014, 45(3): 754-759.

ZHANG S, JIA Y G, LIAN S L, FU T F, PAN Y Y. Application and improvement of electrical conductivity measurements in soil salinity., 2014, 45(3): 754-759. (in Chinese)

[4] 阿爾達克·克里木, 塔西甫拉提·特依拜, 張東, 依力亞斯江·努爾麥麥提. 基于高光譜的ASTER影像土壤鹽分模型校正及驗證. 農業(yè)工程學報, 2016, 32(12): 144-150.

Ardak K l m, TaXIpUlat T y p, ZHANG D, IlyasJ N r m m t. Calibration and validation of soil salinity estimation model based on measured hyperspectral and Aster image., 2016, 32(12): 144-150. (in Chinese)

[5] 吳亞坤, 劉廣明, 蘇里坦, 楊勁松. 多源數據的區(qū)域土壤鹽漬化精確評估. 光譜學與光譜分析, 2018, 38(11): 3528-3533.

WU Y K, LIU G M, SU L T, YANG J S. Accurate evaluation of regional soil salinization using multi-source data., 2018, 38(11): 3528-3533. (in Chinese)

[6] 胡盈盈, 王瑞燕, 陳紅艷, 李玉萍, 劉燕群. 黃河三角洲春秋兩季土壤鹽分遙感反演及時空變異研究. 測繪與空間地理信息, 2018, 41(8): 78-81.

HU Y Y, WANG R Y, CHEN H Y, LI Y P, LIU Y Q. Research on remote sensing retrieval and temporal variation of soil salinity in the spring and autumn of the Yellow River Delta., 2018, 41(8): 78-81. (in Chinese)

[7] SCUDIERO E, SKAGGS T H, CORWIN D L. Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance., 2015, 169: 335-343.

[8] 梁靜, 丁建麗, 王敬哲, 王飛. 基于反射光譜與 Landsat 8 OLI 多光譜數據的艾比湖濕地土壤鹽分估算. 土壤學報, 2019, 56(2): 320-330.

LIANG J, DING J L, WANG J Z, WANG F. Quantitative estimationand mapping of soil salinity in the Ebinur Lake wetland based on Vis-NIR reflectance and Landsat 8 OLI data., 2019, 56(2): 320-330. (in Chinese)

[9] 陳俊英, 王新濤, 張智韜, 韓佳, 姚志華, 魏廣飛. 基于無人機-衛(wèi)星遙感升尺度的土壤鹽漬化監(jiān)測方法. 農業(yè)機械學報, 2019, 50(12): 161-169.

CHEN J Y, WANG X T, ZHANG Z T, HAN J, YAO Z H, WEI G F. Soil salinization monitoring method based on UAV-satellite remote sensing scale-up., 2019, 50(12):161-169. (in Chinese)

[10] Zhang S m, Zhao G x. A harmonious satellite-unmanned aerial vehicle-ground measurement inversion method for monitoring salinity in coastal saline soil., 2019, 11(14): 1700.

[11] Song C Y, Ren H X, Huang C. Estimating soil salinity in the Yellow River delta, Eastern China—An integrated approach using spectral and terrain indices with the generalized additive model.2016, 26(5): 626-635.

[12] 賈吉超, 趙庚星, 高明秀, 王卓然, 常春艷, 姜曙千, 李晉. 黃河三角洲典型區(qū)域冬小麥播種面積變化與土壤鹽分關系研究. 植物營養(yǎng)與肥料學報, 2015, 21(5): 1200-1208.

JIA J C, ZHAO G X, GAO M X, WANG Z R, CHANG C Y, JIANG S Q, LI J. Study on the relationship between winter wheat sowing area changes and soil salinity in the typical area of the Yellow River delta., 2015, 21(5): 1200-1208. (in Chinese)

[13] 張同瑞, 趙庚星, 高明秀, 王卓然, 賈吉超, 李萍, 安德玉. 基于近地面多光譜的黃河三角洲典型地區(qū)土壤含鹽量估算研究. 光譜學與光譜分析, 2016, 36(1): 248-253.

ZHANG T R, ZHAO G X, GAO M X, WANG Z R, JIA J C, LI P, AN D Y. Soil salinity estimation based on near-ground multispectral imagery in typical area of the Yellow River Delta., 2016, 36(1): 248-253. (in Chinese)

[14] Zhang T T , Zeng S L , Gao Y, QUYANG Z T, LI B, FANG C M, ZHAO B. Using hyperspectral vegetation indices as a proxy to monitor soil salinity., 2011, 11(6): 1552-1562.

[15] 張?zhí)炫e, 陳永金, 劉加珍. 黃河三角洲濕地不同植物群落土壤鹽分分布特征. 浙江農業(yè)學報, 2018, 30(11): 1915-1924.

ZHANG T J, CHEN Y J, LIU J Z. Characteristics of spatial distribution of soil salinity under different plant communities on wetland in Yellow River Delta., 2018, 30(11): 1915-1924. (in Chinese)

[16] 張雪妮, 呂光輝, 楊曉東, 貢璐, 秦璐, 何學敏, 劉昊奇. 基于鹽分梯度的荒漠植物多樣性與群落、種間聯(lián)接響應. 生態(tài)學報, 2013, 33(18): 5714-5722.

ZHANG X N, Lü G H, YANG X D,GONG L, QIN L, HE X M, LIU H Q. Responses of desert plant diversity, community and interspecific association to soil salinity gradient., 2013, 33(18): 5714-5722. (in Chinese)

[17] 安德玉, 邢前國, 趙庚星. 基于HICO波段的濱海土壤鹽分遙感反演研究. 海洋學報, 2018, 40(6): 51-59.

AN D Y, XING Q G, ZHAO G X. Hyperspectral remote sensing of soil salinity for coastal saline soil in the Yellow River Delta based on HICO bands., 2018, 40(6): 51-59. (in Chinese)

[18] 張素銘, 趙庚星, 王卓然, 肖楊, 郎坤. 濱海鹽漬區(qū)土壤鹽分遙感反演及動態(tài)監(jiān)測. 農業(yè)資源與環(huán)境學報, 2018, 35(4): 349-358.

ZHANG S M, ZHAO G X, WANG Z R, XIAO Y, LANG K. Remote sensing inversion and dynamic monitoring of soil salt in coastal saline area.2018, 35(4): 349-358. (in Chinese)

[19] 陳紅艷, 趙庚星, 陳敬春, 王瑞燕, 高明秀. 基于改進植被指數的黃河口區(qū)鹽漬土鹽分遙感反演. 農業(yè)工程學報, 2015, 31(5): 107-114.

CHEN H Y, ZHAO G X, CHEN J C, WANG R Y, GAO M X. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River., 2015, 31(5): 107-114. (in Chinese)

[20] 周曉紅, 張飛, 張海威, 張賢龍, 袁婕. 艾比湖濕地自然保護區(qū)土壤鹽分多光譜遙感反演模型. 光譜學與光譜分析, 2019, 39(4): 12 29-1235.

ZHOU X H, ZHANG F, ZHANG H W, ZHANG X L, YUAN J. A study of soil salinity inversion based on multispectral remote sensing index in Ebinur Lake Wetland Nature Reserve., 2019, 39(4): 1229-1235. (in Chinese)

[21] 張賢龍, 張飛, 張海威, 李哲, 海清, 陳麗華. 基于光譜變換的高光譜指數土壤鹽分反演模型優(yōu)選. 農業(yè)工程學報, 2018, 34(1): 110- 117.

ZHANG X L, ZHANG F, ZHANG H W, LI Z, HAI Q, CHEN L H. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index., 2018, 34(1): 110-117. (in Chinese)

[22] 王丹陽, 陳紅艷, 王桂峰, 叢津橋, 王向鋒, 魏學文. 無人機多光譜反演黃河口重度鹽漬土鹽分的研究. 中國農業(yè)科學, 2019, 52(10): 1698-1709.

WANG D Y, CHEN H Y, WANG G F, CONG J Q, WANG X F, WEI X W. Salinity inversion of severe saline soil in the Yellow River estuary based on UAV multi-spectra., 2019, 52(10): 1698-1709. (in Chinese)

[23] Hamzeh S, Naseri A A, Alavipanah S K, Mojaradi B, Bartholomeus H M, CLEVERS J G P W, BEHZAD M. Estimating salinity stress in sugarcane fields with spaceborne hyperspectral vegetation indices., 2013, 21: 282-290.

[24] 朱赟, 申廣榮, 項巧巧, 吳裕. 基于不同光譜變換的土壤鹽含量光譜特征分析. 土壤通報, 2017, 48(3): 560-568.

ZHU Y, SHEN G R, XIANG Q Q, WU Y. Spectral characteristics of soil salinity based on different pre-processing methods., 2017, 48(3): 560-568. (in Chinese)

[25] 姚遠, 丁建麗, 張芳, 趙振亮, 江紅南. 基于高光譜指數和電磁感應技術的區(qū)域土壤鹽漬化監(jiān)測模型. 光譜學與光譜分析, 2013, 33(6): 1658-1664.

YAO Y, DING J L, ZHANG F, ZHAO Z L, JIANG H N. Research on model of soil salinization monitoring based on hyperspectral index and EM38., 2013, 33(6): 1658-1664. (in Chinese)

[26] 厲彥玲, 趙庚星, 常春艷, 王卓然, 王凌, 鄭佳榮. OLI與HSI影像融合的土壤鹽分反演模型. 農業(yè)工程學報, 2017, 33(21): 173-180.

LI Y L, ZHAO G X, CHENG C Y, WANG Z R, WANG L, ZHENG J R. Soil salinity retrieval model based on OLI and HSI image fusion., 2017, 33(21): 173-180. (in Chinese)

[27] 馮娟, 丁建麗, 楊愛霞, 蔡亮紅. 干旱區(qū)土壤鹽漬化信息遙感建模. 干旱地區(qū)農業(yè)研究, 2018, 36(1): 266-273.

FENG J, DING J L, YANG A X, CAI L H. Remote sensing modeling of soil salinization information in arid areas., 2018, 36(1): 266-273. (in Chinese)

[28] 曹肖奕, 丁建麗, 葛翔宇, 王敬哲. 基于光譜指數與機器學習算法的土壤電導率估算研究. 土壤學報, 2020, 56(4): 867-877.

CAO X Y, DING J L, GE X Y, WANG J Z. Estimation of soil electrical conductivity based on spectral index and machine learning algorithm., 2020, 56(4): 867-877. (in Chinese)

[29] 張智韜, 魏廣飛, 姚志華, 譚丞軒, 王新濤, 韓佳. 基于無人機多光譜遙感的土壤含鹽量反演模型研究. 農業(yè)機械學報, 2019, 50(12):151-160.

ZHANG Z T, WEI G F, YAO Z H, TAN C X, WANG X T, HAN J. Soil salt inversion model based on UAV multispectral remote sensing., 2019, 50(12):151-160. (in Chinese)

[30] 林芬, 趙庚星, 常春艷, 王卓然, 李慧. 基于相鄰軌道圖像的冬小麥面積提取及長勢分析. 農業(yè)資源與環(huán)境學報, 2016, 33(4): 384-389.

LIN F, ZHAO G X, CHANG C Y, WANG Z R, LI H. Extraction of winter wheat area and growth analysis based on remote sensing imagery of adjacent tracks., 2016, 33(4): 384-389. (in Chinese)

[31] 王卓然, 趙庚星, 高明秀, 常春艷, 姜曙千, 賈吉超, 李晉. 黃河三角洲墾利縣夏季土壤水鹽空間變異及土壤鹽分微域特征. 生態(tài)學報, 2016, 36(4): 1040-1049.

WANG Z R,ZHAO G X, GAO M X, CHANG C Y, JIANG S Q, JIA J C, LI J. Spatial variation of soil water and salt and microscopic variation of soil salinity in summer in typical area of the Yellow River Delta in Kenli county., 2016, 36(4): 1040-1049. (in Chinese)

[32] 方孝榮, 高俊峰, 謝傳奇, 朱逢樂, 黃凌霞, 何勇. 農作物冠層光譜信息檢測技術及方法綜述. 光譜學與光譜分析, 2015, 35(7): 1949-1955.

FANG X R, GAO J F, XIE C Q, ZHU F L, HUANG L X, HE Y. Review of crop canopy spectral information detection technology and methods., 2015, 35(7): 1949– 1955 . (in Chinese)

[33] Douaoui A E K, Nicolas H, Walter C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data., 2006, 134(1/2): 217-230.

[34] 鮑士旦. 土壤農化分析. 北京: 中國農業(yè)出版社, 2000.

BAO S D.. Beijing: China Agricultural Press, 2000. (in Chinese)

[35] Nguyen K A, Liou Y A, Tran H, Hoang P P, Nguyen T H. Soil salinity assessment by using nearinfrared channel and vegetation soil salinity index derived from Landsat 8 OLI data: a case study in the Tra Vinh province, Mekong Delta, Vietnam., 2020, 7(1).

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

[37] 葛哲學, 孫志強. 神經網絡理論與MATLAB R2007實現. 北京: 電子工業(yè)出版社, 2005.

GE Z X, SUN Z Q.. Beijing: Publishing House of Electronics Industry, 2005. (in Chinese)

[38] 丁世飛, 齊丙娟, 譚紅艷. 支持向量機理論與算法研究綜述. 電子科技大學學報, 2011, 40(1): 2-10.

DING S F, QI B J, TAN H Y. An overview on theory and algorithm of support vector machines., 2011, 40(1): 2-10. (in Chinese)

Inversion of Soil Salinity in Coastal Winter Wheat Growing Area Based on Sentinel Satellite and Unmanned Aerial Vehicle multi-spectrum— A Case Study in Kenli District of the Yellow River delta

XI Xue1, ZHAO GengXing1, GAO Peng1, CUI Kun1, LI Tao2

(1College of Resources and Environment, Shandong Agricultural University/National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Tai’an 271018, Shandong;2Soil and Fertilizer Working Station of Shandong, Jinan 250100)

【】The purpose of this paper was to explore an accurate and efficient remote sensing method for soil salinity extraction of wheat field in the Yellow River Delta, and obtain the degree and distribution of soil salinization of wheat fields.【】this study took Kenli District as the research area, and set 77 sample points in winter wheat growing area evenly. At the same time, two representative test areas and 99 grid sample points were set, and the surface soil salinity data in wheat field and the multi-spectral images of UAV in the test area were collected. The sensitive spectral parameters were screened from four spectral bands (red, green, red edge, and near-infrared) and five spectral indexes (SI, NDVI, DVI, RVI, and GRVI). Stepwise regression, partial least squares, BP neural network and support vector machine methods were used to establish models for predicting the soil salinity,and the band ratio mean method was used to obtain the correction coefficient of the corresponding band of sentinel-2A satellite image. And then the selected soil salinity estimation model was converted into an inversion model based on satellite image. After using the data from the wheat field sample points to verify the models, the best soil salinity inversion model in wheat field was selected, and two scales of soil salinity inversion are realized in the test areas and the research area.【】The results showed that the four bands of UAV and the spectral indexes NVDI, RVI and SI were significantly correlated with soil salinity. Among the 13 models of the four modeling methods, the four index models established by NDVI, RVI and SI were better than the other models in modeling and verifying2; the best inversion model was the spectral index model obtained by partial least square method: Y=-9.4774×NDVI1+ 0.4794×RVI1+ 3.0747×SI1+ 5.0604, and the accuracy2was 0.513 andwas 1.379. By using this model, the soil salinity distribution map of the test area and the whole wheat area was obtained.Combined with the measured interpolation and the survey, the inversion model and spatial distribution results were proved to be accurate and reliable. 【】In this study, the soil salinity inversion model of the coastal wheat area based on the integration of satellite and UAV was constructed, which had positive reference value for the production and management of crops in the coastal saline area.

winter wheat; unmanned aerial vehicle; sentinel-2A satellite; soil salinity; inversion model

10.3864/j.issn.0578-1752.2020.24.004

2020-03-07；

2020-05-05

國家自然科學基金（41877003）、山東省重大科技創(chuàng)新工程項目（2019JZZY010724）、山東省“雙一流”獎補資金（SYL2017XTTD02）

奚雪，E-mail：1349637259@qq.com。通信作者趙庚星，E-mail：zhaogx@sdau.edu.cn

（責任編輯 楊鑫浩）