孫 媛，賈萍萍，尚天浩，張俊華

(1.寧夏大學資源環(huán)境學院，寧夏 銀川 750021；2.寧夏大學環(huán)境工程研究院，寧夏 銀川 750021)

土壤鹽堿化是土地退化的主要過程之一，已經成為全世界共同面臨的生態(tài)環(huán)境問題，尤其在干旱、半干旱地區(qū)，嚴重阻礙農業(yè)生產，威脅當地社會經濟的發(fā)展和生態(tài)環(huán)境的可持續(xù)發(fā)展[1]。及時獲取土壤鹽堿化時空分布信息，分析土壤鹽堿化變化范圍，對保障農業(yè)可持續(xù)生產、維持生態(tài)環(huán)境穩(wěn)定有重要作用[2-3]。

傳統(tǒng)土壤鹽堿化監(jiān)測手段主要是依靠實地采樣和實驗室分析，難以對大范圍區(qū)域進行實時、持續(xù)、準確地監(jiān)測。而遙感影像可以大面積、重復獲取區(qū)域多波段、多時相的地物信息，在速度、精度和成本方面凸顯優(yōu)勢，在土壤鹽堿化監(jiān)測方面具有良好的應用前景[4]。近年來很多學者利用遙感影像提取鹽堿化信息，如Landsat、MODIS、SPOT、IKONOS、Quick Bird和IRS系列等，篩選出敏感波段，構建土壤鹽分指數，對鹽漬化土壤鹽分、土壤表觀電導率(ECa)和土壤飽和溶液電導率(ECe)等進行估測，建立了土壤鹽漬化程度監(jiān)測體系[5-7]。這些研究大多是從遙感影像提取土壤鹽分指數來估測土壤鹽堿化程度。研究表明，鹽堿化土壤因其鹽堿含量超過正常閾值而影響植被的生理參數，導致植被冠層光譜在紅光波段出現(xiàn)反射率增加和近紅外波段反射率降低的現(xiàn)象[8]。研究表明，植被光譜指數與土壤表層屬性存在密切聯(lián)系，能夠有效地監(jiān)測土壤鹽堿化程度[9]。鑒于此，諸多研究者利用植被光譜間接估算土壤的鹽分含量，嘗試建立基于植被指數定量估算土壤鹽分的方法。這些指數包括：歸一化植被指數(Normalized difference vegetation index，NDVI)、比值植被指數(Ratio vegetation index，RVI)、差值植被指數(Difference vegetation index，DVI)、土壤調節(jié)植被指數(Soil adjusted vegetation index，SAVI)、修正的土壤調節(jié)植被指數(Modified soil adjusted vegetation index，MSAVI)、優(yōu)化的土壤調節(jié)植被指數(Optimized soil adjusted vegetation index，OSAVI)、廣義植被指數(Generalized difference vegetation index，GDVI)、增強型植被指數(Enhanced vegetation index，EVI)等[10-16]。但這些植被指數都僅利用可見光-近紅外2個波段組數據，沒有考慮其他波段(如信息量較大的短波紅外)，信息量不足難以進行綜合全面分析；而且只涉及2個波段組數據的植被指數往往存在明顯的相關關系而使得模型失真和不穩(wěn)定。有學者在此基礎上引入了短波紅外波段構建了擴展的增強型植被植數(Extentedenhanced vegetation index，EEVI)[17]、三波段差值植被指數(Three-band maximal gradient difference vegetation index，TGDVI)[18-19]，綜合考慮多個波段建立植被指數，大幅度降低了指數間的多重共線性，提高了土壤鹽分估算模型精度。也有學者將光譜變換方法與植被指數結合建立土壤鹽分估算模型，以提高土壤鹽分估測精度，為土壤鹽分估測提供一種新的思路[20]。此外，野外實測高光譜模型精度較高，但不適于大面積獲取土壤鹽堿化信息，而遙感影像覆蓋范圍大，且容易獲取，但精度較低，將實測高光譜數據與影像數據進行擬合，有助于提高大面積、高精度鹽堿化估測能力[21]。

盡管有不少研究綜合多光譜影像或高光譜影像與實測高光譜共同估測土壤鹽分，但所用高光譜數據多為土壤光譜，很少采用植被冠層光譜，且鮮有研究分別使用敏感波段和植被指數進行鹽分估測，針對鹽堿并存地區(qū)，同時估測含鹽量與pH值的研究就更為少見。因此，寧夏銀北地區(qū)因獨特的氣候條件和地理位置，分布著大面積的龜裂堿土，土壤pH值和堿化度高，含鹽量也較高。本文以寧夏銀北地區(qū)平羅縣為研究區(qū)，以實測植被光譜、Landsat 8 OLI影像以及植被冠層下土壤含鹽量、pH值為數據源，對光譜反射率進行不同形式的變換，確定最優(yōu)光譜變換形式，基于敏感波段和植被指數建立土壤含鹽量和pH值的最佳估測模型，并利用高光譜對影像多光譜估測模型進行校正，實現(xiàn)當地及同類地區(qū)大面積土壤鹽化和堿化程度的監(jiān)測。

1 材料與方法

1.1 研究區(qū)概況

平羅縣位于寧夏銀北平原東北部，地處38°26′60″～39°14′09″N和105°57′40″～106°52′52″E。海拔約為1 070～1 100 m，自西向東分為賀蘭山山地、山麓洪積扇地、西大灘碟形洼地、黃河近代沖積平原、河漫灘地和鄂爾多斯臺地六大地貌單元，地形西南高、東北低。該地區(qū)屬于典型的溫帶大陸性氣候，多年平均氣溫9.69℃，年均降水量約150～203 mm，年蒸發(fā)量為1 755.1 mm以上。由于蒸降比大，地勢低洼，地下水位較高，引發(fā)鹽分向上層土壤遷移，最終形成了大范圍的鹽堿土[22]。研究區(qū)主要土地利用方式為農業(yè)用地，種植的作物主要有枸杞、水稻、玉米、向日葵及少量小麥等。研究區(qū)內分布植被種類繁多，主要包括白刺(Nitrariatangutorum)、蘆葦(Phragmitesaustralis)、賴草(Leymussecalinus)、芨芨草(Achnatherumsplendens)、檉柳(Tamarixchinensis)、沙棗(Elaeagnusangustifolia)、堿蓬(Suaedaglauca)、鹽爪爪(Kalidiumfoliatum)、砂引草(Tournefortiasibirica)和白莖鹽生草(Halogetonarachnoideus)等耐鹽堿植被。并且在氣候干旱以及土地鹽堿化的共同作用下，植被覆蓋度較低，長勢不佳，進一步加劇土地鹽堿化，生態(tài)環(huán)境遭到破壞，嚴重制約了當地的生態(tài)環(huán)境和農業(yè)經濟的可持續(xù)發(fā)展[23]。

1.2 野外實測樣本采集

綜合考慮研究區(qū)的土壤鹽堿化程度、植被類型及分布狀況、土地利用方式以及交通等因素，在研究區(qū)選取包括基本農田、中低產田和撂荒地等不同土地利用方式的土壤布設樣地，在全縣設置9個采樣區(qū)域，每個區(qū)域實地測定一定數量的植被光譜并同期同點采集下覆表層土壤樣品。于2018年7月中旬進行植被冠層光譜測定及土樣采集。植被光譜采用美國Spectral Evolution公司的SR-3500地物光譜儀，波段范圍為350～2 500 nm，其中350～1 000 nm分辨率3.5 nm，1 000～1 500 nm分辨率為10 nm，1 500～2 100 nm分辨率為7 nm。在天氣良好、風力較小、10∶00—14∶00測定，測量時光譜儀探頭設置在垂直距離植被冠層上方30 cm處，減小儀器視場角，降低植被光譜的噪音影響；每次觀測前進行標準白板校正，每個樣點重復測定5次，取平均值作為該植被的光譜反射值，最終獲得67個數據采集單元。

測量植被光譜后，采集植被原處下覆0～20 cm的表層土壤裝入自封袋，同時用GPS定位記錄該樣點經緯度。土樣帶回實驗室風干、研磨過1 mm篩，配置水土比為5∶1的浸提液，用電導率儀和pH計測定土壤樣品的電導率和pH值[24]，根據經驗公式換算得到土壤含鹽量[24]。根據野外實測樣點分布情況以及布雷迪等[25]的分級方法，將土壤鹽堿化程度分為4級：輕度鹽(堿)化(L1)、中度鹽(堿)化(L2)、重度鹽(堿)化(L3)和鹽(堿)土(L4)，見表1。

表1 土壤鹽堿化分級標準Table 1 Classification standard of soil salinization

1.3 遙感影像獲取與預處理

結合采樣時間和云量(<10%)，選取2018年7月7日Landsat 8 OLI影像作為基礎數據源，數據來源于美國地質調查局(United states geological survey，USGS http://glovis.usgs.gov/)，行列號為129/33，數據等級為LIT，空間分辨率為30 m。7個波段中心波長分別為443 nm(Coastal波段)、482.6 nm(藍色波段)、561.3 nm(綠色波段)、654.6 nm(紅色波段)、864.6 nm(NIR波段)、1 609 nm(SWIR1波段)和2 201 nm(SWIR2波段)。在ENVI5.5中完成Landsat 8 OLI影像的輻射定標、大氣校正和研究區(qū)范圍剪裁等預處理工作。

1.4 高光譜與多光譜擬合分析

野外實測高光譜為窄波段，而Landsat 8 OLI影像多光譜為寬波段，二者數據不可直接進行對比分析。將去噪后的實測光譜在ENVI5.5中的Spectral Resampling模塊中進行重采樣處理，使之與Landsat 8 OLI 影像波段一致。然后根據經緯度在ArcGIS中提取采樣點對應Landsat 8 OLI影像反射率，將影像反射率與重采樣實測反射率擬合，并分析在不同含鹽量和土壤pH值條件下的影像和重采樣實測數據7個波段的相關性。

1.4.1 光譜反射率變換及植被指數與敏感波段的選取 為了更好地分析光譜數據和土壤鹽堿化指標之間的關系，并篩選對鹽堿化指標更敏感的光譜特征波段和植被指數，在原始反射率(T1)平滑去噪的基礎上，分別對重采樣實測光譜和Landsat 8 OLI影像光譜反射率進行倒數(T2)、倒數對數(T3)、一階微分(T4)、倒數一階微分(T5)和倒數對數一階微分(T6)變換進行同步分析。敏感波段通過土壤含鹽量和pH值與不同變換形式的光譜反射率的相關性分析來確定，依據相關性最大的原則，相關性越大，表明此波段對鹽堿化指標越敏感。植被指數計算公式見表2。

表2 用于評價土壤鹽度和pH值的植被指數Table 2 Summary of some widely used vegetation indices for soil salinity and pH value assessments

1.4.2 建模和驗證 分別以敏感植被指數和敏感波段作為自變量，土壤含鹽量和pH值為因變量建立估測模型，比較模型精度優(yōu)劣。將研究區(qū)67個采樣點的土壤含鹽量和pH值數據隨機選取45個樣本作為建模集，其余22個樣本構成驗證集，分別用于模型的建立及精度的驗證。植被指數模型采用SPSS 22.0中曲線估計(Curve estimation)中多項式、指數函數、冪函數、立方函數等方法建模，選擇決定系數最大的方程作為估測模型；敏感波段模型采用Origin中多元線性回歸(Multiple linear regression，MLR)，以敏感波段作為自變量，土壤含鹽量和pH值作為因變量建立估測模型。為量化模型的擬合能力，決策標準采用決定系數(R2)和均方根誤差(RMSE)，用R2衡量模型穩(wěn)定性，RMSE判斷模型的估測能力，R2越接近1，RMSE越小，則模型精度越高，估測能力越好[27]。

2 結果與分析

2.1 研究區(qū)土壤含鹽量與pH值的統(tǒng)計分析

研究區(qū)土壤含鹽量平均為4.75 g·kg-1，變異系數為102.38%，對應的建模數據集和驗證數據集的土壤含鹽量平均值分別為4.90 g·kg-1和4.42 g·kg-1，變異系數分別為106.79%和103.05%，均屬于強變異；土壤pH平均值為9.09，變異系數為5.68%，所選的建模數據集和驗證數據集的土壤pH平均值分別為9.10和9.08，變異系數分別為5.85%和5.43%，均屬于弱變異(表3)。建模集和驗證集的數據分布均保持了和研究區(qū)全部樣本土壤對應的含鹽量以及pH值相似的統(tǒng)計分布，避免了在模型校準和驗證中的潛在偏估計。

表3 研究區(qū)土壤樣品的pH值及含鹽量統(tǒng)計特征/(g·kg-1)Table 3 Statistics of pH value and soil salt content of the soil samples in the study area

2.2 典型鹽堿土上覆植被冠層光譜特征

從不同程度鹽化、堿化土壤上覆植被光譜特征曲線可以看出(圖1)，不同程度鹽化、堿化土壤上覆植被冠層反射光譜曲線在形態(tài)上總體相似：在綠光波段處有一較小的反射峰，在紅光波段形成吸收谷，紅光到近紅外波段反射率明顯高于其他波段。隨著鹽化程度的增加，在可見光波段重采樣實測反射率先降低后增加，影像反射率變化無明顯規(guī)律；在近紅外波段，重采樣實測反射率隨鹽化程度的加重變化無明顯規(guī)律，影像反射率則先降低后增加。隨著堿化程度的增加，重采樣實測反射率與影像反射率在全波段均呈先降低后升高趨勢。整體來看，近紅外波段反射率差異較大，重采樣實測植被光譜中，輕度和中度鹽化土壤上植被最大反射率分別與重度鹽化相差0.033和0.078，中度和重度堿化土壤上植被最大反射率較輕度堿化降低了13.24%和28.83%；在Landsat 8 OLI影像中，與輕度鹽化土壤上植被反射率相比，中度和重度鹽化分別降低了13.90%和23.55%，中度堿化土壤和堿土上植被最大反射率較輕度堿化降低了18.60%和7.90%。

2.3 植被實測高光譜與Landsat 8 OLI數據評估

研究區(qū)分布的典型植被類型多樣，不同植被冠層光譜對土壤鹽堿化程度的響應不同[10,28]，為減少植被間的光譜差異，對同一鹽(堿)化程度的實測植被冠層光譜求均值，然后與對應的影像反射率進行擬合，分析重采樣實測高光譜與Landsat 8 OLI影像反射率的相關性。不同土壤含鹽量下的植被冠層實測光譜反射率與Landsat 8 OLI影像反射率之間的擬合關系如圖2所示。中度鹽化土壤上覆植被的重采樣實測光譜與Landsat 8 OLI影像光譜擬合度最強，擬合度(R2)達到了0.9350，然后依次是輕度鹽化土壤、鹽土和重度鹽化土壤，其中輕度鹽化土壤和中度鹽化土壤R2均達到了0.90以上。采樣區(qū)鹽堿程度較重，植被長勢普遍較差，故土壤背景對冠層光譜精度影響較大。整體而言，由實測光譜重采樣得到的光譜反射率與Landsat 8 OLI遙感影像的反射率具有較高的擬合度，可以為Landsat 8 OLI影像定量估測鹽分含量提供理論參考。

不同堿化程度土壤的上覆植被實測光譜反射率與Landsat 8 OLI影像反射率之間的擬合關系如圖3所示。中度堿化土壤上覆植被的重采樣實測光譜與Landsat 8 OLI影像光譜擬合度最好，擬合度(R2)達到了0.8952，然后依次是重度堿化土壤、堿土和輕度堿化土壤，其中中度堿化土壤和重度堿化土壤R2均達到了0.88以上，輕度堿化土和堿土的R2也達到了0.71以上。綜上，由重采樣實測光譜得到的光譜反射率與Landsat 8 OLI遙感影像的反射率具有較高的擬合度，可以為Landsat 8 OLI影像定量估測土壤pH值提供理論參考。

2.4 反射率不同變換方式與鹽堿化指標相關性分析

由圖4可知，對重采樣實測反射率，平滑后的反射率(T1)與土壤含鹽量相關性最強，倒數對數變換后的反射率(T3)與土壤pH值相關性最強，為0.486；經倒數變換的Landsat 8 OLI影像反射率(T2)與土壤含鹽量相關系數最大，平滑后的Landsat 8 OLI影像反射率(T1)與pH值相關性最強。以上結果表明，重采樣實測T1建立模型可能提高土壤含鹽量估測精度，pH值采用T3變換可能提高估測精度。Landsat 8 OLI影像T2建立模型可提高土壤含鹽量估測精度，而pH值采用T1變換建?？商岣吖罍y精度。

2.5 模型建立與驗證

2.5.1 基于植被指數構建的植被下覆土壤含鹽量和pH值估測模型 根據相關性最強的原則確定最佳光譜變換方式，在此基礎上構建植被指數。根據2.4中的結果，基于重采樣實測光譜植被指數構建土壤含鹽量和pH值估測模型的最佳變換形式分別為T1和T3，Landsat 8 OLI影像的最佳變換形式分別為T2和T1。用多項式、指數函數、冪函數、立方函數等方法分別建模，這里只列出最好的模型(表4)。由表4可知，基于重采樣實測光譜植被指數構建的模型效果普遍高于Landsat 8 OLI影像?；谥夭蓸訉崪y光譜建立的含鹽量模型R2也較低，但均通過了0.05顯著性檢驗，其中EEVI最高(0.290 9)；除EEVI外，基于其他5種植被指數建立的pH值模型效果都較好，其中EVI模型R2達到了0.625 7，TGDVI次之(0.612 5)?；贚andsat 8 OLI影像植被指數構建的含鹽量模型精度都較差；構建的pH值估測模型R2也普遍偏低，其中基于TGDVI建立的pH值估測模型R2最大，為0.248 4，略高于OSAVI和MSAVI，除EEVI外均通過了0.05顯著性檢驗，總體上各植被指數建立的pH值模型效果相差不大。因此，對于土壤含鹽量，基于重采樣實測EEVI構建的估測模型有較好精度；對于土壤pH值，基于重采樣實測EVI構建的模型有較好的估測能力，Landsat 8 OLI影像TGDVI構建的模型估測能力較佳。

表4 基于實測高光譜和Landsat 8 OLI影像的植被指數與含鹽量和pH值的估測方程Table 4 Predicted equations of vegetation indices between soil salt content and pH value based on measured Hyper-spectral and Landsat 8OLI image

2.5.2 基于敏感波段的土壤含鹽量和pH值估測模型 分別選取與土壤含鹽量和pH值相關性最強的2個波段和3個波段組合作為敏感波段建立含鹽量和pH的估測模型，模型決定系數相近，故這里只列出2個波段的建模結果(表5)。基于重采樣實測光譜建立的模型普遍較好，對土壤含鹽量模型，T2模型效果最佳(波段組合為1 609 nm和2 201 nm)，R2達到了0.5693，T3、T1模型次之，均通過0.05顯著性的檢驗，T4模型最差；建立的pH值估測模型中，T1模型效果最佳(波段組合為482.6 nm和654.6 nm)，T4模型次之，T2、T5模型較差，均通過了顯著性0.05的檢驗?；谥夭蓸訉崪y光譜建立的模型效果均優(yōu)于Landsat 8 OLI影像模型。對于Landsat 8 OLI影像，基于各種變換建立的含鹽量模型效果均較差，均未通過顯著性檢驗；建立的pH值估測模型中，T5模型擬合效果最佳(波段為482.6 nm和654.6 nm)，R2為0.2766，T4、T6模型擬合效果相近，R2分別為0.2220和0.2178，均通過了0.05顯著性檢驗?；谟跋窠⒌膒H值模型總體比含鹽量模型效果好，說明研究區(qū)影像對土壤堿化程度的響應大于鹽化程度。以上結果表明，對于土壤含鹽量，重采樣實測光譜T2變換建立的估測模型精度較高；對于土壤pH值，重采樣實測光譜T1建立的模型精度較高，Landsat 8 OLI影像T5變換建立的模型有較好的估測能力。

表5 反射率不同變換形式下敏感波段對含鹽量和pH值的估測方程Table 5 The equations for predicting salt content and pH value of the sensitive wavelengths between reflectance and transformed methods

2.5.3 模型驗證 針對構建的估測模型，用22個驗證樣本分別對土壤含鹽量和pH值進行驗證，這里只列出模型效果最好的驗證結果(圖5)。對于土壤含鹽量，除了基于Landsat 8 OLI建立的模型之外，其他最佳模型的光譜估測值與實測值之間有較強的相關性，且均通過了顯著性檢驗，說明利用重采樣實測光譜植被指數和敏感波段都可以較準確估測土壤含鹽量，其中基于重采樣實測光譜敏感波段建立的含鹽量估測模型效果最好，驗證決定系數(R2)為0.5706，與建模結果一致；對于土壤pH值，驗證結果均通過了顯著性檢驗，其中基于重采樣實測光譜敏感波段驗證模型R2最高(0.6616)，重采樣實測光譜植被指數R2(0.6473)次之，這與建模結果略有差異。以上結果表明，基于重采樣實測光譜構建的土壤含鹽量模型通過了顯著性檢驗，Landsat 8 OLI影像估測模型未通過檢驗，故不可直接估測含鹽量；重采樣實測光譜和Landsat 8 OLI影像均可以有效地估測pH值。

2.6 模型校正

基于Landsat 8 OLI影像植被指數和敏感波段建立的土壤含鹽量模型較差，pH值模型雖通過了顯著性檢驗，但R2也較低，故利用重采樣實測光譜模型對Landsat 8 OLI影像模型進行校正，以提高精度，實現(xiàn)研究區(qū)大面積土壤含鹽量和pH值的估測。

2.6.1 基于Landsat 8 OLI影像植被指數含鹽量和pH值估測的校正模型 以重采樣實測光譜模型(精度最高EEVI)估測的含鹽量和pH值(EVI模型)為校正基準，分別與Landsat 8 OLI影像光譜的最優(yōu)模型估測的含鹽量(EVI模型)和pH值(TGDVI模型)建立關系式(1)、(2)，圖6(A、C)為重采樣實測模型與Landsat 8 OLI 模型估測的含鹽量及pH值的關系。

y1=0.8263x1+0.7917

(1)

y2=0.951x2+0.3929

(2)

式中,x1為Landsat 8 OLI影像EVI模型估測鹽分值，y1為實測光譜EEVI模型估測鹽分值；x2為Landsat 8 OLI影像TGDVI模型估測pH值，y2為實測光譜EVI模型估測pH值。

將Landsat 8 OLI影像預測含鹽量最優(yōu)模型(EVI模型)及pH值最優(yōu)模型(TGDVI模型)作為自變量分別代入公式(1)、(2)，得到基于植被指數的土壤含鹽量(公式3)和pH值校正模型(公式4)：

(3)

(4)

將Landsat 8 OLI影像EVI數據代入公式(3)，Landsat 8 OLI影像TGDVI數據代入公式(4)，得到校正后的模型，結果如圖6(B、D)所示。結果表明，校正后的Landsat 8 OLI影像土壤含鹽量和pH值估測模型的R2分別提高了0.3207、0.2065，說明該校正方法能有效提高大區(qū)域尺度的土壤含鹽量和pH值估測精度。

2.6.2 基于Landsat 8 OLI影像敏感波段含鹽量和pH值估測的校正模型 以重采樣實測光譜模型(精度最高為T2變換)估測的含鹽量和pH值(精度最高T1變換)為校正基準，分別與Landsat 8 OLI影像光譜最優(yōu)模型估測的含鹽量(T3)和pH值(T5)建立關系式(5)、(6)，圖7(A、C)示出重采樣實測模型與Landsat 8 OLI模型估測的含鹽量及pH值的關系。

y1=0.5859x1+1.8301

(5)

y2=1.7752x2-6.9199

(6)

式中,x1為Landsat 8 OLI影像基于敏感波段(T3變換)估測含鹽量值，y1為實測光譜T2變換模型估測含鹽量值；x2為Landsat 8 OLI影像基于敏感波段(T5變換)估測pH值，y2為實測光譜T1變換模型估測pH值。

將Landsat 8 OLI影像估測含鹽量最優(yōu)模型(T3)及pH值最優(yōu)模型(T5)作為自變量分別代入公式(5)、(6)，得到基于敏感波段的土壤含鹽量(公式7)和pH值校正模型(公式8)：

y3=-31.2921x561.3 nm+30.5948x654.6 nm+6.5274

(7)

y4=0.0083x482.6 nm+0.1103x654.6 nm+10.7992

(8)

將Landsat 8 OLI影像T3變換敏感波段反射率代入公式(7)，Landsat 8 OLI影像T5變換反射率代入公式(8)，得出校正后的模型，結果如圖7(B、D)所示。結果表明，校正后的Landsat 8 OLI影像土壤含鹽量和pH值估測模型的R2分別提高了0.3762和0.2487，RMSE降低到1.4529和0.3938，可以大面積估測土壤含鹽量和pH值。

綜上可知，校正后基于Landsat 8 OLI影像植被指數和敏感波段的土壤含鹽量及pH值估測模型R2均有較大幅度提高，說明該模型能有效提高大區(qū)域尺度下的土壤鹽堿化信息估測精度。

3 討 論

研究區(qū)不同鹽化、堿化程度植被冠層實測光譜和Landsat 8 OLI影像光譜在趨勢上總體相似，均在綠光波段出現(xiàn)小的反射峰，在紅光波段形成吸收谷，近紅外波段反射率明顯高于其他波段，但二者在近紅外波段變化趨勢不一致。總體上重采樣實測光譜反射率和Landsat 8 OLI影像反射率不隨土壤鹽堿化程度加重呈規(guī)律性變化，這可能是因為研究區(qū)土壤鹽堿化程度較重，植被生長受到制約，長勢較差，且遙感影像上提取對應點的反射率精度較低，反射率不隨鹽堿化程度加重而單調遞增，這與關紅等[14]、劉歡[28]對銀北地區(qū)土壤的研究結果相一致。

基于重采樣實測植被高光譜與Landsat 8 OLI影像光譜植被指數和敏感波段進行土壤含鹽量及pH值的估測，結果表明基于植被指數建立的土壤含鹽量和pH值模型中，EVI、EEVI、TGDVI 3種指數表現(xiàn)較好，其中TGDVI在估測含鹽量和pH值方面能力均佳，這是因為在傳統(tǒng)植被指數的基礎上引入了信息量較大的短波紅外波段(SWIR)，提高了與鹽堿化指標的相關性，顯著降低了指數間的多重共線性，建模精度顯著提高，這與陳紅艷等[17]、王飛等[19]、蒲智等[29]的研究結果一致。除了重采樣實測光譜敏感波段的pH值估測模型略低于植被指數模型外，其余基于敏感波段建立的土壤含鹽量和pH值模型穩(wěn)定性及估測能力普遍高于植被指數模型，這與彭杰等[30]研究結果一致，這可能是由于多個波段共同建模比植被指數單因子建模提取到的信息更豐富，因此建模精度提高。基于重采樣實測光譜植被指數和敏感波段建立的土壤含鹽量和pH值模型效果均優(yōu)于Landsat 8 OLI影像模型。這是因為與地面實測高光譜相比，多光譜影像具有較低的空間和光譜分辨力、不易區(qū)分復雜的地表混合光譜特征，導致地物光譜丟失一些細節(jié)特征，易被同一像元內的土壤及植被所干擾，從而無法精確地定量分析土壤的含鹽參數[29,31]；而實測植被高光譜為純凈像元，受到土壤背景及大氣干擾影響相對較少，故建模精度較高。其中，建立的pH值估測模型穩(wěn)定性及估測能力均高于含鹽量模型，這是因為銀北地區(qū)土壤鹽堿化程度較重，且大部分是龜裂堿土，土壤pH值和堿化度均較高，NaHCO3和Na2CO3對植被生長影響較大，因此植被光譜對土壤pH值變化的響應更為強烈[32]。

與高光譜影像相比，遙感影像精度較低，但易獲取，因此可將實測野外高光譜數據與遙感影像數據結合，利用不同尺度的數據對鹽堿化土壤進行快速、準確監(jiān)測，很多研究通過實測高光譜估測模型校正影像模型，大幅度提高了區(qū)域尺度的土壤鹽堿化監(jiān)測精度[33-34]。本文基于實測高光譜植被指數和敏感波段分別對Landsat 8 OLI影像含鹽量、pH值估測模型進行校正，校正后植被指數和敏感波段含鹽量模型決定系數(R2)分別提高了0.3207和0.3762，pH值模型決定系數分別提高了0.2065和0.2487，但決定系數提高幅度相比張雅麗等[35](0.4976)略低，這是因為植被光譜在大氣背景的干擾下，受土壤因素影響較大，且植被光譜變化還可能受到其自身生長條件限制，影響因素較土壤光譜更為復雜。此外，基于敏感波段校正后的含鹽量和pH值估測模型效果更好。

4 結 論

1)在不同土壤含鹽量和pH值條件下，研究區(qū)植被冠層重采樣實測光譜反射率與Landsat 8 OLI影像光譜反射率呈極顯著相關。

2)基于植被指數建立的土壤含鹽量和pH值模型中，TGDVI在估測含鹽量和pH值方面能力均佳；基于敏感波段建立的土壤含鹽量和pH值模型穩(wěn)定性及估測能力普遍高于植被指數模型；基于重采樣實測光譜建立的土壤含鹽量和pH值模型效果均優(yōu)于Landsat 8 OLI影像模型。

3)基于實測高光譜植被指數和敏感波段估算模型分別對Landsat 8 OLI影像含鹽量、pH值估測模型進行校正，校正后的植被指數和敏感波段含鹽量估測模型決定系數(R2)分別提高了0.3207和0.3762，pH值模型決定系數分別提高了0.2065和0.2487，說明該校正模型能有效提高大區(qū)域尺度下的土壤鹽堿化信息提取精度。