楊 練 兵，鄭 宏 偉,4*，羅 格 平,4，楊 遼,4

(1.中國科學(xué)院新疆生態(tài)與地理研究所荒漠與綠洲國家重點實驗室,新疆 烏魯木齊 830011;2.新疆維吾爾自治區(qū)遙感與地理信息系統(tǒng)應(yīng)用重點實驗室,新疆 烏魯木齊 830011;3.中國科學(xué)院大學(xué),北京 100049;4.中國科學(xué)院中亞生態(tài)與環(huán)境研究中心，新疆 烏魯木齊 830011)

0 引言

土壤鹽漬化是土地退化和荒漠化的主要類型之一，其分布范圍廣，危害時間長，嚴(yán)重制約著干旱區(qū)農(nóng)業(yè)生產(chǎn)，已成為全球性生態(tài)環(huán)境問題[1]。衛(wèi)星遙感數(shù)據(jù)能宏觀、動態(tài)地監(jiān)測土壤鹽漬化信息[2]，相關(guān)研究經(jīng)歷了定性分類和定量反演兩個階段。在定量反演方面，眾多學(xué)者對獲得的遙感數(shù)據(jù)和非遙感數(shù)據(jù)進(jìn)行數(shù)學(xué)變換以構(gòu)建反演參數(shù)，并結(jié)合采樣點土壤鹽分含量(Soil Salinity Content,SSC)數(shù)據(jù)建立相應(yīng)的反演模型，以獲得大范圍的土壤鹽分含量。

受自然條件和人類活動方式的影響，土壤鹽漬化成因復(fù)雜[3]，光譜波段、植被指數(shù)、鹽分指數(shù)、下墊面參數(shù)、特征空間、地形參數(shù)、物候特征等都被作為反演土壤鹽分含量的參數(shù)[4，5]。相關(guān)研究采用多元線性回歸(MLR)、偏最小二乘回歸(PLSR)、地理加權(quán)回歸(GWR)、分位數(shù)回歸(QR)等線性模型擬合反演參數(shù)與土壤鹽分含量的關(guān)系[6-8]。由于多數(shù)反演參數(shù)與土壤鹽分含量之間存在非線性關(guān)系[9]，BP神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(SVM)、多元自適應(yīng)回歸樣條(MARS)、隨機森林(RF)等非線性模型也被用于反演土壤鹽分含量[10-14]。由于部分機器學(xué)習(xí)算法自身沒有特征優(yōu)選的能力，皮爾森相關(guān)分析[15，16]、最佳指數(shù)法[17]、灰色關(guān)聯(lián)分析[18]等過濾方法被用于篩選反演參數(shù)子集，這種特征篩選方式減少了信息冗余，但難以獲得最佳反演參數(shù)子集；同時，機器學(xué)習(xí)模型的參數(shù)影響算法的預(yù)測精度、運算速度和穩(wěn)健性，已有研究多通過經(jīng)驗方法選取模型參數(shù)，調(diào)參效率低且難以獲得最優(yōu)參數(shù)；另外，應(yīng)用于土壤鹽漬化反演的機器學(xué)習(xí)模型種類較多，以往多關(guān)注不同模型間的對比，對同一模型的優(yōu)化改進(jìn)較少研究。

BPNN具有優(yōu)良的非線性逼近能力，是較早引入土壤鹽漬化反演的機器學(xué)習(xí)模型[13]，但其預(yù)測精度受結(jié)構(gòu)參數(shù)和初始權(quán)重的影響[19]。為此，本研究建立3組優(yōu)化模型：先利用遺傳算法(GA)同步優(yōu)化輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權(quán)重的BPNN(GA-BP)模型；將變量投影重要性(VIP)算法分割閾值分別設(shè)為1和0.5，優(yōu)化出兩組輸入層反演參數(shù)子集，并將其分別代入GA優(yōu)化隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權(quán)重的BPNN (VIP1-GA-BP、VIP2-GA-BP)模型。在新疆瑪納斯流域和三工河流域各選一靶區(qū)，基于谷歌地球引擎(GEE)平臺構(gòu)建反演參數(shù)，對比分析兩靶區(qū)3組優(yōu)化模型的反演精度，并統(tǒng)計各類鹽漬土的面積比例，以期為土壤鹽漬化信息的高效獲取提供支持。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

瑪納斯流域(85°01′～86°32′E，43°27′～45°21′N)位于天山北麓(圖1a)、準(zhǔn)噶爾盆地南緣，由瑪納斯河、塔西河、寧家河、金溝河、巴音溝河和大南溝河組成，流域面積為3.35×104km2，地勢東南高、西北低，高程為256～5 242 m，有典型的山地—綠洲—荒漠系統(tǒng)。該流域深居內(nèi)陸干旱區(qū)，氣候干燥，光照充足，年均氣溫 5～7 ℃，年降水量110～200 mm，年蒸發(fā)量1 500～2 000 mm[20]，水資源主要來源于冰雪融水和高山降水，農(nóng)業(yè)生產(chǎn)起初的大水漫灌引發(fā)嚴(yán)重的土壤鹽漬化問題，改為滴灌后土壤鹽漬化程度有所減輕[21]。

三工河流域(87°47′～88°17′E，43°09′～45°29′N)位于天山北麓中段東部(圖1b)、準(zhǔn)噶爾盆地南緣，主要由水磨溝河、三工河和四工河組成，流域面積為1.67×103km2，總?cè)丝诩s為11萬人[22]，高程為480～650 m，地勢由東南向西北傾斜。該流域降水稀少(約220 mm/a)，蒸發(fā)量大(約1 399 mm/a)，年均溫約為7.3 ℃[23]，以種植業(yè)為主，灌區(qū)水資源主要來源于冰雪融水，地下水礦化度高，地下水位抬升及強烈的蒸發(fā)作用容易導(dǎo)致地表積鹽[24]。

1.2 采樣點數(shù)據(jù)

2016年7-8月，在瑪納斯流域和三工河流域各選一靶區(qū)，用手持RTK-GPS進(jìn)行采樣點定位，采樣點考慮不同的植被覆蓋、地貌類型和交通可達(dá)性，具有一定的代表性。在兩靶區(qū)環(huán)境因素相似的區(qū)域設(shè)置30 m×30 m樣方，在樣方內(nèi)按照“五點采樣法”采集土壤樣品，采樣深度為 0～20 cm；采集的土壤樣品經(jīng)過自然風(fēng)干、磨碎、過篩后，測定八大離子(Ca2+,Mg2+,K+,Na+,CO32-,HCO3-,Cl-,SO42-)的含量，對其求和獲得土壤樣品鹽分含量(SSC)，將樣方內(nèi)土壤樣品的SSC均值作為實際觀測值。針對測量結(jié)果中的誤差，基于箱線圖分析用四分位差(IQR)檢測異常值點，最終在瑪納斯和三工河靶區(qū)獲得可用采樣點數(shù)量分別為97個和119個(圖1)。

圖1 兩靶區(qū)樣點分布

在瑪納斯靶區(qū)和三工河靶區(qū)分別隨機選取總樣本集的26.80%和26.05%(約1/4)作為測試集，其余樣本數(shù)據(jù)作為建模集。由總樣本集、建模集、測試集的描述性統(tǒng)計特征(表1)可知：兩靶區(qū)總樣本集的均值和變異系數(shù)均介于建模集與測試集之間，表明兩靶區(qū)建模集和測試集樣本數(shù)據(jù)的范圍相對一致，一定程度上避免了模型構(gòu)建和驗證中的偏差估計[25]。假設(shè)樣本數(shù)據(jù)能代替總體，按照變異系數(shù)(CV)評價準(zhǔn)則[26]，兩靶區(qū)SSC均屬于中等變異；按照新疆鹽堿土標(biāo)準(zhǔn)[27]，從均值看，瑪納斯靶區(qū)和三工河靶區(qū)土壤分別屬于重度鹽漬化和中度鹽漬化。

表1 兩靶區(qū)采樣點SSC統(tǒng)計描述

1.3 影像數(shù)據(jù)與反演參數(shù)

谷歌地球引擎(GEE)是目前較為成熟的遙感大數(shù)據(jù)分析云平臺[28]，可提供高性能并行計算服務(wù)。本研究參考相關(guān)文獻(xiàn)，調(diào)用GEE平臺中預(yù)處理好的Landsat-8 OLI影像數(shù)據(jù)(空間分辨率30 m)、Sentinel-1 SAR影像數(shù)據(jù)(空間分辨率5 m×20 m)及SRTM高程數(shù)據(jù)(空間分辨率30 m)計算出兩靶區(qū)的52個反演參數(shù)(表2)，并將廣義差分植被指數(shù)(GDVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、增強植被指數(shù)(EVI)、綠色大氣阻抗指數(shù)(GARI)的反演參數(shù)設(shè)為經(jīng)驗值；考慮到Landsat-8 OLI各波段的分辨率和特性，只選取可能對土壤鹽漬化具有表征能力的可見光、近紅外和短波紅外波段作為反演參數(shù)。由于本研究SSC采樣點數(shù)據(jù)來源于30 m×30 m樣方，故通過三次卷積內(nèi)插將反演參數(shù)空間分辨率統(tǒng)一到30 m。為接近SSC采樣時間且滿足靶區(qū)范圍內(nèi)無云的條件，選取瑪納斯靶區(qū)和三工河靶區(qū)成像時間分別為2016年8月4日和8月29日的Landsat-8 OLI數(shù)據(jù)以及2016年8月2日和8月26日的Sentinel-1 SAR數(shù)據(jù)；SRTM高程數(shù)據(jù)制作時間為2000年2月。

表2 SSC反演參數(shù)

2 研究方法

本研究基于BP神經(jīng)網(wǎng)絡(luò)(BPNN)，通過遺傳算法(GA)、變量投影重要性(VIP)算法共設(shè)計出3組優(yōu)化的BPNN模型，具體研究流程(圖2)為：1)先利用GA同步優(yōu)化輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權(quán)重的BPNN(GA-BP)模型；2)將VIP算法分割閾值分別設(shè)為1和0.5，優(yōu)化出兩組輸入層反演參數(shù)子集，將兩組輸入層反演參數(shù)子集分別代入GA，先優(yōu)化隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權(quán)重的BPNN(VIP1-GA-BP、VIP2-GA-BP) 模型；3)對兩靶區(qū)3組模型反演SSC的精度、空間分布、篩選的反演參數(shù)進(jìn)行對比，并統(tǒng)計各類鹽漬土的面積比例。

圖2 模型設(shè)計流程及研究內(nèi)容

2.1 遺傳算法(GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GA-BP)

GA是一種模擬生物進(jìn)化過程的啟發(fā)式算法[40]，其將可能的解轉(zhuǎn)換為種群中個體的染色體(用二進(jìn)制、實數(shù)、十進(jìn)制、格雷、符號等編碼方式以符號串形式表示)，染色體的基因位取值區(qū)間需根據(jù)具體問題設(shè)定；GA有選擇、交叉、變異3種遺傳操作算子，以適應(yīng)度函數(shù)為評價指標(biāo)，通過遺傳操作算子不斷更新種群,解碼最終種群中適應(yīng)度值最高個體的染色體為問題的最優(yōu)解。GA-BP結(jié)構(gòu)參數(shù)染色體(圖3)中，im(m=1,…,n，n為待篩選反演參數(shù)的數(shù)量)代表輸入層神經(jīng)元的基因位，取值為1(表示對應(yīng)的反演參數(shù)參與建模)或0(表示反演參數(shù)不參與建模)；h表示隱含層神經(jīng)元數(shù)量的基因位。本研究采用兩階段方式構(gòu)建GA-BP：先用GA對BPNN的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，然后對BPNN的初始權(quán)重進(jìn)行優(yōu)化。

圖3 結(jié)構(gòu)參數(shù)染色體示意

(1)BPNN結(jié)構(gòu)參數(shù)的優(yōu)化。BPNN包括輸入層、隱含層、輸出層3層網(wǎng)絡(luò)結(jié)構(gòu)[41]，基本組成單位為神經(jīng)元，通過在隱含層和輸出層設(shè)置激活函數(shù)解決非線性擬合問題。當(dāng)BPNN僅含一個隱含層且隱含層神經(jīng)元數(shù)量較多時，其具備很強的函數(shù)逼近或映射能力[42]，故本研究用于SSC預(yù)測的BPNN只設(shè)一個隱含層(圖4)。本文中BPNN結(jié)構(gòu)參數(shù)為輸入層神經(jīng)元(輸入層反演參數(shù)子集)、隱含層神經(jīng)元數(shù)量和輸出層神經(jīng)元數(shù)量，由于輸出層神經(jīng)元數(shù)量為1，故只需對輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量進(jìn)行優(yōu)化。BPNN隱含層神經(jīng)元數(shù)量與輸入層神經(jīng)元數(shù)量有關(guān)[43]，而GA-BP各結(jié)構(gòu)參數(shù)染色體代表的輸入層神經(jīng)元數(shù)量不同，故隱含層神經(jīng)元數(shù)量的基因位取值區(qū)間需動態(tài)更改，研究中依據(jù)經(jīng)驗公式(式(1)-式(3)[43]、式(4)[44])聯(lián)立取最大值和最小值確定。為實現(xiàn)隱含層神經(jīng)元數(shù)量基因位取值區(qū)間的動態(tài)更新，本研究在GA-BP中對結(jié)構(gòu)參數(shù)染色體的交叉算子和變異算子進(jìn)行改進(jìn)：在結(jié)構(gòu)參數(shù)染色體進(jìn)行交叉和變異運算時，先對輸入層神經(jīng)元基因進(jìn)行運算；然后根據(jù)其代表的神經(jīng)元數(shù)量，推導(dǎo)出隱含層神經(jīng)元數(shù)量的基因位取值區(qū)間；最后在該取值區(qū)間中隨機生成一整數(shù)并將其作為隱含層神經(jīng)元數(shù)量的基因位數(shù)值。通過遺傳算子不斷更新BPNN結(jié)構(gòu)參數(shù)種群，解碼最終結(jié)構(gòu)參數(shù)種群中適應(yīng)度值最高個體的染色體，即可獲得最優(yōu)的結(jié)構(gòu)參數(shù)(圖5)。

圖4 BPNN結(jié)構(gòu)圖示

(1)

p=2n+1

(2)

p=log2n

(3)

(4)

式中：p、m、n分別為隱含層、輸出層、輸入層的神經(jīng)元數(shù)量；q用于調(diào)整隱含層神經(jīng)元數(shù)量，取值范圍為1～10之間的整數(shù)。

圖5 GA優(yōu)化BPNN結(jié)構(gòu)參數(shù)示意

(2)BPNN初始權(quán)重的優(yōu)化。初始權(quán)重染色體如圖6所示，wp(p=1,…,q，q為初始權(quán)重數(shù)量)代表初始權(quán)重的基因位。確定BPNN最優(yōu)的輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量后，利用GA的遺傳算子不斷更新初始權(quán)重種群，解碼最終初始權(quán)重種群中適應(yīng)度值最高個體的染色體，即可獲得最優(yōu)的初始權(quán)重(圖7)。

圖6 初始權(quán)重染色體示意

圖7 GA優(yōu)化BPNN初始權(quán)重示意

2.2 變量投影重要性(VIP)算法

VIP算法是基于偏最小二乘回歸的特征篩選方法，可評價自變量對因變量集合的解釋能力，公式為：

(5)

式中：k為自變量數(shù)量；th為從自變量集合X=(x1,x2,…,xj,…,xk)中提取的主成分；Y為因變量集合；whj用于衡量自變量xj對th的邊際貢獻(xiàn)；Rd(Y;th)為th對Y的解釋能力，Rd(Y;t1,t2,…,tm)為t1,t2,…,tm對Y的累積解釋能力。VIPj大于1，表示xj對Y非常重要；VIPj在0.5～1之間，表示xj對Y的重要性不明確，需要根據(jù)其他條件進(jìn)行判斷或增加樣本；VIPj小于0.5，表示xj對Y不重要[45]。

VIP1-GA-BP和VIP2-GA-BP的建模流程(略)與GA-BP相似，區(qū)別為： GA-BP中輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量的優(yōu)化同步進(jìn)行，而VIP1-GA-BP和VIP2-GA-BP對這兩者的優(yōu)化是分開進(jìn)行的。

2.3 精度檢驗指標(biāo)

本研究采用均方根誤差(RMSE)、平均絕對百分誤差(MAPE)和相對分析誤差預(yù)測偏差(RPD)對模型性能進(jìn)行評價，各指標(biāo)的計算公式如式(6)-式(8)所示。RMSE越小，表示模型的預(yù)測精度越高；MAPE越接近于0，表明模型預(yù)測的相對誤差越小；RPD<1.4，說明模型不可靠，1.42 ，說明模型精度較高。

(6)

(7)

RPD=SD/RMSE

(8)

3 反演參數(shù)篩選及模型參數(shù)設(shè)置

在兩靶區(qū)以建模集及其對應(yīng)的反演參數(shù)為數(shù)據(jù)源，基于SIMCA軟件進(jìn)行VIP分析；根據(jù)VIP值對解釋變量的重要性意義，設(shè)置分割閾值為1和0.5，將VIP值大于或等于1的反演參數(shù)集記為A組，大于或等于0.5的記為B組(圖8)。在5%的顯著性水平上，瑪納斯靶區(qū)共有22個反演參數(shù)的VIP值大于1(包含三工河靶區(qū)VIP值大于1的反演參數(shù))，13個在0.5～1之間；三工河靶區(qū)反演參數(shù)的VIP值均大于0.5，13個大于1。

本研究采用MATLAB遺傳算法工具箱(GAOT)設(shè)計GA，GA的編碼方式為實數(shù)編碼，建立優(yōu)化的BPNN模型時，將測試集樣本數(shù)據(jù)平均絕對誤差的倒數(shù)作為GA優(yōu)化BPNN結(jié)構(gòu)參數(shù)(GA 對VIP1-GA-BP、VIP2-GA-BP優(yōu)化的結(jié)構(gòu)參數(shù)均僅為隱含層神經(jīng)元數(shù)量)和BPNN初始權(quán)重的適應(yīng)度函數(shù)。兩靶區(qū)3組模型的BPNN訓(xùn)練次數(shù)均設(shè)為1 000，訓(xùn)練目標(biāo)設(shè)為0.02，學(xué)習(xí)速率設(shè)為0.03，初始權(quán)重基因位取值范圍設(shè)為-1～1。為避免各維度數(shù)據(jù)間數(shù)量級的差別，兩靶區(qū)訓(xùn)練集和測試集及其對應(yīng)的反演參數(shù)數(shù)值均歸一化至0～1之間。tansig能將數(shù)值映射到-1～1之間，便于BPNN對輸入和輸出數(shù)據(jù)的非線性擬合，logsig能將輸出數(shù)值映射到0～1之間，便于BPNN后續(xù)的反歸一化處理，故將兩靶區(qū)3組模型的BPNN隱含層神經(jīng)元激活函數(shù)均設(shè)為tansig，將BPNN輸出層神經(jīng)元激活函數(shù)均設(shè)為logsig。

圖8 SSC反演參數(shù)變量投影重要性排序

4 結(jié)果分析

4.1 模型的預(yù)測精度和反演參數(shù)

隨著GA優(yōu)化BPNN結(jié)構(gòu)參數(shù)的進(jìn)化代數(shù)逐步增加，兩靶區(qū)各組模型種群中個體適應(yīng)度值也逐漸增大，最后趨于穩(wěn)定(圖9);兩靶區(qū)最優(yōu)適應(yīng)度值從大到小排序分別為GA-BP>VIP2-GA-BP>VIP1-GA-BP和GA-BP>VIP1-GA-BP>VIP2-GA-BP，可見VIP1-GA-BP、VIP2-GA-BP最優(yōu)適應(yīng)度值之間的差值均較小。

圖9 GA優(yōu)化BPNN結(jié)構(gòu)參數(shù)的最佳適應(yīng)度曲線

對兩靶區(qū)各組模型最終結(jié)構(gòu)參數(shù)種群中適應(yīng)度值最高個體的染色體進(jìn)行解碼，確定VIP1-GA-BP、VIP2-GA-BP的隱含層神經(jīng)元數(shù)量及GA-BP的輸入層反演參數(shù)子集(C組反演參數(shù))和隱含層神經(jīng)元數(shù)量，兩靶區(qū)VIP分析確定的A組、B組反演參數(shù)分別作為VIP1-GA-BP和VIP2-GA-BP的輸入層反演參數(shù)子集；之后采用GA對初始權(quán)重進(jìn)行優(yōu)化，建立3組優(yōu)化的BPNN模型。由兩靶區(qū)3組模型的SSC反演精度(表3)可以看出：瑪納斯靶區(qū)3組模型建模集間RMSE、MAPE的差異均較小，而測試集間的差異均較大，其中GA-BP模型在測試集上的RMSE和MAPE均最小(分別為11.56 g/kg、32.78%)、RPD最大(1.64)，表明GA-BP模型的反演精度最高；在三工河靶區(qū)，GA-BP模型的反演精度也最高，其RMSE、MAPE、RPD分別為3.60 g/kg、 25.21%、1.47。綜上，3組模型反演精度由高至低依次為GA-BP、VIP1-GA-BP、VIP2-GA-BP。由VIP算法原理可知，B組比A組多出的反演參數(shù)對被解釋變量SSC的重要性不明確，信噪比較小，會造成VIP2-GA-BP較嚴(yán)重的過擬合，一定程度上解釋了兩靶區(qū)VIP1-GA-BP的反演精度均高于VIP2-GA-BP。GA-BP同步篩選了反演參數(shù)子集和隱含層神經(jīng)元數(shù)量，考慮了反演參數(shù)之間及反演參數(shù)與反演模型間的相互關(guān)系，最終篩選的反演參數(shù)子集與BPNN耦合性高；而VIP算法雖對反演參數(shù)進(jìn)行重要性排序，但未考慮參數(shù)間的相互關(guān)系及反演SSC的特定建模方法[46]，故兩靶區(qū)GA-BP的反演精度均高于VIP1-GA-BP和VIP2-GA-BP。

表3 兩靶區(qū)SSC反演精度統(tǒng)計

上文已對A組、B組反演參數(shù)進(jìn)行對比分析，且基于A組反演參數(shù)的模型反演精度更高，故僅需對各靶區(qū)A組、C組反演參數(shù)進(jìn)行對比分析(表4)。兩靶區(qū)A組、C組反演參數(shù)共有43種，鹽分指數(shù)最多(14種)，其次為植被指數(shù)(13種)，說明鹽分指數(shù)和植被指數(shù)在SSC反演中發(fā)揮著重要作用；另外，不同模型篩選的反演參數(shù)差異較大，同一模型篩選的反演參數(shù)存在區(qū)域異質(zhì)性?，敿{斯靶區(qū)A組、C組反演參數(shù)數(shù)量均為22，共有的反演參數(shù)為RVI、S1、Albedo_short、AVI、Elevation、Roughness；三工河靶區(qū)A組、C組反演參數(shù)數(shù)量分別為13、18，共有反演參數(shù)為GARI、S2、S3、S6、Elevation、Swir2。兩靶區(qū)A組、C組共有的反演參數(shù)僅為Elevation，說明高程參數(shù)不僅適用不同的篩選模型，而且適用不同區(qū)域鹽漬化土壤研究，原因在于：地表徑流為地勢較低的土壤表層帶來鹽分，且地勢較低的地方潛水埋深較淺，潛水更易通過蒸發(fā)作用使地表積鹽[47]；同時，高程不易受其他因素影響，且短時間內(nèi)變化較小。

表4 不同模型反演參數(shù)子集

4.2 反演的SSC空間分布及各類鹽漬土面積比例

由于本研究僅對土壤進(jìn)行鹽分反演，故對兩靶區(qū)3組模型反演結(jié)果中的水域、建筑用地進(jìn)行掩膜處理(圖10、圖11)。可以看出，兩靶區(qū)3組模型反演的SSC空間分布存在一定差異，且圖斑的破碎度較大，而SSC值域范圍與實際采樣點SSC值域范圍的差異均較小。瑪納斯靶區(qū)中，GA-BP和VIP2-GA-BP預(yù)測的SSC值域范圍(分別為0.20～70.00 g/kg、0.18～69.99 g/kg)更接近實際采樣點SSC值域范圍(0.18～70.00 g/kg)，三工河靶區(qū)中，GA-BP預(yù)測的SSC值域范圍(2.80～26.39 g/kg)更接近實際采樣點SSC值域范圍(2.62～26.56 g/kg)。

圖10 瑪納斯靶區(qū)3組模型反演的SSC分布

圖11 三工河靶區(qū)3組模型反演的SSC分布

土壤屬性的空間分布具有空間自相關(guān)和空間分異性[48]。為比較3組模型反演SSC的局部特征，在兩靶區(qū)隨機選取3個子區(qū)進(jìn)行對比(圖12、圖13)，發(fā)現(xiàn)各子區(qū)3組模型反演的SSC空間分布均存在較大差異(可能與模型篩選的反演參數(shù)有關(guān))，與各模型反演的SSC整體空間分布結(jié)果對應(yīng)；各子區(qū)中GA-BP反演的各類地物輪廓最清晰，且地物內(nèi)SSC的均質(zhì)性也最好。

圖12 瑪納斯靶區(qū)子區(qū)的位置及SSC分布

圖13 三工河靶區(qū)子區(qū)的位置及SSC分布

由上述分析可知，GA-BP反演精度最高，故參照新疆鹽堿土分類標(biāo)準(zhǔn)[27]，基于GA-BP反演的 SSC將兩靶區(qū)土壤劃分為5類(圖14，彩圖見附錄3)，并統(tǒng)計各類鹽漬土的面積比例(圖15)。在瑪納斯靶區(qū)，鹽漬土面積占比最高(55.87%)，其次為非鹽漬土(16.60%)，二者多呈塊狀分布，重度鹽漬土、中度鹽漬土、輕度鹽漬土多呈點狀分布。在三工河靶區(qū)，中度鹽漬土面積占比最高(51.02%)，其次為輕度鹽漬土(16.60%)，鹽漬土面積占比最小(1.54%)，各類鹽漬土多呈塊狀分布，鹽漬土、重度鹽漬土主要分布在靶區(qū)北部。從鹽漬土分類結(jié)果及各類鹽漬土面積占比看，瑪納斯靶區(qū)土壤鹽漬化程度較三工河靶區(qū)嚴(yán)重，這與兩靶區(qū)采樣點SSC的統(tǒng)計結(jié)果吻合。

5 結(jié)論與討論

在新疆瑪納斯流域和三工河流域各選一靶區(qū)，基于Landsat-8 OLI、Sentinel-1 SAR影像數(shù)據(jù)和SRTM高程數(shù)據(jù)構(gòu)建反演參數(shù)，通過VIP、GA、BPNN建立3組優(yōu)化模型，進(jìn)行SSC反演并統(tǒng)計各類鹽漬土的面積比例。結(jié)論如下：1)模型反演精度由高到低排序為GA-BP、VIP1-GA-BP、VIP2-GA-BP，表明同步優(yōu)化反演參數(shù)和模型參數(shù)的特征篩選方式效果最好，這與Xu等[11]的研究結(jié)果相似。2)鹽分指數(shù)和植被指數(shù)在土壤鹽漬化反演中起著重要作用，同一模型篩選的反演參數(shù)存在區(qū)域異質(zhì)性，但高程適用不同的篩選模型，具有較強的魯棒性，與王飛等[5]的研究結(jié)果對應(yīng)。3)兩靶區(qū)3組模型反演的SSC整體空間分布圖圖斑破碎度均較大，SSC值域范圍與實際采樣點SSC值域范圍的差異均較小；各子區(qū)中3組模型反演的SSC空間分布均存在較大差異，其中GA-BP反演的SSC空間分布地物輪廓最清晰，且地物內(nèi)SSC的均質(zhì)性最好，這與朱阿興等[48]的土壤數(shù)字制圖理論相符。4)瑪納斯靶區(qū)土壤鹽漬化程度較三工河靶區(qū)嚴(yán)重，兩靶區(qū)面積占比最大的鹽漬土類型分別為鹽漬土和中度鹽漬土。

圖14 兩靶區(qū)各類鹽漬土的空間分布

圖15 兩靶區(qū)各類鹽漬土的面積比例

本研究利用GA-BP進(jìn)行SSC反演，取得了不錯效果，但GA優(yōu)化的反演參數(shù)子集和模型參數(shù)可能是局部最優(yōu)，今后可借鑒統(tǒng)計學(xué)中置信度檢驗的思想，設(shè)定衡量優(yōu)化的參數(shù)為全局最優(yōu)可信度指標(biāo)[49,50]；研究中將一些反演參數(shù)設(shè)為經(jīng)驗值，算法GA、BPNN也有部分參數(shù)是人為設(shè)定的，加之本研究沒有兩靶區(qū)實際的土壤鹽分含量分布圖，只能通過測試集數(shù)據(jù)判斷結(jié)果優(yōu)劣，具有一定的不確定性；運用GEE云計算功能提取反演參數(shù)集時，僅考慮VV極化方式的微波物理量，后期可以綜合考慮多種極化方式的微波物理量，采用Python或JavaScript語言，并移植到GEE云計算平臺中，進(jìn)行大范圍智能化的土壤鹽漬化反演研究。