孫亞楠，李仙岳，史海濱，馬紅雨，王維剛，崔佳琪，陳 辰

基于高光譜數(shù)據(jù)的鹽荒地和耕地土壤鹽分遙感反演優(yōu)化

孫亞楠1，李仙岳1※，史海濱1，馬紅雨1，王維剛1，崔佳琪2，陳 辰3

（1. 內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，呼和浩特 010018； 2. 內(nèi)蒙古赤峰市克什克騰旗浩來(lái)呼熱蘇木人民政府，赤峰 025374； 3. 內(nèi)蒙古自治區(qū)水利廳綜合保障中心，呼和浩特 010010）

鹽荒地作為研究區(qū)的“臨時(shí)鹽庫(kù)”，其土壤鹽分遠(yuǎn)高于研究區(qū)平均水平，因此探究不同土地利用類型土壤鹽分的光譜響應(yīng)差異以及對(duì)鹽分遙感模型的影響，是實(shí)現(xiàn)不同土地類型土壤鹽分反演值更加接近真實(shí)值的重要途徑。該研究以河套灌區(qū)永濟(jì)灌域?yàn)槔槍?duì)耕地和鹽荒地土壤分別進(jìn)行原位高光譜測(cè)定（FieldSpec 4 Hi-Res，ASD），對(duì)光譜數(shù)據(jù)進(jìn)行多種光譜變換（基礎(chǔ)數(shù)學(xué)變換、導(dǎo)數(shù)變換及光譜指數(shù)）后，分別基于特征波長(zhǎng)和特征光譜指數(shù)構(gòu)建單一土地類型鹽分反演模型（耕地（Agricultural Land，AL）、鹽荒地（Salinized Wasteland，SW））和整體鹽分反演模型（耕地+鹽荒地（Agricultural Land + Salinized Wasteland，AL+SW）），對(duì)比分析2種建模方式下的模型精度，提出區(qū)域土壤鹽分遙感反演的最佳建模方式。結(jié)果表明：AL、SW和AL+SW中土壤樣本數(shù)據(jù)的平均含鹽量分別為5.09、13.42和7.09 g/kg，且在各等級(jí)鹽分區(qū)間內(nèi)，SW的光譜反射率均大于AL，其中輕度鹽化土、中度鹽化土和重度鹽化土的光譜反射率平均差值分別為0.040、0.020和0.034；光譜變換和光譜指數(shù)均能有效改善不同土地類型中土壤鹽分與光譜的相關(guān)性。相比基礎(chǔ)變換（倒數(shù)、對(duì)數(shù)、根式等），導(dǎo)數(shù)變換不僅增大了敏感波長(zhǎng)的范圍，還使得特定波長(zhǎng)處相關(guān)系數(shù)得到顯著提升。不同土地類型中基于特征光譜指數(shù)的模型精度均高于基于特征波長(zhǎng)的模型；單一土地類型鹽漬化反演模型明顯提高了區(qū)域土壤鹽分的反演精度，單一土地類型鹽漬化反演模型中（AL、SW模型）各變換下光譜指數(shù)模型平均決定系數(shù)相比整體模型（AL+SW模型）由0.50提高到了0.61，其中基礎(chǔ)變換、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)模型平均2相比整體模型分別提高了0.06、0.11和0.17，同時(shí)，基于最優(yōu)光譜指數(shù)的單一土地類型鹽漬化反演模型平均2相比整體模型由0.74提高到了0.92。因此，當(dāng)區(qū)域中存在鹽分相差較大的多種土地利用類型時(shí)，對(duì)不同土地利用類型單獨(dú)構(gòu)建土壤鹽分反演模型能確保反演結(jié)果更接近實(shí)際情況。

鹽分；遙感；土壤；河套灌區(qū)；反演；光譜變換；鹽荒地

0 引 言

土壤鹽漬化是目前全球面臨的主要土壤環(huán)境問(wèn)題，在降雨少、蒸發(fā)大的干旱地區(qū)土壤鹽漬化尤為嚴(yán)重[1]。據(jù)統(tǒng)計(jì)，土壤原生鹽漬化面積為9.55×108hm2，由于過(guò)度灌溉、排水不暢和地下水位過(guò)高等問(wèn)題引起的次生鹽漬化面積也高達(dá)0.77×108hm2[2-3]，僅內(nèi)蒙古河套灌區(qū)鹽漬化面積就達(dá)3.33×105hm2，占總耕地面積的63.8%，灌區(qū)多數(shù)地區(qū)處于積鹽狀態(tài)，土壤鹽漬化防治一直是該地區(qū)的主要任務(wù)[4-5]。傳統(tǒng)的區(qū)域?qū)嵉夭蓸臃椒ê臅r(shí)長(zhǎng)、成本高、大范圍信息獲取難度較大，且受到空間抽樣調(diào)查方法限制，在反映全局情況方面存在不足[6]，而遙感技術(shù)中高光譜數(shù)據(jù)具有分辨率高、圖譜合一的優(yōu)點(diǎn)，在土壤鹽分反演研究中應(yīng)用較為廣泛[7]，其中原位監(jiān)測(cè)能夠保持土壤表層鹽分的分布狀態(tài)，更能反映土壤的真實(shí)情況[8]，避免了室內(nèi)測(cè)定法對(duì)表層土壤所產(chǎn)生的人為影響[9-12]。另外，現(xiàn)有研究表明，光譜的種類和變換形式能夠有效提高模型精度，在光譜指數(shù)構(gòu)建或經(jīng)光譜數(shù)學(xué)變換過(guò)程中能夠?qū)⒁恍╇[藏的信息顯露出來(lái)，改善土壤鹽分與光譜的相關(guān)關(guān)系，從而提高模型的精度[13]。但現(xiàn)有研究中，針對(duì)不同土地類型的鹽分反演模型中光譜變換的應(yīng)用差異性研究較少，包括不同光譜變換下不同土地類型敏感波長(zhǎng)的位置及土壤鹽分與光譜之間的相關(guān)性等，從而使得區(qū)域中存在鹽分相差較大的多種土地利用類型時(shí)的最佳建模方式的提出缺乏理論依據(jù)。

目前區(qū)域土壤鹽分遙感反演研究中，大多將區(qū)域土壤鹽分作為一個(gè)整體進(jìn)行鹽分反演模型的構(gòu)建與驗(yàn)證[13-14]，然而當(dāng)研究區(qū)中存在鹽分特征具有顯著差異的多種土地類型時(shí)，如耕地和鹽荒地，其在土壤鹽分水平、離子種類和表層鹽分結(jié)皮狀態(tài)等方面均有所不同[15]。首先，土壤鹽分水平不同，河套灌區(qū)中鹽荒地鹽分含量遠(yuǎn)大于耕地[16]，其中0～20 cm的土壤含鹽量是耕地的4倍甚至更多[17]。土壤鹽分水平不同時(shí)，土壤對(duì)光譜的吸收規(guī)律也不同[18]，這會(huì)導(dǎo)致耕地和鹽荒地土壤鹽分對(duì)光譜的響應(yīng)存在差異。其次，耕地與鹽荒地中鹽分離子組成不同，如景宇鵬等[19]研究發(fā)現(xiàn)河套灌區(qū)（海流圖）耕地中陽(yáng)離子主要以Ca2+為主，陰離子以HCO- 3為主，而荒地陽(yáng)離子以K+和Na+為主，陰離子以SO2- 4、Cl-和CO2- 3為主，有研究表明，即使土壤含鹽量在同一等級(jí)時(shí)，當(dāng)離子種類不同時(shí)，土壤對(duì)光譜的響應(yīng)規(guī)律存在顯著差異[10]。最后，耕地和鹽荒地表層土壤鹽分結(jié)皮程度不同，特別是春灌前，鹽荒地土壤表層結(jié)皮程度遠(yuǎn)高于耕地。不同的土壤表層鹽分結(jié)皮程度會(huì)產(chǎn)生不同的光譜特征[20]。因此將耕地與鹽荒地這2種土壤鹽分特征具有差異的土地利用類型作為整體進(jìn)行研究時(shí)，忽視了二者之間顯著的差異性，會(huì)導(dǎo)致構(gòu)建的整體化模型均不能真實(shí)地反映耕地和鹽荒地土壤鹽分的情況[15]。

本文以野外原位高光譜數(shù)據(jù)（FieldSpec 4 Hi-Res，ASD）作為數(shù)據(jù)源，對(duì)光譜數(shù)據(jù)進(jìn)行多種光譜變換（基礎(chǔ)數(shù)學(xué)變換和導(dǎo)數(shù)變換）及多種光譜指數(shù)的構(gòu)建，分別基于特征波長(zhǎng)和特征光譜指數(shù)構(gòu)建單一土地類型土壤鹽分模型和耕地+鹽荒地整體鹽分反演模型，對(duì)比分析2種模型的精度，提出區(qū)域鹽漬化最佳建模方式，為區(qū)域中存在鹽分相差較大的多種土地利用類型時(shí)的土壤鹽分反演研究提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

永濟(jì)灌域作為河套灌區(qū)五大灌域之一（107°13′～107°42′E，40°36′～41°13′N），南北長(zhǎng)60 km，東西寬40 km，總土地面積1.836×105hm2，現(xiàn)灌溉面積約1.122×105hm2。研究區(qū)平均年蒸發(fā)量為2 275 mm，年平均降水量為145 mm。耕地作為研究區(qū)主要的土地利用類型，其中約1/2耕地土壤有不同程度的鹽堿化，土壤中氯化鹽、硫酸鹽和鈉鹽含量較高，鹽分類型復(fù)雜[21]。鹽荒地在該區(qū)域分布較為分散，且多集中在耕地周圍，為耕地生育期的“臨時(shí)鹽庫(kù)”[22]。據(jù)統(tǒng)計(jì)，2017－2020年研究區(qū)鹽荒地面積在9.608×103～9.969×103hm2之間[23]，土壤含鹽量較高，總體土壤含鹽量大于10 g/kg。

1.2 數(shù)據(jù)的采集與處理

1.2.1 野外數(shù)據(jù)采集及處理

野外數(shù)據(jù)采集時(shí)地表無(wú)植被覆蓋，能最大限度減小植被對(duì)光譜影響，具體采樣時(shí)間為2018年4月5日－10日、2019年4月6日－10日和2020年4月1日－7日，共3個(gè)時(shí)段。根據(jù)實(shí)際的道路情況、采樣的難易程度以及樣點(diǎn)的均勻分布等情況，各時(shí)段的耕地和鹽荒地的采樣點(diǎn)個(gè)數(shù)分別為90個(gè)和40個(gè)（圖1）。

1.2.2 高光譜數(shù)據(jù)的采集與處理

1）數(shù)據(jù)的采集及預(yù)處理

首先利用ArcGIS軟件在研究區(qū)范圍內(nèi)均勻布置采樣點(diǎn)，野外采樣依據(jù)預(yù)先設(shè)定點(diǎn)的30 m范圍內(nèi)尋找平坦裸地進(jìn)行，每個(gè)采樣點(diǎn)為15 m×15 m的樣方區(qū)，根據(jù)五點(diǎn)采樣法[24]利用土鉆對(duì)0～20 cm土層采集5份樣本，樣本通過(guò)自然風(fēng)干、碾碎、過(guò)2 mm孔徑篩并按照土壤農(nóng)化分析規(guī)范進(jìn)行各離子含量的測(cè)定[25]，包括CO2- 3、HCO- 3、Cl-、Ca2+、Mg2+等八大離子，計(jì)算得到全鹽量，去除異常值后，計(jì)算各點(diǎn)所取重復(fù)的平均值作為最終含鹽量數(shù)據(jù)。

注：DEM為數(shù)字高程模型，A、B為典型鹽荒地。

野外高光譜數(shù)據(jù)利用美國(guó)地物光譜儀ASD在晴朗無(wú)云的天氣下測(cè)定，最佳采樣時(shí)段為10:00—14:00，探頭視場(chǎng)角度為25°且距地1 m，每個(gè)點(diǎn)位測(cè)定2次后取平均值作為該樣點(diǎn)的野外實(shí)測(cè)高光譜數(shù)據(jù)[26]。利用ViewSpecpro、Origin軟件對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括去除邊緣波段、平滑去躁、均值等，其中邊緣波段范圍主要包括350～399、1 340～1 450、1 750～2 020、2 330～2 500 nm，在該范圍內(nèi)光譜信號(hào)受噪聲影響較大，數(shù)據(jù)不穩(wěn)定，數(shù)據(jù)質(zhì)量較差，需要進(jìn)行剔除。平滑去躁的方法主要包括移動(dòng)平均法、小波去噪、相鄰平均值法（Adjacent-Averaging，AA）、Savitzky-Golay濾波等，本文利用Origin中的相鄰平均值法對(duì)光譜進(jìn)行平滑處理，窗口點(diǎn)數(shù)設(shè)置為5。

2）高光譜數(shù)據(jù)的變換

有關(guān)目標(biāo)含量反演研究中對(duì)光譜采用的數(shù)學(xué)變換方法較多，包括基礎(chǔ)變換，如根式、倒數(shù)、對(duì)數(shù)[27]等，導(dǎo)數(shù)變換，如一階導(dǎo)數(shù)、二階導(dǎo)數(shù)等，其中基礎(chǔ)變換可以有效突出光譜曲線的混合特征信息，提高光譜靈敏度[14]，導(dǎo)數(shù)變換中一階導(dǎo)數(shù)能夠消除部分線性或接近線性的噪聲光譜以及背景等對(duì)目標(biāo)光譜的影響，提高重疊光譜分辨率，二階導(dǎo)數(shù)能夠很好地消除基線漂移和背景信號(hào)，提高分析精度[28]。本文在基礎(chǔ)變換的基礎(chǔ)上疊加導(dǎo)數(shù)變換，從而實(shí)現(xiàn)多變換的綜合應(yīng)用，最終的變換形式包括原始變換()、倒數(shù)(1/)、對(duì)數(shù)(lg)、平方根()0.5、一階導(dǎo)數(shù)()′、倒數(shù)一階導(dǎo)數(shù)(1/)′、對(duì)數(shù)一階導(dǎo)數(shù)(lg)′、平方根一階導(dǎo)數(shù)(()0.5)′、二階導(dǎo)數(shù)()″、倒數(shù)二階導(dǎo)數(shù)(1/)″、對(duì)數(shù)二階導(dǎo)數(shù)(lg)″、平方根二階導(dǎo)數(shù)(()0.5)″12種處理。

由于本文采樣時(shí)段地表無(wú)植被覆蓋，所以未考慮植被指數(shù)進(jìn)行對(duì)比研究。所采用的光譜指數(shù)分別為歸一化土壤指數(shù)（Normalized Differential Soil Index，NDSI）、差值土壤指數(shù)（Difference Soil Index，DSI）和簡(jiǎn)單比值土壤指數(shù)（Simple Ratio Soil Indices，RSI）[29]，這3種光譜指數(shù)涵蓋了較多形式的光譜指數(shù)，具有一定的代表性。

NDSI=(T?T)/(T+T)（1）

DSI=T?T（2）

RSI=T/T（3）

式中T和T為400～2 330 nm間隨機(jī)選擇的第和波段的土壤光譜反射率。

1.3 研究方法

多元逐步線性回歸[30-31]是在模型構(gòu)建過(guò)程中每一步只引入或剔除一個(gè)自變量，自變量采用向前法進(jìn)行篩選，其是否被引入或剔除則取決于檢驗(yàn)或校正決定系數(shù)，在顯著性水平0.01下，>F（F為臨界值）說(shuō)明該回歸方程是顯著的，并采用決定系數(shù)（2）和均方根誤差（Root Mean Square Error，RMSE）作為模型精度的評(píng)價(jià)指標(biāo)[32]。若不顯著，則需要重新選取敏感波段進(jìn)行計(jì)算。多元線性回歸模型相比其他機(jī)器模型能夠進(jìn)一步降低模型的應(yīng)用難度。

本文將2018—2020年鹽分樣本進(jìn)行統(tǒng)計(jì)，耕地、鹽荒地和耕地+鹽荒地總樣本數(shù)分別為270、120和390個(gè)，對(duì)耕地和鹽荒地的樣本分別按鹽分值由小到大排列，每隔一個(gè)樣本選擇一個(gè)樣本作為訓(xùn)練集，即訓(xùn)練集樣本數(shù)∶驗(yàn)證集樣本數(shù)=1∶1，耕地+鹽荒地的訓(xùn)練集樣本則將耕地、鹽荒地的訓(xùn)練集樣本合并即可，驗(yàn)證集同理。利用SPSS software (Version 21)軟件對(duì)耕地、鹽荒地鹽分與光譜進(jìn)行相關(guān)性分析，選擇與鹽分顯著相關(guān)（<0.01）的波長(zhǎng)和光譜指數(shù)作為敏感因子，并利用逐步線性回歸的方法對(duì)敏感因子進(jìn)行篩選，去除共線性較高的因子，在保證模型精度的同時(shí)減少參與模型構(gòu)建的敏感因子數(shù)量，此時(shí)參與模型構(gòu)建的敏感因子即為特征波長(zhǎng)和特征光譜指數(shù)。

2 結(jié)果與分析

2.1 土壤鹽分含量及光譜特征分析

2.1.1 土壤鹽分含量分析

對(duì)耕地、鹽荒地0～20 cm土壤含鹽量進(jìn)行描述性統(tǒng)計(jì)分析（表1），耕地和鹽荒地鹽分分別在0.92～17.91 g/kg和0.61～55.07 g/kg之間，多年平均值分別為5.09 g/kg和13.42 g/kg，鹽荒地平均鹽分含量明顯大于耕地，當(dāng)耕地、鹽荒地作為整體進(jìn)行分析時(shí)，土壤鹽分含量在0.61～55.07 g/kg之間，平均值為7.09 g/kg，相比耕地增加了39.29%，相比鹽荒地減小了17.17%。

2.1.2 土壤光譜特征分析

根據(jù)土壤鹽漬化等級(jí)劃分標(biāo)準(zhǔn)[33-35]可知，耕地主要以非鹽化土、輕度、中度和重度鹽化土為主，鹽荒地多以輕度、中度、重度鹽化土和鹽土為主。為對(duì)比耕地、鹽荒地同一鹽漬化等級(jí)下光譜特征的差異性，本文以輕度、中度、重度鹽化土等級(jí)為例，對(duì)耕地、鹽荒地同一鹽漬化等級(jí)中鹽分含量較為相近的光譜反射率計(jì)算平均值并對(duì)其進(jìn)行對(duì)比分析。結(jié)果表明，不同鹽漬化等級(jí)的土壤在各波長(zhǎng)處的反射率值不同，但具有相似的特征，如隨著土壤鹽漬化等級(jí)的增加，耕地和鹽荒地的光譜反射率均呈逐漸增加的趨勢(shì)（圖2），即鹽分越大，光譜反射率越高[36]，其中600～1 700 nm處（紅波段、近紅外和短波紅外波段）較為顯著。隨著波長(zhǎng)的增加，耕地和鹽荒地土壤的反射率呈先增加后下降的趨勢(shì)，下降點(diǎn)約在1 700 nm處。在各等級(jí)鹽分區(qū)間內(nèi)，鹽荒地的反射率均大于耕地，輕度、中度和重度的反射率差值分別在0.014～0.075、0.001～0.049和0.002～0.068范圍內(nèi)，平均差值分別為0.040、0.020和0.034，可能是由于鹽荒地中鹽分多積聚于表層，鹽分結(jié)皮現(xiàn)象明顯，耕地則由于耕作、鹽分離子類型和含量等因素影響，鹽分結(jié)皮現(xiàn)象弱于鹽荒地，所以使得光譜對(duì)鹽荒地中鹽分的響應(yīng)更加敏感。

表1 土壤鹽分描述性統(tǒng)計(jì)分析

圖2 不同鹽漬化等級(jí)的耕地和鹽荒地光譜特征

2.2 基于高光譜波長(zhǎng)反射率的鹽分回歸模型的構(gòu)建

2.2.1 波長(zhǎng)反射率與土壤鹽分的相關(guān)性分析

分別對(duì)耕地、鹽荒地和耕地+鹽荒地的高光譜反射率進(jìn)行上述12種變換（圖3）。AL、SW和AL+SW中、1/、lg和0.5的基礎(chǔ)變換中光譜反射率均未與土壤鹽分達(dá)到0.01水平相關(guān)，相關(guān)系數(shù)絕對(duì)值的平均值分別為0.118、0.126和0.096。相比基礎(chǔ)變換（倒數(shù)、對(duì)數(shù)、根式等），導(dǎo)數(shù)變換對(duì)于改善鹽分與光譜的相關(guān)關(guān)系效果顯著，其中經(jīng)一階導(dǎo)數(shù)變換后，光譜與鹽分的相關(guān)性出現(xiàn)大幅度波動(dòng)，一方面，增大了敏感波長(zhǎng)的范圍，AL、SW和AL+SW敏感波段數(shù)量相比基礎(chǔ)變換分別平均增加了22個(gè)、40個(gè)和374個(gè)，顯著波長(zhǎng)的位置多集中于短波紅外區(qū)域，如AL鹽分與光譜反射率顯著相關(guān)的波長(zhǎng)多集中于800～2 330 nm之間（圖3a～圖3d），分布較為分散。SW鹽分與光譜反射率顯著相關(guān)的波長(zhǎng)集中區(qū)間為800～1 700 nm之間（圖3e～圖3h），分析原因可能為鹽荒地的土壤鹽分含量較高，導(dǎo)致光譜對(duì)鹽分的響應(yīng)更加集中且劇烈。與AL和SW不同的是，AL+SW中提高了400～800 、2 200～2 300 nm之間波長(zhǎng)與鹽分的相關(guān)性（圖3i～圖3l）。另一方面，特定波長(zhǎng)處相關(guān)系數(shù)得到顯著提升。二階導(dǎo)數(shù)變換后相關(guān)系數(shù)曲線波動(dòng)程度較一階導(dǎo)數(shù)更為劇烈，敏感波長(zhǎng)位置變的分散，且明顯增加了AL和SW中400～900 nm范圍內(nèi)波長(zhǎng)與鹽分的相關(guān)系數(shù)。

注：虛線為顯著性水平0.01。T為反射率。

2.2.2 基于特征波長(zhǎng)的土壤鹽分回歸模型的構(gòu)建

利用多元逐步回歸的方法對(duì)上述敏感波長(zhǎng)進(jìn)行篩選，最終得到的特征波長(zhǎng)如表2所示，鹽荒地各變換下特征波長(zhǎng)較少，分析原因?yàn)辂}荒地中敏感波長(zhǎng)少且位置較為集中，共線性較高所致。各模型中，特征波長(zhǎng)多集中于400～800和1 400～2 200 nm之間。

利用特征波長(zhǎng)構(gòu)建耕地、鹽荒地和耕地+鹽荒地土壤鹽分的反演模型，各模型的訓(xùn)練集和驗(yàn)證集2分別在0.25～0.64和0.26～0.64之間（表3），平均2為0.49，RMSE分別在1.10～15.86和1.15～15.79 g/kg之間，平均RMSE為9.60 g/kg。基于一階導(dǎo)數(shù)構(gòu)建的模型中，AL、SW模型精度均較低，平均2和平均RMSE分別為0.38和8.29 g/kg，基于二階導(dǎo)數(shù)構(gòu)建的模型中，AL、SW模型精度有所提高，平均2相比一階導(dǎo)數(shù)構(gòu)建的模型提高了0.13，平均RMSE降低了0.86 g/kg。結(jié)果表明，雖然一階導(dǎo)數(shù)變換明顯增加了AL和SW中顯著相關(guān)的波長(zhǎng)范圍，但對(duì)總體模型精度提高能力弱于二階導(dǎo)數(shù)變換。AL+SW中經(jīng)一階導(dǎo)數(shù)變換后，敏感波長(zhǎng)與鹽分的相關(guān)系數(shù)提高幅度較大，從而使得AL+SW的模型精度較高。基于特征波長(zhǎng)的鹽分反演模型中，AL、SW、AL+SW的最優(yōu)變換分別為(0.5)″、″和(1/)′，精度相差不大，其中訓(xùn)練集和驗(yàn)證集的平均2分別為0.59、0.64和0.64，平均RMSE分別為1.24、11.95和11.75 g/kg。

綜合考慮訓(xùn)練集和驗(yàn)證集精度最終選定(0.5)″、″和(1/)′分別作為AL、SW、AL+SW的最優(yōu)變換形式，對(duì)其擬合狀態(tài)進(jìn)行分析（圖4）。耕地鹽分樣點(diǎn)主要集中在3～8 g/kg之間，分布集中，鹽荒地鹽分主要集中在15～40 g/kg之間，數(shù)值較大且分布較為分散。AL+SW模型實(shí)測(cè)值與反演值擬合曲線趨勢(shì)主要受鹽荒地的鹽分影響，導(dǎo)致模型的RMSE與SW模型總體一致。從實(shí)測(cè)點(diǎn)和反演點(diǎn)的分布來(lái)看，AL+SW模型的耕地樣點(diǎn)區(qū)域內(nèi)，擬合曲線位于1:1線上方，表明鹽分反演值大于實(shí)測(cè)值，而在鹽荒地樣點(diǎn)范圍內(nèi)，擬合曲線在1:1線下方，即鹽分反演值小于實(shí)測(cè)值。因此，整體模型的反演結(jié)果在反映耕地和鹽荒地土壤鹽分的真實(shí)情況均存在明顯的不足。

表2 不同變換下的特征波長(zhǎng)

注：2是決定系數(shù)；RMSE是均方根誤差。下同。

Note:2is coefficient of determination; RMSE is Root-Mean-Square Error. Same as below.

圖4 最優(yōu)變換下基于特征波長(zhǎng)模型的構(gòu)建與驗(yàn)證

2.3 基于光譜指數(shù)的鹽分回歸模型的構(gòu)建

2.3.1 光譜指數(shù)與土壤鹽分的相關(guān)性分析

分析不同光譜變換下的DSI、NDSI和RSI與AL、SW和AL+SW土壤鹽分的相關(guān)關(guān)系。光譜指數(shù)與鹽分顯著相關(guān)的數(shù)量和相關(guān)系數(shù)有了明顯的提高，不同變換下敏感光譜指數(shù)組合方式在3～375個(gè)之間，平均值為97個(gè)，敏感光譜指數(shù)與鹽分相關(guān)系數(shù)絕對(duì)值的平均值在0.40～0.51之間，平均值為0.45。特別是基礎(chǔ)變換中出現(xiàn)了敏感光譜指數(shù)，因此，光譜指數(shù)能夠改善鹽分與光譜反射率的關(guān)系?；A(chǔ)變換中，AL、SW、AL+SW敏感光譜指數(shù)數(shù)量平均分別為117、101和36個(gè)，相關(guān)系數(shù)絕對(duì)值的平均值分別為0.42、0.47和0.42（圖5a和圖5d）。經(jīng)導(dǎo)數(shù)變換后，AL+SW敏感光譜指數(shù)的數(shù)量和相關(guān)系數(shù)均有所提高，一階導(dǎo)數(shù)變換后，DSI、NDSI和RSI敏感光譜指數(shù)數(shù)量分別為基礎(chǔ)變換的1.08、6.62和5.14倍，相關(guān)系數(shù)絕對(duì)值的平均值相比基礎(chǔ)變換分別提高了0.015、0.012和0.011（圖5b和圖5e），二階導(dǎo)數(shù)變換后，DSI、NDSI和RSI敏感光譜指數(shù)數(shù)量分別為基礎(chǔ)變換的1.23、14.31和12.79倍，相關(guān)系數(shù)絕對(duì)值的平均值相比基礎(chǔ)變換分別提高了1.024、1.038和1.048（圖5c和圖5f），其中NDSI在導(dǎo)數(shù)變換后敏感光譜指數(shù)數(shù)量增加幅度最大，而對(duì)于AL、SW，導(dǎo)數(shù)變換僅增加了敏感光譜指數(shù)與鹽分的相關(guān)系數(shù)，但敏感光譜指數(shù)數(shù)量增減卻無(wú)一致性變化。

注：RSI為簡(jiǎn)單比值土壤指數(shù)；NDSI為歸一化土壤指數(shù)：DSI為差值土壤指數(shù)。下同。

2.3.2 基于特征光譜指數(shù)的土壤鹽分回歸模型的構(gòu)建

利用多元逐步線性回歸方法篩選特征光譜指數(shù)并構(gòu)建回歸模型（表4）?；诠庾V指數(shù)構(gòu)建的模型相比基于波長(zhǎng)的模型來(lái)說(shuō)，其精度得到了明顯的提升，如基礎(chǔ)變換中，AL、SW和AL+SW模型的2雖較低，訓(xùn)練集和驗(yàn)證集平均2為0.32，但一階導(dǎo)數(shù)變化后，AL、SW和AL+SW回歸模型的平均2相比波長(zhǎng)的回歸模型分別提高了0.30、0.38和0，二階導(dǎo)數(shù)變化后，AL、SW和AL+SW回歸模型的平均2相比波長(zhǎng)的回歸模型分別提高了0.28、0.28和0.02。AL、SW中基于光譜指數(shù)的最優(yōu)變換形式均為二階導(dǎo)數(shù)，綜合回歸方程的2以及參與模型構(gòu)建的因子數(shù)量，最終確定的最優(yōu)模型分別為(0.5)″'-NDSI和(lg)″-NDSI，平均2分別為0.92和0.93，而AL+SW則為一階導(dǎo)數(shù)，為()′-NDSI，2為0.74。與基于波長(zhǎng)的回歸模型不同的是，基于光譜指數(shù)的單一土地類型鹽分反演模型（AL、SW模型）精度明顯高于整體模型（AL+SW模型）精度，單一土地類型鹽分反演模型中各變換下的模型平均2相比整體模型由0.50提高到了0.61，提高了0.11，基礎(chǔ)變換、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的平均2相比整體模型分別提高了0.06、0.11和0.17，其中單一土地類型鹽分反演模型中AL的基礎(chǔ)變換、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的平均2相比整體模型分別提高了0.08、0.13和0.16，SW的基礎(chǔ)變換、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的平均2相比整體模型分別提高了0.03、0.09和0.13。

AL、SW和AL+SW最優(yōu)變換下的最佳光譜指數(shù)如表5所示。對(duì)AL、SW和AL+SW的最優(yōu)光譜指數(shù)模型的實(shí)測(cè)值與反演值的擬合效果進(jìn)行分析（圖6）?；谧顑?yōu)光譜指數(shù)的單一土地類型鹽分反演模型的平均2相比整體模型由0.74提高到了0.92?；谧顑?yōu)光譜指數(shù)的模型對(duì)比波長(zhǎng)模型可以發(fā)現(xiàn)，RMSE差值減小，其中SW和AL+SW模型RMSE相比基于波長(zhǎng)的回歸模型分別減小了6.85和4.29 g/kg。從實(shí)測(cè)點(diǎn)和反演點(diǎn)的分布來(lái)看，基于光譜指數(shù)的整體模型實(shí)測(cè)值與反演值的擬合效果與基于波長(zhǎng)的模型結(jié)果一致，即整體模型對(duì)鹽荒地的反演結(jié)果小于實(shí)際值，對(duì)于耕地的反演結(jié)果大于實(shí)際值，結(jié)果表明，在光譜指數(shù)的構(gòu)建過(guò)程中，雖然能進(jìn)一步提高整體模型的精度，但整體模型相比單一土地類型鹽分反演模型仍存在不足。

表4 不同變換下的光譜指數(shù)與鹽分回歸方程的決定系數(shù)

表5 最優(yōu)變換下的最佳光譜指數(shù)模型

注：NDSI1為波長(zhǎng)700 nm (T)和1 550 nm (T) 所構(gòu)建的NDSI值。其他類同。為含鹽量，g·kg-1。

Note: NDSI1is the NDSI value constructed at 700 nm (T) and 1 550 nm (T). The others are expressed in the same way.is salinity, g·kg-1.

圖6 最優(yōu)變換下基于特征光譜指數(shù)模型的構(gòu)建與驗(yàn)證

3 討 論

當(dāng)研究區(qū)中存在鹽荒地這種特殊的土地類型時(shí)，考慮了鹽荒地差異性的單一土地類型鹽分反演模型精度高于整體鹽分反演模型，分析可能與鹽分的含量及表層鹽分結(jié)皮狀態(tài)有關(guān)[37]。有研究表明土壤表層鹽分水平以及結(jié)皮的程度不同，會(huì)產(chǎn)生不同的光譜特征，高程度鹽分結(jié)皮相比低程度來(lái)說(shuō)，會(huì)產(chǎn)生更高的反射率和光譜特征[20]，本研究時(shí)段為春灌前，鹽荒地表層土壤鹽分結(jié)皮嚴(yán)重，耕地表層鹽分結(jié)皮現(xiàn)象較輕，在對(duì)二者的光譜特征的對(duì)比特征中發(fā)現(xiàn)，鹽荒地的反射率均大于耕地，輕度、中度和重度的反射率差值分別在0.014～0.075、0.001～0.049和0.002～0.068范圍內(nèi)，平均差值分別為0.040、0.020和0.034。另外，在光譜特征方面，鹽荒地對(duì)光譜響應(yīng)的波長(zhǎng)范圍較為集中，如一階導(dǎo)數(shù)變換下，耕地鹽分與光譜反射率顯著相關(guān)的波長(zhǎng)多集中于800～2 330 nm之間，鹽荒地鹽分與光譜反射率顯著相關(guān)的波長(zhǎng)集中區(qū)間為800～1 700 nm之間。由于耕地和鹽荒地土壤鹽分的光譜差異性，使得單一土地類型的鹽分反演模型相比整體建模來(lái)說(shuō)優(yōu)勢(shì)更為顯著，本研究中，基于光譜指數(shù)的單一土地類型的鹽分反演模型的平均2相比整體模型提高了0.11，其中基礎(chǔ)變換、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的平均2相比整體模型分別提高了0.06、0.11和0.17，同時(shí)基于最優(yōu)光譜指數(shù)的單一土地類型的土壤鹽分反演模型平均2相比整體模型由0.74提高到了0.92。

對(duì)原始光譜反射率進(jìn)行多種數(shù)學(xué)變換或構(gòu)建光譜指數(shù)，是提高目標(biāo)含量反演精度的有效方法，經(jīng)數(shù)學(xué)變換或指數(shù)的構(gòu)建過(guò)程中，能夠使部分與鹽分相關(guān)性較好的光譜信息顯露出來(lái)，從而提高了模型整體精度[38-40]。Bannari等[20]研究發(fā)現(xiàn)，一階導(dǎo)數(shù)變換能夠增強(qiáng)950～2 500 nm的光譜特征。本研究發(fā)現(xiàn)一階導(dǎo)數(shù)變換不僅增加了特定波長(zhǎng)處的相關(guān)系數(shù)，還增加了敏感波長(zhǎng)范圍，如耕地、鹽荒地鹽分與光譜顯著相關(guān)波長(zhǎng)大多分別集中于800～2 330、800～1 700 nm之間。相比基礎(chǔ)變換（倒數(shù)、根式等），導(dǎo)數(shù)變換對(duì)于改善鹽分與光譜的相關(guān)性效果顯著，主要是由于導(dǎo)數(shù)變換能產(chǎn)生比基礎(chǔ)變換更大的振幅擺動(dòng)，過(guò)濾了光譜特征的噪聲，能夠產(chǎn)生或增強(qiáng)與特定目標(biāo)的關(guān)鍵吸收特征，如原始特征中最大、最小值和拐點(diǎn)[20]。在以后的研究中，會(huì)嘗試針對(duì)技術(shù)層面進(jìn)行創(chuàng)新，如考慮對(duì)變換形式和光譜指數(shù)進(jìn)行改進(jìn)，或發(fā)展更為精細(xì)的學(xué)習(xí)模型等來(lái)提高區(qū)域鹽分的反演精度。

地理異質(zhì)性是影響區(qū)域鹽漬化模型精度的重要因素之一，本研究中考慮了鹽荒地的特殊性，分別構(gòu)建了單一土地類型的鹽分反演模型和整體模型，旨在探索地理異質(zhì)性對(duì)模型精度的影響。另外本文研究時(shí)段為春灌前（4月中旬前），土壤尚未進(jìn)行灌水且無(wú)植被覆蓋，地下水水位較低，此時(shí)全域土壤含水率較小且較為接近，最大程度減小了土壤水分[8]、植被覆蓋度[41]等差異對(duì)光譜反射率及整體數(shù)據(jù)的影響。而對(duì)于生育期土壤鹽分的反演研究中，許多學(xué)者通過(guò)作物的長(zhǎng)勢(shì)來(lái)反映土壤的鹽漬化問(wèn)題，研究的尺度大多均為大田尺度或典型小區(qū)域[42]，然而大區(qū)域中，不同小區(qū)域作物的長(zhǎng)勢(shì)不僅受到鹽分的脅迫，同時(shí)也會(huì)受到地形、地下水埋深、作物的品種、施肥、灌水量及灌水次數(shù)等多重因素的影響[43]，因此如何降低地理異質(zhì)性對(duì)生育期土壤鹽分反演模型的影響是研究的重點(diǎn)也是難點(diǎn)。在今后的研究中可以考慮以小區(qū)域?yàn)槭痉饵c(diǎn)，通過(guò)對(duì)區(qū)域施肥、含水率等情況進(jìn)行充分的調(diào)研，建立包含多種要素在內(nèi)的生育期土壤鹽分反演模型，同時(shí)構(gòu)建不同尺度的轉(zhuǎn)換關(guān)系，從而發(fā)展更為可靠的多時(shí)段區(qū)域土壤鹽分反演模型。

4 結(jié) 論

本文在野外原位高光譜測(cè)定的基礎(chǔ)上，對(duì)光譜數(shù)據(jù)進(jìn)行多種變換，分別構(gòu)建了單一土地類型的鹽分反演模型（耕地（Agricultural Land，AL）、鹽荒地（Salinized Wasteland，SW））和整體鹽分反演模型（耕地+鹽荒地（Agricultural Land + Salinized Wasteland，AL+SW）），針對(duì)有鹽荒地存在的區(qū)域，提出了土壤鹽漬化最佳建模方式。具體結(jié)果如下：

1）耕地、鹽荒地和耕地+鹽荒地土壤樣本數(shù)據(jù)平均鹽分含量分別為5.09、13.42和7.09 g/kg，在各等級(jí)鹽分區(qū)間內(nèi)，鹽荒地光譜反射率均大于耕地，其中輕度鹽化土、中度鹽化土和重度鹽化土的光譜反射率平均差值分別為0.040、0.020和0.034。

2）光譜變換和光譜指數(shù)均能有效改善不同土地類型中土壤鹽分與光譜的相關(guān)性。相比基礎(chǔ)變換（倒數(shù)、對(duì)數(shù)、根式等），導(dǎo)數(shù)變換不僅增大了敏感波長(zhǎng)的范圍，還使得特定波長(zhǎng)處相關(guān)系數(shù)得到顯著提升。不同土地類型中基于特征光譜指數(shù)的模型精度均高于基于特征波長(zhǎng)的模型。

3）單一土地類型鹽分反演模型明顯提高了區(qū)域土壤鹽分的反演精度，單一土地類型鹽分反演模型中（AL、SW模型）各變換下光譜指數(shù)模型平均2相比整體模型（AL+SW模型）由0.50提高到了0.61，其中基礎(chǔ)變換、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)模型平均2相比整體模型分別提高了0.06、0.11和0.17，同時(shí)，基于最優(yōu)光譜指數(shù)的單一土地類型鹽分反演模型平均2相比整體模型由0.74提高到了0.92。

[1] Ivushkin K, Bartholomeus H, Bregt A K, et al. Global mapping of soil salinity change[J]. Remote Sens Environ, 2019, 231: 111260.

[2] Moreira L C J, Teixeira A D S, Galv?o L S. Potential of multispectral and hyperspectral data to detect saline-exposed soils in Brazil[J]. Gisci Remote Sens, 2015, 52 (4): 416-436.

[3] Wang D D, Zhao C Y, Zheng J Q, et al. Evolution of soil salinity and the critical ratio of drainage to irrigation (CRDI) in the Weigan Oasis in the Tarim Basin[J]. Catena, 2021, 201: 105210.

[4] 史海濱，楊樹青，李瑞平，等. 內(nèi)蒙古河套灌區(qū)水鹽運(yùn)動(dòng)與鹽漬化防治研究展望[J]. 灌溉排水學(xué)報(bào)，2020，39(8)：1-17.

Shi Haibin, Yang Shuqing, Li Ruiping, et al. Soil water and salt movement and soil salinization control in Hetao Irrigation District: Current state and future prospect[J]. Journal of Irrigation and Drainage, 2020, 39(8): 1-17. (in Chinese with English abstract)

[5] 王維剛，史海濱，李仙岳，等. SWAT 模擬耕作方式與鹽分對(duì)區(qū)域土壤氮運(yùn)移及作物產(chǎn)量影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(3)：55-65.

Wang Weigang, Shi Haibin, Li Xianyue, et al. Effects of tillage modes and soil salinity on regional nitrate nitrogen transport and crop yields using a SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(3): 55-65. (in Chinese with English abstract)

[6] 楊寧，崔文軒，張智韜，等. 無(wú)人機(jī)多光譜遙感反演不同深度土壤鹽分[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(22)：13-21.

Yang Ning, Cui Wenxuan, Zhang Zhitao, et al. Soil salinity inversion at different depths using improved spectral index with UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 13-21. (in Chinese with English abstract)

[7] Muller S J, Van N A. Identification of WorldView-2 spectral and spatial factors in detecting salt accumulation in cultivated fields[J]. Geoderma, 2016, 273: 1-11.

[8] 陳紅艷，趙庚星，李玉環(huán)，等. 消除水分因素影響的野外原狀土壤鹽分高光譜建模估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(12)：119-125.

Chen Hongyan, Zhao Gengxing, Li Yuhuan, et al. Modeling and estimation of field undisturbed soil salt based on hyperspectra under removal of moisture factor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12): 119-125. (in Chinese with English abstract)

[9] 亞森江·喀哈爾. 基于優(yōu)化光譜指數(shù)的土壤鹽漬化水、鹽含量高光譜估算研究[D]. 烏魯木齊：新疆大學(xué)，2019.

Yasenjiang Kahaer. Hyperspectral Estimation of Soil Salt and Moisture Content Based on Optimized Spectral Indices: A Case Study of Weigan-Kuqa River Delta Oasis[D]. Urumqi: Xinjiang University, 2019. (in Chinese with English abstract)

[10] 張俊華，馬天成，賈科利. 典型龜裂堿土土壤光譜特征影響因素研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(23)：158-165.

Zhang Junhua, Ma Tiancheng, Jia Keli. Factors affecting the spectral characteristics of typical takyr solonetzs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 158-165. (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(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(12)：106-115.

Zhang Junhua, Jia Pingping, Sun Yuan, et al. Prediction of salinity ion content in different 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] 羅德芳，馮春暉，吳家林，等. 基于電磁感應(yīng)協(xié)同野外原位光譜的土壤鹽分反演研究[J]. 中國(guó)土壤與肥料，2020(6)：107-113.

Luo Defang, Feng Chunhui, Wu Jialin, et al. The study about soil salt inversion based on electromagnetic induction and situ spectra in field[J]. Soil and Fertilizer Sciences in China, 2020(6): 107-113. (in Chinese with English abstract)

[13] 徐存東，王榮榮，程慧，等. 基于遙感數(shù)據(jù)分析干旱區(qū)人工綠洲灌區(qū)的水鹽時(shí)空分異特征[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(2)：80-89.

Xu Cundong, Wang Rongrong, Cheng Hui, et al. Spatial-temporal distribution of water and salt in artificial oasis irrigation area in arid area based on remote sensing analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 80-89. (in Chinese with English abstract)

[14] 張賢龍，張飛，張海威，等. 基于光譜變換的高光譜指數(shù)土壤鹽分反演模型優(yōu)選[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(1)：110-117.

Zhang Xianlong, Zhang Fei, Zhang Haiwei, et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 110-117. (in Chinese with English abstract)

[15] 蘇閱文. 義長(zhǎng)灌域耕荒地水鹽動(dòng)態(tài)分析及其數(shù)值模擬[D]. 揚(yáng)州：揚(yáng)州大學(xué)，2019.

Su Yuewen. Analysis and Numerical Simulation on the Salt-Water Dynamic in Farmland and Saline Wasteland of Yichang Irrigation Area[D]. Yangzhou : Yangzhou University, 2019. (in Chinese with English abstract)

[16] 竇旭，史海濱，李瑞平，等.鹽漬化土壤剖面鹽分與養(yǎng)分分布特征及鹽分遷移估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53(1)：279-290，330.

Dou Xu, Shi Haibin, Li Ruiping, et al. Distribution characteristics of salinity and nutrients in salinized soil profile and estimation of salt migration[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 279-290, 330. (in Chinese with English abstract)

[17] 常曉敏，王少麗，陳皓銳，等. 河套灌區(qū)土壤鹽分時(shí)空變化特征及影響因素[J]. 排灌機(jī)械工程學(xué)報(bào)，2018，36(10)：1000-1005.

Chang Xiaomin, Wang Shaoli, Chen Haorui, et al. Spatiotemporal changes and influencing factors of soil salinity in Hetao Irrigation District[J]. Journal of Drainage And Irrigation Machinery Engineering, 2018, 36(10): 1000-1005. (in Chinese with English abstract)

[18] Lv Q F, Jiang L S, Ma B, et al. A study on the effect of the salt content on the solidification of sulfate saline soil solidified with an alkali-activated geopolymer[J]. Construction and Building Materials, 2018, 176: 68-74.

[19] 景宇鵬，連海飛，李躍進(jìn)，等. 河套鹽堿地不同利用方式土壤鹽堿化特征差異分析[J]. 水土保持學(xué)報(bào)，2020，34(4)：354-363.

Jing Yupeng, Lian Haifei, Li Yuejin, et al. Analysis on the Difference of soil salinization characteristic in Hetao saline-alkali soil with different land use[J]. Journal of Soil and Water Conservation, 2020, 34(4):354-363. (in Chinese with English abstract)

[20] Bannari A, El-Battay A, Bannari R, et al. Sentinel-MSI VNIR and SWIR bands sensitivity analysis for soil salinity discrimination in an arid landscape[J]. Remote Sensing, 2018, 10(6): 1-20.

[21] 孫亞楠，李仙岳，史海濱，等. 基于多源數(shù)據(jù)融合的鹽分遙感反演與季節(jié)差異性研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(6)：169-180.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Remote sensing inversion of soil salinity and seasonal difference analysis based on multi-source data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 169-180. (in Chinese with English abstract)

[22] 常曉敏. 河套灌區(qū)水鹽動(dòng)態(tài)模擬與可持續(xù)性策略研究[D]. 北京：中國(guó)水利水電科學(xué)研究院，2019.

Chang Xiaomin. Study on Dynamic Simulation of Water and Salt and Sustainablity Strategy in Hetao Irrigation District[D]. Beijing: China Institute of Water Resources and Hydropower Research，2019. (in Chinese with English abstract)

[23] Sun Y N, Li X Y, Shi H B, et al. Modeling salinized wasteland using remote sensing with the integration of decision tree and multiple validation approaches in Hetao irrigation district of China[J]. Catena, 2022, 209: 105854.

[24] 阿爾達(dá)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(yàn)證[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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)

[25] 鮑士旦. 土壤農(nóng)化分析[M]. 3版. 北京：中國(guó)農(nóng)業(yè)出版社，2000.

[26] 孫亞楠，李仙岳，史海濱，等. 河套灌區(qū)土壤水溶性鹽基離子高光譜綜合反演模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50(5)：344-355.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Hyperspectral integrated inverse model for water-soluble salt ions content in Hetao irrigation district[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5): 344-355. (in Chinese with English abstract)

[27] 吳迪. 節(jié)水改造后河套灌區(qū)沈?yàn)豕嘤蛲寥利}分時(shí)空變化規(guī)律研究[D]. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2020.

Wu Di. Study on the Spatial and Temporal Changes of Soil Salt in Shenwu Irrigation District of Hetao Irrigation District after Water Saving Transformation[D]. Huhhot: Inner Mongolia Agricultural University, 2020. (in Chinese with English abstract)

[28] 陳婉婧，閻廣建，呂琳，等. 大豆葉片水平葉綠素含量的高光譜反射率反演模型研究[J]. 北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，48(1)：60-65.

Chen Wanjing, Yan Guangjian, Lv Lin, et al. Hyperspectral reflectance model to estimate chlorophyll content in soybean leaves[J]. Journal of Beijing Normal University (Natural Science), 2012, 48(1): 60-65. (in Chinese with English abstract)

[29] Said Nawar. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: A case study from Egypt[J]. Arabian Journal of Geosciences, 2015, 8(7): 5127-5140.

[30] 咸云浩，張恒德，謝永華，等. 多元逐步回歸與卡爾曼濾波法在霾預(yù)報(bào)中應(yīng)用[J]. 系統(tǒng)仿真學(xué)報(bào)，2018，30(4)：1482-1489.

Xian Yunhao, Zhang Hengde, Xie Yonghua, et al. Application of multiple-stepwise and kalman filtering in Haze forecast[J]. Journal of System Simulation, 2018, 30(4): 1482-1489. (in Chinese with English abstract)

[31] Silva A, Brito J D, Gaspar P L. Application of the factor method to maintenance decision support for stone cladding[J]. Automation in Construction, 2012, 22: 165-174.

[32] 張錄，張芳，熊黑鋼，等. 不同季節(jié)強(qiáng)堿土土壤呼吸影響因子分析與模型預(yù)測(cè)[J]. 干旱地區(qū)農(nóng)業(yè)研究，2017，35(1)：71-78.

Zhang Lu, Zhang Fang, Xiong Heigang, et al. Impact factor analysis and model prediction of strong alkaline soil respiration in different seasons[J]. Agricultural Research in the Arid Areas, 2017, 35(1): 71-78. (in Chinese with English abstract)

[33] 王遵親. 中國(guó)鹽漬土[M]. 南京：中國(guó)科學(xué)院南京土壤研究所，2000.

[34] Wu J W, Vincent B, Yang J Z, et al. Remote sensing monitoring of changes in soil salinity: A case study in Inner Mongolia, China[J]. Sensors, 2008, 8(11): 7035-7049.

[35] Ren D Y, Wei B Y, Xu X, et al. Analyzing spatiotemporal characteristics of soil salinity in arid irrigated agro-ecosystems using integrated approaches[J]. Geoderma, 2019, 356: 113935.

[36] 高曦文. 基于支持向量機(jī)回歸的土壤鹽漬化遙感監(jiān)測(cè)研究[D]. 銀川：寧夏大學(xué)，2020.

Gao Xiwen. Remote Sensing Monitoring Research of Soil Salinization based on Support Vector Machine Regression[D]. Yinchuan: Ningxia University, 2020. (in Chinese with English abstract)

[37] Fan X, Liu Y, Tao J, et al. Soil salinity retrieval from advanced multi-spectral sensor with partial least square regression[J]. Remote Sensing, 2015, 7(1): 488-511.

[38] 勾宇軒，趙云澤，李勇，等. 基于CWT-sCARS的東北旱作農(nóng)田土壤有機(jī)質(zhì)高光譜反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53(3)：331-337.

Gou Yuxuan, Zhao Yunze, Li Yong, et al. Soil organic matter content in dryland farmland in Northeast China with hyperspectral reflectance based on CWT-sCARS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(3): 331-337. (in Chinese with English abstract)

[39] 段丹丹，劉仲華，趙春江，等. 基于優(yōu)化植被指數(shù)的多生育期茶葉游離氨基酸含量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53(2)：393-400.

Duan Dandan, Liu Zhonghua, Zhao Chunjiang, et al. Estimation of free amino acid content in fresh tea leaves at multiple growth periods based on optimized vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(2): 393-400. (in Chinese with English abstract)

[40] 姚遠(yuǎn)，丁建麗，張芳，等．基于高光譜指數(shù)和電磁感應(yīng)技術(shù)的區(qū)域土壤鹽漬化監(jiān)測(cè)模型[J]. 光譜學(xué)與光譜分析，2013，33(6)：1658-1664．

Yao Yuan, Ding Jianli, Zhang Fang, et al. Research on model of soil salinization monitoring based on hyperspectral index and EM38[J]. Spectroscopy and Spectral Analysis, 2013, 33(6): 1658-1664. (in Chinese with English abstract)

[41] 帥爽，張志，呂新彪，等. 礦山恢復(fù)治理區(qū)植被物候與健康狀況遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(4)：224-234.

Shuai Shuang, Zhang Zhi, Lyu Xinbiao, et al. Remote sensing monitoring of vegetation phenological characteristics and vegetation health status in mine restoration areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 224-234. (in Chinese with English abstract)

[42] 陳俊英，姚志華，張智韜，等. 大田葵花土壤含鹽量無(wú)人機(jī)遙感反演研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(7)：178-191.

Chen Junying, Yao Zhihua, Zhang Zhitao, et al. UAV remote sensing inversion of soil salinity in field of sunflower[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 178-191. (in Chinese with English abstract)

[43] 鄒海洋，張富倉(cāng)，吳立峰，等. 基于不同水肥組合的春玉米相對(duì)根長(zhǎng)密度分布模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(4)：133-142.

Zou Haiyang, Zhang Fucang, Wu Lifeng, et al. Normalized root length density distribution model for spring maize under different water and fertilizer combination[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 133-142. (in Chinese with English abstract)

Optimizing the inversion of soil salt in salinized wasteland using hyperspectral data from remote sensing

Sun Yanan1, Li Xianyue1※, Shi Haibin1, Ma Hongyu1, Wang Weigang1, Cui Jiaqi2, Chen Chen3

(1.,,010018,;2.,025374,;3.,010010,)

Salinized wasteland can be served as the temporary salt reservoir with the much higher salt content beyond the average level. Therefore, the high-precision inversion of soil salinity can be realized to explore the difference in the spectral response of soil salinity in different land use types and its influence on the remote sensing model. In this study, a typical salinization region (Yongji of Hetao irrigation district in China) was chosen as the study region. The salinized wasteland was relatively scattered and mostly concentrated around the agricultural land. The salt content in the salinized wasteland was much higher than that in the agricultural land. Firstly, in-situ hyperspectral measurement (FieldSpec 4 Hi-Res, and ASD) was carried out for the agricultural land and salinized wasteland in April from 2018 to 2020. Secondly, the spectral data was subjected to the various spectral transformations, including the fundamental transformation (original, reciprocal, logarithm, and radical transformation), derivative transformation (the first and the second derivative), and spectral index (normalized differential soil index, difference soil index, and simple ratio soil indices), respectively. Thirdly, the multiple stepwise regressions were used to acquire the characteristic bands and spectral indices. Lastly, the single land type salt inversion model (Agricultural Land (AL), Salinized Wasteland (SW)), and the overall salt inversion model (Agricultural Land + Salinized Wasteland (AL+SW)) were constructed using the characteristic wavelength and characteristic spectral index, respectively. The model accuracy under different modeling was evaluated using the coefficient of determination (2), and Root Mean Square Error (RMSE). As such, the best modeling was proposed for the regional soil salinization. The results showed that the average content of soil salinity in the samples of AL, SW, and AL+SW model was 5.09, 13.42, and 7.09 g/kg, respectively. Specifically, the SW spectral reflectance was greater than that of the AL in each wavelength range of different grades of salt zone. Among them, the average differences were 0.040, 0.020, and 0.034 in the slightly, moderately, and strongly saline soil, respectively. Spectral transformation and spectral index were effectively improved the correlation between the soil salt and spectrum in the different land types. Compared with the fundamental transformations (reciprocal, logarithm, and root), the derivative transformations significantly increased the range of sensitive wavelengths for the high correlation coefficient at specific wavelengths. The accuracy of models with the characteristic spectral index was much higher than that with the characteristic wavelength in different land types. After the first derivative transformation, the average2of AL, SW, and AL+SW regression models increased compared with the wavelength regression model. The average2of AL, SW, and AL+SW regression models also increased after the second derivative transformation. The salinization inversion model of single land type significantly improved the inversion accuracy of regional soil salt. A significant increase from 0.50 to 0.61 was found in the average2of the spectral index model under each transformation in the single-land type salinization inversion model (AL, and SW), compared with the overall model (AL+SW model ). The average2values of the fundamental transformation, the first, and the second derivative models were 0.06, 0.11, and 0.17 higher than that of the overall model, respectively. At the same time, there was the increase from 0.74 to 0.92 in the average2of the single land type salinization inversion model using the optimal spectral index, compared with the overall model. Therefore, the inversion models of soil salt for the different land use types can be expected to ensure the inversion closer to the actual situation, particularly for the various land use types with the large differences in salinity.

salts; remote sensing; soils; Hetao Irrigetion District; inversion; spectral transformation; salinized wasteland

10.11975/j.issn.1002-6819.2022.23.011

S127

A

1002-6819(2022)-23-0101-11

孫亞楠，李仙岳，史海濱，等. 基于高光譜數(shù)據(jù)的鹽荒地和耕地土壤鹽分遙感反演優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(23)：101-111.doi：10.11975/j.issn.1002-6819.2022.23.011 http://www.tcsae.org

Sun Yanan, Li Xianyue, Shi Haibin, et al. Optimizing the inversion of soil salt in salinized wasteland using hyperspectral data from remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 101-111. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.23.011 http://www.tcsae.org

2022-08-16

2022-10-01

十四五重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFC3201202）；內(nèi)蒙古科技計(jì)劃項(xiàng)目（2022YFHH0039、2021CG0022）

孫亞楠，博士，研究方向?yàn)楦珊祬^(qū)農(nóng)業(yè)遙感與應(yīng)用。Email：995021096@qq.com

李仙岳，教授，博士生導(dǎo)師，研究方向?yàn)楦珊倒?jié)水灌溉及鹽堿地改良。Email：lixianyue80@126.com