劉旭輝， 白云崗， 柴仲平， 張江輝， 丁邦新,3， 江 柱

（1.新疆農(nóng)業(yè)大學資源與環(huán)境學院，新疆 烏魯木齊 830052；2.新疆水利水電科學研究院，新疆 烏魯木齊 830049；3.西北農(nóng)林科技大學水利與建筑工程學院，陜西 楊凌 712100）

目前，土壤鹽漬化已經(jīng)成為全球性生態(tài)環(huán)境問題，嚴重制約著干旱區(qū)灌溉農(nóng)業(yè)的可持續(xù)發(fā)展［1-2］。新疆作為我國重要的農(nóng)墾區(qū)，鹽漬土面積約占耕地總面積的1/3，鹽漬化問題尤為嚴重［3］。因此，亟需快速準確獲取土壤含鹽量變化的監(jiān)測方法，以支持灌區(qū)灌溉制度制定、土壤鹽漬化防治、鹽堿地綜合利用、土地管理等工作［4］。傳統(tǒng)的實地采樣調(diào)查方法不僅耗費大量的人力、物力，而且研究尺度較小，獲取的多為點狀信息［5-6］。遙感技術能夠大面積快速獲取同一地區(qū)不同時間點的地物信息，有助于開展長時間序列的土壤鹽漬化研究工作，加之宏觀、綜合、及時、動態(tài)、低成本等特點，被廣泛應用于土壤鹽漬化的實時監(jiān)測和土壤鹽分的定量估算等［7］。

隨著遙感技術的愈加成熟，學者們開始深入探索提高建模精度的各類方法，其中，光譜參量的構建和建模方法的選取有助于提高遙感反演精度［8］。許多學者采用敏感波段組合、特征光譜指數(shù)構建和光譜數(shù)學變換等方法創(chuàng)建模型輸入變量［9-10］。周曉紅等［10］以艾比湖濕地自然保護區(qū)為試驗區(qū)，基于Landsat 8 OLI 多光譜遙感影像，構建了多種植被指數(shù)和鹽分指數(shù)，在眾多光譜指數(shù)中，增強型植被指數(shù)與土壤鹽分的相關性最高，傳統(tǒng)型植被指數(shù)次之，鹽分指數(shù)最低；張曉光等［11］對光譜數(shù)據(jù)分別進行了對數(shù)、倒數(shù)、一階微分、二階微分等數(shù)學變換，以增強光譜與鹽分之間的相關性，進而達到了提升模型反演精度的效果；Zhang 等［12］基于MODIS 衛(wèi)星影像構建了光譜指數(shù)，反演了黃河三角洲地區(qū)的土壤含鹽量；Alexakis 等［13］針對希臘克里特島土壤鹽漬化問題，基于WV2 和Landsat 8 OLI 計算鹽分指數(shù)，結(jié)果表明，光譜指數(shù)S5對土壤鹽分最為敏感，可為該地區(qū)地表土壤含鹽量的監(jiān)測提供新方案。以上研究表明，篩選敏感光譜變量可以有效提升模型反演效果［8］。除了自變量的優(yōu)化，建模方法也經(jīng)歷了一段發(fā)展歷程，從傳統(tǒng)的線性回歸發(fā)展到具有非線性擬合能力的機器學習算法。研究發(fā)現(xiàn)，當模型輸入變量個數(shù)較多、且與土壤鹽分的相關性較低時，機器學習的優(yōu)勢得到了更加充分的體現(xiàn)［14］。通過對比不同模型的建模和驗證效果，確定了最適合本研究區(qū)土壤鹽分的建模方法和反演模型，進而提升了土壤鹽分遙感反演精度。馮雪力等［15］對比了傳統(tǒng)回歸方法和機器學習算法的建模精度，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡（Back propagation neural network, BPNN）模型預測效果最優(yōu)，其穩(wěn)定性和預測精度均優(yōu)于經(jīng)驗回歸模型；劉恩等［16］基于Landsat 8 OLI 多光譜影像，分別采用多元線性回歸和BP神經(jīng)網(wǎng)絡算法構建了土壤鹽分反演模型，發(fā)現(xiàn)影像光譜反射率和土壤含鹽量之間不是單純的線性關系，因而多元回歸模型的預測效果具有很大的波動性，而BPNN 具有極強的非線性擬合能力，因而機器學習模型反演精度更高；張智韜等［17］以內(nèi)蒙古河套灌區(qū)為研究區(qū)域，采用多種方法進行建模，發(fā)現(xiàn)支持向量機（Support vector machine,SVM）模型精度最高，分位數(shù)回歸次之，偏最小二乘回歸（Partial least squares regression,PLSR）最低。以上研究都說明了機器學習算法在土壤鹽分遙感反演過程中的優(yōu)越性。

土壤鹽漬化相關研究雖然取得了一系列較為理想的成果，但現(xiàn)有的遙感反演研究多是基于某一特定時期的遙感影像展開，僅能反映當?shù)卦摃r期的土壤鹽漬化狀況，模型的推廣性不強。而且，鹽漬化程度受時空變化影響，不同位置的土壤含鹽量存在差異性。因此，探討某一地區(qū)不同年份的土壤鹽漬化狀況極為重要［18-19］。鑒于此，本文以新疆兵團農(nóng)二師31 團為研究區(qū)域，基于2019、2021 年的Landsat 8 OLI衛(wèi)星遙感影像和相應時期地表土壤含鹽量，利用多元逐步回歸（Multiple stepwise regression,MSR）、PLSR、極限學習機（Extreme learning machine,ELM）、SVM 和BPNN 構建土壤鹽分遙感反演模型，實現(xiàn)棉田土壤鹽分的定量反演，以期為當?shù)赝寥辣韺雍}量的實時監(jiān)測提供參考。

1 材料與方法

1.1 研究區(qū)概況

新疆生產(chǎn)建設兵團農(nóng)二師31 團位于天山南麓塔里木盆地東北邊緣，塔里木河與孔雀河兩河下游的沖積平原上，地處巴音郭楞蒙古自治州尉犁縣境內(nèi)，西南臨塔克拉瑪干沙漠，東北與庫姆塔格沙漠接壤，地理坐標為85°24′～88°30′E，39°30′～42°20′N。灌區(qū)土壤類型主要為鹽土、堿土和風沙土。團場深處歐亞內(nèi)陸腹地，屬北溫帶大陸性荒漠干旱氣候，降水量年際變化大，多年平均降水量53.3～62.7 mm，多年平均蒸發(fā)量2273～2788 mm?，F(xiàn)有灌溉面積7.5×103hm2，灌溉方式以膜下滴灌為主，灌溉用水來自塔里木河與恰拉水庫。生育期灌溉量2700～3450 m3·hm-2，自每年5月開始；冬灌量約為3600 m3·hm-2，自每年11月開始，使用大水漫灌。地下水位保持在1～3 m之間，地下水礦化度2～7 g·L-1；塔里木河與水庫礦化度0.47～1.53 g·L-1；灌溉排水礦化度10.58～18.36 g·L-1。

1.2 野外數(shù)據(jù)采集與處理

野外采樣選擇在棉花播種前（2019 年3 月20—28日、2021年4月7—12日）進行，該時段為裸土期，受植被影響較小。實地勘察后，按照從水庫引水處沿干渠走向布設采樣點，同時考慮交通條件、分布位置、土壤類型等因素。2019年和2021年最終采集的樣點個數(shù)分別為53個和33個（圖1）。

圖1 研究區(qū)位置及土壤樣點分布示意圖Fig.1 Sketch maps of the study area location and soil sample distribution

1.2.1 表層土壤含鹽量測定考慮到土壤水鹽的變異性較強，從預設點向外輻射約10 m的范圍內(nèi)再選取2個點，利用3點取樣法采集地表0～20 cm深度的土壤，使用四分法將3處土壤混合，作為該編號位置上的一個樣品，隨即將樣品裝入已編號的自封袋中，手持GPS 儀測定每個樣點的經(jīng)緯度，拍照記錄各樣點處的鹽漬化程度、作物類型、植被覆蓋度等信息。將土樣帶回實驗室后，挑出雜物，風干，研磨，過2 mm孔徑篩，稱取18 g土樣，在錐形瓶中按土水質(zhì)量比為1:5 配置土壤溶液，用玻璃棒攪拌均勻后固定在振蕩器上震蕩10 min，使鹽分充分溶解，靜置后使用電導率儀測定土壤懸濁液的電導率值（EC，μS·cm-1），根據(jù)經(jīng)驗公式：y=0.0051x-0.5241（決定系數(shù)R2=0.9534）計算土壤總鹽（g·kg-1）［20］。

1.2.2 表層土壤光譜曲線采集與處理選擇晴朗、無云、無風的日子，在12:00—16:00之間進行光譜測定。使用美國PP Systems公司生產(chǎn)的UniSpec-SC光譜分析儀（波段范圍310～1130 nm）測定土壤光譜反射率。樣點觀測前需要進行標準白板掃描和暗掃描操作，光譜采集時，探頭設置在垂直距離地面50 cm 處，從而縮小儀器視場角，以減小地面背景及周圍其他地物對土壤光譜的影響。對不同鹽漬化等級的土壤測定多條光譜曲線，每個等級測定10 次，取平均值后作為每個鹽漬化等級土壤的實測高光譜數(shù)據(jù)。土壤光譜采集完畢后，使用Multispec 5.1.5軟件對數(shù)據(jù)進行處理，得到310～1130 nm 波段范圍的土壤光譜反射率，在Origin 2018軟件中繪制土壤實測高光譜反射率曲線。

1.3 遙感影像數(shù)據(jù)的獲取與處理

多光譜數(shù)據(jù)采用Landsat 8 OLI 衛(wèi)星遙感影像，數(shù)據(jù)來源于美國地質(zhì)調(diào)查局（United States Geological Survey, USGS）官 網(wǎng)（https://earthexplorer.usgs.gov/），行列號143/031，空間分辨率30 m，重訪周期16 d。根據(jù)與采樣時間相近且云量較小的原則，本文選取2019 年3 月22 日和2021年3 月20 日的影像作為本次試驗的多光譜數(shù)據(jù)源。使用ENVI 5.3 軟件對影像數(shù)據(jù)進行輻射定標、大氣校正和裁剪等預處理操作，實現(xiàn)遙感數(shù)據(jù)由數(shù)字量化值到輻射亮度值再到地表反射率的逐步轉(zhuǎn)換，再通過ArcGIS 10.2提取各采樣點對應的影像多光譜反射率，在Excel 2016中計算各類型光譜指數(shù)。

1.4 光譜參量構建

本文選取了7 個波段和12 個鹽分指數(shù)作為土壤鹽分反演模型的備選輸入變量，光譜參量及計算公式如表1 所示，包括海岸波段（b1）、藍波段（b2）、綠波段（b3）、紅波段（b4）、近紅外波段（b5）、短波紅外1 波段（b6）、短波紅外2 波段（b7）、鹽分指數(shù)［歸一化鹽分指數(shù)（NDSI）、SI-T、SI1、SI2、SI3、SI4、S1、S2、S3、S4、S5、S6］。

表1 光譜參量及相關計算公式Tab.1 Spectral parameters and related formulas

1.5 遙感反演模型構建

考慮到土壤鹽分受水分的影響，不同時期的灌溉、氣溫和降水等因素會影響土壤水分和鹽分含量，2 期土壤含鹽量分布的變異性存在差異。剔除異常值后，將2019年和2021年春季樣本數(shù)據(jù)混合，按照土壤含鹽量由小到大的順序排列分組，根據(jù)建模集與驗證集2:1 的比例進行等間隔取樣［14］，最終確定了建模集樣本51 個，驗證集樣本26 個。對建模集影像的波段、鹽分指數(shù)與土壤含鹽量進行皮爾遜相關性分析（Pearson correlation coefficient,PCC），通過分析進行特征光譜參量篩選，將篩出的特征光譜參量分為波段組、光譜指數(shù)組和全變量組，并作為輸入變量組參與建模，建模方法選用MSR、PLSR、ELM、SVM 和BPNN，共計15 個土壤鹽分反演模型。建模方法如下：

（1）多元逐步回歸（MSR）

MSR在多元線性回歸的基礎上進行改進，它能進一步優(yōu)化公式，確定各個自變量對于因變量預測值的比重，剔除不重要的變量［15,21］，是土壤鹽分遙感反演最常用的回歸方法之一［22］。本研究的MSR 建模與分析基于IBM SPSS Statistics 25完成。

（2）偏最小二乘回歸（PLSR）

PLSR 是一種多因變量對多自變量的回歸建模方法，能夠在一定程度上消除參量之間的多重共線性，通過不斷地迭代，最終模型將包含原有的所有自變量［15,23］。本文采用The Unscrambler X 10.4軟件進行建模與分析。

（3）極限學習機（ELM）

ELM是一種單隱層前饋型神經(jīng)網(wǎng)絡，具有泛化能力強、人工干預小、學習速度快等優(yōu)勢［24］，其特點是輸入層與隱含層之間的連接權值和隱含層神經(jīng)元的閾值隨機生成［25］。本研究基于MATLAB 2018平臺進行ELM 模型構建，通過反復試驗，最終確定了波段組的神經(jīng)網(wǎng)絡模型結(jié)構（輸入層神經(jīng)元個數(shù)-隱含層神經(jīng)元個數(shù)-輸出層神經(jīng)元個數(shù)）為4-11-1，光譜指數(shù)組的結(jié)構為7-11-1，全變量組為11-7-1。

（4）支持向量機（SVM）

SVM的原理是建立一個最優(yōu)分類超平面，使其分類間隔最大化［26］。在進行非線性問題的求解時具有泛化能力強、全局最優(yōu)、結(jié)構化風險最小等優(yōu)勢［27］。本文采用LIBSVM 工具箱在MATLAB 2018軟件中建立SVM模型，通過測試確定了最適于本實驗數(shù)據(jù)的svmtrain函數(shù)參數(shù)，SVM類型設置為e-SVR回歸，核函數(shù)選用高斯徑向基核函數(shù)（RBF）。懲罰參數(shù)（c）和核函數(shù)參數(shù)（g）根據(jù)樣本數(shù)據(jù)進行測試，最終確定了波段組c為900，g為0.25；光譜指數(shù)組c為367，g為0.14；全變量組c為4，g為0.09。

（5）BP神經(jīng)網(wǎng)絡（BPNN）

BP神經(jīng)網(wǎng)絡（多層前饋式誤差反向傳播神經(jīng)網(wǎng)絡）是一種監(jiān)督學習模型，它通過對代表性樣本進行學習訓練，從而掌握研究對象的本質(zhì)特性，具有很強的自組織和自適應能力，能夠模擬任意的非線性輸入輸出關系［28］。本研究基于MATLAB 2018 平臺，進行BPNN的結(jié)構設計。將建模集的波段組、光譜指數(shù)組和全變量組分別作為模型輸入因子，土壤鹽分作為模型輸出因子，建立土壤鹽分BPNN 反演模型。經(jīng)過反復訓練，最終確定了最適于本實驗數(shù)據(jù)的BPNN 模型參數(shù)，訓練函數(shù)選用poslin，隱含層傳遞函數(shù)選用purelin，輸出層函數(shù)選用trainlm，模型最大迭代次數(shù)1000次，訓練目標最小誤差0.00001，波段組的神經(jīng)網(wǎng)絡結(jié)構為4-9-1，光譜指數(shù)組的結(jié)構為7-9-1，全變量組為11-9-1。

1.6 模型評價指標

為量化模型的擬合能力，評價指標采用決定系數(shù)（Coefficient of determination,R2）和均方根誤差（Root mean square error, RMSE）［29］對模型的建模和驗證效果進行綜合評價。R2越接近1，表示模型擬合程度越好；RMSE越小，表示實測值和預測值誤差越小。因此，R2越大，RMSE 越小，說明模型精度越高，反演效果越好。

2 結(jié)果與分析

2.1 土壤鹽分特征

根據(jù)新疆土壤鹽堿化程度等級分類標準［30］，將土壤分為非鹽化土（0～3 g·kg-1）、輕度鹽化土（3～6 g·kg-1）和中度鹽化土（6～10 g·kg-1）3 個等級。土壤含鹽量的分析結(jié)果如表2 所示，總樣本統(tǒng)計結(jié)果顯示，非鹽化土、輕度鹽化土、中度鹽化土所占比例分別為64.94%、27.27%、7.79%，變異系數(shù)為0.67，表明棉田土壤含鹽量呈中等變異性。

表2 土壤鹽分的描述性統(tǒng)計分析Tab.2 Descriptive statistical analysis on soil salinity

2.2 實測高光譜特征

如圖2 所示，土壤高光譜波長范圍為310～1130 nm。地表土壤含鹽量不同導致土壤反射率存在差異，但不同鹽漬化等級土壤的光譜曲線相對平行，形態(tài)相似，變化趨勢基本一致，隨著波長的增加，土壤高光譜反射率先減小后增大。波長在310～373 nm 之間，光譜反射率隨波長的增加而迅速減??；波長在373～1130 nm 之間，反射率隨波長的增加而增大，其中在373～1050 nm 之間，曲線增長較緩，當大于1050 nm時，反射率迅速增大。整體來看，土壤鹽漬化越重，光譜反射率越高。

圖2 不同鹽漬化等級土壤光譜反射率曲線Fig.2 Spectral reflectance curves of soil with different salinization grades

2.3 特征光譜參量優(yōu)選

根據(jù)皮爾遜相關系數(shù)界值表［14］，樣本數(shù)（n）等于50 時，當相關系數(shù)（r）的絕對值大于0.354 時，表示在0.01 水平上顯著，光譜參量與土壤含鹽量的Pearson 相關系數(shù)如表3 所示，篩選出敏感波段（P＜0.01）和敏感光譜指數(shù)（P＜0.01）。b1、b2、b3、b4波段顯著性檢驗P＜0.01，且r均達到0.5 以上，與土壤含鹽量的相關性大小依次為b1＞b2＞b3＞b4。SI1、SI2、SI3、SI4、S3、S4、S5鹽分指數(shù)與土壤含鹽量均呈顯著相關（P＜0.01），相關性大小依次為S4＞S5＞SI1＞SI3＞S3＞SI2＞SI4，且r均達到0.4 以上，說明SI1、SI2、SI3、SI4、S3、S4、S5在一定程度上可以表征土壤含鹽量。

表3 光譜參量與土壤鹽分的相關性Tab.3 Correlation between spectral parameters and soil salinity

2.4 土壤鹽分反演模型構建

選擇與土壤鹽分顯著相關（P＜0.01）的b1、b2、b3、b4 波段作為波段組，選擇與土壤鹽分顯著相關（P＜0.01）的SI1、SI2、SI3、SI4、S3、S4、S5 鹽分指數(shù)作為光譜指數(shù)組。為了避免模型中遺漏重要的光譜參量，且考慮不同類別光譜參量對模型的影響，將上述4個敏感波段和7個敏感光譜指數(shù)共同作為全變量組參與建模。

2.4.1 土壤鹽分回歸模型由表4 可知，同一變量組作為模型輸入變量下，MSR模型建模集R2均高于PLSR，且數(shù)值均大于0.340，RMSE 均低于PLSR，且數(shù)值均小于1.680，說明MSR 建模效果較好。對模型進行精度驗證時，發(fā)現(xiàn)波段組的MSR 模型和PLSR 模 型R2相 近，均 大 于0.472，RMSE 均 小 于1.415，驗證效果較好。在光譜指數(shù)組和全變量組中，PLSR 模型驗證集R2均高于MSR，其數(shù)值均大于0.448，RMSE均低于MSR，其數(shù)值均小于1.448，說明PLSR 驗證效果較好。綜合對比兩種回歸方法的不同變量組建模和驗證效果，發(fā)現(xiàn)基于波段組建立的MSR 模型是表4 所有模型中最優(yōu)的土壤鹽分反演模型。

表4 基于不同變量組的回歸模型Tab.4 Regression models based on different groups of variables

2.4.2 土壤鹽分機器學習算法反演模型如表5所示，波段組和光譜指數(shù)組作為模型輸入變量下，建模集的各類機器學習模型R2均大于0.616，其中SVM模型的建模集R2均達到0.768以上，RMSE均小于0.998，建模精度最高，BPNN 模型次之，ELM 模型精度最低。對模型進行精度驗證時，發(fā)現(xiàn)波段組和光譜指數(shù)組的ELM、SVM 模型RMSE 較大。在全變量組中，BPNN模型的建模集和驗證集R2均為3個模型中的最高值，分別達到了0.705和0.556，RMSE 分別為1.133 和1.409，模型精度最高，ELM 模型次之，SVM模型精度最低。因此，在3種機器學習算法中，BPNN 模型最適于本實驗數(shù)據(jù)。綜合對比3 種算法的不同變量組建模和驗證效果，發(fā)現(xiàn)基于全變量組建立的BPNN 模型是表5所有模型中最優(yōu)的土壤鹽分反演模型。對比表4 和表5 可知，機器學習模型精度均高于線性回歸模型，因此，本文最終使用基于全變量組建立的BPNN 模型來反演31 團春季土壤表層含鹽量。

表5 基于不同變量組的機器學習模型Tab.5 Machine learning models based on different variable groups

2.5 土壤鹽分空間分布反演

對比圖3 和圖4 可知，土壤含鹽量為6 g·kg-1以上的土壤均分布于灌區(qū)中部的鹽堿地帶上，含鹽量為0～3 g·kg-1的土壤均分布于灌區(qū)內(nèi)部遠離荒地的區(qū)域，越靠近荒地，土壤含鹽量越高。由此可知，土壤鹽分反演結(jié)果與Kriging插值結(jié)果基本一致，與調(diào)查情況相符，表明耕地鹽分反演結(jié)果的準確率較高。

圖3 耕作區(qū)土壤含鹽量Kriging插值分布Fig.3 Kriging interpolation distributions of soil salinity in tillage area

圖4 耕作區(qū)土壤含鹽量反演等級分布Fig.4 Inversion grade distributions of soil salinity in tillage area

如表6所示，2019、2021年春季耕作區(qū)土壤主要為非鹽化土，分別占耕作區(qū)總面積的55.55%和64.62%，其中含鹽量為2～3 g·kg-1的土壤分布面積最大，1～2 g·kg-1的土壤分布面積次之，0～1 g·kg-1的土壤分布面積最小。輕度鹽化土面積分別占44.31%和35.17%，其中含鹽量為3～4 g·kg-1的土壤分布面積最大，4～5 g·kg-1的土壤分布面積次之，5～6 g·kg-1的土壤分布面積最小。對比2 a土壤鹽漬化程度，發(fā)現(xiàn)2021 年春季非鹽化土面積相比2019 年增加了9.07%，輕度鹽化土面積縮小了9.14%，中度鹽化土面積變化較小。

表6 不同鹽分層次的像元個數(shù)及比例Tab.6 Number and proportion of pixels at different salinity levels

由圖4可知，含鹽量小于2 g·kg-1的土壤主要分布于恰拉水庫附近、耕作區(qū)中部和東南部。越接近南北兩側(cè)荒地的耕地土壤含鹽量越高，東北部的小塊耕地鹽分偏高，土壤鹽漬化程度主要為輕度鹽化土。中度鹽化土主要分布于灌區(qū)中部的鹽漬化地帶上，與實際影像位置相重合，取得了較為準確的反演效果。此外，東北部的小塊耕地部分區(qū)域和灌區(qū)內(nèi)的零散地塊上也有少量分布。2021 年反演圖中綠色更深，即含鹽量小于2 g·kg-1的土壤分布面積更大，在整個灌區(qū)都有體現(xiàn)。2021 年含鹽量大于4 g·kg-1的土壤分布面積相比于2019 年有所減小，圖上表現(xiàn)為橙紅色區(qū)域縮小。綜上可知，2021年土壤鹽漬化程度較2019年有所減輕。

3 討論

3.1 鹽漬土特征分析及光譜參量優(yōu)選

棉田土壤含鹽量呈中等變異性，說明其易受氣候、地形、水文、地質(zhì)等自然因素和灌溉、翻耕、施肥等人為因素的影響［31-33］。采樣時間為2019年和2021年春季，2 a自然環(huán)境差異較大，不可控因素較多，因而本文將2 a春季數(shù)據(jù)混合，以中和不同年份的樣本數(shù)據(jù)變異性，再進行建模集和驗證集劃分，更具有合理性。本文對建模集OLI 多光譜波段、光譜指數(shù)與實測土壤鹽分進行相關性分析，發(fā)現(xiàn)多光譜敏感波段為藍、綠、紅波段，這與孫亞楠等［2］研究結(jié)果一致，說明波段為430～760 nm的土壤鹽分光譜信息量較多，而通過波段組進行特征光譜指數(shù)的構建可以挖掘光譜與鹽分之間的隱含信息，推動土壤鹽分遙感定量反演研究的發(fā)展。王雪梅等［34］、邊玲玲等［35］發(fā)現(xiàn)光譜指數(shù)與土壤鹽分之間存在一定的相關性，在估算應用方面具有很大貢獻。本研究也顯示，當敏感波段與敏感光譜指數(shù)共同作為模型輸入變量時，土壤鹽分反演模型的建模和驗證效果最優(yōu)。

3.2 土壤鹽分反演模型建立

本文基于3 個變量組，使用5 種方法建立了15個土壤鹽分反演模型，發(fā)現(xiàn)選擇不同的輸入變量和建模方法，模型效果存在差異。研究發(fā)現(xiàn)，基于機器學習模型的精度和穩(wěn)定性均優(yōu)于傳統(tǒng)線性回歸，這是由于土壤鹽漬化發(fā)生機理的復雜性，土壤光譜特征與表層土壤含鹽量之間存在復雜的非線性關系，而機器學習算法具有極強的非線性擬合能力和推廣能力，適合模擬變量內(nèi)部機制的復雜關系。許多學者研究發(fā)現(xiàn)機器學習算法的反演效果優(yōu)于傳統(tǒng)回歸模型［14,23］，與本文的研究結(jié)果一致。馮雪力等［15］在進行PCR、MSR和PLSR建模時，發(fā)現(xiàn)MSR模型模擬全鹽量效果最優(yōu)，本研究也發(fā)現(xiàn)基于波段組建立的MSR模型是6個線性回歸模型中最優(yōu)的土壤鹽分反演模型。傳統(tǒng)線性回歸建模效果雖次于機器學習算法，但其簡便易懂，回歸方程清楚可見，具有一定的運用價值；機器學習模型可以極大的提升模型反演精度，也具有一定的研究價值。

3.3 土壤鹽分時空變化特征

土壤鹽分Kriging 插值圖基于各采樣點處土壤鹽分的實測值生成，數(shù)據(jù)源為點狀數(shù)據(jù)，數(shù)據(jù)量較小，成果圖較為粗略，僅能大致反應土壤鹽分的分布狀況。而遙感技術能根據(jù)土壤鹽分反演模型將影像上所有柵格點處的光譜反射率轉(zhuǎn)化為土壤含鹽量，由此達到量化效果，再對柵格點數(shù)值進行范圍劃分，可以得出不同鹽分層次的柵格點個數(shù)及所占比例。對比2 a 土壤鹽漬化程度，發(fā)現(xiàn)2021 年土壤鹽漬化程度較2019 年有所減弱，這可能與氣溫、蒸發(fā)量、灌水量有關。氣溫越高，蒸發(fā)作用越強，土壤中的鹽分向表層運移；灌水量越大，對土體淋洗作用越強，土壤表層含鹽量越低。而且當?shù)胤浅Ｖ匾曽}漬土的治理，制定了合理的農(nóng)業(yè)灌溉排水制度和措施，隨著時間的推移，取得了一定成效。

已有研究多是針對某一年份的鹽漬土進行反演［36-37］，但由于每年環(huán)境氣候多變，且柵格點內(nèi)地物類型復雜，使得不同年份的遙感影像數(shù)據(jù)存在較大差異。本研究考慮了不同年份自然環(huán)境的差異性，選用2 a春季數(shù)據(jù)參與建模和驗證，通過不斷調(diào)整模型參數(shù)，建立最優(yōu)反演模型，對春季土壤鹽分進行反演，取得了良好的效果，但本次研究對象為非植被覆蓋土，未能反演作物生長期的土壤鹽分，所以下一步可以嘗試研究作物光譜與土壤含鹽量之間的關系。另外，試驗區(qū)自然因素復雜多變，限制了土壤鹽分的實時監(jiān)測，因此反演方法在其他地區(qū)和其他季節(jié)的適用性還有待進一步研究。

4 結(jié)論

（1）棉田土壤主要為非鹽化土和輕度鹽化土，總樣本變異系數(shù)為0.67，呈中等變異性。光譜反射率與土壤鹽漬化程度的關系表現(xiàn)為土壤鹽漬化越重，光譜反射率越高。

（2）通過土壤鹽分與OLI 多光譜影像的波段、光譜指數(shù)進行相關性分析，發(fā)現(xiàn)b1、b2、b3、b4 波段和SI1、SI2、SI3、SI4、S3、S4、S5鹽分指數(shù)均通過顯著性檢驗P＜0.01，相關系數(shù)均達到0.4以上。

（3）所有模型中，基于全變量組建立的BPNN模型反演精度最高，建模集R2為0.705，RMSE 為1.133；驗證集R2為0.556，RMSE為1.409。綜合分析建模和驗證效果，選用基于全變量組的BPNN 模型來反演春季棉田表層土壤含鹽量。

（4）由反演結(jié)果可知，2019、2021年春季耕作區(qū)土壤主要為非鹽化土，分別占耕作區(qū)總面積的55.55%和64.62%，其次為輕度鹽化土，分別占44.31%和35.17%。越接近南北兩側(cè)荒地的耕作區(qū)土壤含鹽量越高，東北部的小塊耕地鹽分偏高。2021年土壤鹽漬化程度較2019年有所減輕。