張智韜 臺 翔 楊 寧 張珺銳 黃小魚 陳欽達

(1.西北農林科技大學旱區(qū)農業(yè)水土工程教育部重點實驗室， 陜西楊凌 712100；2.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100)

0 引言

土壤鹽漬化是常見于干旱、半干旱地區(qū)的生態(tài)環(huán)境問題，其嚴重制約農業(yè)可持續(xù)健康發(fā)展[1-2]。內蒙古河套灌區(qū)是中國最大的灌區(qū)，也是中國鹽漬化問題最突出的地區(qū)之一。及時、精確、動態(tài)地獲取土壤鹽漬化信息，是鹽漬化防治的前提[3]。遙感技術可獲得大范圍、高精度的地面遙感影像，因此被廣泛應用于鹽漬化監(jiān)測研究[4-6]。

無人機遙感是遙感的重要分支，有不少學者將其應用到土壤鹽漬化監(jiān)測。陳俊英等[7]采集向日葵各生育期光譜圖像構建光譜指數，并建立土壤含鹽量(Soil salt content，SSC)回歸模型，達到了反演向日葵根域SSC的目的；王新濤[8]將無人機多光譜數據與衛(wèi)星數據進行融合，提高了衛(wèi)星反演SSC的精度。楊寧等[9]基于改進光譜指數，建立SSC反演模型，預測不同深度的土壤含鹽量，結果顯示，改進光譜指數組建模結果優(yōu)于原始光譜指數組。

在基于光譜變量構建SSC反演模型時，為降低模型的復雜程度，需要對光譜變量進行篩選。傳統(tǒng)變量篩選方法[10-12]為局部最優(yōu)篩選，而全子集篩選法通過列舉全部可能組合，建立全局最優(yōu)模型，以包含最少自由變量的模型解釋因變量，最大限度消除共線性的影響[13]。土壤鹽漬化反演主要采用線性回歸和機器學習方法，梁靜等[14]利用偏最小二乘回歸(Partial least squares regression，PLSR)模型對區(qū)域尺度的土壤電導率進行了有效的定量估算；JFARIFTEH等[15]基于土壤反射率數據建立了土壤鹽分的PLSR和人工神經網絡(Artificial neural network，ANN)反演模型，發(fā)現PLSR模型反演精度優(yōu)于ANN模型。極限學習機(Extreme learning machine，ELM)是一種高效的機器學習方法，馮禹等[16]發(fā)現ELM模型能很好地反映氣象因子與參考作物蒸散量間復雜的非線性關系。

植被覆蓋度(Fractional vegetation coverage，FVC)對光譜反演有著重要影響。在裸土情況下，光譜可直接反演土壤表層含鹽量[17-19]，在植被覆蓋情況下，通過采集作物冠層光譜信息可間接反演土壤含鹽量[20]。AMALALLBED等[21]發(fā)現在低植被覆蓋和密集植被覆蓋下光譜指數對土壤含鹽量的響應不同；HU等[22]反演不同植被覆蓋度下的SSC，發(fā)現SSC與植被覆蓋度并非負相關關系。這說明，植被覆蓋度是影響土壤含鹽量反演的重要因素。ZHANG等[23]通過像元二分模型劃分植被覆蓋度，并建立不同覆蓋度下的鹽分反演模型，發(fā)現稀疏植被地的模型反演精度較低，而裸地和高植被覆蓋下的模型精度較高。像元二分模型是一種成熟的植被覆蓋度劃分方法，但將其應用到無人機多光譜遙感監(jiān)測鹽漬化方面的研究較少。

因此，本文通過高分辨率的無人機多光譜相機獲取內蒙古河套灌區(qū)沙壕渠灌域試驗地的影像數據，利用像元二分模型計算FVC并劃分4個覆蓋度；利用全子集篩選法對建立的光譜變量進行最優(yōu)變量組合篩選，以最優(yōu)變量組合為自變量，以采樣點土壤含鹽量數據為因變量，建立4個覆蓋度下不同深度土壤含鹽量的PLSR和ELM模型，對模型精度進行評價分析，以期提高土壤含鹽量反演模型的精度，并獲得每個覆蓋度下的最佳反演模型和最佳反演深度，為診斷土壤鹽漬化程度提供依據。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)域位于巴彥淖爾市沙壕渠灌域(40°52′～41°00′N，107°05′～107°10′E)，隸屬于河套灌區(qū)解放閘灌域，如圖1所示。沙壕渠灌域南北跨度約15 km，東西跨度約4 km，其面積約為52.4 km2，為典型的溫帶大陸性氣候，年平均氣溫7℃，降水稀少(年平均降雨量140 mm)，蒸發(fā)強度大(年蒸發(fā)量2 000 mm)。研究區(qū)主要土壤類型為粉壤土、砂壤土和壤土。由于不合理的灌排方式，氣候、土質和地貌等因素的綜合影響，造成灌區(qū)嚴重的次生鹽漬化問題。研究區(qū)南部鹽漬化程度較輕，北部鹽漬化程度加重，種植作物以向日葵、玉米和小麥等耐鹽糧油作物為主。

圖1 研究區(qū)域示意圖Fig.1 Schematic of study area

1.2 試驗地布設

試驗地的布設充分考慮研究區(qū)土壤鹽分特征和土地利用方式等因素，在沙壕渠灌域選取4塊具有鹽分梯度的試驗地進行采樣，編號分別為1、2、3、4，每塊試驗地面積為16 hm2左右。試驗地分布如圖2所示，土壤含鹽量從小到大依次為1、2、3、4。4塊試驗地主要種植作物為向日葵和玉米，且4號地含有部分荒地，荒地與耕地占比分別為25%和75%。每塊試驗地均勻布設30個土壤采樣點。

圖2 試驗地與采樣點分布示意圖Fig.2 Distribution diagrams of test site and sampling site

1.3 光譜圖像采集和處理

無人機多光譜圖像采集試驗選擇的無人機遙感平臺是深圳市大疆創(chuàng)新科技有限公司生產的經緯M600型無人機，單次飛行最大續(xù)航時間為40 min。無人機搭載美國Tetracam公司生產的6通道Micro-MCA多光譜相機(490 nm藍光波段、550 nm綠光波段、680 nm紅光波段、720 nm紅邊波段、800 nm近紅外1波段、900 nm近紅外2波段)，設備如圖3所示。試驗在2019年7月、8月和9月各進行一次，試驗時間分別為7月16—20日、8月10—14日和9月8—12日。每次試驗均在無風的11:00—14:00進行，確保充分的輻射強度。根據提前規(guī)劃好的航線，設置無人機飛行高度120 m，對應多光譜相機分辨率為6.5 cm，相機拍攝速率為18～19幅/min，每次試驗均設有白板進行圖像標定。

圖3 經緯M600型無人機和MCA多光譜相機Fig.3 Longitude M600 UAV and MCA multispectral camera

將拍攝的多光譜圖像導入Pixel Wrench2軟件，進行提取、配準和合成，將獲得的TIF圖像和GPS數據導入Pix4D軟件進行圖像拼接，合成4塊試驗地的多光譜TIF圖像。將拼接的TIF圖像導入ENVI Classic軟件中，對圖像進行校正，再將采樣點的坐標導入軟件，獲取每個采樣點像元的灰度。用樣本點的6個波段灰度除以白板的灰度，得到每個樣本點6個波段的反射率。

1.4 土樣采集與處理

為了保持光譜數據和土壤含鹽量數據的一致性，采集光譜數據的同時，進行地面土樣采集。通過手持式GPS儀確定取樣點位置，采集樣本點0～10 cm、10～20 cm、20～40 cm和40～60 cm深度的土壤樣本，裝入干凈的鋁盒，并用密封袋封裝。

將帶回實驗室的土壤樣本放置干燥箱8 h后，去除土樣中的石子和秸稈雜質，進行研磨處理，將研磨后的土壤和蒸餾水按質量比1∶5混合，經過攪拌、靜置沉淀和過濾，提取上清液，用電導率儀(雷磁DDS-307A型，上海佑科儀器分公司生產)測定土壤溶液電導率(Electrical conductance，EC)，根據經驗公式計算得到樣本點各深度土壤含鹽量數據，經驗公式見文獻[24]。

1.5 光譜指數計算

光譜指數綜合考慮地物的各波段光譜特征，對不同波段反射率進行數學變換組合，以增強地物特定的信息[25]，其包括植被指數和鹽分指數。研究涉及的植被指數有歸一化植被指數(NDVI)[26]、差異化植被指數(DVI)[27]、比值植被指數(RVI)[28]、改進型土壤調節(jié)植被指數(MSAVI)[29]、增強型植被指數(EVI)[30]、土壤調節(jié)植被指數(SAVI)[31]、冠層鹽度響應植被指數(CRSI)[32]、大氣阻抗植被指數(ARVI)[33]；鹽分指數有歸一化鹽分指數(NDSI)[34]、鹽分指數(SI-T)[35]、鹽分指數(SI)[36]、鹽分指數1(SI1)[37]、鹽分指數2(SI2)、鹽分指數3(SI3)、鹽分指數S1、鹽分指數S2[38]、鹽分指數S3、鹽分指數S5、鹽分指數S6。計算公式中包含近紅外波段的指數，將Band5和Band6近紅外波段反射率代入公式，計算得到2個指數，如NDVI-1和NDVI-2。本文共采用16種植被指數、15種鹽分指數和6個波段反射率作為自變量。

1.6 植被覆蓋度計算

FVC通常定義為植被(包括葉、莖、枝)在地面的垂直投影面積占統(tǒng)計區(qū)總面積的百分比[39]，是影響土壤鹽分反演的重要因素。像元二分模型(Pixel dichotomy mode，PDM)是一種簡單實用的遙感估算模型，用于計算植被覆蓋度。NDVI可用于檢測植被生長狀況和植被覆蓋度[40]。本文通過基于NDVI的像元二分模型計算植被覆蓋度。首先，假設遙感圖像的像元均由植被和裸土部分組成。根據像元二分模型，1個像元的NDVI值可以表達為由綠色植被部分所貢獻的信息NDVIveg與由無植被覆蓋(裸土)部分所貢獻的信息NDVIsoil這兩部分組成，FVC計算公式參照文獻[41]。

根據《中國荒漠化治理國家報告》及相似地理特征和植被類型區(qū)域的分類方法[23,42]，并結合本研究的具體情況進行植被覆蓋度劃分。將數據劃分為T1、T2、T3、T4，分別為：裸土(FVC為[0,0.15))、低植被覆蓋度(FVC為[0.15,0.45))、中植被覆蓋度(FVC為[0.45,0.75))、高植被覆蓋度(FVC為[0.75,1))。

1.7 全子集篩選法

全子集篩選法是利用全子集回歸分析，對不同自變量之間所有可能的組合方式，用最小二乘法對所有變量組合進行擬合與建模分析，最終選擇一個最佳的監(jiān)測模型。記m為自變量個數，對m中的p個變量(p=1,2,…,m)與因變量做最小二乘擬合，在所有的擬合模型中，選擇最優(yōu)的模型，為全子集篩選結果。選擇最優(yōu)模型的評價標準為：①似然函數最大化。②模型未知參數最小化，即尋求模型擬合精度和模型復雜度之間的最佳平衡[43]。本文通過R語言編程進行全子集篩選，利用決定系數R2和貝葉斯信息準則(Bayesian information criterion，BIC)來評價篩選結果，對比分析R2越大，BIC越小的篩選結果，為最優(yōu)變量組合。

1.8 模型方法和評價指標

通過R語言編程構建PLSR和ELM土壤含鹽量反演模型，其中實測土壤含鹽量為因變量，光譜變量為自變量。在每個覆蓋度各深度下隨機選取2/3實測土壤含鹽量樣本數據和對應的光譜變量作為建模集用于訓練模型，剩余1/3實測土壤含鹽量樣本數據和對應的光譜變量作為驗證集用于驗證，通過調整模型參數，獲得每個條件下最佳模型。建模流程如圖4所示。

圖4 建模流程圖Fig.4 Model building flow chart

PLSR方法是一種多變量回歸分析方法，可以同時實現回歸建模、簡化數據結構和分析兩組變量間的相關性，給多元數據統(tǒng)計分析帶來極大便利。對于t個因變量y1,y2,…,yt與m個自變量x1,x2,…,xm的建模問題，PLSR的基本做法是首先在自變量集中提出第1成分u1；同時在因變量集中也提取第1成分v1，并要求u1與v1相關程度達到最大。然后，建立因變量y1,y2,…,yt與u1的回歸式，如果回歸方程已達到滿意的精度，則算法終止。否則，繼續(xù)第2對成分的提取，直至能達到滿意的精度為止。若最終對自變量集提取r個成分u1,u2,…,ur，偏最小二乘回歸將通過建立y1,y2,…,yt與u1,u2,…,ur的回歸式，再將y1,y2,…,yt表示為原自變量的回歸方程式，即偏最小二乘法回歸方程式[44]?；赑LSR方法的土壤含鹽量多光譜反演的主要思想是，在減少光譜變量的同時，能夠從光譜數據中揭示最大土壤含鹽量變化的主控因子，使建立的模型具有更好的魯棒性[45-46]。本文PLSR模型采用R語言pls包構建，通過決定系數R2和均方根誤差RMSE指標評價篩選每個深度下最佳模型。

ELM是一種單隱層前向傳播的人工神經網絡模型訓練算法，只有隱層神經元結點數需要學習調整，并且整個過程無需迭代，具有“極端”快速的特點，學習時間顯著優(yōu)于反向神經網絡算法和PLSR算法。同時，具有良好的泛化能力，已成功用于一些復雜系統(tǒng)的建模、辨識和控制等問題[47-48]。本文ELM模型亦采用R語言elmNNRcpp包構建，通過R2和RMSE指標評價篩選每個深度下最佳模型。

2 試驗與結果分析

2.1 土壤含鹽量統(tǒng)計分析

將7月、8月和9月3次試驗總計360個樣本點進行覆蓋度分級，獲得不同覆蓋度T1～T4的數據集。對各覆蓋度的土壤含鹽量進行統(tǒng)計，對各數據集樣本按2∶1的比例劃分建模集和驗證集，并將各數據集樣本點土壤含鹽量劃分為4個等級，分別為：非鹽土(0～0.2%)、輕度鹽漬化(0.2%～0.5%)、重度鹽漬化(0.5%～1.0%)和鹽土(大于1.0%)[49]，結果如表1所示。

從表1中可以看出，4個等級的鹽土在不同數據集中含鹽量存在顯著差異。T1、T2、T3、T4的4個深度SSC平均值分別為0.86%、0.33%、0.31%和0.27%，隨著覆蓋度的增加，土壤含鹽量呈遞減趨勢。其中裸地T1土壤含鹽量最高，高植被覆蓋度T4的土壤含鹽量最低。各數據集差異系數均處于中等差異(變異系數反映樣本點值的離散程度，變異系數小于0.1為弱變異性； 變異系數在0～1之間為中等變異；變異系數大于1為強變異)[50]。其中，T1數據集的變異系數最大，接近1。T1數據集的樣本點多屬于4號地，4號地含有耕地和荒地2種土地，耕地灌水在一定程度上會影響到附近荒地土壤鹽分的分布，土壤含鹽量在空間上存在顯著差異，使4號地荒地土壤含鹽量的變異系數相對偏大。

表1 土壤含鹽量特征統(tǒng)計分析Tab.1 Statistical analysis of soil salt content characteristics

2.2 光譜自變量與不同土壤深度SSC相關性分析

提取無人機多光譜圖像的6個波段反射率和31個光譜指數(16個植被指數和15個鹽分指數)，構成覆蓋度T1、T2、T3、T4下的各深度(1、2、3、4分別代表0～10 cm、10～20 cm、20～40 cm、40～60 cm深度，下同)自變量數據集。計算各數據集建模集自變量與SSC的相關系數，繪制熱圖(圖5～7)分析自變量與SSC之間的相關性。

圖5 波段反射率與SSC皮爾遜相關系數Fig.5 Pearson correlation coefficient between band reflectance and SSC

分別對覆蓋度T1、T2、T3、T4多光譜6波段反射率與土壤含鹽量進行相關性分析，如圖5所示，熱圖顏色越深，代表相關性越高?？傮w上，可見光波段(B1、B2、B3)與SSC表現出較好的相關性；紅邊波段(B4)對植被覆蓋具有敏感響應，隨著植被覆蓋度的增加，其與SSC的相關性不斷增大；近紅波段(B5、B6)在覆蓋度T1下與SSC表現出較高相關性，在覆蓋度T2、T3和T4下，隨著覆蓋度的增加，相關性由小變大。對比各覆蓋度下相關性，覆蓋度T1、T4波段反射率和SSC相關性高于T2、T3。

分別對覆蓋度T1、T2、T3、T4植被指數與土壤含鹽量進行相關性分析，如圖6所示。整體上，有植被覆蓋的T2、T3、T4相比裸土T1植被指數和SSC相關性更高。T2、T3、T4中高植被覆蓋度T4下植被指數和SSC相關性最高。

圖6 植被指數與SSC皮爾遜相關系數Fig.6 Pearson correlation coefficient between vegetation index and SSC

分別對覆蓋度T1、T2、T3、T4鹽分指數與土壤含鹽量進行相關性分析，如圖7所示。整體上，覆蓋度T1和T4鹽分指數與SSC相關性最高，其中覆蓋度T1鹽分指數與SSC相關性最顯著。

圖7 鹽分指數與SSC皮爾遜相關系數Fig.7 Pearson correlation coefficient between salt index and SSC

對比圖6和圖7中覆蓋度T1，鹽分指數與SSC的相關性顯著高于植被指數；相應的高植被覆蓋度T4植被指數與SSC的相關性顯著高于鹽分指數。

2.3 全子集法篩選最優(yōu)自變量組合

基于全子集回歸算法，分別對4個覆蓋度4個深度的37個自變量進行篩選?；赗語言全子集回歸模型算法運行結果，綜合考慮模型的評估參數R2和BIC，篩選出每個條件下最優(yōu)自變量組合，結果如表2所示。從T1到T4，鹽分指數在自變量中所占比例分別為71%、42%、23%、13%，其百分比逐漸變??；植被指數在自變量中所占比例分別為5%、21%、50%、63%，其百分比逐漸增大。說明隨著植被覆蓋度的增加，鹽分指數的敏感性逐漸降低，植被指數的敏感度逐漸增加。

表2 全子集法篩選最優(yōu)變量組合統(tǒng)計Tab.2 Optimal variable combination statistics screened by full subset method

2.4 土壤含鹽量反演模型構建

2.4.1基于偏最小二乘算法

以各覆蓋度下不同深度全子集法篩選的反射率和光譜指數為自變量、SSC為因變量，建立PLSR土壤含鹽量反演模型，各模型建模集和驗證集的R2和RMSE如表3所示。

表3 不同覆蓋度各深度土壤含鹽量的PLSR反演模型評價結果Tab.3 PLSR model of soil salt salinity with different coverage levels and depths

2.4.2基于極限學習機算法

以各覆蓋度下不同深度全子集法篩選的反射率和光譜指數為自變量、SSC為因變量，運用ELM構建土壤含鹽量反演模型，各模型建模集和驗證集的R2和RMSE如表4所示。

表4 不同覆蓋度各深度土壤含鹽量的ELM反演模型評價結果Tab.4 ELM model of soil salt salinity with different coverage levels and depths

覆蓋度T3下，僅2個深度10～20 cm和20～40 cm模型決定系數大于0.5，對比2個模型，雖然深度10～20 cm驗證集的決定系數略大于20～40 cm，但深度20～40 cm RMSE均小于0.2%，所以深度20～40 cm模型穩(wěn)定性更高。綜上，覆蓋度T3下，深度20～40 cm模型表現最佳，深度10～20 cm次之。

2.5 土壤含鹽量反演模型綜合評價

基于全子集的篩選結果，通過ELM和PLSR兩種機器學習方法，構建T1、T2、T3、T4覆蓋度0～10 cm、10～20 cm、20～40 cm和40～60 cm深度，總共32個模型。通過對表3和表4模型的對比分析，選出2種機器學習方法在各覆蓋度下最佳的土壤含鹽量反演深度的模型，結果如表5所示。

表5 各覆蓋度下最佳的土壤含鹽量反演模型評價結果Tab.5 Model of soil salinity inversion in each coverage degree

從表5可知，PLSR和ELM 2個模型對應的各覆蓋度下的最佳土壤含鹽量反演深度相同，T1到T4對應的深度分別為0～10 cm、10～20 cm、20～40 cm和20～40 cm，可以看出，隨著覆蓋度的增加，最佳的土壤含鹽量反演深度逐漸增加，從T1條件下表層深度0～10 cm到中植被覆蓋條件下的深度20～40 cm，之后隨著覆蓋度增加，最佳反演深度維持在20～40 cm，且各覆蓋度條件下最佳反演深度均未出現40～60 cm。各深度PLSR和ELM最佳反演模型中，覆蓋度T1和T4下反演模型精度均遠遠大于覆蓋度T2和T3。覆蓋度T1、T2、T3、T4下，ELM模型的決定系數R2均大于PLSR模型，且ELM模型的RMSE均小于0.2%。綜合來看，ELM土壤含鹽量反演模型精度更高。

3 討論

通過無人機多光譜遙感數據進行土壤含鹽量反演，對鹽漬化監(jiān)測和治理起到積極的作用。本文將試驗地7—9月光譜數據用劃分植被覆蓋度的方式，進行重新分集，探究不同植被覆蓋度對反演SSC的影響。

不同植被覆蓋度條件下，模型最佳反演深度有所不同。T1、T2、T3、T4對應最佳土壤含鹽量反演深度分別為0～10 cm、10～20 cm、20～40 cm、20～40 cm。裸土期土壤表層無植被覆蓋，無人機多光譜遙感可以直接獲取土壤表面的光譜信息，用于反演土壤表層含鹽量，所以最佳反演深度是土壤表層[51-53]。植被覆蓋期，植被吸收土壤水分主要是由側根系完成的，因此側根所在土層的土壤鹽分會顯著影響作物的水分吸收，進而使作物生長受到脅迫，且土壤含鹽量越高，土壤鹽分脅迫越嚴重，植被長勢越差，并在植被冠層得到間接表現[54-57]。隨著作物的不斷成熟，植被覆蓋度逐漸增加，側根分布深度逐漸加深，最佳土壤含鹽量反演深度從10～20 cm增加到20～40 cm。因此，植被覆蓋條件下，越高的覆蓋度對應植被成熟度越高，相應的最佳SSC反演深度也越深。劃分植被覆蓋度，有效區(qū)分了光譜指數對SSC的敏感性。植被指數和鹽分指數對土壤含鹽量反演的貢獻不同，鹽分指數在裸土條件下與SSC的相關性更高，植被指數在植被覆蓋條件下與SSC的相關性更高[23，58]。本研究通過全子集篩選法，篩選出每個覆蓋度各個深度最優(yōu)的敏感光譜指數和敏感波段組合，不同條件下篩選出的最佳波段和光譜指數組合不同。在T1覆蓋度下鹽分指數數量大于植被指數，鹽分指數更加敏感。植被覆蓋T2、T3、T4覆蓋度下則表現為植被指數數量大于鹽分指數，植被指數更加敏感。

不同覆蓋度下，反演模型的精度存在差異。本研究建立了4個覆蓋度4個深度下基于全子集篩選敏感變量的PLSR和ELM 2種SSC反演模型。對比發(fā)現，在各覆蓋度下，ELM反演模型的R2大于PLSR反演模型，反演精度更高且模型穩(wěn)定性更高。SSC與光譜變量存在復雜的非線性關系[22]，非線性算法ELM反演模型優(yōu)于PLSR反演模型。分別對比PLSR和ELM 2個模型各深度下反演模型的精度發(fā)現，覆蓋度T1和T4下反演模型的精度高于T2和T3模型。T1對應裸土覆蓋度，光譜中包含更多的純裸土像元；T4對應高植被覆蓋度，光譜中包含更多的純植被冠層像元；T2和T3分別對應低植被覆蓋和中植被覆蓋2個覆蓋度，光譜像元均為混合像元。相比于T2和T3，包含更多純凈像元的覆蓋度T1和T4更有利于SSC反演。包含土壤和冠層混合光譜信息的反演模型精度較低，而含有純裸地光譜和純植被冠層光譜的反演模型精度較高[59]。

本研究尚存在一定的不足。僅僅考慮了植被覆蓋度對土壤含鹽量反演精度的影響，對于作物類型、耕作方式、不同含水率對反演模型的影響尚未考慮。因此，對于綜合考慮更多影響因素的反演模型，還有待進一步研究。

4 結論

(1) 4種覆蓋度下SSC反演模型中，裸土和高植被覆蓋度下的SSC反演模型精度高于低植被覆蓋度和中植被覆蓋度下的SSC反演模型。

(2)裸土覆蓋時，無人機直接獲取土壤表面光譜，最佳土壤含鹽量反演模型深度為土壤表層0～10 cm；植被覆蓋條件下，無人機獲取植被冠層光譜，最佳土壤含鹽量反演模型深度為植被側根生長的土層深度，分別為10～20 cm、20～40 cm、20～40 cm。

(3)通過全子集篩選法對每個覆蓋度各深度模型自變量進行篩選，簡化了模型。且篩選結果顯示，覆蓋度越低，鹽分指數對SSC越敏感；覆蓋度越高，植被指數對SSC越敏感。

(4)在各覆蓋度下，ELM反演模型的R2大于PLSR反演模型，反演精度更高且模型穩(wěn)定性更高。