李星佑， 張飛,3， 王箏

(1.新疆大學(xué)地理與遙感科學(xué)學(xué)院，烏魯木齊 830017； 2.新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830017； 3.新疆大學(xué)智慧城市與環(huán)境建模自治區(qū)普通高校重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830017)

0 引言

土壤鹽漬化是一個(gè)世界性問題，是土壤中鹽分積聚形成鹽漬土的過程，廣泛發(fā)生在內(nèi)陸干旱地區(qū)和濱海地區(qū)[1-3]。自然或人為過程引起的土壤鹽漬化是一種重大的環(huán)境災(zāi)害[4]，全球主要鹽漬化土壤范圍約為9.55億hm2，而次生鹽漬化約為0.77億hm2，其中58%在灌區(qū)[5]。土壤鹽漬化在不同程度上影響了1/3以上的陸地河流流域[6]。鹽漬化的主要負(fù)面影響是限制植物的吸水和蒸散，降低土壤肥力，導(dǎo)致農(nóng)作物減產(chǎn)[7-8]，直接影響人們的生活。因此，土壤鹽漬化的動(dòng)態(tài)監(jiān)測尤為重要。

以往的土壤鹽漬化監(jiān)測體系主要基于人工樣點(diǎn)調(diào)查，費(fèi)時(shí)費(fèi)力，難以獲取大面積宏觀尺度的變化特性[9-11]。尤其在下墊面條件復(fù)雜、自然環(huán)境惡劣地區(qū)，監(jiān)測站點(diǎn)布設(shè)不足，野外考察難度大，傳統(tǒng)監(jiān)測手段更難以滿足需求[6,12]。遙感衛(wèi)星能夠?qū)μ囟▍^(qū)域進(jìn)行不同尺度上可靠、持續(xù)的影像觀測，過去10 a間，已經(jīng)快速發(fā)展成為監(jiān)測土壤鹽漬化程度及分布的重要工具[13-15]。單時(shí)相的衛(wèi)星影像可以客觀地揭示某一時(shí)刻大范圍區(qū)域內(nèi)土壤質(zhì)地空間差異，多時(shí)相的衛(wèi)星影像則可以對(duì)同一區(qū)域不同時(shí)間變化規(guī)律進(jìn)行比較分析[16-17]。近年來，隨著對(duì)地觀測技術(shù)的發(fā)展，遙感數(shù)據(jù)的光譜信息逐漸豐富，時(shí)空分辨率不斷提升，能夠?qū)崿F(xiàn)對(duì)地高精度、高重訪(高時(shí)效)、多尺度、全天候觀測，大大提高了遙感監(jiān)測能力[18-19]。利用多時(shí)相遙感影像，能夠?qū)Σ煌貐^(qū)土壤鹽漬化參數(shù)進(jìn)行定量反演，實(shí)現(xiàn)鹽漬化土壤的動(dòng)態(tài)監(jiān)測和分析[17,20]。

利用遙感數(shù)據(jù)定量評(píng)價(jià)土壤鹽漬化的核心是找出相關(guān)指標(biāo)的含量與遙感數(shù)據(jù)之間的關(guān)系，因此，利用遙感技術(shù)研究土壤鹽漬化的目的是建立一個(gè)可靠的估算模型[21-22]。土壤鹽漬化反演遙感模型的建立需要探求土壤實(shí)際含鹽量、鹽漬化程度以及鹽漬土類型與遙感數(shù)據(jù)不同波段、波段組合及其他遙感參數(shù)之間的關(guān)系[23-24]，因此需要獲取土壤含鹽量及實(shí)際理化性質(zhì)的量化數(shù)值，利用統(tǒng)計(jì)學(xué)等方法建立與遙感數(shù)據(jù)的光譜信息數(shù)值之間線性或非線性模型[25-26]，并對(duì)模型進(jìn)行精度驗(yàn)證，精度較高的模型在很大程度上可用于該研究區(qū)內(nèi)土壤鹽漬化情況的監(jiān)測[4,27]。遙感監(jiān)測模型構(gòu)建方法在步驟上存在一定的差異，但總體流程是一致的，其目的是為了獲取更高精度的反演模型，用以評(píng)估區(qū)域鹽漬化狀況[11]。

因此，本文主要針對(duì)以下幾點(diǎn)內(nèi)容進(jìn)行梳理和總結(jié)： ①探討土壤鹽漬化遙感研究的熱點(diǎn)，論證遙感反演模型構(gòu)建在該研究領(lǐng)域的重要性； ②總結(jié)和梳理土壤鹽漬化遙感監(jiān)測模型構(gòu)建的一般過程； ③針對(duì)當(dāng)前研究現(xiàn)狀，分析土壤鹽漬化遙感監(jiān)測模型構(gòu)建過程中的局限性并分析未來發(fā)展趨勢。

1 土壤鹽漬化遙感監(jiān)測模型研究現(xiàn)狀

為探討土壤鹽漬化遙感監(jiān)測的研究歷程以及當(dāng)前的研究熱點(diǎn)，以“土壤鹽漬化”、“遙感”和“模型”作為主題檢索詞在中國知網(wǎng)(CNKI)進(jìn)行檢索，檢索結(jié)果包括414篇相關(guān)度較高的文獻(xiàn)，以“soil salt remote sensing”、“soil salinization remote sensing”和“soil salinity remote sensing”作為主題進(jìn)行檢索，在Web of Science數(shù)據(jù)庫中檢索到1 598篇相關(guān)文章。對(duì)檢索結(jié)果不同年份發(fā)表文章的數(shù)量進(jìn)行總結(jié)梳理(圖1)，發(fā)現(xiàn)國內(nèi)外土壤鹽漬化遙感監(jiān)測模型構(gòu)建的相關(guān)研究興起于2000年，在2000年以后相關(guān)研究文章的發(fā)表數(shù)量呈逐年上升趨勢，在近5 a內(nèi)發(fā)文數(shù)量達(dá)到頂峰，土壤鹽漬化作為全球性問題受到廣泛關(guān)注，眾多學(xué)者開始利用遙感手段對(duì)土壤鹽漬化情況進(jìn)行監(jiān)測，逐步建立鹽漬化嚴(yán)重地區(qū)的遙感監(jiān)測模型，并不斷提高監(jiān)測模型的精度，取得了豐富的研究成果，體現(xiàn)了土壤鹽漬化遙感監(jiān)測建模研究作為當(dāng)前遙感領(lǐng)域的研究熱點(diǎn)，對(duì)于土壤鹽漬化監(jiān)測與防治具有重要意義。

圖1 CNKI和Web of Science數(shù)據(jù)庫中土壤鹽漬化遙感相關(guān)研究文獻(xiàn)數(shù)量Fig.1 Literature on soil salinization in CNKI and Web of Science database

利用VOS Viewer1.6.16平臺(tái)進(jìn)行分析，得到與土壤鹽漬化遙感監(jiān)測研究相關(guān)的CNKI和Web of Science出版物中的關(guān)鍵詞密度、網(wǎng)絡(luò)和標(biāo)簽。由兩者關(guān)鍵詞密度可知，近年來國內(nèi)外土壤鹽漬化遙感監(jiān)測研究的熱點(diǎn)在于遙感監(jiān)測模型的建立，熱點(diǎn)區(qū)域?yàn)楦珊祬^(qū)，在建模構(gòu)建過程中越來越多地使用到新型的遙感數(shù)據(jù)與建模方法，種類多樣的多光譜、高光譜、雷達(dá)以及無人機(jī)遙感數(shù)據(jù)被應(yīng)用于土壤鹽漬化監(jiān)測，其中Landsat，MODIS，RADARSAT-2和Sentinel-2遙感影像的使用頻次較高，偏最小二乘回歸模型、支持向量機(jī)(support vector machine, SVM)模型、BP-神經(jīng)網(wǎng)絡(luò)模型和特征空間模型為當(dāng)前研究中使用最廣泛的模型構(gòu)建方法。土壤鹽漬化監(jiān)測模型的建立并結(jié)合3S技術(shù)制作的土壤鹽漬化程度分布專題圖實(shí)現(xiàn)了區(qū)域土壤鹽漬化的動(dòng)態(tài)監(jiān)測與預(yù)測，展現(xiàn)了土壤鹽漬化與時(shí)空分布特征動(dòng)態(tài)變化，對(duì)區(qū)域內(nèi)生態(tài)環(huán)境的改善做出了重要的參考貢獻(xiàn)。從Web of Science網(wǎng)絡(luò)來看，遙感監(jiān)測模型探討的熱點(diǎn)在于建立實(shí)測土壤含鹽量與遙感數(shù)據(jù)光譜信息之間的聯(lián)系，主要通過對(duì)鹽漬化土壤遙感影像的光譜分析與指數(shù)的構(gòu)建來獲取建模因子，作為模型構(gòu)建的前提； 與土壤鹽漬化聯(lián)系最緊密的因素是地表水、地下水埋深以及植被覆蓋度(fractional vegetation cover, FVC)，不同深度、不同季節(jié)土壤含鹽量的主導(dǎo)影響因子是不同的； 土壤鹽漬化遙感模型構(gòu)建的目的是實(shí)現(xiàn)對(duì)區(qū)域內(nèi)土壤鹽漬化變化情況以及鹽漬化對(duì)生態(tài)環(huán)境造成影響的長期遙感動(dòng)態(tài)監(jiān)測。CNKI標(biāo)簽則反映了近10 a來相關(guān)研究文獻(xiàn)熱點(diǎn)關(guān)鍵詞隨時(shí)間的變化狀況，從一定程度上反映出近期土壤鹽漬化遙感監(jiān)測的研究熱點(diǎn)在于新型光譜指數(shù)的建立與高光譜和高空間分辨率遙感數(shù)據(jù)的使用，不同類型的遙感數(shù)據(jù)的協(xié)同使用以及尺度轉(zhuǎn)換方法將為模型構(gòu)建提供更多的建模因子，新興的數(shù)據(jù)挖掘算法等技術(shù)將為土壤鹽漬化的時(shí)空特征變化監(jiān)測提供新的研究思路。

對(duì)比分析CNKI和Web of Science數(shù)據(jù)庫相關(guān)文獻(xiàn)檢索結(jié)果，發(fā)現(xiàn)Web of Science數(shù)據(jù)庫中關(guān)于土壤鹽漬化遙感監(jiān)測方面的相關(guān)文章數(shù)量多于CNKI，二者文章數(shù)量整體呈現(xiàn)上升趨勢且變化趨勢相似。在這2個(gè)數(shù)據(jù)庫中，土壤鹽漬化遙感監(jiān)測模型構(gòu)建研究領(lǐng)域的熱點(diǎn)都在于不斷發(fā)掘新的數(shù)據(jù)源與模型構(gòu)建算法，從而提高反演模型精度，CNKI數(shù)據(jù)庫中更側(cè)重于模型構(gòu)建方法的研究與創(chuàng)新，使用的建模方法與理論更為豐富，Web of Science數(shù)據(jù)庫中在模型構(gòu)建基礎(chǔ)上更側(cè)重于土壤鹽漬化影響因素與動(dòng)態(tài)變化方面的研究。

2 模型構(gòu)建因子的選取

2.1 實(shí)測數(shù)據(jù)

實(shí)測土壤含鹽量是遙感監(jiān)測模型建立的基礎(chǔ)，是進(jìn)行建模因子優(yōu)選以及模型精度驗(yàn)證的依據(jù)，其一般獲取方法是野外采集，在樣本采集過程中使用全球定位系統(tǒng)(global positioning system,GPS)儀記錄土壤坐標(biāo)位置信息，將野外采集的土壤樣本帶回實(shí)驗(yàn)室進(jìn)行測定實(shí)驗(yàn)。具體采樣過程中，需要采集表層及地下不同深度的鹽漬土，一般采用多點(diǎn)采樣法，將采集到的樣品封裝后帶回實(shí)驗(yàn)室，經(jīng)過風(fēng)干、研磨、過篩獲得鹽漬土細(xì)土樣品，之后配置土壤溶液使用電導(dǎo)率儀測定土壤電導(dǎo)率、pH值及主要離子含量[7]，或采用殘?jiān)娓煞ǐ@得土壤鹽分含量及含水量[9]，也可以使用電磁感應(yīng)法和接觸電極法測定土壤電導(dǎo)率，如土壤傳感電磁感應(yīng)GER3700和FieldSpec FR設(shè)備以及EM38來獲取表征土壤鹽分的數(shù)據(jù)[28-29]，還有部分學(xué)者使用儀器85070E介電常數(shù)測量套件測定土壤介電常數(shù)來探討其與土壤含鹽量之間的關(guān)系[30]。

在土壤樣品采集過程中，使用便攜式光譜測量儀可獲得不同采樣點(diǎn)的光譜曲線數(shù)據(jù)。經(jīng)常被使用的野外便攜式光譜測量儀包括美國SVC HR-768便攜式野外光譜儀、美國Unispec-SC(波段為310～1 130 nm)便攜式光譜儀[16]、美國ASD公司的ASD Fild Specpro FR光譜儀[31]、科羅拉多州博爾德制造的FieldSpecfiPro光譜測量儀[32]、FieldSpec-4高分辨率光譜輻射計(jì)[33]、CI700便攜式野外光譜儀[34]和PSR-3500?便攜式VisNIR光譜輻射計(jì)等設(shè)備。

根據(jù)野外實(shí)際情況以及數(shù)據(jù)使用的特定需求制定一系列的測定操作規(guī)范，獲取光譜曲線數(shù)據(jù)后需要利用光譜儀的后處理軟件進(jìn)行取均值、歸一化等處理，通常采用最小二乘擬合的多項(xiàng)式低通平滑Savitzky-Golay 濾波方法對(duì)光譜曲線進(jìn)行平滑處理，以增強(qiáng)光譜的有效性和準(zhǔn)確性，最大程度消除噪聲。為更好地分析光譜數(shù)據(jù)與土壤含鹽量之間的相關(guān)關(guān)系，對(duì)土壤光譜反射率分別進(jìn)行倒數(shù)、對(duì)數(shù)、對(duì)數(shù)倒數(shù)和均方根等數(shù)學(xué)變換，然后再進(jìn)行一階、二階微分變換以消除基線漂移或平滑背景的干擾[35]。一階、二階微分方程分別為：

R′λi=(Rλi+1-Rλi-1)/(λi+1-λi-1)，

(1)

R″λi=(R′λi+1-R′λi-1)/(λi+1-λi-1)，

(2)

選擇適當(dāng)?shù)臄?shù)學(xué)方法改變高光譜反射率可以更好地突出光譜的反射和吸收特性，并有助于篩選敏感波段[36]。將反射率、反射率一階微分變換、反射率二階微分變換、倒數(shù)變換、倒數(shù)一階微分變換、對(duì)數(shù)變換、對(duì)數(shù)一階微分變換、對(duì)數(shù)倒數(shù)變換、對(duì)數(shù)倒數(shù)一階微分變換、均方根變換和均方根一階微分變換等數(shù)學(xué)變換的結(jié)果可作為土壤的高光譜指數(shù)[37]。分別將不同鹽漬化程度的土壤鹽分解譯數(shù)據(jù)與去噪后得到的土壤光譜及其變換形式進(jìn)行相關(guān)性分析[31]，選取相關(guān)性較高的波段作為土壤含鹽量的敏感波段，作為模型構(gòu)建的因子，即

(3)

2.2 遙感影像數(shù)據(jù)

近年來，國內(nèi)外學(xué)者研究建立了利用遙感影像反演土壤鹽分的有效方法，常用的遙感數(shù)據(jù)源有Landsat TM、中巴地球資源衛(wèi)星CBERS，ASTER，EO-1 ALI，Landsat7 ETM+，Landsat8 OLI，Sentinel-2A、高分系列衛(wèi)星數(shù)據(jù)、HJ1A-CCD2和IKONOS衛(wèi)星圖像。

高光譜成像技術(shù)具有光譜分辨率高、圖譜合一的獨(dú)特優(yōu)勢，眾多國內(nèi)外學(xué)者開展了基于高光譜遙感影像的土壤鹽分反演。常用的高光譜遙感影像有美國 EO-1衛(wèi)星的 Hyperion，Terra衛(wèi)星和Aqua衛(wèi)星的 MODIS，Tacsat-3的ARTEMIS、歐空局PROBA衛(wèi)星的CHRIS和中國環(huán)境一號(hào)衛(wèi)星A星HJ-1A的高光譜成像儀HSI等。

光學(xué)遙感雖然應(yīng)用廣泛、解譯方法比較成熟，但受天氣與時(shí)間的限制比較大。而對(duì)于雷達(dá)遙感來說，因其具有全天候、全天時(shí)、穿透性等特點(diǎn)，可以很好解決以上限制，繼而成為獲取鹽漬化程度及分布信息的有效技術(shù)手段[38]。常用的雷達(dá)影像數(shù)據(jù)有全極化 PolSAR 數(shù)據(jù)、RADARSAT-2數(shù)據(jù)、探地雷達(dá)數(shù)據(jù)、Sentinel 1和PALSAR 全極化數(shù)據(jù)等。

近年來，隨著遙感技術(shù)的不斷發(fā)展以及無人機(jī)技術(shù)的日趨成熟，將無人機(jī)與遙感傳感器結(jié)合，形成的無人機(jī)遙感監(jiān)測手段在土壤鹽漬化監(jiān)測領(lǐng)域正在得到越來越廣泛的應(yīng)用。由于無人機(jī)遙感相對(duì)于近地遙感而言，具有大區(qū)域監(jiān)測的優(yōu)勢，同時(shí)相比衛(wèi)星遙感，影像的分辨率又有所提升，因此是廣域范圍內(nèi)低成本監(jiān)測土壤鹽漬化的一種有效手段，在精準(zhǔn)遙感監(jiān)測領(lǐng)域具有較大的應(yīng)用潛力[39]。目前用于土壤鹽漬化遙感監(jiān)測研究的無人機(jī)傳感器主要為美國Tetracam公司生產(chǎn)的Micro-MCA多光譜相機(jī)[40]以及多光譜相機(jī)(ParrotS)[14]等。

2.3 建模因子及優(yōu)選

預(yù)處理后的遙感影像具有豐富的地物光譜信息，這些信息包含在影像不同波段的反射率值中，為建立實(shí)測土壤鹽分?jǐn)?shù)據(jù)與遙感影像光譜信息之間的聯(lián)系，需要獲取采樣點(diǎn)空間位置下的遙感影像光譜信息，通常的做法是將采樣點(diǎn)的GPS坐標(biāo)信息導(dǎo)入到遙感影像中，提取這些位置像元點(diǎn)各波段的光譜反射率R，可對(duì)其進(jìn)行倒數(shù)1/R、對(duì)數(shù)lnR、指數(shù)eR、冪函數(shù)Ra、S曲線函數(shù)、一階微分R′、二階微分R″和分?jǐn)?shù)階微分R0.x等數(shù)學(xué)變換[41-42]。

單個(gè)波段所包含的光譜信息是有限的，因此在提取遙感影像的波段光譜反射率后可進(jìn)行不同波段之間的組合運(yùn)算，這些指數(shù)通常是已有研究得出的先驗(yàn)計(jì)算公式(表1)，也可以使用不同的數(shù)學(xué)運(yùn)算組合計(jì)算得到，包括差異指數(shù)(differentation index，DI)、比率指數(shù)(ratio index，RI)、歸一化差異指數(shù)(normalized difference index，NDI)和土壤指數(shù)(soil index，SI)的二維波段組合光譜指數(shù)，也包括部分三維波段組合指數(shù)(three dimensional band combination index，TBI)，通過這些組合可構(gòu)建功能強(qiáng)大的光譜組合搜索模型[7,43]。計(jì)算公式分別為：

表1 建模指數(shù)公式Tab.1 Modeling exponential formula

(續(xù)表)

DI=Rj-Ri，

(4)

RI=Ri/Rj，

(5)

NDI=(Rj-Ri)/(Rj+Ri)，

(6)

(7)

TBI1=Ri/(Rj+Rk)，

(8)

TBI2=(Ri-Rj)/(Rj-Rk)，

(9)

TBI3=(Ri+Rj)/Rk，

(10)

TBI4=(Ri+Rj)/[(Ri-Rj)-(Rj-Rk)]，

(11)

TBI5=(Ri-Rj)-(Rj-Rk)，

(12)

式中Ri，Rj和Rk分別為從所有波段中選擇的任意3個(gè)波段的反射率，一階和二階微分計(jì)算公式與式(1)—(2)相同。

由于土壤鹽漬化情況很大程度地受到氣候因素、土壤理化性質(zhì)、地形因素、空間位置和植被因素等環(huán)境變量的影響[24]，因此可引入環(huán)境變量遙感產(chǎn)品數(shù)據(jù)參與建模。氣候因素包括氣溫、降水等，土壤理化性質(zhì)包括土壤質(zhì)地、地表溫度、地下水位、土壤濕度等，植物因素主要以一系列植被指數(shù)來表征[29]，這些環(huán)境變量因子數(shù)據(jù)可以通過產(chǎn)品數(shù)據(jù)或由原始遙感影像通過指數(shù)計(jì)算獲得，空間位置要根據(jù)樣點(diǎn)坐標(biāo)數(shù)據(jù)計(jì)算獲得[24,56]，地形因素包括數(shù)字高程模型(digital elevation model，DEM)數(shù)據(jù)及其衍生數(shù)據(jù)，地下水位數(shù)據(jù)可由測站觀測井獲得[57]。

提取后的模型構(gòu)建需要進(jìn)一步優(yōu)選，將提取到的各個(gè)波段的反射率值、指數(shù)計(jì)算結(jié)果等數(shù)值與實(shí)測土壤鹽分含量進(jìn)行相關(guān)性分析或回歸分析，選取相關(guān)性較高、回歸系數(shù)較大的因子作為敏感波段及敏感指數(shù)因子參與建模，并解決因子間的共線性問題[20]。在建模前需要將樣本點(diǎn)進(jìn)行分組，建模集與驗(yàn)證集比例通常接近3∶1，便于模型建立后的精度驗(yàn)證。

總之，為建立土壤含鹽量與遙感影像之間的聯(lián)系，實(shí)現(xiàn)模型的構(gòu)建，首先需要獲取實(shí)測土壤含鹽量數(shù)據(jù)以及遙感影像的光譜信息。實(shí)測土壤樣品經(jīng)定位采集、實(shí)驗(yàn)室理化測定與分析、數(shù)學(xué)變換后獲得的一系列表征土壤含鹽量的數(shù)據(jù)可作為模型的因變量輸入因子，不同來源的遙感數(shù)據(jù)經(jīng)預(yù)處理、影像融合等操作后提取實(shí)測樣品空間位置下的像元點(diǎn)屬性值，經(jīng)過一系列數(shù)學(xué)變換及指數(shù)計(jì)算可獲取極為豐富的建模因子，為探討不同類型的因子對(duì)土壤鹽漬化的影響程度以及減少因子間的冗余，需要對(duì)建模因子進(jìn)行分類及優(yōu)選之后參與建模，還需要預(yù)留驗(yàn)證因子集作為模型精度驗(yàn)證的依據(jù)。

3 遙感監(jiān)測模型的構(gòu)建及精度驗(yàn)證

模型的構(gòu)建旨在建立土壤鹽分含量與建模因子之間的關(guān)系，越來越多的模型在鹽漬化遙感監(jiān)測領(lǐng)域得以運(yùn)用，在土壤鹽漬化遙感監(jiān)測模型構(gòu)建過程中最常用到以下幾種模型。

1)一元線性回歸分模型(linear regression model，LR)是原理最簡單的建模方法[19]，是根據(jù)自變量X和因變量Y的相關(guān)關(guān)系，建立X與Y的線性回歸方程的方法，可以建立土壤鹽分含量與某一單一建模因子之間的關(guān)系，通常可在SPSS軟件中建模，一元線性回歸分析法的模型為：

Y=aX+b，

(13)

式中：Y表示土壤含鹽量值；X表示某一建模因子；a和b分別為公式參數(shù)。

2)多元線性回歸模型(multiple linear regression model，MLR)是將多個(gè)變量進(jìn)行最優(yōu)組合來預(yù)測因變量，原理簡單，應(yīng)用廣泛[2,8-9,17,22,24,40-42,56,58-59]，其公式為：

(14)

式中：b0為常數(shù)項(xiàng)；m為建模因子個(gè)數(shù)；bi為第i個(gè)因子的偏回歸系數(shù)；xi為第i個(gè)因子。

3)偏最小二乘回歸建模是結(jié)合主成分分析與MLR特點(diǎn)的一種新型多元統(tǒng)計(jì)數(shù)據(jù)分析算法，其主要是針對(duì)多因變量對(duì)多自變量的回歸建模，能較好地解決樣本個(gè)數(shù)少于變量個(gè)數(shù)等問題[60-61]，可用于各變量之間具有多重共線性時(shí)，該算法不再直接考慮因變量與自變量的回歸建模，而是對(duì)變量系統(tǒng)中的信息重新進(jìn)行綜合篩選，從中選取若干對(duì)系統(tǒng)具有最佳解釋能力的新成分用于回歸建模。偏最小二乘回歸的基本步驟如下： 首先，分析自變量與因變量之間的關(guān)系，要從p個(gè)自變量和因變量中分別提取出p個(gè)自變量的線性組合以及p個(gè)因變量的線性組合，公式為：

t1=e1,1x1+e1,2x2+...+e1,pxp=e1x1，

(15)

v1=v1,1x1+v1,2x2+...+v1,pxp=v1y1，

(16)

式中：e1=(e1,1,e1,2,...,e1,p)為模型效應(yīng)權(quán)重；v1=(v1,1,v1,2,...,v1,p)為因變量權(quán)重。 其次,分別建立p個(gè)自變量和因變量對(duì)t1的回歸方程，如果該方程有較好的精度，則回歸方程成立，否則，要對(duì)t1分別對(duì)自變量和因變量解釋后的信息進(jìn)行再一次提取，直到達(dá)到較好的精度為止。

4)BP-神經(jīng)網(wǎng)絡(luò)被廣泛用于土壤鹽分反演中[13,60]，主要由信號(hào)的正向傳播和誤差的反向傳播這2個(gè)過程組成。正向傳播就是按照輸入層、隱藏層和輸出層的順序依次輸出，若實(shí)際輸出值與期望輸出值相差較大，則開始進(jìn)行誤差的反向傳播，其與正向傳播的方向剛好相反，就是將輸出誤差按照輸出層、隱藏層和輸入層的順序輸出，以此可對(duì)各單元的權(quán)重進(jìn)行修正，通過不斷修正，減少實(shí)際輸出值與期望輸出值的差距，從而達(dá)到預(yù)測的目的。

5)SVM方法是一種新近的模式分類方法[62-63]，對(duì)于解決小樣本、 非線性及高維模式識(shí)別等問題具有優(yōu)越性，它處理的是二元分類模型。二元模型假設(shè)一個(gè)土壤樣本只屬于一個(gè)類，并且只有2個(gè)類(C={c1,c2})。每個(gè)有l(wèi)個(gè)類的分類任務(wù)都可以使用一對(duì)一方法被建模為二進(jìn)制任務(wù)，其中一個(gè)訓(xùn)練l(l-1)/2個(gè)二進(jìn)制分類器，每個(gè)分類器對(duì)應(yīng)一對(duì)類。最后的決策是通過投票的方式做出的，即選擇最常被預(yù)測的類作為輸出,在使用時(shí)需要確定核函數(shù)和懲罰因子。

6)隨機(jī)森林是一種新型的分類和預(yù)測模型[61],“隨機(jī)森林”的名稱取自“隨機(jī)”和”“森林”，“隨機(jī)”包括隨機(jī)選取訓(xùn)練樣本集和隨機(jī)選取分裂屬性集，這使得隨機(jī)森林具有良好的抗噪能力?！吧帧奔从性S多的決策樹，其實(shí)這也是隨機(jī)森林的主要思想-集成思想的體現(xiàn)。隨機(jī)森林是決策樹的組合，每棵決策樹都是通過對(duì)原始數(shù)據(jù)集中隨機(jī)生成新的數(shù)據(jù)集來訓(xùn)練生成，隨機(jī)森林決策的結(jié)果是多顆決策樹的決策結(jié)果。

除上述模型外一些新型模型與改進(jìn)模型也被用于遙感監(jiān)測模型的構(gòu)建，如逐步多元回歸(stepwise multiple regression analysis，SMR)模型[17,35，64]、嶺回歸模型(ridge regression，RR)模型[65-66]、普通最小二乘法(ordinary least square，OLS)[67-68]、空間自回歸(spatial autore gression，SAR)模型[56]、決策樹算法(decision tree algorithm，DTA)[67]、支持向量回歸(support vector regression，SVR)模型[12,25,69]、粒子群優(yōu)化支持向量機(jī)(particle swarm optimization support vector machine，PSO-SVM)模型[15,70]、網(wǎng)格搜索支持向量機(jī)(grid search support vector machine， GS-SVM)[71]、差分進(jìn)化支持向量機(jī)(differential evolution support vector machine，DE-SVM)模型[15]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)模型[70]、多元自適應(yīng)回歸樣條(multivariate adaptive regression spline,MARS)模型[1,25,72]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)模型[7,26]、Bootstrap-BP神經(jīng)網(wǎng)絡(luò)模型[43]、極限學(xué)習(xí)機(jī)(extra learning machine，ELM)[61，73]、結(jié)構(gòu)方程模型[74](structural equation model，SEM)、溶質(zhì)運(yùn)移模型[28]、地理加權(quán)回歸(geographically weighted regression，GWR)模型[24,66]、多布森模型(Dobson model)[75]和修正的殘差克里金模型[76]等模型。

基于光譜特征空間的方法也可以建立土壤遙感監(jiān)測模型[77-78]，通過建立影響土壤鹽漬化參量的二維或三維空間，可用特征空間中到某一特征點(diǎn)的距離反映鹽度，不同區(qū)域反映不同程度土壤鹽漬化[79]，確定不同參量之間的相互變化趨勢，結(jié)合實(shí)際經(jīng)驗(yàn)對(duì)散點(diǎn)空間圖進(jìn)行分析，利用散點(diǎn)圖的空間特征參量建立相應(yīng)模型。

模型的實(shí)現(xiàn)可以使用SPSS、R語言、Matlab和Python等軟件實(shí)現(xiàn)，具體使用過程中需要調(diào)整數(shù)據(jù)格式及模型參數(shù)。模型建立之后需要使用驗(yàn)證集對(duì)模型精度進(jìn)行驗(yàn)證，在預(yù)測模型進(jìn)行精度評(píng)價(jià)時(shí)，通常選取決定系數(shù)R2、均方根誤差 (root mean square error，RMSE) 、相對(duì)分析誤差 (relative percent deviation，RPD)和平均絕對(duì)誤差(mean absolute error，MAE)，其中R2與模型的精度成正比，RMSE和MAE與模型的估算預(yù)測能力成反比，且當(dāng)RPD<1.4，說明模型不可靠，1.4≤RPD≤2 時(shí)，說明模型精度一般，RPD>2時(shí)，說明模型有較強(qiáng)的預(yù)測能力。其計(jì)算公式分別為：

(17)

(18)

(19)

(20)

當(dāng)前研究中MLR以及機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于土壤鹽漬化遙感檢測模型的建立，改進(jìn)的數(shù)學(xué)模型被不斷地運(yùn)用于該領(lǐng)域的研究，并取得了較高的模型精度，經(jīng)精度驗(yàn)證對(duì)比后的最優(yōu)模型可用于區(qū)域土壤鹽漬化專題圖制作，制圖過程中還需要充分利用制圖技術(shù)及先驗(yàn)知識(shí)來進(jìn)一步提高專題圖精度，為區(qū)域鹽漬化時(shí)空分析及預(yù)測提供依據(jù)。

4 結(jié)論與展望

4.1 結(jié)論

土壤鹽漬化遙感監(jiān)測模型的構(gòu)建將作為土壤鹽漬化遙感監(jiān)測領(lǐng)域的研究熱點(diǎn)，目的是為了獲取更高精度的反演模型，用以表征區(qū)域內(nèi)的土壤鹽漬化情況，反映土壤鹽漬化狀況與其影響因素的相互關(guān)系。模型的建立通常包括實(shí)測土壤鹽分?jǐn)?shù)據(jù)的獲取、遙感影像的獲取、建模因子的提取及優(yōu)選、模型的建立與精度驗(yàn)證等步驟，但不同研究之間存在一定的差異。

土壤實(shí)測數(shù)據(jù)通常采用實(shí)地取實(shí)驗(yàn)室樣化驗(yàn)的方法測定，也可以使用土壤傳感電磁感應(yīng)等測定設(shè)備更為快捷的獲取，在實(shí)際采樣過程中還需要根據(jù)研究需要測定不同深度下土壤樣品的含鹽量，根據(jù)分析需求測定土壤樣品的離子含量、pH、土壤水分等理化性質(zhì)。當(dāng)前研究中用到的遙感影像數(shù)據(jù)主要有Landsat TM，Landsat8 OLI，Sentinel-2A，GF-1，HJ-1A-CCD2和MODIS等，衛(wèi)星雷達(dá)遙感影像以及無人機(jī)遙感影像也有所使用，獲取到的遙感影像需要經(jīng)過預(yù)處理達(dá)到使用要求，通過影像融合、微分變換等手段可獲取更多的光譜信息。

建模因子通過提取采樣點(diǎn)坐標(biāo)位置下表征與土壤鹽漬化有關(guān)因素的遙感影像像元數(shù)值以及波段反射率數(shù)值獲取，參與建模的因子可以是原始或經(jīng)過數(shù)學(xué)變換后的波段反射率值，也可以是通過先驗(yàn)指數(shù)公式計(jì)算得到的指數(shù)數(shù)值，通過遙感產(chǎn)品數(shù)據(jù)獲得的像元點(diǎn)數(shù)值也是建模因子數(shù)據(jù)的重要來源。用于建模的氣候因素、土壤理化性質(zhì)、地形因素、空間位置和植被因素等因子，可以通過波段計(jì)算以及相應(yīng)的遙感數(shù)據(jù)獲取。在建模過程中，不同因子可根據(jù)建模需求劃分成不同的集合參與建模。

模型建立的方法主要有線性回歸模型以及機(jī)器學(xué)習(xí)模型，為提高模型構(gòu)建精度需要不斷嘗試改進(jìn)后的新型模型算法，模型的構(gòu)建需要通過不同數(shù)學(xué)分析軟件的相應(yīng)模塊實(shí)現(xiàn)。模型的精度受到采樣點(diǎn)數(shù)目、樣品測驗(yàn)精度、遙感影像質(zhì)量、建模因子的選取以及模型參數(shù)的影響，主要以選取R2， RMSE， RPD及MAE來體現(xiàn)和對(duì)比模型精度。建模完成后，對(duì)不同模型進(jìn)行對(duì)比優(yōu)選，進(jìn)行遙感影像反演，制作土壤鹽漬化專題地圖。大量研究結(jié)果表明機(jī)器學(xué)習(xí)模型的建模精度一般要高于線性模型，不同模型精度在不同的實(shí)驗(yàn)研究中存在較大差異。

4.2 存在的局限性

土壤鹽漬化遙感監(jiān)測模型的構(gòu)建作為遙感研究應(yīng)用的熱點(diǎn)領(lǐng)域，國內(nèi)外眾多學(xué)者不斷利用新的技術(shù)手段與研究方法實(shí)現(xiàn)了區(qū)域內(nèi)土壤鹽漬化的高精度監(jiān)測，取得了豐富的研究成果，但仍然存在以下問題：

1)模型的適用性為當(dāng)前研究中存在最主要的問題。研究區(qū)鹽漬土的理化性質(zhì)、采樣方案的設(shè)計(jì)、建模因子及建模方法的不同導(dǎo)致了所得模型具有專一性，單篇文章中所得模型可實(shí)現(xiàn)以少量的實(shí)測采樣點(diǎn)數(shù)據(jù)反映研究區(qū)范圍內(nèi)土壤鹽漬化情況，但該模型往往不適用于其他研究區(qū)或其他季節(jié)，因此如何建立普適性較高的模型來實(shí)現(xiàn)不同研究區(qū)及不同時(shí)序土壤鹽漬化反演是該研究領(lǐng)域的一大難點(diǎn)。

2)耐鹽植物可以在中度或輕度鹽漬化土壤條件下生長，植被與裸地的光譜特征存在較大的差異性，因此在建立農(nóng)田、草地及林地覆被下的土壤鹽漬化監(jiān)測模型時(shí)需要考慮區(qū)域內(nèi)的植被覆蓋情況，加大了采樣方案設(shè)計(jì)及模型構(gòu)建的難度，也使得模型對(duì)土壤鹽漬化的反映能力下降，如何構(gòu)建精度較高、能準(zhǔn)確反映植被覆蓋區(qū)域的土壤鹽漬化模型是該研究領(lǐng)域的一大難點(diǎn)。

3)模型的構(gòu)建需要選取多種土壤鹽漬化影響因子，相應(yīng)遙感影像及產(chǎn)品數(shù)據(jù)的空間和時(shí)間分辨率存在一定的差異，具體建模過程中通常對(duì)影像進(jìn)行重采樣或選擇時(shí)間相近的影像進(jìn)行建模，受天氣、衛(wèi)星狀況影響，影像會(huì)存在缺失及質(zhì)量問題，當(dāng)建模因子數(shù)量較多時(shí)會(huì)使誤差增大，因此獲取時(shí)間和空間分辨率一致并保證所有參與建模因子對(duì)應(yīng)的影像質(zhì)量均達(dá)到精度要求是難以實(shí)現(xiàn)的。

4.3 發(fā)展趨勢

遙感技術(shù)的不斷進(jìn)步，遙感產(chǎn)品數(shù)據(jù)的不斷豐富將為鹽漬化反演模型的建立提供更多的數(shù)據(jù)選擇，更高精度、更多種類的遙感影像可為模型提供更多的建模因子，在未來的研究中需要不斷發(fā)現(xiàn)可用于土壤鹽漬化建模的新型遙感數(shù)據(jù)，利用這些數(shù)據(jù)豐富建模因子。此外，多源遙感數(shù)據(jù)的協(xié)同使用如多光譜遙感數(shù)據(jù)與微波遙感數(shù)據(jù)的協(xié)同使用將有助于地下土壤鹽分的估算，無人機(jī)因其機(jī)動(dòng)靈活，數(shù)據(jù)空間分辨率高等特點(diǎn)未來將被廣泛運(yùn)用于土壤鹽漬化的監(jiān)測。

遙感模型的建立需要利用統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)中的模型算法，因此不斷嘗試改進(jìn)的數(shù)學(xué)建模方法可以使土壤鹽漬化遙感建模領(lǐng)域產(chǎn)生新的發(fā)現(xiàn)，不同模型之間的對(duì)比以及模型參數(shù)的優(yōu)化改進(jìn)將不斷提高鹽漬化遙感監(jiān)測的精度，專業(yè)遙感軟件不斷升級(jí)以及數(shù)學(xué)分析軟件模型構(gòu)建模塊算法的改進(jìn)與創(chuàng)新也會(huì)給土壤鹽漬化反演模型建立提供新的方法。

當(dāng)前研究建立的土壤鹽漬化反演遙感模型通常適用于某一特定的研究區(qū)域，受到遙感影像數(shù)據(jù)量、數(shù)據(jù)精度與建模過程中不同數(shù)據(jù)間的匹配問題，缺乏能夠適應(yīng)大尺度、長時(shí)間跨度使用的遙感監(jiān)測模型，隨著遙感分析云平臺(tái)的產(chǎn)生與發(fā)展，利用Google Earth Engine(GEE)等云平臺(tái)進(jìn)行大的空間和時(shí)間尺度上的土壤鹽漬化遙感反演模型的建立與驗(yàn)證將成為一種未來的發(fā)展趨勢。鹽漬化遙感監(jiān)測模型與專門的土壤模型以及生態(tài)模型相結(jié)合將會(huì)為土壤鹽漬化的動(dòng)態(tài)監(jiān)測與預(yù)測提供新的思路。