侯晨悅，王 勇，李 凡，袁心皓，楊錫震，張智韜，陳俊英，栗現(xiàn)文

凍結(jié)狀態(tài)下鹽漬化土壤中水溶性鹽基離子含量高光譜反演

侯晨悅，王 勇，李 凡，袁心皓，楊錫震，張智韜，陳俊英，栗現(xiàn)文※

（1. 西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院，楊凌 712100；2. 西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室，楊凌 712100）

為探究采用高光譜技術(shù)反演凍結(jié)狀態(tài)土壤水溶性鹽基離子含量的可行性，該研究針對(duì)河套灌區(qū)鹽漬化土壤，測(cè)定土壤在凍結(jié)與未凍結(jié)狀態(tài)下的光譜和主要水溶性鹽基離子含量（HCO3-、Cl-、CO32-、SO42-、K+、Na+、Ca2+、Mg2+），光譜經(jīng)標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variable，SNV）和變量投影重要性法（variable importance in projection，VIP）篩選出敏感波段后，采用偏最小二乘回歸法（partial least squares regression，PLSR）、支持向量機(jī)回歸法（support vector regression，SVR）和極限學(xué)習(xí)機(jī)法（extreme learning machine，ELM）構(gòu)建基于特征光譜的土壤離子含量高光譜反演模型，并對(duì)比凍結(jié)與未凍結(jié)狀態(tài)反演模型的精度。結(jié)果表明：在凍結(jié)狀態(tài)下，不同離子的反演精度存在很大差異，其中Cl-和K+的預(yù)測(cè)精度極高（相對(duì)分析誤差大于2.5），SO42-、Ca2+和Na+預(yù)測(cè)精度較好（相對(duì)分析誤差在2.0～2.5之間），其余離子預(yù)測(cè)效果較差；3種回歸方法中，ELM模型精度最高，SVM模型次之，PLSR模型最低。凍結(jié)和未凍結(jié)狀態(tài)下離子的最優(yōu)反演模型相同，但凍結(jié)狀態(tài)下Cl-、SO42-、K+和Na+反演精度比未凍結(jié)狀態(tài)高，而Ca2+和Mg2+反演精度比未凍結(jié)狀態(tài)低且Mg2+的反演精度差別最大。各離子最優(yōu)反演模型與未凍結(jié)狀態(tài)下的相對(duì)分析誤差相比變化為-34.45%～24.43%。該研究構(gòu)建的VIP-ELM模型為季節(jié)性凍土區(qū)鹽漬化土壤鹽基離子的高光譜監(jiān)測(cè)提供了一種可靠途徑。

土壤；極限學(xué)習(xí)機(jī)法；鹽漬化；鹽基離子；凍結(jié)；高光譜；反演模型

0 引 言

中國(guó)季節(jié)性凍土占全國(guó)面積的53.5%，這些地區(qū)大部分位于干旱或半干旱地帶，由于降水量少，蒸發(fā)量高，土壤鹽漬化問(wèn)題較為普遍[1-3]。內(nèi)蒙古河套灌區(qū)是典型的季節(jié)性凍土區(qū)，其鹽漬化土壤廣泛存在，制約著當(dāng)?shù)剞r(nóng)業(yè)的可持續(xù)發(fā)展[4-5]。在凍融期（非生育期）土壤水鹽會(huì)因凍融作用而發(fā)生遷移，鹽基離子也會(huì)隨之變化，使土壤表層離子含量增加[6-7]。土壤中鹽離子過(guò)多不僅影響次年生育期作物的出苗與生長(zhǎng)，也會(huì)影響土壤質(zhì)量及環(huán)境狀況[8]，因此及時(shí)、準(zhǔn)確地獲取凍融期土壤中的鹽分信息，監(jiān)測(cè)土壤鹽基離子的動(dòng)態(tài)變化，對(duì)于治理和改善土壤鹽漬化有著重要意義。

目前傳統(tǒng)的鹽基離子測(cè)定方法需要田間采樣后在實(shí)驗(yàn)室分析，凍融期土壤凍結(jié)使取樣更為困難，而且不能對(duì)農(nóng)田實(shí)現(xiàn)大規(guī)模監(jiān)測(cè)。遙感技術(shù)的興起與發(fā)展為鹽漬化土壤的監(jiān)測(cè)提供了一種便捷高效的方法[9-11]。其中高光譜遙感具有光譜分辨率高、蘊(yùn)含地物信息豐富等優(yōu)點(diǎn)，已成為監(jiān)測(cè)土壤鹽分信息的重要技術(shù)手段[12]，但多集中于非凍融期的土壤鹽漬化監(jiān)測(cè)。如王海江等[13]成功建立了基于高光譜的主要鹽分離子反演模型，其中Na+和SO42-的預(yù)測(cè)效果極好，K+和Ca2+的預(yù)測(cè)效果較好；WANG等[14]構(gòu)建基于敏感波段的診斷模型來(lái)反演土壤主要水溶性鹽基離子，5種離子（Ca2+、Na+、Cl-、Mg2+和SO42-）的相對(duì)分析誤差（residual predictive deviation，RPD）都在2.5以上，預(yù)測(cè)效果極好，其余離子預(yù)測(cè)效果一般或者無(wú)法反演。LAO等[15]建立分?jǐn)?shù)階微分（fractional order derivative，F(xiàn)OD）結(jié)合光譜指數(shù)的最優(yōu)組合的高光譜反演模型，預(yù)測(cè)所有離子的RPD均在1.6以上，都達(dá)到或超過(guò)了定量預(yù)測(cè)的精度（RPD=1.4）。

變量投影重要性（variable importance in projection，VIP）作為變量篩選的常用方法，一直被廣泛應(yīng)用于各個(gè)領(lǐng)域[16-18]。由于高光譜數(shù)據(jù)的高維性，進(jìn)行波段篩選有助于構(gòu)建穩(wěn)定性強(qiáng)、魯棒性好的模型。WANG等[14]利用3種變量篩選方法選取每個(gè)離子的敏感波段，在構(gòu)建的離子反演模型中發(fā)現(xiàn)基于VIP法的反演精度最高。亞森江·喀哈爾[19]也發(fā)現(xiàn)VIP法在簡(jiǎn)化模型、提高反演精度上有顯著作用。此外，采用不同模型后水溶性鹽基離子含量反演精度有所不同，如目前偏最小二乘回歸（partial least squares regression，PLSR）模型是高光譜建模中最常用的線性模型，在反演土壤鹽分信息中有不錯(cuò)的效果；機(jī)器學(xué)習(xí)算法作為解決非線性問(wèn)題的可靠方法，也對(duì)反演離子有很好的效果，如支持向量機(jī)回歸（support vector regression，SVR）模型和極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）模型[20-23]。由于土壤凍結(jié)是一種伴隨著物理相態(tài)轉(zhuǎn)化和化學(xué)反應(yīng)的復(fù)雜過(guò)程[2]，凍結(jié)勢(shì)必會(huì)使土壤反射率發(fā)生變化，因此這些篩選方法和模型是否同樣適用于凍結(jié)狀態(tài)下的離子反演，對(duì)于凍結(jié)與未凍結(jié)2種狀態(tài)下的離子反演效果有何不同，目前還鮮有研究。

基于此，本文以河套灌區(qū)凍結(jié)期典型鹽漬化土壤為對(duì)象，采集土壤在凍結(jié)與未凍結(jié)狀態(tài)下的光譜數(shù)據(jù)，并測(cè)定土壤主要水溶性鹽基離子含量，通過(guò)VIP法結(jié)合PLSR、SVM和ELM 3種方法，建立凍結(jié)與未凍結(jié)土壤鹽基離子預(yù)測(cè)模型，探究利用高光譜反演土壤在凍結(jié)狀態(tài)下各離子含量的可行性和最優(yōu)模型，以及土壤狀態(tài)的改變對(duì)離子反演精度的影響，以期為鹽漬化土壤在凍結(jié)狀態(tài)下的遙感監(jiān)測(cè)提供一定的理論依據(jù)和技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古河套灌區(qū)解放閘灌域的沙壕渠灌域（40°52′～41°00′N，107°05′～107°10′E），為典型的溫帶大陸性氣候，夏季高溫炎熱，冬季寒冷干燥。該地區(qū)年降水量約為140 mm，年蒸發(fā)量約為2 000 mm，年平均氣溫約為7 ℃。河套灌區(qū)作為中國(guó)三大灌區(qū)之一，也是典型的季節(jié)性凍土區(qū)，土壤在11月份開(kāi)始凍結(jié)，到次年5月中旬才能完全解凍，土壤約有180 d處于凍結(jié)狀態(tài)，凍結(jié)深度在1.0～1.3 m之間[4]。同時(shí)，由于長(zhǎng)期的引黃灌溉及降水稀少、蒸發(fā)強(qiáng)烈，土壤次生鹽漬化較為嚴(yán)重。

1.2 土壤采集與制備

從研究區(qū)選取3個(gè)鹽漬化程度不同的區(qū)域，采用五點(diǎn)法收集表層土壤（0～10 cm）后混合均勻，作為區(qū)域的代表土樣。然后對(duì)采集到的3種區(qū)域土壤按不同比例混合，共形成117個(gè)鹽漬化程度不同的土樣。在實(shí)驗(yàn)室經(jīng)過(guò)風(fēng)干、磨細(xì)、過(guò)篩（2 mm）、烘干（105 ℃，8 h）、充分混勻后密封保存，作為未凍結(jié)土壤樣本進(jìn)行光譜測(cè)定和理化性質(zhì)測(cè)定。未凍結(jié)土壤光譜測(cè)定后將土樣進(jìn)行凍結(jié)處理，在冰箱內(nèi)-15 ℃凍結(jié)12 h[24]，形成凍結(jié)土壤用于后續(xù)光譜的測(cè)定。

1.3 土壤鹽分信息測(cè)定

按水土比5∶1，取烘干土樣20 g于燒杯中，加入100 mL蒸餾水，充分浸泡、振蕩后，過(guò)濾得到每個(gè)土樣的浸提液，測(cè)定各水溶性鹽基離子含量。其中，Na+和K+采用火焰光度法進(jìn)行測(cè)定；Ca2+和Mg2+采用原子吸收分光光度法；Cl-采用硝酸銀滴定法，SO42-采用EDTA間接測(cè)定法；CO32-和HCO3-采用雙指示劑—中和滴定法[25]。

1.4 光譜數(shù)據(jù)采集

將用于光譜測(cè)定的土壤裝入直徑為10 cm，深度為2 cm的玻璃皿中，通過(guò)直尺抹平表面。為提高研究結(jié)果適用性，本研究用噴霧器少量多次加入去離子水，按正態(tài)分布隨機(jī)配制各土樣含水率（均值為20.80%，方差為0.08），并放置24 h，使其水分與土壤充分混合均勻。土樣凍結(jié)前，用ASD FieldSpec 3地物光譜儀采集每個(gè)土樣的光譜信息，波譜范圍為350～2 500 nm。為避免其他雜光干擾，測(cè)定在暗室中進(jìn)行，每次采集前均進(jìn)行白板定標(biāo)和暗電流去除。室內(nèi)光源采用50 W的鹵素?zé)簦嚯x土壤表面50 cm，光源入射角為30°，光譜儀探頭距離土壤表面15 cm[26]。每個(gè)土樣進(jìn)行4個(gè)方向的測(cè)量（每次以90°轉(zhuǎn)動(dòng)1次），每個(gè)方向測(cè)量5次，共計(jì)20次，在ViewSpec Pro V6.0.11軟件中經(jīng)算數(shù)平均后作為土樣在未凍結(jié)狀態(tài)下的光譜信息[27]。采集完成后將所有樣品進(jìn)行凍結(jié)處理，再次重復(fù)上述采集過(guò)程，作為土樣在凍結(jié)狀態(tài)下的光譜信息。

1.5 光譜數(shù)據(jù)預(yù)處理及變換

將測(cè)得的各土樣光譜在ViewSpec Pro V6.0.11軟件中進(jìn)行階躍點(diǎn)修正（1 000和1 800 nm處），之后剔除掉信噪比較大的2個(gè)波段（350～399和2 401～2 500 nm），將剩余的400～2 400 nm的波段在OriginPro 2022軟件中進(jìn)行平滑處理，采用Savitzky-Golay（SG）平滑算法，多項(xiàng)式階數(shù)為2。為減少高光譜數(shù)據(jù)的冗余度，對(duì)400～2 400 nm的波段進(jìn)行10 nm的重間隔取樣，得到由200個(gè)波段數(shù)組成的新的光譜曲線。

為在一定程度上消除土壤表面顆粒大小、表面散射和光程變化對(duì)土壤光譜的影響，更好地分析光譜信息與水溶性鹽基離子含量之間的關(guān)系[28-29]，對(duì)光譜曲線進(jìn)行了標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variable，SNV）處理。

1.6 特征光譜篩選

特征光譜的篩選采用變量投影重要性（variable importance in projection，VIP）法，它是基于偏最小二乘回歸法的一種變量篩選方法，通過(guò)計(jì)算PLSR模型中每個(gè)變量的VIP得分，來(lái)評(píng)估模型中每個(gè)變量的重要性，從而實(shí)現(xiàn)光譜波段篩選[30]。由于VIP得分的平方平均值等于1，因此通常把VIP>1用作變量選擇標(biāo)準(zhǔn)[31]。VIP得分的計(jì)算在SIMCA 14.1軟件中進(jìn)行。

1.7 模型建立與精度評(píng)價(jià)

將各土樣水溶性鹽基離子的含量從小到大進(jìn)行排序，每3個(gè)中選取中間的一個(gè)作為驗(yàn)證集樣本，共計(jì)39個(gè)（33%），剩余樣本作為建模集樣本，共計(jì)78個(gè)（67%）。使用PLSR、SVM和ELM 3種模型來(lái)建立土壤凍結(jié)與未凍結(jié)狀態(tài)的鹽基離子含量高光譜反演模型。PLSR模型在The Unscrambler X 10.4軟件中完成；SVM模型和ELM模型在RStudio軟件中，分別應(yīng)用e1071包和elmNNRcpp包進(jìn)行建模與驗(yàn)證。

通過(guò)建模決定系數(shù)（R2），驗(yàn)證決定系數(shù)（R2），均方根誤差（RMSE）和相對(duì)分析誤差（RPD）來(lái)綜合評(píng)價(jià)模型的好壞。R2和R2越接近于1表明模型擬合效果越好；RMSE越接近0表明模型的預(yù)測(cè)誤差越?。籖PD越大表明模型的預(yù)測(cè)能力越好，反演精度越高。其中，RPD一般被分為6個(gè)等級(jí)，當(dāng)RPD≥2.5和2.0≤RPD＜2.5時(shí)，分別表明模型有極好和很好的預(yù)測(cè)能力；當(dāng)1.8≤RPD＜2.0時(shí)，表明模型具有定量預(yù)測(cè)能力；當(dāng)1.4≤RPD＜1.8時(shí)，表明模型具有一般的定量預(yù)測(cè)能力；RPD在1.0≤RPD＜1.4時(shí)，表明模型只有區(qū)別高低值的能力；RPD＜1.0時(shí)表明模型沒(méi)有預(yù)測(cè)能力[32]。

2 結(jié)果與分析

2.1 土壤水溶性鹽基離子及光譜變化特征

各離子含量特征如表1所示，Cl-在所有土壤鹽離子中占比最大，HCO3-和K+的占比較少。由于CO32-容易與Ca2+和Mg2+在弱堿性溶液中結(jié)合形成沉淀，本次土樣中并未檢測(cè)出CO32-的含量。除Mg2+的變異系數(shù)在100%以上，為強(qiáng)變異性；其余離子的變異系數(shù)都在10%～100%之間，表現(xiàn)為中等強(qiáng)度變異。

表1 土壤水溶性鹽基離子含量描述性統(tǒng)計(jì)特征

2種狀態(tài)下的土壤原始和經(jīng)SNV處理的平均反射率曲線如圖1所示，原始光譜凍結(jié)與未凍結(jié)狀態(tài)下的光譜曲線形態(tài)相似，存在1 450和1 950 nm 2個(gè)吸收谷，但凍結(jié)后的土壤平均反射率略高于未凍結(jié)狀態(tài)（圖1a）。經(jīng)SNV處理后，2種狀態(tài)土壤平均反射率曲線相差變小，反射率整體范圍變大、吸收谷更加陡峭；光譜曲線更加平滑，利于后續(xù)模型的構(gòu)建（圖1b）。

注：SNV為標(biāo)準(zhǔn)正態(tài)變量變換。

2.2 凍結(jié)與未凍結(jié)狀態(tài)的土壤特征光譜篩選

對(duì)2種狀態(tài)下的土壤水溶性鹽基離子含量與經(jīng)SNV變換后的光譜曲線進(jìn)行VIP分析（圖2），依照“VIP>1”的原則，篩選出與水溶性鹽基離子敏感的波段，統(tǒng)計(jì)結(jié)果見(jiàn)表2。

圖2 凍結(jié)與未凍結(jié)狀態(tài)土壤水溶性鹽基離子含量與反射率的變量投影重要性分析曲線

從圖2中可以看出，土壤凍結(jié)狀態(tài)對(duì)VIP分析曲線形態(tài)產(chǎn)生影響，凍結(jié)與未凍結(jié)2種狀態(tài)下除HCO3-外，其他離子的VIP分析曲線形態(tài)相似，且凍結(jié)狀態(tài)下的各離子曲線重合范圍更大，變化范圍更小，曲線更加平滑。同時(shí)2種狀態(tài)的VIP分析曲線均在1 400～1 900 nm區(qū)間附近劇烈振蕩，而凍結(jié)狀態(tài)在400～1 400 nm區(qū)間的曲線則較為平緩且無(wú)太大變化。

表2 凍結(jié)與未凍結(jié)狀態(tài)土壤光譜的敏感波段篩選結(jié)果

注：SBN為敏感波段數(shù)；MVIPS為最大變量投影重要性得分；CMVIPS為MVIPS對(duì)應(yīng)波段。

Note: SBN is sensitive band number; MVIPS is maximum VIP scores; CMVIPS is corresponding bands of MVIPS.

從表2中可以看出，2種狀態(tài)下各離子的敏感波段數(shù)、最大變量投影重要性得分及其區(qū)間均有所不同。在凍結(jié)狀態(tài)下，敏感波段數(shù)的排序從大到小為HCO3->K+> SO42->Na+>Cl->Ca2+>Mg2+，最大變量投影重要性得分的排序從大到小為Mg2+>HCO3->Cl->SO42->Na+>Ca2+>K+；在未凍結(jié)狀態(tài)下，敏感波段數(shù)的排序從大到小為HCO3->Mg2+>Ca2+>Cl->SO42->K+>Na+，最大變量投影重要性得分的排序從大到小為Cl->Mg2+>SO42->Ca2+>Na+>K+> HCO3-。土壤的凍結(jié)改變了原有的敏感波段及VIP得分，Ca2+敏感波段數(shù)在2種狀態(tài)下相同，HCO3-和Mg2+在未凍結(jié)狀態(tài)下的敏感波段多于凍結(jié)狀態(tài)，其余離子則相反。各離子含量按均值從大到小的排序?yàn)镃l->Na+> SO42->Mg2+>Ca2+>HCO3->K+，一般含量越少，易使最大VIP得分越小?？赡苡捎诜瓷涔庾V包含有多種土壤成分信息，離子含量越小，引起的光譜響應(yīng)越小[13]。對(duì)于最大變量投影重要性得分，除HCO3-外，其他各離子均在未凍結(jié)狀態(tài)下更高，且最大得分區(qū)間集中在近紅外波段附近。

2.3 偏最小二乘回歸模型的建立與分析

以土壤水溶性鹽基離子含量為因變量，凍結(jié)與未凍結(jié)狀態(tài)土壤光譜篩選的敏感波段為自變量，采用全交叉驗(yàn)證方式，建立PLSR模型，建模及驗(yàn)證結(jié)果如表3所示。

表3 凍結(jié)與未凍結(jié)狀態(tài)土壤水溶性鹽基離子含量反演的偏最小二乘回歸模型

注：NA表示為模型運(yùn)行后無(wú)法得到R2的值；R2為建模決定系數(shù)，R2為驗(yàn)證決定系數(shù)，RMSE為均方根誤差，RPD為相對(duì)分析誤差，下同。

Note: NA is expressed as the value ofR2cannot be obtained after the model runs;R2is determination coefficient of calibration sets;R2is determination coefficient of validation sets;RMSEis root mean square error;RPDis residual predictive deviation, The same below.

結(jié)果顯示（表3），PLSR模型在2種狀態(tài)下反演大部分水溶性鹽基離子都取得了較好效果，但2種狀態(tài)下反演離子的精度有所不同。在凍結(jié)狀態(tài)下，除HCO3-和Mg2+，其他離子的建模決定系數(shù)R2和驗(yàn)證決定系數(shù)R2都在0.81以上，模型擬合效果很好；其中預(yù)測(cè)Cl-和K+的RPD都在2.5以上，表明模型具有極強(qiáng)的預(yù)測(cè)能力；SO42-、Ca2+和Na+的RPD在2.0～2.5之間，表明模型具有很好的定量預(yù)測(cè)能力；Mg2+的RPD為1.067，模型只具備區(qū)別高低值的能力；而HCO3-無(wú)法實(shí)現(xiàn)對(duì)其含量的預(yù)測(cè)。與未凍結(jié)狀態(tài)下的各離子相比，SO42-、Cl-、K+和Na+在凍結(jié)狀態(tài)下的反演效果更好，其中在模型預(yù)測(cè)方面，Cl-的精度提高最大，驗(yàn)證決定系數(shù)R2從0.839提高到0.902，RMSE從2.682 g/kg降低到2.105 g/kg，RPD從2.290提高到3.078。而Ca2+和Mg2+則表現(xiàn)出在未凍結(jié)狀態(tài)下的反演效果更好，其中Mg2+的精度降低最大，RPD從1.515降低到1.067。

2.4 支持向量機(jī)回歸模型的建立與分析

同樣以土壤鹽離子含量為因變量，凍結(jié)與未凍結(jié)狀態(tài)的敏感波段為自變量建立SVM模型。采用nu-SVM類型，核函數(shù)經(jīng)過(guò)多次試算選擇線性linear核函數(shù)；懲罰參數(shù)和核參量采用訓(xùn)練集交叉驗(yàn)證，按照均方差最小的原則確定。建模及驗(yàn)證結(jié)果如表4所示。

表4 凍結(jié)與未凍結(jié)狀態(tài)土壤水溶性鹽基離子含量反演的支持向量機(jī)回歸模型

結(jié)果顯示（表4），在凍結(jié)狀態(tài)下，Cl-和K+的R2和R2都在0.92以上，RPD分別為3.662和3.302，具有極好的擬合能力和極強(qiáng)的預(yù)測(cè)能力；SO42-、Ca2+和Na+的R2和R2都在0.83及以上，RPD在2.0～2.5之間，模型具有很好的擬合和預(yù)測(cè)能力；而Mg2+和HCO3-的RPD都小于1，模型無(wú)法實(shí)現(xiàn)對(duì)其含量的預(yù)測(cè)。凍結(jié)狀態(tài)下相比未凍結(jié)狀態(tài)Na+的R2稍有降低，K+的RMSE無(wú)變化，SO42-、Cl-和Na+的RMSE均下降，但R2和RPD則都有不同程度的提高，因此這些離子比未凍結(jié)狀態(tài)有更小的預(yù)測(cè)誤差和更高的反演精度；Ca2+和Mg2+表現(xiàn)出在未凍結(jié)狀態(tài)下的反演效果更好。而HCO3-在凍結(jié)和未凍結(jié)狀態(tài)下的R2僅為0.002和0.024，擬合效果極差，因此沒(méi)有比較2種狀態(tài)下的建模效果。

2.5 極限學(xué)習(xí)機(jī)模型的建立與分析

ELM模型的激活函數(shù)類型經(jīng)過(guò)多次試算選擇purelin函數(shù)，最佳隱含神經(jīng)元個(gè)數(shù)依據(jù)均方差最小原則確定，為減小模型的隨機(jī)性，每個(gè)模型結(jié)構(gòu)重復(fù)100次[33]，建模及驗(yàn)證結(jié)果如表5所示。

表5 凍結(jié)與未凍結(jié)狀態(tài)土壤水溶性鹽基離子含量反演的極限學(xué)習(xí)機(jī)模型

結(jié)果顯示（表5），ELM模型可以很好地反演2種狀態(tài)下的大部分離子，但精度有所不同。反演凍結(jié)狀態(tài)下的SO42-、Cl-、Ca2+、K+和Na+均有很好的效果，R2和R2均在0.80以上，RPD在2.0以上；Mg2+的R2為0.607，RPD為1.250，模型僅有區(qū)別高低值的能力；而HCO3-的R2僅為0.043，模型無(wú)法實(shí)現(xiàn)預(yù)測(cè)。相比未凍結(jié)狀態(tài)，SO42-、Cl-、K+和Na+的反演精度均有不同程度的提高，其中Cl-提高的精度最大，RPD從2.654提高到3.413。而Ca2+和Mg2+的反演精度有所下降，其中Mg2+降低的精度最大，RPD從1.907降低到1.250。

2.6 最佳反演模型

在凍結(jié)狀態(tài)下，ELM模型相比于PLSR模型提高了各離子的反演精度；與SVM模型相比，除HCO3-未進(jìn)行比較，僅有Cl-和K+的擬合精度和預(yù)測(cè)精度下降，其余離子反演精度提高。未凍結(jié)狀態(tài)下不同模型之間的比較與凍結(jié)狀態(tài)時(shí)相似，僅在于模型預(yù)測(cè)精度的變化幅度不同。綜合來(lái)看，ELM模型略優(yōu)于其他2種模型。比較表3、表4和表5發(fā)現(xiàn)，不同離子的最佳模型不同，各離子基于最佳模型的驗(yàn)證集實(shí)測(cè)值和估算值比較如圖3所示。

注：SRMSE單位為g·kg-1。左上角數(shù)據(jù)為離子在凍結(jié)狀態(tài)下的反演效果，右下角數(shù)據(jù)為離子在未凍結(jié)狀態(tài)下的反演效果。

圖3顯示，2種狀態(tài)下選用的最優(yōu)模型相同，HCO3-、SO42-、Ca2+、Mg2+和Na+5種離子的最優(yōu)模型為ELM模型，K+和Cl-2種離子的最優(yōu)模型為SVM模型；盡管各離子凍結(jié)狀態(tài)最優(yōu)反演模型與未凍結(jié)狀態(tài)下的RPD相比變化為-34.45%～24.43%，但由于2種狀態(tài)下經(jīng)SNV處理后的光譜平均反射率（圖1b）相差較小，使大部分模型的反演精度（R2）也相差不大，這表明SNV可能會(huì)消除凍結(jié)對(duì)于土壤光譜的一些影響，未凍結(jié)狀態(tài)下的光譜變換、篩選方法和回歸方法，在凍結(jié)土壤的鹽分信息反演方面也具有適用性。圖3中凍結(jié)與未凍結(jié)狀態(tài)下各離子依據(jù)RPD的大小預(yù)測(cè)能力排序均為Cl-＞K+＞Ca2+＞Na+＞SO42-＞Mg2+＞HCO3-。在凍結(jié)狀態(tài)下的Cl-、K+、Ca2+、Na+和SO42-5種離子的驗(yàn)證效果較好，數(shù)據(jù)點(diǎn)大部分都集中在1∶1線附近，RPD在2.0以上，預(yù)測(cè)能力很好；Mg2+和HCO3-在驗(yàn)證結(jié)果中數(shù)據(jù)點(diǎn)分散，偏離1∶1線較遠(yuǎn)，預(yù)測(cè)能力較差。與未凍結(jié)狀態(tài)相比，凍結(jié)狀態(tài)下除HCO3-、Ca2+和Mg2+3種離子外，其他離子都更加集中于1∶1線附近，預(yù)測(cè)能力更強(qiáng)。

由于具有成百甚至上千的波段，高光譜遙感存在大量與離子含量無(wú)關(guān)的冗余信息，而基于VIP法構(gòu)建的水溶性鹽基離子反演模型，在3種回歸方法中都表現(xiàn)出良好的效果，進(jìn)一步驗(yàn)證了其在土壤凍結(jié)狀態(tài)下的適用性。不同離子的反演結(jié)果表明，ELM模型表現(xiàn)最佳。許多學(xué)者在比較回歸方法的研究中也得出了類似結(jié)論，例如王海峰[34]使用SVR、ELM、隨機(jī)森林（random forest，RF）、多元混合回歸（cubist）和多元自適應(yīng)樣條回歸（multivariate adaptive regression splines，MARS）5種方法建立了土壤鹽分離子含量的預(yù)測(cè)模型，結(jié)果表明ELM模型實(shí)現(xiàn)了最佳的預(yù)測(cè)結(jié)果；ZHAO等[35]基于無(wú)人機(jī)多光譜遙感數(shù)據(jù)來(lái)監(jiān)測(cè)土壤含鹽量，發(fā)現(xiàn)裸地條件下ELM模型反演效果優(yōu)于RF、SVM和反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）模型，這些研究表明ELM模型是一種優(yōu)秀且適應(yīng)性廣的學(xué)習(xí)算法，具有泛化能力強(qiáng)和訓(xùn)練速度快等優(yōu)點(diǎn)[36]。

本文中土壤在凍結(jié)狀態(tài)下除HCO3-和Mg+外，其他離子的反演效果良好，即Cl-和K+的RPD在2.5以上，SO42-、Ca2+和Na+的RPD在2.0～2.5間（圖3），表明基于高光譜技術(shù)反演凍結(jié)狀態(tài)下土壤水溶性鹽基離子，具有較高的可行性。冬季土壤凍結(jié)使鹽分會(huì)向表層積聚，出現(xiàn)春季返鹽，加劇土壤次生鹽漬化等方面的問(wèn)題[37]，因此進(jìn)行凍融期土壤鹽基離子的監(jiān)測(cè)，對(duì)來(lái)年生育期作物生長(zhǎng)以及干旱區(qū)全年鹽漬化信息獲取具有重要意義。3種模型下2種狀態(tài)的反演效果對(duì)比均顯示，凍結(jié)狀態(tài)對(duì)SO42-、Cl-、K+和Na+4種離子反演精度的提高有促進(jìn)作用；而對(duì)Ca2+和Mg2+2種離子，反演模型RPD均有所下降，這與各離子在凍結(jié)時(shí)不同的遷移速度相似：Cl-、Na+和SO42-的遷移速度大于Ca2+和Mg2+這2種離子[2]；其中2種狀態(tài)下Mg2+的反演精度差別最大，可能由于Mg2+對(duì)土壤凍結(jié)更加敏感，凍結(jié)后使1 500～1 700 nm波段的VIP得分高于其他離子，2 200～2 300 nm波段的VIP得分低于其他離子（圖2），在未來(lái)研究中需更深入揭示凍融條件下不同離子對(duì)光譜特征的響應(yīng)機(jī)理。另一方面，本文是在實(shí)驗(yàn)室條件下測(cè)定土壤光譜，野外環(huán)境中容易受到其他環(huán)境因素干擾，如光照、土體雜質(zhì)以及存在積雪覆蓋等，未來(lái)應(yīng)考慮野外原位光譜下是否還能較好地預(yù)測(cè)鹽分信息，為實(shí)現(xiàn)田間大面積遙感監(jiān)測(cè)提高支撐。

3 結(jié) 論

本文利用變量投影重要性（variable importance in projection，VIP）法結(jié)合偏最小二乘回歸（partial least squares regression，PLSR）、支持向量機(jī)回歸（support vector regression，SVM）和極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）3種方法，建立凍結(jié)狀態(tài)下基于高光譜遙感的土壤水溶性鹽基離子含量預(yù)測(cè)模型，并與未凍結(jié)狀態(tài)下的模型對(duì)比分析，得出以下主要結(jié)論：

1）基于VIP法的高光譜預(yù)測(cè)模型可有效反演凍結(jié)狀態(tài)下的大部分離子，不同離子的反演精度存在較大差異，其中Cl-和K+的預(yù)測(cè)精度非常高（相對(duì)分析誤差大于2.5），SO42-、Ca2+和Na+預(yù)測(cè)精度較好（相對(duì)分析誤差在2.0～2.5間），HCO3-和Mg2+預(yù)測(cè)效果較差。

2）3種模型的反演精度均較好，不同離子適用的最優(yōu)模型不同，但2種狀態(tài)下離子的最優(yōu)模型相同。K+和Cl-的最優(yōu)模型為SVM模型，其余離子為ELM模型。從預(yù)測(cè)精度來(lái)看，ELM模型最高，SVM模型次之，PLSR模型效果相對(duì)較差。

3）土壤凍結(jié)狀態(tài)會(huì)影響鹽基離子的反演精度，在相同的建模條件下，凍結(jié)狀態(tài)可提升SO42-、Cl-、K+和Na+4種離子的反演效果，而Ca2+和Mg2+2種離子的反演效果則相對(duì)降低，其中Mg2+的反演精度差別最大，各離子最優(yōu)模型與未凍結(jié)狀態(tài)下的相對(duì)分析誤差相比變化為?34.45%～24.43%。

[1] CHEN H, PENG Z, ZENG W, et al. Salt movement during soil freezing events in Inner Mongolia, China[J]. Journal of coastal research, 2018, 82(Supp. 1): 55-63.

[2] 徐學(xué)祖，王家澄，張立新. 凍土物理學(xué)[M]. 第二版. 北京：科學(xué)出版社，2010.

[3] WU M, WU J, TAN X, et al. Simulation of dynamical interactions between soil freezing/thawing and salinization for improving water management in cold/arid agricultural region[J]. Geoderma, 2019, 338: 325-342.

[4] TAN X, WU J, WU M, et al. Effects of ice cover on soil water, heat, and solute movement: An experimental study[J]. Geoderma, 2021, 403: 115209.

[5] 杜瑞麒，陳俊英，張智韜，等. Sentinel-2多光譜衛(wèi)星遙感反演植被覆蓋下的土壤鹽分變化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(17)：107-115.

DU Ruiqi, CHEN Junying, ZHANG Zhitao, et al. Inversing soil salinity under vegetation cover using Sentinel-2 multispectral satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 107-115. (in Chinese with English abstract)

[6] 張殿發(fā)，鄭琦宏，董志穎. 凍融條件下土壤中水鹽運(yùn)移機(jī)理探討[J]. 水土保持通報(bào)，2005，25(6)：14-18.

ZHANG Dianfa, ZHENG Qihong, DONG Zhiying. Mechanism of soil salt-moisture transfer under freeze-thawing condition[J]. Bulletin of Soil and Water Conservation, 2005, 25(6): 14-18. (in Chinese with English abstract)

[7] 劉磊，陳軍鋒，呂棚棚，等. 凍融作用下地下水淺埋區(qū)土壤鹽分及離子變化特征[J]. 干旱區(qū)研究，2022，39(2)：448-455.

LIU Lei, CHEN Junfeng, LV Pengpeng, et al. Variation in soil salinity and ions in a shallow groundwater area under freeze-thaw[J]. Arid Zone Research, 2022, 39(2): 448-455. (in Chinese with English abstract)

[8] WANG S, CHEN Y, WANG M, et al. SPA-based methods for the quantitative estimation of the soil salt content in saline-alkali land from field spectroscopy data: A case study from the Yellow River irrigation regions[J]. Remote Sensing, 2019, 11(8): 967.

[9] WU D, JIA K, ZHANG X, et al. Remote sensing inversion for simulation of soil salinization based on hyperspectral data and ground analysis in Yinchuan, China[J]. Natural Resources Research, 2021, 30(6): 4641-4656.

[10] SINGH A. Managing the salinization and drainage problems of irrigated areas through remote sensing and GIS techniques[J]. Ecological Indicators, 2018, 89: 584-589.

[11] 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)

[12] WANG L, ZHANG B, SHEN Q, et al. Estimation of soil salt and ion contents based on hyperspectral remote sensing data: A case study of Baidunzi Basin, China[J]. Water, 2021, 13(4): 559.

[13] 王海江，蔣天池，Yunger John A.，等. 基于支持向量機(jī)的土壤主要鹽分離子高光譜反演模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(5)：263-270.

WANG Haijiang, JIANG Tianchi, YUNGER JOHN A, et al. Hyperspectral inverse model for soil salt ions based on support vector machine[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 263-270. (in Chinese with English abstract)

[14] WANG H, CHEN Y, ZHANG Z, et al. Quantitatively estimating main soil water-soluble salt ions content based on Visible-near infrared wavelength selected using GC, SR and VIP[J]. PeerJ, 2019, 7(5): e6310.

[15] LAO C, CHEN J, ZHANG Z, et al. Predicting the contents of soil salt and major water-soluble ions with fractional-order derivative spectral indices and variable selection[J]. Computers and Electronics in Agriculture, 2021, 182: 106031.

[16] 王曉賓，馬梟，楊蕾，等. 基于PLS-DA拉曼光譜特征提取的中性筆油墨MLP模式識(shí)別[J]. 激光與光電子學(xué)進(jìn)展，2021，58(1)：329-335.

WANG Xiaobin, MA Xiao, YANG Lei, et al. Multi-Layer perceptron pattern recognition of handwriting ink based on PLS-DA Raman spectral feature extraction[J]. Laser & Optoelectronics Progress, 2021, 58(1): 329-335. (in Chinese with English abstract)

[17] WEI G, LI Y, ZHANG Z, et al. Estimation of soil salt content by combining UAV-borne multispectral sensor and machine learning algorithms[J]. PeerJ, 2020, 8(2): e9087.

[18] 王耀民，陳皓銳，陳俊英，等. 光譜指數(shù)篩選方法與統(tǒng)計(jì)回歸算法結(jié)合的水稻估產(chǎn)模型對(duì)比[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(21)：208-216.

WANG Yaomin, CHEN Haorui, CHEN Junying, et al. Comparation of rice yield estimation model combining spectral index screening method and statistical regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 208-216. (in Chinese with English abstract)

[19] 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：以渭干河—庫(kù)車河三角綠洲為例[D]. 烏魯木齊：新疆大學(xué)，2019.

YASENJAN·KAHAR. 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)

[20] WANG J, LI X. Comparison on quantitative inversion of characteristic ions in salinized soils with hyperspectral based on support vector regression and partial least squares regression[J]. European Journal of Remote Sensing, 2020, 53(1): 340-348.

[21] 勞聰聰. 基于高光譜遙感的鹽漬化土壤水鹽信息診斷模型研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2021.

LAO Congcong. Water and Salt Information Diagnostic Model of Salinized Soil Based on Hyperspectral Remote Sensing[D]. Yangling: Northwest A&F University, 2021. (in Chinese with English abstract)

[22] 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 Ya’nan, 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)

[23] 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)

[24] ZHANG Y, YANG J, HUANG Y, et al. Use of freeze-thaw purified saline water to leach and reclaim gypsum-amended saline-alkali soils[J]. Soil Science Society of America Journal, 2019, 83(5): 1333-1342.

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

[26] 洪永勝，于雷，耿雷，等. 應(yīng)用DS算法消除室內(nèi)幾何測(cè)試條件對(duì)土壤高光譜數(shù)據(jù)波動(dòng)性的影響[J]. 華中師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，50(2)：303-308.

HONG Yongsheng, YU Lei, GENG Lei, et al. Using Direct Standardization algorithm to eliminate the effect of laboratory geometric parameters on soil hyperspectral data fluctuate characteristic[J]. Journal of Central China Normal University: Natural Science, 2016, 50(2): 303-308. (in Chinese with English abstract)

[27] 王海峰，張智韜，Arnon Karnieli，等. 基于灰度關(guān)聯(lián)-嶺回歸的荒漠土壤有機(jī)質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(14)：124-131.

WANG Haifeng, ZHANG Zhitao, ARNON Karnieli, et al. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 124-131. (in Chinese with English abstract)

[28] BARNES R J, DHANOA M S, LISTER S J. Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra[J]. Applied Spectroscopy, 1989, 43(5): 772-777.

[29] XIAO Z, LI Y, FENG H. Modeling soil cation concentration and sodium adsorption ratio using observed diffuse reflectance spectra[J]. Canadian Journal of Soil Science, 2016, 96(4): 372-385.

[30] OUSSAMA A, ELABADI F, PLATIKANOV S, et al. Detection of olive oil adulteration using FT-IR spectroscopy and PLS with variable importance of projection (VIP) scores[J]. Journal of the American Oil Chemists' Society, 2012, 89(10): 1807-1812.

[31] CHONG I, JUN C. Performance of some variable selection methods when multicollinearity is present[J]. Chemometrics and Intelligent Laboratory Systems, 2005, 78(1/2): 103-112.

[32] 張智韜，王海峰，Karnieli A，等. 基于嶺回歸的土壤含水率高光譜反演研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(5)：240-248.

ZHANG Zhitao, WANG Haifeng, KARNIELI A, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 240-248. (in Chinese with English abstract)

[33] HONG Y, CHEN S, ZHANG Y, et al. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy: Effects of two-dimensional correlation coefficient and extreme learning machine[J]. Science of The Total Environment, 2018, 644: 1232-1243.

[34] 王海峰. 基于高光譜遙感的土壤水鹽監(jiān)測(cè)模型研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2019.

WANG Haifeng. Hyperspectral Remote Sensing Based Models for Soil Moisture and Salinity Prediction[D]. Yangling: Northwest A&F University, 2019. (in Chinese with English abstract)

[35] ZHAO W, ZHOU C, ZHOU C, et al. Soil salinity inversion model of oasis in arid area based on UAV multispectral remote sensing[J]. Remote Sensing, 2022, 14(8): 1804.

[36] DING S, XU X, NIE R. Extreme learning machine and its applications[J]. Neural Computing and Applications, 2014, 25(3): 549-556.

[37] 郝可心，肖輝杰，辛智鳴，等. 河套灌區(qū)農(nóng)田防護(hù)林網(wǎng)內(nèi)土壤季節(jié)性凍融過(guò)程及水鹽運(yùn)移[J]. 水土保持學(xué)報(bào)，2022，36(1)：231-237.

HAO Kexin, XIAO Huijie, XIN Zhiming, et al. The seasonal freezing and thawing process of the soil and the characteristics of water and salt transport in the farmland shelter forest net in the Hetao Irrigation District[J]. Journal of Soil and Water Conservation, 2022, 36(1): 231-237. (in Chinese with English abstract)

Hyperspectral inversion of water-soluble salt ion contents in frozen saline soil

HOU Chenyue, WANG Yong, LI Fan, YUAN Xinhao, YANG Xizhen, ZHANG Zhitao, CHEN Junying, LI Xianwen※

(1.712100; 2.712100)

Salinization in frozen soil has posed a serious threat to the emergence and growth of crops in the next growing period. It is of great importance for the accurate detection of the content and composition of soil salt during the freeze-thaw period. Fortunately, the spectral data can be used to monitor the soil salinity during the crop growing period, particularly for the soil under an unfrozen state. However, the monitoring models under the unfrozen state cannot suitable for the frozen soil, due to the variation in the soil reflectance during freezing. In this study, an inversion model was established for the soil water-soluble salt ions in the frozen state using hyperspectral technology. A systematic analysis was made to compare the accuracy of the model in the frozen and unfrozen states. The soil samples were first collected with different salinity gradients from the Jiefangzha Irrigation Area of Hetao Irrigation District in the Inner Mongolia of China. The contents of major water-soluble salt ions (i.e., HCO3-, Cl-, CO32-, SO42-, K+, Na+, Ca2+, and Mg2+) were then measured in the unfrozen soil. The hyperspectral reflectance of soil samples was also measured by the ASD FieldSpec 3 instrument. Secondly, the soil samples were then frozen at -15°C for 12h. After that, the above-mentioned hyperspectral reflectance and ion contents were measured once again after freezing. The raw spectral data was also processed using standard normal variable (SNV) for the subsequent model construction, in order to make the hyperspectral curves smoother. Thirdly, two-thirds of the soil samples were used for the modeling (= 78), while one-third for the validation (= 39). The concentration gradient method was utilized to ensure the statistical characteristics of the modeling and the validation sets resembled that of the whole sample set. At the same time, the sensitive spectral intervals of each water-soluble salt ion were selected using variable importance in projection (VIP). The hyperspectral inversion model was formulated for the major water-soluble salt ions content with the sensitive spectral bands using partial least squares regression (PLSR), support vector regression (SVR), and extreme learning machine (ELM). Finally, the performances of these models were evaluated by the determination coefficient of calibration sets (R2), determination coefficient of prediction sets (R2), root mean square error (RMSE), and residual predictive deviation (RPD). The results showed that the VIP hyperspectral monitoring model managed to invert the most content of the water-soluble salt ions in the frozen soil, but the inversion accuracy of different ions varied greatly. Among them, the prediction accuracies of Cl-and K+were extremely high with an RPD of above 2.5. There was a reasonably good prediction accuracy of SO42-, Ca2+, and Na+(2.0

soils; extreme learning machine; salinization; salt ions; freeze; hyperspectral; inversion model

10.11975/j.issn.1002-6819.202209132

S127; S153.6

A

1002-6819(2023)-01-0100-08

侯晨悅，王勇，李凡，等. 凍結(jié)狀態(tài)下鹽漬化土壤中水溶性鹽基離子含量高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39(1)：100-107.doi：10.11975/j.issn.1002-6819.202209132 http://www.tcsae.org

HOU Chenyue, WANG Yong, LI Fan, et al. Hyperspectral inversion of water-soluble salt ion contents in frozen saline soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(1): 100-107. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202209132 http://www.tcsae.org

2022-09-16

2022-11-10

國(guó)家自然科學(xué)基金項(xiàng)目（52279049、52279047）

侯晨悅，研究方向?yàn)樗Y源可持續(xù)利用與保護(hù)。Email：houchenyue@nwafu.edu.cn

栗現(xiàn)文，博士，副教授，研究方向?yàn)楦珊祬^(qū)土壤水鹽與農(nóng)業(yè)地學(xué)。Email：lixianwen@nwafu.edu.cn