李 科， 丁建麗， 韓禮敬， 葛翔宇，顧永昇， 周 倩， 呂陽(yáng)霞

（1.新疆大學(xué)地理與遙感科學(xué)學(xué)院/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，新疆 烏魯木齊 830046；2.新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，新疆 烏魯木齊 830046；3.新疆阿克蘇地區(qū)渭干河流域管理局，新疆 阿克蘇 842000）

20世紀(jì)70年代，新疆地區(qū)通過(guò)第二次全國(guó)土地調(diào)查獲取了土壤鹽度數(shù)據(jù)，使用矢量空間數(shù)據(jù)結(jié)構(gòu)記錄其空間信息，這種數(shù)據(jù)記錄方式難以準(zhǔn)確地反映土壤屬性的空間異質(zhì)性，也難以捕獲鹽度信息的動(dòng)態(tài)變化，無(wú)法滿足新疆地區(qū)對(duì)土壤鹽漬化管理和預(yù)防的需求［7］。研究證明，光譜學(xué)知識(shí)結(jié)合遙感技術(shù)可以快速且定量地獲取土壤鹽度信息，并成功用于繪制高分辨率的土壤鹽度圖，提供了更全面的土壤鹽漬化空間信息［8］。鹽漬化土壤相較于非鹽漬化土壤，在可見(jiàn)光到短波紅外波長(zhǎng)范圍內(nèi)具有更高的光譜反射率，隨著土壤鹽度增加，光譜反射率進(jìn)一步提高，在近紅外波長(zhǎng)附近出現(xiàn)具有診斷性的吸收帶［9-11］。因此，歸一化鹽度指數(shù)（Normalized difference salinity index，NDSI）和多種鹽度指數(shù)（Salinity index，SI）被廣泛用于評(píng)估土壤鹽度。植物對(duì)土壤鹽堿變化的耐受，通過(guò)生長(zhǎng)狀況進(jìn)行響應(yīng)，長(zhǎng)勢(shì)不好的植被光合作用減弱，葉綠素含量變少，可見(jiàn)光范圍內(nèi)反射率增強(qiáng)，近紅外范圍內(nèi)反射率降低［12］。因此，歸一化植被指數(shù)（Normalized differential vegetation index，NDVI）和土壤調(diào)節(jié)植被指數(shù)（Soil adjusted vegetation index，SAVI）等多種植被指數(shù)（Vegetation indices，VIs）被廣泛用于評(píng)估土壤鹽度的間接指標(biāo)。Gorji 等［13］基于Landsat8 OLI 和Sentinel-2A MSI影像，成功提取了與土壤電導(dǎo)率相關(guān)的SI，并結(jié)合多元線性回歸技術(shù)成功繪制了烏爾米耶湖流域土 壤 鹽 度 圖。Fernandez-Buces 等［14］基 于Lansat ETM、機(jī)載近紅外和實(shí)測(cè)光譜數(shù)據(jù)獲取了不同植被和裸地的反射率，提取并調(diào)整了NDVI，并計(jì)算了綜合光譜指數(shù)（Combined spectral response index，COSRI），以制作出高精度的原墨西哥特斯科科湖區(qū)域鹽度圖。Ding 等［15］使用近端遙感裝置EM38 測(cè)量表觀電導(dǎo)率數(shù)據(jù)，基于Landsat TM 影像提取了SI、NDSI、亮度指數(shù)（Britness index，BI）、NDVI 和差值植被指數(shù)（Difference vegetation index，DVI），將表觀電導(dǎo)率數(shù)據(jù)和遙感指數(shù)信息應(yīng)用于回歸克里金插值法，成功評(píng)估了土壤鹽度并獲得了滿意的結(jié)果。

20 世紀(jì)末，機(jī)器學(xué)習(xí)算法被廣泛使用，在土壤科學(xué)領(lǐng)域，基于機(jī)器學(xué)習(xí)算法繪制了多種數(shù)字土壤地圖，如Farifteh 等［16-17］基于隨機(jī)森林方法（Random forest，RF）開(kāi)發(fā)了繪制土壤有機(jī)碳濃度和儲(chǔ)量數(shù)字圖的框架。Ma 等［18-19］基于RF 和極端梯度提升等機(jī)器學(xué)習(xí)方法繪制了渭庫(kù)綠洲土壤鹽度圖，有效解決了土壤和環(huán)境因子間的非線性問(wèn)題。Wang 等［20］在繪制不同區(qū)域的土壤鹽度圖時(shí)，比較了5 種機(jī)器學(xué)習(xí)算法，發(fā)現(xiàn)基于機(jī)器學(xué)習(xí)算法進(jìn)行土壤鹽度預(yù)測(cè)研究時(shí)需要用戶定義的參數(shù)更少，擁有更高的計(jì)算效率，能夠處理數(shù)值序數(shù)和離散預(yù)測(cè)變量等優(yōu)點(diǎn)。然而，在構(gòu)建高效、準(zhǔn)確和泛化程度高的土壤鹽度預(yù)測(cè)模型時(shí)，特征變量的選擇至關(guān)重要。Allbed等［19-21］的研究結(jié)果表明植被指數(shù)和鹽分指數(shù)等特征變量可以有效用于土壤鹽漬化監(jiān)測(cè)研究，但是這些特征變量均是通過(guò)波段間的運(yùn)算得到，造成了特征變量間不同程度的信息冗余。最相關(guān)最小冗余（Max-relevance and min-redundancy，mRMR）特征選擇算法具有較低的復(fù)雜度，與當(dāng)前常用的特征選擇算法相比具有原理簡(jiǎn)單和對(duì)數(shù)據(jù)要求低的優(yōu)點(diǎn)，mRMR 具有的優(yōu)勢(shì)提升了土壤鹽度預(yù)測(cè)模型的預(yù)測(cè)效率［22］。Peng 等［23］使用Pearson 相關(guān)分析篩選相關(guān)性高的特征變量進(jìn)行土壤鹽漬化監(jiān)測(cè)，并沒(méi)有考慮選擇特征間存在的信息冗余。馬慧琴等［24］在篩選特征用于構(gòu)建遙感監(jiān)測(cè)模型時(shí)，對(duì)比了mRMR 與常用相關(guān)分析方法，研究結(jié)果表明mRMR 方法比常用相關(guān)分析方法更具優(yōu)勢(shì)。

目前，遙感影像的中低空間分辨率仍然是影響土壤鹽度圖精度的主要因素［25］。當(dāng)受鹽影響區(qū)域小于像素大小時(shí)，會(huì)限制土壤鹽度圖對(duì)土壤鹽度進(jìn)行準(zhǔn)確評(píng)估的能力，空間分辨率低于5 m 的多光譜傳感器正成為繪制土壤鹽度圖不可或缺的裝置［26］。Bouaziz 等［27］證實(shí)了基于MODIS terra 數(shù)據(jù)提取的光譜指數(shù)與實(shí)測(cè)數(shù)據(jù)能有效繪制土壤鹽度圖，但較低的空間分辨率是造成二者相關(guān)性較差的主要原因。Eldeiry 等［28］比較了IKONOS 與Landsat 影像在農(nóng)業(yè)地區(qū)評(píng)估土壤鹽度的性能，結(jié)果表明高空間分辨率能獲取更準(zhǔn)確的評(píng)估結(jié)果。自2016 年以來(lái)，Planet公司運(yùn)營(yíng)的地球成像小型衛(wèi)星星座PlanetScope，能夠以較高的空間分辨率（＜5 m）和時(shí)間分辨率（1～2 d）獲取影像數(shù)據(jù)。在2019 年4 月PlanetScope 攜帶了第三代傳感器PSB.SD 能獲取可見(jiàn)光近紅外范圍內(nèi)的8 個(gè)波段［29］。PlanetScope 獲取的影像與Landsat8 OLI［30］和Sentinel-2A MSI［31］相比，具有更高的空間分辨率和時(shí)間分辨率，而且國(guó)內(nèi)利用PlanetScope小型星座衛(wèi)星影像進(jìn)行土壤鹽度制圖的研究并未廣泛展開(kāi)。促進(jìn)高空間和高時(shí)間分辨率的遙感影像用于土壤鹽度監(jiān)測(cè)研究，能獲取更翔實(shí)的空間信息、動(dòng)態(tài)變化的鹽度信息和更精確的評(píng)估結(jié)果。

本文以渭干河-庫(kù)車河流域三角洲綠洲（簡(jiǎn)稱渭庫(kù)綠洲）為研究區(qū)，基于PlanetScope 衛(wèi)星的原始波段數(shù)據(jù)和波段運(yùn)算所得的光譜指數(shù)，共21個(gè)特征變量。采用mRMR 方法篩選重要特征作為自變量輸入Bagging 回歸算法，建立了土壤鹽度預(yù)測(cè)模型，成功繪制了研究區(qū)高分辨率土壤鹽度分布圖。這為新疆地區(qū)制定管理改善土壤鹽堿策略，維持綠洲可持續(xù)發(fā)展和保障糧食安全提供重要參考。

1 材料與方法

1.1 研究區(qū)概況

渭庫(kù)綠洲，屬于南疆綠洲區(qū)。地勢(shì)北高南低、地貌復(fù)雜多樣，氣候干燥、蒸發(fā)強(qiáng)烈、降水稀少，屬于典型的溫帶大陸性干旱氣候［15］。復(fù)雜的地形地貌、極端的氣候條件、農(nóng)業(yè)上排水系統(tǒng)不健全、灌溉技術(shù)粗放等問(wèn)題［32］，導(dǎo)致研究區(qū)存在不同程度的鹽漬化。綠洲外圍植被稀疏，生態(tài)系統(tǒng)脆弱，主要包括蘆葦（Phragmites australis）、檉柳（Tamarix chinensis）、堿蓬（Suaeda glauca）和駱駝刺（Alhagi sparsifolia）等植物。實(shí)際研究區(qū)位于庫(kù)車市綠洲外圍農(nóng)田荒漠交錯(cuò)帶，地理位置介于83°23′～83°29′E、41°23′～41°27′N之間（圖1）。

圖1 研究區(qū)概況圖Fig.1 Overview map of the study area

1.2 樣品采集與處理

實(shí)驗(yàn)團(tuán)隊(duì)于2021 年6 月23—24 日在研究區(qū)進(jìn)行了實(shí)地調(diào)查，結(jié)合以往的實(shí)地調(diào)查成果和采樣經(jīng)驗(yàn)，在農(nóng)田荒漠交錯(cuò)帶選擇了84個(gè)具有代表性的采樣點(diǎn)。用便攜式GPS 記錄采樣點(diǎn)的地理位置，以采樣點(diǎn)為中心，在距離采樣點(diǎn)1 m 的范圍內(nèi)，以0～10 cm 的深度使用土壤取樣器均勻的采集5 個(gè)樣品，然后將5 個(gè)樣品混合在一起，取混合后的樣品約500 g，裝入有標(biāo)簽的防水密封袋。在實(shí)驗(yàn)室里，所有的土壤樣品均經(jīng)過(guò)風(fēng)干、研磨和過(guò)篩（2.0 mm）等一系列處理。取20 g 處理過(guò)的土樣和100 mL 純水充分振蕩，靜置24 h。在25 ℃的溫度下，用多參數(shù)測(cè)量?jī)x（WTWinoLab?Multi3420 set B，WTW GmbH，Germany）測(cè)量靜置后的浸出液，得到電導(dǎo)率（EC）值。由于土壤中的鹽分溶解在浸出液中，浸出液的含鹽量與25 ℃下電極的導(dǎo)電能力呈正相關(guān)關(guān)系，通過(guò)測(cè)量土壤浸出液的EC 值，可以作為評(píng)估土壤鹽度的參考指標(biāo)［33］。

1.3 遙感影像預(yù)處理與光譜指數(shù)提取

PlanetScope 是通過(guò)多組發(fā)射的單獨(dú)衛(wèi)星組成的衛(wèi)星星座，目前約有130 顆CubeSat 3U（10×10×30 cm）衛(wèi)星［34］。目前已經(jīng)搭載了第3代傳感器PSB.SD，幅寬為32.5×19.6 km，能采集8 波段的多光譜影像，空間分辨率為3 m。這些衛(wèi)星大多位于太陽(yáng)同步軌道，所有衛(wèi)星組成的衛(wèi)星星座PlanetScope 擁有每天對(duì)地球成像的能力。本研究使用的Planet-Scope 波段參數(shù)見(jiàn)表1，使用藍(lán)波段（B2）、綠波段Ⅱ（B4）、紅波段（B6）、紅邊波段（B7）和近紅外波段（B8）進(jìn)行了后續(xù)研究。本文使用的是PlanetScope Level-3B數(shù)據(jù)，過(guò)境時(shí)間為2021年7月24日，Level-3B 產(chǎn)品使用6S 輻射傳輸模型和MODIS 數(shù)據(jù)作為輔助對(duì)PlatnetScope獲取的遙感影像進(jìn)行大氣校正，并經(jīng)過(guò)了傳感器校正和正射校正。

HPLC切換波長(zhǎng)法同時(shí)測(cè)定健脾止瀉寧顆粒中鹽酸小檗堿和黃芩苷的含量 ……………………………… 黃傳俊等（10）：1324

表1 PlanetScope影像光譜波段參數(shù)Tab.1 Spectral band parameters of PlanetScope images

將光譜指數(shù)作為預(yù)測(cè)土壤特性模型的輸入變量時(shí)，能有效降低光譜反射率誤差［35］。通過(guò)波段運(yùn)算得到的鹽度指數(shù)與植被指數(shù)被證明能準(zhǔn)確反演土壤鹽分［36］。本研究使用PlanetScope 原始波段數(shù)據(jù)計(jì)算光譜指數(shù)，計(jì)算公式如表2所示。

表2 基于PlanetScope影像光譜指數(shù)計(jì)算Tab.2 Spectral indices calculation based on PlanetScope images

1.4 mRMR特征變量選擇算法

mRMR 是一種過(guò)濾型特征選擇算法，其算法原理簡(jiǎn)單且對(duì)數(shù)據(jù)的要求低，在土壤鹽度監(jiān)測(cè)領(lǐng)域還沒(méi)有相關(guān)的研究探討該算法的應(yīng)用。因此，本研究結(jié)合mRMR 方法構(gòu)建了土壤鹽度預(yù)測(cè)模型，為土壤鹽度監(jiān)測(cè)領(lǐng)域提供了參考。mRMR 考慮了特征之間相似性造成的數(shù)據(jù)冗余問(wèn)題，通過(guò)計(jì)算特征與離散化電導(dǎo)率數(shù)據(jù)類別之間的互信息，特征與特征之間的互信息，來(lái)度量它們之間的相關(guān)性。然后，保留與離散化電導(dǎo)率數(shù)據(jù)類別之間互信息值較高的特征，同時(shí)去除特征之間互信息值較高導(dǎo)致數(shù)據(jù)冗余的特征［44］。任意2 個(gè)特征x和y的互信息計(jì)算公式為：

式中：I(x,y)為特征x和y的互信息；P(x,y)為特征x和y的聯(lián)合概率密度函數(shù)；P(x)為特征x的邊緣概率密度函數(shù)；P(y)為特征y的邊緣概率密度函數(shù)。特征與離散化電導(dǎo)率數(shù)據(jù)類別之間的互信息計(jì)算公式為：

式中：D(S,p)為特征與類別之間的平均互信息；S為變量集合；I(xi,p)為特征i與類別p之間的互信息；xi為特征i；p為離散化電導(dǎo)率數(shù)據(jù)類別。特征與特征之間的互信息計(jì)算公式為：

式中：R(S)為特征與特征間的平均互信息；I(xi,xj)為特征i與特征j之間的互信息；xi為特征i；xj為特征j。結(jié)合公式（2）與公式（3）得到最大相關(guān)最小冗余的判斷條件商標(biāo)準(zhǔn)：

式中：φ(D,R)為互信息商標(biāo)準(zhǔn)；D為特征與類別之間的互信息；R為特征與特征間的互信息。mRMR 算法通過(guò)Matlab 2019b運(yùn)行fscmrmr函數(shù)實(shí)現(xiàn)，fscmrmr函數(shù)自動(dòng)將電導(dǎo)率數(shù)據(jù)離散化處理。

1.5 建模策略及評(píng)價(jià)

1.5.1 Bagging回歸算法裝袋算法（Bootstrap aggregating, Bagging）是Breiman［45］提出的一種并行集成學(xué)習(xí)方法，將多個(gè)單一的預(yù)測(cè)器聚合在一起，對(duì)結(jié)果進(jìn)行平均處理，進(jìn)行分類或者回歸預(yù)測(cè)相關(guān)的研究。Bagging 在訓(xùn)練集中進(jìn)行Bootstrap 采樣，即從m個(gè)樣本中進(jìn)行隨機(jī)的、有放回的采樣，得到n個(gè)與原始訓(xùn)練集樣本個(gè)數(shù)相等的采樣集。單一預(yù)測(cè)器基于這些采樣集進(jìn)行獨(dú)立的訓(xùn)練，在進(jìn)行回歸分析時(shí)，將n個(gè)預(yù)測(cè)器的均值作為綜合預(yù)測(cè)結(jié)果，過(guò)程如圖2 所示。Bagging 回歸算法有效降低了訓(xùn)練集的方差，避免預(yù)測(cè)結(jié)果出現(xiàn)過(guò)擬合。通過(guò)Python 3.9導(dǎo)入機(jī)器學(xué)習(xí)庫(kù)sklearn構(gòu)建Bagging回歸模型。

圖2 Bagging回歸算法預(yù)測(cè)過(guò)程Fig.2 Prediction process of Bagging regression algorithm

1.5.2 模型構(gòu)建及評(píng)價(jià)并非所有特征都能提升Bagging 回歸算法預(yù)測(cè)性能，不相關(guān)特征和冗余特征往往會(huì)降低模型預(yù)測(cè)的精度和效率。為了降低負(fù)面影響，探索PlanetScope 多光譜數(shù)據(jù)預(yù)測(cè)土壤鹽分的潛力，所有特征構(gòu)成集合Ⅰ，mRMR 算法選擇前30%的特征構(gòu)成集合Ⅱ，基于集合Ⅰ和集合Ⅱ，開(kāi)發(fā)了兩種模型Model-Ⅰ和Model-Ⅱ（表3）。將采集的84 個(gè)土壤樣品進(jìn)行隨機(jī)劃分（在Python 3.9 中test_size=0.3 用于劃分?jǐn)?shù)據(jù)集）。所有樣品的70%，約58 個(gè)土樣被劃分為訓(xùn)練集，用于訓(xùn)練模型；所有樣品的30%，約26 個(gè)土樣被劃分為驗(yàn)證集，用于模型的驗(yàn)證。為了確保模型的穩(wěn)健性，提高模型的適用性，降低隨機(jī)劃分樣本對(duì)模型預(yù)測(cè)性能的影響，本研究隨機(jī)劃分土壤樣本3 次，獲得3 組訓(xùn)練集和驗(yàn)證集（A、B 和C）。為了確保模型的可比性，每次劃分訓(xùn)練集和驗(yàn)證集時(shí)，對(duì)于土壤樣本與集合Ⅰ和集合Ⅱ構(gòu)成的數(shù)據(jù)集，劃分模式保持一致。

表3 PlanetScope數(shù)據(jù)建模策略細(xì)節(jié)Tab.3 Details of the PlanetScope modeling strategies

為了評(píng)估Bagging 回歸模型預(yù)測(cè)EC 的能力，使用決定系數(shù)（R2）、均方根誤差（RMSE）和四分位數(shù)的相對(duì)預(yù)測(cè)誤差（RPIQ）3個(gè)指標(biāo)進(jìn)行衡量。模型預(yù)測(cè)的準(zhǔn)確性與R2、RPIQ 成正比，與RMSE 成反比，即R2與RPIQ 越大，RMSE 越小模型預(yù)測(cè)性能越好，計(jì)算公式如下：

式中：p^i為預(yù)測(cè)值；pi為實(shí)際測(cè)量值；pˉ為測(cè)量值的平均值；n為采樣點(diǎn)數(shù)量；IQR 為驗(yàn)證集中測(cè)量值的四分位間距；RMSEP為驗(yàn)證集的均方根誤差；Q3 為上四分位值；Q1為下四分位值。

2 結(jié)果與分析

2.1 土壤電導(dǎo)率描述性統(tǒng)計(jì)

EC 作為土壤鹽分的參考，EC 的描述性統(tǒng)計(jì)結(jié)果如圖3 和表4 所示。整個(gè)EC 的范圍為0.35～124.90 dS·m-1，平 均 值 為38.04 dS·m-1，標(biāo) 準(zhǔn) 差 為33.13 dS·m-1，變異系數(shù)為0.87，為中等變異。EC 描述性統(tǒng)計(jì)結(jié)果顯示，土壤樣本隨機(jī)劃分3 次得到A、B 和C 數(shù)據(jù)集，它們的訓(xùn)練集和驗(yàn)證集分布與整個(gè)數(shù)據(jù)集的分布相似。因此，訓(xùn)練集和驗(yàn)證集的樣本可以代替整個(gè)數(shù)據(jù)集的樣本進(jìn)行建模和驗(yàn)證。

表4 數(shù)據(jù)集A、B和C與全集EC描述性統(tǒng)計(jì)Tab.4 Descriptive statistics of datasets A,B,and C compared to the entire dataset EC

圖3 電導(dǎo)率統(tǒng)計(jì)圖Fig.3 Statistical diagram of electrical conductivity

2.2 特征變量?jī)?yōu)選

集合Ⅰ由5 個(gè)波段反射率數(shù)據(jù)B2、B4、B6、B7 和B8，4 個(gè)植被光譜指數(shù)RVI、EVI、SAVI 和NDVI，12個(gè)土壤鹽度光譜指數(shù)S1、S2、S3、S4、S5、S6、SI、SI1、SI2、SI3、BI和NDSI組成。從集合Ⅰ中選擇最能反映土壤鹽漬化發(fā)生發(fā)展?fàn)顩r的特征變量構(gòu)建土壤鹽漬化預(yù)測(cè)模型，能有效提升模型效率和預(yù)測(cè)精度。目前mRMR 特征選擇方法還未廣泛用于土壤鹽漬化監(jiān)測(cè)領(lǐng)域，本研究使用Matlab 2019b 統(tǒng)計(jì)和機(jī)器學(xué)習(xí)工具箱執(zhí)行fscmrmr 函數(shù)，通過(guò)mRMR 算法計(jì)算互信息，并依據(jù)互信息商標(biāo)準(zhǔn)保留最相關(guān)特征，過(guò)濾冗余特征。經(jīng)過(guò)互信息商標(biāo)準(zhǔn)選擇前30%特征作為集合Ⅱ，包括1 個(gè)波段反射率數(shù)據(jù)B4，1 個(gè)植被光譜指數(shù)EVI，4 個(gè)土壤鹽度光譜指數(shù)S6、S1、SI2和NDSI，圖4 為波段反射率與光譜指數(shù)特征重要性。

圖4 PlanetScope波段反射率和光譜指數(shù)的特征重要性Fig.4 Importance of PlanetScope band reflectance and spectral indices

2.3 預(yù)測(cè)模型和性能評(píng)估

為了提高模型的預(yù)測(cè)精度和泛化程度，使用基于步長(zhǎng)為1 的網(wǎng)格搜索，對(duì)模型影響較大的基礎(chǔ)學(xué)習(xí)器數(shù)量進(jìn)行了1000次連續(xù)迭代調(diào)整，根據(jù)模型R2值確定模型參數(shù)最優(yōu)值。在進(jìn)行參數(shù)優(yōu)化時(shí)，其余參數(shù)為默認(rèn)值。圖5顯示了模型R2與模型參數(shù)在連續(xù)迭代過(guò)程中的變化關(guān)系，當(dāng)R2最大時(shí)確定基礎(chǔ)學(xué)習(xí)器數(shù)量數(shù)值，重復(fù)此過(guò)程直到確定參數(shù)最優(yōu)值，Model-Ⅰ模型基礎(chǔ)學(xué)習(xí)器數(shù)量為4，Model-Ⅱ模型基礎(chǔ)學(xué)習(xí)器數(shù)量為9。

圖5 模型參數(shù)調(diào)整Fig.5 Model parameters adjustment

基于優(yōu)化后的參數(shù)，將集合Ⅰ和集合Ⅱ隨機(jī)劃分的訓(xùn)練集作為自變量輸入Bagging 模型，構(gòu)建EC預(yù)測(cè)模型Model-Ⅰ和Model-Ⅱ，利用隨機(jī)劃分的驗(yàn)證數(shù)據(jù)集對(duì)模型的預(yù)測(cè)性能進(jìn)行驗(yàn)證。模型Model-Ⅱ的R2與RPIQ均高于Model-Ⅰ，RMSE均低于Model-Ⅰ，這說(shuō)明mRMR 算法可以選擇更重要的特征代替全部特征，降低數(shù)據(jù)的復(fù)雜性和冗余性，建立更準(zhǔn)確和更高效的模型（表5）。在隨機(jī)劃分的三組數(shù)據(jù)集A、B 和C 中，Model-Ⅱ與Model-Ⅰ相比，R2平均提高了27%，RPIQ 平均提高了20%，RMSE 平均降低了16%。mRMR 在選擇特征數(shù)量較少的條件下，能保留最相關(guān)最小冗余特征，能最大化特征包含的有用信息。在集合Ⅱ中光譜指數(shù)EVI 和S6 重要性最高，表明EVI對(duì)土壤鹽漬化引起的植被狀況與光譜反射率變化敏感，S6 對(duì)鹽漬土表面狀況與光譜反射率變化敏感。光譜指數(shù)EVI 與S6 在土壤鹽漬化監(jiān)測(cè)中具有巨大潛力。

表5 模型預(yù)測(cè)性能比較Tab.5 Comparison of model prediction performance

2.4 土壤鹽度空間分布

基于模型Model-Ⅰ和Model-Ⅱ，使用隨機(jī)劃分的數(shù)據(jù)集A、B 和C 繪制了3 張高分辨率的土壤EC 分布圖，對(duì)模型Model-Ⅰ和Model-Ⅱ的3張預(yù)測(cè)圖進(jìn)行平均，得到圖6a 和圖6b。圖6a 和圖6b 產(chǎn)生了相似的土壤EC 空間分布，Model-Ⅱ模型產(chǎn)生了最理想的結(jié)果，預(yù)測(cè)的土壤EC范圍（0.70～100.83 dS·m-1）更符合實(shí)際測(cè)量的土壤EC 值。圖6b 相較圖6a，更準(zhǔn)確的顯示了農(nóng)田區(qū)域與荒漠區(qū)域土壤EC 分布的細(xì)微變化，更符合該區(qū)域土壤鹽度分布。受地形影響，土壤鹽度高值主要分布在荒漠區(qū)域；受地形和灌溉的影響，土壤鹽度低值主要分布在農(nóng)田區(qū)域。

圖6 土壤電導(dǎo)率空間分布Fig.6 Spatial distributions of soil electrical conductivity

3 討論

PlanetScope 數(shù)據(jù)結(jié)合mRMR 特征選擇方法首次用于繪制高空間分辨率的土壤EC 圖，土壤鹽漬化監(jiān)測(cè)領(lǐng)域缺乏類似的研究作為參考，因此借鑒了馬慧琴等［24］和Jing 等［44］的研究，通過(guò)比較模型Model-Ⅰ和Model-Ⅱ平均預(yù)測(cè)性能（表5），得出與其相似的研究結(jié)果，mRMR 方法能優(yōu)化建模特征并改善模型預(yù)測(cè)性能?；赑lanetScope 數(shù)據(jù)建立的模型Model-Ⅰ和Model-Ⅱ獲取的預(yù)測(cè)值如圖7 所示，Model-Ⅱ獲取的預(yù)測(cè)值與實(shí)測(cè)值更接近1:1 擬合線，表明Model-Ⅱ能獲取更準(zhǔn)確的預(yù)測(cè)結(jié)果?；赑lanetScope影像低于5 m 的空間分辨率，能避免如Scudiero 等［46］使用Landsat7 多光譜影像進(jìn)行土壤鹽度評(píng)估時(shí)，結(jié)果難以表征土壤鹽度的空間變異性等情況。也能避免使用MODIS系列、Landsat系列或Sentinel 系列數(shù)據(jù)進(jìn)行土壤鹽度監(jiān)測(cè)時(shí)，預(yù)測(cè)結(jié)果難以具備指導(dǎo)意義等情況［47］?；诖?，使用PlanetScope數(shù)據(jù)結(jié)合mRMR特征選擇方法建立的模型Model-Ⅱ?qū)ρ芯繀^(qū)土壤EC 進(jìn)行預(yù)測(cè)并繪制成圖，避免了由于空間分辨率不足對(duì)土壤鹽度監(jiān)測(cè)和繪制帶來(lái)的限制。

圖7 模型Model-Ⅰ和Model-Ⅱ預(yù)測(cè)性能比較Fig.7 Comparison of prediction performance of model Model-Ⅰand Model-Ⅱ

本研究將光譜指數(shù)作為自變量輸入Bagging 模型，改善模型的預(yù)測(cè)性能，提高模型定量描述土壤鹽度的能力，丁建麗等［48］與曹雷等［49］的研究結(jié)果證實(shí)這是可行的。并非所有光譜指數(shù)都能用于優(yōu)化模型，其中不相關(guān)和冗余的特征變量反而會(huì)起反作用。本文通過(guò)mRMR 方法對(duì)所有特征變量進(jìn)行了重要性排序，將排序后的特征變量作為自變量輸入模型Model-Ⅱ中。當(dāng)選擇的特征變量數(shù)小于30%時(shí)，模型的預(yù)測(cè)精度較低；當(dāng)選擇的特征變量數(shù)超過(guò)30%時(shí)，模型的預(yù)測(cè)性能略低基本保持穩(wěn)定。

重要性排序中EVI 重要性最高，遠(yuǎn)遠(yuǎn)高于其他波段與光譜指數(shù)（圖4），對(duì)土壤鹽漬化具備更多的解釋能力。這可能是因?yàn)橹参锶~面積和冠層結(jié)構(gòu)的發(fā)育受到土壤鹽漬化抑制更明顯，而EVI 對(duì)于植物冠層結(jié)構(gòu)變化更敏感，故EVI 在建模時(shí)更重要。Rao 等［50］的研究表明，鹽漬土具備更高的光譜反射率，且在可見(jiàn)光和近紅外波長(zhǎng)范圍，鹽漬化程度與光譜反射率成正比，在鹽漬化程度較高的農(nóng)田荒漠接壤處與荒漠區(qū)域可以直接利用PlanetScope原始波段反射率對(duì)土壤鹽度進(jìn)行建模分析。mRMR選擇的特征集合Ⅱ中僅包含原始波段B4，故B4相較于其他原始波段，對(duì)于土壤鹽漬化更敏感，更適合用于描述土壤鹽度信息。在本研究中除植被覆蓋度較高的農(nóng)田以外，均能使用對(duì)土壤鹽度敏感的鹽度指數(shù)定量描述土壤鹽漬化情況，mRMR 選擇的前30%特征變量中，S6、B4、S1 和NDSI 均為鹽度指數(shù)，故鹽度指數(shù)對(duì)于建立土壤鹽度預(yù)測(cè)模型必不可少。馮娟等［51］、Metternicht 等［52］和丁建麗等［53］的研究結(jié)果證明了這些觀點(diǎn)是合理的。

土壤樣本的隨機(jī)劃分和模型參數(shù)的設(shè)定使模型的誤差出現(xiàn)累積。隨機(jī)劃分的訓(xùn)練集和驗(yàn)證集與整個(gè)數(shù)據(jù)集的分布相似，可以代替整個(gè)數(shù)據(jù)集的樣本進(jìn)行建模和驗(yàn)證。為避免樣本隨機(jī)劃分為模型帶來(lái)的不確定性，將隨機(jī)劃分3 次得到的數(shù)據(jù)集A、B 和C 用于訓(xùn)練模型和驗(yàn)證模型，最終對(duì)評(píng)價(jià)指標(biāo)取均值來(lái)評(píng)估模型，增加了模型預(yù)測(cè)的穩(wěn)健性，Jing 等［44］的研究結(jié)果證明這是有效的。雖然多次隨機(jī)劃分樣本能有效降低模型預(yù)測(cè)的不確定性，但是本研究并沒(méi)有確定最有效的隨機(jī)劃分次數(shù)。在設(shè)定模型參數(shù)時(shí)，為了降低模型參數(shù)對(duì)預(yù)測(cè)性能的影響，基于步長(zhǎng)的網(wǎng)格搜索，對(duì)模型影響較大的基礎(chǔ)學(xué)習(xí)器數(shù)量進(jìn)行了連續(xù)迭代調(diào)整，結(jié)果如圖5所示?；诓介L(zhǎng)的網(wǎng)格搜索是否是參數(shù)優(yōu)化的最佳方式，這也存在不確定性。除上述兩點(diǎn)，人類活動(dòng)也增加了模型預(yù)測(cè)的不確定性，圖6a和圖6b左上角區(qū)域顯示，通過(guò)Model-Ⅰ和Model-Ⅱ預(yù)測(cè)的農(nóng)田區(qū)域土壤鹽度被高估，這與實(shí)際情況不符。通過(guò)野外調(diào)查驗(yàn)證，該區(qū)域?yàn)榱诉_(dá)到節(jié)水增產(chǎn)的目的，推廣了膜下滴灌技術(shù)。覆膜區(qū)域光譜反射率不同于裸土區(qū)域，整體偏高，由于多光譜影像的光譜分辨率不足，使得鹽堿地與覆膜地難以進(jìn)行區(qū)分，在未來(lái)的研究中將嘗試?yán)酶吖庾V技術(shù)來(lái)消除農(nóng)田區(qū)域覆膜給土壤鹽度監(jiān)測(cè)帶來(lái)的影響。此外，本研究?jī)H考慮了Bagging 回歸模型，馬國(guó)林等［54］的研究結(jié)果表明，僅通過(guò)一個(gè)模型難以取得最佳預(yù)測(cè)效果。因此，在未來(lái)的研究中將構(gòu)建多種模型對(duì)土壤鹽度進(jìn)行預(yù)測(cè)，并對(duì)比模型性能選擇最適合本研究數(shù)據(jù)集的模型。

4 結(jié)論

本研究基于PlanetScope 影像原始波段數(shù)據(jù)、植被光譜指數(shù)和土壤鹽度指數(shù)共21個(gè)特征變量，使用mRMR 方法篩選前30%特征變量并輸入Bagging 回歸模型，建立Model-Ⅰ和Model-Ⅱ土壤鹽度預(yù)測(cè)模型，成功繪制了研究區(qū)3 m 分辨率的EC 空間分布圖，為準(zhǔn)確監(jiān)測(cè)隨時(shí)空動(dòng)態(tài)快速變化的土壤鹽度信息提供參考。得出以下結(jié)論：

（1）將PlanetScope 影像原始波段數(shù)據(jù)、植被光譜指數(shù)和土壤鹽度指數(shù)共21 個(gè)特征變量作為自變量建立的Model-Ⅰ模型，基本可以實(shí)現(xiàn)對(duì)EC 的預(yù)測(cè)（驗(yàn)證集平均R2=0.52，平均RMSE=21.32 dS·m-1，平均RPIQ=2.68）。

（2）將mRMR 篩選后的特征變量作為自變量建立的Model-Ⅱ模型，降低了預(yù)測(cè)EC 的特征維度，提高了模型的預(yù)測(cè)效率和準(zhǔn)確性（驗(yàn)證集平均R2=0.66，平均RMSE=18.00 dS·m-1，平均RPIQ=3.21）。Model-Ⅱ與Model-Ⅰ相 比，EVI、S6、B4、S1、SI2 和NDSI 對(duì)農(nóng)田荒漠交錯(cuò)帶土壤鹽漬化監(jiān)測(cè)具有重要作用。