摘要：利用Landsat-8遙感數(shù)據(jù)，基于原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)3種處理，分析了波段反射率、2D指數(shù)、3D指數(shù)與土壤電導(dǎo)率相關(guān)性。選擇最優(yōu)光譜指數(shù)作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)，基于MATLAB構(gòu)建土壤鹽漬化預(yù)測(cè)模型。結(jié)果表明，2D、3D光譜指數(shù)與土壤的電導(dǎo)率相關(guān)性高于原始光譜，二階導(dǎo)數(shù)處理后構(gòu)建的2D、3D指數(shù)與土壤電導(dǎo)率整體相關(guān)性?xún)?yōu)于一階導(dǎo)數(shù)處理和原始光譜。原始光譜下選擇B1至B7作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)所建模型精度最優(yōu)，訓(xùn)練集、驗(yàn)證集、測(cè)試集和整體的相關(guān)系數(shù)分別為0.732 4、0.716 4、0.444 5、0.691 9，所構(gòu)建模型對(duì)土壤電導(dǎo)率在1 000 μS/cm附近時(shí)預(yù)測(cè)精度較高。

關(guān)鍵詞：土壤鹽漬化； Landsat-8； 遙感導(dǎo)數(shù)處理； 最優(yōu)光譜指數(shù)； 神經(jīng)網(wǎng)絡(luò)算法

中圖分類(lèi)號(hào)：TP79" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）08-0223-08

DOI：10.14088/j.cnki.issn0439-8114.2024.08.037 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Soil salinization monitoring model based on remote sensing derivative processing and"optimal spectral index

TANG Zi-ru， WU Tong， TAN Shi-lin， YUE Sheng-ru

（College of Water Resources and Architectural Engineering， Tarim University， Alaer" 843300， Xinjiang，China）

Abstract： Using Landsat-8 remote sensing data， the correlation of band reflectance， 2D and 3D indices with soil conductivity was analyzed based on three treatments： Raw spectra， first-order derivatives and second-order derivatives. The optimal spectral index was selected as the input parameter of the neural network algorithm， and the soil salinization prediction model was constructed based on MATLAB. The results showed that the 2D and 3D spectral indices had a higher correlation with the conductivity than the original spectra， and the overall correlation between the 2D and 3D indices constructed after the second-order derivative treatment and soil conductivity was better than that of the first-order derivative treatment and the original spectra. The accuracy of the model constructed by choosing B1 to B7 as the input parameters of the neural network algorithm under the original spectra was optimal， the correlation coefficients of the training set， validation set， test set and the whole were 0.732 4， 0.716 4， 0.444 5， 0.691 9， respectively， and the constructed model had high prediction accuracy when the soil conductivity was around 1 000 μS/cm.

Key words： soil salinization； Landsat-8； remote sensing derivative processing； optimal spectral index； neural network algorithm

土壤鹽漬化是全球干旱半干旱地區(qū)農(nóng)業(yè)發(fā)展的主要障礙，不僅造成生態(tài)退化和作物產(chǎn)量下降，而且對(duì)生態(tài)系統(tǒng)和生物圈構(gòu)成嚴(yán)重威脅［1-3］。采用地面調(diào)查、土壤取樣和實(shí)驗(yàn)室測(cè)試等傳統(tǒng)的野外工作來(lái)研究土壤鹽分特征，既費(fèi)時(shí)又存在代表性誤差。針對(duì)土壤鹽漬化空間異質(zhì)特性，遙感技術(shù)可以實(shí)時(shí)、客觀、大區(qū)域獲取蘊(yùn)含土壤鹽漬化信息的電磁波譜，在土壤鹽漬化的評(píng)估和監(jiān)測(cè)中具有重要的應(yīng)用價(jià)值［4-6］。

遙感監(jiān)測(cè)模型描述的是觀測(cè)量與地表實(shí)際參數(shù)之間的定量關(guān)系，這種模型的精度與參數(shù)的數(shù)量成正比［7］。光譜特征在很大程度上受植被和土壤結(jié)皮變化的影響，這些變化改變了土壤表面的粗糙度，在可見(jiàn)光和近紅外光下產(chǎn)生強(qiáng)烈的反射［7］。采用高光譜數(shù)據(jù)進(jìn)行土壤鹽分的野外監(jiān)測(cè)是一種可靠的方法，但該方法不適合大規(guī)模監(jiān)測(cè)，且缺乏空間信息，而多光譜遙感技術(shù)以其光譜和空間信息特點(diǎn)，在很大程度上彌補(bǔ)了高光譜數(shù)據(jù)反演的不足，其中，Landsat OLI和MSI數(shù)據(jù)已成為土壤鹽分監(jiān)測(cè)的重要數(shù)據(jù)源［8］。Yu等［9］利用OLI數(shù)據(jù)，以吉林省西部草地鹽漬化土壤為研究對(duì)象，電導(dǎo)率（EC）為指標(biāo)，采用ANPP法對(duì)草地鹽漬化進(jìn)行了評(píng)價(jià)，并評(píng)估了西部半干旱區(qū)草地退化的質(zhì)量、數(shù)量和空間格局。楊練兵等［10］基于Landsat-5 TM、SRTM等多源遙感數(shù)據(jù)構(gòu)建反演參數(shù)，利用彈性網(wǎng)絡(luò)、遺傳算法和貝葉斯優(yōu)化算法優(yōu)化隨機(jī)森林回歸參數(shù)，對(duì)渭-庫(kù)綠洲和奇臺(tái)綠洲土壤鹽漬化情況進(jìn)行預(yù)測(cè)，取得較好預(yù)測(cè)效果。Neto等［11］利用2種多光譜數(shù)據(jù)源（RapidEye/REIS、SPOT-5和Landsat-8）的光譜指數(shù)，評(píng)估了實(shí)驗(yàn)室反射光譜法，估算電導(dǎo)率（EC）的4種計(jì)算模型性能。根據(jù)地表不同的光譜反射特征，提出了突出特定特征的指數(shù)。Gorji等［12］詳細(xì)介紹了鹽度和植被指數(shù)的構(gòu)建方法，發(fā)現(xiàn)選取適當(dāng)?shù)墓庾V波段可以提高與電導(dǎo)率的相關(guān)性。Yang等［13］從2000—2018年民勤綠洲Landsat影像中提取歸一化植被指數(shù)（NDVI）和鹽度指數(shù)（SI），構(gòu)建土壤鹽分遙感監(jiān)測(cè)指數(shù)（SDI）模型。吳霞等［14］以寧夏銀北灌區(qū)為研究對(duì)象，基于Landsat8 OLI 遙感影像，結(jié)合52個(gè)地面采樣數(shù)據(jù)，構(gòu)建SI鹽分指數(shù)，模型具有一定精度，可為該區(qū)域土壤鹽漬化監(jiān)測(cè)提供一定的技術(shù)參考。雖然植被光譜指數(shù)和鹽度光譜指數(shù)在全球范圍內(nèi)的鹽度監(jiān)測(cè)中都取得了令人滿(mǎn)意的結(jié)果，但值得注意的是，目前還沒(méi)有通用的光譜指數(shù)能夠在所有環(huán)境條件下都取得令人滿(mǎn)意的結(jié)果。解決這一問(wèn)題的重要途徑是修正現(xiàn)有的光譜指數(shù)或根據(jù)當(dāng)?shù)丨h(huán)境條件建立新的光譜指數(shù)。如何構(gòu)建和修正光譜指數(shù)以適應(yīng)研究區(qū)域的環(huán)境，需要進(jìn)一步研究。

導(dǎo)數(shù)作為一種強(qiáng)大的數(shù)學(xué)工具，應(yīng)用較為廣泛［15，16］?；趯?dǎo)數(shù)處理可以提取光譜細(xì)節(jié)信息、消除背景噪聲和降低基線(xiàn)效應(yīng)［17］。通過(guò)對(duì)紋理和形狀信息的數(shù)學(xué)轉(zhuǎn)換和光譜細(xì)節(jié)的捕捉，將導(dǎo)數(shù)應(yīng)用于遙感，提高提取地表物體信息的能力［18］。然而，在干旱綠洲區(qū)將導(dǎo)數(shù)應(yīng)用于遙感圖像的預(yù)處理以提高監(jiān)測(cè)模型精度的研究較少［19］。遙感數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)算法的結(jié)合使用，允許使用有限的地面采樣數(shù)據(jù)在區(qū)域尺度上完成土壤屬性的映射，利用神經(jīng)網(wǎng)絡(luò)算法結(jié)合中高時(shí)空分辨率的遙感衛(wèi)星影像，可以提供新的診斷方法來(lái)表征和量化土壤鹽分的空間分布［20，21］。本研究以L(fǎng)andsat-8為數(shù)據(jù)源，嘗試?yán)靡浑A和二階導(dǎo)數(shù)對(duì)遙感影像進(jìn)行預(yù)處理。利用二維光譜指數(shù)和三維光譜指數(shù)（TBI1、TBI2、TBI3、TBI4）對(duì)表層土壤電導(dǎo)率（0～10 cm）進(jìn)行分析和篩選，識(shí)別對(duì)電導(dǎo)率敏感的組合光譜指數(shù)，最后，將最優(yōu)遙感光譜指數(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)算法構(gòu)建鹽漬化反演模型并進(jìn)行精度評(píng)價(jià)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于南疆塔里木河流域阿拉爾市-沙雅縣段（圖1），是典型的荒漠綠洲區(qū)，地處40.46°—40.79°N，81.32°—81.87°E。東西相距50 km，南北相距35 km，平均海拔約1 000 m，屬于暖溫帶極端大陸性干旱荒漠氣候，年均潛在蒸發(fā)量2 124 mm，平均年降水量52 mm。該地區(qū)有大量的巖鹽、石膏等鹽類(lèi)，以氯化物和硫酸鹽為主，氯化鈉為主要鹽類(lèi)成分，也有硫酸鈣和碳?xì)浠衔?。地下水位較高，平原區(qū)地下水位約為1 m。土壤顆粒細(xì)，滲透性差，沙質(zhì)、黏質(zhì)，為土壤鹽漬化提供了良好的條件。該地區(qū)土壤鹽漬化嚴(yán)重，整個(gè)綠洲存在不同程度的鹽漬化現(xiàn)象。土壤pH約為8，農(nóng)業(yè)生產(chǎn)完全依賴(lài)灌溉，土地鹽漬化由于土地開(kāi)發(fā)和灌溉的影響而持續(xù)增加。

1.2 土壤樣品采集和實(shí)驗(yàn)室分析

野外土樣采集于2021年6月8日，采樣區(qū)為塔里木河流域阿拉爾市至沙雅段棉田，設(shè)置樣點(diǎn)103個(gè)，采樣點(diǎn)覆蓋范圍廣、代表性強(qiáng)。每個(gè)采樣點(diǎn)采集3個(gè)土壤樣品（0～10 cm），均勻混合形成混合土樣，使用GPS精確定位并記錄每個(gè)采樣點(diǎn)的坐標(biāo)，每個(gè)樣點(diǎn)覆蓋面積約為30 m×30 m（對(duì)應(yīng)于Landsat圖像中的單像素面積）。樣品經(jīng)過(guò)干燥、篩分和研磨后，過(guò)2 mm篩，配制土∶水以1∶5（質(zhì)量比）的土-水溶液，采用重量法（雷磁DDSJ-308A電導(dǎo)率儀）測(cè)定土壤電導(dǎo)率。

1.3 遙感數(shù)據(jù)的采集與預(yù)處理

Landsat-8 OLI數(shù)據(jù)重訪(fǎng)期為16 d，為鹽漬土監(jiān)測(cè)和制圖提供了極大的優(yōu)勢(shì)。本研究獲取了2021年6月5日Landsat-8 OLI數(shù)據(jù)，實(shí)地采樣時(shí)間與其一致。遙感數(shù)據(jù)下載于美國(guó)地質(zhì)勘探局（USGS，http：//glovis.usgs.gov/）。投影坐標(biāo)系為UTM-WGS84，獲取7個(gè)波段數(shù)據(jù)。利用ENVI 5.3軟件進(jìn)行幾何校正、輻射校正和FLAASH大氣校正等圖像預(yù)處理工作。

1.4 研究方法

1.4.1 圖像導(dǎo)數(shù)處理 一階導(dǎo)數(shù)（FD）和二階導(dǎo)數(shù)（SD）分別表示光譜反射率的斜率和曲率。當(dāng)SD譜峰的吸收大于FD譜峰時(shí)，光譜反射率較低。利用導(dǎo)數(shù)技術(shù)對(duì)遙感圖像進(jìn)行預(yù)處理，具有提高光譜靈敏度、平滑部分噪聲、銳化邊緣、提高土壤鹽分信息提取的效果［17］。利用IDL軟件導(dǎo)數(shù)處理工具對(duì)在Landsat-8 OLI 7個(gè)波段的數(shù)據(jù)進(jìn)行FD和SD處理。

1.4.2 二維光譜指標(biāo)的構(gòu)建（2D） 為獲取適應(yīng)性更好的光譜指數(shù)，選擇光譜組合的差異指數(shù)（DI）、比值指數(shù)（RI）、歸一化微分指數(shù)（NDI）和土壤指數(shù)（SI），以構(gòu)建功能強(qiáng)大的光譜組合搜索模型。計(jì)算公式如下。

[DI=Ry-Rx] （1）

[RI=Rx/Ry] （2）

[NDI=（Ry-Rx）/（Ry+Rx）] （3）

[SI=R2y+R2x] （4）

式中，[Rx]和[Ry]是從所有波段中選擇的任意2個(gè)波段的反射率。這種關(guān)系表明了土壤電導(dǎo)率與波長(zhǎng)運(yùn)算的光譜值之間的相關(guān)性，使得計(jì)算出的二維波段組合與電導(dǎo)率之間存在實(shí)質(zhì)性的關(guān)系。

1.4.3 三維光譜指標(biāo)的構(gòu)建（3D） 在二維光譜指數(shù)的基礎(chǔ)上，增加第三波段構(gòu)建三維光譜指數(shù)［22］，以期構(gòu)建適合研究區(qū)域的3D光譜指數(shù)。計(jì)算公式如下。

[TBI1=Rx/（Ry+Rz）] （5）

[TBI2=（Rx-Ry）/（Ry-Rz）] （6）

[TBI3=（Rx+Ry）/Rz] （7）

[TBI4=（Rx-Ry）/（Rx-2Ry+Rz）] （8）

式中，[Rx]、[Ry]和[Rz]是從所有波段中選擇的任意3個(gè)波段的反射率。這種關(guān)系表明了土壤電導(dǎo)率與波長(zhǎng)運(yùn)算的光譜值之間的相關(guān)性，使得計(jì)算出的三維波段組合與電導(dǎo)率之間具有重要關(guān)系。

1.4.4 神經(jīng)網(wǎng)絡(luò)算法模型構(gòu)建 神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡(jiǎn)單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所作出的交互反應(yīng)［23］。神經(jīng)網(wǎng)絡(luò)采用算法就是向量乘法，并且廣泛采用符號(hào)函數(shù)及其各種逼近。神經(jīng)網(wǎng)絡(luò)算法特有的非線(xiàn)性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對(duì)于直覺(jué)，如模式、語(yǔ)音識(shí)別等方面的缺陷，使之在神經(jīng)專(zhuān)家系統(tǒng)、模式識(shí)別、智能控制、組合優(yōu)化、預(yù)測(cè)等領(lǐng)域得到廣泛而成功的應(yīng)用［1］。神經(jīng)網(wǎng)絡(luò)算法與傳統(tǒng)方法相比主要特點(diǎn)如下：①建模過(guò)程簡(jiǎn)單，能夠處理大規(guī)模的非線(xiàn)性數(shù)據(jù)，因其具有高并行處理能力，所以處理速度快；②可以自我學(xué)習(xí)，通過(guò)訓(xùn)練后得到包含之前數(shù)據(jù)的新神經(jīng)網(wǎng)絡(luò)，進(jìn)而可以完成對(duì)之后數(shù)據(jù)的預(yù)測(cè)。本研究借助MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)該過(guò)程，原理如圖2所示。

2 結(jié)果與分析

2.1 影像導(dǎo)數(shù)處理

為探究導(dǎo)數(shù)技術(shù)對(duì)鹽漬化土壤預(yù)測(cè)精度的影響，發(fā)掘OLI在土壤鹽漬化預(yù)測(cè)中的潛力和優(yōu)勢(shì)，嘗試將導(dǎo)數(shù)技術(shù)引入到RS圖像處理中。在IDL導(dǎo)數(shù)處理模塊中選擇FD和SD對(duì)影像進(jìn)行處理，處理后部分特征信息在圖像中被突出顯示。

2.2 選擇圖像敏感波段

2.2.1 二維最佳波段選擇 由于沒(méi)有在任何環(huán)境條件下都能得到滿(mǎn)意結(jié)果的通用光譜指數(shù)，因此可以根據(jù)當(dāng)?shù)氐沫h(huán)境條件對(duì)現(xiàn)有的光譜指數(shù)進(jìn)行修改或構(gòu)建新的光譜指數(shù)。采用二維最優(yōu)波段選擇方法，利用光譜組合搜索模型。二維最優(yōu)波段組合算法研究了不同波段的RI、DI、NDI、SI和土壤電導(dǎo)率之間的相關(guān)性（圖3）。X軸和Y軸表示OLI數(shù)據(jù)的頻帶范圍，每個(gè)子圖右側(cè)的顏色條表示相關(guān)性（R）。計(jì)算出二維波長(zhǎng)組合與土壤電導(dǎo)率之間存在實(shí)質(zhì)性的關(guān)系。2D最優(yōu)波段方法可以更好地反映土壤電導(dǎo)率和遙感光譜響應(yīng)的關(guān)系，并在某種程度上能夠揭示OLI土壤鹽度數(shù)據(jù)信息提取的能力，比較不同的圖像處理下（原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)處理）土壤電導(dǎo)率和遙感光譜響應(yīng)的關(guān)系。結(jié)果發(fā)現(xiàn)，由二維最優(yōu)波段構(gòu)建的光譜指數(shù)與土壤電導(dǎo)率具有較強(qiáng)的相關(guān)性。原始光譜（RAW）構(gòu)建的指數(shù)[DI=R4-] [R2]，其與土壤電導(dǎo)率相關(guān)系數(shù)最高為0.304；一階導(dǎo)數(shù)處理后光譜構(gòu)建的指數(shù)[SI=R21+R23]，其與土壤電導(dǎo)率相關(guān)系數(shù)最高為0.309；二階導(dǎo)數(shù)處理后光譜構(gòu)建的指數(shù)[RI=R3/R7]，其與土壤電導(dǎo)率相關(guān)系數(shù)最高為0.308。將二維最優(yōu)波段組合算法構(gòu)建的部分光譜指標(biāo)作為土壤鹽分反演模型的輸入?yún)?shù)對(duì)模型進(jìn)行優(yōu)化，可以在一定程度上提高模型的可靠性。

2.2.2 三維最佳波段選擇 用三維最優(yōu)波段組合算法探究了不同波段組合TBI1、TBI2、TBI3、TBI4和土壤電導(dǎo)率的相關(guān)性（圖4）。該算法擴(kuò)展了二維光譜指標(biāo)，增加了維數(shù)，允許發(fā)現(xiàn)光譜與土壤鹽分之間更多可能的光譜響應(yīng)關(guān)系。每個(gè)子圖右側(cè)的顏色條表示相關(guān)系數(shù)（R），X、Y、Z軸分別表示OLI數(shù)據(jù)的頻帶范圍。結(jié)果發(fā)現(xiàn)，三維最佳光譜指數(shù)組合的相關(guān)性普遍高于由二維最佳光譜指數(shù)構(gòu)建的光譜函數(shù)。并且，一階導(dǎo)數(shù)處理后構(gòu)建的三維指數(shù)整體相關(guān)性明顯高于原始光譜構(gòu)建的光譜函數(shù)，二階導(dǎo)數(shù)處理后構(gòu)建的三維指數(shù)整體相關(guān)性明顯高于一階導(dǎo)數(shù)處理后構(gòu)建的光譜函數(shù)，特別是二階導(dǎo)數(shù)處理后的TBI1和TBI3。相關(guān)性最高的指數(shù)為出現(xiàn)在一階導(dǎo)數(shù)處理后構(gòu)建的光譜函數(shù)[TBI1=R4/（R6+R3）]，其與土壤電導(dǎo)率相關(guān)系數(shù)為0.355。

2.3 基于優(yōu)選光譜指數(shù)的神經(jīng)網(wǎng)絡(luò)建模分析

選取原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)3種處理下的波段反射率、2D、3D光譜最優(yōu)指數(shù)（與土壤電導(dǎo)率相關(guān)系數(shù)最高）各7個(gè)?；贛ATLAB深度學(xué)習(xí)工具箱神經(jīng)網(wǎng)絡(luò)分析工具［24］，訓(xùn)練集樣本70%（72個(gè)）、驗(yàn)證集15%（16個(gè)）、測(cè)試集15%（16個(gè)），隱藏神經(jīng)元個(gè)數(shù)設(shè)置為10，結(jié)果見(jiàn)表1。

由表1可知，在原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)3種處理下選擇B1至B7作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)建模精度較2D、3D指數(shù)的優(yōu)選參數(shù)訓(xùn)練集神經(jīng)網(wǎng)絡(luò)模型相關(guān)系數(shù)更高，且原始光譜處理相關(guān)系數(shù)（R=0.732 4）優(yōu)于一階導(dǎo)數(shù)（R=0.677 7）、二階導(dǎo)數(shù)（R=0.677 9）處理下的訓(xùn)練集精度。所有樣本整體建模精度方面，3種影像處理下選擇B1至B7作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)的建模精度最高，優(yōu)于3D指數(shù)建模，精度最差為2D指數(shù)建模。驗(yàn)證集精度最優(yōu)為原始光譜下選擇B1至B7作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)建模（R=0.716 4），其次為二階導(dǎo)數(shù)處理下2D指數(shù)建模精度（R=0.645 4）；測(cè)試集最優(yōu)為二階導(dǎo)數(shù)處理下2D指數(shù)建模精度（R=0.622 3），其次為原始光譜下選擇B1至B7作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)建模精度（R=0.444 5），但驗(yàn)證集和測(cè)試集相關(guān)系數(shù)出現(xiàn)負(fù)值，可能是因?yàn)闃颖緜€(gè)數(shù)太少所致。

綜合訓(xùn)練集、驗(yàn)證集、測(cè)試集和整體的精度，考慮到模型實(shí)際應(yīng)用時(shí)的便利性，原始光譜下選擇B1至B7作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)所建模型最優(yōu)，訓(xùn)練過(guò)程及誤差分布結(jié)果見(jiàn)圖5和圖6。由圖5a可知，基于神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練集、驗(yàn)證集、測(cè)試集的訓(xùn)練達(dá)到一定精度，且趨勢(shì)基本一致。樣本真誤差值整體呈正態(tài)分布，如圖5b所示，主要分布在-280～270，平均相對(duì)誤差約為25%。

基于神經(jīng)網(wǎng)絡(luò)算法最優(yōu)模型的擬合度和散點(diǎn)分布情況如圖6所示，其訓(xùn)練集、驗(yàn)證集、測(cè)試集和整體的相關(guān)系數(shù)分別為0.732 4、0.716 4、0.444 5、0.691 9。模型對(duì)土壤電導(dǎo)率在1 000 μS/cm附近建模精度較高，對(duì)土壤電導(dǎo)率在500 μS/cm附近時(shí)預(yù)測(cè)值高于真值，而對(duì)土壤電導(dǎo)率在2 000 μS/cm附近時(shí)預(yù)測(cè)值低于真值。即該模型對(duì)非鹽漬土和高度鹽漬土預(yù)測(cè)精度較低，這可能與采樣點(diǎn)的選擇有關(guān)。采樣點(diǎn)均為塔里木河流域阿拉爾至沙雅段棉田，均經(jīng)過(guò)去鹽改造或多年耕種，鹽漬化程度較原始土壤母質(zhì)有明顯降低。

3 討論與小結(jié)

3.1 討論

隨著越來(lái)越多高分辨率遙感產(chǎn)品問(wèn)世，有必要評(píng)估遙感產(chǎn)品對(duì)預(yù)測(cè)土壤鹽漬化的潛在優(yōu)勢(shì)。針對(duì)塔里木河流域荒漠綠洲區(qū)，探究適應(yīng)該區(qū)域土壤鹽漬化監(jiān)測(cè)的光譜指數(shù)，基于神經(jīng)網(wǎng)絡(luò)算法構(gòu)建土壤鹽漬化反演模型。模型建立過(guò)程可能存在以下問(wèn)題：首先本研究選擇原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)3種處理下，以波段反射率、2D、3D光譜與土壤電導(dǎo)率相關(guān)系數(shù)為指標(biāo)，選擇最優(yōu)光譜指數(shù)，最優(yōu)指數(shù)作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)，存在代表性誤差；其次利用導(dǎo)數(shù)處理影像可以提取光譜細(xì)節(jié)信息、消除背景噪聲和降低基線(xiàn)效應(yīng)，但任何算法均可能存在銳化部分信息、平滑部分信息的問(wèn)題；最后不同采樣點(diǎn)環(huán)境存在一定的差異性，環(huán)境改變對(duì)模型精度的影響有待探究［3］。

3.2 小結(jié)

本研究評(píng)估了Landsat-8 OLI的多光譜遙感數(shù)據(jù)構(gòu)建土壤鹽分模型的潛力，利用導(dǎo)數(shù)技術(shù)改進(jìn)Landsat-8 OLI多光譜遙感數(shù)據(jù)的土壤鹽分信息提取，應(yīng)用相關(guān)系數(shù)進(jìn)行模型輸入?yún)?shù)篩選，最后，基于神經(jīng)網(wǎng)絡(luò)算法建立土壤鹽漬化診斷模型并進(jìn)行精度分析，得到以下結(jié)論。

1）最佳光譜指數(shù)（2D、3D）可以有效地解釋可能組合之間波段的相互作用，規(guī)避光譜指數(shù)在不同地區(qū)的適用性問(wèn)題。二階導(dǎo)數(shù)處理后構(gòu)建的3D指數(shù)與土壤電導(dǎo)率整體相關(guān)性?xún)?yōu)于一階導(dǎo)數(shù)處理和原始光譜所構(gòu)建的3D指數(shù)。

2）一階導(dǎo)數(shù)處理后構(gòu)建的光譜函數(shù)[TBI1=R4/（R6+R3）]，其與土壤電導(dǎo)率相關(guān)系數(shù)為0.355，為所有光譜指數(shù)最高值。

3）選擇原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)3種處理共9種情況的最優(yōu)光譜指標(biāo)作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)，綜合訓(xùn)練集、驗(yàn)證集、測(cè)試集和整體的精度分析，原始光譜下選擇B1至B7作為神經(jīng)網(wǎng)絡(luò)算法輸入?yún)?shù)所建模型精度最優(yōu)，最優(yōu)訓(xùn)練集、驗(yàn)證集、測(cè)試集和整體的相關(guān)系數(shù)分別為0.732 4、0.716 4、0.444 5、0.691 9。

4）最優(yōu)模型對(duì)土壤電導(dǎo)率在1 000 μs/cm附近時(shí)預(yù)測(cè)精度較高，電導(dǎo)率在500 μS/cm附近時(shí)預(yù)測(cè)值高于真值，電導(dǎo)率在2 000 μS/cm附近時(shí)預(yù)測(cè)值低于真值。

參考文獻(xiàn)：

［1］ CHEN H Y，ZHAO G X，LI Y H，et al. Monitoring the seasonal dynamics of soil salinization in the Yellow River delta of China using Landsat data［J］.Natural hazards and earth system sciences，2019，19（7）：1499-1508.

［2］ 吳亞坤，劉廣明，蘇里坦，等.多源數(shù)據(jù)的區(qū)域土壤鹽漬化精確評(píng)估［J］.光譜學(xué)與光譜分析，2018，38（11）：3528-3533.

［3］ 陳香月，丁建麗，葛翔宇，等.基于機(jī)器學(xué)習(xí)的綠洲土壤鹽漬化尺度效應(yīng)研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（9）：312-320.

［4］ 趙巧珍，丁建麗，韓禮敬，等.MODIS和Landsat時(shí)空融合影像在土壤鹽漬化監(jiān)測(cè)中的適用性研究——以渭干河-庫(kù)車(chē)河三角洲綠洲為例［J］.干旱區(qū)地理，2022，45（4）：1155-1164.

［5］ 白建鐸，彭 杰，史 舟，等.基于多源數(shù)據(jù)的干旱區(qū)鹽漬化農(nóng)田精準(zhǔn)管理分區(qū)研究［J］.干旱區(qū)研究，2022，39（2）：646-655.

［6］ CHI Y，SUN J K，LIU W Q，et al. Mapping coastal wetland soil salinity in different seasons using an improved comprehensive land surface factor system［J］.Ecological indicators，2019，107：105517.

［7］ YU W，MA M，WANG X，et al. Estimating the land-surface temperature of pixels covered by clouds in MODIS products［J］.Journal of applied remote sensing，2014，8（1）：083525.

［8］ 王 飛，丁建麗，魏 陽(yáng)，等.基于Landsat系列數(shù)據(jù)的鹽分指數(shù)和植被指數(shù)對(duì)土壤鹽度變異性的響應(yīng)分析——以新疆天山南北典型綠洲為例［J］.生態(tài)學(xué)報(bào)，2017，37（15）：5007-5022.

［9］ YU H，WANG L，WANG Z，et al. Using Landsat OLI and random forest to assess grassland degradation with aboveground net primary production and electrical conductivity data［J］.ISPRS international journal of geo-information，2019，8（11）：511.

［10］ 楊練兵，陳春波，鄭宏偉，等.基于優(yōu)化隨機(jī)森林回歸模型的土壤鹽漬化反演［J］.地球信息科學(xué)學(xué)報(bào)，2021，23（9）：1662-1674.

［11］ NETO O C R，TEIXEIRA A D S，LE?O R A O，et al. Hyperspectral remote sensing for detecting soil salinization using ProspecTIR-VS aerial imagery and sensor simulation［J］.Remote sensing，2017，9（1）：42.

［12］ GORJI T，SERTEL E，TANIK A. Recent satellite technologies for soil salinity assessment with special focus on mediterranean countries［J］.Fresenius Environ Bull，2017，26（1）：196-203.

［13］ YANG J，ZHAO J，ZHU G，et al. Soil salinization in the oasis areas of downstream inland rivers—Case study： Minqin oasis［J］.Quaternary international，2020，537：69-78.

［14］ 吳 霞，王長(zhǎng)軍，樊麗琴，等.基于多光譜遙感的鹽漬化評(píng)價(jià)指數(shù)對(duì)寧夏銀北灌區(qū)土壤鹽度預(yù)測(cè)的適用性分析［J］.國(guó)土資源遙感，2021，33（2）：124-133.

［15］ LI W，HU Q，ZHANG L，et al. Pan-sharpening with a spatial-enhanced variational model［J］.Journal of applied remote sensing，2018，12（3）：035018.

［16］ ORTIZ J D，AVOURIS D M，SCHILLER S J，et al. Evaluating visible derivative spectroscopy by varimax-rotated， principal component analysis of aerial hyperspectral images from the western basin of Lake Erie［J］.Journal of great lakes research，2019，45（3）：522-535.

［17］ YANG X H，HUANG J F，WU Y P，et al. Estimating biophysical parameters of rice with remote sensing data using support vector machines［J］.Science China life sciences，2011，54（3）：272-281.

［18］ HU C，LI Y，DONG X，et al.Impacts of temporal-spatial variant background ionosphere on repeat-track GEO D-InSAR system［J］.Remote sensing，2016，8（11）：916.

［19］ GOMEZ C. Understanding volcanic geomorphology from derivatives and wavelet analysis： A case study at Miyakejima Volcano， Izu Islands， Japan［J］.Journal of volcanology and geothermal research，2018，354：57-66.

［20］ 崔文軒.基于無(wú)人機(jī)熱紅外遙感的土壤鹽漬化監(jiān)測(cè)模型研究［D］.陜西楊凌：西北農(nóng)林科技大學(xué)，2021.

［21］ 馬慶曉.多源遙感黃河三角洲鹽漬化動(dòng)態(tài)監(jiān)測(cè)研究［D］.湖北荊州：長(zhǎng)江大學(xué)，2020.

［22］ WANG Z，ZHANG F，ZHANG X，et al. Regional suitability prediction of soil salinization based on remote-sensing derivatives and optimal spectral index［J］.Science of the total environment，2021，775：145807.

［23］ 何 明，湯 偉，賴(lài) 俊，等.大學(xué)計(jì)算機(jī)基礎(chǔ)［M］.南京：東南大學(xué)出版社，2015.240.

［24］ 李國(guó)勇，楊麗娟.神經(jīng)·模糊·預(yù)測(cè)控制及其MATLAB實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2018.1.

基金項(xiàng)目：塔里木大學(xué)校長(zhǎng)基金項(xiàng)目（TDZKQN201816）；國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目（202210757033；202110757033）

作者簡(jiǎn)介：唐子茹（2001-），女，河北秦皇島人，在讀本科生，研究方向?yàn)檫b感環(huán)境監(jiān)測(cè)應(yīng)用，（電子信箱）1852853874@qq.com；通信作者，岳勝如（1988-），男，講師，碩士，主要從事3S技術(shù)在農(nóng)業(yè)水土工程中的應(yīng)用研究，（電話(huà)）15569351069（電子信箱）806302981@qq.com。