植被覆盖条件下的解放闸灌域土壤盐分卫星遥感估算模型

邱元霖，陈 策，韩 佳,2，王新涛,2，魏世玉，张智韬,2

(1.西北农林科技大学水利与建筑工程学院，陕西 杨凌 712100；2.西北农林科技大学旱区农业水土工程教育部重点实验室，陕西 杨凌 712100)

0 引 言

河套灌区是我国三大灌区之一，由于干旱半干旱的特殊气候，加之长期的大水漫灌，造成土壤盐渍化[1]。解放闸灌域作为河套灌区第二大灌域，土壤盐渍化一直对农业生产造成负面影响。因此利用准确、有效和快速的技术手段对盐渍化土壤进行大面积监测具有重要意义，是灌域农业生产健康发展的关键[2-4]。

传统的盐渍化监测手段虽然精度较高，但难以快速获取大范围的土壤盐渍化信息，且需要耗费大量的人力物力[5]。卫星遥感技术快速、动态、宏观、综合的特点，决定了其在土壤盐渍化监测中的巨大潜力[6]。在利用光谱指数进行土壤盐渍化监测方面，国内外学者进行了大量的研究[7-10]，曹雷等[4]将GF-1号卫星作为数据源，基于表层实测电导率与光谱指数构建了PLSR模型，提高了高分辨率卫星土壤盐渍化监测的精度。罗冲等[10]利用偏最小二乘法构建了玛纳斯河流域土壤盐分定量反演模型，对单一时刻的土壤盐分含量进行了反演，方法经济、便捷，较好的反映了研究区域的盐分分布特征。黄权中等[11]基于SI盐分光谱指数构建了河套灌区盐分遥感反演模型，在裸土条件下拟合精度较高，验证精度R2达到0.75。王飞等[9]基于归一化差值植被指数(NDVI)、盐分指数(SI)构成了NDVI-SI特征空间，构建了能够精确反演有植被覆盖区域土壤盐分的SDI指数监测模型，研究表明在考虑植被信息后，能够更好的反应盐渍化程度。目前土壤盐分反演的研究多集中于裸土方面，在植被覆盖条件下的反演研究较少。

因此本文以河套灌区解放闸灌域为研究区域，GF-1号卫星影像为数据源，根据植被受盐分胁迫时的光谱信息，间接反演土壤盐分。通过BP神经网络、分位数回归、多元线性回归三种方法建模，确定高分一号卫星数据与不同土壤盐渍化程度之间的定量关系，并对研究区域土壤盐渍化分布进行评估，以期提高植被覆盖条件下的土壤盐分反演精度，弥补裸土反演连续性上的不足，为土壤盐渍化监测提供一定的技术支持。

1 材料与方法

1.1 研究区概况

研究区域为内蒙古河套灌区解放闸灌域，灌域位于河套灌区西北部地区，位于北纬40°26′～41°13′、东经106°34′～107°34′，是一个东西长81 km，南北长86 km的斜三角形区域[12]，为河套灌区第二大灌域。灌域属于高原地区，海拔在1 030～1 046 m之间，地形较为平坦。年降雨量66.3～200 mm，年蒸发量1 920～3 450 mm，为干旱半干旱地区[13,14]。灌域南邻黄河，年引水量约为12 亿m3，有夏灌期和秋浇期两个阶段，10月份引水量约占全年的30%，灌域控制面积21.57 万hm2，灌溉面积12.4 万hm2[15]，农田作物种植结构复杂，主要包括玉米、小麦 、葵花等作物。图1为研究区地理位置及采样点分布图。

图1 内蒙古河套灌区解放闸灌域地理位置及采样点分布图Fig.1 Geographical location and sampling point distribution map of Jiefangzha irrigation area in Inner Mongolia Hetao Irrigation District

1.2 土壤含盐量测定

解放闸灌域的主要作物中，葵花、玉米、西葫芦均于9月20日左右或之后收获。因此我们选择作物生长旺盛、植被信息丰富的8月份为研究时段。本文选择0～60 cm的主根系土壤为研究对象[11,16,17]。研究区域土壤样本采集时间为2018年8月13-17日，采样点80个，均为有植被覆盖的0～60 cm土壤，采样方法为五点取样法，即以定位点为中心抽样点，对角线上与中心样点等距的4个点为样点。五点土样充分混合后，经土水比1∶5配置成水溶盐溶液。电导率(EC1∶5，μS/m)使用上海佑科仪器公司的DDS-307A电导率仪进行测定，土壤含盐量(SSC，%)根据经验公式SSC=(0.288 2EC1∶5+0.018 3)[11]得到。通过随机选取的方式确定建模集与验证集，其中2/3的样本点用于建模(n=53)，1/3的样本点用于验证(n=27)，土壤盐分统计特征见表1。

表1 土壤盐分统计特征

Tab.1 Statistical characteristics of soil salinity

样本类型样本点数最大值/%最小值/%均值/%标准差/%变异系数/%总体样本802.870.080.530.54101.62建模样本532.870.080.520.5299.87验证样本272.820.120.550.57104.35

1.3 影像处理

本文采用GF-1 WFV影像为数据源，卫星空间分辨率16 m，具有蓝波段b1(0.45～0.52 μm)、绿波段b2 (0.52～0.59 μm)、红波段b3(0.63～0.69 μm)、近红外波段b4(0.77～0.89 μm)4个波段，时间分辨率为4 d。影像获取时间为2018年8月8日，与采样时间基本同步，研究区域无云层遮挡。通过ENVI5.3.1软件进行影像预处理，包括几何精校正、辐射定标、大气校正。其中几何精校正对数据精度影像较大，采用同时期、同区域经过几何精校正的landsat8影像作为标准，精度为10.59 m，误差小于1个像元，基本满足精度要求。

1.4 模型的选择与构建

本文通过分位数回归(QR)、多元线性回归(MLR)、BP神经网络(BP)3种方法分别建立盐分反演模型，并进行精度验证。

1.4.1 多元线性回归

多元线性回归(multivariable linear regression)又名多重回归，是利用两个及以上自变量(x1,x2,x3,x4,…,xn)对因变量y进行解释的方法，本文利用SPSS 23软件进行MLR建模。数学模型如下[18]：

式中：β0为随机误差；βi为回归系数；k为自变量个数。

1.4.2 BP神经网络

BP神经网络(back propagation neural network)是由Rumelhart和McClelland为首的科学家在1986年提出的[19]，是目前应用领域较广、较为易懂的神经网络模型。该模型在非线性映射方面具有很大的优势，能够根据输出结果与期望值之间的误差调节系统内部的参数值，并依据精度要求反复进行信号向前传播误差反向传播的操作，最终得到输出结果。BP神经网络模型拓扑结构由输入层、隐含层、输出层3部分组成[18,20,21]。本文BP神经网络模型以NIR、SI2、S2、S3、EVI为输入层，土壤盐分为输出层。利用SPSS23软件进行BP神经网络建模。

1.4.3 分位数回归

分位数回归(Quantile regression)是在自变量与因变量的条件分位数之间建立关系的回归方法，最早由Roger Koenker和Gilbert Bassett提出，此方法对异常点具有较高的耐抗性，且模型不需要对分布进行假设，使其较为稳健[22,23]。本文利用SPSS 23软件进行QR建模。

1.5 精度验证

对于模型的评价主要采用R2、RMSE、MAE三个指标。其中R2为决定系数(coefficient of determination)，用于衡量模型的拟合精度。RMSE为均方根误差(root mean square error)、MAE为平均绝对误差(mean absolute error)，二者通过检验模型预测值与实测值之间的误差来衡量模型的准确性。R2越大、RMSE与MAE越小，模型的精度越高。相关公式如下：

1.6 数据处理

本文数据提取采用ENVI5.3.1软件完成，数据处理及分析采用Microsoft Office 2016软件完成，模型拟合采用SPSS 23软件完成，绘图采用Origin 2017软件完成。

2 结果与分析

2.1 光谱指数敏感性分析

为能更全面的反应植被覆盖时的土壤盐分信息，考虑到不同光谱指数反馈信息不同的特点，本文依据前人经验[4,24,25]选取盐分指数(SI2、S2、S3)、增强植被指数(EVI)、近红外NIR波段作为输入因子，并进行敏感性分析(图2)。模型输出因子为采样点0～60 cm处的土壤含盐量(SSC，%)。指数均由ENVI5.3.1平台提取80个采样点的各波段反射率计算得到，计算公式如表2所示。

图2 光谱指数及波段相关系数折线图Fig.2 Spectral index and band correlation coefficient line chart

表2 光谱指数

Tab.2 Spectral Index

光谱指数计算公式参考文献SI2G2+R2+NIR2[24]S2(B-R)/(B+R)[4]S3(G×R)/B[4]EVI2.5×NIR-RNIR+6R-7.5B+1()[25]

注：B为蓝波段b1；G为绿波段b2；R为红波段b3；NIR为近红外波段b4。

五个指数均通过了P=0.01的显著性检验。其中只有S3与土壤盐分成正相关，且相关系数达到0.555，对土壤盐分的敏感性最好。EVI作为唯一的植被指数对土壤的敏感性仅次于S3，相关系数为-0.506。盐分指数S2与SI2相关系数分别为-0.470、-0.366，对土壤盐分较为敏感。近红外NIR波段相关系数为-0.409。选取以上五个指数作为因变量建立土壤盐分反演模型。

2.2 建模集精度分析

基于SPSS 23软件分别利用多元线性回归(MLR)、分位数回归(QR)、BP神经网络(BP)建立土壤盐分反演模型，模型拟合精度数据如表3所示。

表3 基于光谱指数的多元线性回归、神经网络、分位数回归模型拟合精度对比

Tab.3 Comparison of fitting precision of MLR, BP and QRmodels based on spectral index

模型建模集(n=53)R2RMSEMLR0.6330.313BP0.6050.353QR0.6270.327

由表3得3个模型拟合精度都较好，决定系数均在0.6以上；BP神经网络模型拟合精度相对其他两个模型较差，决定系数最低为0.605，RMSE也高于其他两个模型，为0.353，预测值的偏差相对较大；多元线性回归模型与分位数回归模型的拟合精度较高，二者决定系数均优于0.62，其中多元线性回归模型决定系数相对较高，为0.633，分位数回归模型决定系数略低，为0.627，且多元线性回归模型与分位数回归模型的RMSE效果也相对较好，多元线性回归模型的RMSE为0.313，相对于实测值误差较小，优于分位数回归模型的RMSE=0.327。综合比较上述模型，多元线性回归模型的拟合精度最好，决定系数和RMSE均为最优，但分位数回归模型与之相差不大，决定系数近似相等，RMSE仅比多元线性回归模型高4.47%，因此两个模型在拟合精度上无明显的优劣之分，均能较好的在植被覆盖条件下反演土壤盐分。

2.3 模型预测精度分析

将验证集的样本点代入到已经建立的3个土壤盐分反演模型当中，通过计算决定系数R2、均方根误差RMSE和平均绝对误差MAE，检验3个模型的预测效果并进行精度分析。相关计算结果如表4所示。

表4 基于光谱指数的多元线性回归、神经网络、分位数回归模型预测精度对比

Tab.4 Comparison of prediction accuracy of MLR, BP and QRmodels based on spectral index

模型验证集(n=27)R2RMSEMAEMLR0.6360.2540.244BP0.5580.3040.255QR0.6360.2490.235

多元线性回归模型与分位数回归模型的预测精度依然相对较好，与建模集情况相同，决定系数均达到0.636。其中分位数回归模型RMSE相对较低，为0.249，略小于多元线性回归模型，就MAE而言分位数回归模型比多元线性回归模型低3.68%，效果相对较好，这说明分位数回归模型预测值与实测值误差整体较小。BP神经网络模型决定系数明显低于其他两个模型，仅为0.558，同时RMSE与MAE数值相较其他两个模型偏大，整体预测精度偏低。因此分位数回归模型在满足拟合优度的基础上，对土壤盐分的预测相对误差较低，反演精度更高。

如图3所示，当SSC<0.5时，BP模型的整体预测精度最低，MLR模型次之，QR模型预测值更接近实测值；0.51.0时，样本个数较少，相对于QR模型和MLR模型来说，BP模型的预测值更接近实测值；就全部样本点来说，QR模型的预测值与实测值具有较为一致的预测趋势。此外，结合模型评价指标总体来说，QR模型预测精度最高，MLR模型次之，BP模型最差。

图3 多元线性回归、BP神经网络、分位数回归模型土壤盐分预测值与实测值折线图Fig.3 Line diagram of predicted and measured values of soil salinity in MLR, BP and QR models

2.4 土壤盐度空间分布

选取预测精度最高的QR模型对土壤盐分进行反演，得到内蒙古河套灌区解放闸灌域的0～60 cm土壤盐分分布图(图4)。根据QR模型反演结果，解放闸灌域非盐土(<0.2%)、轻度盐渍化(0.2%～0.5%)、重度盐渍化(0.5%～1.0%)与盐土(>1.0%)面积分别占灌域总面积的27%、38%、12%、7%，城市用地约占16%。灌域南部地区的土壤含盐量普遍较低，多数为非盐土(<0.2%)，轻度盐渍化区域穿插分布其间。从灌域中部地区开始到灌域北部地区结束，非盐土较少，多为轻度盐渍化。灌域西侧集中分布有大面积的盐土，且多为裸土区域，其他重度盐渍化区域及盐土则零散的分布在整个灌域，其中杭锦后旗西北与东南两侧和灌域北部区域分布相对较多；这与灌域南部地区地下水位较深，中部地区水位较浅有一定关系。

图4 解放闸灌域0～60 cm土壤盐分空间分布图Fig.4 Spatial distribution of soil salinity in 0～60 cm of Jiefang irrigation area

3 结 语

(1)经过对比3个不同的盐分反演模型，发现多元线性回归模型与分位数回归模型均能较好的反演植被覆盖条件下0～60 cm层土壤盐分，二者建模与验证决定系数均在0.6以上，其中分位数回归预测精度最高，是本次土壤盐分估算的最优模型。

(2)通过分析河套灌区解放闸灌域盐分反演图，就0～60 cm土壤而言，研究区整体盐分分布情况为灌域南部地区土壤盐渍化程度较轻。重度盐渍化及盐土区域呈零散状分布在整个灌域，占灌域总面积的19%左右。

(3)通过卫星遥感手段提取作物光谱信息进而间接反演土壤盐分受到天气诸多因素的影响，本文的研究方法仅适用于作物生长茂盛的时期，其他生育期的盐分反演还需进一步探究。