基于高光谱数据的盐荒地和耕地土壤盐分遥感反演优化

孙亚楠，李仙岳，史海滨，马红雨，王维刚，崔佳琪，陈 辰

基于高光谱数据的盐荒地和耕地土壤盐分遥感反演优化

孙亚楠1，李仙岳1※，史海滨1，马红雨1，王维刚1，崔佳琪2，陈 辰3

（1. 内蒙古农业大学水利与土木建筑工程学院，呼和浩特 010018； 2. 内蒙古赤峰市克什克腾旗浩来呼热苏木人民政府，赤峰 025374； 3. 内蒙古自治区水利厅综合保障中心，呼和浩特 010010）

盐荒地作为研究区的“临时盐库”，其土壤盐分远高于研究区平均水平，因此探究不同土地利用类型土壤盐分的光谱响应差异以及对盐分遥感模型的影响，是实现不同土地类型土壤盐分反演值更加接近真实值的重要途径。该研究以河套灌区永济灌域为例，针对耕地和盐荒地土壤分别进行原位高光谱测定（FieldSpec 4 Hi-Res，ASD），对光谱数据进行多种光谱变换（基础数学变换、导数变换及光谱指数）后，分别基于特征波长和特征光谱指数构建单一土地类型盐分反演模型（耕地（Agricultural Land，AL）、盐荒地（Salinized Wasteland，SW））和整体盐分反演模型（耕地+盐荒地（Agricultural Land + Salinized Wasteland，AL+SW）），对比分析2种建模方式下的模型精度，提出区域土壤盐分遥感反演的最佳建模方式。结果表明：AL、SW和AL+SW中土壤样本数据的平均含盐量分别为5.09、13.42和7.09 g/kg，且在各等级盐分区间内，SW的光谱反射率均大于AL，其中轻度盐化土、中度盐化土和重度盐化土的光谱反射率平均差值分别为0.040、0.020和0.034；光谱变换和光谱指数均能有效改善不同土地类型中土壤盐分与光谱的相关性。相比基础变换（倒数、对数、根式等），导数变换不仅增大了敏感波长的范围，还使得特定波长处相关系数得到显著提升。不同土地类型中基于特征光谱指数的模型精度均高于基于特征波长的模型；单一土地类型盐渍化反演模型明显提高了区域土壤盐分的反演精度，单一土地类型盐渍化反演模型中（AL、SW模型）各变换下光谱指数模型平均决定系数相比整体模型（AL+SW模型）由0.50提高到了0.61，其中基础变换、一阶导数和二阶导数模型平均2相比整体模型分别提高了0.06、0.11和0.17，同时，基于最优光谱指数的单一土地类型盐渍化反演模型平均2相比整体模型由0.74提高到了0.92。因此，当区域中存在盐分相差较大的多种土地利用类型时，对不同土地利用类型单独构建土壤盐分反演模型能确保反演结果更接近实际情况。

盐分；遥感；土壤；河套灌区；反演；光谱变换；盐荒地

0 引 言

土壤盐渍化是目前全球面临的主要土壤环境问题，在降雨少、蒸发大的干旱地区土壤盐渍化尤为严重[1]。据统计，土壤原生盐渍化面积为9.55×108hm2，由于过度灌溉、排水不畅和地下水位过高等问题引起的次生盐渍化面积也高达0.77×108hm2[2-3]，仅内蒙古河套灌区盐渍化面积就达3.33×105hm2，占总耕地面积的63.8%，灌区多数地区处于积盐状态，土壤盐渍化防治一直是该地区的主要任务[4-5]。传统的区域实地采样方法耗时长、成本高、大范围信息获取难度较大，且受到空间抽样调查方法限制，在反映全局情况方面存在不足[6]，而遥感技术中高光谱数据具有分辨率高、图谱合一的优点，在土壤盐分反演研究中应用较为广泛[7]，其中原位监测能够保持土壤表层盐分的分布状态，更能反映土壤的真实情况[8]，避免了室内测定法对表层土壤所产生的人为影响[9-12]。另外，现有研究表明，光谱的种类和变换形式能够有效提高模型精度，在光谱指数构建或经光谱数学变换过程中能够将一些隐藏的信息显露出来，改善土壤盐分与光谱的相关关系，从而提高模型的精度[13]。但现有研究中，针对不同土地类型的盐分反演模型中光谱变换的应用差异性研究较少，包括不同光谱变换下不同土地类型敏感波长的位置及土壤盐分与光谱之间的相关性等，从而使得区域中存在盐分相差较大的多种土地利用类型时的最佳建模方式的提出缺乏理论依据。

目前区域土壤盐分遥感反演研究中，大多将区域土壤盐分作为一个整体进行盐分反演模型的构建与验证[13-14]，然而当研究区中存在盐分特征具有显著差异的多种土地类型时，如耕地和盐荒地，其在土壤盐分水平、离子种类和表层盐分结皮状态等方面均有所不同[15]。首先，土壤盐分水平不同，河套灌区中盐荒地盐分含量远大于耕地[16]，其中0～20 cm的土壤含盐量是耕地的4倍甚至更多[17]。土壤盐分水平不同时，土壤对光谱的吸收规律也不同[18]，这会导致耕地和盐荒地土壤盐分对光谱的响应存在差异。其次，耕地与盐荒地中盐分离子组成不同，如景宇鹏等[19]研究发现河套灌区（海流图）耕地中阳离子主要以Ca2+为主，阴离子以HCO- 3为主，而荒地阳离子以K+和Na+为主，阴离子以SO2- 4、Cl-和CO2- 3为主，有研究表明，即使土壤含盐量在同一等级时，当离子种类不同时，土壤对光谱的响应规律存在显著差异[10]。最后，耕地和盐荒地表层土壤盐分结皮程度不同，特别是春灌前，盐荒地土壤表层结皮程度远高于耕地。不同的土壤表层盐分结皮程度会产生不同的光谱特征[20]。因此将耕地与盐荒地这2种土壤盐分特征具有差异的土地利用类型作为整体进行研究时，忽视了二者之间显著的差异性，会导致构建的整体化模型均不能真实地反映耕地和盐荒地土壤盐分的情况[15]。

本文以野外原位高光谱数据（FieldSpec 4 Hi-Res，ASD）作为数据源，对光谱数据进行多种光谱变换（基础数学变换和导数变换）及多种光谱指数的构建，分别基于特征波长和特征光谱指数构建单一土地类型土壤盐分模型和耕地+盐荒地整体盐分反演模型，对比分析2种模型的精度，提出区域盐渍化最佳建模方式，为区域中存在盐分相差较大的多种土地利用类型时的土壤盐分反演研究提供依据。

1 材料与方法

1.1 研究区概况

永济灌域作为河套灌区五大灌域之一（107°13′～107°42′E，40°36′～41°13′N），南北长60 km，东西宽40 km，总土地面积1.836×105hm2，现灌溉面积约1.122×105hm2。研究区平均年蒸发量为2 275 mm，年平均降水量为145 mm。耕地作为研究区主要的土地利用类型，其中约1/2耕地土壤有不同程度的盐碱化，土壤中氯化盐、硫酸盐和钠盐含量较高，盐分类型复杂[21]。盐荒地在该区域分布较为分散，且多集中在耕地周围，为耕地生育期的“临时盐库”[22]。据统计，2017－2020年研究区盐荒地面积在9.608×103～9.969×103hm2之间[23]，土壤含盐量较高，总体土壤含盐量大于10 g/kg。

1.2 数据的采集与处理

1.2.1 野外数据采集及处理

野外数据采集时地表无植被覆盖，能最大限度减小植被对光谱影响，具体采样时间为2018年4月5日－10日、2019年4月6日－10日和2020年4月1日－7日，共3个时段。根据实际的道路情况、采样的难易程度以及样点的均匀分布等情况，各时段的耕地和盐荒地的采样点个数分别为90个和40个（图1）。

1.2.2 高光谱数据的采集与处理

1）数据的采集及预处理

首先利用ArcGIS软件在研究区范围内均匀布置采样点，野外采样依据预先设定点的30 m范围内寻找平坦裸地进行，每个采样点为15 m×15 m的样方区，根据五点采样法[24]利用土钻对0～20 cm土层采集5份样本，样本通过自然风干、碾碎、过2 mm孔径筛并按照土壤农化分析规范进行各离子含量的测定[25]，包括CO2- 3、HCO- 3、Cl-、Ca2+、Mg2+等八大离子，计算得到全盐量，去除异常值后，计算各点所取重复的平均值作为最终含盐量数据。

注：DEM为数字高程模型，A、B为典型盐荒地。

野外高光谱数据利用美国地物光谱仪ASD在晴朗无云的天气下测定，最佳采样时段为10:00—14:00，探头视场角度为25°且距地1 m，每个点位测定2次后取平均值作为该样点的野外实测高光谱数据[26]。利用ViewSpecpro、Origin软件对数据进行预处理，包括去除边缘波段、平滑去躁、均值等，其中边缘波段范围主要包括350～399、1 340～1 450、1 750～2 020、2 330～2 500 nm，在该范围内光谱信号受噪声影响较大，数据不稳定，数据质量较差，需要进行剔除。平滑去躁的方法主要包括移动平均法、小波去噪、相邻平均值法（Adjacent-Averaging，AA）、Savitzky-Golay滤波等，本文利用Origin中的相邻平均值法对光谱进行平滑处理，窗口点数设置为5。

2）高光谱数据的变换

有关目标含量反演研究中对光谱采用的数学变换方法较多，包括基础变换，如根式、倒数、对数[27]等，导数变换，如一阶导数、二阶导数等，其中基础变换可以有效突出光谱曲线的混合特征信息，提高光谱灵敏度[14]，导数变换中一阶导数能够消除部分线性或接近线性的噪声光谱以及背景等对目标光谱的影响，提高重叠光谱分辨率，二阶导数能够很好地消除基线漂移和背景信号，提高分析精度[28]。本文在基础变换的基础上叠加导数变换，从而实现多变换的综合应用，最终的变换形式包括原始变换()、倒数(1/)、对数(lg)、平方根()0.5、一阶导数()′、倒数一阶导数(1/)′、对数一阶导数(lg)′、平方根一阶导数(()0.5)′、二阶导数()″、倒数二阶导数(1/)″、对数二阶导数(lg)″、平方根二阶导数(()0.5)″12种处理。

由于本文采样时段地表无植被覆盖，所以未考虑植被指数进行对比研究。所采用的光谱指数分别为归一化土壤指数（Normalized Differential Soil Index，NDSI）、差值土壤指数（Difference Soil Index，DSI）和简单比值土壤指数（Simple Ratio Soil Indices，RSI）[29]，这3种光谱指数涵盖了较多形式的光谱指数，具有一定的代表性。

NDSI=(T−T)/(T+T)（1）

DSI=T−T（2）

RSI=T/T（3）

式中T和T为400～2 330 nm间随机选择的第和波段的土壤光谱反射率。

1.3 研究方法

多元逐步线性回归[30-31]是在模型构建过程中每一步只引入或剔除一个自变量，自变量采用向前法进行筛选，其是否被引入或剔除则取决于检验或校正决定系数，在显著性水平0.01下，>F（F为临界值）说明该回归方程是显著的，并采用决定系数（2）和均方根误差（Root Mean Square Error，RMSE）作为模型精度的评价指标[32]。若不显著，则需要重新选取敏感波段进行计算。多元线性回归模型相比其他机器模型能够进一步降低模型的应用难度。

本文将2018—2020年盐分样本进行统计，耕地、盐荒地和耕地+盐荒地总样本数分别为270、120和390个，对耕地和盐荒地的样本分别按盐分值由小到大排列，每隔一个样本选择一个样本作为训练集，即训练集样本数∶验证集样本数=1∶1，耕地+盐荒地的训练集样本则将耕地、盐荒地的训练集样本合并即可，验证集同理。利用SPSS software (Version 21)软件对耕地、盐荒地盐分与光谱进行相关性分析，选择与盐分显著相关（<0.01）的波长和光谱指数作为敏感因子，并利用逐步线性回归的方法对敏感因子进行筛选，去除共线性较高的因子，在保证模型精度的同时减少参与模型构建的敏感因子数量，此时参与模型构建的敏感因子即为特征波长和特征光谱指数。

2 结果与分析

2.1 土壤盐分含量及光谱特征分析

2.1.1 土壤盐分含量分析

对耕地、盐荒地0～20 cm土壤含盐量进行描述性统计分析（表1），耕地和盐荒地盐分分别在0.92～17.91 g/kg和0.61～55.07 g/kg之间，多年平均值分别为5.09 g/kg和13.42 g/kg，盐荒地平均盐分含量明显大于耕地，当耕地、盐荒地作为整体进行分析时，土壤盐分含量在0.61～55.07 g/kg之间，平均值为7.09 g/kg，相比耕地增加了39.29%，相比盐荒地减小了17.17%。

2.1.2 土壤光谱特征分析

根据土壤盐渍化等级划分标准[33-35]可知，耕地主要以非盐化土、轻度、中度和重度盐化土为主，盐荒地多以轻度、中度、重度盐化土和盐土为主。为对比耕地、盐荒地同一盐渍化等级下光谱特征的差异性，本文以轻度、中度、重度盐化土等级为例，对耕地、盐荒地同一盐渍化等级中盐分含量较为相近的光谱反射率计算平均值并对其进行对比分析。结果表明，不同盐渍化等级的土壤在各波长处的反射率值不同，但具有相似的特征，如随着土壤盐渍化等级的增加，耕地和盐荒地的光谱反射率均呈逐渐增加的趋势（图2），即盐分越大，光谱反射率越高[36]，其中600～1 700 nm处（红波段、近红外和短波红外波段）较为显著。随着波长的增加，耕地和盐荒地土壤的反射率呈先增加后下降的趋势，下降点约在1 700 nm处。在各等级盐分区间内，盐荒地的反射率均大于耕地，轻度、中度和重度的反射率差值分别在0.014～0.075、0.001～0.049和0.002～0.068范围内，平均差值分别为0.040、0.020和0.034，可能是由于盐荒地中盐分多积聚于表层，盐分结皮现象明显，耕地则由于耕作、盐分离子类型和含量等因素影响，盐分结皮现象弱于盐荒地，所以使得光谱对盐荒地中盐分的响应更加敏感。

表1 土壤盐分描述性统计分析

图2 不同盐渍化等级的耕地和盐荒地光谱特征

2.2 基于高光谱波长反射率的盐分回归模型的构建

2.2.1 波长反射率与土壤盐分的相关性分析

分别对耕地、盐荒地和耕地+盐荒地的高光谱反射率进行上述12种变换（图3）。AL、SW和AL+SW中、1/、lg和0.5的基础变换中光谱反射率均未与土壤盐分达到0.01水平相关，相关系数绝对值的平均值分别为0.118、0.126和0.096。相比基础变换（倒数、对数、根式等），导数变换对于改善盐分与光谱的相关关系效果显著，其中经一阶导数变换后，光谱与盐分的相关性出现大幅度波动，一方面，增大了敏感波长的范围，AL、SW和AL+SW敏感波段数量相比基础变换分别平均增加了22个、40个和374个，显著波长的位置多集中于短波红外区域，如AL盐分与光谱反射率显著相关的波长多集中于800～2 330 nm之间（图3a～图3d），分布较为分散。SW盐分与光谱反射率显著相关的波长集中区间为800～1 700 nm之间（图3e～图3h），分析原因可能为盐荒地的土壤盐分含量较高，导致光谱对盐分的响应更加集中且剧烈。与AL和SW不同的是，AL+SW中提高了400～800 、2 200～2 300 nm之间波长与盐分的相关性（图3i～图3l）。另一方面，特定波长处相关系数得到显著提升。二阶导数变换后相关系数曲线波动程度较一阶导数更为剧烈，敏感波长位置变的分散，且明显增加了AL和SW中400～900 nm范围内波长与盐分的相关系数。

注：虚线为显著性水平0.01。T为反射率。

2.2.2 基于特征波长的土壤盐分回归模型的构建

利用多元逐步回归的方法对上述敏感波长进行筛选，最终得到的特征波长如表2所示，盐荒地各变换下特征波长较少，分析原因为盐荒地中敏感波长少且位置较为集中，共线性较高所致。各模型中，特征波长多集中于400～800和1 400～2 200 nm之间。

利用特征波长构建耕地、盐荒地和耕地+盐荒地土壤盐分的反演模型，各模型的训练集和验证集2分别在0.25～0.64和0.26～0.64之间（表3），平均2为0.49，RMSE分别在1.10～15.86和1.15～15.79 g/kg之间，平均RMSE为9.60 g/kg。基于一阶导数构建的模型中，AL、SW模型精度均较低，平均2和平均RMSE分别为0.38和8.29 g/kg，基于二阶导数构建的模型中，AL、SW模型精度有所提高，平均2相比一阶导数构建的模型提高了0.13，平均RMSE降低了0.86 g/kg。结果表明，虽然一阶导数变换明显增加了AL和SW中显著相关的波长范围，但对总体模型精度提高能力弱于二阶导数变换。AL+SW中经一阶导数变换后，敏感波长与盐分的相关系数提高幅度较大，从而使得AL+SW的模型精度较高。基于特征波长的盐分反演模型中，AL、SW、AL+SW的最优变换分别为(0.5)″、″和(1/)′，精度相差不大，其中训练集和验证集的平均2分别为0.59、0.64和0.64，平均RMSE分别为1.24、11.95和11.75 g/kg。

综合考虑训练集和验证集精度最终选定(0.5)″、″和(1/)′分别作为AL、SW、AL+SW的最优变换形式，对其拟合状态进行分析（图4）。耕地盐分样点主要集中在3～8 g/kg之间，分布集中，盐荒地盐分主要集中在15～40 g/kg之间，数值较大且分布较为分散。AL+SW模型实测值与反演值拟合曲线趋势主要受盐荒地的盐分影响，导致模型的RMSE与SW模型总体一致。从实测点和反演点的分布来看，AL+SW模型的耕地样点区域内，拟合曲线位于1:1线上方，表明盐分反演值大于实测值，而在盐荒地样点范围内，拟合曲线在1:1线下方，即盐分反演值小于实测值。因此，整体模型的反演结果在反映耕地和盐荒地土壤盐分的真实情况均存在明显的不足。

表2 不同变换下的特征波长

注：2是决定系数；RMSE是均方根误差。下同。

Note:2is coefficient of determination; RMSE is Root-Mean-Square Error. Same as below.

图4 最优变换下基于特征波长模型的构建与验证

2.3 基于光谱指数的盐分回归模型的构建

2.3.1 光谱指数与土壤盐分的相关性分析

分析不同光谱变换下的DSI、NDSI和RSI与AL、SW和AL+SW土壤盐分的相关关系。光谱指数与盐分显著相关的数量和相关系数有了明显的提高，不同变换下敏感光谱指数组合方式在3～375个之间，平均值为97个，敏感光谱指数与盐分相关系数绝对值的平均值在0.40～0.51之间，平均值为0.45。特别是基础变换中出现了敏感光谱指数，因此，光谱指数能够改善盐分与光谱反射率的关系。基础变换中，AL、SW、AL+SW敏感光谱指数数量平均分别为117、101和36个，相关系数绝对值的平均值分别为0.42、0.47和0.42（图5a和图5d）。经导数变换后，AL+SW敏感光谱指数的数量和相关系数均有所提高，一阶导数变换后，DSI、NDSI和RSI敏感光谱指数数量分别为基础变换的1.08、6.62和5.14倍，相关系数绝对值的平均值相比基础变换分别提高了0.015、0.012和0.011（图5b和图5e），二阶导数变换后，DSI、NDSI和RSI敏感光谱指数数量分别为基础变换的1.23、14.31和12.79倍，相关系数绝对值的平均值相比基础变换分别提高了1.024、1.038和1.048（图5c和图5f），其中NDSI在导数变换后敏感光谱指数数量增加幅度最大，而对于AL、SW，导数变换仅增加了敏感光谱指数与盐分的相关系数，但敏感光谱指数数量增减却无一致性变化。

注：RSI为简单比值土壤指数；NDSI为归一化土壤指数：DSI为差值土壤指数。下同。

2.3.2 基于特征光谱指数的土壤盐分回归模型的构建

利用多元逐步线性回归方法筛选特征光谱指数并构建回归模型（表4）。基于光谱指数构建的模型相比基于波长的模型来说，其精度得到了明显的提升，如基础变换中，AL、SW和AL+SW模型的2虽较低，训练集和验证集平均2为0.32，但一阶导数变化后，AL、SW和AL+SW回归模型的平均2相比波长的回归模型分别提高了0.30、0.38和0，二阶导数变化后，AL、SW和AL+SW回归模型的平均2相比波长的回归模型分别提高了0.28、0.28和0.02。AL、SW中基于光谱指数的最优变换形式均为二阶导数，综合回归方程的2以及参与模型构建的因子数量，最终确定的最优模型分别为(0.5)″'-NDSI和(lg)″-NDSI，平均2分别为0.92和0.93，而AL+SW则为一阶导数，为()′-NDSI，2为0.74。与基于波长的回归模型不同的是，基于光谱指数的单一土地类型盐分反演模型（AL、SW模型）精度明显高于整体模型（AL+SW模型）精度，单一土地类型盐分反演模型中各变换下的模型平均2相比整体模型由0.50提高到了0.61，提高了0.11，基础变换、一阶导数和二阶导数的平均2相比整体模型分别提高了0.06、0.11和0.17，其中单一土地类型盐分反演模型中AL的基础变换、一阶导数和二阶导数的平均2相比整体模型分别提高了0.08、0.13和0.16，SW的基础变换、一阶导数和二阶导数的平均2相比整体模型分别提高了0.03、0.09和0.13。

AL、SW和AL+SW最优变换下的最佳光谱指数如表5所示。对AL、SW和AL+SW的最优光谱指数模型的实测值与反演值的拟合效果进行分析（图6）。基于最优光谱指数的单一土地类型盐分反演模型的平均2相比整体模型由0.74提高到了0.92。基于最优光谱指数的模型对比波长模型可以发现，RMSE差值减小，其中SW和AL+SW模型RMSE相比基于波长的回归模型分别减小了6.85和4.29 g/kg。从实测点和反演点的分布来看，基于光谱指数的整体模型实测值与反演值的拟合效果与基于波长的模型结果一致，即整体模型对盐荒地的反演结果小于实际值，对于耕地的反演结果大于实际值，结果表明，在光谱指数的构建过程中，虽然能进一步提高整体模型的精度，但整体模型相比单一土地类型盐分反演模型仍存在不足。

表4 不同变换下的光谱指数与盐分回归方程的决定系数

表5 最优变换下的最佳光谱指数模型

注：NDSI1为波长700 nm (T)和1 550 nm (T) 所构建的NDSI值。其他类同。为含盐量，g·kg-1。

Note: NDSI1is the NDSI value constructed at 700 nm (T) and 1 550 nm (T). The others are expressed in the same way.is salinity, g·kg-1.

图6 最优变换下基于特征光谱指数模型的构建与验证

3 讨 论

当研究区中存在盐荒地这种特殊的土地类型时，考虑了盐荒地差异性的单一土地类型盐分反演模型精度高于整体盐分反演模型，分析可能与盐分的含量及表层盐分结皮状态有关[37]。有研究表明土壤表层盐分水平以及结皮的程度不同，会产生不同的光谱特征，高程度盐分结皮相比低程度来说，会产生更高的反射率和光谱特征[20]，本研究时段为春灌前，盐荒地表层土壤盐分结皮严重，耕地表层盐分结皮现象较轻，在对二者的光谱特征的对比特征中发现，盐荒地的反射率均大于耕地，轻度、中度和重度的反射率差值分别在0.014～0.075、0.001～0.049和0.002～0.068范围内，平均差值分别为0.040、0.020和0.034。另外，在光谱特征方面，盐荒地对光谱响应的波长范围较为集中，如一阶导数变换下，耕地盐分与光谱反射率显著相关的波长多集中于800～2 330 nm之间，盐荒地盐分与光谱反射率显著相关的波长集中区间为800～1 700 nm之间。由于耕地和盐荒地土壤盐分的光谱差异性，使得单一土地类型的盐分反演模型相比整体建模来说优势更为显著，本研究中，基于光谱指数的单一土地类型的盐分反演模型的平均2相比整体模型提高了0.11，其中基础变换、一阶导数和二阶导数的平均2相比整体模型分别提高了0.06、0.11和0.17，同时基于最优光谱指数的单一土地类型的土壤盐分反演模型平均2相比整体模型由0.74提高到了0.92。

对原始光谱反射率进行多种数学变换或构建光谱指数，是提高目标含量反演精度的有效方法，经数学变换或指数的构建过程中，能够使部分与盐分相关性较好的光谱信息显露出来，从而提高了模型整体精度[38-40]。Bannari等[20]研究发现，一阶导数变换能够增强950～2 500 nm的光谱特征。本研究发现一阶导数变换不仅增加了特定波长处的相关系数，还增加了敏感波长范围，如耕地、盐荒地盐分与光谱显著相关波长大多分别集中于800～2 330、800～1 700 nm之间。相比基础变换（倒数、根式等），导数变换对于改善盐分与光谱的相关性效果显著，主要是由于导数变换能产生比基础变换更大的振幅摆动，过滤了光谱特征的噪声，能够产生或增强与特定目标的关键吸收特征，如原始特征中最大、最小值和拐点[20]。在以后的研究中，会尝试针对技术层面进行创新，如考虑对变换形式和光谱指数进行改进，或发展更为精细的学习模型等来提高区域盐分的反演精度。

地理异质性是影响区域盐渍化模型精度的重要因素之一，本研究中考虑了盐荒地的特殊性，分别构建了单一土地类型的盐分反演模型和整体模型，旨在探索地理异质性对模型精度的影响。另外本文研究时段为春灌前（4月中旬前），土壤尚未进行灌水且无植被覆盖，地下水水位较低，此时全域土壤含水率较小且较为接近，最大程度减小了土壤水分[8]、植被覆盖度[41]等差异对光谱反射率及整体数据的影响。而对于生育期土壤盐分的反演研究中，许多学者通过作物的长势来反映土壤的盐渍化问题，研究的尺度大多均为大田尺度或典型小区域[42]，然而大区域中，不同小区域作物的长势不仅受到盐分的胁迫，同时也会受到地形、地下水埋深、作物的品种、施肥、灌水量及灌水次数等多重因素的影响[43]，因此如何降低地理异质性对生育期土壤盐分反演模型的影响是研究的重点也是难点。在今后的研究中可以考虑以小区域为示范点，通过对区域施肥、含水率等情况进行充分的调研，建立包含多种要素在内的生育期土壤盐分反演模型，同时构建不同尺度的转换关系，从而发展更为可靠的多时段区域土壤盐分反演模型。

4 结 论

本文在野外原位高光谱测定的基础上，对光谱数据进行多种变换，分别构建了单一土地类型的盐分反演模型（耕地（Agricultural Land，AL）、盐荒地（Salinized Wasteland，SW））和整体盐分反演模型（耕地+盐荒地（Agricultural Land + Salinized Wasteland，AL+SW）），针对有盐荒地存在的区域，提出了土壤盐渍化最佳建模方式。具体结果如下：

1）耕地、盐荒地和耕地+盐荒地土壤样本数据平均盐分含量分别为5.09、13.42和7.09 g/kg，在各等级盐分区间内，盐荒地光谱反射率均大于耕地，其中轻度盐化土、中度盐化土和重度盐化土的光谱反射率平均差值分别为0.040、0.020和0.034。

2）光谱变换和光谱指数均能有效改善不同土地类型中土壤盐分与光谱的相关性。相比基础变换（倒数、对数、根式等），导数变换不仅增大了敏感波长的范围，还使得特定波长处相关系数得到显著提升。不同土地类型中基于特征光谱指数的模型精度均高于基于特征波长的模型。

3）单一土地类型盐分反演模型明显提高了区域土壤盐分的反演精度，单一土地类型盐分反演模型中（AL、SW模型）各变换下光谱指数模型平均2相比整体模型（AL+SW模型）由0.50提高到了0.61，其中基础变换、一阶导数和二阶导数模型平均2相比整体模型分别提高了0.06、0.11和0.17，同时，基于最优光谱指数的单一土地类型盐分反演模型平均2相比整体模型由0.74提高到了0.92。

[1] Ivushkin K, Bartholomeus H, Bregt A K, et al. Global mapping of soil salinity change[J]. Remote Sens Environ, 2019, 231: 111260.

[2] Moreira L C J, Teixeira A D S, Galvão L S. Potential of multispectral and hyperspectral data to detect saline-exposed soils in Brazil[J]. Gisci Remote Sens, 2015, 52 (4): 416-436.

[3] Wang D D, Zhao C Y, Zheng J Q, et al. Evolution of soil salinity and the critical ratio of drainage to irrigation (CRDI) in the Weigan Oasis in the Tarim Basin[J]. Catena, 2021, 201: 105210.

[4] 史海滨，杨树青，李瑞平，等. 内蒙古河套灌区水盐运动与盐渍化防治研究展望[J]. 灌溉排水学报，2020，39(8)：1-17.

Shi Haibin, Yang Shuqing, Li Ruiping, et al. Soil water and salt movement and soil salinization control in Hetao Irrigation District: Current state and future prospect[J]. Journal of Irrigation and Drainage, 2020, 39(8): 1-17. (in Chinese with English abstract)

[5] 王维刚，史海滨，李仙岳，等. SWAT 模拟耕作方式与盐分对区域土壤氮运移及作物产量影响[J]. 农业工程学报，2022，38(3)：55-65.

Wang Weigang, Shi Haibin, Li Xianyue, et al. Effects of tillage modes and soil salinity on regional nitrate nitrogen transport and crop yields using a SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(3): 55-65. (in Chinese with English abstract)

[6] 杨宁，崔文轩，张智韬，等. 无人机多光谱遥感反演不同深度土壤盐分[J]. 农业工程学报，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)

[7] Muller S J, Van N A. Identification of WorldView-2 spectral and spatial factors in detecting salt accumulation in cultivated fields[J]. Geoderma, 2016, 273: 1-11.

[8] 陈红艳，赵庚星，李玉环，等. 消除水分因素影响的野外原状土壤盐分高光谱建模估测[J]. 农业工程学报，2018，34(12)：119-125.

Chen Hongyan, Zhao Gengxing, Li Yuhuan, et al. Modeling and estimation of field undisturbed soil salt based on hyperspectra under removal of moisture factor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12): 119-125. (in Chinese with English abstract)

[9] 亚森江·喀哈尔. 基于优化光谱指数的土壤盐渍化水、盐含量高光谱估算研究[D]. 乌鲁木齐：新疆大学，2019.

Yasenjiang Kahaer. 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)

[10] 张俊华，马天成，贾科利. 典型龟裂碱土土壤光谱特征影响因素研究[J]. 农业工程学报，2014，30(23)：158-165.

Zhang Junhua, Ma Tiancheng, Jia Keli. Factors affecting the spectral characteristics of typical takyr solonetzs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 158-165. (in Chinese with English abstract)

[11] 张俊华，贾萍萍，孙媛，等. 基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测[J]. 农业工程学报，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)

[12] 罗德芳，冯春晖，吴家林，等. 基于电磁感应协同野外原位光谱的土壤盐分反演研究[J]. 中国土壤与肥料，2020(6)：107-113.

Luo Defang, Feng Chunhui, Wu Jialin, et al. The study about soil salt inversion based on electromagnetic induction and situ spectra in field[J]. Soil and Fertilizer Sciences in China, 2020(6): 107-113. (in Chinese with English abstract)

[13] 徐存东，王荣荣，程慧，等. 基于遥感数据分析干旱区人工绿洲灌区的水盐时空分异特征[J]. 农业工程学报，2019，35(2)：80-89.

Xu Cundong, Wang Rongrong, Cheng Hui, et al. Spatial-temporal distribution of water and salt in artificial oasis irrigation area in arid area based on remote sensing analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 80-89. (in Chinese with English abstract)

[14] 张贤龙，张飞，张海威，等. 基于光谱变换的高光谱指数土壤盐分反演模型优选[J]. 农业工程学报，2018，34(1)：110-117.

Zhang Xianlong, Zhang Fei, Zhang Haiwei, et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 110-117. (in Chinese with English abstract)

[15] 苏阅文. 义长灌域耕荒地水盐动态分析及其数值模拟[D]. 扬州：扬州大学，2019.

Su Yuewen. Analysis and Numerical Simulation on the Salt-Water Dynamic in Farmland and Saline Wasteland of Yichang Irrigation Area[D]. Yangzhou : Yangzhou University, 2019. (in Chinese with English abstract)

[16] 窦旭，史海滨，李瑞平，等.盐渍化土壤剖面盐分与养分分布特征及盐分迁移估算[J]. 农业机械学报，2022，53(1)：279-290，330.

Dou Xu, Shi Haibin, Li Ruiping, et al. Distribution characteristics of salinity and nutrients in salinized soil profile and estimation of salt migration[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 279-290, 330. (in Chinese with English abstract)

[17] 常晓敏，王少丽，陈皓锐，等. 河套灌区土壤盐分时空变化特征及影响因素[J]. 排灌机械工程学报，2018，36(10)：1000-1005.

Chang Xiaomin, Wang Shaoli, Chen Haorui, et al. Spatiotemporal changes and influencing factors of soil salinity in Hetao Irrigation District[J]. Journal of Drainage And Irrigation Machinery Engineering, 2018, 36(10): 1000-1005. (in Chinese with English abstract)

[18] Lv Q F, Jiang L S, Ma B, et al. A study on the effect of the salt content on the solidification of sulfate saline soil solidified with an alkali-activated geopolymer[J]. Construction and Building Materials, 2018, 176: 68-74.

[19] 景宇鹏，连海飞，李跃进，等. 河套盐碱地不同利用方式土壤盐碱化特征差异分析[J]. 水土保持学报，2020，34(4)：354-363.

Jing Yupeng, Lian Haifei, Li Yuejin, et al. Analysis on the Difference of soil salinization characteristic in Hetao saline-alkali soil with different land use[J]. Journal of Soil and Water Conservation, 2020, 34(4):354-363. (in Chinese with English abstract)

[20] Bannari A, El-Battay A, Bannari R, et al. Sentinel-MSI VNIR and SWIR bands sensitivity analysis for soil salinity discrimination in an arid landscape[J]. Remote Sensing, 2018, 10(6): 1-20.

[21] 孙亚楠，李仙岳，史海滨，等. 基于多源数据融合的盐分遥感反演与季节差异性研究[J]. 农业机械学报，2020，51(6)：169-180.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Remote sensing inversion of soil salinity and seasonal difference analysis based on multi-source data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 169-180. (in Chinese with English abstract)

[22] 常晓敏. 河套灌区水盐动态模拟与可持续性策略研究[D]. 北京：中国水利水电科学研究院，2019.

Chang Xiaomin. Study on Dynamic Simulation of Water and Salt and Sustainablity Strategy in Hetao Irrigation District[D]. Beijing: China Institute of Water Resources and Hydropower Research，2019. (in Chinese with English abstract)

[23] Sun Y N, Li X Y, Shi H B, et al. Modeling salinized wasteland using remote sensing with the integration of decision tree and multiple validation approaches in Hetao irrigation district of China[J]. Catena, 2022, 209: 105854.

[24] 阿尔达克·克里木，塔西甫拉提·特依拜，张东，等. 基于高光谱的ASTER影像土壤盐分模型校正及验证[J]. 农业工程学报，2016，32(12)：144-150.

Ardak·Kelimu, Tashpolat·Tiyip, Zhang Dong, et al. Calibration and validation of soil salinity estimation model based on measured hyperspectral and Aster image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 144-150. (in Chinese with English abstract)

[25] 鲍士旦. 土壤农化分析[M]. 3版. 北京：中国农业出版社，2000.

[26] 孙亚楠，李仙岳，史海滨，等. 河套灌区土壤水溶性盐基离子高光谱综合反演模型[J]. 农业机械学报，2019，50(5)：344-355.

Sun Yanan, 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)

[27] 吴迪. 节水改造后河套灌区沈乌灌域土壤盐分时空变化规律研究[D]. 呼和浩特：内蒙古农业大学，2020.

Wu Di. Study on the Spatial and Temporal Changes of Soil Salt in Shenwu Irrigation District of Hetao Irrigation District after Water Saving Transformation[D]. Huhhot: Inner Mongolia Agricultural University, 2020. (in Chinese with English abstract)

[28] 陈婉婧，阎广建，吕琳，等. 大豆叶片水平叶绿素含量的高光谱反射率反演模型研究[J]. 北京师范大学学报（自然科学版），2012，48(1)：60-65.

Chen Wanjing, Yan Guangjian, Lv Lin, et al. Hyperspectral reflectance model to estimate chlorophyll content in soybean leaves[J]. Journal of Beijing Normal University (Natural Science), 2012, 48(1): 60-65. (in Chinese with English abstract)

[29] Said Nawar. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: A case study from Egypt[J]. Arabian Journal of Geosciences, 2015, 8(7): 5127-5140.

[30] 咸云浩，张恒德，谢永华，等. 多元逐步回归与卡尔曼滤波法在霾预报中应用[J]. 系统仿真学报，2018，30(4)：1482-1489.

Xian Yunhao, Zhang Hengde, Xie Yonghua, et al. Application of multiple-stepwise and kalman filtering in Haze forecast[J]. Journal of System Simulation, 2018, 30(4): 1482-1489. (in Chinese with English abstract)

[31] Silva A, Brito J D, Gaspar P L. Application of the factor method to maintenance decision support for stone cladding[J]. Automation in Construction, 2012, 22: 165-174.

[32] 张录，张芳，熊黑钢，等. 不同季节强碱土土壤呼吸影响因子分析与模型预测[J]. 干旱地区农业研究，2017，35(1)：71-78.

Zhang Lu, Zhang Fang, Xiong Heigang, et al. Impact factor analysis and model prediction of strong alkaline soil respiration in different seasons[J]. Agricultural Research in the Arid Areas, 2017, 35(1): 71-78. (in Chinese with English abstract)

[33] 王遵亲. 中国盐渍土[M]. 南京：中国科学院南京土壤研究所，2000.

[34] Wu J W, Vincent B, Yang J Z, et al. Remote sensing monitoring of changes in soil salinity: A case study in Inner Mongolia, China[J]. Sensors, 2008, 8(11): 7035-7049.

[35] Ren D Y, Wei B Y, Xu X, et al. Analyzing spatiotemporal characteristics of soil salinity in arid irrigated agro-ecosystems using integrated approaches[J]. Geoderma, 2019, 356: 113935.

[36] 高曦文. 基于支持向量机回归的土壤盐渍化遥感监测研究[D]. 银川：宁夏大学，2020.

Gao Xiwen. Remote Sensing Monitoring Research of Soil Salinization based on Support Vector Machine Regression[D]. Yinchuan: Ningxia University, 2020. (in Chinese with English abstract)

[37] Fan X, Liu Y, Tao J, et al. Soil salinity retrieval from advanced multi-spectral sensor with partial least square regression[J]. Remote Sensing, 2015, 7(1): 488-511.

[38] 勾宇轩，赵云泽，李勇，等. 基于CWT-sCARS的东北旱作农田土壤有机质高光谱反演[J]. 农业机械学报，2022，53(3)：331-337.

Gou Yuxuan, Zhao Yunze, Li Yong, et al. Soil organic matter content in dryland farmland in Northeast China with hyperspectral reflectance based on CWT-sCARS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(3): 331-337. (in Chinese with English abstract)

[39] 段丹丹，刘仲华，赵春江，等. 基于优化植被指数的多生育期茶叶游离氨基酸含量估算[J]. 农业机械学报，2022，53(2)：393-400.

Duan Dandan, Liu Zhonghua, Zhao Chunjiang, et al. Estimation of free amino acid content in fresh tea leaves at multiple growth periods based on optimized vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(2): 393-400. (in Chinese with English abstract)

[40] 姚远，丁建丽，张芳，等．基于高光谱指数和电磁感应技术的区域土壤盐渍化监测模型[J]. 光谱学与光谱分析，2013，33(6)：1658-1664．

Yao Yuan, Ding Jianli, Zhang Fang, et al. Research on model of soil salinization monitoring based on hyperspectral index and EM38[J]. Spectroscopy and Spectral Analysis, 2013, 33(6): 1658-1664. (in Chinese with English abstract)

[41] 帅爽，张志，吕新彪，等. 矿山恢复治理区植被物候与健康状况遥感监测[J]. 农业工程学报，2021，37(4)：224-234.

Shuai Shuang, Zhang Zhi, Lyu Xinbiao, et al. Remote sensing monitoring of vegetation phenological characteristics and vegetation health status in mine restoration areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 224-234. (in Chinese with English abstract)

[42] 陈俊英，姚志华，张智韬，等. 大田葵花土壤含盐量无人机遥感反演研究[J]. 农业机械学报，2020，51(7)：178-191.

Chen Junying, Yao Zhihua, Zhang Zhitao, et al. UAV remote sensing inversion of soil salinity in field of sunflower[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 178-191. (in Chinese with English abstract)

[43] 邹海洋，张富仓，吴立峰，等. 基于不同水肥组合的春玉米相对根长密度分布模型[J]. 农业工程学报，2018，34(4)：133-142.

Zou Haiyang, Zhang Fucang, Wu Lifeng, et al. Normalized root length density distribution model for spring maize under different water and fertilizer combination[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 133-142. (in Chinese with English abstract)

Optimizing the inversion of soil salt in salinized wasteland using hyperspectral data from remote sensing

Sun Yanan1, Li Xianyue1※, Shi Haibin1, Ma Hongyu1, Wang Weigang1, Cui Jiaqi2, Chen Chen3

(1.,,010018,;2.,025374,;3.,010010,)

Salinized wasteland can be served as the temporary salt reservoir with the much higher salt content beyond the average level. Therefore, the high-precision inversion of soil salinity can be realized to explore the difference in the spectral response of soil salinity in different land use types and its influence on the remote sensing model. In this study, a typical salinization region (Yongji of Hetao irrigation district in China) was chosen as the study region. The salinized wasteland was relatively scattered and mostly concentrated around the agricultural land. The salt content in the salinized wasteland was much higher than that in the agricultural land. Firstly, in-situ hyperspectral measurement (FieldSpec 4 Hi-Res, and ASD) was carried out for the agricultural land and salinized wasteland in April from 2018 to 2020. Secondly, the spectral data was subjected to the various spectral transformations, including the fundamental transformation (original, reciprocal, logarithm, and radical transformation), derivative transformation (the first and the second derivative), and spectral index (normalized differential soil index, difference soil index, and simple ratio soil indices), respectively. Thirdly, the multiple stepwise regressions were used to acquire the characteristic bands and spectral indices. Lastly, the single land type salt inversion model (Agricultural Land (AL), Salinized Wasteland (SW)), and the overall salt inversion model (Agricultural Land + Salinized Wasteland (AL+SW)) were constructed using the characteristic wavelength and characteristic spectral index, respectively. The model accuracy under different modeling was evaluated using the coefficient of determination (2), and Root Mean Square Error (RMSE). As such, the best modeling was proposed for the regional soil salinization. The results showed that the average content of soil salinity in the samples of AL, SW, and AL+SW model was 5.09, 13.42, and 7.09 g/kg, respectively. Specifically, the SW spectral reflectance was greater than that of the AL in each wavelength range of different grades of salt zone. Among them, the average differences were 0.040, 0.020, and 0.034 in the slightly, moderately, and strongly saline soil, respectively. Spectral transformation and spectral index were effectively improved the correlation between the soil salt and spectrum in the different land types. Compared with the fundamental transformations (reciprocal, logarithm, and root), the derivative transformations significantly increased the range of sensitive wavelengths for the high correlation coefficient at specific wavelengths. The accuracy of models with the characteristic spectral index was much higher than that with the characteristic wavelength in different land types. After the first derivative transformation, the average2of AL, SW, and AL+SW regression models increased compared with the wavelength regression model. The average2of AL, SW, and AL+SW regression models also increased after the second derivative transformation. The salinization inversion model of single land type significantly improved the inversion accuracy of regional soil salt. A significant increase from 0.50 to 0.61 was found in the average2of the spectral index model under each transformation in the single-land type salinization inversion model (AL, and SW), compared with the overall model (AL+SW model ). The average2values of the fundamental transformation, the first, and the second derivative models were 0.06, 0.11, and 0.17 higher than that of the overall model, respectively. At the same time, there was the increase from 0.74 to 0.92 in the average2of the single land type salinization inversion model using the optimal spectral index, compared with the overall model. Therefore, the inversion models of soil salt for the different land use types can be expected to ensure the inversion closer to the actual situation, particularly for the various land use types with the large differences in salinity.

salts; remote sensing; soils; Hetao Irrigetion District; inversion; spectral transformation; salinized wasteland

10.11975/j.issn.1002-6819.2022.23.011

S127

A

1002-6819(2022)-23-0101-11

孙亚楠，李仙岳，史海滨，等. 基于高光谱数据的盐荒地和耕地土壤盐分遥感反演优化[J]. 农业工程学报，2022，38(23)：101-111.doi：10.11975/j.issn.1002-6819.2022.23.011 http://www.tcsae.org

Sun Yanan, Li Xianyue, Shi Haibin, et al. Optimizing the inversion of soil salt in salinized wasteland using hyperspectral data from remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 101-111. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.23.011 http://www.tcsae.org

2022-08-16

2022-10-01

十四五重点研发计划项目（2021YFC3201202）；内蒙古科技计划项目（2022YFHH0039、2021CG0022）

孙亚楠，博士，研究方向为干旱区农业遥感与应用。Email：995021096@qq.com

李仙岳，教授，博士生导师，研究方向为干旱节水灌溉及盐碱地改良。Email：lixianyue80@126.com