基于WorldView-2影像的土壤含盐量反演模型

吾木提·艾山江，买买提·沙吾提,3，依力亚斯江·努尔麦麦提，茹克亚·萨吾提，王敬哲



基于WorldView-2影像的土壤含盐量反演模型

吾木提·艾山江1,2，买买提·沙吾提1,2,3※，依力亚斯江·努尔麦麦提1,2，茹克亚·萨吾提1,2，王敬哲1,2

（1. 新疆大学资源与环境科学学院，乌鲁木齐 830046； 2. 新疆绿洲生态教育部重点实验室，乌鲁木齐 830046； 3.新疆智慧城市与环境建模普通高校重点实验室，乌鲁木齐 830046）

针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力，以盐渍化现象较为明显的新疆克里雅河流域为研究对象，基于WorldView-2影像和实测高光谱数据，利用偏最小二乘回归（partial least squares regression, PLSR）和BP人工神经网络（back propagation artificial neural networks, BP ANN）方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明：1）利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型，其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337，模型的稳定性和预测能力都优于PLSR模型（2、RMSE、RPD分别为0.814、1.139、2.007）。2）利用WorldView-2影像提高了土壤含盐量制图的空间分辨率，归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数，一定程度上满足了干旱、半干旱地区的盐渍化监测需求，可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。

遥感；土壤；盐分测量；WorldView-2影像；克里雅河流域；实测高光谱；神经网络；反演模型

0 引 言

土壤盐渍化是导致土地退化和土壤生产力下降的主要原因之一，一般出现在地下水位高且可溶性盐分含量相对较高的干旱、半干旱地区[1]。对土壤盐渍化过程的早期认识和盐渍化程度的评估对土地的可持续利用和管理至关重要，特别是在干旱、半干旱地区。中国盐渍化土壤分布广泛，带来了十分严重的生态、环境、社会和经济问题。尤其是在西北绿洲农业区，由于地理条件的特殊性和水土资源利用的不合理性，使得土壤盐渍化加剧、农作物产量下降，不仅影响了当地农业可持续发展，还对国家粮食和生态安全构成了威胁[2-4]。与此同时，恶劣的气候条件和人口密度的增加导致了土地利用强度的变化[5]。遥感技术为确定盐渍土特征、多尺度制图和土壤盐渍化程度的监测提供一个重要的方法。

国内外不少研究人员利用不同空间和时间分辨率的多光谱数据（Landsat TM, Landsat ETM+, SPOT XS, IKONOS and IRS）对盐渍化土壤进行监测与制图。近年来，高光谱数据在土壤盐渍化信息提取及制图方面得到了广泛的应用。丁建丽等[6]利用实测高光谱数据建立了提取盐渍化土壤信息的监测模型；赵振亮等[7]利用ASD高光谱数据对渭干河－库车河绿洲土壤含盐量进行了估算；Weng等[8]基于EO-1 Hyperion数据利用多元校正PLSR（partial least squares regression）和逐步多元回归（stepwise multiple regression, SMR）方法对黄河流域土壤含盐量进行了估算，结果发现PLSR方法比SMR方法更适合于土壤含盐量的估算；雷磊等[9]把实测高光谱数据和HIS影像数据相结合对新疆库车县土壤盐渍化进行监测，提高了区域尺度上土壤盐渍化监测精度。与多光谱影像相比，高光谱影像虽然能够提供高光谱分辨率，但由于数据冗余、空间分辨率相对较低，不能满足土壤盐分高空间分辨率定量分析与制图的需要[10-14]。虽然有一些研究利用多光谱遥感数据和实测光谱反射率数据进行盐渍化监测，但是利用实测盐渍土敏感波段与常用光学传感器覆盖光谱之间的关系、高空间分辨率的遥感数据和不同光谱指数对盐渍土进行监测的研究略有欠缺。本文利用室内实测高光谱数据、高空间分辨率的WorldView-2数据、WorldView-2影像中获取的归一化植被指数（normalized difference vegetation index, NDVI）、比值植被指数（ratio vegetation index, RVI）等指数构建基于偏最小二乘回归（PLSR）和BP神经网络的盐渍土盐分预测模型，并选出定量反演土壤含盐量的最佳模型，进一步做出该研究区高空间分辨率的土壤含盐量分布图。

1 材料与方法

1.1 研究区概况

克里雅河流域位居塔克拉玛干沙漠南缘，昆仑山中段北麓，受大陆性干旱气候和山盆相间的地貌格局影响，流域中部发育了典型的绿洲—荒漠生态系统[15]。流域内海拔最高点6 962 m，海拔5 000 m以上的山峰终年冰雪覆盖，北部沙漠海拔在1 000 m以上[16]。克里雅河流域自南向北可分为5个自然景观带，即山带、低山丘陵带、山前戈壁平原带、洪积扇平原带和沙漠带。四季分明、昼夜温差大、降水稀少、蒸发量大、春夏多风沙和浮尘是该流域的气候特点，属典型的极端干旱区[17-18]。平原绿洲区年均降水仅有14 mm左右，蒸发量则高达2 500 mm左右，绿洲主要依靠山区冰雪融水和部分地下水灌溉[18]。流域范围内土壤盐渍化和沙漠化现象共存，严重制约着植被生长分布和绿洲农业的发展，生态环境十分脆弱[18]。根据该流域以上特征，研究区选在盐渍化现象较均匀的天然绿洲和绿洲—荒漠交错带，东西方向长度约为1 km，各个采样点之间的距离为100 m；南北方向跨度近1.2 km，各个采样点之间的距离为200 m。研究区位置与采样点分布如图1所示。

图1 研究区位置和采样点分布

1.2 盐渍化程度的划分

根据多年来实测数据资料，结合新疆水利厅发布的《新疆县级盐碱地改良利用规划工作大纲》[7]，加上野外采样点的分布情况，做出土壤盐渍化程度分级标准（表1）。

表1 土壤盐渍化程度分级

1.3 土壤样本的采集与盐分测定

2016年9月24日在研究区的东南部用五点梅花状方法采集土壤表层（0～20 cm）样本共66个,样品风干后适当磨碎、过3.5 mm孔筛，量取20 g土样加100 mL蒸馏水准备溶液，过滤后实验室用Multi3420 SET B便携式多参数分析仪测定盐分。所采集的样品中(均值3.80 g/kg,最小值0.20 g/kg，最大值9.10 g/kg，标准差2.25 g/kg，变异系数59%)，总样本的2/3用于建模(均值4.20 g/kg,最小值0.20 g/kg，最大值9.10 g/kg，标准差2.24 g/kg，变异系数53%)，1/3用于验证(均值3.10 g/kg,最小值0.60 g/kg，最大值7.50 g/kg，标准差2.14 g/kg，变异系数69%)。根据统计数据，总体样本的均值和变异系数介于建模组与验证组之间，说明建模与验证组的范围相对一致[16]。

1.4 World View-2数据的获取与预处理

购买2016年9月26日与实地采样时间较同步的WorldView-2数据，WorldView-2有一个全色波段（450～800 nm）和可见光-近红外范围内的8个多光谱波段。全色波段的空间分辨率最高可达到0.46 m，多光谱波段的空间分辨率最高可到1.85 m。为了匹配实测光谱反射率数据与WorldView-2数据，对影像数据进行辐射定标和Flaash大气校正[19-21]。

1.5 地面盐渍土光谱数据的采集与处理

利用美国ASD FieldSpec3光谱仪对采集回来的土壤样本进行光谱反射率的测定。光谱仪波谱范围为（350～2 500 nm），在（350～1 000 nm）范围内采样间隔为1.4 nm，在（1 000～2 500 nm）范围内采样间隔为2 nm。把准备好的土样放在直径为10 cm深度2 cm的容器里，装满后刮平土壤表面，在室内进行光谱测量。将容器按90°转动3次测4个方向的光谱反射率，每个方向保存5条光谱曲线，取平均得到该样本最终的光谱反射率数据[22]。

在测得的光谱数据中，为了降低噪声的影响，将信噪比较低的边缘波段（350～399、2 401～2 500 nm）去除[23]，对剩下的（400～2 400 nm）的光谱曲线用OriginPro软件中的Savitzky-Golsy平滑方法进行平滑处理。对平滑后的光谱反射率数据求二阶导数，在原始土壤光谱数据的基础上，在ENVI5.1中进行包络线去除，处理后的光谱反射率数据作为下一步选择敏感波段的依据。

1.6 敏感波段的选择及指数计算

土壤盐分敏感波段的选择可为传感器光谱覆盖范围的确定提供有用的信息。敏感波段通过土壤盐分与不同变换形式的光谱反射率的相关分析来确定，相关性越强，表明该波段对盐分越敏感。本文利用Pearson相关分析方法，选取原始光谱数据和二阶导数与土壤盐分进行相关性分析，通过显著性检验的波段作为敏感波段用于建立反演模型。

在处理好的遥感影像上根据NDVI、RVI的计算公式（1）、（2），利用ENVI软件BandMath模块计算2种植被指数。健康植被的RVI一般大于1，受大气影响；NDVI值取值范围为[-1,1]，负值表示水、云等，正值表示植被，可以消除土壤水分和植被等影响[1]。

NDVI=(NIR-)/(NIR+) （1）

RVI= NIR/（2）

式中NIR为近红外波段反射率，为红光波段反射率。本文中，NIR取WorldView-2影像的第4波段，取第3波段进行计算。

1.7 实测光谱拟合为WorldView-2光谱及其相关性分析

地面实测光谱分辨率一般高于图像光谱分辨率，本文将实测光谱转换到图像光谱尺度并两者之间做相关性分析，实现从地面光谱到影像光谱较好的模拟。从能量的角度来看，光谱拟合是一个根据已知的光谱响应函数进行能量的重新分配的过程，相当于对实测光谱按照波长做加权平均。本文从WorldView-2多光谱数据中获取66个采样点的地理位置和表面反射率，利用式（3）实现从实测光谱到WorldView-2影像每个波段光谱的拟合，并在4种不同盐分条件下对World View-2影像8个波段与被拟合的实测光谱反射率数据间进行Pearson相关分析。

式中ρ为待拟合的WorldView-2第个波段；f()为待拟合波段的光谱响应函数；()为波段处的实测反射光谱；max和min分别是实测反射光谱的上下限[1]。

1.8 建立模型与验证

本文采用常用的偏最小二乘回归（PLSR）方法和BP神经网络方法分别建立定量反演土壤含盐量模型。PLSR方法是一种多变量回归分析方法，与普通最小二乘回归方法相比，其优势在于采用数据降维、信息综合与筛选，提取对系统最佳解释能力的新综合成分[22]。常用的BP神经网络模型是由输入层、隐含层和输出层组成[18,24]。其中心思想是调整权值使网络总误差最小，通过把学习的结果反馈到中间的隐含层，改变其权系数矩阵，从而达到预期的学习目的[3]。本研究以土壤含盐量为因变量，根据二阶导数选出的敏感波段与WorldView-2影像反射率、NDVI、RVI指数作为自变量分别建立基于实测光谱和WorldView-2影像光谱的PLSR模型和BP神经网络模型。

模型预测精度选取决定系数（2）、均方根误差（RMSE, root mean square error）、相对分析误差（RPD, residual prediction deviation）来衡量模型的预测精度。2越接近1，表明该模型的拟合效果越高，并且越稳定。RMSE越小，模型的估算效果越好。RPD用来判定模型的预测能力，一般RPD<1.4，说明模型不能对样本进行预测；1.4≤RPD<2,说明该模型的预测能力一般，可以粗略地对样本进行预测；RPD≥2，说明模型具有极好的预测能力[25]。

2 结果与分析

2.1 盐渍化土壤光谱特征分析

图2为不同含盐量土壤光谱曲线图。由图2a可知，土壤含盐量的差异导致反射率的变化，随着土壤含盐量的增加，光谱反射率也呈现提高的趋势，光谱曲线变化趋势基本一致。图2b显示光谱吸收带和4种不同盐渍化程度土壤包络线去除后的光谱曲线，在478、1 413、1 915和2 204 nm处有较深的吸收谷，在418、692、876、1 143和2 376 nm处有较浅的吸收谷。从483到810 nm不同含盐量的样品光谱反射率区别不太明显。从810到876 nm光谱反射率随着含盐量的增加而减小。随着波长的增加，不同含盐量的样品光谱反射率区别越来越明显。可见光波段的420、478 nm处有较深的吸收谷，近红外波段900 nm附近有较弱的吸收谷。这说明可以利用可见光-近红外波段土壤反射光谱来区分不同含盐量的土壤。

图2 不同含盐量土壤光谱曲线

2.2 敏感波段的选择及指数计算

在以上分析的基础上，将土壤含盐量和反射率逐波段做Pearson相关分析，得出相关系数在各波长上的分布图（图3）。图3a、3b分别为原始光谱和光谱二阶导数与土壤含盐量间的相关系数图。由图可知，原始光谱与土壤含盐量间的相关性较低，没有通过0.01显著性检验的波段；对二阶导数光谱来说，土壤含盐量与各波段呈正负相关，呈负相关的波段个数与呈正相关波段数相当，通过0.01显著性检验（临界值0.312）的波段分布在（530～825、1 255～2 300 nm）区间内，最高值出现在539 nm处。与原始光谱相比，在（400～2 400 nm）整个区间各波段与土壤含盐量相关性有明显的提高，说明二阶导光谱反射率与土壤含盐量相关性较好，适合用于土壤含盐量的定量反演。以上结果说明，相对于原始光谱来说，采用光谱二阶导数建立模型可能提高定量反演土壤盐分的精度。因此，结合可见光、近红外、短波红外波段分布范围与二阶导数光谱中通过0.01显著性检验的波段539、624、688、808、1 280、1 757和2 271 nm作为敏感波段用于实测数据建模。以上这些波段被WorldView-2的3个可见光波段（510～580、630～690、585～625 nm）和近红外波段（770～895 nm）所覆盖。因此，将WorldView-2影像的3、4、5、7波段作为敏感波段用于影像数据建模。不同传感器在土壤盐渍化监测方面的适用性可以通过光谱分辨率或空间分辨率来判断。本文中，由于空间分辨率优于光谱分辨率，没有考虑高光谱传感器和中低空间分辨率的多光谱传感器，选用高空间分辨率WorldView-2数据对其土壤盐渍化监测能力进行评价。

图3 土壤含盐量与光谱反射率间的相关性分析

由于室内测光谱的土壤样本不含水分和植被信息，不受土壤水分和植被覆盖等影响。为了减小研究区受土壤水分和植被覆盖的影响，根据式（1），（2）在WorldView-2影像中计算NDVI，RVI，作为模型参数，用来降低土壤水分和植被覆盖的影响。

2.3 实测光谱拟合数据与WorldView-2光谱及其相关性分析

实测光谱拟合得到的反射率与WorldView-2影像反射率的相关性分析结果及光谱曲线对比如图4所示，图4中拟合光谱与影像光谱的8个波段对应的反射率分别是66个采样点中含盐量不同的4个样点的值。图中可知，含盐量1.3 g/kg（轻度盐渍化土壤）的土壤拟合光谱与WorldView-2影像光谱相关性最好，2达到了0.967，其他3种盐渍土的土壤拟合光谱与WorldView-2影像光谱相关性相差不大，2都在0.8以上，说明可以用WorldView-2影像进行定量反演土壤含盐量能得到较好的效果。此外，通过实测数据拟合的光谱与WorldView-2影像8波段光谱曲线变化趋势相对一致，说明拟合光谱与WorldView-2影像光谱具有类似的特征信息。由于受到土壤水分、植被覆盖以及大气校正精度的影响，WorldView-2影像反射率值都比室内实测光谱反射率值低。根据以上分析可知，由实测窄波段拟合得到的宽波段光谱反射率与WorldView-2影像反射率具有较高的相关性，可为WorldView-2影像上定量反演盐分提供较可靠的依据。

图4 拟合实测光谱与WorldView-2影像光谱反射率相关性

2.4 建立模型与验证

基于实测高光谱二阶导数选取的敏感波段539、624、688、808、1 280、1 757和2 271 nm作为自变量，含盐量作为因变量建立PLSR模型；以上7个波段作为输入层，含盐量作为输出层，隐含层取为8，建立7:8:1结构的BP神经网络模型。RLSR、BP神经网络模型预测模型精度都达到了较高水平，2RMSERPD分别为0.767、1.129、2.243和0.802、0.995、2.546。以上结果表明可见光-近红外波段的实测光谱二阶导数据在监测土壤盐渍化方面具有较好的反演能力，BP神经网络模型的预测能力优于PLSR模型。

以WorldView-2影像4个波段（B3、B4、B5、B7）反射率和NDVI、RVI作为自变量，含盐量作为因变量建立基于WorldView-2影像的PLSR模型； BP神经网络模型选取6:8:1的3层结构，输入层包括WorldView-2影像4个波段（B3、B4、B5、B7）反射率、NDVI、RVI，隐含层确定为8，输出层为土壤含盐量。2种模型的建模及验证结果如表3所示。从建模效果看，2种模型的2都高于0.8，RMSE较接近，说明2种模型的预测能力接近。其中BP神经网络模型的R达到了0.894，明显高于PLSR模型，BP神经网络模型稳定性较好，与用实测数据建立的模型验证结果一致。从预测值与实测值之间的拟合分析（图5）可以看出，基于WorldView-2影像数据建立的BP神经网络模型中，验证样本点较为均匀地分布在1:1直线的两侧，表明BP神经网络模型拟合效果较好；PLSR模型中，验证样本点大部分较为离散的分布在1:1线之上，说明预测值大于实测值。以上结果表明，在盐渍化监测方面，单独使用WorldView-2数据估算土壤含盐量的精度可达到较高水平，BP神经网络模型定量反演含盐量的能力优于PLSR模型。图6为研究区基于2种模型的土壤含盐量分布图，图中可发现，整体上研究区盐渍化程度较重，重度盐渍化区域主要分布在研究区西南部和东北部，东部区域盐渍化程度相对较低，非盐渍地和轻度盐渍地所占比重很少，这可以为本区域治理盐渍化和土地利用规划提供一定的根据。

表3 基于WorldView-2影像的PLSR模型与BP神经网络模型土壤含盐量精度比较

图5 基于WorldView-2影像土壤含盐量预测值与实测值散点图

图6 土壤含盐量分布图

3 结 论

本文以新疆克里雅河流域为研究对象，利用WorldView-2影像数据，实测室内光谱数据以及66个样本含盐量数据，建立定量反演土壤含盐量的PLSR和BP神经网络模型，得出以下结论：

1）土壤光谱反射率随着含盐量的增加呈上升趋势，光谱曲线变化趋势基本一致。光谱二阶导数可在定量反演土壤含盐量过程中，起到去噪并突出光谱特征信息的作用，尤其是在（530～825、1 255～2 300 nm）区间内明显提高了与土壤含盐量的相关性。

2）根据实测光谱二阶导数与土壤含盐量的相关性分析，得出敏感波段539、624、688、808、1 280、1 757和2 271 nm，并建立PLSR和BP神经网络模型，发现BP神经网络模型预测精度高于PLSR模型，2RMSERPD分别达到了0.802、0.995、2.546。这些波段被WorldView-2的3个可见光波段（510～580、630～690、585～625 nm）和近红外波段（770～895 nm）所覆盖，因此WorldView-2影像的3、4、5、7波段确定为土壤含盐量的敏感波段，而且通过对拟合的实测光谱与WorldView-2光谱数据的相关性分析，发现用WorldView-2影像能达到较好反演土壤含盐量的目的。

3）基于WorldView-2影像数据建立的BP神经网络模型与PLSR模型相比，2从0.814提高到了0.851，说明模型稳定性得到了较好的提升；RMSE从1.139降低到了0.979，RPD从2.007提高到了2.337，说明模型的预测能了有了明显的提高，为今后定量反演干旱、半干旱地区土壤含盐量提供了一定的依据。

4）利用WorldView-2影像提高了盐分制图的空间分辨率，归一化植被指数NDVI和比例植被指数RVI较有效的降低了植被覆盖与土壤水分对预测精度的影响。本文中，由于野外工作的限制，利用室内实测高光谱数据，没有考虑土壤质地、有机质、土壤粒径、植被类型、植被生长情况、地下水位、土壤埋深等影响土壤特性的因素，今后有待进一步进行研究。

[1] Sidike A, Zhao S, Wen Y. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 26(2): 156－175.

[2] 海米提·依米提，潘晓玲，塔西甫拉提·特依拜，等. 塔里木盆地水土资源开发及其生态环境效应[J]. 资源科学，2004，24(6)：48－54.

Hamid Yimit, Pan Xiaoling, Tashpolat Teyip, et al. Water resource development in Tarim Basin and its eco-environmental effects[J]. Resources Science, 2004, 24(6): 48－54. (in Chinese with English abstract)

[3] 王静，刘湘南，黄方，等. 基于ANN技术和高光谱遥感的盐渍土盐分预测[J]. 农业工程学报，2009，25(12)：161－166.

Wang Jing, Liu Xiangnan, Huang Fang, et al. Salinity forecasting of saline soil based on ANN and hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(12): 161－166. (in Chinese with English abstract)

[4] Baumgardner M F, Silva L R F, Biehl L L, et al. Reflectance properties of soils[J]. Advances in Agronomy, 1986, 38: 1－44.

[5] 塔西甫拉提·特依拜，吐尔逊·艾山，海米提·司马义，等. 土壤盐渍化遥感监测研究进展综述[J]. 新疆大学学报：自然科学版，2008，25(1)：1－7.

Tashpolat Tiyip , Tursun Hasan, Hamid Ishmael, et al. Research progress and summary of remote sensing monitoring of soil salinization[J]. Journal of Xinjiang University: Natural Science Edition, 2008, 25(1): 1－7. (in Chinese with English abstract)

[6] 丁建丽，伍漫春，刘海霞，等. 基于综合高光谱指数的区域土壤盐渍化监测研究[J]. 光谱学与光谱分析，2012，32(7)：1918－1922.

Ding Jianli, Wu Manchun, Liu Haixia, et al. Study on the soil salinization monitoring based on synthetical hyperspectral index[J]. Spectroscopy and Spectral Analysis, 2012, 32(7): 1918－1922. (in Chinese with English abstract)

[7] 赵振亮，塔西甫拉提·特依拜，孙倩，等. 土壤光谱特征分析及盐渍化信息提取：以新疆渭干河/库车河绿洲为例[J]. 地理科学进展，2014，33(2)：280－288.

Zhao Zhenliang, Tashpolat Tiyip, Sun Qian, et al. Soil spectrum characteristics and information extraction of salinization: A case study in Weigan-Kuqa Oasis in Xinjiang[J]. Progress in Geography, 2014, 33(2): 280－288. (in Chinese with English abstract)

[8] Weng Y, Gong P, Zhu Z. Soil salt content estimation in the Yellow River delta with satellite hyperspectral data[J]. Canadian Journal of Remote Sensing, 2008, 34(3): 259－270.

[9] 雷磊，塔西甫拉提·特依拜，丁建丽，等. 实测高光谱和HIS影像的区域土壤盐渍化遥感监测研究[J]. 光谱学与光谱分析，2014，34(7)：1948－1953.

Lei Lei, Tashpolat Tiyip, Ding Jianli, et al. Study on the soil salinization monitoring based on measured hyperspectral and HIS data[J]. Spectroscopy and Spectral Analysis, 2014, 34(7): 1948－1953. (in Chinese with English abstract)

[10] Dehaan R, Taylor G R. Image-derived spectral endmembers as indicators of salinisation[J]. International Journal of Remote Sensing, 2003, 24(4): 775－794.

[11] Farifteh J, Vander Meer F, Atzberger C, et al. Quantitative analysis of salt-affected soil reflectance spectra:A comparison of two adaptive methods (PLSR and ANN)[J]. Remote Sensing of Environment, 2007, 110: 59－78.

[12] Janik L J, Forrester S T, Rawson A. The prediction of soil chemical and physical properties from mid-infrared spectroscopy and combined partial least-squares regression and neural networks (PLS-NN) analysis[J]. Chemometrics & Intelligent Laboratory Systems, 2009, 97(2): 179－188.

[13] Weng Yongling, Gong Peng, Zhu Zhiliang. A Spectral index for estimating soil salinity in the Yellow River Delta region of China using EO-1 hyperion data[J]. Pedosphere, 2010, 20(3): 378－388.

[14] Ghosh G, Kumar S, Saha S K. Hyperspectral satellite data in mapping salt-affected soils using linear spectral unmixing analysis[J]. Journal of the Indian Society of Remote Sensing, 2012, 40(1): 129－136.

[15] 姜红涛，塔西甫拉提·特依拜，买买提·沙吾提，等. 于田绿洲土壤盐渍化动态变化研究[J]. 土壤通报，2014，45(1)：123－129.

Jiang Hongtao, Tashpolat Tiyip, Mamat Sawut, et al. Study on spatial and temporal dynamics change of soil salinization in Keriya Oasis[J].Chinese Journal of Soil Science, 2014, 45(1): 123－129. (in Chinese with English abstract)

[16] 阿不都拉·阿不力孜. 于田绿洲土壤水盐分布特征及其生态效应[D]. 乌鲁木齐：新疆大学，2016.

Abdulla Abliz. Ecological Effects of Soil Water-salt Distribution in the Keriya Oasis[D]. Urumqi: Xinjiang University, 2016. (in Chinese with English abstract)

[17] 米合热古丽·塔什卜拉.基于多源光谱数据的干旱区土壤含盐量定量反演研究[D]. 乌鲁木齐：新疆大学，2017.

Mihrigul Tashpolat. Research on Quantitative Inversion of Soil Salinity with Multi-source Spectrum Data in Arid Area[D]. Urumqi: Xinjiang University, 2017. (in Chinese with English abstract)

[18] 刘全明. 含盐土壤盐渍化雷达反演模拟研究[J]. 测绘通报，2014(9)：43－46.

Liu Quanming. On radar inversion and simulation of salty soil salinization[J]. Bulletin of Surveying and Mapping, 2014(9): 43－46. (in Chinese with English abstract)

[19] Alexakis D D, Daliakopoulos I N, Panagea I S, et al. Assessing soil salinity using WorldView-2 multispectral images in Timpaki, Crete, Greece[J]. Geocarto International, 2016, 10: 1－38.

[20] Vermeulen D, Niekerk A V. Evaluation of a WorldView-2 image for soil salinity monitoring in a moderately affected irrigated area[J]. Journal of Applied Remote Sensing, 2016, 10(2): 1181－1205.

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

[22] Fard R S, Matinfar H R. Capability of vis-NIR spectroscopy and Landsat 8 spectral data to predict soil heavy metals in polluted agricultural land (Iran)[J]. Arabian Journal of Geosciences, 2016, 9(20): 745－759.

[23] 王敬哲，塔西甫拉提·特依拜，丁建丽，等. 基于分数阶微分预处理高光谱数据的荒漠土壤有机碳含量估算[J]. 农业工程学报，2016，32(21)：161－169.

Wang Jingzhe, Tashpolat Tiyip, Ding Jianli, et al. Estimation of desert soil organic carbon content based on hyperspectral data preprocessing with fractional differential[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 161－169. (in Chinese with English abstract)

[24] 刘全明，成秋明，王学，等. 河套灌区土壤盐渍化微波雷达反演[J]. 农业工程学报，2016，32(16)：109－114.

Liu Quanming, Cheng Qiuming, Wang Xue, et al. Soil salinity inversion in Hetao Irrigation district using microwave radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 109－114. (in Chinese with English abstract)

[25] 于雷，洪永胜，耿雷，等. 基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 农业工程学报，2015，31(14)：103－109.

Yu Lei, Hong Yongsheng, Geng Lei, et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 103－109. (in Chinese with English abstract)

Inversion model of soil salt content based on WorldView-2 image

Umut Hasan1,2, Mamat Sawut1,2,3※, Ilyas Nurmamat1,2, Rukiya Sawut1,2, Wang Jingzhe1,2

(1.,,830046; 2.,830046,; 3.,830046,)

Soil salinization has become one of the global environmental issues, especially in arid and semi-arid areas. In order to prevent its further deterioration, it is important to monitor soil salinity timely, quantitatively and dynamically. Remote sensing technique has become a promising method to detect and monitor the soil salinity due to its many advantages. The aim of this study was to evaluate the ability of quantitative inversion of soil salt content based on the WorldView-2 images with high spatial resolution. In this paper, Keriya River basin, Xinjiang, China was selected as the study area. Based on the WorldView-2 image data and soil salt content, this paper used 2 kinds of methods including the partial least squares regression (PLSR) and back propagation artificial neural network (BP ANN) to establish the quantitative inversion models of soil salt content. Soil salinity information was extracted from the WorldView-2 data, which was synchronized with field sampling time, and covered an area of 1.2 km × 1 km. The distance between adjacent sampling points was 100 m in east-west direction, and 200 m in north-south direction. Sixty-six sampling points were designed in the study area, and digging depth in soil was 20 cm. Hand-held GPS (global position system) receiver was used to record the coordinates of sampling points, and the soil salt content and soil spectra were measured in the indoor. Spectral radiometric calibration and atmospheric correction were performed on the WorldView-2 data to match the image data with the measured reflectance spectra. The measurement of soil spectra was conducted using an ASD (analytical spectral devices) FieldSpec3 portable spectro radiometer (American Analytical Spectral Devices, Inc.) at wavelengths from 350 to 2500 nm with a sampling interval of 1.4 nm from 350 to 1000 nm and 2 nm from 1000 to 2500 nm. The edge bands including 350-399 and 2401-2500 nm were removed from the measured spectral data, and the remaining 400-2400 nm spectrum curve was smoothed with Savitzky-Golay smoothing method in software OriginPro. Original soil spectral data were continuum-removed in ENVI 5.1 to analyze the spectral characteristics of soil. Correlation analysis between the original and two-order derivative of measured reflectance data and the soil salinity was performed by using Pearson correlation analysis method, and the significant bands were used to establish the inversion model. The geographic locations and surface reflectance of the soil samples were obtained precisely from WorldView-2 multi-spectral data. Spectral reflectance of each band of WorldView-2 data was simulated by calculating a weighted average of the measured reflectance spectra to reduce the error resulted from the spectral resolution difference of the image derived spectra and measured reflectance spectra. PLSR model was established, in which the reflectance of 4 bands i.e. B3, B4, B5 and B7 of WorldView-2 image and NDVI (normalized difference vegetation index) and RVI (ratio vegetation index) were selected as independent variables, and salt content was used as dependent variable. Three-layer BP neural network model was established in which the input layer was made up of the reflectance of 4 bands of WorldView-2 image (B3, B4, B5 and B7) and NDVI and RVI, and the number of net neurons was 6; the output layer was a neuron corresponding to the salt content of sampling point. After a lot of tentative computation, the optimal number of neurons in the hidden layer was selected as 8. The results showed that: 1) The prediction accuracy of BP neural network model based on WorldView-2 image data was higher than the PLSR model in the study area, and the coefficient of determination (2), root mean square error (RMSE) and residual prediction deviation (RPD) were 0.851, 0.979 and 2.337 respectively for the former and 0.814, 1.139 and 2.007 respectively for the latter. 2) The spatial resolution of salinity mapping could be improved by using WorldView-2 images. The NDVI and the RVI were helpful to reduce the influence of vegetation cover and soil moisture on the prediction accuracy. This inversion model established in this paper can meet the needs of monitoring salinization in arid and semi-arid area and promote the further application of WorldView-2 high spatial resolution satellite in the monitoring of salinization.

remote sensing; soils; salinity measurements; WorldView-2 image;Keriya river basin; measured spectral data; neural network; inversion models

10.11975/j.issn.1002-6819.2017.24.026

S155; TP79

A

1002-6819(2017)-24-0200-07

2017-07-27

2017-11-30

国家自然科学基金资助项目（41361016、41561089、40901163、41761077）共同资助

吾木提·艾山江，男（维吾尔族），新疆伊宁人，主要研究方向：环境遥感应用。Email：MasterWu516@163.com

买买提·沙吾提，男（维吾尔族），新疆喀什人，博士，副教授，主要从事干旱区资源与环境遥感应用研究。Email：korxat@xju.edu.cn

吾木提·艾山江，买买提·沙吾提，依力亚斯江·努尔麦麦提，茹克亚·萨吾提，王敬哲. 基于WorldView-2影像的土壤含盐量反演模型[J]. 农业工程学报，2017，33(24)：200－206. doi：10.11975/j.issn.1002-6819.2017.24.026 http://www.tcsae.org

Umut Hasan, Mamat Sawut, Ilyas Nurmamat, Rukiya Sawut, Wang Jingzhe. Inversion model of soil salt content based on WorldView-2 image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(24): 200－206. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.24.026 http://www.tcsae.org