王丹阳¹, 陈红艳^,1, 王桂峰², 丛津桥³, 王向锋⁴, 魏学文²1 土肥资源高效利用国家工程实验室/山东农业大学资源与环境学院,山东泰安 271018
2 山东省棉花生产技术指导站,济南 250000
3 泰山区自然资源局,山东泰安 271000
4 垦利区国土资源局,山东东营 27500

Salinity Inversion of Severe Saline Soil in the Yellow River Estuary Based on UAV Multi-Spectra

WANG DanYang¹, CHEN HongYan^,1, WANG GuiFeng², CONG JinQiao³, WANG XiangFeng⁴, WEI XueWen² 1 National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources/College of Resources and Environment, Shandong Agricultural University, Taian 271018, Shangdong
2 Shandong Cotton Production Technical Guidance Station, Jinan 250000
3 Taishan Natural Resources Bureau, Taian 271000, Shangdong
4 Kenli Land and Resources Bureau, Dongyin 27500, Shangdong

通讯作者: 陈红艳,E-mail： chenhy@sdau.edu.cn

编委: 杨鑫浩
收稿日期:2018-12-28接受日期:2019-03-5网络出版日期:2019-05-16

基金资助:

国家自然科学基金.41877003,41671346 山东省自然科学基金.ZR2019MD039 山东省重点研发计划.2017CXGC0306 “十二五”国家科技支撑计划.2015BAD23B0202 山东农业大学“双一流”奖补资金.SYL2017XTTD02

Received:2018-12-28Accepted:2019-03-5Online:2019-05-16
作者简介 About authors
王丹阳,E-mail： 892218027@qq.com。








摘要
【目的】为提高土壤盐分信息定量遥感提取精度,准确掌握土壤盐渍化程度与分布。【方法】选择垦利区黄河口镇集中连片的重度盐渍土区域为试验区,于2018年4月26日—28日采用搭载Sequoia多光谱相机的无人机进行试验区近地遥感图像采集,并进行图像拼接、辐射校正、正射校正和几何校正等预处理;然后基于相关性分析、灰色关联度分析筛选土壤盐分的敏感波段,构建并筛选光谱参量;进而分别采用多元线性回归（multivariable linear regression,MLR）、支持向量机（support vector machine,SVM）及偏最小二乘（partial least square,PLS）方法构建土壤盐分定量反演模型,并进行验证与评价;最后基于最佳模型进行试验区土壤盐分的分布反演与分析,并与反距离加权插值结果进行精度比较。【结果】相较相关性分析,通过灰色关联度分析的反演模型精度及显著性均有所提高;对比3种建模方法,SVM模型精度最高,PLS模型次之,MLR模型最低,最佳模型为基于灰色关联度分析筛选变量的支持向量机模型,其建模R ²、RMSE分别为0.820、3.626,验证R ²、RMSE、RPD分别为0.773、4.960、2.200;据此模型反演得到该区域土壤盐分含量为0.323—21.210 g·kg ^-1,平均值为6.871 g·kg ^-1,重度盐渍土占58.094%,与实地调查结果较为一致;反演结果与反距离加权插值结果的误差80%控制在样本盐分含量平均值的20%以内,亦较为相近。 【结论】基于无人机多光谱可实现重度盐渍土盐分信息的准确提取。
关键词： 无人机;多光谱;盐渍土;灰色关联度;黄河口

Abstract
【Objective】The purpose of this paper was to improve the extraction accuracy of soil salinity information based on remote sensing and understand accurately the degree and distribution of soil salinization. 【Method】Firstly, the severe and concentrated saline soil area of Huanghekou town, Kenli district, was selected as the experimental area, and the unmanned aerial vehicle (UAV) equipped with Sequoia multispectral camera was adopted to acquire the near earth remote sensing image from April 26th to 28th, 2018, then the image preprocessing, including image splicing, radiation correction, orthorectification and geometric correction, was performed. Secondly, the sensitive bands of soil salinity were screened by correlation analysis and grey correlation analysis, respectively, and the spectral parameters were constructed and screened. Thirdly, the soil salinity quantitative analysis models were built by multivariate linear regression (MLR), support vector machine (SVM) and partial least square (PLS) method, then the models’ accuracy was evaluated and the best one was selected. Finally, the best model was applied to the inversion and analysis of soil salinity distribution in the experimental area, and the inversion accuracy was compared with the interpolation result by inverse distance weighting (IDW) method. 【Result】The results showed that the accuracy and significance of the estimation model based on gray correlation analysis were improved by compared with the correlation analysis; Compared the three modeling methods, the prediction ability of the SVM was the best, followed by the PLS, the MLR models’ precision was the lowest, with the calibration R ² and RMSE of 0.820 and 3.626, the validation R ², RMSE and RPD of 0.773, 4.960 and 2.200, and the SVM model of soil salinity based on screened variables by grey correlation analysis was selected the best one; Based on the best model, the soil salinity content in this region was between 0.323 and 21.210 g·kg ^-1 with the average of 6.871 g·kg ^-1 and the severe salinity accounted for 58.094%, which was consistent with the result of the field investigation; The 80% of the error between the inversion result and the interpolation result by the IDW method was controlled within 20% of the sample salt content average, which showed that the two kind of result were similar. 【Conclusion】It could be concluded that the accurate extraction of severe soil salinity information could be achieved on the UAV multi-spectra.
Keywords：unmanned aerial vehicle;multi-spectra;saline soil;grey correlation;yellow river estuary


PDF (5470KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
王丹阳, 陈红艳, 王桂峰, 丛津桥, 王向锋, 魏学文. 无人机多光谱反演黄河口重度盐渍土盐分的研究[J]. 中国农业科学, 2019, 52(10): 1698-1709 doi:10.3864/j.issn.0578-1752.2019.10.004
WANG DanYang, CHEN HongYan, WANG GuiFeng, CONG JinQiao, WANG XiangFeng, WEI XueWen. Salinity Inversion of Severe Saline Soil in the Yellow River Estuary Based on UAV Multi-Spectra[J]. Scientia Agricultura Sinica, 2019, 52(10): 1698-1709 doi:10.3864/j.issn.0578-1752.2019.10.004

0 引言

【研究意义】随着全球气候的变化以及人类活动的干扰,土壤盐渍化仍是全球性最为常见和影响最为广泛的土地退化现象之一^[1,2]。据估计,盐渍土占全球整个陆地面积的7.263%,严重影响着当地生态、经济的可持续发展^[3]。因此,对盐渍土实施定量、准确监测,对其治理及生态农业建设具有重要意义。【前人研究进展】遥感尤其是高光谱的出现为盐渍土的定量、快速分析提供了一种科学有效的方法。许多****开展了基于地面高光谱进行土壤盐分定量分析的研究,取得了一系列较为理想的研究成果,表明了土壤盐分定量光谱分析的可行性,为土壤盐分定量反演奠定了基础^{[4,5,6,7,8,9,10,11]}。但由于地面光谱数据获得的是点状信息,难以实现大面积区域性土壤盐分含量的及时监测,因此越来越多的****利用卫星遥感数据对土壤盐分信息进行定量反演,基于不同平台的卫星遥感数据源建立了土壤盐分反演模型,在一定程度上实现了土壤盐分的区域定量反演^{[12,13,14,15,16,17,18,19,20]}。但由于卫星影像受时相、天气等因素影响,数据分辨率以及成像质量往往不能够满足地区盐渍土信息准确分析的要求,而且卫星影像的尺度较大、精度较低,尺度内利用同一个反演模型无法满足不同盐渍化程度的精确监测^[21]。同时,无人机技术因其成本低、飞行高度可控、不易受天气和地形等环境因素影响等优点已开始被国内外****应用于农业科技中,****们尝试利用无人机携带光谱仪采集近地图像,获取小区域高精度遥感图像,进而准确分析地面监测指标。如HASSANESFAHANI等^[22]利用无人机获取可见光、近红外等图像,构建了表层土壤湿度的人工神经网络模型,相关系数可达0.88;王海峰等^[23]利用无人机搭载多光谱相机获取土壤水分反射率,建立了不同深度土壤水分的一元回归模型,拟合度均在0.81以上;陈硕博^[24]等利用无人机搭载六波段多光谱相机获取小麦冠层反射率,利用其光谱差值反射率与不同深度的土壤差值含水率建立了回归模型,证明了该方法可大面积快速获取田间土壤水分。【本研究切入点】目前无人机技术已较广泛地应用于土壤水分的定量准确遥感分析中^{[25,26,27,28,29]},但应用于盐渍土信息提取的研究较为薄弱,基于无人机多光谱的土壤盐分特征光谱有待探明,土壤盐分的无人机多光谱定量反演模型和技术路线有待分析研究。【拟解决的关键问题】为探明基于无人机多光谱的土壤盐分特征光谱及定量反演模型、技术路线,本文针对重度盐渍土,尝试利用无人机多光谱图像,分别采用相关性分析、灰色关联度分析探明土壤盐分的特征光谱信息,运用多元线性回归（multivariable linear regression,MLR）、支持向量机（support vector machine,SVM）及偏最小二乘（partial least square,PLS）方法构建土壤盐分反演模型,并进行评价、优选,进而实现小区域土壤盐分定量反演,一方面可为土壤定量、准确遥感反演奠定基础,另一方面可为盐渍土治理利用提供数据支持。

1 材料与方法

1.1 试验区概况

本文以东营市垦利区黄河口镇为试验区域。黄河口镇位于山东省东营市垦利区中部,毗邻黄河口生态旅游区,是黄河的入海口,因“黄河之水天上来,奔流到海不复回”而得名。土壤盐渍化程度较高且土壤季节性返盐与积盐现象较为严重,为中重度盐渍土典型区域。根据黄河口镇土壤类型图、土地利用现状图、土壤盐渍化情况以及无人机实际飞行条件,选择黄河口镇西宋村中心幼儿园以南的重度盐渍土区域为试验区。试验区位于东经118°40′50"—118°50′00",北纬37°39′29"—37°39′40",面积约为24.675 hm²,地形平坦,砂壤土且土质松软,盐渍化程度较为严重（图1）。

图1

新窗口打开|下载原图ZIP|生成PPT
图1黄河口镇及试验区空间位置示意图

Fig. 1The spatial location of the Huanghekou town and the experimental area

1.2 数据获取及预处理

1.2.1 野外实测盐分数据 因试验区春季气候温暖干旱,降水量同比较少,土壤水分蒸发较快,地表积盐现象严重,是盐渍土和植被覆盖特征较为明显的关键时期,亦是提取土壤盐分信息的最适时相,因此本研究于2018年4月26日—28日进行野外实地采样。

采样时试验区为成片裸地区域,地表无植被覆盖,均匀布设采样点85个,校正控制点22个,采用EC110便携式盐分计（仪器在使用前已经对电导率进行了温度校正）测定10 cm土壤表层的盐分值,并通过手持GPS定位仪测定各个采样点的实地坐标,同时记录方位、地形等环境因素信息。

1.2.2 无人机遥感图像获取及预处理 采样时试验区天气晴朗,光照条件充足均匀,天空状态均一。利用大疆 Matrice 600 Pro?六旋翼无人机（中国深圳市大疆创新科技有限公司生产,飞行载重为6 kg,无风环境下最大飞行水平飞行速度为65 km·h^-1）搭载Parrot Sequoia 农业专用多光谱相机（含有4个120万像素窄带和同步化单色传感器）获取试验区无人机多光谱遥感图像。相机传感器含有绿光（波长550 nm,带宽40 nm）、红光（波长660 nm,带宽40 nm）、红边光（波长735 nm,带宽10 nm）和近红外光（波长790 nm,带宽40 nm）4个波段。起飞前设定飞行高度50 m,空间分辨率为2.2 cm,对传感器进行航线设定（图2）,并采集白板数据用于后期的辐射校正。然后利用Pix4D mapper软件完成图像拼接、辐射校正及正射校正,在ENVI软件中通过地面控制点数据进行几何校正及地理配准,得到假彩色合成波段图像（图3）。

图2

新窗口打开|下载原图ZIP|生成PPT
图2无人机飞行航线图

Fig. 2The route map of UAV flight

图3

新窗口打开|下载原图ZIP|生成PPT
图3试验区假彩色合成波段图像和样点分布图

Fig. 3Image of false color synthesis band and map of the samples in the study area

1.3 土壤盐分敏感波段和光谱参量的筛选

将野外实测的采样点按其GPS经纬度信息导入试验区的假彩色合成波段图像,确定其相应像元,并提取该像元的各波段反射率值。分别将采样点土壤盐分实测值与图像各波段反射率进行相关性分析、灰色关联度分析,筛选土壤盐分的敏感波段。灰色关联度可以将多种因素视为一个灰色系统,利用关联度辨别系统中各个因素的主次关系。因素的关联度越大,二者的相似程度越高,进而进行多波段数学运算组合如红光+近红、红光×绿光等,构建了33个光谱指数,再利用相关性分析、灰色关联度分析优选光谱参量。

1.4 土壤盐分反演模型的构建与验证

将85个样本随机分为2组,其中60个用于建模,25个用于验证。

1.4.1 模型构建 基于建模样本的土壤盐分含量及优选出的光谱参量,分别采用多元线性回归（multivariable linear regression, MLR）、支持向量机（support vector machine, SVM）以及偏最小二乘法（partial least square, PLS）构建土壤盐分反演模型。

运用SPSS 22软件建立土壤盐分的多元线性回归方程。利用光谱参量的共线性、方差膨胀因子以及特征根系统综合度量参量之间的多重共线性,将存在共线性的指标剔除,然后再进行回归分析,得到多元线性回归方程^[30]。

支持向量机是以核函数为构成模块,隐式地将数据映射到高维空间。本文设定SVM类型为4（即v-SVR）,核函数类型为2（即RBF）,采用训练集交叉验证和网格搜索法（grid search）进行参数寻优,依据均方差最小原则确定惩罚参数C和核参量g的值;相关计算采用Matlab R2014a软件的Libsvm 3.11 工具箱实现^[31]。

偏最小二乘法是最常用的一种光谱建模方法,相当于主成分分析、多元线性回归以及典型相关分析的组合^[32],可在一定程度上有效地消除参量之间的多重共线性。采用Matlab R2014a软件相应的计算机程序实现。

1.4.2 模型验证 利用25个验证样本数据对所建模型进行验证与评价,参数如下：建模精度采用建模集的预测值和实际值的决定系数（R²）和均方根误差（root mean squares error,RMSE）进行评价;预测精度采用验证集R²、RMSE和相对分析误差（the ratio of prediction to deviation,RPD）来评价。当RPD≥2.0时,表明构建的模型预测结果较好,模型可用于土壤盐分含量的反演预测^[33]。通过模型精度对比,选定最佳模型用于土壤盐分含量的空间分布反演。

1.5 土壤含盐量的空间分布反演与精度分析

基于最佳模型和试验区预处理后的遥感图像,进行土壤盐分的空间分布反演,并根据中国半湿润区土壤可溶盐类以氯化物为主的滨海盐渍土分级标准^[31]进行盐渍土分级,得到试验区土壤盐分反演图。同时,将样点土壤盐分含量利用反距离加权法进行插值分析,得到试验区土壤盐分插值图,与反演图进行对比,评价基于无人机多光谱遥感的土壤盐分反演精度。

2 结果

2.1 土壤样本的描述性统计特征

全部85个样本土壤盐分介于0.243—23.400 g·kg^-1,平均值为7.136 g·kg^-1,标准差为5.105 g·kg^-1;60个建模集土壤盐分为0.243—23.400 g·kg^-1,平均值为7.028 g·kg^-1,标准差为5.013 g·kg^-1;25个验证集土壤盐分为0.256—23.100 g·kg^-1,平均值为7.395 g·kg^-1,标准差为5.216 g·kg^-1。可见,建模集和验证集均保持与全部样本集相似的统计分布,在确保样本具有代表性的同时,可避免在模型构建和验证中的偏差估计。

2.2 土壤盐分的敏感波段及光谱参量

样本土壤盐分与波段反射率的相关性、灰色关联度分析结果见表1,可见2种分析方法中,4个波段的敏感程度略有不同,基于相关性分析选择的敏感波段为红光、绿光以及红边波段,基于灰色关联度分析选择的敏感波段为红光、绿光及近红波段。综合可见,红光和绿光波段可作为土壤盐分的敏感波段。

Table 1
表1
表1敏感波段分析
Table 1Analysis of sensitive bands

波段 Band	相关系数 Correlation coefficient	灰色关联度指数 Grey correlation index
红光 (red,r)	-0.642**	-0.684**
绿光 (gre,g)	-0.591**	-0.688**
红边 (reg)	-0.590*	-0.665*
近红 (nir)	-0.573*	-0.670*

* means the correlation is significant at 0.05 level, ** means the correlation is significant at 0.01 level,. The same as below
*为在 0.05 水平上显著相关,**为在 0.01 水平上极显著相关。下同

新窗口打开|下载CSV

33个光谱指数的相关性分析及灰色关联度分析结果见表2。可见,相关性较高的光谱指数主要是红光、绿光以及红边波段的组合,这与相关性分析选取的敏感波段结果一致,但相关系数有所提高;灰色关联度较高的光谱指数主要是红光、绿光以及近红波段的组合,亦与敏感波段的选取结果一致,关联度指数亦有所提高,说明进行波段组合形成新的光谱指数可提高与土壤盐分的关系。分别选择相关性较高的波段及光谱指数（$\sqrt{r^{2}+g^{2}}$、r+nir、r+nir+g、$\sqrt{r^{2}+reg^{2}}$、red）和灰色关联度高的波段及光谱指数 (r+nir、r×nir、gre、red、r/g) 作为光谱参量参与盐分定量反演模型的构建。

Table 2
表2
表2光谱指数分析
Table 2Analysis of spectral parameters

序号 Number	光谱指数 Spcetral index	相关系数 Correlation coefficient	灰色关联度指数 Grey correlation index
1	r+nir	-0.645**	-0.720**
2	R×nir	-0.600*	-0.708**
3	r/g	-0.185	-0.756**
4	R+nir+g	-0.641**	-0.665**
5	$\sqrt{r^{2}+reg^{2}}$	-0.601**	-0.668**
6	g×nir	-0.562*	-0.658*
7	g+reg	-0.603*	-0.671*
8	(r+g)/(r-g)	-0.015	-0.471*
9	g×r	-0.145	-0.701*
10	$\sqrt{r^{2}+g^{2}}$	-0.640**	-0.700**
11	r+nir+reg	-0.631**	-0.709**
12	r×reg	-0.591*	-0.649*
13	r+reg	-0.634**	-0.691**
14	(reg-r)/( reg+r)	0.252	-0.183
15	g×nir×r	-0.556*	-0.603*
16	g+r+reg	-0.632*	-0.678*
17	g×r×reg	-0.037	-0.576*
18	g×reg	-0.124	-0.609*
19	(reg-g)/( reg+g)	0.148	-0.354
20	r-g	-0.21	-0.206
21	reg-r	0.048	-0.079
22	reg/r	-0.17	-0.709*
23	$\sqrt{g^{2}+reg^{2}+r^{2}}$	-0.601*	-0.668*
24	$\sqrt{r\times reg}$	-0.634*	-0.689*
25	$\sqrt{r\times r}$	-0.643*	-0.702*
26	$\sqrt{g^{2}+reg^{2}}$	-0.605*	-0.669*
27	(reg+g)/(g-reg)	0.117	-0.238
28	(r+g)/(r-g)	-0.015	-0.471*
29	$\sqrt{reg\times g}$	-0.631*	-0.679*
30	$\sqrt{reg \times r \times g}$	-0.613*	-0.689*
31	r+nir+g+reg	-0.631*	-0.660*
32	r+nir+g	-0.641*	-0.665*
33	nir+g+reg	-0.606*	-0.652*

新窗口打开|下载CSV

2.3 土壤盐分定量反演模型

基于建模样本,以选取的光谱参量为自变量,土壤盐分为因变量,分别采用多元线性回归、支持向量机、偏最小二乘法构建土壤盐分定量反演模型（表3）。

Table 3
表3
表3土壤盐分反演模型
Table 3The inversion models of soil salt

分析方法 Analytical methods	建模方法 Modeling methods	建模精度Calibration accuracy		验证精度Verification accuracy
		决定系数 R2	均方根误差 RMSE	决定系数 R2	均方根误差 RMSE	相对分析误差 RPD
相关性分析 Correlation analysis	MLR	0.645	5.217	0.564	5.157	1.261
	SVM	0.730	5.363	0.782	5.596	2.083
	PLS	0.711	5.545	0.707	5.362	1.870
灰色关联度 Grey correlation index	MLR	0.691	4.291	0.687	5.013	1.731
	SVM	0.820	3.626	0.773	4.960	2.203
	PLS	0.722	4.677	0.724	4.731	2.210

新窗口打开|下载CSV

相较于相关性分析,灰色关联度选取光谱参量构建的模型精度均有所提高,其中建模集R²提高0.011—0.090,RMSE降低0.868—1.737,验证集R²提高0.009—0.123,RMSE降低0.010—0.610,RPD提高0.120—0.340（表3）。结果表明通过灰色关联度筛选光谱参量可在一定程度上提高土壤盐分反演模型的精度。

对比3种建模方法,SVM模型精度最高,PLS模型次之,MLR模型最低。其中,基于灰色关联度光谱参量的SVM模型建模R²达到0.820,验证R²为0.773,RPD达到2.210,通过对比,确定该模型为土壤盐分反演的最佳模型。

图4是最佳模型的建模、验证精度,可见预测值与实测值之间呈现良好的线性关系,大部分样本较好地分布在1：1线的两侧,表明该模型精度较高且较为稳定。

图4

新窗口打开|下载原图ZIP|生成PPT
图4最佳模型散点图

Fig. 4The scatter diagram of the best model

2.4 土壤盐分空间分布反演

基于最佳模型,进行试验区土壤盐分反演（图5）。可见试验区土壤含盐量反演值介于0.323—21.210 g·kg^-1,平均值为6.871 g·kg^-1,与研究样本的描述性统计结果较为接近。根据滨海盐渍土分级标准,将试验区土壤分为5级,并进行面积统计（表4）。可见,试验区中、重度盐渍土达到83.567%,其中重度盐渍土达到58.094%,较为普遍地分布在整个区域,中部和东部更为集中连片;非盐土和轻度盐渍土只占总面积的12.511%,主要分布在区域西南部的小片区域。结果表明该区土壤盐渍化十分普遍且较为严重,整体属于重度盐渍土区,与实际情况一致。

图5

新窗口打开|下载原图ZIP|生成PPT
图5土壤盐分含量反演图

Fig. 5The inversion map of soil salinity



Table 4
表4
表4试验区土壤盐分等级及其比例
Table 4Soil salinity grades and its proportions in the experimental area

等级 Grade	反演图Inversion map		插值图 Interpolation map
	像元数 Pixel count	所占比例 Percentage (%)	像元数 Pixel count	所占比例 Percentage (%)
非盐渍土Non-saline soil (<2.0 g·kg-1)	3027962	7.640	1025934	2.476
轻度盐渍土Mild saline soil (≥2.0-4.0 g·kg-1)	1928771	4.871	7327621	17.691
中度盐渍土Moderate saline soil (≥4.0-6.0g·kg-1)	10091297	25.473	11092173	26.779
重度盐渍土Severe saline soil (≥6.0-10.0 g·kg-1)	23018069	58.094	20015014	48.321
盐土Solonchak (≥10.0 g·kg-1)	1558977	3.932	1959849	4.731

新窗口打开|下载CSV

2.5 土壤盐分空间分布反演精度分析

基于反距离加权法进行土壤盐分插值分析（图6、表4）,得到该区土壤盐分含量位于0.243—23.400 g·kg^-1,平均值为7.136 g·kg^-1。中、重度盐渍土占总面积的75.122%,而非盐渍土只占2.476%,而且在空间分布上也表现出西南部盐分较低、中东部盐分较高的趋势。可见插值分析结果与最佳反演模型和样点统计结果皆较为相近。

图6

新窗口打开|下载原图ZIP|生成PPT
图6基于反距离加权的土壤盐分插值图

Fig. 6Soil salt interpolation map based on inverse distance weighting



为进一步对比反演结果的差异程度,将2种分布图的土壤盐分含量进行像元相减（插值图-反演图）运算,获得土壤盐分含量差值空间分布图（图7）。可以看出,地统计结果和反演结果的差异介于-4.850—6.360;为进一步比对反演得到的土壤盐分含量空间分布的正确性,将各像元的差值进行统计分析,以实测样点土壤盐分含量平均值7.160 g·kg^-1的10%（±0.716）、20%（±1.432）和30%（±2.184）作为差异等级水平,分别统计各自范围内的像元数量及其所占比例。像元反演差值在允许误差10%以内的占76.75%,在20%以内的占88.04%,表明该反演结果与插值结果的误差大多控制在20%以内,结果较为相似。可见,上述最佳模型可应用于该地区土壤盐分分布反演。

图7

新窗口打开|下载原图ZIP|生成PPT
图7插值结果与反演结果的差值

Fig. 7The difference between interpolation results and inversion results

3 讨论

2种光谱筛选分析方法结果均表明可见光、近红外波段与土壤盐分具有良好的关系。黄河三角洲区域主要矿物组成为岩盐、石膏,盐分组成以钠型盐氯化物为主,主要阴离子为Cl^-和SO₄^2-,主要阳离子为Na⁺、Ca^2+[34,35]。前人研究指出虽然NaCl在可见光-近红外波段没有光谱特征,但NaCl与石膏存在相关性,石膏因在可见光-近红外波段具有吸收特性可间接显示土壤盐分的光谱信息^[36,37];徐伟杰^[38]的研究表明石膏在近红外波段出现分子振动吸收光谱特征,且可见光-近红外能够获取SO₄^2-的光谱信息。因此,前人研究表明可利用可见光-近红外波段提取裸土遥感数据的光谱信息进行土壤盐分预测。而且,现有多位****的研究表明,盐碱化土壤在可见光和近红外波段较非盐碱化土壤有更强的反射率^[19,38-40],且重钠质盐渍土壤的光谱反射率比一般重盐渍土的反射率高^[9,40-41],如陈文娇^[41]提出盐渍土在447、498、671nm附近均存在不同深度的吸收峰,与本文结论较为一致。

比较2种不同的分析方法,基于相关性分析的敏感波段为红光、绿光以及红边波段,基于灰色关联度分析的敏感波段为红光、绿光及近红波段。这2种方法基于不同的系统理论,灰色关联度根据序列曲线几何形状的相似程度判断关联度,在变化趋势上理清各波段对土壤盐分的主次关系并排序^[42];而相关分析仅依赖客观数据分析单一波段与土壤盐分的相关性。因此,灰色关联度分析的结果更为可靠。这也与前面所述可见-近红外光谱用来提取土壤盐渍化信息的内在机理是一致的。

本研究以垦利区黄河口镇重度盐渍土为例,以无人机多光谱遥感图像为主要数据源,利用相关性分析和灰色关联度分析筛选光谱参量,分别构建MLR、SVM和PLS模型,通过最佳模型进行空间分布反演,得到的结果与实地采样和地统计插值分析结果较为一致,表明无人机多光谱可实现重度盐渍土盐分信息的准确提取,但对于中、轻度盐渍土是否会有相同的结果需要进一步研究探索,也是下一步的工作方向。

基于地面高光谱的土壤盐分定量估测是遥感反演的基础,而基于无人机近地遥感的土壤盐分反演是由地面高光谱定量分析到卫星遥感反演的桥梁。现有普遍高光谱盐分监测的研究已表明,可见光-近红外波段光谱用于分析土壤盐分的可行性,本研究初步尝试了基于无人机多光谱的重度盐渍土盐分定量反演,但盐渍土的光谱响应特征又与土壤水分以及地理环境因素都存在相关关系,且土壤水分是土壤盐分定量遥感分析的主要影响因素之一。因此,下一步将结合地面高光谱、无人机多光谱/高光谱数据,探讨机地光谱融合及土壤水分因素的影响去除,以提高无人机反演土壤盐分精度。

4 结论

（1）对比2种波段筛选方法,基于相关性分析确定的敏感波段为红光、绿光以及红边波段,而基于灰色关联度确定的敏感波段为红光、绿光及近红波段;进而,基于相关性分析选取的光谱参量为$\sqrt{r^{2}+g^{2}}$、r+nir、r+n+g、$\sqrt{r^{2}+reg^{2}}$、red,基于灰色关联度选取的光谱参量为r+nir、r×nir、g、red、r/g。

（2）相对于相关性分析,基于灰色关联度分析的模型建模R²提高了0.011—0.090,RMSE降低0.868—1.737,验证R²提高了0.009—0.123,RMSE降低了0.010—0.610,RPD提高0.120—0.340,通过灰色关联度筛选光谱参量可在一定程度上提高土壤盐分反演模型的精度。

（3）对比3种建模方法,支持向量机（SVM）建模精度最佳,偏最小二乘法（PLS）次之,多元线性回归方程（MLR）最低;土壤盐分定量反演的最佳模型为基于灰色关联度筛选光谱参量的支持向量机模型,其建模集R²、RMSE分别为0.820、3.626,验证集的R²、RMSE、RPD分别为0.773、4.960、2.200。

（4）据此模型反演得到该区土壤盐分含量为0.323—21.210 g·kg^-1,平均值为6.871 g·kg^-1,重度盐渍土占58.094%,与实地调查较为一致。反演结果与反距离加权插值结果的误差80%控制在样本盐分含量平均值的20%以内,亦较为相近。

因此,基于无人机多光谱,先采用灰色关联度分析筛选光谱参量,进而采用支持向量机构建反演模型可实现土壤盐分信息的准确提取。

（责任编辑 杨鑫浩）

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] PARK S H, LEE B R, LEE J H . S nutrition alleviates salt stress by maintaining the assemblage of photosynthetic organelles in Kentucky bluegrass (Poa pratensis L.).
Plant Growth Regulation, 2016,79(3):367-375.
[本文引用: 1]

[2] 王辉, 高玉录, 于梦, 杜远鹏, 孙永江, 翟衡 . 根灌乙酸及葡萄酒对海水胁迫下葡萄光抑制的影响
中国农业科学, 2018,51(21):4210-4218.
[本文引用: 1]

WANG H, GAO Y L, YU M, DU Y P, SUN Y J, ZHAI H . Effect of root irrigation of acetic acid and wine on photoinhibition of grape under seawater stress
Scientia Agricultura Sinica, 2018,51(21):4210-4218. (in Chinese)
[本文引用: 1]

[3] WHITNEY K, SCUDIERO E, El-ASKARY H M, SKAGGS T H, ALLALI M, CORWIN D L . Validating the use of MODIS time series for salinity assessment over agricultural soils in California, USA
Ecological Indicators, 2018,93:889-898.
DOI:10.1016/j.ecolind.2018.05.069URL [本文引用: 1]

[4] 王海江, 蒋天池, YUNGER J A, 李亚莉, 田甜, 王金刚 . 基于支持向量机的土壤主要盐分离子高光谱反演模型
农业机械学报, 2018,49(5):263-270.
[本文引用: 1]

WANG H J, JIANG T C, YUNGER J A, LI Y L, TIAN T, WANG J G . Hyperspectral inverse model for soil salt ions based on support vector machine
Transactions of the Chinese Society for Agricultural Machinery, 2018,49(5):263-270. (in Chinese)
[本文引用: 1]

[5] SRIVASTAVA R, SETHI M, YADAV R K, BUNDELA D S, SINGH M, CHATTARAJ S, SINGH S K, NASRE R A, BISHNOI S R, DHALE S, MOHEKAR D S, BARTHWAL A K . Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected soil in the Indo-Gangetic plains of Haryana, India
Journal of the Indian Society of Remote Sensing, 2017,45(2):307-315.
DOI:10.1007/s12524-016-0587-0URL [本文引用: 1]

[6] WENG Y L, GONG P, ZHU Z L . Reflectance spectroscopy for the assessment of soil salt content in soils of the Yellow River Delta of China
International Journal of Remote Sensing, 2008,29(19):5511-5531.
DOI:10.1080/01431160801930248URL [本文引用: 1]

[7] 张东辉, 赵英俊, 秦凯, 赵宁博, 杨越超 . 光谱变换方法对黑土养分含量高光谱遥感反演精度的影响
农业工程学报, 2018,34(20):141-147.
[本文引用: 1]

ZHANG D H, ZHAO Y J, QIN K, ZHAO N B, YANG Y C . Influence of spectral transformation methods on nutrient content inversion accuracy by hyperspectral remote sensing in black soil
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(20):141-147. (in Chinese)
[本文引用: 1]

[8] 朱赟, 申广荣, 项巧巧, 吴裕 . 基于不同光谱变换的土壤盐含量光谱特征分析
土壤通报, 2017,48(3):560-568.
[本文引用: 1]

ZHU Y, SHEN G R, XIANG Q Q, WU Y . Spectral characteristics of soil salinity based on different pre-processing methods
Chinese Journal of Soil Science, 2017,48(3):560-568. (in Chinese)
[本文引用: 1]

[9] XU C, ZENG W Z, HUANG J S, WU J W, LEEUWEN W J V . Prediction of soil moisture content and soil salt concentration from hyperspectral laboratory and field data
Remote Sensing, 2016,8(1):42-62.
DOI:10.3390/rs8010042URL [本文引用: 2]

[10] WIEGAND C L, EVERITT J H, RICHARDSON A J . Comparison of multispectral video and SPOT-1 HRV observations for cotton affected by soil salinity
International Journal of Remote Sensing, 1992,13(8):1511-1525.
DOI:10.1080/01431169208904205URL [本文引用: 1]

[11] 张贤龙, 张飞, 张海威, 李哲, 海清, 陈丽华 . 基于光谱变换的高光谱指数土壤盐分反演模型优选
农业工程学报, 2018,34(1):110-117.
[本文引用: 1]

ZHANG X L, ZHANG F, ZHANG H W, LI Z, HAI Q, CHEN L H . Optimization of soil salt inversion model based on spectral transformation from hyperspectral index
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(1):110-117. (in Chinese)
[本文引用: 1]

[12] SCUDIERO E, SKAGGS T H, CORWIN D L . Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance
Remote Sensing of Environment, 2015,169:335-343.
DOI:10.1016/j.rse.2015.08.026URL [本文引用: 1]

[13] 李晋, 赵庚星, 常春艳, 刘海腾 . 基于HSI高光谱和TM图像的土地盐渍化信息提取方法
光谱学与光谱分析, 2014,34(2):520-525.
URL [本文引用: 1]
选择黄河三角洲垦利县代表性盐碱化区域为研究区， 以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源， 经几何纠正、 图像裁剪、 大气校正等预处理， 分析不同盐渍化程度土地、 水体、 滩涂等主要地类的光谱特征， 确定地类信息提取特征波段。 结合土壤盐分含量， 采用定量与定性相结合规则， 构建地类信息提取模型， 以决策树分类方法进行图像分类， 提取土地盐渍化信息。 利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果， 对遥感解译数据进行精度验证， 并对高光谱和多光谱影像的分类精度进行比较分析。 结果表明： HSI图像的总体分类精度达96.43%， Kappa系数为95.59%， 而TM图像的总体分类精度为89.17%， Kappa系数为86.74%， 说明相比多光谱TM数据， 基于高光谱图像可以更为准确有效地提取土地盐渍化信息； 由分类结果图可以看出， 高光谱影像土地盐渍化的区分度高于多光谱影像。 该研究探索了高光谱图像土地盐渍化信息的提取技术方法， 提供了不同盐渍化土地的分布比例数据， 可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。
LI J, ZHAO G X, CHANG C Y, LIU H T . Land salinization information extraction method based on HSI hyperspectral and TM imagery
Spectroscopy and Spectral Analysis, 2014,34(2):520-525. (in Chinese)
URL [本文引用: 1]
选择黄河三角洲垦利县代表性盐碱化区域为研究区， 以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源， 经几何纠正、 图像裁剪、 大气校正等预处理， 分析不同盐渍化程度土地、 水体、 滩涂等主要地类的光谱特征， 确定地类信息提取特征波段。 结合土壤盐分含量， 采用定量与定性相结合规则， 构建地类信息提取模型， 以决策树分类方法进行图像分类， 提取土地盐渍化信息。 利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果， 对遥感解译数据进行精度验证， 并对高光谱和多光谱影像的分类精度进行比较分析。 结果表明： HSI图像的总体分类精度达96.43%， Kappa系数为95.59%， 而TM图像的总体分类精度为89.17%， Kappa系数为86.74%， 说明相比多光谱TM数据， 基于高光谱图像可以更为准确有效地提取土地盐渍化信息； 由分类结果图可以看出， 高光谱影像土地盐渍化的区分度高于多光谱影像。 该研究探索了高光谱图像土地盐渍化信息的提取技术方法， 提供了不同盐渍化土地的分布比例数据， 可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。

[14] 魏阳, 丁建丽, 王飞 . 基于Landsat OLI的绿洲灌区土壤盐度最优预测尺度分析
中国农业科学, 2017,50(15):2969-2982.
[本文引用: 1]

WEI Y, DING J L, WANG F . Optimal scale analysis of soil salinity prediction in oasis irrigated area of arid land based on Landsat OLI
Scientia Agricultura Sinica, 2017,50(15):2969-2982. (in Chinese)
[本文引用: 1]

[15] SIDIKE A, ZHAO S H, WEN Y M . Estimating soil salinity in Pingluo county of China using QuickBird data and soil reflectance spectra
International Journal of Applied Earth Observation and Geoinformation, 2014,26:156-175.
DOI:10.1016/j.jag.2013.06.002URL [本文引用: 1]

[16] NAWAR S, BUDDENBAUM H, HILL J . Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: A case study from Egypt
Arabian Journal of Geosciences, 2015,8(7):5127-5140.
DOI:10.1007/s12517-014-1580-yURL [本文引用: 1]

[17] SCUDIERO E, CORWIN D L, MORARI F, ANDERSON R G, SKAGGS T H . Spatial interpolation quality assessment for soil sensor transect datasets
Computers and Electronics in Agriculture, 2016,123:74-79.
DOI:10.1016/j.compag.2016.02.016URL [本文引用: 1]

[18] 扶卿华, 倪绍祥, 王世新, 周艺 . 土壤盐分含量的遥感反演研究
农业工程学报, 2007,23(1):48-54.
Magsci [本文引用: 1]
土壤盐碱化是干旱、半干旱农业区主要的土地退化问题，同时也是一个重要的环境问题。遥感技术能够快速、实时地提供盐碱地的性质、范围、盐碱程度等方面的信息。该文以河北省黄骅市为研究区，通过对实测的土壤光谱的分析，发现植被严重干扰了土壤对盐分含量光谱响应关系，同时，在451.42~593.79 nm波长范围内的土壤反射率对土壤盐分含量较为敏感，在土壤光谱分析的基础上，建立了土壤盐分含量反演的相关统计模型。但由于遥感影像特征与土壤盐分含量之间存在较复杂的非线性关系，因此统计模型反演精度不够理想。因而，又尝试运用BP人工神经网络方法来反演土壤盐分含量。研究表明，BP人工神经网络模型具有很强的非线性拟合能力，与统计模型相比，其土壤盐分含量的反演精度有显著提高。
FU Q H, NI S X, WANG S X, ZHOU Y . Retrieval of soil salt content based on remote sensing
Transactions of the Chinese Society of Agricultural Engineering, 2007,23(1):48-54. (in Chinese)
Magsci [本文引用: 1]
土壤盐碱化是干旱、半干旱农业区主要的土地退化问题，同时也是一个重要的环境问题。遥感技术能够快速、实时地提供盐碱地的性质、范围、盐碱程度等方面的信息。该文以河北省黄骅市为研究区，通过对实测的土壤光谱的分析，发现植被严重干扰了土壤对盐分含量光谱响应关系，同时，在451.42~593.79 nm波长范围内的土壤反射率对土壤盐分含量较为敏感，在土壤光谱分析的基础上，建立了土壤盐分含量反演的相关统计模型。但由于遥感影像特征与土壤盐分含量之间存在较复杂的非线性关系，因此统计模型反演精度不够理想。因而，又尝试运用BP人工神经网络方法来反演土壤盐分含量。研究表明，BP人工神经网络模型具有很强的非线性拟合能力，与统计模型相比，其土壤盐分含量的反演精度有显著提高。

[19] 梁静, 丁建丽, 王敬哲, 王飞 . 基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算
土壤学报, 2018,56(2):1-12.
[本文引用: 2]

LIANG J, DING J L, WANG J Z, WANG F . Quantitative estimation and mapping of soil salinity in the Ebinur Lake wetland based on Vis-NIR reflectance and Landsat 8 OLI data
Acta Pedologica Sinica, 2019,56(2):1-12. (in Chinese)
[本文引用: 2]

[20] AMANI M, SALEHI B , MAHDAVIS. Temperature-vegetation-soil moisture dryness index(TVMDI)
Remote Sensing of Environment, 2017,197:1-14.
DOI:10.1016/j.rse.2017.05.026URL [本文引用: 1]

[21] 汪小钦, 王苗苗, 王绍强, 吴云东 . 基于可见光波段无人机遥感的植被信息提取
农业工程学报, 2015,31(5):152-159.
Magsci [本文引用: 1]
无人机遥感具有使用成本低、操作简单、获取影像速度快、地面分辨率高等传统遥感无法比拟的优势。该文通过分析仅含红光、绿光和蓝光3个可见光波段的无人机影像中植被与非植被的光谱特性，同时结合健康绿色植被的光谱特征，借鉴归一化植被指数NDVI的构造原理及形式，提出了一种综合利用红、绿、蓝3个可见光波段的归一化植被指数--可见光波段差异植被指数VDVI（visible-band difference vegetation index）。与其他基于可见光波段的植被指数，如过绿指数EXG（excess green）、归一化绿红差值指数NGRDI（normalized green-red difference index）、归一化绿蓝差值指数NGBDI（normalized green-blue difference index）和红绿比值指数RGRI（red-green ratio index）以及仅用绿光波段的提取结果进行对比分析，结果表明：VDVI植被提取精度高于其他可见光波段植被指数，且阈值在0附近，较易确定。为了验证VDVI的适用性与可靠性，选取与试验影像同一时期拍摄但不同区域的另一影像使用同样的方法提取植被信息。结果表明：VDVI对于仅含可见光波段无人机遥感影像的健康绿色植被信息具有较好的提取效果，提取精度可达90%以上，适用于仅含可见光波段无人机遥感影像的健康绿色植被信息提取。
WANG X Q, WANG M M, WANG S Q, WU Y D . Extraction of vegetation information from visible unmanned aerial vehicle images
Transactions of the Chinese Society of Agricultural Engineering, 2015,31(5):152-159. (in Chinese)
Magsci [本文引用: 1]
无人机遥感具有使用成本低、操作简单、获取影像速度快、地面分辨率高等传统遥感无法比拟的优势。该文通过分析仅含红光、绿光和蓝光3个可见光波段的无人机影像中植被与非植被的光谱特性，同时结合健康绿色植被的光谱特征，借鉴归一化植被指数NDVI的构造原理及形式，提出了一种综合利用红、绿、蓝3个可见光波段的归一化植被指数--可见光波段差异植被指数VDVI（visible-band difference vegetation index）。与其他基于可见光波段的植被指数，如过绿指数EXG（excess green）、归一化绿红差值指数NGRDI（normalized green-red difference index）、归一化绿蓝差值指数NGBDI（normalized green-blue difference index）和红绿比值指数RGRI（red-green ratio index）以及仅用绿光波段的提取结果进行对比分析，结果表明：VDVI植被提取精度高于其他可见光波段植被指数，且阈值在0附近，较易确定。为了验证VDVI的适用性与可靠性，选取与试验影像同一时期拍摄但不同区域的另一影像使用同样的方法提取植被信息。结果表明：VDVI对于仅含可见光波段无人机遥感影像的健康绿色植被信息具有较好的提取效果，提取精度可达90%以上，适用于仅含可见光波段无人机遥感影像的健康绿色植被信息提取。

[22] HASSANESFAHANI L, TORRESTUA A, JENSEN A . Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks
Remote Sensing, 2015,7(3):2627-2646.
DOI:10.3390/rs70302627URL [本文引用: 1]

[23] 王海峰, 张智韬, 付秋萍, 陈硕博, 边江, 崔婷 . 低空无人机多光谱遥感数据的土壤含水率反演
节水灌溉, 2018,43(1):90-94, 102.
[本文引用: 1]

WANG H F, ZHANG Z T, FU Q P, CHEN S B, BIAN J, CUI T . Inversion of soil moisture content based on multispectral remote sensing data of low-altitude UAV
Water Saving Irrigation, 2018,43(1):90-94, 102. (in Chinese)
[本文引用: 1]

[24] 陈硕博, 陈俊英, 张智韬, 边江, 王禹枫, 石树兰 . 无人机多光谱遥感反演抽穗期冬小麦土壤含水率研究
节水灌溉, 2018,43(5):39-43.
[本文引用: 1]

CHEN S B, CHEN J Y, ZHANG Z T, BIAN J, WANG Y F, SHI S L . Retrieving soil water content of winter wheat during heading period by multi-spectral remote sensing of Unmanned Aerial Vehicle (UAV)
Water Saving Irrigation, 2018,43(5):39-43. (in Chinese)
[本文引用: 1]

[25] AASEN H, GNYP M L, MIAO Y X, BARETH G . Automated hyperspectral vegetation index retrieval from multiple correlation matrices with HyperCor
Photogrammetric Engineering and Remote Sensing, 2014,80(8):785-795.
DOI:10.14358/PERS.80.8.785URL [本文引用: 1]

[26] MORELLOS A, PANTAZI X E, MOSHOU D, ALEXANDRIDIS T, WHETTON R, TZIOTZIOS G, WIEBENSOHN J, BILL R, ABDUL M . Machine learning based prediction of soil total nitrogen, organic carbon and moisture content by using VIS-NIR spectroscopy
Biosystems Engineering, 2016,152(12):104-116.
DOI:10.1016/j.biosystemseng.2016.04.018URL [本文引用: 1]

[27] HOFFMANN H, JENSEN R, THOMSEN A, NLETO H, RASMUSSEN J, FRIBORG T . Crop water stress maps for entire growing seasons from visible and thermal UAV imagery
Biogeosciences, 2016,13(24):6545-6563.
DOI:10.5194/bg-13-6545-2016URL [本文引用: 1]

[28] ROSA O C, BAUP F, FABRE S, FIEUZAL R, BRIOTTE X . Improvement of soil moisture retrieval from hyperspectral VNIR- SWIR data using clay content information: From laboratory to field experiments
Remote Sensing, 2015,7(3):3184-3205.
DOI:10.3390/rs70303184URL [本文引用: 1]

[29] JIN X L, DU J, LIU H J, WANG Z M, SONG K S . Remote estimation of soil organic matter content in the Sanjiang plain, Northest China: The optimal band algorithm versus the GRA-ANN model
Agricultural and Forest Meteorology, 2016,218(12):250-260.
[本文引用: 1]

[30] 张宗玲, 韩增德, 刘立晶, 李晓栋, 郝付平, 董哲 . 玉米穗茎兼收割台夹持输送装置参数优化
农业机械学报, 2018,49(3):114-121.
[本文引用: 1]

ZHANG Z L, HAN Z D, LIU L J, LI X D, HAO F P, DONG Z . Parameters optimization for gripping and delivering device of corn harvester for reaping both corn stalk and spike
Transactions of the Chinese Society for Agricultural Machinery, 2018,49(3):114-121. (in Chinese)
[本文引用: 1]

[31] 陈红艳, 赵庚星, 陈敬春, 王瑞燕, 高明秀 . 基于改进植被指数的黄河口区盐渍土盐分遥感反演
农业工程学报, 2015,31(5):107-114.
Magsci [本文引用: 2]
快速获取土壤盐分的含量、特征及空间分布信息是盐渍土治理、利用的客观需求。该文针对黄河三角洲盐渍土，以垦利县为例，基于Landsat 8 OLI 多光谱影像，在传统植被指数的基础上引入短波红外波段进行扩展，提出了改进植被指数；然后基于改进前后对应的植被指数，分别采用多元逐步回归（multivariable linear regression，MLR）、反向传播神经网络（back propagation neural networks，BPNN）和支持向量机（support vector machine，SVM）方法构建土壤盐分含量的遥感反演模型，并进行模型验证、对比和优选；最后基于最佳模型进行研究区土壤盐分含量的空间分布反演和分析。结果显示：相对传统植被指数，扩展后植被指数可增强与土壤盐分的相关性，大幅降低指数间的多重共线性；采用上述3种方法建模，改进后模型的精度比改进前都有提高，验证集决定系数R2提高0.04～0.10，均方根误差RMSE降低0.13～0.73，相对分析误差RPD提高0.25～0.34，改进后模型RPD均大于2.0，普遍达到性能良好；对比3种建模方法，SVM建模精度最高，BPNN模型次之，MLR分析精度最低，最佳模型为基于改进植被指数的土壤盐分含量支持向量机反演模型，建模集R2和RMSE为0.75、3.48，验证集R2、RMSE和RPD为0.78、3.02和2.56，模型较为准确、可靠；基于该模型反演的研究区土壤盐分含量整体较高，盐渍化程度空间分布表现为自西南部农业生产区至东北沿海区域逐渐加重，与实地调查一致。研究表明基于Landsat 8 OLI多光谱影像，引入第7波段对植被指数进行改进，从而构建土壤盐分含量的支持向量机模型，可获得较好的土壤盐分空间分布反演结果。
CHEN H Y, ZHAO G X, CHEN J C, WANG R Y, GAO M X . Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River
Transactions of the Chinese Society of Agricultural Engineering, 2015,31(5):107-114. (in Chinese)
Magsci [本文引用: 2]
快速获取土壤盐分的含量、特征及空间分布信息是盐渍土治理、利用的客观需求。该文针对黄河三角洲盐渍土，以垦利县为例，基于Landsat 8 OLI 多光谱影像，在传统植被指数的基础上引入短波红外波段进行扩展，提出了改进植被指数；然后基于改进前后对应的植被指数，分别采用多元逐步回归（multivariable linear regression，MLR）、反向传播神经网络（back propagation neural networks，BPNN）和支持向量机（support vector machine，SVM）方法构建土壤盐分含量的遥感反演模型，并进行模型验证、对比和优选；最后基于最佳模型进行研究区土壤盐分含量的空间分布反演和分析。结果显示：相对传统植被指数，扩展后植被指数可增强与土壤盐分的相关性，大幅降低指数间的多重共线性；采用上述3种方法建模，改进后模型的精度比改进前都有提高，验证集决定系数R2提高0.04～0.10，均方根误差RMSE降低0.13～0.73，相对分析误差RPD提高0.25～0.34，改进后模型RPD均大于2.0，普遍达到性能良好；对比3种建模方法，SVM建模精度最高，BPNN模型次之，MLR分析精度最低，最佳模型为基于改进植被指数的土壤盐分含量支持向量机反演模型，建模集R2和RMSE为0.75、3.48，验证集R2、RMSE和RPD为0.78、3.02和2.56，模型较为准确、可靠；基于该模型反演的研究区土壤盐分含量整体较高，盐渍化程度空间分布表现为自西南部农业生产区至东北沿海区域逐渐加重，与实地调查一致。研究表明基于Landsat 8 OLI多光谱影像，引入第7波段对植被指数进行改进，从而构建土壤盐分含量的支持向量机模型，可获得较好的土壤盐分空间分布反演结果。

[32] 李鑫星, 朱晨光, 周婧, 孙龙清, 曹霞敏, 张小栓 . 光谱技术在水产养殖水质监测中的应用进展及趋势
农业工程学报, 2018,34(19):184-194.
[本文引用: 1]

LI X X, ZHU C G, ZHOU J, SUN L Q, CAO X M, ZHANG X S . Review and trend of water quality detection in aquaculture by spectroscopy technique
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(19):184-194. (in Chinese)
[本文引用: 1]

[33] URSELMANS T T, SCHMIDT H, JOERGENSEN R G, LUDWIG B . Usefulness of near-infrared spectroscopy to determine biological and chemical soil properties: Importance of sample pre-treatment
Soil Biology and Biochemistry, 2008,40(5):1178-1188.
DOI:10.1016/j.soilbio.2007.12.011URL [本文引用: 1]

[34] 翁永玲, 宫鹏 . 黄河三角洲盐渍土盐分特征研究
南京大学学报(自然科学版), 2006,42(6):602-610.
[本文引用: 1]

WENG Y L, GONG P . Soil salinity measurements on the Yellow River Delta
Journal of Nanjing University (Natural Sciences), 2006,42(6):602-610. (in Chinese)
[本文引用: 1]

[35] 安乐生, 赵全升, 叶思源, 刘贯群, 丁喜桂 . 黄河三角洲地下水关键水盐因子及其植被效应
水科学展, 2011,22(5):689-695.
[本文引用: 1]

AN L S, ZHAO Q S, YE S Y, LIU G Q, DING X G . Water-salt interactions factors and vegetation effects in the groundwater ecosystem in Yellow River Delta
Advances in Water Science, 2011,22(5):689-695. (in Chinese)
[本文引用: 1]

[36] BEN-DOR E, GOLDSHLEGER N, ESHEL M, NIRABLIS V, BASON U . Combined active and passive remote sensing methods for assessing soil salinity
Remote Sensing of Soil Salinization, 2008(10):235-255.
[本文引用: 1]

[37] GOLDSHLEGERN, BEN-DOR E, LUGASSI R, ESHEL G . Soil degra-dation monitoring by remote sensing: Examples with three degradation processes
Soil Science Society of America Journal, 2010,74(5):1433-1445.
DOI:10.2136/sssaj2009.0351URL [本文引用: 1]

[38] 徐伟杰 . 火星表面模拟矿物和卤水的光谱鉴别研究
[D]. 威海:山东大学, 2018.
[本文引用: 2]

XU W J . Spectral discriminant analysis of martian simulated minerals and brines
[D]. Weihai: Shandong University, 2018. (in Chinese)
[本文引用: 2]

[39] FAN X W, LIU Y B, TAO J M, WENG Y L . Soil salinity retrieval from advanced multi-spectral sensor with partial least square regression
Remote Sensing, 2015,7(1):488-511.
DOI:10.3390/rs70100488URL

[40] 翁永玲, 宫鹏 . 土壤盐渍化遥感应用研究进展
地理科学, 2006,26(3):369-375.
[本文引用: 2]

WENG Y L, GONG P . A review on remote sensing technique for salt-affected soils
Scientia Georaphica Sinica, 2006,26(3):369-375. (in Chinese)
[本文引用: 2]

[41] 陈文娇 . 基于多源数据光谱转换的土壤盐分反演与动态分析
[D]. 南京: 东南大学, 2018.
[本文引用: 2]

CHEN W J . Soil salinity retrieval and dynamic analysis based on spectral intercalibration of multi-sensor data
[D]. Nanjing: Southeast University, 2018. (in Chinese)
[本文引用: 2]

[42] 周鹏, 杨玮, 李民赞, 郑立华, 陈玉青 . 基于灰度关联-极限学习机的土壤全氮预测
农业机械学报, 2017,48(S1):271-276.
[本文引用: 1]

ZHOU P, YANG W, LI M Z, ZHENG L H, CHEN Y Q . Soil total nitrogen content prediction based on gray correlation-extreme learning machine
Transactions of the Chinese Society for Agricultural Machinery, 2017,48(S1):271-276. (in Chinese)
[本文引用: 1]