再屯古丽·亚库普^1,2,, 买买提·沙吾提^1,2,, 阿卜杜萨拉木·阿布都加帕尔^1,2, 张东^1,2
1. 新疆大学资源与环境科学学院,乌鲁木齐 830046
2. 新疆大学绿洲生态教育部重点实验室,乌鲁木齐 830046

Soil salinity inversion in Yutian Oasis based on PALSAR radar data

ZAYTUNGULYakup^1,2,, MAMATSawut^1,2,, ABDUSALAMAbdujappar^1,2, ZHANGDong^1,2
1. College of Resources and Environmental Science, Xinjiang University, Urumqi 830046, China
2. Ministry of Education Key Laboratories of Oasis Ecology, Xinjiang University, Urumqi 830046, China
通讯作者:通讯作者:买买提·沙吾提,E-mail: korxat@xju.edu.cn
收稿日期:2017-06-12
修回日期:2018-05-28
网络出版日期:2018-10-25
版权声明:2018《资源科学》编辑部《资源科学》编辑部
基金资助:国家自然科学基金项目（41361016;41561089）
作者简介:
-->作者简介：再屯古丽·亚库普,女,新疆轮胎县人,硕士生,主要从事干旱区资源与环境遥感应用研究。E-mail: zaytungul1992@163.com



展开

摘要
土壤盐渍化是当今土地退化和荒漠化的主要形式之一,不仅严重制约农业和经济的发展,并且对生态环境和人类生存造成威胁。本研究以新疆于田绿洲为研究区,利用四极化PALSAR （Phased Array type L-band Synthetic Aperture Radar）数据后向散射系数,土壤含水量,土壤pH值以及土壤盐分实测值,采用多元线性回归模型、地理加权回归模型和BP神经网络模型,以土壤含盐量作为因变量建立了定量反演模型。从土壤盐分反演结果图可以看出,反演结果与地面实地考察结果基本一致。经过模型验证得知,3层BPANN模型的均方根误差RMSE=0.99,平均相对误差MRE=0.31,模型性能指数RPD=5.34,其模型预测能力优于前2种传统模型。本文建立的神经网络模型无需考虑复杂的介电常数,在一定程度上能够满足土壤盐渍化监测的需要,促进PALSAR数据在土壤盐渍化监测中的应用。

关键词：土壤盐渍化;PALSAR-2雷达数据;后向散射系数;神经网络;反演;新疆于田绿洲
Abstract
Soil salinization and/or desertification is one of the main forms of land degradation and environmental issues. Meanwhile, it causes the destruction of resources, hampers to development of agriculture and threats to the environment and human survival. Yutian Oasis was identified as a study area and soil salinity information was extracted from the PALSAR-2 ALOS-2 data, which exhibited a kind of fine four-polarization SLC (single look complex) format and were bought in 2015 with 5.1 (range resolution)×4.3 (azimuth resolution) ground resolutions. Considering the distribution of saline soil spatial variability, 68 points were designed as sampling points, Hand-held GPS (global position system) receiver was used to record the coordinates of sampling points and 0-10 cm topsoil samples were collected in the field. Soil total soluble salt content was measured in the lab. The four-polarization back-scatter coefficient values corresponding to the sampling points were extracted based on the previous results by the spatial analysis module of ArcGIS. Total salt content was taken as dependent variable and four-polarization PALSAR-2 data back-scatter coefficient values, soil moisture and pH values as independent variables. The multiple linear regression (MLR), geographically weighted regression (GWR) and back propagation artificial neural network (BP ANN) were adopted to establish the quantitative inversion models of soil salt content. Results illustrated that among the ANN (BP), MLR and GWR models employed in this contribution, the ANN (BP) model was identified as the most potential predictive model of soil salinity. Best predictive results were achieved using ANN (BP) with R²=0.84, RMSE=0.99, MRE=0.31 and RPD=5.34. The established ANN (BP) model in this paper can reduce the smoothing effect compared with the two traditional models and improve the accuracy and reliability of model predictions, which meets the needs of soil salinity monitoring to a certain extent. It can promote and develop the application of microwave remote sensing in the soil salinity monitoring.

Keywords：soil salinity;PALSAR-2 data;back-scatter coefficient;artificial neural network;inversion;Yutian Xinjiang

-->0
PDF (10065KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
再屯古丽·亚库普, 买买提·沙吾提, 阿卜杜萨拉木·阿布都加帕尔, 张东. 基于PALSAR雷达数据的于田绿洲土壤盐渍化反演[J]. 资源科学, 2018, 40(10): 2110-2117 https://doi.org/10.18402/resci.2018.10.18
ZAYTUNGUL Yakup, MAMAT Sawut, ABDUSALAM Abdujappar, ZHANG Dong. Soil salinity inversion in Yutian Oasis based on PALSAR radar data[J]. RESOURCES SCIENCE, 2018, 40(10): 2110-2117 https://doi.org/10.18402/resci.2018.10.18

1 引言

土壤盐渍化是一定的气候、地形、水文、地质等自然条件和人类活动对水盐移动共同产生影响的结果。经常出现在地下水位高且含有较多可溶性盐类的干旱半干旱地区,是土地荒漠化和土地退化的主要类型之一^[1,2]。土壤盐渍化是影响农业生产的主要因素,不仅破坏农业生态系统、严重制约农业发展、给当地农民带来直接的经济损失,而且对人类的生存带来了威胁,已成为全球性环境问题^[3]。因此,土壤盐渍化的动态监测和预报在防治盐渍化及绿洲农业的可持续发展中具有重大意义^[4]。
遥感技术具有宏观、周期短、观测范围广、信息量大、速度快、实时性强等优点适合用于盐渍化监测^[5]。国外20世纪70年代开始研究盐渍化,国内20世纪80年代开始主要利用可见光波段进行遥感反演^[6,7]。诸多****利用遥感手段,结合影像光谱特征采用数字图像处理技术、目视解译和地理信息分类等方法提取盐渍地信息取得了很多成果^[8,9,10]。光学遥感影像监测盐渍化时主要利用盐渍土的光谱特征,然而受到多云雨天气的影响地物信息很容易被遮挡,在特定的时间内获取大面积的无云遥感影像困难。因此,只靠光谱特征来提取土壤盐渍化信息具有一定的局限性,很难保证反演精度^[11]。
雷达遥感作为一种主动遥感范畴,具有全天候工作、对地物有较强的穿透能力等特点,能够反映地物的几何结构^[12]。基于微波遥感等多源数据有机集成的遥感信息监测方法在一定程度上能够解决光学遥感光谱局限性的难题^[11]。因此,基于微波遥感数据的土壤盐渍化监测方法的研究具有紧迫性、现实性和重要性。目前利用雷达遥感影像监测土壤盐渍化方面的研究较少。如邵云等以内蒙古吉兰泰盐湖区为研究区,先测量了不同含水量、含盐量的土壤样品的复介电常数,并结合与该地区Radarsat-2图像,分析了土壤含水量和含盐量对图像后向散射强度值的影响,结果表明雷达影像后向散射系数与含盐土壤复介电常数实部的相关系数为0.23,虚部的相关性为0.66,雷达图像观测的含水含盐土壤的后向散射系数与实测的土壤含盐量的相关性较高^[13]。耿明等****以松辽平原作为研究区,以盐碱土含盐量为因变量,Aster影像的3个波段作为自变量建立了BP神经网络模型,其反演结果较好,具有一定的参考价值^[14]。李彪等^[12],以土壤盐分雷达监测数据为依据,利用 RADARSAT-2全极化数据,结合 DEM 数据计算出研究区雷达数据后向散射系数值,分析后向散射系数与土壤含盐量之间的关系,并在此基础上,对研究区进行决策树分类,确定研究区盐渍化程度及分布状况^[12]。
综上所述,虽然利用PALSAR数据进行盐渍化监测的研究有了一定的成果,然而关于微波遥感区域性定量盐渍化反演模型,雷达后向散射系数与土壤盐分之间的关系的研究不多^[15]。
土壤-水分系统存在着复杂的关系,土壤pH值的大小直接影响土壤盐渍化水平,在微波波段土壤中含水量的变化影响介电常数的实部,含盐量的变化影响土壤介电常数的虚部,而介电常数的变化直接影响到雷达图像记录目标的后向散射系数。这就为通过雷达遥感监测土壤盐渍化提供了可能,因此本文考虑到这些因素跟土壤盐渍化之间的关系建立了盐渍化预测模型,以便提高土壤盐渍化监测精度。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

新疆于田绿洲位于81°08´59"E—82°00´03"E,36°44´59"N—37°12´04"N之间,海拔11 800~5460m,东临民丰县,西接策勒县,南与西藏改则县相接,北临塔克拉玛干沙漠与沙雅县接壤,面积约3.95万km²。南北长约466km,东西宽约30~120km,地形呈牛腿状,自南向北形成高山、戈壁、沙漠等地貌单元。于田绿洲气候属于暖温带内陆干旱荒漠气候,年均气温11.6℃,年均降水量47.3mm,年均蒸发量2432.1mm。北部沙漠地带降水量仅为12mm,年均湿度42%,年日照总时数2769h,日照率为62%^[16]。水资源缺乏,主要来自于地下水和地表水,属于相对封闭的水系,年内分配不均。
绿洲生态系统比较脆弱、盐渍化现象比较严重、外围植被覆盖度较低,并且交错带植被破坏较严重。研究区土壤含盐量、pH值和含水量实测值的分析可知,研究区属于中度盐渍化区。由于受到地形、人类活动和地下水的影响,盐渍地主要分布在于田绿洲中部的交错带和绿洲内部人类活动比较频繁的区域。

2.2 数据获取与处理

本研究选用日本宇航局发射的对地观测卫星（Advanced Land Observing Satellite,ALOS-2）获取的2015年4月23 日的PALSAR全极化（包括HH、VV、HV、VH等4种极化方式）数据（具体参数请见表1）,其工作波段为L波段（1.2GHz段）^[17]。ALOS-2PALSAR-2数据具有多种分辨率成像、更短的重访周期和能在任何大气条件下全天候工作等优点,根据所选的模式发射出水平方向（H）和垂直方向（V）两种极化,每个散射元素（HH、HV、VH、VV）对地表面不同的特征具有不同的敏感性,有助于辨别不同的土地类型^[18]。
Table 1
表1
表1全极化ALOS-2 PALSAR-2数据的主要参数^[19]
Table 1Main parameters of fully polari metric ALOS-2 PALSAR data

参数类型	数据
数据获取日期	2015/4/23
地图投影	UTM
像素间距	12.5m
处理级	L1.1
偏移量	0
天底偏角	30.4
卫星高度	628km
行号	22609
列号	8080
极化方式	HH、HV、VH、VV
获取方式	Fine Quad Polarization
产品类型	HBQ

新窗口打开
本研究利用ENVI^®5.3软件进行了预处理。预处理过程包括数据导入（生成单式复图像Single Look Complex,SLC）、多视处理（方位和距离系数分别为8和4,生成强度图像）、图像配准、通过3×3窗口Refined Lee方法进行斑点噪声消除处理、地理编码及辐射定标等。在此基础上得到标准四极化后向散射系数影像图,并用ArcGIS10.2软件提取出采样点后向散射系数值。试验区部分土壤盐分含量、含水量、pH值与四极化后向散射系数如表2所示。为了成像时间与野外采样时间对应一致,本研究选用了2015年4月20日至5月1日的野外采样数据,并根据于田绿洲的地貌特征、气候条件、植被分布情况、土壤盐渍化程度等不同条件在整个研究区内,由绿洲内部到外围,考虑到不同程度盐渍地分布情况,选取具有代表性的68个采样点（采样点分布如图1所示）,用手持GPS接收机获取各采样点在WGS84坐标系统下的经纬度,记录采样点周围植被类型和土壤质地情况,并分别拍摄东西南北方向的景观建立野外调查照片库。每个采样点0~10cm土层均匀取3个土壤样品,并编号装入采样袋和铝盒,将土样带回实验室经过自然风干、研磨,并用1mm孔径筛过滤后,配置5:1水土比浸提液,同时参考“土壤农业化学分析方法”一书^[20]进行土壤pH值和含盐量的测定。其中土壤含盐量数据用EC200电导仪进行测定,pH值使用pH7310进行测定。为了消除取样代表性误差,每个采样点3个样品的测定值求其均值作为该点的代表值。所取铝盒土壤样本使用烘干称重法测定土壤含水量。
Table 2
表2
表2雷达影像后向散射系数与于田绿洲土壤含盐量数据统计
Table 2Statistics of radar back-scattering coefficients and salt contents of soil in Yutian Oasis

采样点编号	SHH /dB	SHV /dB	SVH /dB	SVV /dB	含盐量/（g/kg）	pH值	含水量/（g/kg）
1	-14.33	-23.71	-23.96	-16.35	0.52	8.23	7.17
2	-14.78	-22.15	-23.25	-17.62	0.28	8.55	5.26
3	-13.48	-22.63	-22.65	-11.01	8.91	8.16	5.56
4	-26.78	-28.86	-27.54	-18.25	1.75	8.18	8.75
5	-23.30	-30.73	-30.64	-23.65	2.58	8.15	4.26
6	-17.59	-27.69	-26.56	-16.52	3.63	8.97	7.15
7	-20.26	-26.72	-28.04	-19.96	6.39	7.95	3.71
8	-15.13	-24.13	-24.79	-12.41	9.91	9.02	4.24
9	-20.21	-28.93	-28.31	-19.05	8.51	8.09	5.36
…	…	…	…	…	…	…	…
68	-21.06	-28.29	-28.12	-19.77	11.40	8.70	3.44

新窗口打开
显示原图|下载原图ZIP|生成PPT
图1于田绿洲位置和采样点分布
-->Figure 1Location of study area and distribution of ground sampling points
-->

2.3 研究方法

2.3.1 传统多元线性回归模型
传统多元线性回归模型（Multiple Linear Regress,MLR）是研究一个因变量y与n自变量（x₁, x₂, x₃, …, x_n）之间的线性相关关系的方法^[21]。数学模型为：
y=α0+∑i=1kαixi（1）
式中 α0为随机误差; αi为回归系数;k为自变量个数。本研究以土壤含盐量为因变量,土壤水分和ALOS-2 PALSAR-2数据后向散射系数为自变量,建立了土壤盐分含量的回归模型。
2.3.2 地理加权回归
地理加权回归（Geographically Weighted Regression,GWR）是将采样点的空间位置嵌入模型的一种普通线性回归模型的扩展方式。随着自变量空间位置的变化,各自变量的系数也不断地改变^[22,23,24]。其模型结构形式如下：
yu=β0ui,vi+k=∑k=1pβk(ui,vi)xik+εi（2）
式中i=1, 2, …, n;y_i为在位置i处的因变量;（u_i, v_i）为第i个采样点坐标; β0ui,vi为截距;k为自变量个数; xik为第i个采样点的第k个自变量; εi为随机误差; ui,vi位地理位置的函数; βk(ui,vi)为第i个采样点上的第k个回归参数, βk采用权函数方法的估算得到。本研究以土壤含盐量作为因变量,含水量、四极化后向散射系数为自变量,建立土壤盐分含量的GWR 预测模型。
2.3.3 BP神经网络模型
土壤、水分、植被之间复杂的关系增加了遥感盐分监测的难度,使得地表散射和雷达入射波现象异常复杂^[11]。土壤盐分空间分布与后向散射特性存在着复杂的非线性函数关系,而BP神经网络模型（Back-Propagation Neural Network,BP）具有非线性特征和较强的容错性,因此BP神经网络模型是解决非线性逼近问题的有效手段。
土壤盐分随采样点地理位置的不同而存在着空间异质性。考虑到土壤盐分、土壤含水量、pH值、PALSAR影像后向散射系数之间复杂的响应关系,本文选用由输入层、输出层和隐含层组成的3层BP 神经网络模型。同时考虑MLR、GWR的对比试验,最终确定土壤含水量、pH值、PALSAR影像后向散射系数组合值S_HH、S_HV、S_VH、S_VV、S_HV/S_HH、（S²_VH+S²_HH）/（S²_VH-S²_HH）等7个神经元为输入层;通过试算法确定的74个神经元作为隐含层,并用双曲正切Sigmoid 激活函数;其土壤含盐量为输出层,采用线性激活函数;最小训练速率为0.1,允许误差为0.0001,选用traingda（自适应快速训练函数）函数进行网络训练。
模型建立过程中训练样本和验证样本的选择是反复进行,多次改善的过程。为了更准确地验证模型的预测能力,本文通过ArcGIS 软件的统计分析工具结合实地情况,进过多次试验,最终将研究区68个样点随机分成两个子集,70%的样本（N=46）为预测子集,30%的样本（N=22）为验证子集,并在建立以上3种模型过程中,将预测子集作为训练样本,验证子集作为验证样本。每个训练样本和验证样本的选择都以选择代表性的点为标准。

3 结果及分析

3.1 模型建立

本研究利用SPSS20.0软件建立MLR回归模型,该模型的回归方程为：
y=-4.853-0.444x1+1.068x2-0.146x3+0.242x4-0.370x5+0.196x6（3）
式中y为土壤含盐量;x₁、x₂、x₃、x₄、x₅、x₆分别为土壤含水量、pH值以及HH、HV、VH、VV极化的后向散射系数。从回归方程模型结果可以看出pH值的回归系数最大,土壤含水量的回归系数其次,从而进一步证明土壤水分、pH值与土壤盐分之间存在密切的关系。
GWR模型是通过GWR4^[22]软件建立的。本研究选择高斯函数模型为模型类型,自适应高斯函数为核函数,软件自动确定最优波段宽度,模型方程为：
y=4.710-0.798x1+0.401x2-0.064x3+1.120x4-1.564x5+0.178x6（4）
式中y为土壤含盐量;x₁、x₂、x₃、x₄、x₅、x₆分别为土壤含水量、pH值以及HH、HV、VH、VV极化的后向散射系数。
通过对GWR模型的变量进行Geographical Variability测试,发现模型的F值为2.84,土壤含水量、pH值和HV、VH极化后向散射系数的Diff of Criterion值都小于2,说明这些参数具有较强的空间变异性^[25]。由于BP神经网络模型具有较强的非线性拟合能力,在模拟遥感影像与土壤盐分之间复杂的关系上有一定的优势。本文利用Data Processing System（DPS）16.5,选用自适应快速训练函数traingda建立了3层BP神经网络土壤含盐量定量反演模型,实现了利用PALSAR雷达数据监测研究区盐渍化现象,与前两种传统线性回归模型相比模型精度有所提高,基本符合研究区土壤盐分分布的实际情况。

3.2 土壤盐渍化反演及精度评价

本研究利用K-S检验方法对研究区土壤含水量和pH值进行了正态检验,其P值均小于0.05,表明该样本不服从正态分布。因此本文利用反距离加权法（Inverse Distance Weighted,IDW）对土壤含水量和pH值进行插值,为了得到模型反演结果,将插值结果的投影、像素大小、图像大小调整到跟PALSAR雷达图像后向散射图一致,并利用上述所提出的MLR模型和GWR模型,通过ENVI软件的 Band Math功能得到土壤含盐量反演（图2）。
显示原图|下载原图ZIP|生成PPT
图2于田绿洲土壤含盐量反演结果
-->Figure 2Results of Soil salinity inversion in Yutian Oasis
-->

从反演结果图可以看出两种模型反演后的盐渍化程度变化趋势大致相同,然而MLR模型反演结果出现部分绿洲内部轻度盐渍化区域误分成重度盐渍地的现象。从而可知,GWR模型比MLR模型的预测能力和模型精度都有所提高,反演结果较好。为了验证模型的预测能力,本研究将22个验证样本的土壤盐分模型模拟值和实测值分别为x,y轴,制作出散点分布（图3）,并分别算出决定系数（R²）、均方根误差（RMSE）、平均相对误差（MRE）和模型性能指数（RPD）对土壤含盐量实测值和模型预测值进行相关分析来评价3种模型结果（表3）。
显示原图|下载原图ZIP|生成PPT
图3训练样本的实测值与模拟值散点分布
-->Figure 3Scatter diagram of measured values and predicted values of training points
-->

Table 3
表3
表3不同模型对于田绿洲土壤含盐量的模拟结果评价
Table 3Assessment results of soil salt content in Yutian Oasis by three different models

模型	方程	R2	RMSE	MRE	RPD
多元线性回归模型（MLR）	y=-4.853-0.444x1+1.068x2-0.146x3+0.242x4-0.370x5+0.196x6	0.58	1.68	0.56	3.23
地理加权回归模型（GWR）	y=4.710-0.798x1+0.401x2-0.064x3+1.1210x4-1.564x5+0.178x6	0.73	1.58	0.52	3.43
BP人工神经网络模型（BP ANN）		0.84	0.99	0.31	5.43

新窗口打开
从MLR模型反演图（图2a）可以看出绿洲内部土壤含盐量较高,绿洲外围交错带出现中-轻度盐渍化现象,跟该研究区实际情况大致相同。从表3可知决定系数R²越大,RMSE、MRE值越小,则误差越小,RPD值和模型模拟精度越高。3种模型的RPD值分别为3.23,3.43和5.43,说明3种模型都有一定的预测能力。然而,BP神经网络模型的RPD值高于前面两种传统模型,说明该模型的预测能力优于MLR模型和GWR模型,能够较好地反演土壤含盐量。
从图3中可以看出,MLR模型的绝对系数为0.58,均方根误差为1.68,土壤含盐量实测值与模拟值相对离散在（0~2.5）g/kg范围内时实测值小于模拟值。利用GWR模型结果表明,该模型的R²=0.73,均方根误差为1.58,在（0~5）g/kg范围内模型拟合值较实测值偏大,土壤含盐量模拟值与实测值分散在1:1线附近的点很少。BP神经网络模型的R²=0.84,该模型模拟值与实测值偏差不大,基本分散在1:1线附近,模型结果较好。从模拟误差来看与MLR模型和GWR模型相比BP神经网络模型的均方根误差分别降低了0.69和0.59,平均相对误差分别减少了25%和21%。精度验证表明,与两种传统模型相比BP神经网络模型更适合于反演于田绿洲盐渍化土壤。

4 结论与讨论

本研究利用于田绿洲四极化ALOS-2 PALSAR-2数据,利用多元回归模型、地理加权回归模型、BP神经网络模型建立了土壤含盐量、土壤含水量、pH值、雷达后向散射系数之间的定量反演模型。研究结论如下：
（1）从模型反演结果图看出,研究区东北部没有采样点的沙漠地区出现重度盐渍化现象,说明,采样点的分布情况在一定程度上影响模型的反演精度。研究区中部绿洲内以及绿洲和裸露地交错带区土壤含盐量较高,是土壤盐渍化现象比较严重的区域。
（2）通过模型验证,GWR盐渍化监测模型与MLR模型相比,变量之间的相关性有所提高和改进,但GWR模型对变量的依赖性较大,当变量数量较少时,难以建立合理又准确的回归模型,导致因变量的预测精度低,反演结果存在不确定性。
（3）由于BP模型的建立过程中模型匹配了土壤含水量、pH值、PALSAR影像后向散射系数组合值S_HH、S_HV、S_VH、S_VV、S_HV/S_HH、（S²_VH+S²_HH）/（S²_VH-S²_HH）作为参数,模型能够映射复杂的非线性关系,反演进度好于线性模型。后向散射系数对盐渍化有一定的影响,如果所选择的参数不同,模型的精度也会有所不同。
（4）本研究建立的三层BP模型的均方根误差为0.99,与MLR模型和GWR模型相比分别降低了0.59和0.69,平均相对误差为0.31,分别减少了25%和21%,模型预测能力RPD为5.43,优于前两种回归模型,说明,模型的可靠性以及预测能力均有提高。
本文所提出的基于PALSAR数据的土壤盐分反演模型在一定程度上能够满足土壤盐渍化监测的需要,为理解盐渍化对该地区生态系统的影响程度和变化格局、防治盐渍化、制定盐渍化土壤治理方案等方面提供了基础资料。影响土壤盐渍化的因素较多,地表粗糙度对后向散射系数的影响也较大,由于知识水平,技术和仪器设备的限制,本研究未能加入到考虑范围内,这也是今后工作和研究中需要解决的问题。
The authors have declared that no competing interests exist.

---

参考文献文献选项 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]	蒲红艳, 陈亚宁, 李卫红. 干旱荒漠区新垦绿洲土壤改良措施对盐分变化的影响研究 [J]. 干旱区资源与环境, 2007, 21(7): 160-164. [本文引用: 1] [Pu H Y, Chen Y N, Li W H.Influence of soil improvement measures on salinity change in new-cultivated oasis land [J]. Journal of Arid Land and Resources and Environment, 2007, 21(7): 160-164. ] [本文引用: 1]
[2]	Sreenivas K, Venkataratnam L, NarasimhaRao P V. Dielectric properties of salt 2 affected soils [J]. International Journal of Remote Sensing, 1995, 16(4): 641-649. [本文引用: 1]
[3]	李彪, 王耀强. 土壤盐渍化雷达反演模拟研究 [J]. 干旱区资源与环境, 2015, 29(8): 180-184. [本文引用: 1] [Li B, Wang Y Q.Radar inversion and simulation of salty soil salinization [J]. Journal of Arid Land Resources and Environment, 2015, 29(8): 180-184. ] [本文引用: 1]
[4]	丁建丽, 陈文倩, 陈芸. 干旱区土壤盐渍化灾害预警-以渭-库绿洲为例 [J]. 中国沙漠, 2016, 36(4): 1079-1086. [本文引用: 1] [Ding J L, Chen W Q, Chen Y.Soil salinization disaster warning in arid zones: a case study in the Ugan-Kuqa Oasis [J]. Journal of Desert Research, 2016, 36(4): 1079-1086. ] [本文引用: 1]
[5]	黄恩兴. 土壤盐渍化遥感应用研究进展 [J]. 安徽农业科学, 2010, 38(13): 6849-6850. [本文引用: 1] [Huang E X.Research progress of remote sensing technique in soil salinization [J]. Journal of Anhui Agricultural Sci, 2010, 38(13): 6849-6850. ] [本文引用: 1]
[6]	Jimenez L O, Rivera-Medina J L, Rodriguez-Diaz E, et al. Integration of spatial and spectral information by means of unsupervised extraction and classification for homogenous objects applied to multispectral and hyper spectral data [J]. IEEE Transactions on Geoscience & Remote Sensing, 2005, 43(4): 844-851. [本文引用: 1]
[7]	Farifteh J, Meer F V D, 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(1): 59-78. [本文引用: 1]
[8]	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. [本文引用: 1] [Liu Q M, Cheng Q M, Wang X, et al. Soil salinity inversion in Hetao Irrigation district using microwave radar [J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(16): 109-114. ] [本文引用: 1]
[9]	Farifteh J, Farshad A, Georger R J.Assessing salt-affected soils using remote sensing, solute modeling, and geophysics [J]. Geoderma, 2006, 130(3-4): 191-206. [本文引用: 1]
[10]	Brunner P, Li H T, Kinzelbach W, et al. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data [J]. International Journal of Remote Sensing, 2007, 28(15): 3341-3361. [本文引用: 1]
[11]	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. [本文引用: 3] [Liu Q M.On radar inversion and simulation of salty soil salinization [J]. Bulletin of Surveying and Mapping, 2014, (9): 43-46. ] [本文引用: 3]
[12]	李彪, 王耀强. 土壤盐渍化雷达反演模拟研究 [J]. 干旱区资源与环境, 2015, 29(8): 180-184. [本文引用: 3] [Li B, Wang Y Q.Radar inversion and simulation of salty soil salinization [J]. Journal of Arid Land Resources and Environment, 2015, 29(8): 180-184. ] [本文引用: 3]
[13]	邵芸, 吕远, 懂庆, 等. 含水含盐土壤的微波介电特性分析研究 [J]. 遥感学报, 2002, 6(3): 416-423. [本文引用: 1] [Shao Y, Lu Y, Dong Q, et al. Study on soil microwave dielectric characteristic as salinity and water content [J]. Journal of Remote Sensing, 2002, 6(3): 416-423. ] [本文引用: 1]
[14]	耿明. 基于BP神经网络的松辽平原盐碱土含盐量遥感反演研究 [D]. 长春: 吉林大学, 2008. [本文引用: 1] [Geng M.Research on Remote Sensing Inversion of Salt Content in Saline-alkali Soil Based on BP Network in Songliao Plain [D]. Changchun: Jilin University, 2008. ] [本文引用: 1]
[15]	Holah N, Baghdadi N, Zribi M, et al. Potential of ASAR/ENVISAT for the characterization of soil surface parameters over bare agricultural fields [J]. Remote Sensing of Environment, 2005, 96(1): 78-86. [本文引用: 1]
[16]	袁玉芸, 瓦哈甫·哈力克, 关靖云, 等. 基于GWR模型的于田绿洲土壤表层盐分空间分异及其影响因子 [J]. 应用生态学报, 2016, 27(10): 3273-3282. [本文引用: 1] [Yuan Y Y, Halik W, Guan J Y, et al. Spatial differentiation and impact factors of Yutian Oasis soil surface salt based on GWR model [J]. Chinese Journal of Applied Ecology, 2016, 27(10): 3273-3282. ] [本文引用: 1]
[17]	甘洁, 杨长江, 郑万基, 等. 基于ALOS-2数据的2015年6. 5级皮山地震同震形变场反演 [J]. 测绘, 2017, 40(2): 51-54. [本文引用: 1] [Gan J, Yang C Z, Zheng W J, et al. Pishan earthquake coseismic deformation field inversion based on ALOS-2Data [J]. Surveying and Mapping, 2017, 40(2): 51-54. ] [本文引用: 1]
[18]	Natsuaki R, Nagai H, Motohka T, et al. SAR interferometry using ALOS-2 PALSAR-2 data for the MW7. 8 Gorkha, Nepal earthquake [J]. Earth Planets & Space, 2016, 68(1): 1-13. [本文引用: 1]
[19]	Rosenqvist A, Shimada M, Suzuki S, et al. Operational performance of the ALOS global systematic acquisition strategy and observation plans for ALOS-2 PALSAR-2 [J]. Remote Sensing of Environment, 2014, 155(4): 3-12. [本文引用: 1]
[20]	鲁如坤. 土壤农业化学分析方法[M]. 北京: 中国农业科技出版社, 2000. [本文引用: 1] [ Lu R K.Methods for Soil Agrochemistry Analysis [M]. Beijing: China Agriculture Science Press, 1999. ] [本文引用: 1]
[21]	朱瑜馨, 张锦宗, 赵军. 基于人工神经网络的森林资源预测模型研究 [J]. 干旱区资源与环境, 2005, 19(1): 101-104. [本文引用: 1] [Zhu Y X, Zhang J Z, Zhao J.Studies on forest resource prediction based on ANN [J]. Journal of Arid Land Resource and Environment, 2005, 19(1): 101-104. ] [本文引用: 1]
[22]	吴春生, 黄翀, 刘高焕, 等. 黄河三角洲土壤含盐量空间预测方法研究 [J]. 资源科学, 2016, 38(4): 704-713. [本文引用: 2] [Wu C S, Huang C, Liu G H, et al. Spatial prediction of soil salinity in the Yellow River Delta based on geographically weighted regression [J]. Resource Science, 2016, 38(4): 704-713. ] [本文引用: 2]
[23]	李启权, 王昌全, 岳天祥, 等. 基于RBF神经网络的土壤有机质空间变异研究方法 [J]. 农业工程学报, 2010, 26(1): 87-93. [本文引用: 1] [Li Q Q, Wang C Q, Yue T X, et al. Method for spatial variety of soil organic matter based on radial basis function neural network [J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(1): 87-93. ] [本文引用: 1]
[24]	Nakaya T, Fotheringham A S, Charlton M, et al. Semiparametric Geographically Weighted Generalized Linear Modeling in GWR4. 0 [C]. Japan: Geocomputation, 2009. [本文引用: 1]
[25]	郭永龙, 刘友兆, 毕如田, 等. 基于GWR模型的耕地表层土壤有机质空间变异研究-以山西省忻州市忻府区为例 [J]. 广东农业科学, 2013, 40(13): 187-190. [本文引用: 1] [Guo Y L, Liu Y Z, Bi R T, et al. Study on cultivated land surface soil organic matter spatial characteristics based on GWR model-a case study of Xinfu district [J]. Guangdong Agricultural Science, 2013, 40(13): 187-190. ] [本文引用: 1]