基于光譜變換的高光譜指數(shù)土壤鹽分反演模型優(yōu)選

張賢龍，張 飛,3※，張海威，李 哲，海 清，陳麗華

（1. 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，烏魯木齊 830046；2. 新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830046；3. 新疆智慧城市與環(huán)境建模自治區(qū)普通高校重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830046；4. 中亞地理信息開(kāi)發(fā)利用國(guó)家測(cè)繪地理信息局工程技術(shù)研究中心，烏魯木齊 830002；5. 新疆艾比湖濕地國(guó)家級(jí)自然保護(hù)區(qū)管理局，博樂(lè) 833400）

0 引 言

土壤鹽漬化已成為全世界共同面臨的全球性生態(tài)環(huán)境問(wèn)題，嚴(yán)重影響著農(nóng)業(yè)生產(chǎn)[1]。土壤鹽分定量監(jiān)測(cè)是治理和改良土壤鹽漬化的重要手段和依據(jù)[2]，傳統(tǒng)土壤鹽分檢測(cè)主要通過(guò)實(shí)地采樣和試驗(yàn)分析，但這種方法費(fèi)時(shí)費(fèi)力，難以對(duì)大范圍研究區(qū)域進(jìn)行準(zhǔn)確和持續(xù)性監(jiān)測(cè)[3]。因此，實(shí)現(xiàn)對(duì)鹽漬土大規(guī)模的動(dòng)態(tài)監(jiān)測(cè)，精確估算土壤含鹽量等研究受到了廣大學(xué)者的高度關(guān)注[4]。

隨著遙感技術(shù)的成熟與發(fā)展，高光譜數(shù)據(jù)已能夠準(zhǔn)確反映地物光譜的細(xì)微特征[5]，變換后的光譜在消除背景和噪聲影響、降低外部環(huán)境因子和內(nèi)部因子的干擾，以及放大和提取光譜吸收特征等方面具有較好的效果，對(duì)充分、準(zhǔn)確地挖掘光譜信息和構(gòu)建高精度、穩(wěn)健度模型具有重要作用[6-7]。彭杰等[8]研究表明，含鹽量與反射率及反射率的一階微分間的相關(guān)性要高于電導(dǎo)率與反射率及反射率的一階微分間的相關(guān)性；Stevens等[9]結(jié)合導(dǎo)數(shù)和平滑處理來(lái)提高土壤有機(jī)質(zhì)模型的預(yù)測(cè)精度；Tian等[10]以5 類(lèi)土壤為研究對(duì)象，采用平滑和微分處理光譜數(shù)據(jù)，發(fā)現(xiàn)土壤有機(jī)質(zhì)模型的監(jiān)測(cè)精度可達(dá)0.98。

土壤鹽漬化危害在一定程度上會(huì)造成植被狀況的改變[11]，植被指數(shù)的變化有助于推測(cè)土壤鹽漬化的程度和發(fā)展趨勢(shì)，因而根據(jù)植被指數(shù)等參量反演土壤鹽分含量是判別鹽漬化程度的重要方法[12]。許多學(xué)者直接利用或改進(jìn)植被指數(shù)對(duì)土壤鹽分進(jìn)行高光譜反演：Brunner[13]利用歸一化植被指數(shù)評(píng)價(jià)新疆博斯騰湖地區(qū)的土壤鹽漬化狀況；Bouaziz[14]針對(duì)巴西東北部土壤鹽化問(wèn)題，利用MODIS 遙感影像提取影響鹽化的植被指數(shù)等光譜參量，經(jīng)過(guò)回歸分析建立了評(píng)價(jià)半干旱區(qū)土壤鹽化的線性波譜分離（linear spectral unmixing，LSU）模型；姚遠(yuǎn)等[15]利用11種光譜變換的反射率與EM38數(shù)據(jù)建立土壤鹽分解譯模型，并選取出與土壤鹽分相關(guān)性最好的光譜變換形式及響應(yīng)波段，最終構(gòu)建 5種鹽分指數(shù)，通過(guò)精度檢驗(yàn)選取最優(yōu)高光譜指數(shù)，以此建立區(qū)域土壤鹽漬化監(jiān)測(cè)模型。

綜上，植被指數(shù)或光譜變換等方法已分別被用于土壤鹽分反演，將二者結(jié)合在一起進(jìn)行鹽分反演研究較少。本文以艾比湖濕地自然保護(hù)區(qū)為研究區(qū)，利用野外實(shí)測(cè)表層土壤高光譜數(shù)據(jù)，結(jié)合土壤含鹽量實(shí)測(cè)數(shù)據(jù)，分別研究基于高光譜指數(shù)和光譜變換的土壤含鹽量反演模型，并進(jìn)一步地利用最優(yōu)光譜變換形式下波段反射率構(gòu)建新的光譜指數(shù)，用于建立土壤鹽分估算模型，以提高土壤鹽分反演精度，為土壤鹽分反演提供一種新的思路。

1 材料與方法

1.1 研究區(qū)概況

艾比湖濕地自然保護(hù)區(qū)地處新疆維吾爾族自治區(qū)博爾塔拉蒙古自治州境內(nèi)（43°38′～45°52′N(xiāo)、79°53′～85°02′E），在行政區(qū)劃上地跨博州精河縣、博樂(lè)市和阿拉山口口岸區(qū)，總面積2 670.85 km2[16]。艾比湖地勢(shì)低洼，是準(zhǔn)噶爾盆地西南緣最低洼地和水鹽匯集中心，是新疆最大的咸水湖[17]。以艾比湖湖體為核心，沿湖濱地帶形成了5 500 km2的濕地。屬于典型的中溫帶干旱大陸氣候，以干旱少雨、氣溫變化劇烈為特點(diǎn)。年均氣溫6.6～7.8 ℃，年降水量為116.0～169.2 mm[18]。濕地保護(hù)區(qū)內(nèi)典型的地帶性土壤為灰漠土、灰棕土和風(fēng)沙土，隱域性土壤為鹽澤土和草甸土，土壤有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)在0.23%～4.27%之間。研究區(qū)鹽土的土壤含水率在6.32%～24.32%；鹽化草甸土的土壤含水率在7.89%～24.16%；風(fēng)沙土的土壤含水率 6.43%～38.37%；灰棕漠土的土壤含水率在 5.18%～11.0%之間[19]。

1.2 土壤樣品采集及測(cè)定

土壤樣品的采集時(shí)間為2016年7月15日—8月1日，以 3～10 km采樣點(diǎn)間隔為原則并結(jié)合保護(hù)區(qū)的自然景觀、土壤質(zhì)地以及道路通達(dá)等實(shí)際情況，在預(yù)先設(shè)計(jì)的具有典型鹽漬化的土壤采樣點(diǎn)基礎(chǔ)上進(jìn)行實(shí)地考察，去除數(shù)據(jù)異常后最終保留了32個(gè)具有代表性的鹽漬化土壤采樣點(diǎn)（圖1）。采樣時(shí)手持GPS在預(yù)先設(shè)計(jì)的采樣點(diǎn)坐標(biāo)30 m范圍內(nèi)尋找具有鹽漬化特征的平坦裸地進(jìn)行土壤采集，以減少地表植被、土壤水分對(duì)土壤鹽分測(cè)定和光譜測(cè)定的影響。

圖1 研究區(qū)土壤采樣點(diǎn)及含鹽量分布Fig.1 Distribution of soil sampling points and salinity in study area

根據(jù)五點(diǎn)采樣法[20]，在各采樣點(diǎn)30 m×30 m樣方內(nèi)采樣，采集 5份表層土壤，混合均勻后帶回實(shí)驗(yàn)室內(nèi)自然風(fēng)干，磨碎、過(guò)2 mm篩后，將樣品細(xì)土按土水質(zhì)量1∶5的比例制成提取液，并用TZS-EC-I土壤鹽分速測(cè)儀測(cè)定樣品土壤含鹽量。根據(jù)新疆水利廳頒發(fā)的《新疆縣級(jí)鹽堿地改良利用規(guī)劃工作大綱》[21]以及野外樣品土壤鹽分的實(shí)測(cè)狀況，艾比湖濕地自然保護(hù)區(qū)采樣點(diǎn)土壤鹽分分為6個(gè)等級(jí)（圖1）：非鹽漬土（＜1 g/kg）、微度鹽漬化（1～＜3 g/kg）、輕度鹽漬化（3～＜6 g/kg）、中度鹽漬化（6～＜10 g/kg）、重度鹽漬化（10～20 g/kg）和鹽漬土（＞20 g/kg）。由于樣本數(shù)量較少，按照校正集和驗(yàn)證集7∶3的比例，從32個(gè)代表性土壤樣品中隨機(jī)選取22個(gè)樣本作為校正集，剩余10個(gè)樣本作為驗(yàn)證集，土壤鹽分的校正集和驗(yàn)證集的描述性統(tǒng)計(jì)性分析如表1所示。

表1 土壤鹽分的描述性統(tǒng)計(jì)分析Table 1 Descriptive statistical analysis on soil salinity

土壤光譜反射率測(cè)定采用 FieldSpec3型地物光譜儀（美國(guó)ASD公司），光譜范圍為350～2 500 nm，野外測(cè)量選擇晴朗無(wú)風(fēng)的天氣，測(cè)量時(shí)間為12:00—16:00，面向太陽(yáng)，測(cè)定之前先進(jìn)行白板校正，測(cè)定時(shí)始終保證傳感器探頭位于土面正上方15 cm處[22]。在各采樣點(diǎn)樣方內(nèi)，對(duì)應(yīng)于 5點(diǎn)采樣位置，測(cè)定光譜反射率，每個(gè)位置測(cè)量2次，最終各采樣點(diǎn)獲得10條土壤光譜曲線。

為了消除野外測(cè)量時(shí)噪聲對(duì)光譜數(shù)據(jù)的影響，光譜曲線進(jìn)行均值化、去噪和平滑預(yù)處理[23]。1）在 View Specpro軟件中分別對(duì)各采樣點(diǎn)的多條土壤光譜曲線進(jìn)行均值化處理，10條光譜曲線的算術(shù)平均值作為該樣點(diǎn)的實(shí)際光譜反射率；2）通過(guò)在Excel軟件中對(duì)野外光譜數(shù)據(jù)散點(diǎn)圖的分析，對(duì)均值處理后的所有光譜曲線統(tǒng)一去除水分吸收帶波段1 340～1 450、1 750～2 020、2 330～2 500 nm；3）在Origin軟件中對(duì)光譜曲線進(jìn)行平滑處理，最終將 3步預(yù)處理后的光譜曲線作為備用的土壤光譜特征曲線。另外，為了減少光照、背景噪聲的干擾，突出光譜曲線的混合特征信息，提高光譜靈敏度，在平滑后的原始土壤光譜特征曲線基礎(chǔ)上，對(duì)光譜反射率（R）分別進(jìn)行求一階導(dǎo)Rˊ、二階導(dǎo)數(shù)R"、求平方根（R）、平方根的一階導(dǎo)(R)′、平方根的二階導(dǎo)(R)′、倒數(shù)（1/R）、倒數(shù)的一階導(dǎo)(1/R)′、倒數(shù)的二階導(dǎo)(1/R)′、對(duì)數(shù) logR、對(duì)數(shù)的一階導(dǎo)(logR)′、對(duì)數(shù)的二階導(dǎo)(logR)′、倒數(shù)的對(duì)數(shù)（簡(jiǎn)稱(chēng)對(duì)倒數(shù)）log(1/R)、對(duì)倒數(shù)一階導(dǎo)(log(1/R))′、對(duì)倒數(shù)的二階導(dǎo)(log(1/R))′、去包絡(luò)線處理（Rcr）15種常見(jiàn)光譜變換，以選擇最佳的光譜處理方法。

1.3 土壤光譜指數(shù)的構(gòu)建

采樣3種應(yīng)用廣泛的指數(shù)構(gòu)建土壤光譜指數(shù)，包括差值土壤指數(shù)（difference soil index，DSI）、簡(jiǎn)單比值土壤指數(shù)（simple ratio soil index，RSI）和歸一化土壤指數(shù)（normalized differential soil index，NDSI），基于土壤R的各植被指數(shù)計(jì)算公式[24-26]如下：

式中Ri和Rj為350～2 500 nm之間隨機(jī)選取第i和j波段的土壤光譜反射率。

1.4 模型評(píng)價(jià)方法

從模型的穩(wěn)定性和預(yù)測(cè)能力 2個(gè)方面評(píng)價(jià)反演模型精度，模型的穩(wěn)定性用決定系數(shù)（R2）檢驗(yàn)，模型的預(yù)測(cè)能力用均方根誤差（root mean square error，RMSE）進(jìn)行評(píng)定[27]。R2的取值范圍為0～1，R2越大，說(shuō)明模型的穩(wěn)健性越好、估算模型擬合程度越高。RMSE越小，模型預(yù)測(cè)能力越好，即模擬值和測(cè)量值之間的偏差越小[28]。

2 結(jié)果與分析

2.1 不同鹽漬化程度土壤的高光譜特征

不同鹽漬化程度的土壤光譜反射率如圖2所示。圖2表明不同鹽漬化水平下，土壤的光譜特征在形態(tài)上趨于一致，在350～2 100 nm之間土壤光譜反射率隨波長(zhǎng)的增加而增加，其中350～700 nm間的土壤光譜曲線增加迅速，在2 100 nm之后反射率隨波長(zhǎng)增加而逐漸減弱。從總體上來(lái)看，鹽漬土反射率最高，中重度鹽漬化程度的土壤反射率高于非鹽漬土和輕微度土壤的反射率。

圖2 不同鹽漬化程度土壤的光譜反射率Fig.2 Spectral reflectance of soils with different degree of salinization

2.2 基于光譜數(shù)據(jù)變換構(gòu)建土壤鹽分估算模型

將光譜反射率及其15種變換形式與土壤鹽分實(shí)測(cè)值分別進(jìn)行偏相關(guān)關(guān)系分析，以尋找特征波段，結(jié)果如圖3所示。

圖3 不同形式變換的光譜反射率及其與土壤含鹽量的相關(guān)性分析Fig.3 Correlation analysis on relationship between transformed reflectance and soil salinity

根據(jù)圖3中相關(guān)分析，選出顯著相關(guān)的波段（特征波段）。R′、R″、(1/R)′、(log1/R)′、Rcr、(logR)′這 6 組變換下，顯著相關(guān)（P＜0.01）的波段數(shù)量較多，而其他變換沒(méi)有或者極少存在與土壤鹽分含量顯著相關(guān)的特征波段。因此，從以上6種變換中選擇特征波段（表2）。分別用R′、R″、1/R′、(logR)′、(log1/R)′、Rcr的特征波段反射率值與土壤含鹽量實(shí)測(cè)值進(jìn)行多元線性回歸，建立不同高光譜變換下的土壤鹽分估算模型，見(jiàn)表2，從R2和RMSE值來(lái)看，建模精度相差不大，R2＜0.6。但從模型驗(yàn)證可知（圖4），R′、(logR)′、(log1/R)′變換下的土壤鹽分估算模型精度較好，R2分別為 0.64、0.59和 0.67，RMSE分別為 2.8、3.0和 2.77 g/kg。總體而言，R′和(log1/R)′的模型精度相對(duì)較高。

表2 不同光譜變換下的土壤鹽分特征波段及土壤含鹽量回歸模型Table 2 Characteristic band and regression model of soil salinity under different spectral transformation

圖4 基于光譜變換的土壤鹽分回歸模型驗(yàn)證Fig.4 Validation of soil salinity regression model based on spectral transformation

2.3 基于光譜指數(shù)的土壤鹽分估算模型

在Matlab-R2012a軟件中，將Ri和Rj分別進(jìn)行光譜指數(shù)運(yùn)算存入二維矩陣數(shù)據(jù)，然后與土壤鹽分實(shí)測(cè)值計(jì)算相關(guān)系數(shù)，最終得出基于DSI、RSI和NDSI的高光譜矩陣系數(shù)圖，見(jiàn)圖5?；贒SI的高光譜矩陣系數(shù)圖中，相關(guān)性較高的區(qū)域主要在 1 760～1 770 nm和 1 710～1 720 nm，最佳估算參數(shù)為（1 760，1 715），最大相關(guān)系數(shù)為0.56?；贜DSI的高光譜矩陣系數(shù)圖與DSI分布大致相似，相關(guān)性較高的區(qū)域主要在1 760～1 770 nm和1 710～1 720 nm，最佳估算參數(shù)為（1 760, 1 713），最大相關(guān)系數(shù)為 0.58?；?RSI的高光譜矩陣系數(shù)圖中，相關(guān)性較高的區(qū)域主要在1 760～1 770 nm和1 710～1 720 nm，1 970～1 972 nm和690～720 nm，最佳估算參數(shù)為（1 770,1 720），最大相關(guān)系數(shù)為0.58。

圖5 光譜波段反射率與土壤鹽分的高光譜矩陣系數(shù)Fig.5 Hyperspectral matrix coefficients of spectral reflectance and soil salinity

分別建立基于最佳波段組合構(gòu)建的 3種土壤光譜指數(shù)與土壤鹽分之間的線性和二次多項(xiàng)式回歸模型，結(jié)果如表3所示。基于RSI的土壤鹽分實(shí)測(cè)值的二次多項(xiàng)式回歸模型的R2最高（0.60），基于NDSI的二次多項(xiàng)式回歸模型的R2（0.59）次之，RMSE為5.22 g/kg。

表3 基于光譜指數(shù)的土壤鹽分線性與二次回歸模型Table 3 Linear and quadratic regression models of soil salinity based on spectral index

將模型反演的土壤鹽分估算值與驗(yàn)證集土壤鹽分實(shí)測(cè)值進(jìn)行比較，如圖6所示，基于DSI指數(shù)的線性和二次回歸模型的精度均高于基于其他植被指數(shù)的估算模型?？傮w，基于植被指數(shù)的模型精度高于基于光譜變換的模型，但2種方法的模型均有提升空間。

2.4 基于光譜變換的光譜指數(shù)構(gòu)建土壤鹽分反演模型

將光譜變換下土壤鹽分反演精度較高的R′和(log1/R)′的波段反射率與土壤含鹽量實(shí)測(cè)值建立高光譜矩陣系數(shù)圖（如圖 7所示），以通過(guò)高精度的光譜變換形式與光譜指數(shù)結(jié)合得出新的土壤含鹽量高精度估算模型。

圖6 基于光譜指數(shù)的土壤鹽分回歸模型精度檢驗(yàn)Fig.6 Validation of soil salinity regression model based on vegetation index

圖7 光譜變換后反射率與土壤鹽分的高光譜矩陣系數(shù)圖Fig.7 Hyperspectral matrix coefficient map of transformed reflectance and soil salinity

由圖7可知，進(jìn)行R′變換后，基于DSI指數(shù)的最大相關(guān)系數(shù)為0.49，最佳波段組合為（1 578，1 548）；基于 NDSI指數(shù)的最高相關(guān)系數(shù)為 0.52，最佳波段組合為（886，503）；基于RSI指數(shù)的最高相關(guān)系數(shù)為0.54，最佳波段組合為（2 090，1 003）。進(jìn)行(log1/R)′變換后，基于DSI指數(shù)的最大相關(guān)系數(shù)為0.49，最佳波段組合為（1 578，1 548）；基于NDSI指數(shù)的最高相關(guān)系數(shù)為0.58，最佳波段組合為（1 658，1 137）；基于RSI指數(shù)的最高相關(guān)系數(shù)為0.46，最佳波段組合為（2 310，1 328）。

將圖7獲得的最佳波段組合代入式（1）～式（3）進(jìn)行光譜指數(shù)計(jì)算，進(jìn)而建立基于光譜變換的光譜指數(shù)的土壤鹽分估算模型，見(jiàn)表4。由表可知，在(log1/R)′光譜變換下，基于NDSI指數(shù)的土壤鹽分估算模型精度最高，R2為0.76，RMSE為 4.28 g/kg；R′光譜變換下各光譜指數(shù)的土壤鹽分估算模型精度基本一致，R2均在0.5左右。經(jīng)驗(yàn)證（圖8）可知，在(log1/R)′光譜變換下，基于NDSI指數(shù)的土壤鹽分估算模型模擬值集中分布在 1∶1線附近，R2可達(dá)0.89，RMSE為3.34 g/kg，相對(duì)于單一光譜變換或光譜指數(shù)構(gòu)建的模型精度有了明顯的提高，因此(log1/R)′光譜變換下基于NDSI指數(shù)的土壤鹽分估算模型用于土壤鹽分反演是可靠的，可用于半干旱地區(qū)土壤鹽分定量估算。在光譜指數(shù)估算土壤含鹽量研究中，光譜波段反射率與土壤鹽分的高光譜矩陣系數(shù)圖是基于去噪后的波段反射率值構(gòu)建的，雖然水分吸收帶存在大量噪聲，但可能存在與土壤含鹽量最大相關(guān)系數(shù)的波段。Minasny等[29]利用外部參數(shù)正交化方法（external parameter orthogonalisation，EPO）算法對(duì)實(shí)測(cè)的光譜數(shù)據(jù)進(jìn)行預(yù)處理從而去除水分影響，可以為接下來(lái)的工作提供新的思路和進(jìn)展。

表4 基于光譜變換的光譜指數(shù)建立的土壤鹽分估算模型Table 4 Soil salinity model based on spectral index from spectral transformation

圖8 基于光譜變換的光譜指數(shù)建立的土壤鹽分估算模型驗(yàn)證Fig.8 Validation of soil salinity model based on spectral index from spectral transformation

3 結(jié) 論

本文以艾比湖濕地自然保護(hù)區(qū)為研究區(qū)，利用野外實(shí)測(cè)土壤表層高光譜數(shù)據(jù)，并結(jié)合土壤含鹽量實(shí)測(cè)數(shù)據(jù)，分別對(duì)高光譜波段反射率進(jìn)行光譜變換或構(gòu)建高光譜指數(shù)，并建立基于光譜變換的高光譜指數(shù)，進(jìn)一步構(gòu)建土壤鹽分反演模型，結(jié)果表明：

1）在 15 種高光譜變換中，R′、R″、(1/R)′、logR′、(log1/R)′等高光譜變換形式與土壤鹽分的相關(guān)性較高，特征波段數(shù)量較多。基于特征波段建立土壤鹽分反演模型，比較而言，R′和(log1/R)′變換下土壤鹽分估算模型精度較好。

2）建立基于 DSI、RSI和 NDSI的土壤鹽分線性和二次回歸模型，結(jié)果表明基于 DSI指數(shù)的線性和多項(xiàng)式回歸模型精度均高于基于其他植被指數(shù)的模型。

3）利用不同光譜變換下的波段反射率構(gòu)建光譜指數(shù)，得出新的土壤鹽分光譜指數(shù)估算模型。模型中以(log1/R)′光譜變換下NDSI指數(shù)的土壤鹽分估算模型精度為高，經(jīng)驗(yàn)證，模型R2為0.89，RMSE為3.34 g/kg?？梢?jiàn)，(log1/R)′光譜變換下基于NDSI指數(shù)的土壤鹽分估算模型用于土壤鹽分反演是可靠的，可用于半干旱地區(qū)土壤鹽分定量估算。

本研究的土樣采集與光譜測(cè)定主要集中在艾比湖濕地自然保護(hù)區(qū)內(nèi)，所利用微分變換與光譜指數(shù) 2種不同方法構(gòu)建的土壤含鹽量估算模型能否用于其他地區(qū)還有待于進(jìn)一步研究。

[1] 毛海濤，黃慶豪，龍順江，等. 土壤鹽漬化治理防護(hù)毯的研發(fā)及試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(17): 121－127.Mao Haitao, Huang Qinghao, Long Shunjiang, et al. Design and experiment of protective blanket for soil salinization control[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(17): 121－127. (in Chinese with English abstract)

[2] 阿爾達(dá)克?克里木，塔西甫拉提?特依拜，張東，等. 基于高光譜的 ASTER影像土壤鹽分模型校正及驗(yàn)證[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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)

[3] 王紅，劉高煥，宮鵬. 利用 Cokriging提高估算土壤鹽離子濃度分布的精度：以黃河三角洲為例[J]. 地理學(xué)報(bào)，2005，60(3)：511－518.Wang Hong, Liu Gaohuan, Gong Peng. Use of Cokriging to improve estimates of soil salt solute spatial distribution in the Yellow River delta[J]. Acta Geographica Sinica, 2005, 60(3):511－518. (in Chinese with English abstract)

[4] 王敬哲，塔西甫拉提·特依拜，丁建麗，等. 基于分?jǐn)?shù)階微分預(yù)處理高光譜數(shù)據(jù)的荒漠土壤有機(jī)碳含量估算[J].農(nóng)業(yè)工程學(xué)報(bào)，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)

[5] 丁建麗，伍漫春，劉海霞，等. 基于綜合高光譜指數(shù)的區(qū)域土壤鹽漬化監(jiān)測(cè)研究[J]. 光譜學(xué)與光譜分析，2012(7)：1918－1922.Ding Jianli, Wu Manchun, Liu Haixia, et al. Study on soil salinization monitoring based on synthetical hyperspectral index[J]. Spectroscopy and Spectral Analysis, 2012(7): 1918－1922. (in Chinese with English abstract)

[6] 王磊，白由路，盧艷麗，等. 光譜數(shù)據(jù)變換對(duì)玉米氮素含量反演精度的影響[J]. 遙感技術(shù)與應(yīng)用，2011，26(2)：220－225.Wang Lei, Bai Jie, Lu Yanli, et al. Effect on retrieval precision for corn N content by spectrum data transformation [J].Remote Sensing Technology and Application, 2011, 26(2):220－225. (in Chinese with English abstract)

[7] Mashimbye Z E. Model-based integrated methods for quantitative estimation of soil salinity from hyperspectral remote sensing data: A case study of selected South African[J].Pedosphere, 2012, 22(5): 640－649.

[8] 彭杰，王家強(qiáng)，向紅英，等. 土壤含鹽量與電導(dǎo)率的高光譜反演精度對(duì)比研究[J]. 光譜學(xué)與光譜分析，2014，34(2)：510－514.Peng Jie, Wang Jiaqiang, Xiang Hongying, et al. Comparative study on hyperspectral inversion accuracy of soil salt content and electrical conductivity[J]. Spectroscopy and Spectral Analysis, 2014, 34(2): 510－514. (in Chinese with English abstract)

[9] Stevens A. Measuring soil organic carbon in croplands at regional scale using airborne imaging spectroscopy[J].Geoderma, 2010, 158(1): 32－45.

[10] Tian Y, Zhang J, Yao X, et al. Laboratory assessment of three quantitative methods for estimating the organic matter content of soils in China based on visible/near- infrared reflectance spectra[J]. Geoderma, 2013, 202/203(7): 161－170.

[11] 遲春明，王志春. 蘇打鹽漬土草原植被群落分布與土壤理化性質(zhì)相互關(guān)系[J]. 生態(tài)學(xué)雜志，2013，32(9)：2245－2249.Chi Chunming, Wang Zhichun. Interrelationships between grassland plant community distribution and soil physical and chemical properties in soda-saline soil regions of Songnen Plain, Northeast China[J]. Chinese Journal of Ecology, 2013,32(9): 2245－2249. (in Chinese with English abstract)

[12] 陳紅艷，趙庚星，陳敬春，等. 基于改進(jìn)植被指數(shù)的黃河口區(qū)鹽漬土鹽分遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(5)：107－114.Chen Hongyan, Zhao Gengxing, Chen Jingchun, et al. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 107－114. (in Chinese with English abstract)

[13] Brunner P. 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.

[14] Bouaziz Moncef. Improved remote sensing detection of soil salinity from a semi-arid climate in Northeast Brazil[J].Geoscience, 2011, 343 (11): 795－803.

[15] 姚遠(yuǎn)，丁建麗，張芳，等. 基于高光譜指數(shù)和電磁感應(yīng)技術(shù)的區(qū)域土壤鹽漬化監(jiān)測(cè)模型[J]. 光譜學(xué)與光譜分析，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)

[16] 巴依爾. 艾比湖濕地資源評(píng)價(jià)及保護(hù)利用[J]. 中國(guó)林業(yè),2011(18)：62－62.

[17] 謝霞，塔西甫拉提·特依拜. 艾比湖地區(qū)綠洲化與荒漠化過(guò)程時(shí)空特征分析[J]. 干旱區(qū)資源與環(huán)境，2013，27(3)：86－92.Xie Xia, Tashpolat·Tiyip. Spatial-temporal change of oasification and desertification in Ebinur lake region in Xinjiang[J].Journal of Arid Land Resources and Environment,2013,27(3): 86－92. (in Chinese with English abstract)

[18] Liu D, Abuduwaili J, Wang L. Salt dust storm in the Ebinur Lake region: its 50-year dynamic changes and response to climate changes and human activities[J]. Natural Hazards,2015, 77(2): 1069－1080.

[19] Wang X P, Zhang F, Ding J L, et al. Estimation of soil salt content (SSC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR), Northwest China, based on a Bootstrap-BP neural network model and optimal spectral indices[J].Science of the Total Environment, 2017, 615(12): 918.

[20] 權(quán)全，解建倉(cāng)，沈冰，等. 基于實(shí)測(cè)數(shù)據(jù)及遙感圖片的土壤采樣方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(12)：237－241.Quan Quan, Xie Jiancang, Shen Bing, et al. Soil sampling method based on field measurements and remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(12): 237－241. (in Chinese with English abstract)

[21] 新疆維吾爾自治區(qū)水利廳. 新疆縣級(jí)鹽堿地改良利用規(guī)劃工作大綱[R]. 烏魯木齊：新疆維吾爾自治區(qū)水利廳，2005.

[22] 劉克，趙文吉，郭逍宇，等. 基于地面實(shí)測(cè)光譜的濕地植物全氮含量估算研究[J]. 光譜學(xué)與光譜分析，2012，32(2)：465－471.Liu Ke, Zhao Wenji, Guo Xiaoyu, et al. Estimation total nitrogen content in wetland vegetation based on measured reflectance spectra[J]. Spectroscopy and Spectral Analysis,2012, 32(2): 465－471. (in Chinese with English abstract)

[23] 王學(xué)順，戚大偉，黃安民. 基于小波變換的木材近紅外光譜去噪研究[J]. 光譜學(xué)與光譜分析，2009，29(8)：2059－2062.Wang Xueshun, Qi Dawei, Huang Anmin. Study on denoising near infrared spectra of wood based on wavelet transform[J]. Spectroscopy and Spectral Analysis, 2009,29(8): 2059－2062. (in Chinese with English abstract)

[24] 王延倉(cāng)，顧曉鶴，朱金山，等. 利用反射光譜及模擬多光譜數(shù)據(jù)定量反演北方潮土有機(jī)質(zhì)含量[J]. 光譜學(xué)與光譜分析，2014，34(1)：201－206.Wang Yancang, Gu Xiaohe, Zhu Jinshan, et al. Inversion of organic matter content of the north fluvo-qquic soil based on hyperspectral and multi-spectra[J]. Spectroscopy and Spectral Analysis, 2014, 34(1): 201－206. (in Chinese with English abstract)

[25] 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.

[26] Meng L, Zhou S, Zhang H, et al. Estimating soil salinity in different landscapes of the Yellow River Delta through Landsat OLI/TIRS and ETM+Data[J]. Journal of Coastal Conservation, 2016, 20(4): 271－279.

[27] 彭翔, 胡丹, 曾文治，等. 基于EPO-PLS回歸模型的鹽漬化土壤含水率高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(11):167－173.Peng Xiang, Hu Dan, Zeng Wenzhi, et al. Estimating soil moisture from hyperspectra in saline soil based on EPO-PLS regression[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(11): 167－173.

[28] 胡珍珠，潘存德，潘鑫，等. 基于光譜水分指數(shù)的核桃葉片含水量估算模型[J]. 林業(yè)科學(xué)，2016，52(12)：39－49.Hu Zhenzhu, Pan Cunde, Pan Xin. Estimation models for water content of walnut leaves based on spectral moisture index[J]. Scientia Silvae Sinicae, 2016, 52(12): 39－49. (in Chinese with English abstract)

[29] Minasny B, McBratney A B, Bellon-Maurel V, et al.Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon[J].Geoderma, 2011, 167: 118－124.