干旱區(qū)土壤鹽漬化信息遙感建模

馮 娟，丁建麗，楊愛霞，蔡亮紅

(新疆大學資源與環(huán)境科學學院，綠洲生態(tài)重點實驗室, 新疆 烏魯木齊 830046)

土壤鹽漬化是干旱半干旱區(qū)農業(yè)發(fā)展的主要障礙性因子[1]，也是土壤質量的一個表征[2]，它對人類生產與發(fā)展有一定的影響，同時威脅著生態(tài)環(huán)境。因而更好地估算土壤鹽漬化，準確掌握鹽漬化的分布狀況對治理鹽漬化和防止次生鹽漬化有非常重要的意義。

目前利用光譜指數(shù)對干旱區(qū)土壤鹽漬化研究較成熟[3-5]，Khan和Sato[6]研究發(fā)現(xiàn)不同波段組成的鹽分指數(shù)在指示同一種鹽漬化時，表現(xiàn)出來的指數(shù)特征不同；哈學萍等[7]利用Landsat影像，提出了土壤鹽漬化遙感監(jiān)測指數(shù)(salinization monitoring index，SMI)，將不同程度的鹽漬化進行了較好的劃分。然而利用綜合光譜指數(shù)結合不同數(shù)據(jù)源不同模型對土壤鹽漬化進行估測的研究相對較少。丁建麗等[8]在基于綜合高光譜指數(shù)區(qū)域土壤鹽漬化監(jiān)測研究得出：利用綜合高光譜指數(shù)監(jiān)測干旱半干旱區(qū)土壤鹽漬化非常有效。彭杰等[9]利用偏最小二乘回歸模型(partial least squares regression，PLSR)對鹽漬化評估，發(fā)現(xiàn)該方法所得模型決定系數(shù)較高。牛增懿等[10]利用Landsat8 OLI數(shù)據(jù)和高分一號影像進行土壤鹽漬化信息提取，發(fā)現(xiàn)國產高分一號影像在土壤鹽漬化信息提取方面優(yōu)于Landsat8 OLI影像。

近幾年來對土壤鹽漬化評估方面，偏最小二乘回歸法和多元線性回歸法利用較多，而支持向量機回歸法在估算土壤鹽漬化中應用基本沒有。支持向量機這種學習算法在研究小樣本的統(tǒng)計和預測中是目前最佳理論，因此本文將支持向量機與偏最小二乘法和多元線性回歸法分別運用到土壤鹽漬化的評估中，并將三者結果進行對比分析。該研究不僅對渭庫三角洲綠洲的土壤鹽漬化提供合理改良和利用的理論依據(jù),同時對該地區(qū)的土壤鹽漬化的發(fā)生發(fā)展趨勢也具有重要的意義。

1 材料與方法

1.1 研究區(qū)概況

渭-庫綠洲位于新疆塔里木盆地的中北部，屬渭干河-庫車河流域，在行政上隸屬阿克蘇地區(qū)管轄，范圍包括新和、沙雅和庫車三個縣，這三個縣總面積為523.76×104hm2,沙雅縣每年因鹽堿危害造成失收面積達2 667 hm2,最高年份失收面積達8 000 hm2，因鹽堿化棄草地已達4.56×104hm2，新和與庫車兩縣也在3.72×104hm2左右[11]。渭庫綠洲屬于溫帶大陸性干旱氣候，年平均蒸發(fā)量為1 991.0～2 864.3 mm ，多年平均降水量僅為51.3 mm，蒸發(fā)量遠大于降水量，多年平均氣溫10.6℃～14.8℃，年極高、極低氣溫分別為41.3℃和-28.7℃，屬于干旱與極端干旱地區(qū)。較少的降雨，較強的蒸發(fā)，使得該地區(qū)土壤鹽漬化現(xiàn)象普遍存在。鹽分不斷在表層溢出，植被覆蓋度不斷減少，嚴重時會形成鹽斑，形成重度鹽漬化區(qū)。在綠洲外圍輕、中度鹽漬化區(qū)域內，植物主要以蘆葦(Phragimitesaustralis)、檉柳(Tamarixramosission)、駱駝刺(Allhagisparisifolia)、花花柴(Karelinacaspica)和鹽爪爪(Kalidiumgracile)為主。近年來土壤鹽漬化和沙質荒漠化不斷加劇，綠洲土地退化現(xiàn)象日益普遍，該地區(qū)的生態(tài)環(huán)境也逐漸脆弱，這對當?shù)丶叭沙掷m(xù)發(fā)展造成嚴重的影響[12-15]。圖1為本研究采樣點確定的研究范圍。

圖1 研究區(qū)地理分布圖及采樣點位置圖

Fig.1 Geographical position map of study area and distribution of sampling points

1.2 野外數(shù)據(jù)采集

研究采用GPS定位，采樣時間為2014年7月，在研究區(qū)內取樣38個，取0～10 cm表層土壤，每個采樣點均在30 m×30 m的采樣范圍內進一步再選取4個點，呈梅花狀采樣，采用四分法取500 g土樣裝袋帶回實驗室，風干研磨并過0.25 mm孔徑的篩子，再與蒸餾水按1∶5的比例配置，靜置過濾后，獲得土壤溶液，最后用德國WTW公司制造的Cond7310精密儀器來測定土壤溶液的鹽分。

1.3 遙感數(shù)據(jù)獲取和預處理

使用的GF-1于2013年4月26日在甘肅酒泉衛(wèi)星發(fā)射中心成功發(fā)射并進入預定軌道，GF-1衛(wèi)星軌道為近圓形、近極地與太陽同步，軌道高度為645 km，其中包括兩臺2 m全色/8 m多光譜相機(PMS1和PMS2)，和四臺16 m多光譜相機(WFV1-WFV4)，如表1。

表1 GF-1衛(wèi)星載荷參數(shù) Table 1 Parameters of GF-1 satellite payload

研究以2014年7月19日的GF-1 WFV多光譜影像為數(shù)據(jù)源，WFV影像的分辨率為16 m，影像經(jīng)過大氣校正、幾何校正以及裁剪等預處理，大氣校正采用FLAASH大氣校正法，幾何校正以1∶5萬地形圖為基準，進行橫軸墨卡托投影及三次卷積內重采樣。Landsat8 OLI影像時間為2014年7月28日，分辨率為30 m，做與GF-1 WFV同樣的處理。

1.4 光譜指數(shù)的選取與計算

利用ENVI5.1軟件將經(jīng)過大氣校正和幾何校正的GF-1和Landsat8 OLI影像的波段的反射率數(shù)據(jù)，結合參考文獻和經(jīng)驗，選擇20個常見的光譜指數(shù)[15-29]作為構建土壤含鹽量估算模型的備選指標，如表2所示。其中Landsat8 OLI藍波段、綠波段、紅外波段和近紅外波段分別采用485、560、680 nm和800 nm的反射率。GF-1依次為波段1、2、3和4。

1.5 模型建立及檢驗

模型建立即為構建研究對象和函數(shù)的關系，同時確定函數(shù)的各項參數(shù)。

1.5.1 多元回歸模型 因變量的變化往往受幾個重要因素的影響，此時就需要用兩個或兩個以上的影響因素，作為自變量來解釋因變量的變化。多元線性回歸方程的一般表達式為：

y=β0+β1·x1+…+βk·xk+ε

(1)

式中，ε是隨機項，服從正態(tài)分布N(0，σ2)。(y1;x11,x21,…,xk1),…,(yn;x1n,x2n,…,xkn,yn)

假設有個容量為n的樣本，則有：

(2)

1.5.2 偏最小二乘回歸 在許多領域被廣泛應用，具有主成分分析、典型相關分析和多元回歸分析的優(yōu)點，因此也常被應用到光譜技術建模中，該模型允許在樣本點個數(shù)少于變量個數(shù)的條件下進行回歸建模，為了簡化建模過程將多個自變量多個應變量轉換成多個自變量單個應變量建模，即建模時Y0僅為一個因變量n個樣本組成的矩陣，X0為多個自變量組成的矩陣，建立的回歸模型可表示為：

Y0=X0[a1a2…ap]T

(3)

式中，Y0為回歸模型的輸出，[a1a2…ap]T為p個自變量的回歸系數(shù)。該模型能夠在自變量存在嚴重多重相關性的條件下進行回歸建模，每一個自變量的回歸系數(shù)將更容易解釋，在最終模型中將包含原有的所有自變量。

表2 土壤光譜指數(shù)Table 2 Soil spectral indices

注：B：藍波段；G：綠波段；R：紅波段；NIR：近紅外波段；L為土壤調節(jié)因素，常量，一般取0.5。

Note:B: blue band,G: green band,R: red band,NIR: near infrared band.L: soil regulation factor, constant,L=0.5.

1.5.3 支持向量機 采用支持向量機建立土壤鹽分估算模型[32]，首先通過用內積函數(shù)定義的非線性變換將綜合光譜指數(shù)映射到高維空間，在這個空間進行回歸分析，建立綜合光譜指數(shù)與土壤含鹽量的估測模型，核函數(shù)的優(yōu)勢在于不知道變量變換情況下，用低維空間數(shù)據(jù)輸入計算高維特征空間中的點積。

設定土壤含鹽量樣品集D={(xi,yi),i=1,…n},其中xi∈Rn，yi∈R為樣品數(shù)據(jù)，則SVM回歸函數(shù)為

(4)

SVM中可選擇不同的內積函數(shù)實現(xiàn)非線性函數(shù)擬合，本文選擇

線性核函數(shù)：

K(x,xi)=({x,xi}+θ)

(5)

多項式核函數(shù)：

K(x,xi)=({x·xi}+θ)d

(6)

RBF高斯徑向基核函數(shù)：

(7)

建立土壤含鹽量的SVM回歸模型，其中σ為核寬度，設定g=1/2σ2。SVM模型中關鍵在于參數(shù)的選擇，c為懲罰參數(shù)，g為核參數(shù)，c用來平衡模型的經(jīng)驗風險和結構風險，可用來提高所建模型的泛化性能，g用來控制模型的回歸誤差，g過高容易造成過擬合，g過低方差較低，基于以上本研究利用精細網(wǎng)格搜索法來選擇最佳的c和g。

采用灰色關聯(lián)法對光譜指數(shù)與土壤含鹽量的關聯(lián)度進行定量描述，計算出它們之間的相關性，再通過上述的回歸方法構建土壤含鹽量預測模型。

模型精度檢驗包括決定系數(shù)R2和均方根誤差RMSE(root mean square error) 2個指標，決定系數(shù)R2和越接近1、均方根誤差越接近0時，表示該模型的準確性越高。均方根誤差計算公式為：

(8)

式中，P*(Zi)表示模型的預測值；Zi表示實測值，N表示樣品的數(shù)量。

2 結果與分析

2.1 基于GF-1和Landsat8 OLI光譜指數(shù)數(shù)據(jù)灰色關聯(lián)度分析

利用野外獲取的38個實測點的坐標與遙感影像結合獲取GF-1和Landsat8OLI影像的20種光譜指數(shù)，與土壤含鹽量進行定量分析，采用灰色關聯(lián)法計算關聯(lián)度并排序，結果如表3所示。在GF-1和Landsat8OLI影像中分別選出土壤含鹽量與各指數(shù)關聯(lián)度較高的前5個光譜指數(shù)然后對兩組指數(shù)取并集，得到的光譜指數(shù)分別是：SR、CSRI、SI、BI、S6、ARVI、SAVI和NDSI。

表3 GF-1和Landsat8 OLI影像光譜指數(shù)與鹽分灰色關聯(lián)度和排序(0～10 cm)Table 3 GF-1 and Landsat8 OLI image spectrum index and the grey correlation degree and sort of salt

2.2 基于GF-1和Landsat8 OLI影像的綜合光譜指數(shù)的土壤含鹽量估算模型構建

2.2.1 多元線性回歸模型 多元線性回歸模型建立時以土壤含鹽量作為建立模型的因變量，將經(jīng)過灰度關聯(lián)分析篩選出的8個相對較高的光譜指數(shù)構成綜合光譜指數(shù)作為自變量，應用因變量和自變量多元線性回歸法建立模型，得到GF-1模型決定系數(shù)為0.6104，Landsat8OLI模型決定系數(shù)為0.549。

2.2.2 偏最小二乘回歸模型 選取PLSR模型[30]進行土壤鹽漬化估算，在最優(yōu)主成分分數(shù)確定時，每一個模型基本上用所有樣本來訓練模型。確定每個主成分下的PRESS值，選擇PRESS值小的主成分數(shù)或PRESS值不在變小時的主成分數(shù)來優(yōu)化模型。因此，構建了1～8主成分數(shù)的土壤鹽分估算模型，其中GF-1估算模型比較好的有3個，分別包含的主成分數(shù)是1個、2個和3個，決定系數(shù)2個>3個>1個，分別為0.6104、0.5992、0.5798(P<0.01)。Landsat8 OLI估算模型比較好的有3個，分別包含主成分數(shù)是2個、3個、4個。決定系數(shù)4個>3個>2個，分別為0.549、0.5465、0.5421。

2.2.3 支持向量機回歸模型 本文中利用Matlab構建支持向量回歸模型，該模型主要是通過選擇不同的內積核函數(shù)實現(xiàn)非線性函數(shù)的擬合。在實際應用中，常用的核函數(shù)有線性核函數(shù)(Linear)、多項式核函數(shù)(Polynomial)、徑向基核函數(shù)(RBF)。SVM建立的回歸模型，無論在逼近能力，還是在泛化性上都比較好。由圖2中可知，通過交叉驗證選擇最佳的懲罰參數(shù)c和核參數(shù)g，并優(yōu)化了SVR模型對鹽分的估算。經(jīng)運算結果顯示，GF-1影像在c為15，g為0.0039時則該模型估算結果最優(yōu)。決定系數(shù)RBF>Polynomial>Linear，分別為0.7969、0.7715、0.6929(P<0.01)。Landsat8 OLI影像在c為30，g為0.25時則該模型估算結果最優(yōu)。決定系數(shù)Polynomial>RBF>Linear，分別為0.7154、0.6845、0.5423(P<0.01)。

圖2 支持向量機最優(yōu)參數(shù)結果圖(GF-1 左，Landsat8 OLI 右)

Fig.2 Support vector machine(SVM), the optimal parameters of the tesults figure (GF-1 left, Landsat8 OLI right)

2.3 模型精度比較

由表4可知，在多元線性回歸模型中，基于GF-1回歸模型決定系數(shù)大于Landsat8 OLI回歸模型的決定系數(shù)，GF-1回歸模型的R2為0.6856，RMSE為0.2641，Landsat8 OLI回歸模型的R2為0.5142，RMSE為0.3283，而且基于綜合光譜指數(shù)利用多元回歸模型估算土壤含鹽量的模型精度高于基于單一光譜指數(shù)利用多元回歸模型估算土壤含鹽量的模型精度；采用偏最小二乘回歸模型，選取了多個不同主成分數(shù)進行逐一進行運算，GF-1影像中1、2、3個主成分數(shù)的估算結果較好且決定系數(shù)也都在0.57以上，Landsat8 OLI影像中2、3、4個主成分數(shù)的估算結果較好且決定系數(shù)也都在0.54以上；運用支持向量回歸模型進行估算，選擇3種函數(shù)，估算GF-1結果較好的是RBF，R2為0.7969。Landsat8 OLI結果較好的是Polynomial，R2為0.7154。研究得出，三種模型估算土壤含鹽量中GF-1均高于Landsat8 OLI精度。通過比較3種模型的決定系數(shù)，得到支持向量機回歸中采用GF-1徑向基函數(shù)模型時R2最高達到0.7969，RMSE為0.2197，估算效果最優(yōu)；而Landsat8 OLI影像支持向量機中多項式函數(shù)模型，R2最高達到0.7154，RMSE為0.2513。本文在建立綜合光譜指數(shù)與土壤含鹽量的關系時，光譜指數(shù)選擇種類多，在建立關系時由于每類指數(shù)與鹽分的關系不同，綜合影響鹽分的關系需要綜合考慮，支持向量機在建立綜合光譜指數(shù)與土壤含鹽量之間關系時對樣本選擇要求不高，對局部極值，局部最優(yōu)都能較好的進行處理，以統(tǒng)計學為理論基礎，經(jīng)驗風險最小化原則為條件，較好地對綜合光譜指數(shù)與土壤鹽分之間的關系進行描述，所以支持向量機在建立綜合光譜指數(shù)與土壤含鹽量模型時要比多元線性回歸與偏最小二乘回歸所建模型精度要高。

3 討 論

目前利用光譜指數(shù)進行鹽漬化監(jiān)測的已取得一定的進展，但對于覆蓋較好的天然植被和農作物，使用單一植被光譜指數(shù)很難反映鹽漬化的情況。利用多種指數(shù)和多種模型協(xié)同反演土壤鹽漬化逐漸增多。李相等[31]利用多個光譜指數(shù)提取鹽漬化信息，得出多種光譜指數(shù)結合，可以較好地提取土壤鹽漬化。曹雷等[32]利用偏最小二乘法對敏感的光譜指數(shù)進行鹽漬化建模分析，得出偏最小二乘法可以較好地提取土壤鹽漬化信息。本研究采用高分1號數(shù)據(jù)和Landsat8數(shù)據(jù)對渭—庫綠洲鹽漬化進行研究，通過灰度關聯(lián)法對光譜指數(shù)進行篩選，對敏感性較高的指數(shù)與地表實測鹽分，利用三種模型分別對鹽漬化信息進行監(jiān)測，得到支持向量機回歸模型的R2達0.7左右最高，該模型相對于多元線性回歸和偏最小二乘回歸更適于土壤鹽漬化估算。曹雷等利用偏最小二乘對鹽漬化提取R2達到0.66，這由于選取光譜指數(shù)的不同，導致R2有所不同，但是總體上是較為接近的；綠洲內的植被蓋度較高，多為農作物，如棉花、小麥等，但在交錯帶內地表覆被主要為天然鹽生植被，如蘆葦(Phragimitesaustralis)、駱駝刺(Allhagisparisifolia)、花花柴(Karelinacaspica)等，在影像上表現(xiàn)為枝葉稀疏，并且與裸露的土地交錯分布，容易造成異物同譜現(xiàn)象，而交錯帶內植被稀少，甚至在荒漠化比較嚴重的地區(qū)全為裸地，容易造成像元的混分。

表4 模型精度比較 Table 4 Model accuracy comparison

渭—庫綠洲地勢北高南低，自西北向東南傾斜，溝壑相間，屬于干旱與極端干旱地區(qū)。研究區(qū)土壤鹽漬化存在明顯的空間分異規(guī)律，總體上從西到東，由北到南土壤含水量逐漸降低，土壤含鹽量逐漸增大。土壤鹽分受到各種自然因素如降水、溫度、地形等影響的同時也受到人為灌溉等因素的影響。單純的遙感方法無法反映鹽漬化特征，綜合多源數(shù)據(jù)是研究復雜的鹽漬化監(jiān)測問題的新途徑，在解決鹽漬化監(jiān)測的復雜問題中有著較大的應用潛力。本研究尚屬可行性研究，在單期影像的基礎上，構建多個光譜指數(shù)與土壤鹽漬化關系密切，且結果與野外實地情況較符合，研究區(qū)土壤含鹽量反演結果與實地情況較為抑制。但單期的影像不能說明研究結果的普遍性，在后續(xù)的研究中將會進一步考慮采用多期遙感數(shù)據(jù)做動態(tài)分析。

4 結 論

本研究建立了干旱半研究區(qū)綜合光譜指數(shù)與土壤含鹽量的關系模型。首先，建立常用的光譜指數(shù)與土壤含鹽量的關系；其次，利用篩選出的8種光譜指數(shù)類型，組合成綜合光譜指數(shù)；最后，通過建立GF-1和Landsat8 OLI的2個數(shù)據(jù)源的3種估算模型，共6個模型，對該地區(qū)土壤含鹽量進行估算與精度分析。

1) 在所選取的15個鹽分指數(shù)和5個植被指數(shù)中，通過與實測土壤鹽分的相關分析可知，SR、CSRI、SI、BI、S6、ARVI、SAVI、NDSI等8個指數(shù)綜合與土壤鹽分含量關系密切，相關性高。這些光譜指數(shù)更適用于在干旱區(qū)綠洲使用GF-1 WFV影像進行鹽漬化評估。

2) 由于分辨率的差異，從GF-1 WFV影像上提取的綜合光譜指數(shù)與實測土壤鹽分的相關性要遠遠高于Landsat8 OLI影像光譜指數(shù)。遙感影像中低分辨率導致混合像元存在，表現(xiàn)為多種地物信息被包含在同一個單元像元內，從而使得遙感影像綜合光譜指數(shù)與實測鹽分相關性下降。而遙感影像的高分辨率能更加真實地反映地物信息，更適合土壤鹽漬化的評估，要遠遠優(yōu)于中等分辨率影像。

3) 將綜合光譜指數(shù)作為輸入因子，土壤含鹽量作為輸出因子，分別建立多元線性回歸，偏最小二乘回歸，支持向量機回歸3種估算模型，分別對研究區(qū)進行土壤鹽分估算，研究區(qū)表層0～10 cm土壤含鹽量估算的最優(yōu)模型為支持向量機中徑向基函數(shù)模型，決定系數(shù)最高且精度最高。說明GF-1影像的支持向量機回歸更適用于土壤含鹽量的估算。

[1] 張 飛,塔西甫拉提·特依拜,丁建麗,等.渭干河-庫車河三角洲綠洲鹽漬化土壤特征研究[J].干旱地區(qū)農業(yè)研究,2007,25(2):146-150.

[2] 龐國錦,王 濤,孫家歡,等.基于高光譜的民勤土壤鹽分定量分析[J].中國沙漠,2014,34(4):1073-1079.

[3] 陳維英,肖乾廣,盛永偉,等.距平植被指數(shù)在1992年特大干旱監(jiān)測中的應用[J].環(huán)境遙感,1994,9(2):106-112．

[4] 姚 遠,丁建麗,張 芳,等.基于高光譜指數(shù)和電磁感應技術的區(qū)域土壤鹽漬化監(jiān)測模型[J].光譜學與光譜分析,2013,33(6):1658-1664.

[5] 王鵬新,龔健雅,李小文,等.條件植被溫度指數(shù)及其在干旱監(jiān)測中的應用[J].武漢大學學報(信息科學版),2001,26(5):412-418.

[6] KhanN M, Sato Y. Monitoring hydro-salinity status and its impact in irrigated semi-arid areas using IRS-1B LISS-II data[J]. Asian Journal of Geoinformatics, 2001,1(3):63-73.

[7] 哈學萍,丁建麗,塔西甫拉提·特依拜,等.基于SI-Albedo特征空間的干旱區(qū)鹽漬化土壤信息提取研究——以克里雅河流域綠洲為例[J].土壤學報，2009,46(4):698-703.

[8] 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)測研究[J].光譜學與光譜分析,2012,32(7):1918-1922.

[9] 彭 杰,劉煥軍,史 舟,等.鹽漬化土壤光譜特征的區(qū)域異質性及鹽分反演[J].農業(yè)工程學報,2014,30(17):167-174.

[10] 牛增懿,丁建麗,李艷華,等.基于高分一號影像的土壤鹽漬化信息提取方法[J].干旱區(qū)地理,2016,39(1):171-181.

[11] 丁建麗,塔西甫拉提·特依拜,張 飛，等.塔里木盆地北緣綠洲土壤含鹽量和電導率空間變異性研究[J].干旱區(qū)地理,2008,31(4):624-632.

[12] 姚 遠,丁建麗,雷 磊,等.干濕季節(jié)下基于遙感和電磁感應技術的塔里木盆地北緣綠洲土壤鹽分的空間變異性[J].生態(tài)學報,2013, 33(17):5308-5319.

[13] 丁建麗,姚 遠,王 飛,等.干旱區(qū)土壤鹽漬化特征空間建模[J].生態(tài)學報,2014,34(16):4620-4631.

[14] 丁建麗,姚 遠,王 飛,等.基于三維光譜特征空間的干旱區(qū)土壤鹽漬化遙感定量研究[J].土壤學報,2013,50(5):853-861.

[15] Allbed A, Kumar L, Aldakheel Y Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region[J]. Geoderma, 2014,230:1-8.

[16] Huete A R. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988,25(88):295-309.

[17] Liu H Q, Huete A R. A feedba ck based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience & Remote Sensing, 1995,33(2):457-465.

[18] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994,48(2):119-126.

[19] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996,55(2):95-107.

[20] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Biochemistry, 1964,36:1627-1639.

[21] Ke Yinghai, Jungho Im, Junghee Lee, et al. Characteristics of Landsat8 OLI-derive d NDVI by comparison with multiple satellite sensors and in-situ obs ervations[J]. Remote Sensing of Environment, 2015,164:298-313.

[22] Yao Zhengyang, Liu Jianjun, Zhao Xiaowen, et al. Spatial dynamics of aboveground carbon stock in urban green space: A case study of Xi’an, China[J]. Journal of Arid Land, 2015,7(3):350-360.

[23] Richardson A J, Wiegand L C. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering and Remote Sensing, 1977,43(12):1541-1552.

[24] Chen J M. Evaluation of vegetation indices and modified simple ratio for boreal applica tions[J]. Canadian Journal of Remote Sensing, 1996,22(3):229 -242.

[25] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995,51(3):375-384.

[26] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001,76(2):156-172.

[27] Baret F, Guyot G, Major D J. TSAVI: A vegetation index which minimize soil brightness effects on LAI and APAR estimation[C]//Geoscience and Remote Sensing Symposium, 12th Canadian Symposium on Remote Sensing. Canada: International IEEE, 1989:1355-1358.

[28] Jiang Z Y, Huete A R, Didan K, et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment, 2008,112(10):3833-3845.

[29] Kaufman Y J, Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992,30(2):261-270.

[30] 李 微,李媛媛,田 彥,等.基于包絡線法的濱海灘涂PLSR鹽分模型研究[J].海洋科學進展,2014,32(4):501-507.

[31] 李 相,丁建麗.基于實測高光譜指數(shù)與HSI影像指數(shù)的土壤含水量監(jiān)測[J].農業(yè)工程學報,2015,31(19):68-75.

[32] 曹 雷,丁建麗,玉米提·哈力克,等.基于國產高分一號衛(wèi)星數(shù)據(jù)的區(qū)域土壤鹽漬化信息提取與建模[J].土壤學報,2016,53(6):1399-1409.