基于無人機(jī)多光譜遙感的土壤含鹽量反演模型研究

張智韜 魏廣飛 姚志華 譚丞軒 王新濤 韓 佳

(1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100；2.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100)

0 引言

土壤鹽漬化已成為干旱-半干旱地區(qū)最嚴(yán)重的土壤問題之一，嚴(yán)重制約了區(qū)域經(jīng)濟(jì)健康發(fā)展[1]?？焖?、準(zhǔn)確地獲取鹽漬土?xí)r空分布信息成為合理防治鹽漬化的必要前提。傳統(tǒng)的土壤含鹽量測(cè)定方法費(fèi)時(shí)、費(fèi)力、成本高，且無法全面獲取數(shù)據(jù)。近年來，隨著光譜分析技術(shù)的發(fā)展，遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用越來越廣泛，尤其在土壤鹽漬化監(jiān)測(cè)方面[2-7]。已有研究結(jié)果顯示，在干旱和半干旱地區(qū)，植被的生長(zhǎng)狀況可以間接反映土壤鹽漬化程度[8-10]。ALLBED等[11]研究表明，土壤含鹽量超過植被生長(zhǎng)閾值時(shí)，致使葉片構(gòu)造發(fā)生變化，在可見光和近紅外波段，植被冠層光譜反射率對(duì)土壤含鹽量響應(yīng)敏感。ZHANG等[12]利用MODIS衛(wèi)星影像數(shù)據(jù)構(gòu)建增強(qiáng)性植被指數(shù)和EVI，反演了黃河三角洲植被區(qū)土壤鹽分。陳紅艷等[13]基于Landsat8 OLI多光譜影像引入第七波段對(duì)植被指數(shù)進(jìn)行改進(jìn)，構(gòu)建土壤含鹽量的支持向量機(jī)模型，獲得了良好的土壤鹽分空間分布反演效果。以上研究大多以植被指數(shù)和鹽分指數(shù)作為指示因子建立與實(shí)測(cè)土壤含鹽量的關(guān)系[14-17]。王飛等[18]通過引入波段組、植被指數(shù)變量組、優(yōu)選變量組等6個(gè)變量組，進(jìn)行多變量分析，通過算法篩選植被指數(shù)、土壤鹽度指數(shù)等鹽度敏感變量，得出最優(yōu)變量組合，并利用多個(gè)機(jī)器學(xué)習(xí)算法預(yù)測(cè)綠洲土壤鹽分，研究發(fā)現(xiàn)，在涉及的變量個(gè)數(shù)較多、且與各土壤含鹽量相關(guān)性較低時(shí)，機(jī)器學(xué)習(xí)算法的挖掘能力得到了充分的體現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林是3種常用的機(jī)器學(xué)習(xí)算法， BP神經(jīng)網(wǎng)路算法具有非線性擬合能力和自學(xué)習(xí)能力，支持向量機(jī)算法可以避開從歸納到演繹的傳統(tǒng)過程，隨機(jī)森林算法具有可處理非線性數(shù)據(jù)、實(shí)現(xiàn)簡(jiǎn)單、訓(xùn)練速度快、抗擬合能力強(qiáng)的特點(diǎn)。王明寬等[16]研究表明，遙感影像的反射率與土壤含鹽量并不是單純的線性關(guān)系，BP神經(jīng)網(wǎng)絡(luò)模型能很好地模擬土壤含鹽量與光譜數(shù)據(jù)的關(guān)系。厲彥玲等[19]利用遙感數(shù)據(jù)建立統(tǒng)計(jì)分析模型(多元線性回歸、偏最小二乘回歸)，用機(jī)器學(xué)習(xí)模型(BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)模型和隨機(jī)森林)反演鹽分，結(jié)果表明，3種機(jī)器學(xué)習(xí)模型反演效果均取得了較高的精度，且反演效果遠(yuǎn)優(yōu)于統(tǒng)計(jì)分析模型。

國內(nèi)外學(xué)者對(duì)區(qū)域鹽分定量監(jiān)測(cè)已取得較多的成果，但這些成果多偏向于衛(wèi)星遙感和高光譜遙感，IVUSHKIN等[20]通過在無人機(jī)上裝載熱成像、高光譜、激光雷達(dá)3種傳感器發(fā)現(xiàn)，無人機(jī)遙感在農(nóng)田鹽分監(jiān)測(cè)方面有較大潛力。但基于無人機(jī)多光譜遙感監(jiān)測(cè)植被覆蓋下的土壤含鹽量研究較少，同時(shí)缺乏無人機(jī)多光譜遙感對(duì)植被覆蓋下的土壤含鹽量反演模型。

本文以河套灌區(qū)的沙壕渠灌域?yàn)檠芯繀^(qū)域，基于無人機(jī)搭載多光譜相機(jī)獲取的遙感數(shù)據(jù)和同步測(cè)定的土壤鹽分?jǐn)?shù)據(jù)，引入敏感波段組、光譜指數(shù)組和全變量組作為模型輸入變量，利用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林算法，構(gòu)建土壤鹽分的定量反演模型，評(píng)定不同模型輸入變量和不同模型方法的土壤含鹽量反演模型的精度，優(yōu)選土壤含鹽量最佳反演模型，以期為干旱及半干旱地區(qū)無人機(jī)遙感土壤鹽分定量反演提供參考。

1 材料與方法

1.1 研究區(qū)概況

圖1 研究區(qū)位置示意圖Fig.1 Sketch of study area

沙壕渠灌域是內(nèi)蒙古河套灌區(qū)西北部解放閘灌域內(nèi)部的一個(gè)獨(dú)立單元，位于40°52′～41°00′N，107°05′～107°10′E，灌域形狀近似為一個(gè)狹長(zhǎng)的倒三角形(圖1)，南窄北寬，南北約為15 km，東西平均寬度約4 km，地面較為平整，地勢(shì)走向?yàn)槟细弑钡停０螢? 034～1 037 m，總控制面積為52.4 km2，當(dāng)?shù)貙俑珊?半干旱氣候，冬季嚴(yán)寒少雪，夏季高溫少雨，年均降雨量140 mm，年均蒸發(fā)量2 000 mm，年平均氣溫7℃。灌區(qū)土壤類型以粉壤土、砂壤土和壤土為主。研究區(qū)無霜期為120～150 d，主要農(nóng)作物包括小麥、玉米、葵花、白菜等。沙壕渠灌域南部鹽漬化程度相對(duì)較輕，作物種植以小麥、玉米為主，而北部鹽漬化程度較重，以種植耐鹽的向日葵為主。

1.2 試驗(yàn)設(shè)計(jì)

2018年5月，對(duì)沙壕渠灌域的耕地進(jìn)行實(shí)地調(diào)研，根據(jù)土壤的鹽漬化程度，在灌域確定4塊不同鹽漬化梯度的試驗(yàn)區(qū)域，并依次進(jìn)行編號(hào)，每塊研究區(qū)域?yàn)?6 hm2，每塊區(qū)域均勻布設(shè)15個(gè)作物(玉米、西葫蘆和葵花)覆蓋下的地面數(shù)據(jù)采集點(diǎn)，共計(jì)60個(gè)采樣點(diǎn)，如圖2所示。

圖2 采樣點(diǎn)分布示意圖Fig.2 Sampling point distribution maps

1.3 多光譜遙感影像的獲取與處理

1.3.1多光譜遙感影像獲取

所用遙感平臺(tái)為大疆創(chuàng)新公司生產(chǎn)的經(jīng)緯M600型六旋翼無人機(jī)，其搭載的傳感器為美國Tetracam公司生產(chǎn)的Micro-MCA多光譜相機(jī)(簡(jiǎn)稱MCA)，具有質(zhì)量輕、體積小及遠(yuǎn)程觸發(fā)的特點(diǎn)，非常適合在中小型無人機(jī)上進(jìn)行搭載及拍攝，MCA相機(jī)包括490 nm(藍(lán)光)、550 nm(綠光)、680 nm(紅光)、720 nm(紅邊)、800 nm(近紅外)、900 nm(近紅外)6個(gè)波長(zhǎng)的光譜采集通道。2018年8月12—16日于河套灌區(qū)沙壕渠灌域進(jìn)行試驗(yàn)，天氣情況分別為：晴轉(zhuǎn)多云、晴、晴、晴、晴轉(zhuǎn)多云，影像獲取時(shí)間選為11:00—15：00之間(均在晴朗時(shí)拍攝)，無人機(jī)飛行模式按照提前規(guī)劃的航線飛行，拍照時(shí)相機(jī)鏡頭與地面呈90°，拍照模式為等時(shí)間間隔，主航線上和主航線間圖像重疊率均設(shè)置為80%以上，飛行高度經(jīng)多次試飛后選定為120 m(此時(shí)影像地面分辨率為6.5 cm，影像刈幅寬度為66.5 m)，采集光譜前用標(biāo)準(zhǔn)白板進(jìn)行標(biāo)定，4塊區(qū)域分別得到341、320、390、344幅遙感圖像。所用無人機(jī)與多光譜相機(jī)如圖3所示，無人機(jī)飛行路線(以4號(hào)地為例)及現(xiàn)場(chǎng)作業(yè)如圖4所示。

圖3 M600型無人機(jī)及Micro-MCA多光譜相機(jī)Fig.3 M600 unmanned aerial vehicle and micro-MCA multispectral camera

圖4 無人機(jī)飛行路線及現(xiàn)場(chǎng)作業(yè)圖Fig.4 UAV flight path and application scence of UAV over cropland

1.3.2多光譜遙感影像處理

利用多光譜相機(jī)配套的pixel Wrench2軟件對(duì)獲取的多光譜正射影像進(jìn)行提取、配準(zhǔn)與合成，然后將獲得的TIF格式的遙感圖像和每幅圖像的GPS數(shù)據(jù)導(dǎo)入pix4Dmapper軟件中完成4塊研究區(qū)域的圖像拼接，把拼接完成的圖像輸入ENVI Classic中作進(jìn)一步處理，為排除單一點(diǎn)反射率產(chǎn)生的隨機(jī)誤差，由地面數(shù)據(jù)采集點(diǎn)的GPS裁剪出以采集點(diǎn)為中心的200像素×200像素圖像，采用監(jiān)督分類的最大似然法剔除土壤背景后，將此區(qū)域6個(gè)波長(zhǎng)平均灰度除以標(biāo)準(zhǔn)白板的灰度作為該采集點(diǎn)對(duì)應(yīng)6個(gè)波長(zhǎng)的反射率。

1.4 土壤鹽分?jǐn)?shù)據(jù)獲取

每塊研究區(qū)域均勻布設(shè)15個(gè)地面數(shù)據(jù)采集點(diǎn)，為保證遙感影像與地面數(shù)據(jù)的時(shí)間一致性，在獲取多光譜遙感影像的同時(shí)，用對(duì)角線5點(diǎn)取樣法在作物根系附近采集深度為0～20 cm、20～40 cm的土樣，并用手持式GPS儀記錄每個(gè)采樣點(diǎn)的位置，取出的土樣放置在標(biāo)記的鋁盒中，并帶回實(shí)驗(yàn)室干燥，采用土水比1∶5法配置土壤溶液，經(jīng)過濾后靜置8 h，采用電導(dǎo)率儀(雷磁DDS-307A型，上海佑科儀器分公司)測(cè)定土壤溶液電導(dǎo)率(EC1∶5，dS/cm)，并通過經(jīng)驗(yàn)公式計(jì)算土壤含鹽量(SSC，%)[21]:(SSC=0.288 2EC1∶5+0.018 3)。該時(shí)期作物的根系主要活動(dòng)層深度為0～40 cm[22]，故將此深度的含鹽量作為該試驗(yàn)的土壤含鹽量數(shù)據(jù)(此時(shí)，0～40 cm的含鹽量為0～20 cm、20～40 cm含鹽量的平均值)。

1.5 光譜指數(shù)構(gòu)建

采用遙感影像提取的各類光譜指數(shù)構(gòu)建特征空間進(jìn)行土壤含鹽量反演和檢測(cè)是目前土壤鹽分遙感監(jiān)測(cè)的主要方法之一。本研究選擇10個(gè)光譜指數(shù)，分別為歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)、差值植被指數(shù)(Difference vegetation index，DVI)、增強(qiáng)性植被指數(shù)(Enhanced vegetation index，EVI)、增強(qiáng)性植被指數(shù)2(Enhanced vegetation index 2，EVI2)、三角形植被指數(shù)(Triangular vegetation index，TVI)、土壤調(diào)節(jié)植被指數(shù)(Soil-adjusted vegetation index，SRVI)、歸一化差異綠度植被指數(shù)(Normalized difference greenness vegetation index，NDGI)、歸一化鹽分指數(shù)(Normalized difference soil index，NDSI)、鹽分指數(shù)(Salinity index，SI-T)、簡(jiǎn)單比值指數(shù)(Simple ratio index，SR)，其計(jì)算公式如表1所示。

表1 光譜指數(shù)及相關(guān)計(jì)算公式Tab.1 Spectral indexes and related formula

注：G、R、NIR、NIR2分別為550、680、800、900 nm波長(zhǎng)處的光譜反射率。L為蓋度背景調(diào)節(jié)因子，取0.5。

1.6 鹽分反演模型構(gòu)建

將60個(gè)研究樣本按照含鹽量由小到大排序分組，根據(jù)建模集與驗(yàn)證集為2∶1的比例進(jìn)行等間隔取樣。選取40個(gè)樣本用于建模，其余20個(gè)樣本用于驗(yàn)證。

本研究將模型輸入變量分為3組：敏感波段變量組、光譜指數(shù)變量組和全變量組。采用多元線性回歸模型、支持向量機(jī)、反神經(jīng)傳播網(wǎng)絡(luò)和隨機(jī)森林等4種回歸方法分別建立基于3種模型輸入變量的土壤鹽分反演模型，共計(jì)12個(gè)鹽分反演模型。本研究的MLR建模與分析使用IBM SPSS 23軟件完成，3種機(jī)器學(xué)習(xí)算法模型均在R3.4.0軟件中完成。這4種回歸方法如下：

(1)多元線性回歸

MLR是用于兩個(gè)或兩個(gè)以上自變量時(shí)的一種多元回歸分析，由多個(gè)自變量的最優(yōu)組合共同來預(yù)測(cè)因變量，比只用一個(gè)自變量進(jìn)行預(yù)測(cè)或估計(jì)更有效、更符合實(shí)際[16]，是遙感鹽分反演最常用的回歸方法之一[25-26]。

(2)支持向量機(jī)

SVM是根據(jù)統(tǒng)計(jì)學(xué)理論，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則為理論基礎(chǔ)從線性可分?jǐn)U展到線性不可分的一種新的機(jī)器學(xué)習(xí)方法，在圖像識(shí)別與分類上應(yīng)用較廣，近年來在回歸問題上也得到了一些應(yīng)用[27-28]。本文設(shè)定核函數(shù)類型為“poly”，采用訓(xùn)練集交叉驗(yàn)證和網(wǎng)絡(luò)搜素法(Grid search)進(jìn)行參數(shù)尋優(yōu)，根據(jù)方差最小原則確定懲罰系數(shù)為C=10 000，γ=0.01。

(3)反神經(jīng)傳播網(wǎng)絡(luò)

BPNN是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，也已應(yīng)用到了鹽分反演問題中[29-31]。本文采用3層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)構(gòu)建BPNN模型，按照訓(xùn)練結(jié)果誤差相對(duì)較小的原則，權(quán)值的衰減參數(shù)和隱層節(jié)點(diǎn)數(shù)通過多次反復(fù)試驗(yàn)確定，最終確定衰減參數(shù)為0.001、隱層節(jié)點(diǎn)數(shù)為4，其他參數(shù)均使用默認(rèn)值。

(4)隨機(jī)森林

RF算法是將Bagging算法與決策樹算法進(jìn)行結(jié)合所得到的集成學(xué)習(xí)算法，近年來多位學(xué)者將其應(yīng)用到遙感技術(shù)中[31-32]，此算法主要參數(shù)為決策樹的個(gè)數(shù)，采用訓(xùn)練集交叉驗(yàn)證和網(wǎng)路搜索法(Grid search)進(jìn)行決策樹個(gè)數(shù)尋優(yōu)，經(jīng)過多次訓(xùn)練確定決策樹個(gè)數(shù)為4。

1.7 反演模型檢驗(yàn)與評(píng)價(jià)

利用20個(gè)驗(yàn)證樣本對(duì)各類方法構(gòu)建的12個(gè)鹽分反演模型進(jìn)行檢驗(yàn)分析，采用驗(yàn)證集將模型預(yù)測(cè)值和實(shí)測(cè)值進(jìn)行擬合，對(duì)模型建模和驗(yàn)證的精度采用決定系數(shù)(Coefficient of determination,R2)和均方根誤差(Root mean square error, RMSE)兩個(gè)指標(biāo)來評(píng)價(jià)。R2越接近1，RMSE越小，說明模型精度效果越好。

2 結(jié)果與分析

2.1 土壤鹽分統(tǒng)計(jì)特征

將60個(gè)土樣測(cè)得的土壤含鹽量分為3個(gè)等級(jí)[21]，即：非鹽漬化(<0.2%)、輕度鹽漬化(0.2%～0.5%)和重度鹽漬化(0.5%～1.0%)，土壤含鹽量的總樣本、建模集、驗(yàn)證集的分析結(jié)果如表2所示。河套灌區(qū)總樣品統(tǒng)計(jì)結(jié)果顯示，非鹽漬土、輕度鹽漬土、重度鹽漬土占比分別為16.7%、63.3%、20%，且變異系數(shù)為0.49，表明表層土壤含鹽量呈現(xiàn)中度變異性。

表2 土壤鹽分的描述性統(tǒng)計(jì)分析Tab.2 Descriptive statistical analysis on soil salinity

2.2 土壤含鹽量與多光譜六波段光譜反射率、光譜指數(shù)的相關(guān)性分析

在干旱和半干旱地區(qū)，生長(zhǎng)在鹽漬化環(huán)境中的植物，其根系接觸到土壤溶液中各種可溶性鹽離子，當(dāng)陰陽離子超過一定含量時(shí)，就會(huì)對(duì)植物生長(zhǎng)產(chǎn)生各種危害，即土壤鹽漬化會(huì)在一定程度上影響地表作物生長(zhǎng)長(zhǎng)勢(shì)，進(jìn)而影響冠層的光譜特征[33]。分別對(duì)多光譜六波段反射率、不同光譜指數(shù)分別與土壤含鹽量進(jìn)行相關(guān)性分析，根據(jù)皮爾遜(Person)相關(guān)系數(shù)界值表，n=60時(shí)，當(dāng)|r|>0.250時(shí)，表示在0.05水平上顯著，|r|>0.325時(shí)，表示在0.01水平上顯著，|r|>0.408時(shí)，表示在0.001水平上顯著，二者與土壤鹽分的Pearson相關(guān)系數(shù)如表3、4所示。

表3 多光譜六波段反射率與SSC的相關(guān)系數(shù)(n=60)Tab.3 Correlation coefficient of reflectivity in six bands of multispectral and SSC(n=60)

注：*表示顯著性檢驗(yàn)p<0.05，** 表示p<0.01，*** 表示p<0.001，下同。

從表3可以看出，除了紅邊波長(zhǎng)(720 nm)處相關(guān)性僅為0.094外，其他5個(gè)波長(zhǎng)與SSC均表現(xiàn)出一定的相關(guān)性。在紅光波長(zhǎng)(680 nm)、近紅外波長(zhǎng)(800 nm)和近紅外波長(zhǎng)(900 nm)處顯著性檢驗(yàn)p<0.001，且相關(guān)系數(shù)均達(dá)到了0.5以上。六波長(zhǎng)與SSC相關(guān)性由大到小依次為B6、B5、B3、B2、B1、B4。

從表4可看出，選取的10種光譜指數(shù)與SSC均呈現(xiàn)出良好的相關(guān)性，相關(guān)性由大到小依次為SI-T、TVI、EVI2、SRVI、NDVI、EVI、NDGI、NDSI、SR、DVI。其中，TVI、EVI2和SI-T相關(guān)系數(shù)均超過了0.6， NDVI和SRVI相關(guān)系數(shù)都接近0.6，說明SI-T、TVI、EVI2、SRVI、NDVI在一定程度上可表征土壤含鹽量。

2.3 土壤鹽分反演模型

將模型輸入變量分為3組。通過2.2節(jié)中多光譜六波長(zhǎng)與SSC的相關(guān)性分析，選擇與土壤鹽分極顯著且Person相關(guān)系數(shù)大于0.5的B3、B5和B6波段，將這3個(gè)敏感波段作為第1組模型輸入變量，記為敏感波段組；通過2.2節(jié)中10種光譜指數(shù)與SSC的相關(guān)性分析，選擇SI-T、TVI、EVI2、SRVI和NDVI共5個(gè)相關(guān)性較高的光譜指數(shù)作為第2組模型輸入變量，記為光譜指數(shù)組；為了盡量減少因重要變量缺失而引起的模型偏差，將上述3個(gè)敏感波長(zhǎng)和5個(gè)敏感光譜指數(shù)作為第3組模型輸入變量，共計(jì)8個(gè)變量，記為全變量組。

表4 光譜指數(shù)與SSC的相關(guān)系數(shù)(n=60)Tab.4 Correlation coefficient of spectral indexes and SSC(n=60)

2.3.1基于3個(gè)變量組的多元線性回歸土壤鹽分反演模型

將敏感波段組、光譜指數(shù)和全變量組分別作為模型輸入變量，建立基于多元線性回歸的鹽分反演模型，并對(duì)模型進(jìn)行精度驗(yàn)證，基于3種變量組的多元線性回歸模型結(jié)果見表5。

表5 基于不同變量組的多元線性回歸模型Tab.5 MLR model based on different groups of variables

注：敏感波段變量組中：X1、X2、X3分別表示B3、B5和B6波長(zhǎng)對(duì)應(yīng)的反射率；光譜指數(shù)組中：X1、X2、X3、X4、X5分別表示SI-T、TVI、EVI2、SRVI、NDVI；全變量組中：X1、X2、X3、X4、X5、X6、X7、X8分別表示B3、B5、B6、SI-T、TVI、EVI2、SRVI、NDVI。

綜合對(duì)比MLR模型的3個(gè)變量輸入組建模和驗(yàn)證參數(shù)結(jié)果，發(fā)現(xiàn)基于光譜指數(shù)組建立的MLR模型較為穩(wěn)定，是3個(gè)變量組中最佳的多元線性回歸鹽分反演模型。

2.3.2基于3個(gè)模型輸入變量組的機(jī)器學(xué)習(xí)鹽分反演模型

將敏感波段、光譜指數(shù)、全變量組作為模型輸入變量，分別建立SVM、BPNN、RF等3種機(jī)器學(xué)習(xí)回歸模型并進(jìn)行模型精度驗(yàn)證，模型結(jié)果如表6所示。

表6 基于不同變量組的機(jī)器學(xué)習(xí)模型Tab.6 Machine learning models based on different variable groups

2.4 鹽分反演模型的綜合評(píng)價(jià)分析

采用敏感波段組、光譜指數(shù)組和全變量組作為模型輸入變量組，分別使用MLR、SVM、BPNN、RF共4種回歸方法，共構(gòu)建12個(gè)土壤鹽分反演模型。將12個(gè)反演模型的土壤鹽分預(yù)測(cè)值與驗(yàn)證集土壤鹽分實(shí)測(cè)值進(jìn)行比較，結(jié)果如圖5所示。

3 討論

圖5 實(shí)測(cè)值與預(yù)測(cè)值的散點(diǎn)圖Fig.5 Scatter plots between measured and predicted values

本研究取得了良好的鹽分反演效果，但是由于不同作物對(duì)鹽分的敏感響應(yīng)程度不同，從而造成獲取的光譜特征也不同，所以下一步可以考慮對(duì)不同的作物進(jìn)行分開鹽分反演。此外，本研究的鹽分反演模型局限于小灌域尺度，對(duì)大區(qū)域甚至是全國尺度的統(tǒng)一鹽分定量鹽分反演模型亟待研究。

4 結(jié)論

(1)對(duì)比了基于3個(gè)模型輸入變量組構(gòu)建的土壤含鹽量反演模型,光譜指數(shù)組取得了最優(yōu)的反演精度。