基于Sentinel衛(wèi)星及無(wú)人機(jī)多光譜的濱海冬小麥種植區(qū)土壤鹽分反演研究——以黃三角墾利區(qū)為例

奚雪，趙庚星，高鵬，崔昆，李濤

基于Sentinel衛(wèi)星及無(wú)人機(jī)多光譜的濱海冬小麥種植區(qū)土壤鹽分反演研究——以黃三角墾利區(qū)為例

奚雪1，趙庚星1，高鵬1，崔昆1，李濤2

（1山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院/土肥資源高效利用國(guó)家工程實(shí)驗(yàn)室，山東泰安 271018；2山東省土壤肥料總站，濟(jì)南 250100）

【】探究黃河三角洲麥田土壤鹽分準(zhǔn)確高效的遙感提取方法，掌握土壤鹽漬化程度與分布。以墾利區(qū)為研究區(qū)，均勻布設(shè)冬小麥種植區(qū)樣點(diǎn)77個(gè)，同時(shí)設(shè)置代表性試驗(yàn)區(qū)2個(gè)，網(wǎng)格布設(shè)樣點(diǎn)99個(gè)，實(shí)測(cè)采集麥田土壤表層鹽分?jǐn)?shù)據(jù)及試驗(yàn)區(qū)無(wú)人機(jī)多光譜圖像。篩選紅、綠、紅邊、近紅4個(gè)波段及SI、NDVI、DVI、RVI、GRVI 5個(gè)光譜指數(shù)中的敏感光譜參量，采用逐步回歸、偏最小二乘法、BP神經(jīng)網(wǎng)絡(luò)及SVM支持向量機(jī)4種方法建立土壤鹽分估測(cè)模型，使用波段比值均值法得到Sentinel-2A衛(wèi)星影像相應(yīng)波段的修正系數(shù)，進(jìn)而將篩選的土壤鹽分估測(cè)模型轉(zhuǎn)換為基于衛(wèi)星影像的反演模型，經(jīng)麥區(qū)實(shí)測(cè)樣點(diǎn)數(shù)據(jù)驗(yàn)證，得到最佳的麥區(qū)土壤鹽分反演模型，實(shí)現(xiàn)試驗(yàn)區(qū)和研究區(qū)2個(gè)尺度的麥田土壤鹽分反演。無(wú)人機(jī)4個(gè)波段及光譜指數(shù)NVDI、RVI、SI與土壤鹽分含量相關(guān)性顯著，4種建模方法的13個(gè)模型中，以NDVI、RVI、SI建立的4個(gè)指數(shù)模型的建模及驗(yàn)證2均優(yōu)于其他模型；對(duì)4個(gè)模型進(jìn)行升尺度修正及驗(yàn)證，效果最佳的反演模型為偏最小二乘法光譜指數(shù)模型：Y=-9.4774×NDVI1+0.4794×RVI1+3.0747×SI1+5.0604，驗(yàn)證2為0.513，為1.379；利用該模型反演得到了試驗(yàn)區(qū)及整個(gè)研究區(qū)麥田土壤鹽分等級(jí)分布圖，結(jié)合實(shí)測(cè)插值及調(diào)查結(jié)果，證明反演模型及空間分布結(jié)果準(zhǔn)確、可靠。本研究構(gòu)建了衛(wèi)星、無(wú)人機(jī)一體化的濱海麥區(qū)土壤鹽分反演模型，對(duì)濱海鹽漬區(qū)農(nóng)作物的生產(chǎn)管理有積極參考價(jià)值。

冬小麥；無(wú)人機(jī)；Sentinel-2A衛(wèi)星；土壤鹽分；反演模型

0 引言

【研究意義】土壤鹽漬化是國(guó)內(nèi)外廣泛關(guān)注的生態(tài)環(huán)境問(wèn)題，由于自然和人為因素的影響，我國(guó)北方干旱、半干旱和半濕潤(rùn)地區(qū)鹽漬化土壤廣泛分布，濱海區(qū)域尤為突出，其中黃河三角洲自20世紀(jì)70年代開(kāi)始，水沙減少、海水倒灌導(dǎo)致陸地水鹽失衡，嚴(yán)重的鹽漬化導(dǎo)致土壤退化、板結(jié)，地力降低限制了農(nóng)作物的生長(zhǎng)，嚴(yán)重阻礙了區(qū)域農(nóng)業(yè)經(jīng)濟(jì)的可持續(xù)發(fā)展[1]。【前人研究進(jìn)展】傳統(tǒng)的土壤鹽分監(jiān)測(cè)方法為實(shí)地采樣化驗(yàn)分析法，土壤采樣樣點(diǎn)數(shù)量受限且費(fèi)時(shí)費(fèi)力；電磁感應(yīng)技術(shù)數(shù)據(jù)獲取均勻但處理較為復(fù)雜；而遙感圖像反演技術(shù)已經(jīng)在土壤鹽分監(jiān)測(cè)上取得了較高的應(yīng)用效果，且數(shù)據(jù)來(lái)源豐富、精度高、獲取方便快捷[2-3]。多數(shù)學(xué)者基于多源衛(wèi)星影像，結(jié)合光譜及地面數(shù)據(jù)建模，實(shí)現(xiàn)了土壤鹽分含量的大范圍定量反演[4-8]；陳俊英等[9]和Zhang等[10]結(jié)合不同空間尺度，使用星機(jī)地一體的多平臺(tái)遙感技術(shù)手段進(jìn)行土壤鹽分反演，均取得較好結(jié)果；Song等[11]選取Landsat TM圖像的數(shù)字波段、植被指數(shù)和地形指數(shù)作為變量，利用廣義加性模型實(shí)現(xiàn)了土壤鹽分的定量估測(cè)。在植被生長(zhǎng)與土壤鹽分含量關(guān)系遙感檢測(cè)方面，多數(shù)學(xué)者通過(guò)研究土壤鹽分與植被覆蓋、長(zhǎng)勢(shì)等的時(shí)空變化，尋找兩者之間的定量關(guān)系，如賈吉超等[12]通過(guò)多時(shí)相影像疊加分析，研究了黃河三角洲典型區(qū)域麥棉種植面積的變化與土壤鹽分含量的關(guān)系，并建立了研究區(qū)土壤鹽分與小麥的長(zhǎng)勢(shì)模型；張同瑞等[13]采用多光譜數(shù)據(jù)，篩選敏感光譜植被指數(shù)，建立并優(yōu)選出土壤鹽分含量監(jiān)測(cè)的最佳模型；Zhang等[14]通過(guò)對(duì)7種典型鹽敏植物的高光譜數(shù)據(jù)與其根區(qū)土壤樣品的鹽分含量進(jìn)行分析，探討了黃河三角洲地區(qū)植被光譜與土壤鹽度的關(guān)系；張?zhí)炫e等[15]和張雪妮等[16]依據(jù)多種植物群落的空間變化，研究與之對(duì)應(yīng)的土壤鹽分分布特征。在建模過(guò)程中，選擇敏感光譜參數(shù)與最佳建模類型和方法是提高模型精度的重要環(huán)節(jié)，如安德玉等[17]采用實(shí)測(cè)的高光譜數(shù)據(jù)進(jìn)行多種模型的鹽分反演，結(jié)合HICO波段進(jìn)行模型修正，從而得到了可運(yùn)用于大尺度的反演模型。對(duì)于不同來(lái)源、不同尺度的光譜數(shù)據(jù)，采用敏感光譜波段組合、光譜指數(shù)篩選、改進(jìn)、微分等方法進(jìn)行處理，建立多類土壤鹽分估測(cè)模型，可以有效提升模型的土壤鹽分反演效果[18-25]。在模型類型的選擇上，多數(shù)學(xué)者使用線性回歸方法和機(jī)器學(xué)習(xí)算法建立反演土壤鹽分模型，比較了不同方法得到的反演模型的精度[26-29]?！颈狙芯壳腥朦c(diǎn)】在黃河三角洲濱海鹽漬土典型區(qū)，采用星機(jī)一體化的技術(shù)方法，專門針對(duì)冬小麥種植區(qū)域的土壤鹽分反演研究較為薄弱?！緮M解決的關(guān)鍵問(wèn)題】本文通過(guò)實(shí)地調(diào)查獲取土壤鹽分?jǐn)?shù)據(jù)，篩選無(wú)人機(jī)多光譜波段并構(gòu)建光譜參數(shù)，建立小麥光譜與土壤鹽分間的多種關(guān)系模型，進(jìn)而根據(jù)無(wú)人機(jī)圖像與衛(wèi)星影像關(guān)系進(jìn)行模型修正，實(shí)現(xiàn)麥田土壤鹽分估測(cè)模型的升尺度反演，最終得到研究區(qū)冬小麥種植區(qū)域的土壤鹽分分布。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)選擇山東省東營(yíng)市墾利區(qū)，位于東經(jīng)117°90′—119°82′，北緯37°01′—37°99′，是黃河三角洲濱海鹽漬土的典型區(qū)域，地處暖溫帶半濕潤(rùn)大陸性季風(fēng)氣候區(qū)，光照充足降水少，蒸發(fā)大，旱澇不均，季節(jié)性干濕交替明顯。研究區(qū)地勢(shì)低平，自西南至東北降低，地表水來(lái)源為自然降水及黃河水，地下水礦化度高、埋深淺，主要土壤類型為鹽土和潮土，鹽化程度高，鹽漬土分布廣泛。種植的主要農(nóng)作物為小麥、玉米和棉花，主要的種植區(qū)分布在區(qū)內(nèi)西南部的地勢(shì)較高區(qū)和東北部的黃河沿岸區(qū)2個(gè)部分，其土壤鹽漬化變異明顯，是本研究的理想?yún)^(qū)域。

綜合墾利區(qū)域調(diào)查、地貌土壤及作物分布情況，分別在研究區(qū)西南部和東北部2個(gè)作物集中分布區(qū)，選擇A、B 2個(gè)試驗(yàn)區(qū)，均處于麥田集中種植區(qū)域，耕作方式一致，灌排條件良好，小麥長(zhǎng)勢(shì)存在空間差異性，具有較好的代表性。其中A試驗(yàn)區(qū)為100 m×50 m的長(zhǎng)方形區(qū)域，其南側(cè)分布著灌溉溝渠及農(nóng)用道路，B試驗(yàn)區(qū)為50 m×50 m的四邊形區(qū)域，其西側(cè)有灌溉溝渠及鄉(xiāng)道，其余相鄰區(qū)域均分布著麥田（圖1）。

圖1 研究區(qū)及試驗(yàn)區(qū)分布圖

1.2 地面數(shù)據(jù)采集與處理

4月份墾利降雨較少，地表鹽化明顯、穩(wěn)定，各地類與農(nóng)作物覆被差異顯著，其他主要農(nóng)作物均未播種，冬小麥處于返青拔節(jié)期，便于提取光譜特征[30]。于2019年4月10日至16日進(jìn)行了研究區(qū)野外調(diào)查，為確保布點(diǎn)均勻，研究區(qū)每5 km×5 km的網(wǎng)格內(nèi)預(yù)布設(shè)3個(gè)樣點(diǎn)，最終采集了位于麥區(qū)的77個(gè)樣點(diǎn)。針對(duì)2個(gè)試驗(yàn)區(qū)，分別在A、B試驗(yàn)區(qū)的測(cè)量區(qū)域外圍邊界，每10 m放置一個(gè)插地牌，使用測(cè)繩連接后形成10 m×10 m的樣點(diǎn)格網(wǎng)，以其格網(wǎng)交叉點(diǎn)作為采樣點(diǎn)，最終共采集99個(gè)樣點(diǎn)數(shù)據(jù)，其中A試驗(yàn)區(qū)63個(gè)，B試驗(yàn)區(qū)36個(gè)。

使用TrimbleGeo7手持式差分GPS，測(cè)量試驗(yàn)區(qū)四至點(diǎn)坐標(biāo)作為無(wú)人機(jī)圖像空間校正的地面控制點(diǎn)。將EC110便攜式鹽分計(jì)進(jìn)行電導(dǎo)率溫度校正后，對(duì)每個(gè)樣點(diǎn)植株下方0—10 cm土層厚度的土壤電導(dǎo)率（EC）進(jìn)行多次測(cè)量，待穩(wěn)定后記錄，取測(cè)量值均值作為各樣點(diǎn)EC值，dS·m-1。根據(jù)前期研究結(jié)果[31]，利用公式SS= 2.18×EC+0.727，將實(shí)測(cè)EC數(shù)據(jù)轉(zhuǎn)換為土壤鹽分含量（SS），g·kg-1。

1.3 無(wú)人機(jī)圖像數(shù)據(jù)采集及預(yù)處理

使用Matrice600PRO六旋翼無(wú)人機(jī)搭載Sequoia多光譜相機(jī)采集多光譜數(shù)據(jù)，相機(jī)帶有4個(gè)120萬(wàn)單色傳感器：綠（bG）、紅（bR）、紅邊（bREG）、近紅（bNIR）光譜波段，中心波長(zhǎng)分別為550、660、735、790 nm。陽(yáng)光傳感器可進(jìn)行自校準(zhǔn)，且?guī)в蠫PS模塊，每幅相片均存儲(chǔ)了地理標(biāo)記。飛行時(shí)，天氣晴朗微風(fēng)，飛行時(shí)間為10：00—14：00，飛行高度50 m，速度5 m·s-1，地面分辨率2—3 cm。

使用Pix4D軟件進(jìn)行無(wú)人機(jī)多幅圖像拼接及輻射校正，ENVI5.3進(jìn)行波段疊加與圖像裁剪，在ArcGIS10.1中使用控制點(diǎn)進(jìn)行空間校正后展點(diǎn)，提取99個(gè)樣點(diǎn)在4個(gè)波段的像元反射率。

1.4 衛(wèi)星圖像獲取及預(yù)處理

Sentinel-2衛(wèi)星是具有高分辨率、重訪率及更新率的多光譜成像衛(wèi)星，包含A、B 2顆小衛(wèi)星，重訪周期5 d，主要載荷為MSI多光譜成像儀，覆蓋0.4—2.4 μm光譜范圍，包含10 m（4個(gè)波段）、20 m（6個(gè)波段）、60 m（3個(gè)波段）的地面分辨率，可監(jiān)測(cè)陸地植被生長(zhǎng)、覆蓋、健康狀況，獲取農(nóng)作物種植、土地利用變化等信息。本文下載2019年4月17日的Sentinel-2A衛(wèi)星影像（https://scihub.copernicus.eu/），選擇的Level-2A級(jí)產(chǎn)品是經(jīng)輻射定標(biāo)和大氣校正的大氣底層反射率數(shù)據(jù)。

選擇與無(wú)人機(jī)光譜波段中心波長(zhǎng)相近的Sentinel衛(wèi)星波段：b3、b4、b6、b7，中心波長(zhǎng)依次為560、665、740、783 nm，空間分辨率依次為10、10、20、20 m，在ENVI5.3中為影像統(tǒng)一投影坐標(biāo)，進(jìn)行重采樣、邊界裁剪、圖層疊加，輸出多波段影像。

1.5 基于無(wú)人機(jī)的土壤鹽分估測(cè)模型構(gòu)建與驗(yàn)證

根據(jù)植被冠層在可見(jiàn)光強(qiáng)吸收及近紅外強(qiáng)反射的特性，使用無(wú)人機(jī)采集的多波段光譜計(jì)算歸一化植被指數(shù)NDVI、差值植被指數(shù)DVI、比值植被指數(shù)RVI、綠波段比值植被指數(shù)GRVI和鹽分指數(shù)SI（表1）。

表1 光譜指數(shù)計(jì)算公式

將99個(gè)樣本隨機(jī)劃分為66個(gè)建模樣本和33個(gè)驗(yàn)證樣本，對(duì)66個(gè)樣點(diǎn)土壤鹽分含量數(shù)據(jù)與無(wú)人機(jī)圖像4個(gè)波段、5種光譜指數(shù)進(jìn)行相關(guān)性分析，利用公式=1/(1-r×r)（r為光譜參量間的相關(guān)系數(shù)）計(jì)算光譜參量間的方差膨脹因子（）[19]，排除相關(guān)性較低或＞10，即無(wú)法通過(guò)共線性診斷的參數(shù)。對(duì)敏感波段及光譜指數(shù)，分別在IBM SPSS19和Matlab R2012b軟件中使用線性逐步回歸方法、偏最小二乘法，建立統(tǒng)計(jì)分析模型，在Matlab R2012b軟件中使用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)方法建立機(jī)器學(xué)習(xí)模型，其中BP神經(jīng)網(wǎng)絡(luò)設(shè)置訓(xùn)練的迭代次數(shù)1 000，精度0.003，學(xué)習(xí)速率為0.01；支持向量機(jī)方法設(shè)置類型為v-SVR，選用高斯核函數(shù)（RBF），通過(guò)網(wǎng)絡(luò)搜索和交叉驗(yàn)證選擇最佳懲罰因子C與核函數(shù)參數(shù)gamma，訓(xùn)練出支持向量機(jī)模型。

用33個(gè)樣本驗(yàn)證所得模型，以決定系數(shù)2為主要評(píng)價(jià)依據(jù)，結(jié)合均方根誤差評(píng)價(jià)建模及驗(yàn)證精度，2在0.50—0.65，0.66—0.81，0.82—0.90，0.91—1.00的閉區(qū)間內(nèi)的預(yù)測(cè)能力依次為一般、中等、良好、優(yōu)秀[10]。分別篩選出4種方法中擁有較高2及相對(duì)較低的土壤鹽分估測(cè)模型，同時(shí)，基于試驗(yàn)區(qū)衛(wèi)星影像數(shù)據(jù)，建立4個(gè)同方法、同光譜自變量的估測(cè)模型。通過(guò)比較兩者的模型精度，以驗(yàn)證采用無(wú)人機(jī)多光譜建模是否提高了反演精度，確認(rèn)無(wú)人機(jī)鹽分估測(cè)模型進(jìn)行升尺度修正及應(yīng)用的必要性，其中BP神經(jīng)網(wǎng)絡(luò)模型根據(jù)其驗(yàn)證精度進(jìn)行篩選和比較。

1.6 基于衛(wèi)星影像的土壤鹽分反演模型修正與應(yīng)用

1.6.1 衛(wèi)星影像的反射率修正及反演模型 由于衛(wèi)星數(shù)據(jù)及無(wú)人機(jī)圖像數(shù)據(jù)存在光譜分辨率的差異，需要對(duì)衛(wèi)星光譜波段進(jìn)行修正，以期達(dá)到一體化的目的。在試驗(yàn)區(qū)每個(gè)樣點(diǎn)對(duì)應(yīng)的衛(wèi)星影像單個(gè)像元范圍內(nèi)，提取無(wú)人機(jī)圖像各波段的平均反射率bRⅴGⅴREGⅴNIR及對(duì)應(yīng)波段的衛(wèi)星單一像元反射率b3ⅴ4ⅴ6ⅴ7，參照前人研究[10]，選用比值均值法確定衛(wèi)星4個(gè)波段的修正系數(shù)C，公式如下：

式中，n為參與計(jì)算的樣點(diǎn)數(shù)量（n=99），以各波段修正系數(shù)乘以對(duì)應(yīng)衛(wèi)星波段參量，對(duì)篩選出的模型中的光譜自變量進(jìn)行修正后，得到升尺度土壤鹽分反演模型。

1.6.2 反演模型驗(yàn)證 導(dǎo)出衛(wèi)星影像上研究區(qū)77個(gè)樣點(diǎn)的各波段像元值，計(jì)算修正后的光譜參數(shù)。升尺度土壤鹽分反演的統(tǒng)計(jì)分析模型代入修正后的光譜參數(shù)，得到的結(jié)果與冬小麥種植區(qū)實(shí)測(cè)鹽分?jǐn)?shù)據(jù)進(jìn)行相關(guān)性分析；機(jī)器學(xué)習(xí)模型則直接將修正的光譜參數(shù)、實(shí)測(cè)鹽分作為驗(yàn)證集放入BP神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)模型中進(jìn)行驗(yàn)證，根據(jù)2、判斷模型修正效果。

1.6.3 研究區(qū)冬小麥分布信息提取及土壤鹽分反演 為得到研究區(qū)中的麥區(qū)空間分布，使用ENVI對(duì)Sentinel-2A多波段影像劃分小麥、居民點(diǎn)、水體、灘涂、荒地5類感興趣區(qū)，統(tǒng)計(jì)不同地物在各個(gè)波段的感興趣區(qū)像元值均值，計(jì)算NDVI均值，繪制折線以確定分類的閾值，建立決策樹(shù)模型進(jìn)行地物分類，結(jié)合目視解譯提取研究區(qū)小麥種植區(qū)域。

綜合試驗(yàn)區(qū)不同方法鹽分估測(cè)模型精度及研究區(qū)升尺度修正反演模型的驗(yàn)證結(jié)果，篩選出2個(gè)尺度土壤鹽分反演的最佳模型，使用該模型進(jìn)行土壤鹽分反演，得到試驗(yàn)區(qū)及冬小麥種植區(qū)鹽分反演圖，使用反距離加權(quán)（inverse distance weighted，IDW）方法進(jìn)行土壤鹽分實(shí)測(cè)值插值，得到2個(gè)尺度鹽分等級(jí)分布圖。統(tǒng)計(jì)反演圖與實(shí)測(cè)插值圖的等級(jí)面積比例，綜合2個(gè)圖的空間分布及不同等級(jí)占比變化趨勢(shì)的一致性，結(jié)合實(shí)際調(diào)查分析模型反演效果。土壤鹽漬化程度按照相關(guān)分級(jí)標(biāo)準(zhǔn)劃分為5個(gè)等級(jí)（表2）[34]。

2 結(jié)果

2.1 光譜參數(shù)篩選

4個(gè)無(wú)人機(jī)光譜波段及5種光譜指數(shù)與試驗(yàn)區(qū)地面鹽分?jǐn)?shù)據(jù)進(jìn)行的相關(guān)性分析結(jié)果如表3—4所示。在相關(guān)性矩陣中，4個(gè)波段與土壤鹽分相關(guān)性均較好，光譜指數(shù)中的GRVI與土壤鹽分相關(guān)性較低，DVI與NDVI間的r為0.953，VIF值大于10，存在較強(qiáng)的多重共線性，故選擇4個(gè)波段和光譜指數(shù)NDVI、RVI、SI作為自變量進(jìn)行建模。

2.2 土壤鹽分估測(cè)模型的構(gòu)建與驗(yàn)證

采用逐步回歸、偏最小二乘、BP神經(jīng)網(wǎng)絡(luò)及SVM支持向量機(jī)方法，基于無(wú)人機(jī)多光譜圖像，以66個(gè)建模樣本的4個(gè)波段和3個(gè)光譜指數(shù)為自變量，土壤鹽分含量為因變量建立土壤鹽分估測(cè)模型，并使用33個(gè)驗(yàn)證樣本對(duì)模型進(jìn)行驗(yàn)證（表5）?？梢钥闯?，4種建模方法的13個(gè)模型中，由NDVI、RVI、SI建立的4個(gè)光譜指數(shù)模型的建模和驗(yàn)證精度均為最佳，均高于光譜波段模型。其中，建模精度最高的是支持向量機(jī)模型，2為0.835，但其驗(yàn)證精度相比其他3個(gè)模型較低，說(shuō)明該模型穩(wěn)定性較差。從逐步回歸模型可以看出，疊加敏感波段項(xiàng)、指數(shù)項(xiàng)可以逐步提高建模精度。使用4種建模方法，基于衛(wèi)星影像，以指數(shù)NDVI、RVI、SI為自變量建立土壤鹽分估測(cè)模型（表6）。通過(guò)比較發(fā)現(xiàn)，4個(gè)無(wú)人機(jī)光譜指數(shù)模型精度均高于同一方法的衛(wèi)星光譜指數(shù)模型，表明采用無(wú)人機(jī)光譜建?？梢蕴岣咄寥利}分的反演精度。因此，選擇由NDVI、RVI、SI建立的4個(gè)無(wú)人機(jī)光譜指數(shù)模型進(jìn)行下一步的升尺度模型修正與驗(yàn)證。

表2 墾利區(qū)土壤鹽漬化程度分級(jí)標(biāo)準(zhǔn)

表3 試驗(yàn)區(qū)樣點(diǎn)各波段與實(shí)測(cè)土壤鹽分含量相關(guān)性

** 表示在 0.01水平（雙側(cè)）上顯著相關(guān)。下同

** indicates thesignificant correlationat0.01 level(bilateral). The same as below

表4 試驗(yàn)區(qū)樣點(diǎn)光譜指數(shù)與實(shí)測(cè)土壤鹽分含量相關(guān)性

表5 基于無(wú)人機(jī)多光譜的土壤鹽分估測(cè)模型

2.3 反演模型的升尺度修正與驗(yàn)證

2.3.2 反演模型修正 在試驗(yàn)區(qū)每個(gè)樣點(diǎn)對(duì)應(yīng)衛(wèi)星單個(gè)像元范圍內(nèi)，統(tǒng)計(jì)無(wú)人機(jī)各波段圖像多個(gè)小像元的平均反射率，提取樣點(diǎn)的衛(wèi)星影像反射率，通過(guò)比值均值法，計(jì)算出衛(wèi)星數(shù)據(jù)每個(gè)波段的修正系數(shù)為0.82483（b3）、0.63767（b4）、0.51249（b6）和1.15859（b7），將4個(gè)模型的自變量NDVI、RVI、SI使用衛(wèi)星波段乘以修正系數(shù)進(jìn)行修正，從而將基于無(wú)人機(jī)平臺(tái)的土壤鹽分估測(cè)模型轉(zhuǎn)換為基于衛(wèi)星影像的反演模型。修正后的基于衛(wèi)星圖像的各模型自變量為：

2.3.3 反演模型驗(yàn)證 根據(jù)研究區(qū)中77個(gè)麥區(qū)樣點(diǎn)4個(gè)波段反射率，計(jì)算已修正的指數(shù)NDVI1、RVI1、SI1，分別代入4個(gè)修正后的反演模型，結(jié)合實(shí)測(cè)土壤鹽分含量進(jìn)行驗(yàn)證。其中逐步回歸反演模型Y=-10.287×NDVI1+0.651×RVI1+13.486×SI1+3.843的驗(yàn)證2為0.485，為1.339；偏最小二乘模型Y=-9.4774×NDVI1+0.4794×RVI1+3.0747×SI1+5.0604的驗(yàn)證2為0.513，為1.379。同樣地，將指數(shù)NDVI1、RVI1、SI1作為測(cè)試集放入已構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型進(jìn)行驗(yàn)證，結(jié)果2分別為0.436、0.387，分別為1.297、1.006。機(jī)器學(xué)習(xí)模型的驗(yàn)證相對(duì)較低，而統(tǒng)計(jì)分析模型驗(yàn)證2均高于機(jī)器學(xué)習(xí)模型，其中僅偏最小二乘法構(gòu)建的指數(shù)模型2大于0.5。

2.4 模型應(yīng)用與鹽分反演

綜合建模及2個(gè)尺度的驗(yàn)證結(jié)果，4個(gè)模型中偏最小二乘法建立的光譜指數(shù)具有更好的適用性和穩(wěn)定性，選用該模型進(jìn)行2個(gè)尺度的土壤鹽分反演。

2.4.1 試驗(yàn)區(qū)土壤鹽分反演 基于試驗(yàn)區(qū)土壤鹽分實(shí)測(cè)值和最佳模型，得到試驗(yàn)區(qū)土壤鹽分等級(jí)分布（圖2），并對(duì)其進(jìn)行等級(jí)面積統(tǒng)計(jì)（表7），總體看，麥田土壤鹽分的反演結(jié)果與實(shí)測(cè)結(jié)果基本一致，各等級(jí)面積占比的變化趨勢(shì)大致相同，而比較看，反演結(jié)果對(duì)土壤鹽分空間分布的反映則更為精細(xì)。試驗(yàn)區(qū)A總體鹽漬化程度較高，無(wú)非鹽漬化及輕度鹽漬化土壤分布，中、重度鹽漬化土壤面積占83.72%，鹽土面積占16.28%。土壤鹽分含量呈現(xiàn)南部高、北部低趨勢(shì)，其中鹽土集中分布于西南部區(qū)域。試驗(yàn)區(qū)B總體鹽漬化程度偏低，其中非鹽化和輕度鹽漬化土壤面積比例為39.11%，集中在小麥長(zhǎng)勢(shì)良好的北部，而試驗(yàn)區(qū)中部和南部重度鹽漬化土壤面積達(dá)50.63%，且空間分布差異不大。

圖2 試驗(yàn)區(qū)土壤鹽分實(shí)測(cè)插值圖（左）及反演圖（右）

表7 試驗(yàn)區(qū)土壤鹽分等級(jí)面積統(tǒng)計(jì)

2.4.2 研究區(qū)麥田面積與分布 對(duì)研究區(qū)典型地物光譜曲線進(jìn)行分析（圖3），在b7波段各地類出現(xiàn)清晰反射率區(qū)間，水體、灘涂平均反射率小于0.2，首先被去除，NDVI均值大于0.2的地物為冬小麥，由此建立決策樹(shù)模型，提取冬小麥種植區(qū)域（圖4）。結(jié)果顯示，研究區(qū)麥田集中分布在墾利西南部及東北部黃河沿岸區(qū)域，提取結(jié)果符合冬小麥實(shí)際分布。

圖3 研究區(qū)典型地物光譜曲線（左）及冬小麥決策樹(shù)提取模型（右）

2.4.3 研究區(qū)麥田土壤鹽分升尺度反演 對(duì)比研究區(qū)麥區(qū)土壤鹽分反演及實(shí)測(cè)插值結(jié)果（圖4），結(jié)合其等級(jí)面積統(tǒng)計(jì)情況（表8），可以看出，土壤鹽分反演結(jié)果與空間插值結(jié)果一致，面積占比均呈現(xiàn)出隨著鹽漬化程度升高而減少的變化趨勢(shì)，與調(diào)查情況相符，表明麥區(qū)升尺度反演效果較好。研究區(qū)小麥種植區(qū)無(wú)非鹽漬化土壤分布，輕度鹽漬化土壤分布廣泛，面積占比達(dá)73.09%，集中在地勢(shì)相對(duì)較高的西南部和黃河淡水影響的東北部區(qū)域；中度鹽漬化土壤面積次之，占比14.01%，且在麥區(qū)零散分布；重度鹽漬化土壤及鹽土面積較小，集中分布于研究區(qū)中西部沿黃河灘區(qū)。

3 討論

在星機(jī)一體化的土壤鹽分反演研究中，針對(duì)農(nóng)作物種植區(qū)域的土壤鹽分反演研究相對(duì)匱乏，需要深入細(xì)致的研究探索。本研究為提高采集的農(nóng)作物光譜精度，使用格網(wǎng)交點(diǎn)采集地面數(shù)據(jù)，保障樣點(diǎn)的均勻及位置準(zhǔn)確，無(wú)人機(jī)飛行高度較低，搭載 Sequoia多光譜相機(jī)的分辨率高達(dá)2—3 cm，保證了建模精度，因此，反演結(jié)果能更精確地反映小麥種植區(qū)的鹽分分布狀況。

表8 麥區(qū)土壤鹽分等級(jí)面積統(tǒng)計(jì)

圖4 麥區(qū)土壤鹽分實(shí)測(cè)插值圖（左）及升尺度反演圖（右）

植被覆蓋差異與土壤鹽分空間變化息息相關(guān)，特征光譜參數(shù)的選擇是土壤鹽分準(zhǔn)確反演的重要基礎(chǔ)。本研究中，2個(gè)試驗(yàn)區(qū)冬小麥長(zhǎng)勢(shì)、覆蓋度差異較明顯，樣點(diǎn)間可見(jiàn)光與近紅外光譜差異增強(qiáng)，選用光譜指數(shù)進(jìn)行土壤鹽分反演，增強(qiáng)了原本與土壤鹽分含量相關(guān)性接近的4個(gè)無(wú)人機(jī)光譜波段的敏感程度，提高了模型的精度及空間普適性，與前人研究結(jié)果相符[28, 35-36]。光譜指數(shù)中，GRVI及RVI與土壤鹽分相關(guān)性不高，這與前人研究中波段比值與土壤鹽分相關(guān)性較低的結(jié)果一致[22]。

本研究通過(guò)評(píng)價(jià)模型的精度、不同尺度的穩(wěn)定性和適應(yīng)性篩選最佳土壤鹽分反演模型。選擇的評(píng)價(jià)指標(biāo)決定系數(shù)2衡量模型的擬合程度，反映實(shí)測(cè)值與預(yù)測(cè)值的偏差，考慮前者性能度量在0—1之間，而后者對(duì)于數(shù)據(jù)沒(méi)有準(zhǔn)確的度量范圍，故模型精度評(píng)價(jià)以2作為主要依據(jù)。本文建立的統(tǒng)計(jì)分析模型的建模2小于支持向量機(jī)模型，說(shuō)明機(jī)器學(xué)習(xí)方法的數(shù)據(jù)擬合效率較高，這與前人機(jī)器學(xué)習(xí)算法土壤鹽分估測(cè)效果優(yōu)于多元線性回歸方法的研究結(jié)果一致[29]。但模型升尺度驗(yàn)證時(shí)，4個(gè)模型精度均降低，可能與無(wú)人機(jī)和衛(wèi)星波段的中心波長(zhǎng)存在5—13 nm的差異且大尺度農(nóng)作物光譜狀況較為復(fù)雜有關(guān)。同時(shí)，由于BP神經(jīng)網(wǎng)絡(luò)存在數(shù)據(jù)過(guò)擬合現(xiàn)象，使其預(yù)測(cè)能力與訓(xùn)練能力出現(xiàn)矛盾，而支持向量機(jī)模型對(duì)新輸入樣本的泛化能力低[37-38]，可能導(dǎo)致了機(jī)器學(xué)習(xí)模型的穩(wěn)定性較低，精度降幅較大。

在試驗(yàn)時(shí)期的考察選點(diǎn)盡量做到了均勻且具有代表性，使其插值結(jié)果較好地反映土壤鹽分的空間分布情況，但插值方法以距離權(quán)重進(jìn)行賦值，在部分小區(qū)域內(nèi)鹽分出現(xiàn)較大變化時(shí)，會(huì)在一定程度上影響插值準(zhǔn)確性。試驗(yàn)區(qū)的土壤鹽分反演結(jié)果與土壤鹽分的實(shí)測(cè)插值圖比較時(shí)，2個(gè)圖北部的鹽土區(qū)域分布存在一定的差異，此外，在試驗(yàn)區(qū)和研究區(qū)需要減少對(duì)插值圖定量結(jié)果的依賴，而是要結(jié)合空間分布情況、各等級(jí)占比的相對(duì)變化趨勢(shì)及實(shí)際調(diào)查結(jié)果綜合驗(yàn)證反演模型的應(yīng)用效果。

本研究針對(duì)濱海冬小麥作物種植區(qū)，實(shí)現(xiàn)了多尺度、多類建模方法的土壤鹽分遙感反演，在此基礎(chǔ)上，后續(xù)需考慮區(qū)域中玉米、水稻等其他農(nóng)作物類型，篩選適宜的光譜參數(shù)及高效反演模型，開(kāi)展對(duì)農(nóng)作物種植區(qū)的土壤鹽分系統(tǒng)定量研究；另外，為提高升尺度反演模型精度，升尺度反演中尺度間數(shù)據(jù)的修正方法也有待進(jìn)一步的優(yōu)化。

4 結(jié)論

（1）基于冬小麥試驗(yàn)區(qū)無(wú)人機(jī)圖像的多光譜波段，構(gòu)建光譜指數(shù)，4個(gè)波段與土壤鹽分含量的相關(guān)性均大于0.6，5個(gè)光譜指數(shù)中篩選出了用于建模的NDVI、RVI、SI，使用4種方法構(gòu)建了9個(gè)統(tǒng)計(jì)分析模型和4個(gè)機(jī)器學(xué)習(xí)模型，不同方法中由NDVI、RVI、SI建立的光譜指數(shù)模型綜合精度均優(yōu)于波段模型和基于衛(wèi)星影像的光譜指數(shù)模型。

（2）紅、綠、紅邊、近紅波段進(jìn)行升尺度修正的修正系數(shù)分別為0.82483、0.63767、0.51249、1.15859，對(duì)4個(gè)試驗(yàn)區(qū)估測(cè)模型進(jìn)行修正，構(gòu)建了基于衛(wèi)星波段的升尺度土壤鹽分反演模型，經(jīng)驗(yàn)證篩選出麥區(qū)最佳反演模型Y=-9.4774×NDVI1+0.4794×RVI1+3.0747× SI1+ 5.0604，驗(yàn)證2為0.513。

（3）由最佳模型反演得到了試驗(yàn)區(qū)及研究區(qū)2個(gè)尺度的麥區(qū)土壤鹽分等級(jí)分布圖，反演效果較好，表明模型有良好的預(yù)測(cè)能力和適用性。研究區(qū)小麥種植區(qū)土壤以輕度鹽漬化為主，面積占73.09%，集中在研究區(qū)地勢(shì)相對(duì)較高的西南部和黃河淡水影響的東北部區(qū)域，中度鹽漬化土壤在麥區(qū)零散分布，重度鹽漬化及鹽土則分布于中西部沿黃灘區(qū)。

本研究綜合衛(wèi)星、無(wú)人機(jī)及地面數(shù)據(jù)，采用統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)的建模方法，得到了星機(jī)一體化的麥區(qū)土壤鹽分反演最佳模型，為把握麥區(qū)土壤鹽分等級(jí)分布狀況、指導(dǎo)研究區(qū)農(nóng)業(yè)生產(chǎn)提供了科學(xué)依據(jù)。

[1] 王建華, 胡鵬, 龔家國(guó). 實(shí)施黃河口大保護(hù)推動(dòng)黃河流域生態(tài)文明建設(shè). 人民黃河, 2019, 41(10): 7-10.

WANG J H, HU P, GONG J G. Taking the great protection of the Yellow River estuary as the grasp to promote the construction of ecological civilization in the Yellow River basin., 2019, 41(10): 7-10. (in Chinese)

[2] 劉麗娟, 李小玉. 干旱區(qū)土壤鹽分積累過(guò)程研究進(jìn)展. 生態(tài)學(xué)雜志, 2019, 38(3): 891-898.

LIU L J, LI X Y. Progress in the study of soil salt accumulation in arid region., 2019, 38(3): 891-898. (in Chinese)

[3] 張順, 賈永剛, 連勝利, 付騰飛, 潘玉英. 電導(dǎo)率法在土壤鹽漬化中的改進(jìn)和應(yīng)用進(jìn)展. 土壤通報(bào), 2014, 45(3): 754-759.

ZHANG S, JIA Y G, LIAN S L, FU T F, PAN Y Y. Application and improvement of electrical conductivity measurements in soil salinity., 2014, 45(3): 754-759. (in Chinese)

[4] 阿爾達(dá)克·克里木, 塔西甫拉提·特依拜, 張東, 依力亞斯江·努爾麥麥提. 基于高光譜的ASTER影像土壤鹽分模型校正及驗(yàn)證. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(12): 144-150.

Ardak K l m, TaXIpUlat T y p, ZHANG D, IlyasJ N r m m t. Calibration and validation of soil salinity estimation model based on measured hyperspectral and Aster image., 2016, 32(12): 144-150. (in Chinese)

[5] 吳亞坤, 劉廣明, 蘇里坦, 楊勁松. 多源數(shù)據(jù)的區(qū)域土壤鹽漬化精確評(píng)估. 光譜學(xué)與光譜分析, 2018, 38(11): 3528-3533.

WU Y K, LIU G M, SU L T, YANG J S. Accurate evaluation of regional soil salinization using multi-source data., 2018, 38(11): 3528-3533. (in Chinese)

[6] 胡盈盈, 王瑞燕, 陳紅艷, 李玉萍, 劉燕群. 黃河三角洲春秋兩季土壤鹽分遙感反演及時(shí)空變異研究. 測(cè)繪與空間地理信息, 2018, 41(8): 78-81.

HU Y Y, WANG R Y, CHEN H Y, LI Y P, LIU Y Q. Research on remote sensing retrieval and temporal variation of soil salinity in the spring and autumn of the Yellow River Delta., 2018, 41(8): 78-81. (in Chinese)

[7] SCUDIERO E, SKAGGS T H, CORWIN D L. Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance., 2015, 169: 335-343.

[8] 梁靜, 丁建麗, 王敬哲, 王飛. 基于反射光譜與 Landsat 8 OLI 多光譜數(shù)據(jù)的艾比湖濕地土壤鹽分估算. 土壤學(xué)報(bào), 2019, 56(2): 320-330.

LIANG J, DING J L, WANG J Z, WANG F. Quantitative estimationand mapping of soil salinity in the Ebinur Lake wetland based on Vis-NIR reflectance and Landsat 8 OLI data., 2019, 56(2): 320-330. (in Chinese)

[9] 陳俊英, 王新濤, 張智韜, 韓佳, 姚志華, 魏廣飛. 基于無(wú)人機(jī)-衛(wèi)星遙感升尺度的土壤鹽漬化監(jiān)測(cè)方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(12): 161-169.

CHEN J Y, WANG X T, ZHANG Z T, HAN J, YAO Z H, WEI G F. Soil salinization monitoring method based on UAV-satellite remote sensing scale-up., 2019, 50(12):161-169. (in Chinese)

[10] Zhang S m, Zhao G x. A harmonious satellite-unmanned aerial vehicle-ground measurement inversion method for monitoring salinity in coastal saline soil., 2019, 11(14): 1700.

[11] Song C Y, Ren H X, Huang C. Estimating soil salinity in the Yellow River delta, Eastern China—An integrated approach using spectral and terrain indices with the generalized additive model.2016, 26(5): 626-635.

[12] 賈吉超, 趙庚星, 高明秀, 王卓然, 常春艷, 姜曙千, 李晉. 黃河三角洲典型區(qū)域冬小麥播種面積變化與土壤鹽分關(guān)系研究. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào), 2015, 21(5): 1200-1208.

JIA J C, ZHAO G X, GAO M X, WANG Z R, CHANG C Y, JIANG S Q, LI J. Study on the relationship between winter wheat sowing area changes and soil salinity in the typical area of the Yellow River delta., 2015, 21(5): 1200-1208. (in Chinese)

[13] 張同瑞, 趙庚星, 高明秀, 王卓然, 賈吉超, 李萍, 安德玉. 基于近地面多光譜的黃河三角洲典型地區(qū)土壤含鹽量估算研究. 光譜學(xué)與光譜分析, 2016, 36(1): 248-253.

ZHANG T R, ZHAO G X, GAO M X, WANG Z R, JIA J C, LI P, AN D Y. Soil salinity estimation based on near-ground multispectral imagery in typical area of the Yellow River Delta., 2016, 36(1): 248-253. (in Chinese)

[14] Zhang T T , Zeng S L , Gao Y, QUYANG Z T, LI B, FANG C M, ZHAO B. Using hyperspectral vegetation indices as a proxy to monitor soil salinity., 2011, 11(6): 1552-1562.

[15] 張?zhí)炫e, 陳永金, 劉加珍. 黃河三角洲濕地不同植物群落土壤鹽分分布特征. 浙江農(nóng)業(yè)學(xué)報(bào), 2018, 30(11): 1915-1924.

ZHANG T J, CHEN Y J, LIU J Z. Characteristics of spatial distribution of soil salinity under different plant communities on wetland in Yellow River Delta., 2018, 30(11): 1915-1924. (in Chinese)

[16] 張雪妮, 呂光輝, 楊曉東, 貢璐, 秦璐, 何學(xué)敏, 劉昊奇. 基于鹽分梯度的荒漠植物多樣性與群落、種間聯(lián)接響應(yīng). 生態(tài)學(xué)報(bào), 2013, 33(18): 5714-5722.

ZHANG X N, Lü G H, YANG X D,GONG L, QIN L, HE X M, LIU H Q. Responses of desert plant diversity, community and interspecific association to soil salinity gradient., 2013, 33(18): 5714-5722. (in Chinese)

[17] 安德玉, 邢前國(guó), 趙庚星. 基于HICO波段的濱海土壤鹽分遙感反演研究. 海洋學(xué)報(bào), 2018, 40(6): 51-59.

AN D Y, XING Q G, ZHAO G X. Hyperspectral remote sensing of soil salinity for coastal saline soil in the Yellow River Delta based on HICO bands., 2018, 40(6): 51-59. (in Chinese)

[18] 張素銘, 趙庚星, 王卓然, 肖楊, 郎坤. 濱海鹽漬區(qū)土壤鹽分遙感反演及動(dòng)態(tài)監(jiān)測(cè). 農(nóng)業(yè)資源與環(huán)境學(xué)報(bào), 2018, 35(4): 349-358.

ZHANG S M, ZHAO G X, WANG Z R, XIAO Y, LANG K. Remote sensing inversion and dynamic monitoring of soil salt in coastal saline area.2018, 35(4): 349-358. (in Chinese)

[19] 陳紅艷, 趙庚星, 陳敬春, 王瑞燕, 高明秀. 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. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(5): 107-114.

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., 2015, 31(5): 107-114. (in Chinese)

[20] 周曉紅, 張飛, 張海威, 張賢龍, 袁婕. 艾比湖濕地自然保護(hù)區(qū)土壤鹽分多光譜遙感反演模型. 光譜學(xué)與光譜分析, 2019, 39(4): 12 29-1235.

ZHOU X H, ZHANG F, ZHANG H W, ZHANG X L, YUAN J. A study of soil salinity inversion based on multispectral remote sensing index in Ebinur Lake Wetland Nature Reserve., 2019, 39(4): 1229-1235. (in Chinese)

[21] 張賢龍, 張飛, 張海威, 李哲, 海清, 陳麗華. 基于光譜變換的高光譜指數(shù)土壤鹽分反演模型優(yōu)選. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(1): 110- 117.

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., 2018, 34(1): 110-117. (in Chinese)

[22] 王丹陽(yáng), 陳紅艷, 王桂峰, 叢津橋, 王向鋒, 魏學(xué)文. 無(wú)人機(jī)多光譜反演黃河口重度鹽漬土鹽分的研究. 中國(guó)農(nóng)業(yè)科學(xué), 2019, 52(10): 1698-1709.

WANG D Y, CHEN H Y, WANG G F, CONG J Q, WANG X F, WEI X W. Salinity inversion of severe saline soil in the Yellow River estuary based on UAV multi-spectra., 2019, 52(10): 1698-1709. (in Chinese)

[23] Hamzeh S, Naseri A A, Alavipanah S K, Mojaradi B, Bartholomeus H M, CLEVERS J G P W, BEHZAD M. Estimating salinity stress in sugarcane fields with spaceborne hyperspectral vegetation indices., 2013, 21: 282-290.

[24] 朱赟, 申廣榮, 項(xiàng)巧巧, 吳裕. 基于不同光譜變換的土壤鹽含量光譜特征分析. 土壤通報(bào), 2017, 48(3): 560-568.

ZHU Y, SHEN G R, XIANG Q Q, WU Y. Spectral characteristics of soil salinity based on different pre-processing methods., 2017, 48(3): 560-568. (in Chinese)

[25] 姚遠(yuǎn), 丁建麗, 張芳, 趙振亮, 江紅南. 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. 光譜學(xué)與光譜分析, 2013, 33(6): 1658-1664.

YAO Y, DING J L, ZHANG F, ZHAO Z L, JIANG H N. Research on model of soil salinization monitoring based on hyperspectral index and EM38., 2013, 33(6): 1658-1664. (in Chinese)

[26] 厲彥玲, 趙庚星, 常春艷, 王卓然, 王凌, 鄭佳榮. OLI與HSI影像融合的土壤鹽分反演模型. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(21): 173-180.

LI Y L, ZHAO G X, CHENG C Y, WANG Z R, WANG L, ZHENG J R. Soil salinity retrieval model based on OLI and HSI image fusion., 2017, 33(21): 173-180. (in Chinese)

[27] 馮娟, 丁建麗, 楊愛(ài)霞, 蔡亮紅. 干旱區(qū)土壤鹽漬化信息遙感建模. 干旱地區(qū)農(nóng)業(yè)研究, 2018, 36(1): 266-273.

FENG J, DING J L, YANG A X, CAI L H. Remote sensing modeling of soil salinization information in arid areas., 2018, 36(1): 266-273. (in Chinese)

[28] 曹肖奕, 丁建麗, 葛翔宇, 王敬哲. 基于光譜指數(shù)與機(jī)器學(xué)習(xí)算法的土壤電導(dǎo)率估算研究. 土壤學(xué)報(bào), 2020, 56(4): 867-877.

CAO X Y, DING J L, GE X Y, WANG J Z. Estimation of soil electrical conductivity based on spectral index and machine learning algorithm., 2020, 56(4): 867-877. (in Chinese)

[29] 張智韜, 魏廣飛, 姚志華, 譚丞軒, 王新濤, 韓佳. 基于無(wú)人機(jī)多光譜遙感的土壤含鹽量反演模型研究. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(12):151-160.

ZHANG Z T, WEI G F, YAO Z H, TAN C X, WANG X T, HAN J. Soil salt inversion model based on UAV multispectral remote sensing., 2019, 50(12):151-160. (in Chinese)

[30] 林芬, 趙庚星, 常春艷, 王卓然, 李慧. 基于相鄰軌道圖像的冬小麥面積提取及長(zhǎng)勢(shì)分析. 農(nóng)業(yè)資源與環(huán)境學(xué)報(bào), 2016, 33(4): 384-389.

LIN F, ZHAO G X, CHANG C Y, WANG Z R, LI H. Extraction of winter wheat area and growth analysis based on remote sensing imagery of adjacent tracks., 2016, 33(4): 384-389. (in Chinese)

[31] 王卓然, 趙庚星, 高明秀, 常春艷, 姜曙千, 賈吉超, 李晉. 黃河三角洲墾利縣夏季土壤水鹽空間變異及土壤鹽分微域特征. 生態(tài)學(xué)報(bào), 2016, 36(4): 1040-1049.

WANG Z R,ZHAO G X, GAO M X, CHANG C Y, JIANG S Q, JIA J C, LI J. Spatial variation of soil water and salt and microscopic variation of soil salinity in summer in typical area of the Yellow River Delta in Kenli county., 2016, 36(4): 1040-1049. (in Chinese)

[32] 方孝榮, 高俊峰, 謝傳奇, 朱逢樂(lè), 黃凌霞, 何勇. 農(nóng)作物冠層光譜信息檢測(cè)技術(shù)及方法綜述. 光譜學(xué)與光譜分析, 2015, 35(7): 1949-1955.

FANG X R, GAO J F, XIE C Q, ZHU F L, HUANG L X, HE Y. Review of crop canopy spectral information detection technology and methods., 2015, 35(7): 1949– 1955 . (in Chinese)

[33] Douaoui A E K, Nicolas H, Walter C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data., 2006, 134(1/2): 217-230.

[34] 鮑士旦. 土壤農(nóng)化分析. 北京: 中國(guó)農(nóng)業(yè)出版社, 2000.

BAO S D.. Beijing: China Agricultural Press, 2000. (in Chinese)

[35] Nguyen K A, Liou Y A, Tran H, Hoang P P, Nguyen T H. Soil salinity assessment by using nearinfrared channel and vegetation soil salinity index derived from Landsat 8 OLI data: a case study in the Tra Vinh province, Mekong Delta, Vietnam., 2020, 7(1).

[36] 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., 2014, 230/231: 1-8.

[37] 葛哲學(xué), 孫志強(qiáng). 神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn). 北京: 電子工業(yè)出版社, 2005.

GE Z X, SUN Z Q.. Beijing: Publishing House of Electronics Industry, 2005. (in Chinese)

[38] 丁世飛, 齊丙娟, 譚紅艷. 支持向量機(jī)理論與算法研究綜述. 電子科技大學(xué)學(xué)報(bào), 2011, 40(1): 2-10.

DING S F, QI B J, TAN H Y. An overview on theory and algorithm of support vector machines., 2011, 40(1): 2-10. (in Chinese)

Inversion of Soil Salinity in Coastal Winter Wheat Growing Area Based on Sentinel Satellite and Unmanned Aerial Vehicle multi-spectrum— A Case Study in Kenli District of the Yellow River delta

XI Xue1, ZHAO GengXing1, GAO Peng1, CUI Kun1, LI Tao2

(1College of Resources and Environment, Shandong Agricultural University/National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Tai’an 271018, Shandong;2Soil and Fertilizer Working Station of Shandong, Jinan 250100)

【】The purpose of this paper was to explore an accurate and efficient remote sensing method for soil salinity extraction of wheat field in the Yellow River Delta, and obtain the degree and distribution of soil salinization of wheat fields.【】this study took Kenli District as the research area, and set 77 sample points in winter wheat growing area evenly. At the same time, two representative test areas and 99 grid sample points were set, and the surface soil salinity data in wheat field and the multi-spectral images of UAV in the test area were collected. The sensitive spectral parameters were screened from four spectral bands (red, green, red edge, and near-infrared) and five spectral indexes (SI, NDVI, DVI, RVI, and GRVI). Stepwise regression, partial least squares, BP neural network and support vector machine methods were used to establish models for predicting the soil salinity,and the band ratio mean method was used to obtain the correction coefficient of the corresponding band of sentinel-2A satellite image. And then the selected soil salinity estimation model was converted into an inversion model based on satellite image. After using the data from the wheat field sample points to verify the models, the best soil salinity inversion model in wheat field was selected, and two scales of soil salinity inversion are realized in the test areas and the research area.【】The results showed that the four bands of UAV and the spectral indexes NVDI, RVI and SI were significantly correlated with soil salinity. Among the 13 models of the four modeling methods, the four index models established by NDVI, RVI and SI were better than the other models in modeling and verifying2; the best inversion model was the spectral index model obtained by partial least square method: Y=-9.4774×NDVI1+ 0.4794×RVI1+ 3.0747×SI1+ 5.0604, and the accuracy2was 0.513 andwas 1.379. By using this model, the soil salinity distribution map of the test area and the whole wheat area was obtained.Combined with the measured interpolation and the survey, the inversion model and spatial distribution results were proved to be accurate and reliable. 【】In this study, the soil salinity inversion model of the coastal wheat area based on the integration of satellite and UAV was constructed, which had positive reference value for the production and management of crops in the coastal saline area.

winter wheat; unmanned aerial vehicle; sentinel-2A satellite; soil salinity; inversion model

10.3864/j.issn.0578-1752.2020.24.004

2020-03-07；

2020-05-05

國(guó)家自然科學(xué)基金（41877003）、山東省重大科技創(chuàng)新工程項(xiàng)目（2019JZZY010724）、山東省“雙一流”獎(jiǎng)補(bǔ)資金（SYL2017XTTD02）

奚雪，E-mail：1349637259@qq.com。通信作者趙庚星，E-mail：zhaogx@sdau.edu.cn

（責(zé)任編輯 楊鑫浩）