基于改進型光譜指數(shù)的荒漠土壤水分遙感反演

高琪， 王玉珍， 馮春暉， 馬自強， 柳維揚， 彭杰， 季彥楨

(1.塔里木大學(xué)植物科學(xué)學(xué)院，阿拉爾 843300； 2.地質(zhì)環(huán)境監(jiān)測站，昌吉 831100；3.北京大學(xué)地球與空間科學(xué)學(xué)院遙感與地理信息系統(tǒng)研究所，北京 100000)

0 引言

土壤水分作為地球水資源的重要組成部分，不僅是植被生長，群落演替和生態(tài)防護的關(guān)鍵因子，而且在大氣、植被和土壤的物質(zhì)、能量循環(huán)中起著重要作用。西北南疆地區(qū)位處內(nèi)陸，受遠洋氣候和高山環(huán)繞等多方面因素影響，導(dǎo)致該地區(qū)干旱現(xiàn)象尤為嚴重，不但造成生態(tài)環(huán)境退化，土壤質(zhì)地破碎，而且制約了區(qū)域經(jīng)濟的發(fā)展，因此，合理、高效地監(jiān)測和規(guī)劃土壤水分對區(qū)域旱情防控和荒漠化治理具有重要價值[1-2]。傳統(tǒng)土壤水分研究，雖然測定精度高，但樣點數(shù)量少，代表性差，難以準確地反映區(qū)域土壤水分變化規(guī)律。而遙感技術(shù)具有時效性強、范圍性廣和成本價值低等優(yōu)勢，不僅實現(xiàn)了區(qū)域土壤水分的大范圍監(jiān)測研究，而且在干旱監(jiān)測和水土防治中有著極其重要的意義[3]。

20世紀中期，部分研究者通過衛(wèi)星遙感監(jiān)測天氣學(xué)視角特征，以可見光—近紅外、熱紅外和短波紅外光譜特征空間，并結(jié)合植被、土壤、地表溫度和地形數(shù)據(jù)等與土壤水分變化的相關(guān)特征，以光譜指數(shù)法對區(qū)域土壤水分特征開展研究[4-5]。詹志明等[6]通過反射率信息構(gòu)建近紅外-紅光光譜特征空間，以SMMRS模型監(jiān)測土壤水分，發(fā)現(xiàn)地表實測土壤水分與預(yù)測值曲線趨勢一致，表明以反射率特征光譜空間監(jiān)測土壤水分的可行性； 李喆等[7]以特征光譜信息構(gòu)建近紅外-紅光特征空間監(jiān)測土壤水分，發(fā)現(xiàn)不同特征空間的適應(yīng)范圍有一定差異，但對土壤水分監(jiān)測均具備較高精度，這類研究多基于可見光—近紅外光譜，缺乏短波紅外和熱紅外波段對土壤水分監(jiān)測的研究。為此，相關(guān)學(xué)者如Thenkabail等[8]通過研究發(fā)現(xiàn)短波紅外波段對土壤水分變化具有重要指示作用且對土壤水分反演精度提升有一定價值； Hain等[9]通過ALEXI模型估算土壤含水量，發(fā)現(xiàn)熱紅外波段對土壤水分變化敏感度更高，能有效反映出下墊面土壤水分狀態(tài)。以上研究表明不同類型特征光譜信息對土壤水分監(jiān)測有一定效果，但多基于特征光譜所構(gòu)建的傳統(tǒng)指數(shù)，在此基礎(chǔ)上，本研究在傳統(tǒng)光譜指數(shù)內(nèi)加入對土壤水分信息敏感性更出色的熱紅外波段(b10)探索改進后光譜指數(shù)監(jiān)測土壤水分的效果。

傳統(tǒng)光譜指數(shù)監(jiān)測土壤水分的研究多集中于單一的裸土區(qū)、植被覆蓋區(qū)之間，如葛少青等[10]發(fā)現(xiàn)溫度植被干旱指數(shù)(temperature vegetation dryness index，TVDI)、垂直干旱指數(shù)(perpendicular dryness index，PDI)和歸一化干旱監(jiān)測指數(shù)(normalized perpendicular drought index，NPDI)3種干旱指數(shù)均能很好地在不同土層深度處進行監(jiān)測； 蔡亮紅等[11]選取4種傳統(tǒng)植被指數(shù)并在此基礎(chǔ)上加入短波紅外波段進行改進，表明改進后的優(yōu)勢明顯，但面對裸土與植被覆蓋區(qū)交錯分布的區(qū)域很難適用，因此本研究選取3種類型(土壤指數(shù)、植被指數(shù)和干旱指數(shù))9個光譜指數(shù)并加入熱紅外波段(b10)進行改進，以期為南疆干旱/極端干旱區(qū)域荒漠土壤水分反演選取最佳的遙感指示因子。

綜上所述，本研究選取空臺里克為研究區(qū)，該區(qū)域?qū)儆诘湫突哪?綠洲過渡帶，地表景觀類型復(fù)雜、植被覆蓋類型多樣； 區(qū)域鹽漬化現(xiàn)象嚴重，鹽結(jié)皮地帶土壤水分分布尤為特殊。為更好地探索不同類型的傳統(tǒng)型和改進型光譜指數(shù)對荒漠區(qū)域土壤水分監(jiān)測的適應(yīng)性和模型精度，通過相關(guān)系數(shù)和方差膨脹因子篩選最優(yōu)光譜指數(shù)，同時考慮地形數(shù)據(jù)作為建模因子構(gòu)建線性和非線性土壤水分綜合反演模型，以期為荒漠土壤水分定量遙感快速精準監(jiān)測和水土治理提供一定的科學(xué)依據(jù)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于南疆阿克蘇地區(qū)空臺里克自然保護區(qū)(E80°48′～81°12′，N40°41′～41°18′)，北靠天山山脈，西鄰塔里木盆地，地勢北高南低，見圖1(a)。該區(qū)域年蒸發(fā)比高達40∶1，年均氣溫為11.2 ℃，年均日照時數(shù)為2 929 h，為典型干旱地帶，同時又屬于荒漠-綠洲過渡帶，土地利用類型多為鹽堿地荒漠，面積約占80%，其余為新開墾的農(nóng)田、河流和沙漠(圖1(b))； 土壤質(zhì)地多為沙壤土； 植被類型主要包括駱駝刺、檉柳和甘草等耐旱植被； 區(qū)域交通以一條貫穿研究區(qū)南北走向(110 km)的S215省級公路為主，且由北向南植被覆蓋呈現(xiàn)低-中-高的總體趨勢。近年來，人口數(shù)量不斷上升，為滿足區(qū)域經(jīng)濟，南部新開墾農(nóng)田、農(nóng)業(yè)灌水量不斷增加，制約了生態(tài)環(huán)境的穩(wěn)定與發(fā)展。

(a) 研究區(qū)位置及采樣點(b) 土地利用分類

1.2 數(shù)據(jù)源及預(yù)處理

本研究選取的遙感數(shù)據(jù)主要包括Landsat8 OLI/TIRS影像和地形數(shù)據(jù)。通過USGS官網(wǎng)下載2019年6月15日軌道號分別為LC146_31和LC146_32云覆蓋量低于20%的2景影像，以ENVI5.3軟件完成輻射定標、大氣校正和光譜指數(shù)波段運算等預(yù)處理過程，同時采用支持向量機(support vector machines,SVM)分類解譯遙感影像地物信息； 地形影像數(shù)據(jù)(30 m)通過地理數(shù)據(jù)空間云(http: //www.gscloud.cn/)下載，并以ArcGIS10.7 軟件進行洼地填充和數(shù)字高程模型(digital elevation model,DEM)數(shù)據(jù)提取等過程。

1.3 土壤樣品采集與室內(nèi)分析

于2019年6月15日采集160個0～20 cm的表層土壤樣品，并定位記錄各點經(jīng)度和緯度信息。根據(jù)研究區(qū)基礎(chǔ)交通和植被覆蓋狀況，沿南北走向長110 km的S215省級公路布設(shè)20個不同植被覆蓋度的采樣樣方(圖1(a)所示)，各樣方的面積為300 m×300 m，單個樣方內(nèi)采集8個表層土壤混合樣，每個表層土壤混合樣采用梅花形五點法取樣，面積為(30 m×30 m)。當日內(nèi)以質(zhì)量烘干法測定各樣品土壤質(zhì)量含水量且測定一組重復(fù)，將重復(fù)相對誤差控制在5%以內(nèi)，取各組平均值為單一土壤樣品的實際質(zhì)量含水量。剩余土壤樣品經(jīng)自然風(fēng)干、研磨和過篩(2 mm)后稱取50 g土壤樣品，以稀釋溶液法(水土比5∶1)測定電導(dǎo)率和pH值。

2 研究方法

2.1 光譜指數(shù)計算

本研究在土壤指數(shù)、植被指數(shù)和干旱指數(shù)的基礎(chǔ)上引入對土壤水分敏感性更高的熱紅外波段(b10)進行改進，其中，土壤水分遙感監(jiān)測領(lǐng)域常用的光譜指數(shù)為裸土指數(shù)(bare soil index，BSI)、黏土指數(shù)(clay index，CI)、碳酸鹽指數(shù)(carbonated index，Cal)、比值植被指數(shù)(ratio vegetation index，RVI)、歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)、差值植被指數(shù)(difference vegetation index，DVI)、歸一化差值水體指數(shù)(normalized difference water index，NDWI)、PDI和全球植被水分指數(shù)(global vegetation moisture index，GVMI)，計算公式見表1。

表1 常用傳統(tǒng)和改進光譜指數(shù)及其計算公式

2.2 方差膨脹因子分析

VIF=1/(1-r2)，

(1)

式中r為各光譜指數(shù)間的相關(guān)系數(shù)。

2.3 反演模型構(gòu)建

為確保建模集與預(yù)測集樣本土壤含水量數(shù)據(jù)間的均衡性，將160個土壤樣品的含水量數(shù)據(jù)依次從小到大排序，按照2∶1比例原則選取107個樣本作為建模集，53個樣本作為預(yù)測集，以優(yōu)選出的光譜指數(shù)為建模因子，并結(jié)合地形數(shù)據(jù)，通過The Unscrambler X 10.5和R軟件分別構(gòu)建多元線性回歸(multivariable linear regression，MLR)和隨機森林(random forest，RF)綜合模型反演土壤水分。

MLR模型通過系數(shù)判斷解釋變量所對應(yīng)因變量的影響程度，優(yōu)點為: ①簡化了數(shù)據(jù)結(jié)構(gòu)； ②分清各影響因素的貢獻率。RF模型是一種新穎的機器學(xué)習(xí)模型，其預(yù)測精度高，但運算量較大[21]，主要分為： ①訓(xùn)練集的生成； ②隨機特征選?。?③決策樹構(gòu)建。訓(xùn)練集生成的特點是隨機、有放回，且新的訓(xùn)練樣本數(shù)量與原始訓(xùn)練樣本數(shù)量相同； 隨機特征的選取過程中引入了隨機性，即隨機選擇輸入變量，可提高模型的預(yù)測精度； 決策樹構(gòu)建后，利用所有樹預(yù)測值的平均值來代替最終預(yù)測結(jié)果。

2.4 模型精度評價

反演模型精度和穩(wěn)定性采用決定系數(shù)R2、均方根誤差RMSE和相對分析誤差RPD進行評價。其中，R2表示實測值與預(yù)測值間的擬合程度，其值越大，表明實測值與預(yù)測值越接近。對于RPD而言，當RPD<1.5，說明模型不具備預(yù)測能力； 當1.5≤RPD<2.0，說明模型只能粗略的預(yù)測； 當2.0≤RPD<2.5，說明模型預(yù)測能力較好； 當2.5≤RPD<3.0，說明模型能較精確的預(yù)測，當RPD≥3.0，說明模型預(yù)測能力極為出色[22]。計算公式為：

(2)

(3)

(4)

3 結(jié)果與分析

3.1 土壤屬性統(tǒng)計性描述

為掌握空臺里克研究區(qū)土壤水分特征和土壤基礎(chǔ)屬性，對160個表層土壤樣品基礎(chǔ)屬性值進行統(tǒng)計，結(jié)果見表2。由表2可知，土壤水分、電導(dǎo)率和pH值的平均值分別為21.58%，24.01 dS·m-1和8.16，極差分別為39.99%，78.53 dS·m-1和1.8，標準差依次為44.10，113.64和0.18。其中，標準差描述數(shù)據(jù)的分布程度，表明研究區(qū)土壤水分和電導(dǎo)率整體較高，總體分布趨勢明顯。而變異系數(shù)可反映數(shù)據(jù)間離散趨勢，三者變異系數(shù)為電導(dǎo)率(44.57%)>土壤水分(30.74%)>pH值(5.12%)，表明土壤水分和電導(dǎo)率變異性較強[23]。引起土壤水分和土壤電導(dǎo)率的變異性較強的因素為： ①土壤質(zhì)地、植被覆蓋程度和鹽分特質(zhì)性等區(qū)域生態(tài)環(huán)境； ②人工自然保護區(qū)、地下水開采和人工灌溉因素。

式中，x1、x2、x3、x4分別代表指標下限、上限、最優(yōu)值下限、最優(yōu)值上限，要求x1

表2 土壤樣品基礎(chǔ)特征描述性統(tǒng)計

3.2 建模因子篩選

3.2.1 光譜指數(shù)相關(guān)性分析

表3為傳統(tǒng)光譜指數(shù)和改進光譜指數(shù)與土壤水分相關(guān)系數(shù)及顯著性檢驗結(jié)果。

表3 光譜指數(shù)相關(guān)系數(shù)分析

①**為P<0.01水平下極顯著相關(guān)，樣本數(shù)n為160。

通過表3可知，光譜指數(shù)BSI，CI，Cal，NDVI和PDI在加入熱紅外波段(b10)改進后，相關(guān)系數(shù)提升了0.02～0.11，其中，ECI的相關(guān)系數(shù)最高，為0.73，ECal相關(guān)系數(shù)提升幅度最大，為0.11，表明加入熱紅外波段(b10)能有效地增強以上傳統(tǒng)光譜指數(shù)與土壤水分間的相關(guān)性，更利于指示土壤水分變化。而RVI，DVI，NDWI和GVMI改進后的相關(guān)系數(shù)下降了0.01～0.16，其中，ENDWI相關(guān)系數(shù)降為-0.07，與土壤水分間無顯著相關(guān)，說明引入熱紅外波段降低了這些指數(shù)與土壤水分間的響應(yīng)程度，因而改進光譜指數(shù)ERVI，EDVI，ENDWI和EGVMI不適應(yīng)作為本研究荒漠土壤水分遙感指示因子。綜合考慮下，采用改進后有提升的光譜指數(shù)同原本達到極顯著水平但改進效果不顯著的因子來建模，即EBSI，ECI，ECal，ENDVI，EPDI，RVI，DVI，NDWI，GVMI； 同時，選取傳統(tǒng)光譜指數(shù)BSI，CI和Cal等9個因子構(gòu)建模型進行精度對比。

3.2.2 各指數(shù)間方差膨脹因子分析

為更進一步篩選建模因子，以VIF檢驗傳統(tǒng)和改進光譜指數(shù)因子多重共線性，結(jié)果見表4—5。由表4可知，傳統(tǒng)型光譜指數(shù)DVI，RVI和NDVI間VIF分別為11.48，16.10和10.51，均大于10，相關(guān)系數(shù)大小關(guān)系依次為NDVI>RVI>DVI，其余各光譜指數(shù)VIF均小于10，因此僅保留光譜指數(shù)BSI，CI，Cal，NDVI，PDI，GVM和NDWI作為傳統(tǒng)建模因子。由表5可知，DVI與RVI間VIF為11.48，其余各光譜指數(shù)VIF均小于10，因此，選取光譜指數(shù)EBSI，ECI，ECal，ENDVI，EPDI，GVMI，RVI和NDWI為改進建模因子。

表4 傳統(tǒng)光譜指數(shù)間方差膨脹因子

表5 改進光譜指數(shù)間方差膨脹因子

3.3 反演模型精度驗證

表6為線性MLR和非線性RF方法構(gòu)建典型干旱地區(qū)荒漠土壤水分傳統(tǒng)和改進綜合反演模型。由表6可知，MLR-I和RF-I模型建模集的R2分別為0.64和0.88，預(yù)測集R2為0.59和0.86，RPD為1.48和2.63，相比較，改進后MLR-II和RF-II模型建模集的R2為 0.75和0.92，分別提升了0.11和0.04； 而預(yù)測集R2和RPD分別提升了0.12,0.05和0.35,0.49； 依據(jù)RPD指標，MLR-I模型沒有預(yù)測能力，RF-I模型能準確地預(yù)測土壤水分，而改進后MLR-II模型能粗略地預(yù)測土壤水分，RF-II模型能出色地預(yù)測土壤水分； 綜合分析表明改進模型土壤水分預(yù)測效果整體優(yōu)于傳統(tǒng)模型。

表6 線性和非線性反演模型精度驗證

基于改進后線性和非線性模型，通過各指標間精度變化，以篩選出荒漠土壤水分反演的最優(yōu)模型。其中，MLR-II建模集的R2為0.75，預(yù)測集的R2為0.71，RPD為1.83； 而RF-II建模集的R2為0.92，預(yù)測集的R2為0.91，RDP高達3.12，RF-II各指標均優(yōu)于MLR-II模型，表明非線性模型預(yù)測精度相比線性模型效果更好，精度更高。

3.4 土壤水分空間分布特征

本研究選取改進后MLR-II模型和RF-II模型預(yù)測荒漠土壤水分含量，并進行制圖分析，根據(jù)干旱分級標準[24]和圖1(b)描述土壤水分空間分布特征。通過圖2可知，土壤水分空間分布趨勢呈現(xiàn)一定的相似性，但不同土地利用類型區(qū)域含水量卻具有差異，其中，[15,20)%和[20,40)%的土壤含水量大面積集中在荒漠-綠洲過渡帶，而該區(qū)域土壤含水量整體偏高； [0,5)%和[5,12)%的土壤含水量主要集聚在東北部沙漠區(qū)，且在南部農(nóng)田區(qū)域交錯分布，中部條帶狀則多為[12,15)%。

(a) MLR-Ⅱ(b) RF-Ⅱ

圖2 土壤水分空間分布特征

圖3分別為不同改進模型土壤含水量面積統(tǒng)計結(jié)果，表明各等級土壤含水量分布面積呈現(xiàn)相似的增長或降低趨勢，但依舊存在較明顯差異。為定量化分析土壤水分，根據(jù)最優(yōu)模型預(yù)測結(jié)果以圖2(b)和圖3(b)進行分析，[0，5)%和[5，12)%的土壤含水量集中分布于東北部沙漠區(qū)域，零星交錯分布于南部農(nóng)田區(qū)域，總面積為314.2 km2，南部區(qū)域人為干擾現(xiàn)象明顯，撂荒地普遍存在，導(dǎo)致地表鹽結(jié)皮破壞，從而在極端干旱條件下使土壤水分大量流失； [15，20)%和[20，40)%的土壤含水量主要分布于荒漠-綠洲過渡帶，同時交錯分布于農(nóng)田區(qū)域，總面積為1 689.3 km2，荒漠-綠洲過渡帶地處沙漠與農(nóng)田中部，植被覆蓋差異較大，土壤類型以裸地為主，裸露地表受鹽結(jié)皮保水和隔離的作用使含水量普遍偏高，而農(nóng)田高含水量區(qū)域受灌溉影響造成土壤水分交錯分布的空間特征。

(a) MLR-Ⅱ(b) RF-Ⅱ

4 討論

4.1 模型精度影響因子

在9個傳統(tǒng)光譜指數(shù)的基礎(chǔ)上加入熱紅外波段(b10)改進，選取相關(guān)性和多重共線性雙重檢驗后的光譜指數(shù)為建模因子，并結(jié)合地形因子構(gòu)建荒漠土壤水分綜合反演模型。改進后MLR-II和RF-II模型預(yù)測集的R2和RPD分別提升了0.12，0.05和0.35，0.49，引起模型精度提升的可能原因包括： 一是根據(jù)熱紅外波段的特性，在3.5～14 μm處波段信息能有效探測地表熱變化且得到的信息量更大[25]，對土壤水分的反應(yīng)更為敏感，表明加入熱紅外波段不僅能進一步豐富光譜指數(shù)信息，而且能有效增強對土壤水分的指示作用； 二是不同波段或光譜指數(shù)間具有較強相關(guān)性[26]，在傳統(tǒng)光譜指數(shù)內(nèi)加入熱紅外波段，很大程度上降低波段數(shù)據(jù)間的冗余度，更好地解譯光譜指數(shù)信息，使指示效果更為清晰，這與蔡亮紅等[11]針對渭河-綠洲以短波紅外改進傳統(tǒng)植被指數(shù)的研究結(jié)果一致。

4.2 土壤水分空間分布驅(qū)動因素

選取最優(yōu)模型RF-II(圖2(b))描述土壤水分空間分異格局并進行驅(qū)動因素分析，其中，土壤含水量整體呈現(xiàn)東北部沙漠地區(qū)多為[0,5)%和[5,12)%，北部、中部等荒漠-綠洲過渡帶地區(qū)多為[15,20)%和[20,40)%，南部區(qū)域呈現(xiàn)交錯分布的趨勢，結(jié)果與描述性統(tǒng)計值一致。東北部沙漠區(qū)域土壤含水量多為[0,5)%和[5,12)%，而溫度、土壤質(zhì)地和地形地貌與土壤水分相關(guān)性強，是土壤水分分布不同的主要驅(qū)動因素[27]，研究區(qū)年均溫度為11.2 ℃，日照時數(shù)約2 900 h，且土壤質(zhì)地為沙土，從而造成地表上層土壤水分滯留時間較短，土壤孔隙度較大，保水能力差，形成大面積干旱現(xiàn)象； 其次，研究區(qū)地形呈北高南低趨勢，而地形是土壤水分分異格局的主要驅(qū)動因素之一，北高南低造成區(qū)域高低含水量分布格局，這與蔡亮紅等[28]發(fā)現(xiàn)地形校正后能更好地反映土壤水分狀況相一致。

荒漠-綠洲過渡帶土壤含水量多呈現(xiàn)[15，20)%和[20，40)%，引起該區(qū)域土壤含水量較高是由于研究區(qū)低植被覆蓋區(qū)分布面積遠大于高植被覆蓋區(qū)，而遙感監(jiān)測存在異物同譜現(xiàn)象，將低植被覆蓋區(qū)域誤分為裸地，其中，裸地區(qū)域位處高鹽漬化地帶，鹽分表聚現(xiàn)象突出，該結(jié)果與Peng等[29]對空臺里克地區(qū)土壤鹽分含量及分布制圖結(jié)論相一致。為此，對鹽結(jié)皮區(qū)域進行遙感監(jiān)測不確定分析從而探討鹽結(jié)皮作用對土壤水分分布的影響，在極端干旱地區(qū)研究發(fā)現(xiàn)，鹽結(jié)皮對土壤水分蒸發(fā)抑制效果顯著[30]，而鹽結(jié)皮具有表層干底層濕的現(xiàn)象，干土層的厚度與鹽結(jié)皮的厚度一致。本研究區(qū)鹽結(jié)皮的厚度大致在0～10 cm，而衛(wèi)星遙感監(jiān)測的僅是地表0～3 cm的信息[31]，地表0～3 cm受降水、溫度等因素影響導(dǎo)致過度干旱，若僅使用單一衛(wèi)星遙感數(shù)據(jù)進行土壤墑情判讀，很容易將鹽結(jié)皮區(qū)域誤判為嚴重干旱區(qū)域。而根據(jù)地面調(diào)查結(jié)果，鹽結(jié)皮層土壤含水量普遍在10%以下，但鹽結(jié)皮以下的土壤含水量相對高于20%，造成上干下濕的土壤水分分布特征，因而以多源數(shù)據(jù)(微波遙感、光學(xué)遙感)協(xié)同反演的研究具有很大的發(fā)展?jié)摿Α?/p>

南部農(nóng)田區(qū)域土壤含水量呈現(xiàn)為交錯分布的趨勢，這是由于農(nóng)田區(qū)域內(nèi)部存在一定數(shù)量的新開墾農(nóng)田和撂荒地，人為開墾破壞地表鹽結(jié)皮及土壤孔隙度，從而使土壤水分蒸發(fā)速率加快，導(dǎo)致部分地區(qū)土壤含水量為[0，5)%或[5，12)%； 同時耕地人為灌溉痕跡較為明顯，容易造成判斷誤讀現(xiàn)象，這與龔新梅[32]以遙感手段對新疆荒漠化治理研究中人為驅(qū)動因素對土壤水分產(chǎn)生影響的結(jié)果相一致。研究結(jié)果表明空臺里克地區(qū)土壤水分分布受到自然(土壤質(zhì)地、溫度、地形、植被作物覆蓋度和鹽結(jié)皮機理)和人為(人類經(jīng)濟活動、人為水資源開采)2種驅(qū)動因素的影響，形成不同土壤水分分布特征。

5 結(jié)論

1) 選取BSI，CI，Cal，NDVI，PDI，GVMI和NDWI為傳統(tǒng)建模因子； 同時根據(jù)改進后相關(guān)系數(shù)提升，相關(guān)性顯著且無多重共線性的EBSI，ECI，ECal，ENDVI，EPDI，DVI，NDWI和GVMI作為改進土壤水分反演模型建模因子。

2) 改進后線性MLR-II和非線性RF-II模型，建模集R2分別提升了0.11和0.04，預(yù)測集R2分別提升了0.12和0.05，RPD分別提高了0.35和0.49； 同時RF-II模型預(yù)測集R2為0.91，且RPD高達3.12，各精度指標為各模型最優(yōu)值。

3) 土壤水分分布格局受經(jīng)濟活動和資源開采等人為驅(qū)動因素，以及土壤質(zhì)地、地形、溫度和鹽結(jié)皮等自然驅(qū)動因素影響，使土壤含水量整體呈現(xiàn)沙漠地區(qū)在[0，5)%和[5，12)%之間，荒漠-綠洲過渡帶地區(qū)在[15，20)%和[20，40)%之間，農(nóng)田區(qū)域呈交錯分布的總體趨勢。