不同植被覆蓋度下無人機(jī)多光譜遙感土壤含鹽量反演

張智韜 臺(tái) 翔 楊 寧 張珺銳 黃小魚 陳欽達(dá)

(1.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；2.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)

0 引言

土壤鹽漬化是常見于干旱、半干旱地區(qū)的生態(tài)環(huán)境問題，其嚴(yán)重制約農(nóng)業(yè)可持續(xù)健康發(fā)展[1-2]。內(nèi)蒙古河套灌區(qū)是中國最大的灌區(qū)，也是中國鹽漬化問題最突出的地區(qū)之一。及時(shí)、精確、動(dòng)態(tài)地獲取土壤鹽漬化信息，是鹽漬化防治的前提[3]。遙感技術(shù)可獲得大范圍、高精度的地面遙感影像，因此被廣泛應(yīng)用于鹽漬化監(jiān)測(cè)研究[4-6]。

無人機(jī)遙感是遙感的重要分支，有不少學(xué)者將其應(yīng)用到土壤鹽漬化監(jiān)測(cè)。陳俊英等[7]采集向日葵各生育期光譜圖像構(gòu)建光譜指數(shù)，并建立土壤含鹽量(Soil salt content，SSC)回歸模型，達(dá)到了反演向日葵根域SSC的目的；王新濤[8]將無人機(jī)多光譜數(shù)據(jù)與衛(wèi)星數(shù)據(jù)進(jìn)行融合，提高了衛(wèi)星反演SSC的精度。楊寧等[9]基于改進(jìn)光譜指數(shù)，建立SSC反演模型，預(yù)測(cè)不同深度的土壤含鹽量，結(jié)果顯示，改進(jìn)光譜指數(shù)組建模結(jié)果優(yōu)于原始光譜指數(shù)組。

在基于光譜變量構(gòu)建SSC反演模型時(shí)，為降低模型的復(fù)雜程度，需要對(duì)光譜變量進(jìn)行篩選。傳統(tǒng)變量篩選方法[10-12]為局部最優(yōu)篩選，而全子集篩選法通過列舉全部可能組合，建立全局最優(yōu)模型，以包含最少自由變量的模型解釋因變量，最大限度消除共線性的影響[13]。土壤鹽漬化反演主要采用線性回歸和機(jī)器學(xué)習(xí)方法，梁靜等[14]利用偏最小二乘回歸(Partial least squares regression，PLSR)模型對(duì)區(qū)域尺度的土壤電導(dǎo)率進(jìn)行了有效的定量估算；JFARIFTEH等[15]基于土壤反射率數(shù)據(jù)建立了土壤鹽分的PLSR和人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)反演模型，發(fā)現(xiàn)PLSR模型反演精度優(yōu)于ANN模型。極限學(xué)習(xí)機(jī)(Extreme learning machine，ELM)是一種高效的機(jī)器學(xué)習(xí)方法，馮禹等[16]發(fā)現(xiàn)ELM模型能很好地反映氣象因子與參考作物蒸散量間復(fù)雜的非線性關(guān)系。

植被覆蓋度(Fractional vegetation coverage，F(xiàn)VC)對(duì)光譜反演有著重要影響。在裸土情況下，光譜可直接反演土壤表層含鹽量[17-19]，在植被覆蓋情況下，通過采集作物冠層光譜信息可間接反演土壤含鹽量[20]。AMALALLBED等[21]發(fā)現(xiàn)在低植被覆蓋和密集植被覆蓋下光譜指數(shù)對(duì)土壤含鹽量的響應(yīng)不同；HU等[22]反演不同植被覆蓋度下的SSC，發(fā)現(xiàn)SSC與植被覆蓋度并非負(fù)相關(guān)關(guān)系。這說明，植被覆蓋度是影響土壤含鹽量反演的重要因素。ZHANG等[23]通過像元二分模型劃分植被覆蓋度，并建立不同覆蓋度下的鹽分反演模型，發(fā)現(xiàn)稀疏植被地的模型反演精度較低，而裸地和高植被覆蓋下的模型精度較高。像元二分模型是一種成熟的植被覆蓋度劃分方法，但將其應(yīng)用到無人機(jī)多光譜遙感監(jiān)測(cè)鹽漬化方面的研究較少。

因此，本文通過高分辨率的無人機(jī)多光譜相機(jī)獲取內(nèi)蒙古河套灌區(qū)沙壕渠灌域試驗(yàn)地的影像數(shù)據(jù)，利用像元二分模型計(jì)算FVC并劃分4個(gè)覆蓋度；利用全子集篩選法對(duì)建立的光譜變量進(jìn)行最優(yōu)變量組合篩選，以最優(yōu)變量組合為自變量，以采樣點(diǎn)土壤含鹽量數(shù)據(jù)為因變量，建立4個(gè)覆蓋度下不同深度土壤含鹽量的PLSR和ELM模型，對(duì)模型精度進(jìn)行評(píng)價(jià)分析，以期提高土壤含鹽量反演模型的精度，并獲得每個(gè)覆蓋度下的最佳反演模型和最佳反演深度，為診斷土壤鹽漬化程度提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)域位于巴彥淖爾市沙壕渠灌域(40°52′～41°00′N，107°05′～107°10′E)，隸屬于河套灌區(qū)解放閘灌域，如圖1所示。沙壕渠灌域南北跨度約15 km，東西跨度約4 km，其面積約為52.4 km2，為典型的溫帶大陸性氣候，年平均氣溫7℃，降水稀少(年平均降雨量140 mm)，蒸發(fā)強(qiáng)度大(年蒸發(fā)量2 000 mm)。研究區(qū)主要土壤類型為粉壤土、砂壤土和壤土。由于不合理的灌排方式，氣候、土質(zhì)和地貌等因素的綜合影響，造成灌區(qū)嚴(yán)重的次生鹽漬化問題。研究區(qū)南部鹽漬化程度較輕，北部鹽漬化程度加重，種植作物以向日葵、玉米和小麥等耐鹽糧油作物為主。

圖1 研究區(qū)域示意圖Fig.1 Schematic of study area

1.2 試驗(yàn)地布設(shè)

試驗(yàn)地的布設(shè)充分考慮研究區(qū)土壤鹽分特征和土地利用方式等因素，在沙壕渠灌域選取4塊具有鹽分梯度的試驗(yàn)地進(jìn)行采樣，編號(hào)分別為1、2、3、4，每塊試驗(yàn)地面積為16 hm2左右。試驗(yàn)地分布如圖2所示，土壤含鹽量從小到大依次為1、2、3、4。4塊試驗(yàn)地主要種植作物為向日葵和玉米，且4號(hào)地含有部分荒地，荒地與耕地占比分別為25%和75%。每塊試驗(yàn)地均勻布設(shè)30個(gè)土壤采樣點(diǎn)。

圖2 試驗(yàn)地與采樣點(diǎn)分布示意圖Fig.2 Distribution diagrams of test site and sampling site

1.3 光譜圖像采集和處理

無人機(jī)多光譜圖像采集試驗(yàn)選擇的無人機(jī)遙感平臺(tái)是深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的經(jīng)緯M600型無人機(jī)，單次飛行最大續(xù)航時(shí)間為40 min。無人機(jī)搭載美國Tetracam公司生產(chǎn)的6通道Micro-MCA多光譜相機(jī)(490 nm藍(lán)光波段、550 nm綠光波段、680 nm紅光波段、720 nm紅邊波段、800 nm近紅外1波段、900 nm近紅外2波段)，設(shè)備如圖3所示。試驗(yàn)在2019年7月、8月和9月各進(jìn)行一次，試驗(yàn)時(shí)間分別為7月16—20日、8月10—14日和9月8—12日。每次試驗(yàn)均在無風(fēng)的11:00—14:00進(jìn)行，確保充分的輻射強(qiáng)度。根據(jù)提前規(guī)劃好的航線，設(shè)置無人機(jī)飛行高度120 m，對(duì)應(yīng)多光譜相機(jī)分辨率為6.5 cm，相機(jī)拍攝速率為18～19幅/min，每次試驗(yàn)均設(shè)有白板進(jìn)行圖像標(biāo)定。

圖3 經(jīng)緯M600型無人機(jī)和MCA多光譜相機(jī)Fig.3 Longitude M600 UAV and MCA multispectral camera

將拍攝的多光譜圖像導(dǎo)入Pixel Wrench2軟件，進(jìn)行提取、配準(zhǔn)和合成，將獲得的TIF圖像和GPS數(shù)據(jù)導(dǎo)入Pix4D軟件進(jìn)行圖像拼接，合成4塊試驗(yàn)地的多光譜TIF圖像。將拼接的TIF圖像導(dǎo)入ENVI Classic軟件中，對(duì)圖像進(jìn)行校正，再將采樣點(diǎn)的坐標(biāo)導(dǎo)入軟件，獲取每個(gè)采樣點(diǎn)像元的灰度。用樣本點(diǎn)的6個(gè)波段灰度除以白板的灰度，得到每個(gè)樣本點(diǎn)6個(gè)波段的反射率。

1.4 土樣采集與處理

為了保持光譜數(shù)據(jù)和土壤含鹽量數(shù)據(jù)的一致性，采集光譜數(shù)據(jù)的同時(shí)，進(jìn)行地面土樣采集。通過手持式GPS儀確定取樣點(diǎn)位置，采集樣本點(diǎn)0～10 cm、10～20 cm、20～40 cm和40～60 cm深度的土壤樣本，裝入干凈的鋁盒，并用密封袋封裝。

將帶回實(shí)驗(yàn)室的土壤樣本放置干燥箱8 h后，去除土樣中的石子和秸稈雜質(zhì)，進(jìn)行研磨處理，將研磨后的土壤和蒸餾水按質(zhì)量比1∶5混合，經(jīng)過攪拌、靜置沉淀和過濾，提取上清液，用電導(dǎo)率儀(雷磁DDS-307A型，上海佑科儀器分公司生產(chǎn))測(cè)定土壤溶液電導(dǎo)率(Electrical conductance，EC)，根據(jù)經(jīng)驗(yàn)公式計(jì)算得到樣本點(diǎn)各深度土壤含鹽量數(shù)據(jù)，經(jīng)驗(yàn)公式見文獻(xiàn)[24]。

1.5 光譜指數(shù)計(jì)算

光譜指數(shù)綜合考慮地物的各波段光譜特征，對(duì)不同波段反射率進(jìn)行數(shù)學(xué)變換組合，以增強(qiáng)地物特定的信息[25]，其包括植被指數(shù)和鹽分指數(shù)。研究涉及的植被指數(shù)有歸一化植被指數(shù)(NDVI)[26]、差異化植被指數(shù)(DVI)[27]、比值植被指數(shù)(RVI)[28]、改進(jìn)型土壤調(diào)節(jié)植被指數(shù)(MSAVI)[29]、增強(qiáng)型植被指數(shù)(EVI)[30]、土壤調(diào)節(jié)植被指數(shù)(SAVI)[31]、冠層鹽度響應(yīng)植被指數(shù)(CRSI)[32]、大氣阻抗植被指數(shù)(ARVI)[33]；鹽分指數(shù)有歸一化鹽分指數(shù)(NDSI)[34]、鹽分指數(shù)(SI-T)[35]、鹽分指數(shù)(SI)[36]、鹽分指數(shù)1(SI1)[37]、鹽分指數(shù)2(SI2)、鹽分指數(shù)3(SI3)、鹽分指數(shù)S1、鹽分指數(shù)S2[38]、鹽分指數(shù)S3、鹽分指數(shù)S5、鹽分指數(shù)S6。計(jì)算公式中包含近紅外波段的指數(shù)，將Band5和Band6近紅外波段反射率代入公式，計(jì)算得到2個(gè)指數(shù)，如NDVI-1和NDVI-2。本文共采用16種植被指數(shù)、15種鹽分指數(shù)和6個(gè)波段反射率作為自變量。

1.6 植被覆蓋度計(jì)算

FVC通常定義為植被(包括葉、莖、枝)在地面的垂直投影面積占統(tǒng)計(jì)區(qū)總面積的百分比[39]，是影響土壤鹽分反演的重要因素。像元二分模型(Pixel dichotomy mode，PDM)是一種簡單實(shí)用的遙感估算模型，用于計(jì)算植被覆蓋度。NDVI可用于檢測(cè)植被生長狀況和植被覆蓋度[40]。本文通過基于NDVI的像元二分模型計(jì)算植被覆蓋度。首先，假設(shè)遙感圖像的像元均由植被和裸土部分組成。根據(jù)像元二分模型，1個(gè)像元的NDVI值可以表達(dá)為由綠色植被部分所貢獻(xiàn)的信息NDVIveg與由無植被覆蓋(裸土)部分所貢獻(xiàn)的信息NDVIsoil這兩部分組成，F(xiàn)VC計(jì)算公式參照文獻(xiàn)[41]。

根據(jù)《中國荒漠化治理國家報(bào)告》及相似地理特征和植被類型區(qū)域的分類方法[23,42]，并結(jié)合本研究的具體情況進(jìn)行植被覆蓋度劃分。將數(shù)據(jù)劃分為T1、T2、T3、T4，分別為：裸土(FVC為[0,0.15))、低植被覆蓋度(FVC為[0.15,0.45))、中植被覆蓋度(FVC為[0.45,0.75))、高植被覆蓋度(FVC為[0.75,1))。

1.7 全子集篩選法

全子集篩選法是利用全子集回歸分析，對(duì)不同自變量之間所有可能的組合方式，用最小二乘法對(duì)所有變量組合進(jìn)行擬合與建模分析，最終選擇一個(gè)最佳的監(jiān)測(cè)模型。記m為自變量個(gè)數(shù)，對(duì)m中的p個(gè)變量(p=1,2,…,m)與因變量做最小二乘擬合，在所有的擬合模型中，選擇最優(yōu)的模型，為全子集篩選結(jié)果。選擇最優(yōu)模型的評(píng)價(jià)標(biāo)準(zhǔn)為：①似然函數(shù)最大化。②模型未知參數(shù)最小化，即尋求模型擬合精度和模型復(fù)雜度之間的最佳平衡[43]。本文通過R語言編程進(jìn)行全子集篩選，利用決定系數(shù)R2和貝葉斯信息準(zhǔn)則(Bayesian information criterion，BIC)來評(píng)價(jià)篩選結(jié)果，對(duì)比分析R2越大，BIC越小的篩選結(jié)果，為最優(yōu)變量組合。

1.8 模型方法和評(píng)價(jià)指標(biāo)

通過R語言編程構(gòu)建PLSR和ELM土壤含鹽量反演模型，其中實(shí)測(cè)土壤含鹽量為因變量，光譜變量為自變量。在每個(gè)覆蓋度各深度下隨機(jī)選取2/3實(shí)測(cè)土壤含鹽量樣本數(shù)據(jù)和對(duì)應(yīng)的光譜變量作為建模集用于訓(xùn)練模型，剩余1/3實(shí)測(cè)土壤含鹽量樣本數(shù)據(jù)和對(duì)應(yīng)的光譜變量作為驗(yàn)證集用于驗(yàn)證，通過調(diào)整模型參數(shù)，獲得每個(gè)條件下最佳模型。建模流程如圖4所示。

圖4 建模流程圖Fig.4 Model building flow chart

PLSR方法是一種多變量回歸分析方法，可以同時(shí)實(shí)現(xiàn)回歸建模、簡化數(shù)據(jù)結(jié)構(gòu)和分析兩組變量間的相關(guān)性，給多元數(shù)據(jù)統(tǒng)計(jì)分析帶來極大便利。對(duì)于t個(gè)因變量y1,y2,…,yt與m個(gè)自變量x1,x2,…,xm的建模問題，PLSR的基本做法是首先在自變量集中提出第1成分u1；同時(shí)在因變量集中也提取第1成分v1，并要求u1與v1相關(guān)程度達(dá)到最大。然后，建立因變量y1,y2,…,yt與u1的回歸式，如果回歸方程已達(dá)到滿意的精度，則算法終止。否則，繼續(xù)第2對(duì)成分的提取，直至能達(dá)到滿意的精度為止。若最終對(duì)自變量集提取r個(gè)成分u1,u2,…,ur，偏最小二乘回歸將通過建立y1,y2,…,yt與u1,u2,…,ur的回歸式，再將y1,y2,…,yt表示為原自變量的回歸方程式，即偏最小二乘法回歸方程式[44]?；赑LSR方法的土壤含鹽量多光譜反演的主要思想是，在減少光譜變量的同時(shí)，能夠從光譜數(shù)據(jù)中揭示最大土壤含鹽量變化的主控因子，使建立的模型具有更好的魯棒性[45-46]。本文PLSR模型采用R語言pls包構(gòu)建，通過決定系數(shù)R2和均方根誤差RMSE指標(biāo)評(píng)價(jià)篩選每個(gè)深度下最佳模型。

ELM是一種單隱層前向傳播的人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練算法，只有隱層神經(jīng)元結(jié)點(diǎn)數(shù)需要學(xué)習(xí)調(diào)整，并且整個(gè)過程無需迭代，具有“極端”快速的特點(diǎn)，學(xué)習(xí)時(shí)間顯著優(yōu)于反向神經(jīng)網(wǎng)絡(luò)算法和PLSR算法。同時(shí)，具有良好的泛化能力，已成功用于一些復(fù)雜系統(tǒng)的建模、辨識(shí)和控制等問題[47-48]。本文ELM模型亦采用R語言elmNNRcpp包構(gòu)建，通過R2和RMSE指標(biāo)評(píng)價(jià)篩選每個(gè)深度下最佳模型。

2 試驗(yàn)與結(jié)果分析

2.1 土壤含鹽量統(tǒng)計(jì)分析

將7月、8月和9月3次試驗(yàn)總計(jì)360個(gè)樣本點(diǎn)進(jìn)行覆蓋度分級(jí)，獲得不同覆蓋度T1～T4的數(shù)據(jù)集。對(duì)各覆蓋度的土壤含鹽量進(jìn)行統(tǒng)計(jì)，對(duì)各數(shù)據(jù)集樣本按2∶1的比例劃分建模集和驗(yàn)證集，并將各數(shù)據(jù)集樣本點(diǎn)土壤含鹽量劃分為4個(gè)等級(jí)，分別為：非鹽土(0～0.2%)、輕度鹽漬化(0.2%～0.5%)、重度鹽漬化(0.5%～1.0%)和鹽土(大于1.0%)[49]，結(jié)果如表1所示。

從表1中可以看出，4個(gè)等級(jí)的鹽土在不同數(shù)據(jù)集中含鹽量存在顯著差異。T1、T2、T3、T4的4個(gè)深度SSC平均值分別為0.86%、0.33%、0.31%和0.27%，隨著覆蓋度的增加，土壤含鹽量呈遞減趨勢(shì)。其中裸地T1土壤含鹽量最高，高植被覆蓋度T4的土壤含鹽量最低。各數(shù)據(jù)集差異系數(shù)均處于中等差異(變異系數(shù)反映樣本點(diǎn)值的離散程度，變異系數(shù)小于0.1為弱變異性； 變異系數(shù)在0～1之間為中等變異；變異系數(shù)大于1為強(qiáng)變異)[50]。其中，T1數(shù)據(jù)集的變異系數(shù)最大，接近1。T1數(shù)據(jù)集的樣本點(diǎn)多屬于4號(hào)地，4號(hào)地含有耕地和荒地2種土地，耕地灌水在一定程度上會(huì)影響到附近荒地土壤鹽分的分布，土壤含鹽量在空間上存在顯著差異，使4號(hào)地荒地土壤含鹽量的變異系數(shù)相對(duì)偏大。

表1 土壤含鹽量特征統(tǒng)計(jì)分析Tab.1 Statistical analysis of soil salt content characteristics

2.2 光譜自變量與不同土壤深度SSC相關(guān)性分析

提取無人機(jī)多光譜圖像的6個(gè)波段反射率和31個(gè)光譜指數(shù)(16個(gè)植被指數(shù)和15個(gè)鹽分指數(shù))，構(gòu)成覆蓋度T1、T2、T3、T4下的各深度(1、2、3、4分別代表0～10 cm、10～20 cm、20～40 cm、40～60 cm深度，下同)自變量數(shù)據(jù)集。計(jì)算各數(shù)據(jù)集建模集自變量與SSC的相關(guān)系數(shù)，繪制熱圖(圖5～7)分析自變量與SSC之間的相關(guān)性。

圖5 波段反射率與SSC皮爾遜相關(guān)系數(shù)Fig.5 Pearson correlation coefficient between band reflectance and SSC

分別對(duì)覆蓋度T1、T2、T3、T4多光譜6波段反射率與土壤含鹽量進(jìn)行相關(guān)性分析，如圖5所示，熱圖顏色越深，代表相關(guān)性越高?？傮w上，可見光波段(B1、B2、B3)與SSC表現(xiàn)出較好的相關(guān)性；紅邊波段(B4)對(duì)植被覆蓋具有敏感響應(yīng)，隨著植被覆蓋度的增加，其與SSC的相關(guān)性不斷增大；近紅波段(B5、B6)在覆蓋度T1下與SSC表現(xiàn)出較高相關(guān)性，在覆蓋度T2、T3和T4下，隨著覆蓋度的增加，相關(guān)性由小變大。對(duì)比各覆蓋度下相關(guān)性，覆蓋度T1、T4波段反射率和SSC相關(guān)性高于T2、T3。

分別對(duì)覆蓋度T1、T2、T3、T4植被指數(shù)與土壤含鹽量進(jìn)行相關(guān)性分析，如圖6所示。整體上，有植被覆蓋的T2、T3、T4相比裸土T1植被指數(shù)和SSC相關(guān)性更高。T2、T3、T4中高植被覆蓋度T4下植被指數(shù)和SSC相關(guān)性最高。

圖6 植被指數(shù)與SSC皮爾遜相關(guān)系數(shù)Fig.6 Pearson correlation coefficient between vegetation index and SSC

分別對(duì)覆蓋度T1、T2、T3、T4鹽分指數(shù)與土壤含鹽量進(jìn)行相關(guān)性分析，如圖7所示。整體上，覆蓋度T1和T4鹽分指數(shù)與SSC相關(guān)性最高，其中覆蓋度T1鹽分指數(shù)與SSC相關(guān)性最顯著。

圖7 鹽分指數(shù)與SSC皮爾遜相關(guān)系數(shù)Fig.7 Pearson correlation coefficient between salt index and SSC

對(duì)比圖6和圖7中覆蓋度T1，鹽分指數(shù)與SSC的相關(guān)性顯著高于植被指數(shù)；相應(yīng)的高植被覆蓋度T4植被指數(shù)與SSC的相關(guān)性顯著高于鹽分指數(shù)。

2.3 全子集法篩選最優(yōu)自變量組合

基于全子集回歸算法，分別對(duì)4個(gè)覆蓋度4個(gè)深度的37個(gè)自變量進(jìn)行篩選?；赗語言全子集回歸模型算法運(yùn)行結(jié)果，綜合考慮模型的評(píng)估參數(shù)R2和BIC，篩選出每個(gè)條件下最優(yōu)自變量組合，結(jié)果如表2所示。從T1到T4，鹽分指數(shù)在自變量中所占比例分別為71%、42%、23%、13%，其百分比逐漸變小；植被指數(shù)在自變量中所占比例分別為5%、21%、50%、63%，其百分比逐漸增大。說明隨著植被覆蓋度的增加，鹽分指數(shù)的敏感性逐漸降低，植被指數(shù)的敏感度逐漸增加。

表2 全子集法篩選最優(yōu)變量組合統(tǒng)計(jì)Tab.2 Optimal variable combination statistics screened by full subset method

2.4 土壤含鹽量反演模型構(gòu)建

2.4.1基于偏最小二乘算法

以各覆蓋度下不同深度全子集法篩選的反射率和光譜指數(shù)為自變量、SSC為因變量，建立PLSR土壤含鹽量反演模型，各模型建模集和驗(yàn)證集的R2和RMSE如表3所示。

表3 不同覆蓋度各深度土壤含鹽量的PLSR反演模型評(píng)價(jià)結(jié)果Tab.3 PLSR model of soil salt salinity with different coverage levels and depths

2.4.2基于極限學(xué)習(xí)機(jī)算法

以各覆蓋度下不同深度全子集法篩選的反射率和光譜指數(shù)為自變量、SSC為因變量，運(yùn)用ELM構(gòu)建土壤含鹽量反演模型，各模型建模集和驗(yàn)證集的R2和RMSE如表4所示。

表4 不同覆蓋度各深度土壤含鹽量的ELM反演模型評(píng)價(jià)結(jié)果Tab.4 ELM model of soil salt salinity with different coverage levels and depths

覆蓋度T3下，僅2個(gè)深度10～20 cm和20～40 cm模型決定系數(shù)大于0.5，對(duì)比2個(gè)模型，雖然深度10～20 cm驗(yàn)證集的決定系數(shù)略大于20～40 cm，但深度20～40 cm RMSE均小于0.2%，所以深度20～40 cm模型穩(wěn)定性更高。綜上，覆蓋度T3下，深度20～40 cm模型表現(xiàn)最佳，深度10～20 cm次之。

2.5 土壤含鹽量反演模型綜合評(píng)價(jià)

基于全子集的篩選結(jié)果，通過ELM和PLSR兩種機(jī)器學(xué)習(xí)方法，構(gòu)建T1、T2、T3、T4覆蓋度0～10 cm、10～20 cm、20～40 cm和40～60 cm深度，總共32個(gè)模型。通過對(duì)表3和表4模型的對(duì)比分析，選出2種機(jī)器學(xué)習(xí)方法在各覆蓋度下最佳的土壤含鹽量反演深度的模型，結(jié)果如表5所示。

表5 各覆蓋度下最佳的土壤含鹽量反演模型評(píng)價(jià)結(jié)果Tab.5 Model of soil salinity inversion in each coverage degree

從表5可知，PLSR和ELM 2個(gè)模型對(duì)應(yīng)的各覆蓋度下的最佳土壤含鹽量反演深度相同，T1到T4對(duì)應(yīng)的深度分別為0～10 cm、10～20 cm、20～40 cm和20～40 cm，可以看出，隨著覆蓋度的增加，最佳的土壤含鹽量反演深度逐漸增加，從T1條件下表層深度0～10 cm到中植被覆蓋條件下的深度20～40 cm，之后隨著覆蓋度增加，最佳反演深度維持在20～40 cm，且各覆蓋度條件下最佳反演深度均未出現(xiàn)40～60 cm。各深度PLSR和ELM最佳反演模型中，覆蓋度T1和T4下反演模型精度均遠(yuǎn)遠(yuǎn)大于覆蓋度T2和T3。覆蓋度T1、T2、T3、T4下，ELM模型的決定系數(shù)R2均大于PLSR模型，且ELM模型的RMSE均小于0.2%。綜合來看，ELM土壤含鹽量反演模型精度更高。

3 討論

通過無人機(jī)多光譜遙感數(shù)據(jù)進(jìn)行土壤含鹽量反演，對(duì)鹽漬化監(jiān)測(cè)和治理起到積極的作用。本文將試驗(yàn)地7—9月光譜數(shù)據(jù)用劃分植被覆蓋度的方式，進(jìn)行重新分集，探究不同植被覆蓋度對(duì)反演SSC的影響。

不同植被覆蓋度條件下，模型最佳反演深度有所不同。T1、T2、T3、T4對(duì)應(yīng)最佳土壤含鹽量反演深度分別為0～10 cm、10～20 cm、20～40 cm、20～40 cm。裸土期土壤表層無植被覆蓋，無人機(jī)多光譜遙感可以直接獲取土壤表面的光譜信息，用于反演土壤表層含鹽量，所以最佳反演深度是土壤表層[51-53]。植被覆蓋期，植被吸收土壤水分主要是由側(cè)根系完成的，因此側(cè)根所在土層的土壤鹽分會(huì)顯著影響作物的水分吸收，進(jìn)而使作物生長受到脅迫，且土壤含鹽量越高，土壤鹽分脅迫越嚴(yán)重，植被長勢(shì)越差，并在植被冠層得到間接表現(xiàn)[54-57]。隨著作物的不斷成熟，植被覆蓋度逐漸增加，側(cè)根分布深度逐漸加深，最佳土壤含鹽量反演深度從10～20 cm增加到20～40 cm。因此，植被覆蓋條件下，越高的覆蓋度對(duì)應(yīng)植被成熟度越高，相應(yīng)的最佳SSC反演深度也越深。劃分植被覆蓋度，有效區(qū)分了光譜指數(shù)對(duì)SSC的敏感性。植被指數(shù)和鹽分指數(shù)對(duì)土壤含鹽量反演的貢獻(xiàn)不同，鹽分指數(shù)在裸土條件下與SSC的相關(guān)性更高，植被指數(shù)在植被覆蓋條件下與SSC的相關(guān)性更高[23，58]。本研究通過全子集篩選法，篩選出每個(gè)覆蓋度各個(gè)深度最優(yōu)的敏感光譜指數(shù)和敏感波段組合，不同條件下篩選出的最佳波段和光譜指數(shù)組合不同。在T1覆蓋度下鹽分指數(shù)數(shù)量大于植被指數(shù)，鹽分指數(shù)更加敏感。植被覆蓋T2、T3、T4覆蓋度下則表現(xiàn)為植被指數(shù)數(shù)量大于鹽分指數(shù)，植被指數(shù)更加敏感。

不同覆蓋度下，反演模型的精度存在差異。本研究建立了4個(gè)覆蓋度4個(gè)深度下基于全子集篩選敏感變量的PLSR和ELM 2種SSC反演模型。對(duì)比發(fā)現(xiàn)，在各覆蓋度下，ELM反演模型的R2大于PLSR反演模型，反演精度更高且模型穩(wěn)定性更高。SSC與光譜變量存在復(fù)雜的非線性關(guān)系[22]，非線性算法ELM反演模型優(yōu)于PLSR反演模型。分別對(duì)比PLSR和ELM 2個(gè)模型各深度下反演模型的精度發(fā)現(xiàn)，覆蓋度T1和T4下反演模型的精度高于T2和T3模型。T1對(duì)應(yīng)裸土覆蓋度，光譜中包含更多的純裸土像元；T4對(duì)應(yīng)高植被覆蓋度，光譜中包含更多的純植被冠層像元；T2和T3分別對(duì)應(yīng)低植被覆蓋和中植被覆蓋2個(gè)覆蓋度，光譜像元均為混合像元。相比于T2和T3，包含更多純凈像元的覆蓋度T1和T4更有利于SSC反演。包含土壤和冠層混合光譜信息的反演模型精度較低，而含有純裸地光譜和純植被冠層光譜的反演模型精度較高[59]。

本研究尚存在一定的不足。僅僅考慮了植被覆蓋度對(duì)土壤含鹽量反演精度的影響，對(duì)于作物類型、耕作方式、不同含水率對(duì)反演模型的影響尚未考慮。因此，對(duì)于綜合考慮更多影響因素的反演模型，還有待進(jìn)一步研究。

4 結(jié)論

(1) 4種覆蓋度下SSC反演模型中，裸土和高植被覆蓋度下的SSC反演模型精度高于低植被覆蓋度和中植被覆蓋度下的SSC反演模型。

(2)裸土覆蓋時(shí)，無人機(jī)直接獲取土壤表面光譜，最佳土壤含鹽量反演模型深度為土壤表層0～10 cm；植被覆蓋條件下，無人機(jī)獲取植被冠層光譜，最佳土壤含鹽量反演模型深度為植被側(cè)根生長的土層深度，分別為10～20 cm、20～40 cm、20～40 cm。

(3)通過全子集篩選法對(duì)每個(gè)覆蓋度各深度模型自變量進(jìn)行篩選，簡化了模型。且篩選結(jié)果顯示，覆蓋度越低，鹽分指數(shù)對(duì)SSC越敏感；覆蓋度越高，植被指數(shù)對(duì)SSC越敏感。

(4)在各覆蓋度下，ELM反演模型的R2大于PLSR反演模型，反演精度更高且模型穩(wěn)定性更高。