基于多源遙感數(shù)據(jù)的居延澤地區(qū)土壤鹽分估算模型

楊麗萍 任 杰 王 宇 張 靜 王 彤 李凱旋

(長安大學(xué)地質(zhì)工程與測繪學(xué)院，西安 710054)

0 引言

土壤鹽漬化(Soil salinization)是破壞土地資源、嚴(yán)重威脅生態(tài)系統(tǒng)安全與穩(wěn)定的全球性問題[1]。中國西部地區(qū)鹽漬土面積占全國鹽漬化土地總面積的69.03%[2]，土壤鹽漬化問題突出。黑河流域的鹽漬化問題在中國西部干旱區(qū)具有典型性和代表性，其下游的額濟(jì)納盆地尤為嚴(yán)重，快速準(zhǔn)確地獲取大范圍的土壤鹽分信息對鹽漬化監(jiān)測與防治具有重要意義。

遙感技術(shù)具有數(shù)據(jù)獲取速度快、覆蓋范圍廣、成本低等特點，已被廣泛用于土壤鹽漬化監(jiān)測研究。基于光譜波段或植被指數(shù)等[3]單一參數(shù)的鹽漬化信息提取精度有限，隨著遙感數(shù)據(jù)種類的日益豐富，多源、多參數(shù)聯(lián)合的反演方法得到了廣泛應(yīng)用。

光學(xué)遙感通過地物反射輻射特征的變化，模擬各種遙感指數(shù)、地表溫度等參數(shù)與土壤鹽分之間的關(guān)系，實現(xiàn)土壤鹽分監(jiān)測。文獻(xiàn)[4-6]基于光學(xué)影像，通過多參數(shù)聯(lián)合的方式提升了鹽分信息的提取精度，但未考慮各類參數(shù)的鹽分反演效率和相互比較優(yōu)勢。

雷達(dá)遙感具有全天時、全天候成像的特點，且微波具有一定的穿透能力，可以與光學(xué)遙感優(yōu)勢互補(bǔ)，在土壤鹽漬化監(jiān)測方面發(fā)揮著重要作用[7-8]。近年來，全極化雷達(dá)遙感技術(shù)快速發(fā)展，全極化雷達(dá)影像由于包含了散射目標(biāo)的幾何特征、后向散射特征及豐富的極化特征信息，在土壤鹽分反演中備受關(guān)注。賈殿紀(jì)[9]基于Radarsat-2全極化雷達(dá)影像，通過構(gòu)建土壤鹽分與極化特征參數(shù)間的偏最小二乘模型，實現(xiàn)了青海湖流域的土壤鹽分反演，效果良好。然而現(xiàn)階段利用全極化雷達(dá)影像開展土壤鹽分定量反演的研究雖然取得了一定的進(jìn)展，但工作較為有限。

光學(xué)遙感不僅可以通過光譜信息反映土壤鹽漬化狀況，同時也有助于微波遙感信息的解譯和定量反演，而全極化雷達(dá)遙感能夠提供豐富的地物特征信息，因此，集成光學(xué)與全極化雷達(dá)遙感技術(shù)的土壤鹽分協(xié)同反演具有十分重要的科學(xué)意義與應(yīng)用價值[10]。在利用多源遙感數(shù)據(jù)的鹽分反演中，前人采用了眾多的鹽分指示環(huán)境變量，如波段反射率[6]、植被指數(shù)、鹽分指數(shù)[4]、后向散射系數(shù)[7-8]、極化特征參數(shù)[9,11]、地表溫度[5-6]以及地形因子[6,12]等，這些變量在鹽分反演效率和相互比較優(yōu)勢方面，具有一定程度的不確定性和易混淆性。因此，有必要對眾多鹽分指示環(huán)境變量進(jìn)行全面的綜合評價，以確定鹽分監(jiān)測的優(yōu)勢敏感變量，進(jìn)而建立鹽分監(jiān)測的有效模型。在利用多源遙感參數(shù)反演土壤鹽分的方法上，RF和SVM等機(jī)器學(xué)習(xí)算法因具有能夠處理復(fù)雜的非線性問題和不受制于輸入環(huán)境變量的類型與個數(shù)的特點而被廣泛應(yīng)用，且取得了較好效果[4,6]，為土壤鹽分的定量反演研究提供了切實可行的思路。

本文以黑河下游額濟(jì)納旗東南的居延澤地區(qū)為研究區(qū)，基于Sentinel-2、Radarsat-2、Landsat-8和SRTM DEM數(shù)據(jù)提取波段反射率、植被指數(shù)、鹽分指數(shù)、極化雷達(dá)參數(shù)、地表溫度和地形因子共6類82個變量，采用變量優(yōu)選策略篩選各類變量及其組合的最優(yōu)變量，完成鹽分敏感變量的優(yōu)選，進(jìn)而構(gòu)建RF與SVM鹽分預(yù)測模型，以期實現(xiàn)居延澤地區(qū)土壤鹽分的定量反演。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

居延澤位于內(nèi)蒙古自治區(qū)阿拉善盟額濟(jì)納旗的東南部，北鄰阿爾泰山脈，南與巴丹吉林沙漠相接，由東、西居延澤2個子盆地構(gòu)成(圖1)，西北角存有殘留湖沼——天鵝湖。該區(qū)域地勢東北高，西南低，平均海拔900 m，由于深居歐亞大陸腹地，氣候干燥，降雨稀少，為典型的大陸型氣候。

圖1 研究區(qū)示意圖

1.2 土壤樣品采集及預(yù)處理

根據(jù)研究區(qū)的土壤類型和土地覆蓋類型，考慮交通可達(dá)性，于2017年8月14—17日共采集42個鹽分樣點(圖1)。在各采樣點人工開挖長×寬×深約50 cm×50 cm×50 cm的探坑，采集0～10 cm的土壤樣品。土壤樣品經(jīng)風(fēng)干、研磨，稱取20 g樣品(已過1 mm篩)，加100 mL超純水5倍稀釋，封口后上搖床3～5 min，過濾，并使用儀器測定過濾后原液的濃度，依據(jù)原液質(zhì)量濃度是否大于500 mg/L考慮配置稀釋液，最后用sensION5型電導(dǎo)率儀測定濾液或稀釋液的電導(dǎo)率，并轉(zhuǎn)換為土壤含鹽量(SSC)[13]。

1.3 遙感數(shù)據(jù)及預(yù)處理

本文采用光學(xué)與雷達(dá)影像。光學(xué)影像采用Sentinel-2和Landsat-8影像，Sentinel-2影像成像時間為2017年8月24日，數(shù)據(jù)來源于哥白尼數(shù)據(jù)中心(https:∥scihub.copernicus.eu/)，數(shù)據(jù)等級為L1C級，空間分辨率為10、20、60 m。利用配套處理插件Sen2Cor將經(jīng)過輻射校正與幾何校正的L1C級數(shù)據(jù)轉(zhuǎn)為L2A級數(shù)據(jù)，完成大氣校正等預(yù)處理。Landsat-8影像成像時間為2017年9月18日，數(shù)據(jù)來源于地理空間數(shù)據(jù)云(http:∥www.gscloud.cn)，空間分辨率為30 m。訂購了野外期間一景精細(xì)全極化模式Radarsat-2雷達(dá)影像，成像時間為2017年8月17日，幅寬25 km×25 km，空間分辨率8 m。使用ENVI軟件的SARScape模塊和PolSARpro軟件完成原始SLC影像的多視、濾波、地理編碼、輻射定標(biāo)和正射校正等預(yù)處理。DEM數(shù)據(jù)采用SRTM DEM，空間分辨率為30 m，數(shù)據(jù)來源于美國地質(zhì)調(diào)查局(http:∥www.usgs.gov/)。為便于后續(xù)分析，以上影像均重采樣至10 m。

1.4 環(huán)境變量獲取及計算

前人研究表明，植被指數(shù)、鹽分指數(shù)以及地形因子可以為土壤鹽漬化監(jiān)測提供有效信息[6,14]。地表溫度影響水分中可溶性鹽的析出積聚，是干旱半干旱區(qū)土壤鹽漬化監(jiān)測的重要參數(shù)[15]。極化目標(biāo)分解是從極化SAR數(shù)據(jù)中提取目標(biāo)散射特征的方法，根據(jù)不同的分解機(jī)制，前人提出了An&Yang分解[16]、Cloude-Pottier分解[17]、Freeman-Durden分解[18]、H-A-α分解[19]、Krogager分解[20]和Yamaguchi分解[21]等方法。分解后的特征物理含義明確，在一定程度上可體現(xiàn)不同目標(biāo)之間散射機(jī)理的差異，能夠提供豐富的地物特征信息。此外，土壤鹽分的積累會導(dǎo)致土壤介電常數(shù)虛部發(fā)生變化，進(jìn)而引起雷達(dá)后向散射系數(shù)的變化[22]。因此，極化雷達(dá)的后向散射系數(shù)及極化分解后的極化特征參數(shù)也是土壤鹽漬化監(jiān)測的重要參數(shù)。鑒于此，本文選取波段反射率、植被指數(shù)、鹽分指數(shù)、極化雷達(dá)參數(shù)、地表溫度和地形因子共6類82個變量參與土壤鹽分預(yù)測建模。其中，波段反射率、植被指數(shù)、鹽分指數(shù)由Sentinel-2數(shù)據(jù)獲取，極化雷達(dá)參數(shù)由Radarsat-2數(shù)據(jù)獲取，地表溫度由Landsat-8數(shù)據(jù)獲取，地形因子利用DEM數(shù)據(jù)獲取。具體變量及計算方法見表1。

表1 環(huán)境變量

1.5 變量優(yōu)選

在土壤鹽分反演中，并不是所有環(huán)境變量均可以提供有用信息而參與模型構(gòu)建，模型應(yīng)該避免不相關(guān)變量的影響[32]。研究表明，基于迭代刪除潛在不相關(guān)的環(huán)境變量，有利于減少不確定性，提高預(yù)測精度[33]。本文參與模型構(gòu)建的變量以各類變量及其組合進(jìn)行分組，每組均會根據(jù)迭代刪除產(chǎn)生最優(yōu)變量集合。變量優(yōu)選策略參照文獻(xiàn)[32-33]，具體為：

(1)將每組變量輸入RF算法，基于平均精度減少量(Mean decrease accuracy，MDA)，對環(huán)境變量進(jìn)行重要性排序。

(2)刪除重要性排序的最后一個環(huán)境變量，將剩余的變量輸入RF算法重新訓(xùn)練并排序，隨后再刪除最后一位變量。重復(fù)刪除最不重要的變量，直至剩余2個環(huán)境變量，循環(huán)結(jié)束。

(3)每次算法運行均會計算出決定系數(shù)(Determination coefficient，R2)和均方根誤差(Root mean square error，RMSE)，最終以RMSE為主、R2為輔綜合判斷最優(yōu)變量集合。

(4)重復(fù)步驟(1)～(3)，直到遍歷所有分組，得到每組的最優(yōu)變量集合。

1.6 預(yù)測模型及模型驗證

RF是2001年BREIMAN[34]提出的一種機(jī)器學(xué)習(xí)算法，以CART決策樹為弱學(xué)習(xí)器，通過自舉法(Bootstrap)重采樣技術(shù)，從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機(jī)抽取n個樣本生成新的訓(xùn)練樣本集，重復(fù)采樣生成多個新的訓(xùn)練樣本集，用新的樣本集訓(xùn)練決策樹組成RF，并將所有弱學(xué)習(xí)器得到的結(jié)果進(jìn)行算術(shù)平均作為最終的預(yù)測結(jié)果。其中，在每個弱學(xué)習(xí)器構(gòu)建Bagging集成、生成決策樹時，所選特征均為隨機(jī)選出的少數(shù)特征，從而使RF不需要額外剪枝即可取得較好的泛化能力和抗過擬合能力。該算法僅需定義2個參數(shù)[33]，即終端節(jié)點樹和每個節(jié)點隨機(jī)選擇的變量個數(shù)。通過反復(fù)計算與比較，設(shè)置終端節(jié)點樹ntree為1 500，選擇的變量個數(shù)m為自變量數(shù)目的1/3。

SVM是以VC維(Vapnik-Chervonenkis dimension)和結(jié)構(gòu)風(fēng)險最小化為理論基礎(chǔ)的機(jī)器學(xué)習(xí)算法，該算法基于核函數(shù)映射將低維空間非線性問題轉(zhuǎn)換為高維空間的線性問題，利用一個超平面根據(jù)最大化間隔值，將輸入數(shù)據(jù)劃分到n維的特征空間，從而實現(xiàn)分類、回歸任務(wù)。通過引入不敏感函數(shù)，SVM在曲線擬合中得以應(yīng)用并發(fā)展為支持向量回歸。作為模型的重要參數(shù)，核函數(shù)與懲罰系數(shù)c、參數(shù)g的選取對模型精度有很大影響[35]。本文選擇徑向基函數(shù)作為核函數(shù)，c、g通過交叉驗證來計算，并通過調(diào)用基于libsvm網(wǎng)格劃分(Grid search)的參數(shù)尋優(yōu)函數(shù)來尋找最優(yōu)解。

交叉驗證對機(jī)器學(xué)習(xí)有很強(qiáng)的指導(dǎo)與驗證意義，K折交叉驗證[36](K-fold cross validation)是廣為使用的交叉驗證方法之一，尤其在數(shù)據(jù)集較小的情況下，能夠最大程度地提高數(shù)據(jù)利用率，使模型性能更為優(yōu)越。本文采用10折交叉驗證法，將樣本劃分為10個互斥子集，每次將9個子集作為訓(xùn)練集以擬合模型，剩余1個子集作為驗證集用于評估所建模型的預(yù)測能力，驗證過程重復(fù)10次，每次將不同的子集作為驗證集，故每個模型會得到10次模型驗證結(jié)果，取其平均值，作為該模型的最終驗證結(jié)果。本文采用R2和RMSE為指標(biāo)評價預(yù)測模型的效果與性能。當(dāng)R2趨近1，RMSE趨近0，表示模型效果最佳。

2 結(jié)果與分析

2.1 實測土壤鹽分統(tǒng)計分析

研究區(qū)實測土壤含鹽量在0.201～119 g/kg之間，土壤含鹽量變化較大，平均值為23.898 g/kg，變異系數(shù)為1.175，屬于強(qiáng)變異性。根據(jù)土壤鹽分分級標(biāo)準(zhǔn)[37]，鹽漬土可分為非鹽漬化(含鹽量小于1 g/kg)、輕度鹽漬化(含鹽量1～2 g/kg)、中度鹽漬化(含鹽量2～4 g/kg)、重度鹽漬化(含鹽量4～10 g/kg)和鹽土(含鹽量大于10 g/kg)5個等級。參考以上標(biāo)準(zhǔn)，研究區(qū)實測鹽分等級分布如表2和圖2所示。由表2可知，該地區(qū)非鹽土樣本與鹽土樣本約各占50%，而非鹽土樣本又以中度和重度鹽漬化土居多。在圖2中，小提琴寬度表示數(shù)據(jù)分布密度，越寬表示數(shù)據(jù)分布密度越大，高度表示土壤鹽分分布范圍。

表2 實測鹽分等級分布

圖2 實測鹽分分布圖

2.2 優(yōu)選變量及重要性分析

利用Random forests軟件包對變量進(jìn)行了重要性分析。就所有變量(圖3，圖中以平均精度減少(MDA)衡量環(huán)境變量重要性)而言，地表溫度的重要性最高，為12.416%，且遠(yuǎn)遠(yuǎn)高于其他變量；Kkh的重要性次之，為4.121%；地形深度指數(shù)TWI的重要性居第三，為3.984%；波段反射率、植被指數(shù)及鹽分指數(shù)的重要性靠后且均小于2.3%。綜合考慮，6類變量的重要性從大到小依次為地表溫度、地形因子、極化雷達(dá)參數(shù)、鹽分指數(shù)、植被指數(shù)、波段反射率。通過變量優(yōu)選策略進(jìn)一步選擇各組最優(yōu)變量，結(jié)果如表3所示。

圖3 變量重要性

由表3可知，優(yōu)選的波段反射率重要變量有B6、B8a、B11和B12等，揭示了紅邊和短波紅外波段在土壤鹽分監(jiān)測中的重要性，與TAGHADOSI等[6]的研究結(jié)果相一致。在植被指數(shù)中，CRSI、ERVI、ENDVI和SAVI與土壤鹽分存在密切關(guān)系，與周曉紅等[38]的研究中增強(qiáng)型植被指數(shù)與鹽分相關(guān)性最強(qiáng)的結(jié)果相一致，同時也與王飛等[39]在不同綠洲區(qū)得到的CRSI和增強(qiáng)型植被指數(shù)(ENDVI、EVI、EEVI)在干旱區(qū)具有普適性的結(jié)論相吻合。在鹽分指數(shù)中，優(yōu)選的重要變量有SI2re3、S5re1、S1re2和S2re3等，而這些變量均有紅邊波段參與計算，再次證明了紅邊波段在土壤鹽分監(jiān)測中的重要性，與馬國林等[12]的研究中RESI63、RESI31、RESI12和RESI16紅邊光譜指數(shù)重要性居前的結(jié)果一致。優(yōu)選的極化雷達(dá)參數(shù)重要變量有An4Odd、An4Vol、FOdd、YOdd、Kkh、H和Kks等，其中，F(xiàn)Odd與Kks同樣在依力亞斯江·努爾麥麥提等[11]的研究中作為優(yōu)選變量。各變量有明確的物理含義，可以在一定程度上體現(xiàn)不同目標(biāo)之間散射機(jī)理的差異，尤其是重度與中-輕度鹽漬地之間的差異[40-41]，對土壤鹽分預(yù)測有重要作用。地形因子優(yōu)選的重要變量有CA、VD、CNBL和TWI等，以水文相關(guān)的地形因子為主，這與居延澤地區(qū)為古湖盆區(qū)有關(guān)，而CA和TWI也在馬國林等[12]的研究中作為重要性居前的優(yōu)選地形指數(shù)。

表3 優(yōu)選變量

2.3 土壤鹽分估算模型的構(gòu)建與精度評價

以波段反射率、植被指數(shù)、鹽分指數(shù)、極化雷達(dá)參數(shù)、地表溫度和地形因子6類變量及其組合方案的優(yōu)選變量作為RF和SVM模型輸入的自變量，土壤含鹽量作為目標(biāo)變量，建立土壤鹽分RF和SVM預(yù)測模型，不同變量模型的鹽分預(yù)測精度如表4所示。

表4 土壤鹽分反演精度

由表4可知，在單一變量反演方案中，極化雷達(dá)參數(shù)與地形因子對土壤鹽分預(yù)測有較大貢獻(xiàn)，極化雷達(dá)參數(shù)(方案4)建立的RF模型驗證集R2為0.701，RMSE為21.837%，SVM模型驗證集R2為0.504，RMSE為21.771%。地形因子(方案6)建立的RF模型驗證集R2為0.704，RMSE為20.257%，SVM模型驗證集R2為0.519，RMSE為21.065%。其次地表溫度(方案5)對土壤鹽分反演也較為重要，RF驗證集R2稍低，為0.609，RMSE為21.302%，SVM驗證集R2為0.528，RMSE為23.538%。鹽分指數(shù)、植被指數(shù)與波段反射率(方案3、2、1)建立的RF模型精度略低且相差不大，R2分別為0.621、0.593、0.599，RMSE分別為28.453%、25.866%、26.326%，SVM模型趨勢與RF模型相似，R2分別為0.451、0.490、0.428，RMSE分別為29.055%、22.740%、22.296%，與陳俊英等[4]研究優(yōu)選鹽分與植被指數(shù)組以及張智韜等[42]研究敏感波段組與光譜指數(shù)組對鹽分反演精度影響的結(jié)果相吻合。極化雷達(dá)參數(shù)包含了豐富的極化信息，不同地物的散射機(jī)理不同，反映的極化信息也不盡相同，尤其是重度與中-輕度鹽漬地[40]，因而可以較好地預(yù)測土壤鹽分。居延澤地區(qū)為古湖區(qū)，湖水在匯聚、流動和退縮過程中會受到地形影響，并最終在低洼地帶匯集。湖水干涸后，地下水毛細(xì)上升使得地表鹽分大量析出。因此，土壤鹽分的分布與地形有密切關(guān)系。地表溫度同樣影響鹽分分布，土壤中的可溶性鹽隨湖水流動，在溫度與地形的影響下，鹽分朝著某一方向匯聚，隨著高溫條件下水分的快速蒸發(fā)，鹽分便會積聚在土壤表面。由于植物鹽脅迫的影響，植被指數(shù)在較高植被覆蓋下對土壤鹽分變化敏感[30]，而本研究區(qū)極度干旱，植被稀疏，導(dǎo)致植被指數(shù)對土壤鹽分預(yù)測精度較低。鹽分指數(shù)與植被指數(shù)恰恰相反，由對鹽分敏感的波段組合計算得到，主要依據(jù)土壤的光譜響應(yīng)來反映土壤鹽分變化，地表植被越少，對光譜響應(yīng)影響越小，鹽分指數(shù)對土壤鹽分的監(jiān)測效果越好，因而鹽分指數(shù)對土壤鹽分的預(yù)測精度高于植被指數(shù)。

在多變量反演方案中，波段反射率、植被指數(shù)、鹽分指數(shù)這3類變量聯(lián)合反演的精度幾乎沒有提升，波段反射率與植被指數(shù)聯(lián)合反演(方案7)的RF驗證集R2為0.619，RMSE為26.446%，SVM驗證集R2為0.468，RMSE為22.197%，而加入鹽分指數(shù)后(方案8)，RF驗證集R2降低0.018，RMSE升高0.587個百分點，SVM驗證集R2降低0.229，RMSE升高6.775個百分點，或許是因為植被指數(shù)與鹽分指數(shù)都是由對鹽分敏感的波段計算的光譜指數(shù)，這3類變量本質(zhì)上都是波段信息組合，相互之間存在信息冗余與重疊。而對植被指數(shù)與極化雷達(dá)參數(shù)聯(lián)合反演的方案13而言，RF驗證集R2比兩者單獨反演分別提升0.202、0.095，RMSE比前者單獨反演降低3.352個百分點，比后者單獨反演升高0.667個百分點，SVM驗證集R2比兩者單獨反演分別提升0.061、0.047，RMSE比兩者單獨反演分別升高1.719、2.688個百分點，說明光譜指數(shù)和極化雷達(dá)參數(shù)之間不存在信息冗余，體現(xiàn)出光學(xué)遙感與微波遙感信息互補(bǔ)的優(yōu)勢。當(dāng)光譜指數(shù)加入極化雷達(dá)參數(shù)、地表溫度和地形因子聯(lián)合反演時(方案9～11)，RF驗證集R2分別提升0.048、0.087、0.202，RMSE分別降低1.584、6.354、8.745個百分點，SVM驗證集R2分別提升0.009、0.160、0.186，方案9的RMSE升高1.726個百分點，方案10、11分別降低0.747、3.674個百分點，表明極化雷達(dá)參數(shù)、地表溫度及地形因子包含豐富的信息，是土壤鹽分反演的重要參數(shù)，這與前文單一變量鹽分反演精度較高的結(jié)果是一致的，同時與6類變量的重要性排序結(jié)果吻合。當(dāng)?shù)乇頊囟扰c地形因子聯(lián)合反演時(方案12)，RF驗證集R2為0.804，RMSE為16.748%，SVM驗證集R2為0.629，RMSE為18.271%，但在加入植被指數(shù)或鹽分指數(shù)后(方案14、15)，RF驗證集R2分別下降0.102、0.139，RMSE分別升高2.034、2.823個百分點，SVM驗證集R2分別下降0.067、0.154，RMSE分別升高2.833、3.278個百分點，與極化雷達(dá)參數(shù)、地表溫度和地形因子聯(lián)合反演(方案16)加入植被指數(shù)(方案17)的變化趨勢一致，這或許是因為在聯(lián)合反演時，各變量間互相影響、互相牽制，植被指數(shù)和鹽分指數(shù)的加入對地表溫度及地形因子的聯(lián)合反演有一定的影響。

從不同方案的優(yōu)選變量來看，各變量之間相互影響、相互制約，聯(lián)合反演并不是將重要性最高的變量組合在一起。從不同方案優(yōu)選變量的個數(shù)結(jié)合預(yù)測精度也可以說明，反演時變量并不是越多越好，引入過多的自變量會產(chǎn)生信息冗余，造成過擬合，使模型預(yù)測精度下降[42]。由上文可知，RF模型的R2均高于SVM模型，RF模型的RMSE總體也均低于SVM模型，且兩者在各方案模型上的變化趨勢一致，表明RF模型比SVM模型對土壤鹽分的預(yù)測效果更好。張智韜等[42]在內(nèi)蒙古河套灌區(qū)耕地的土壤鹽分反演中也用到了本文的2種機(jī)器學(xué)習(xí)模型，發(fā)現(xiàn)RF模型效果最好，SVM模型次之。馬國林等[12]基于多光譜與DEM數(shù)據(jù)反演艾比湖濕地土壤鹽分時，同樣發(fā)現(xiàn)機(jī)器學(xué)習(xí)RF模型的反演效果更優(yōu)，上述研究均與本文的模型研究結(jié)果一致。對表4進(jìn)一步分析發(fā)現(xiàn)，在RF與SVM 2種模型中，基于方案11、12、16構(gòu)建的模型均具有較高精度且模型精度相差較小，其中方案11引入了波段反射率、植被指數(shù)、鹽分指數(shù)、極化雷達(dá)參數(shù)、地表溫度和地形因子，方案12引入了地表溫度和地形因子，方案16引入了極化雷達(dá)參數(shù)、地表溫度和地形因子，但方案11包含6類變量，信息豐富，且較單一變量最佳模型R2提升0.117，RMSE降低2.556個百分點，綜合考慮認(rèn)為基于方案11構(gòu)建的RF模型為研究區(qū)土壤鹽分預(yù)測的最優(yōu)模型。

2.4 土壤鹽分預(yù)測結(jié)果

利用選取的最優(yōu)變量集和RF模型反演居延澤地區(qū)土壤鹽分，結(jié)果如圖4所示。由圖4可見，土壤鹽分由研究區(qū)東北向西南增高，西南方向的鹽分又以東、西居延澤古湖盆區(qū)為最。研究區(qū)地勢由東北向西南傾斜，東北地區(qū)地勢高，為山區(qū)與戈壁，鹽分含量較低。由于古湖的退縮，致使西南地區(qū)成為水鹽匯聚中心，在高溫干燥環(huán)境下，湖水迅速蒸發(fā)并干涸，地下水毛細(xì)上升使得地表鹽分大量析出，形成低洼地帶鹽分高的分布特征。天鵝湖附近灘涂眾多，旱生植被集中生長，涵養(yǎng)了一定水分，導(dǎo)致含鹽量較低。在西居延澤中部出現(xiàn)斑塊狀的低鹽分區(qū)，可能是因為古湖在干涸前涵養(yǎng)了周邊大量的植被。圖中出現(xiàn)的條帶狀低鹽區(qū)，為東、西居延澤之間表面覆蓋小礫石的古湖岸線，零星斑塊狀低鹽區(qū)為雅丹地貌和灌叢沙堆分布區(qū)。東居延澤中存在的大塊低鹽區(qū)，是由于該區(qū)為地勢較高的沙土區(qū)域，含鹽量較低。從分布格局而言，模型預(yù)測結(jié)果符合野外調(diào)查結(jié)果，與實地情況較為接近。

圖4 土壤鹽分預(yù)測結(jié)果

3 結(jié)論

(1)眾多鹽分指示變量中，短波紅外波段(B11)、冠層鹽度響應(yīng)植被指數(shù)(CRSI)、擴(kuò)展比值植被指數(shù)(ERVI)、紅邊鹽分指數(shù)(S2re3)、單次散射(FOdd)、地表溫度(LST)與匯水面積(CA)等變量對土壤鹽分監(jiān)測具有較強(qiáng)的普適性。

(2)單一變量模型的鹽分預(yù)測精度根據(jù)R2和RMSE綜合判斷，從高到低依次為地形因子、極化雷達(dá)參數(shù)、地表溫度、鹽分指數(shù)、植被指數(shù)和波段反射率，其中地形因子構(gòu)建的RF模型預(yù)測精度最高，其驗證集R2為0.704，RMSE為20.257%。

(3)多變量聯(lián)合可以進(jìn)一步提升模型的預(yù)測精度與穩(wěn)定性，隨著環(huán)境變量的逐步加入，當(dāng)6類變量均參與模型構(gòu)建時，RF模型預(yù)測精度最高，其驗證集R2為0.821，RMSE為17.701%，與單一變量最佳模型相比，R2提升0.117，RMSE降低2.556個百分點。

(4)RF模型較SVM模型更適于干旱區(qū)土壤鹽分反演，優(yōu)選全變量組構(gòu)建的RF模型具有最佳預(yù)測精度，其驗證集R2為0.821，RMSE為17.701%。基于該模型的反演結(jié)果表明，區(qū)域東北及天鵝湖附近鹽漬化程度較低，西南部古湖盆區(qū)鹽漬化程度較高。