典型綠洲灌區(qū)棉田土壤鹽分多光譜遙感反演與季節(jié)差異性研究

劉旭輝，白云崗，柴仲平，張江輝，江柱，丁邦新，3，張超

（1.新疆農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，烏魯木齊 830052；2.新疆水利水電科學(xué)研究院，烏魯木齊 830049；3.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）

土壤鹽漬化是干旱、半干旱地區(qū)面臨的主要生態(tài)環(huán)境問題，其嚴(yán)重制約了區(qū)域灌溉農(nóng)業(yè)的可持續(xù)發(fā)展[1]。衛(wèi)星遙感技術(shù)能夠快速準(zhǔn)確獲取土壤含鹽量的動(dòng)態(tài)變化，為土壤鹽漬化監(jiān)測(cè)和防治提供及時(shí)有效的信息和管理方法[2]。

建立遙感模型的過程中，選擇敏感光譜參量和適宜的建模方法有利于提升模型精度[3]。張曉光等[4]、張賢龍等[5]對(duì)光譜數(shù)據(jù)進(jìn)行了對(duì)數(shù)、倒數(shù)、倒數(shù)的對(duì)數(shù)等數(shù)學(xué)變換，以增強(qiáng)光譜與鹽分之間的相關(guān)性，進(jìn)而達(dá)到提升模型精度的效果。胡盈盈等[6]對(duì)線性變換前后的光譜反射率與土壤含鹽量進(jìn)行相關(guān)性分析，優(yōu)選出敏感光譜波段，建立土壤鹽分多元線性回歸模型，反演春、秋兩季土壤含鹽量。Dwivedi等[7]、王雪梅等[8]、劉玉斌等[9]基于植被指數(shù)構(gòu)建土壤鹽分線性回歸模型，反演得到土壤鹽分空間分布特征。Alexakis等[10]針對(duì)希臘克里特島土壤鹽漬化問題，基于WV2和Landsat 8 OLI 計(jì)算鹽分指數(shù)，結(jié)果表明，光譜指數(shù)S5 對(duì)土壤鹽分最為敏感，可為該地區(qū)地表土壤含鹽量的監(jiān)測(cè)提供新方案。基于優(yōu)選出的敏感光譜參量，選擇最適合本研究區(qū)土壤鹽分的建模方法，實(shí)現(xiàn)模型精度的提升。劉恩等[11]、邱元霖等[12]采用多元線性回歸、BP 神經(jīng)網(wǎng)絡(luò)（BPNN）等方法構(gòu)建了土壤鹽分反演模型，發(fā)現(xiàn)影像光譜反射率和土壤含鹽量之間不是單純的線性關(guān)系，因而多元線性回歸模型的預(yù)測(cè)效果具有很大的波動(dòng)性，而BPNN 具有極強(qiáng)的非線性擬合能力，模型反演精度更高。姚志華等[13]基于原始光譜反射率和特征光譜指數(shù)，使用極限學(xué)習(xí)機(jī)（ELM）、支持向量機(jī)（SVM）和BPNN 建模方法，構(gòu)建土壤含鹽量估算模型。以上研究表明機(jī)器學(xué)習(xí)算法在土壤鹽分遙感反演過程中具有優(yōu)越性。土壤含鹽量受時(shí)間變化影響，空間分布存在差異，因而探討不同時(shí)期的土壤鹽漬化狀況極為重要。目前，基于3S 技術(shù)對(duì)土壤鹽漬化的時(shí)空演變研究已成為熱點(diǎn)，近年來取得了較為豐碩的研究成果。Ivushkin 等[14]基于多幅熱紅外圖像、土壤質(zhì)地圖等數(shù)據(jù)源對(duì)隨機(jī)森林分類器進(jìn)行訓(xùn)練，最終得到了多幅土壤鹽分反演圖。花錦溪[15]基于MODIS 數(shù)據(jù)，利用分類回歸樹對(duì)像元進(jìn)行分類，比較了不同類別特征對(duì)鹽堿土的分類效果，分析得到了松嫩平原鹽堿地動(dòng)態(tài)變化過程。彭麗[16]研究了瑪納斯河流域的土壤鹽漬化狀況，分析得到了不同灌溉方式下的土壤鹽分空間變異特征。

已有研究多針對(duì)某一時(shí)期的鹽漬土進(jìn)行反演[17?18]，但由于每年氣候多變，季節(jié)性差異明顯，且像素點(diǎn)內(nèi)地物類型復(fù)雜，不同期遙感影像數(shù)據(jù)存在較大差異。鑒于此，本研究以新疆第二師31 團(tuán)棉田為研究區(qū)，基于2019 年和2021 年春、夏、秋季Landsat 8 OLI 衛(wèi)星遙感影像和相應(yīng)時(shí)期地表土壤含鹽量，利用ELM、SVM 和BPNN 構(gòu)建不同季節(jié)土壤鹽分遙感反演模型，通過精度評(píng)價(jià)篩選各季節(jié)最優(yōu)模型，實(shí)現(xiàn)不同時(shí)期棉田土壤鹽分的定量反演，以期為當(dāng)?shù)赝寥辣韺雍}量的實(shí)時(shí)監(jiān)測(cè)提供參考。

1 材料與方法

1.1 研究區(qū)概況

新疆生產(chǎn)建設(shè)兵團(tuán)第二師31 團(tuán)位于天山南麓塔里木盆地東北邊緣，塔里木河與孔雀河兩河下游的沖積平原，地處巴音郭楞蒙古自治州尉犁縣境內(nèi)，西南臨塔克拉瑪干沙漠，東北與庫木塔格沙漠接壤，地理坐標(biāo)為85°24′～88°30′ E，39°30′～42°20′ N。團(tuán)場(chǎng)地勢(shì)自西北向東南傾斜，土壤類型主要為鹽土、堿土和風(fēng)沙土。團(tuán)場(chǎng)深處歐亞內(nèi)陸腹地，屬北溫帶大陸性荒漠干旱氣候，降水量年際變化大，多年平均降水量53.3～62.7 mm，多年平均蒸發(fā)量2 273～2 788 mm。現(xiàn)有灌溉面積7.5×103hm2，灌溉方式以膜下滴灌為主，灌溉用水來自塔里木河和恰拉水庫。

1.2 野外數(shù)據(jù)采集與處理

野外采樣選擇在棉花播種前（2019年3月20—28日、2021年4月7—12日）、生育期內(nèi)（2019年6月19—25 日、2021 年6 月29 日—7 月2 日）、棉花采摘后（2019 年10 月23—25 日、2021 年11 月3—4 日）進(jìn)行。實(shí)地勘察后，從水庫引水處沿干渠走向布設(shè)采樣點(diǎn)。2019、2021年春季分別布設(shè)樣點(diǎn)53、33處，夏季分別布設(shè)樣點(diǎn)51、39處，秋季分別布設(shè)樣點(diǎn)51、39處（圖1）。

圖1 研究區(qū)位置及土壤樣點(diǎn)分布示意圖Figure 1 Location and soil sample distribution diagram in the study area

1.2.1 土壤含鹽量測(cè)定

利用三點(diǎn)取樣法采集地表0～20 cm 土壤，用手持GPS 儀定位獲取每個(gè)樣點(diǎn)的經(jīng)緯度。將土樣帶回實(shí)驗(yàn)室后，挑出雜物，風(fēng)干、研磨，過2 mm 孔徑篩，稱取18 g 土樣，按土水質(zhì)量比為1∶5 在錐形瓶中配制土壤溶液，用玻璃棒攪拌均勻后固定在振蕩器上振蕩10 min，使鹽分充分溶解，靜置后使用電導(dǎo)率儀測(cè)定土壤懸濁液的電導(dǎo)率（EC，μS·cm?1），根據(jù)經(jīng)驗(yàn)公式y(tǒng)=0.005 1x?0.524 1（決定系數(shù)R2=0.953 4）計(jì)算土壤總含鹽量（g·kg?1）[19]。

1.2.2 土壤光譜曲線采集與處理

使用UniSpec?SC 光譜分析儀（波段范圍310～1 130 nm）在12：00—16：00 之間測(cè)定土壤光譜。春季，根據(jù)含鹽量大小將所有樣點(diǎn)的土壤分為3 個(gè)鹽漬化等級(jí)，在每個(gè)等級(jí)中隨機(jī)選取有代表性的多個(gè)樣點(diǎn)進(jìn)行觀測(cè)，每個(gè)等級(jí)共觀測(cè)10 次，取平均值作為各等級(jí)土壤的實(shí)測(cè)高光譜。夏、秋兩季，在部分樣點(diǎn)連續(xù)測(cè)定10 條光譜，求平均值后得到不同樣點(diǎn)的土壤光譜，再分別對(duì)夏、秋季相同鹽漬化等級(jí)的土壤光譜反射率求平均值，作為兩個(gè)季節(jié)非鹽化土、輕度鹽化土和中度鹽化土的光譜，以研究其相似性和差異性。使用Multispec 5.1.5 軟件對(duì)光譜數(shù)據(jù)進(jìn)行處理，得到310～1 130 nm 波段范圍的土壤光譜；在Origin 2018軟件中繪制土壤實(shí)測(cè)高光譜曲線。

1.3 遙感影像數(shù)據(jù)獲取與處理

多光譜數(shù)據(jù)采用Landsat 8 OLI衛(wèi)星遙感影像，數(shù)據(jù)來源于美國(guó)地質(zhì)調(diào)查局（United States Geological Survey，USGS）官 網(wǎng)（https：//earthexplorer.usgs.gov/），行列號(hào)143/031，空間分辨率30 m，重訪周期16 d。按照與采樣時(shí)間相近且云量較小的原則，本研究選取2019年3月22日、6月19日、10月25日和2021年3月20 日、7 月1 日、10 月21 日的影像作為多光譜數(shù)據(jù)。使用ENVI 5.3軟件對(duì)影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正和裁剪等預(yù)處理，實(shí)現(xiàn)遙感數(shù)據(jù)由數(shù)字量化值到輻射亮度值再到地表反射率的逐步轉(zhuǎn)換；在ArcGIS 10.2中導(dǎo)入6次采樣的經(jīng)緯度，提取各采樣點(diǎn)在7個(gè)波段處的像元反射率；在Excel 2016 中計(jì)算多光譜波段反射率、鹽分指數(shù)和植被指數(shù)三類光譜參量。

1.4 光譜指數(shù)選取

春、秋季植被覆蓋度低，無法間接反映土壤鹽分狀況，因而在春、秋兩季土壤鹽分的反演過程中，僅選取了多光譜波段反射率和鹽分指數(shù)作為土壤鹽分反演模型的輸入變量。夏季，植被指數(shù)與土壤含鹽量之間具有一定的相關(guān)性，故將多光譜波段反射率、鹽分指數(shù)和植被指數(shù)作為自變量參與建模。本研究選取的14 個(gè)植被指數(shù)分別為歸一化差異植被指數(shù)（NDVI）[20]、比值植被指數(shù)（RVI）[21]、綠色比值植被指數(shù)（GRVI）[22]、差值植被指數(shù)（DVI）[21]、增強(qiáng)型植被指數(shù)（EVI）[20]、增強(qiáng)型比值植被指數(shù)（ERVI）[23]、增強(qiáng)型差值植被指數(shù)（EDVI）[23]、增強(qiáng)型歸一化植被指數(shù)（ENDVI）[20]、大氣阻抗植被指數(shù)（ARVI）[24]、土壤調(diào)節(jié)植被指數(shù)（SAVI）[20]、修改型土壤調(diào)整植被指數(shù)（MSAVI）[25]、三角形植被指數(shù)（TVI）[21]、歸一化差異綠度植被指數(shù)（NDGI）[21]、優(yōu)化土壤調(diào)整植被指數(shù)（OSAVI）[26]，選取的12個(gè)鹽分指數(shù)分別為歸一化鹽分指 數(shù)（NDSI）[21]、SI?T[21]、SI1[1]、SI2[1]、SI3[1]、SI4[23]、S1[1]、S2[1]、S3[1]、S4[1]、S5[1]、S6[1]。

1.5 土壤鹽分反演模型構(gòu)建

土壤鹽分受水分影響，不同時(shí)期的灌溉、氣溫和降水等因素會(huì)影響土壤水分和鹽分含量，因而不同年份土壤含鹽量分布的變異性存在差異。剔除異常樣本數(shù)據(jù)后，將兩年同一季節(jié)樣本數(shù)據(jù)混合，按照土壤含鹽量由小到大的順序排列分組，根據(jù)建模集與驗(yàn)證集2∶1 的比例進(jìn)行等間隔取樣[21]，最終確定了春季建模集樣本51 個(gè)、驗(yàn)證集樣本26 個(gè)，夏季建模集樣本51 個(gè)、驗(yàn)證集樣本26 個(gè)，秋季建模集樣本55 個(gè)、驗(yàn)證集樣本27 個(gè)。本研究通過對(duì)建模集波段光譜反射率、鹽分指數(shù)、植被指數(shù)與土壤含鹽量進(jìn)行皮爾遜相關(guān)性分析（Pearson correlation coefficient，PCC），得到特征光譜參量，將其分為波段組、鹽分指數(shù)組、植被指數(shù)組和全變量組，并作為輸入變量組參與建模，建模方法選用ELM、SVM和BPNN，共建立30個(gè)土壤鹽分反演模型。

（1）極限學(xué)習(xí)機(jī)（ELM）

本研究基于MATLAB 2018平臺(tái)進(jìn)行ELM模型構(gòu)建，通過反復(fù)試驗(yàn)，最終確定了不同變量組的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)（輸入層神經(jīng)元個(gè)數(shù)?隱含層神經(jīng)元個(gè)數(shù)?輸出層神經(jīng)元個(gè)數(shù)）。春季，波段組的模型結(jié)構(gòu)為4?11?1，鹽分指數(shù)組的結(jié)構(gòu)為7?11?1，全變量組為11?7?1。夏季，波段組7?12?1，鹽分指數(shù)組11?11?1，植被指數(shù)組14?13?1，全變量組32?14?1。秋季，波段組4?8?1，鹽分指數(shù)組9?14?1，全變量組13?6?1。

（2）支持向量機(jī)（SVM）

本研究采用LIBSVM 工具箱在MATLAB 2018 軟件中建立SVM 模型，通過測(cè)試，最終確定了最適于本實(shí)驗(yàn)數(shù)據(jù)的SVMtrain 函數(shù)，SVM 類型設(shè)置為e?SVR回歸，核函數(shù)選用高斯徑向基核函數(shù)（RBF）。懲罰參數(shù)（c）和核函數(shù)（g）根據(jù)樣本數(shù)據(jù)進(jìn)行測(cè)試，最終確定了各季節(jié)模型參數(shù)。春季，波段組c為900，g為0.25；鹽分指數(shù)組c為367，g為0.14；全變量組c為4，g為0.09。夏季，波段組c為6，g為0.14；鹽分指數(shù)組c為4，g為0.09；植被指數(shù)組c為20，g為0.07；全變量組c為4，g為0.03。秋季，波段組c為3，g為0.25；鹽分指數(shù)組c為1，g為0.11；全變量組c為1，g為0.08。

（3）BP神經(jīng)網(wǎng)絡(luò)（BPNN）

本研究基于MATLAB 2018 平臺(tái)進(jìn)行BPNN 結(jié)構(gòu)設(shè)計(jì)。將建模集波段組、鹽分指數(shù)組、植被指數(shù)組和全變量組作為模型輸入因子，土壤含鹽量作為模型輸出因子，建立土壤鹽分BPNN 反演模型。經(jīng)過反復(fù)試驗(yàn)訓(xùn)練，最終確定了最適于本研究數(shù)據(jù)的BPNN 模型，訓(xùn)練函數(shù)選用poslin，隱含層傳遞函數(shù)選用pure?lin，輸出層函數(shù)選用trainlm，模型最大迭代次數(shù)1 000次，訓(xùn)練目標(biāo)最小誤差0.000 01。各季節(jié)不同變量組的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)（輸入層神經(jīng)元個(gè)數(shù)?隱含層神經(jīng)元個(gè)數(shù)?輸出層神經(jīng)元個(gè)數(shù)）如下：春季，波段組的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4?9?1，鹽分指數(shù)組的結(jié)構(gòu)為7?9?1，全變量組為11?9?1；夏季，波段組7?7?1，鹽分指數(shù)組11?7?1，植被指數(shù)組14?7?1，全變量組32?7?1；秋季，波段組4?4?1，鹽分指數(shù)組9?4?1，全變量組13?4?1。

1.6 模型評(píng)價(jià)指標(biāo)

為量化模型的擬合能力，評(píng)價(jià)指標(biāo)采用決定系數(shù)（Coefficient of determination，R2）和均方根誤差（Root mean square error，RMSE）[27]對(duì)模型的建模和驗(yàn)證效果進(jìn)行綜合評(píng)價(jià)。R2越接近1，說明模型擬合程度越好；RMSE越小，說明實(shí)測(cè)值和預(yù)測(cè)值的誤差越小。因此，R2越大、RMSE越小，說明模型精度越高，反演效果越好。

2 結(jié)果與分析

2.1 土壤含鹽量特征統(tǒng)計(jì)

根據(jù)新疆土壤鹽堿化程度等級(jí)分類標(biāo)準(zhǔn)[28]，將土壤分為非鹽化土（0～3 g·kg?1）、輕度鹽化土（>3～6 g·kg?1）和中度鹽化土（>6～10 g·kg?1）3 個(gè)等級(jí)。土壤含鹽量的描述性統(tǒng)計(jì)分析結(jié)果如表1 所示，春、夏、秋季總樣本中，非鹽化土所占比例分別為64.94%、61.04%、56.10%；輕度鹽化土所占比例分別為27.27%、32.47%、31.71%；中度鹽化土所占比例分別為7.79%、6.49%、12.20%。春、夏、秋季土壤含鹽量總樣本變異系數(shù)分別為0.67、0.56、0.67，表明棉田土壤含鹽量呈中等變異性。

表1 土壤含鹽量的描述性統(tǒng)計(jì)分析Table 1 Descriptive statistical analysis of soil salinity

2.2 實(shí)測(cè)土壤高光譜特征

如圖2 所示，春、秋季土壤光譜曲線形態(tài)大致相同，不同鹽漬化程度的土壤光譜曲線相對(duì)平行，變化趨勢(shì)基本一致：隨著波長(zhǎng)的增加，土壤高光譜反射率先減小后增大。夏季，耕作區(qū)土壤被棉花枝葉覆蓋，在各樣點(diǎn)測(cè)定了植被光譜曲線。波長(zhǎng)在310～413 nm之間時(shí)，光譜反射率隨波長(zhǎng)的增加而迅速減?。划?dāng)波長(zhǎng)為413～673 nm 時(shí)，光譜反射率介于0.04%～0.14%之間，其中在554 nm（綠）處達(dá)到峰值，兩側(cè)450 nm（藍(lán)）和670 nm（紅）有兩個(gè)吸收帶，這一特征是由于葉綠素對(duì)藍(lán)光和紅光吸收作用強(qiáng)，對(duì)綠光反射作用強(qiáng)[29]。波長(zhǎng)在673～762 nm（近紅外）之間時(shí)，光譜反射率隨波長(zhǎng)的增加而迅速增大；波長(zhǎng)在762～943 nm 之間時(shí)，反射率隨波長(zhǎng)的增加趨于平穩(wěn)；波長(zhǎng)在943～1 130 nm之間時(shí)，反射率隨波長(zhǎng)的增加呈先減后增再減的趨勢(shì)，其中在977 nm 附近有吸收谷，在1 104 nm 處達(dá)到峰值，這是由于受植被葉細(xì)胞結(jié)構(gòu)的影響，除吸收和透射的部分外，均形成高反射率[29]。從反射強(qiáng)度來看，三個(gè)季節(jié)的中度鹽化土光譜反射率均高于輕度鹽化土和非鹽化土。

圖2 不同鹽漬化程度土壤光譜反射率曲線Figure 2 Spectral reflectance curve of soil with different salinity degree

2.3 特征光譜參量?jī)?yōu)選

光譜參量與土壤含鹽量的Pearson 相關(guān)系數(shù)如表2 所示。對(duì)春、夏、秋季依次進(jìn)行分析發(fā)現(xiàn)，春季的11個(gè)光譜參量通過顯著性檢驗(yàn)（P<0.01），且相關(guān)系數(shù)均在0.4 以上。夏季光譜參量中，除了SI4 鹽分指數(shù)外，其余32 個(gè)光譜參量與土壤含鹽量均呈顯著相關(guān)（P<0.01），14個(gè)植被指數(shù)與土壤含鹽量均呈負(fù)相關(guān)，且相關(guān)系數(shù)的絕對(duì)值均大于0.5。秋季的13 個(gè)光譜參量通過了顯著性檢驗(yàn)（P<0.01），比春季有所增加，但其絕對(duì)值的均值（0.494）低于春季（0.520）?？傮w來看，各季節(jié)b1、b2、b3、b4、SI1、SI3、S3、S4、S5 光譜參量與土壤含鹽量均呈顯著正相關(guān)（P<0.01）。植被指數(shù)與土壤含鹽量的相關(guān)性較高，為夏季模型的建立奠定了良好基礎(chǔ)。

表2 光譜參量與土壤含鹽量的相關(guān)性Table 2 Correlation between spectral parameters and soil salinity

2.4 各季節(jié)土壤鹽分反演模型構(gòu)建

春季，選擇與土壤含鹽量顯著相關(guān)（P<0.01）的b1、b2、b3、b4 波段光譜反射率作為波段組，選擇SI1、SI2、SI3、SI4、S3、S4、S5 鹽分指數(shù)作為鹽分指數(shù)組。為了避免模型中遺漏重要的光譜參量，考慮不同類別光譜參量對(duì)模型的影響，將上述4 個(gè)敏感波段和7 個(gè)敏感鹽分指數(shù)共同作為全變量組參與建模。同理，在夏季選擇7個(gè)波段光譜反射率作為波段組，11個(gè)鹽分指數(shù)作為鹽分指數(shù)組，14 個(gè)植被指數(shù)作為植被指數(shù)組，上述32 個(gè)敏感光譜參量作為全變量組參與建模。秋季的波段組、鹽分指數(shù)組、全變量組中敏感光譜參量分別為4、9、13個(gè)。

2.4.1 春季土壤鹽分反演模型

由表3 可知，在波段組和鹽分指數(shù)組中，建模集的各類機(jī)器學(xué)習(xí)模型R2均大于0.616，其中SVM 模型的精度最高，BPNN 模型次之，ELM 模型精度最低。波段組中，BPNN 模型驗(yàn)證集R2達(dá)到了0.538，RMSE為1.460，驗(yàn)證效果最優(yōu)，ELM 和SVM 模型驗(yàn)證集誤差較大。鹽分指數(shù)組中，BPNN 驗(yàn)證集R2為0.459，RMSE為1.567，驗(yàn)證效果較好，ELM 和SVM 模型驗(yàn)證集誤差較大。在全變量組中，3 個(gè)模型的建模集和驗(yàn)證集R2均大于0.487，其中BPNN 模型精度最高，ELM模型次之，SVM 模型精度最低。因此，在3 種機(jī)器學(xué)習(xí)算法中，BPNN 模型最適于本研究區(qū)春季土壤鹽分?jǐn)?shù)據(jù)。綜合對(duì)比ELM、SVM 和BPNN 模型建模和驗(yàn)證精度，發(fā)現(xiàn)基于全變量組建立的BPNN 模型是3 種模型中最優(yōu)的土壤鹽分反演模型，因此，本研究使用該模型反演新疆31團(tuán)春季棉田土壤表層鹽分。

表3 基于春季不同變量組的機(jī)器學(xué)習(xí)模型Table 3 Machine learning model based on different variable groups in spring

2.4.2 夏季土壤鹽分反演模型

如表4 所示，在植被指數(shù)組和全變量組中，BPNN模型精度均高于SVM 和ELM。在波段組中，SVM 和BPNN 模型精度均高于ELM，由于BPNN 模型建模效果與SVM 相近，驗(yàn)證效果明顯優(yōu)于SVM，因而在波段組中，BPNN 模型精度最高，SVM 模型次之，ELM 模型精度最低。在鹽分指數(shù)組中，BPNN 模型建模效果最好，R2在0.7 以上，RMSE小于1.3，ELM 和SVM 模型建模效果相近，R2均接近于0.7，精度驗(yàn)證時(shí)，發(fā)現(xiàn)SVM和BPNN 模型驗(yàn)證效果相近，均優(yōu)于ELM，因而在鹽分指數(shù)組中，BPNN 模型精度最高，SVM 模型次之，ELM 模型精度最低。因此，在3 種機(jī)器學(xué)習(xí)算法中，BPNN 模型最適于本研究區(qū)夏季土壤鹽分?jǐn)?shù)據(jù)，SVM模型效果略優(yōu)于ELM。綜合對(duì)比ELM、SVM 和BPNN模型建模和驗(yàn)證精度，發(fā)現(xiàn)基于全變量組建立的BPNN 模型是3 種模型中最優(yōu)的土壤鹽分反演模型，因此，本研究使用該模型來反演新疆31 團(tuán)夏季棉田土壤表層鹽分。

表4 基于夏季不同變量組的機(jī)器學(xué)習(xí)模型Table 4 Machine learning model based on different variable groups in summer

2.4.3 秋季土壤鹽分反演模型

如表5 所示，在波段組中，ELM 模型精度最高，BPNN 模型次之，SVM 模型精度最低。在鹽分指數(shù)組中，ELM 和BPNN 模型建模精度均高于SVM，且均在0.6 以上，RMSE分別為1.407 和1.410，精度驗(yàn)證時(shí)發(fā)現(xiàn)，SVM 和BPNN 模型驗(yàn)證效果均優(yōu)于ELM，因而在鹽分指數(shù)組中，BPNN模型精度高于ELM和SVM。在全變量組中，BPNN模型的建模和驗(yàn)證效果在3個(gè)模型中最優(yōu)，建模集R2在0.6 以上，RMSE小于1.4，驗(yàn)證集R2在0.5 以上，RMSE小于1.8。綜合分析建模和驗(yàn)證效果可知，基于全變量組的BPNN 模型精度略高于波段組建立的ELM 模型，因此，本研究最終使用該模型來反演新疆31團(tuán)秋季棉田土壤表層鹽分。

表5 基于秋季不同變量組的機(jī)器學(xué)習(xí)模型Table 5 Machine learning model based on different variable groups in autumn

2.5 模型綜合評(píng)價(jià)

由表3、表4、表5可知，對(duì)于同一變量組建立的同種回歸模型，夏季模型驗(yàn)證精度均高于春季和秋季，春、夏、秋季建模集R2范圍分別為0.5～0.8、0.6～0.9 和0.5～0.7，因而在各組合中，夏季土壤鹽分反演模型精度最高?；谌兞拷M的BPNN 模型均為各季節(jié)最優(yōu)的土壤鹽分反演模型，各季節(jié)模型精度由高到低依次為夏季>春季>秋季。

2.6 各季節(jié)土壤含鹽量空間分布反演

2.6.1 空間分布特征

由表6 可知，2019 年和2021 年的春、夏、秋季棉田土壤均主要為非鹽化土，其次為輕度鹽化土，中度鹽化土面積最小。將土壤含鹽量范圍細(xì)化為1 g·kg?1間距后，發(fā)現(xiàn)各季節(jié)含鹽量為>2～3 g·kg?1的土壤分布面積均大于40 km2，其中2019年春、秋季和2021年秋季土壤分布面積較廣，均在60 km2以上，2019 年夏季次之，2021年春、夏季土壤分布面積較小。除2021年春、夏季外，其余4 期含鹽量為>3～4 g·kg?1的土壤比含鹽量為>1～2 g·kg?1的土壤分布面積更大。在含鹽量為>3～4 g·kg?1范圍內(nèi)，兩年秋季土壤分布面積最廣，其次為2019 年春、夏季和2021 年春季，面積均在30 km2以上，2021年夏季土壤分布面積最小。在含鹽量為>1～2 g·kg?1范圍內(nèi)，2021 年春、夏季土壤分布面積最廣，均在30 km2以上，其次為2019 年夏季，2019年春、秋季和2021 年秋季土壤分布面積最小。2019年和2021 年春、夏季土壤含鹽量主要集中于>1～4 g·kg?1范圍內(nèi)，兩年秋季土壤含鹽量主要為>2～4 g·kg?1。

表6 不同鹽漬化程度土壤面積（km2）Table 6 Soil area of different salinization degree（km2）

由圖3 可知，2019 年春季含鹽量小于2 g·kg?1的土壤主要分布于西北和東南部的少數(shù)田塊內(nèi)，2021年春季含鹽量小于2 g·kg?1的土壤均勻分布于距離荒地較遠(yuǎn)的整個(gè)研究區(qū)棉田內(nèi)，兩年春季含鹽量為4 g·kg?1以上的土壤主要位于東北部的獨(dú)立地塊和靠近荒地的區(qū)域內(nèi)，且越接近南北兩側(cè)荒地的棉田土壤含鹽量越高，東北部的獨(dú)立地塊鹽分偏高，主要為輕度鹽化土。兩年夏季含鹽量為>1～4 g·kg?1的土壤均勻分布于90%以上的棉田內(nèi)，2019年夏季含鹽量為4 g·kg?1以上的土壤零散分布于棉田內(nèi)部的少數(shù)田塊中，2021年夏季含鹽量為4 g·kg?1以上的土壤主要分布于田塊與田塊間的小塊土地上，而田塊內(nèi)的土壤鹽漬化程度較輕，主要為非鹽化土。兩年秋季中，90%以上棉田的土壤含鹽量為>2～4 g·kg?1，其中含鹽量>2～3 g·kg?1的土壤比>3～4 g·kg?1的土壤分布面積更大。

圖3 研究區(qū)棉田土壤含鹽量反演等級(jí)分布Figure 3 Inversion grade distribution of soil salinity degree in cotton field

2.6.2 土壤含鹽量季節(jié)性變化特征

由于2019 年和2021 年春、夏季土壤含鹽量主要為>1～4 g·kg?1，兩年秋季土壤含鹽量主要為>2～4 g·kg?1，故僅對(duì)兩年各季節(jié)土壤含鹽量為>1～4 g·kg?1范圍的土壤面積進(jìn)行分析。如表7所示，2019年春季至夏季含鹽量為>1～2 g·kg?1的土壤面積增加了9.73 km2，含鹽量為>2～4 g·kg?1的土壤面積減小了13.50 km2；2019 年夏季至秋季含鹽量為>1～2 g·kg?1的土壤面積減小了18.62 km2，含鹽量為>2～4 g·kg?1土壤面積增加了25.92 km2。2021 年春季至夏季含鹽量為>1～3 g·kg?1的土壤面積增加了6.91 km2，含鹽量為>3～4 g·kg?1土壤面積減小了12.54 km2；2021 年夏季至秋季含鹽量為>1～2 g·kg?1的土壤面積減小了42.33 km2，含鹽量為>2～4 g·kg?1的土壤面積增加了43.36 km2。結(jié)合圖3 可知，兩年土壤含鹽量季節(jié)性變化過程相似，春季至夏季土壤含鹽量減小，夏季至秋季土壤含鹽量增大，土壤含鹽量由大到小依次為秋季>春季>夏季。這是由于春季蒸發(fā)強(qiáng)烈，土壤鹽分向表層運(yùn)移，土壤表層含鹽量增加；夏季對(duì)棉田進(jìn)行滴灌，鹽分向土層深處轉(zhuǎn)移，土壤表層含鹽量減?。磺锛練夂蚋稍?，蒸發(fā)強(qiáng)烈，8月底結(jié)束生育期灌溉后，經(jīng)過近2個(gè)月的蒸發(fā)作用，土壤鹽分有明顯的表聚現(xiàn)象。

表7 不同程度鹽漬化土壤面積季節(jié)性變化（km2）Table 7 Seasonal variation of soil area at different degree of salinization（km2）

2.6.3 土壤含鹽量年際變化特征

對(duì)比兩年土壤鹽漬化程度發(fā)現(xiàn)，2019—2021 年各季節(jié)不同鹽漬化等級(jí)的土壤面積變化趨勢(shì)相似，均為非鹽化土面積增加、輕度鹽化土面積減少、中度鹽化土面積基本不變（表8）。以>1～4 g·kg?1范圍的土壤面積變化為例，2019—2021年春季，含鹽量為>1～2 g·kg?1的土壤面積增加了28.06 km2，含鹽量為>2～4 g·kg?1的土壤面積減小了24.49 km2；2019—2021 年 夏季，含鹽量為>1～2 g·kg?1的土壤面積增加了24.43 km2，含鹽量為>2～4 g·kg?1的土壤面積減小了22.73 km2；2019—2021年秋季，含鹽量為>1～3 g·kg?1的土壤面積增加了4.96 km2，含鹽量為>3～4 g·kg?1的土壤面積減小了9.52 km2。由圖3可知，2021年春、夏季反演圖中綠色色調(diào)相比2019 年更深，2021 年秋季反演圖中綠色區(qū)域面積相比2019 年更大。綜上，各季節(jié)土壤含鹽量年際變化過程相似，2019—2021 年各季節(jié)土壤含鹽量均有所減小。由此可見，當(dāng)?shù)貙?duì)鹽漬土的治理給予了高度重視，制定了合理的農(nóng)業(yè)灌溉排水制度和措施，隨著時(shí)間的推移，鹽漬化治理取得了一定成效。

表8 2019—2021年不同鹽漬化程度土壤面積變化（km2）Table 8 Variation of soil area at different salinization degree during 2019—2021（km2）

3 討論

3.1 土壤含鹽量特征及光譜指數(shù)分析

本研究對(duì)Landsat 8 OLI多光譜波段反射率、光譜指數(shù)與土壤含鹽量進(jìn)行相關(guān)性分析，發(fā)現(xiàn)敏感多光譜波段為藍(lán)、綠、紅波段，這與孫亞楠等[1]的研究結(jié)果一致，說明可見光波段的土壤鹽分光譜信息量較多，通過波段組進(jìn)行特征光譜指數(shù)的構(gòu)建可以挖掘光譜與鹽分之間的隱含信息。胡婕[30]分析了21個(gè)寬波段指數(shù)與土壤含鹽量之間的相關(guān)性，發(fā)現(xiàn)NDVI、EVI、ARVI、OSAVI、MSAVI等植被指數(shù)與土壤含鹽量之間均呈負(fù)相關(guān)，本研究也發(fā)現(xiàn)，夏季14 個(gè)植被指數(shù)與土壤含鹽量均呈負(fù)相關(guān)。王雪梅等[8]、邊玲玲等[31]發(fā)現(xiàn)光譜指數(shù)與土壤含鹽量之間存在一定的相關(guān)性，在估算應(yīng)用方面具有很大貢獻(xiàn)。本研究也發(fā)現(xiàn)，在各季節(jié)中，通過顯著性檢驗(yàn)（P<0.01）的光譜參量個(gè)數(shù)占各自指標(biāo)總數(shù)的一半以上，可以表征土壤鹽分。顏祥照[32]研究發(fā)現(xiàn)由于受到大氣條件、土壤水分和地表粗糙度等土壤理化性質(zhì)的影響，光譜曲線不完全遵循反射率隨土壤有機(jī)質(zhì)含量增加而增大的規(guī)律，這與本研究結(jié)果一致。棉田土壤含鹽量呈中等變異性，說明其容易受到氣候、地形、水文、地質(zhì)等自然因素及灌溉、翻耕、施肥等人為因素的影響[33?34]。研究區(qū)全年降水量較少，且每次采樣前后無明顯降水，對(duì)采樣結(jié)果影響較小。本研究采樣時(shí)間為2019 年和2021 年春、夏、秋季，兩年自然環(huán)境差異較大，不可控因素較多，因而將兩年同一季節(jié)數(shù)據(jù)混合，以中和不同年份樣本數(shù)據(jù)的變異性，再進(jìn)行建模集和驗(yàn)證集的劃分，使結(jié)果更具合理性。

3.2 不同季節(jié)土壤鹽分反演模型建立

本研究基于不同變量組，使用3 種建模方法構(gòu)建了30 個(gè)土壤鹽分反演模型，發(fā)現(xiàn)選擇不同的輸入變量和建模方法時(shí)，模型效果存在差異，對(duì)反演結(jié)果進(jìn)行精度評(píng)價(jià)后，選擇春、夏、秋季最優(yōu)模型定量反演相應(yīng)季節(jié)的土壤含鹽量。本研究基于機(jī)器學(xué)習(xí)算法構(gòu)建的土壤鹽分反演模型建模、驗(yàn)證效果較優(yōu)，這是由于土壤鹽漬化發(fā)生機(jī)理復(fù)雜，土壤光譜特征與表層土壤含鹽量之間存在復(fù)雜的非線性關(guān)系，機(jī)器學(xué)習(xí)算法具有極強(qiáng)的非線性擬合能力和推廣能力，適合模擬變量?jī)?nèi)部機(jī)制的復(fù)雜關(guān)系[21]。模型反演精度從高到低依次為夏季>春季>秋季，這可能是由于夏季模型輸入變量較春、秋兩季更多，且植被指數(shù)與土壤含鹽量的相關(guān)系數(shù)較高。春季模型精度略高于秋季，這可能是由于秋季棉花采摘結(jié)束后秸稈仍留于棉田，影響了秋季土壤鹽分的反演效果。

3.3 土壤鹽分時(shí)空變化特征

相比于傳統(tǒng)的土壤鹽分實(shí)地調(diào)查，遙感技術(shù)能根據(jù)土壤鹽分反演模型將影像上所有柵格點(diǎn)的光譜反射率轉(zhuǎn)化為土壤含鹽量，成果圖中每個(gè)像素點(diǎn)的數(shù)值代表該位置處的土壤含鹽量，從而達(dá)到量化效果。本研究利用遙感技術(shù)對(duì)新疆31 團(tuán)棉田2019 年和2021年不同季節(jié)土壤含鹽量進(jìn)行反演，結(jié)果表明，地表土壤含鹽量受季節(jié)影響明顯，均表現(xiàn)為秋季>春季>夏季，這與王君[35]的研究結(jié)果（春季積鹽，夏季脫鹽，秋末鹽漬化程度加重）基本一致。為保證31 團(tuán)棉花的正常生長(zhǎng)，耕作區(qū)每年會(huì)進(jìn)行冬春灌，并且冬季結(jié)凍期較長(zhǎng)，在春季采樣前，冰雪融水對(duì)土壤鹽分具有一定的淋洗作用，但春季蒸發(fā)強(qiáng)烈，土壤鹽分向表層運(yùn)移，地表土壤含鹽量增加。夏季棉田灌溉水對(duì)表層土壤鹽分進(jìn)行淋洗，且由于棉花植被覆蓋，棉花蒸騰作用增加，地表蒸發(fā)量降低，表層土壤含鹽量減小。秋季停止了灌溉活動(dòng)，氣候干燥，蒸發(fā)強(qiáng)烈，進(jìn)入積鹽階段。綜上，灌區(qū)內(nèi)土壤鹽分的周期變化總體表現(xiàn)為春季蒸發(fā)積鹽、夏季灌溉淋洗、秋季強(qiáng)烈蒸發(fā)積鹽[19]。對(duì)比兩年土壤鹽漬化程度發(fā)現(xiàn)，2021 年土壤鹽漬化程度較2019 年有所減弱，這是由于當(dāng)?shù)胤浅Ｖ匾曽}漬土的治理，采取了合理的農(nóng)業(yè)灌溉排水措施，隨著時(shí)間的推移，取得了一定成效。

本研究以新疆第二師31 團(tuán)棉田為研究區(qū)進(jìn)行土壤鹽分遙感反演，取得了較為理想的反演效果，但不同試驗(yàn)區(qū)自然環(huán)境有所差異，反演方法在其他地區(qū)的適用性還有待研究。目前，多源數(shù)據(jù)融合研究已成為熱點(diǎn)，今后可收集更多的與研究方向相關(guān)的數(shù)據(jù)，以便更深入地開展研究。

4 結(jié)論

（1）2019 年和2021 年春、夏、秋季新疆第二師31團(tuán)棉田土壤主要為非鹽化土和輕度鹽化土，各季節(jié)土壤含鹽量總樣本呈中等變異性。中度鹽化土的光譜反射率高于輕度鹽化土和非鹽化土。

（2）春、夏、秋季相關(guān)系數(shù)通過顯著性檢驗(yàn)（P<0.01）的光譜參量分別為11、32、13 個(gè)，各季節(jié)b1、b2、b3、b4、SI1、SI3、S3、S4、S5 光譜參量與土壤含鹽量均呈顯著正相關(guān)。

（3）基于全變量組的BPNN 模型均為各季節(jié)最優(yōu)的土壤鹽分反演模型，建模集R2介于0.634～0.830 之間，建模集RMSE介于1.128～1.379 之間，驗(yàn)證集R2介于0.527～0.767 之間，驗(yàn)證集RMSE介于1.409～1.742之間。模型精度由高到低依次為夏季>春季>秋季。

（4）2019 年和2021 年棉田土壤含鹽量季節(jié)性變化均表現(xiàn)為：春季至夏季土壤含鹽量減小，夏季至秋季土壤含鹽量增大。2019—2021 年各季節(jié)土壤含鹽量均有所減小。