組合光學(xué)和微波遙感的耕地土壤含鹽量反演

劉瑞亮， 賈科利， 李小雨， 陳睿華， 王怡婧， 張俊華

（1.寧夏大學(xué)地理科學(xué)與規(guī)劃學(xué)院，寧夏 銀川 750021；2.寧夏大學(xué)生態(tài)學(xué)院，寧夏 銀川 750021）

自然或人為引起的土壤鹽漬化是一種重大的環(huán)境災(zāi)害，廣泛發(fā)生在內(nèi)陸干旱、半干旱地區(qū)，嚴(yán)重影響農(nóng)業(yè)生產(chǎn)和區(qū)域可持續(xù)發(fā)展。據(jù)估計，到2050年全球約50%的耕地會面臨鹽堿化［1］，將成為世界性的生態(tài)問題［2］。因此，運(yùn)用科學(xué)手段精準(zhǔn)反演和監(jiān)測耕地土壤鹽漬化動態(tài)，及時治理和緩解耕地土壤鹽漬化，對區(qū)域糧食生產(chǎn)和農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。

衛(wèi)星遙感手段能快速、宏觀地獲取土壤光譜特征，通過構(gòu)建遙感監(jiān)測模型，可以實現(xiàn)大范圍土壤鹽漬化監(jiān)測和評估［3］。光學(xué)遙感可以提供多波段的光譜信息，對土壤鹽分具有較強(qiáng)敏感性，研究者通過構(gòu)建光譜指數(shù)實現(xiàn)土壤鹽分的反演。陳紅艷等［4］基于Landsat 8 OLI，引入第7 波段（2100～2300 nm）對植被指數(shù)進(jìn)行改進(jìn)，模型反演精度大幅提升。Wang等［5］等用Sentinel-2紅邊波段代替原來紅光波段構(gòu)建光譜指數(shù)，提高了光譜信息對土壤鹽分的敏感性。然而單一光學(xué)數(shù)據(jù)易受成像時間、云雨等天氣影響，依賴光譜特征提取鹽漬化信息具有局限性［6］。微波遙感具有全天候工作能力，不易受氣象條件和日照水平影響。同時，由于試驗區(qū)有植被覆蓋，光譜反射率受影響，而微波遙感能穿透植被，具有探測地表下目標(biāo)的能力［7］。馬馳等［8］基于Sentinel-1 雷達(dá)影像，分析垂直極化模式（VV）和交叉極化模式（VH）組合的后向散射系數(shù)與土壤鹽分之間的關(guān)系，確定(VV2+VH2)/(VV2-VH2）極化組合的后向散射系數(shù)可以較好分離不同含鹽量的土壤。張智韜等［9］利用Sentinel-1 雷達(dá)數(shù)據(jù)探究了內(nèi)蒙古河套灌區(qū)不同深度土壤含鹽量。盡管上述研究已經(jīng)取得較好的結(jié)果，但多基于單一遙感數(shù)據(jù)，而組合光學(xué)和微波遙感反演土壤含鹽量相關(guān)研究較少。肖森天等［10］組合光學(xué)影像和雷達(dá)后向散射特征，驗證了光學(xué)與雷達(dá)數(shù)據(jù)組合在土壤鹽漬化監(jiān)測方面的可行性。然而該研究僅利用隨機(jī)森林分類算法對土壤鹽漬化進(jìn)行了等級分類，并沒有反演出土壤不同區(qū)域具體的鹽分值。而本文利用隨機(jī)森林的回歸算法，能夠反演得到研究區(qū)耕地像元尺度土壤含鹽量，在一定程度上可以保留更多的鹽分信息。

土壤鹽漬化產(chǎn)生原因和土壤鹽分組成復(fù)雜，在特征變量的選擇上，不同區(qū)域的研究結(jié)果存在差異［11］。因此，需要采用不同方法來篩選特征變量。常用的方法有相關(guān)系數(shù)法（PCC）、逐步回歸（SR）、灰度關(guān)聯(lián)法（GC）和變量投影重要性法（VIP）等。王海峰［12］采用GC、SR 和VIP 3 種方法篩選變量構(gòu)建模型，發(fā)現(xiàn)不同篩選方法下模型精度不同。Wang等［5］基于PCC、VIP、GC、隨機(jī)森林（RF）篩選變量，并利用偏最小二乘回歸（PLSR）建立模型，結(jié)果顯示GCPLSR模型決定系數(shù)（R2）高于VIP-PLSR模型。不同建模方法反演效果不同，劉恩等［13］等采用多元線性回歸和反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）反演小開河引黃灌區(qū)土壤鹽漬化，發(fā)現(xiàn)BPNN 的精度優(yōu)于傳統(tǒng)的多元線性回歸。而陳紅艷等［4］以Landsat 8 OLI建立的土壤含鹽量反演模型中，支持向量機(jī)（SVM）精度優(yōu)于BPNN。此外，RF 具有可處理非線性數(shù)據(jù)、抗擬合能力強(qiáng)的特點(diǎn)，在土壤鹽分及主要離子定量估測方面已顯示出較好效果［14］。變量篩選方法結(jié)合機(jī)器學(xué)習(xí)算法進(jìn)行土壤鹽分反演是近幾年的研究熱點(diǎn)，而比較不同變量篩選方法，并結(jié)合不同機(jī)器學(xué)習(xí)算法反演土壤含鹽量相關(guān)研究較少。

本文以寧夏平羅縣為研究區(qū)，基于光學(xué)和微波遙感影像，提取光譜指數(shù)和雷達(dá)極化組合指數(shù)，使用VIP 和GC 篩選特征變量，然后利用BPNN、SVM和RF 機(jī)器學(xué)習(xí)算法構(gòu)建耕地土壤含鹽量反演模型，評定不同變量輸入和不同建模方法下土壤含鹽量反演精度，并反演研究區(qū)耕地土壤鹽分分布，為銀川平原耕地土壤鹽漬化的潛在識別和防治提供理論依據(jù)和技術(shù)支持。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)位于寧夏石嘴山市平羅縣（38°26′60″～39°14′09″N，105°57′40″～106°52′52″E），地處賀蘭山東麓洪積扇和黃河沖積之間、寧夏平原北部，是重要的灌溉農(nóng)業(yè)區(qū)。年平均降水量150～203 mm，年蒸發(fā)量超過1825 mm，蒸降比達(dá)到10:1。主要土地利用類型為耕地、林地、草地和鹽堿荒地，耕地總面積約9.5×104hm2，主要分為水田和旱地。試驗區(qū)（圖1）選擇平羅縣耕地區(qū)域進(jìn)行布設(shè)，分別位于平羅縣山前洪積扇區(qū)、西大灘碟形洼地、沖積平原區(qū)、靈鹽臺地和河灘區(qū)五大地貌單元。同時，采樣時間處于春耕農(nóng)忙之前，人為擾動較少。

圖1 研究區(qū)土地利用類型及試驗區(qū)分布Fig.1 Land use types of the study area and distribution of the test areas

1.2 數(shù)據(jù)來源與預(yù)處理

1.2.1 土壤樣本采集與鹽分測定樣本采集于2022年3 月20 日—4 月8 日，采樣時利用五點(diǎn)法采集0～20 cm 土壤，編號裝入采樣袋帶回實驗室。土樣經(jīng)過自然風(fēng)干、研磨，并用2 mm孔徑篩過濾后，以水土5:1配置提取液［15］，運(yùn)用電導(dǎo)率法［16］計算樣本的含鹽量，每個樣本重復(fù)3 次，取平均值作為該點(diǎn)的鹽分值。

按含鹽量大小劃分樣本鹽漬化程度［17］。樣本總體變異系數(shù)為79.154%（表1），呈中等強(qiáng)度變異，表明樣本分布離散，具有普適性。將樣本按含鹽量大小進(jìn)行排序，每隔2 個樣本取出1 個用于模型驗證，剩余樣本用于建模，共選取70 個樣本作為建模數(shù)據(jù)，34個樣本作為驗證數(shù)據(jù)。建模集與驗證集樣本分布趨勢與總樣本分布趨勢一致（圖2），說明樣本劃分合理，可用于模型構(gòu)建和驗證。

表1 土壤樣本描述性統(tǒng)計Tab.1 Descriptive statistics of soil samples

圖2 不同數(shù)據(jù)集土壤樣本分布Fig.2 Distributions of soil samples in different datasets

1.2.2 遙感影像數(shù)據(jù)獲取與處理Landsat 9 OLI 遙感影像來源于美國地質(zhì)勘探局（https://earthexplorer.usgs.gov），行列號為129/33，成像時間為2022年4月5 日，云量為4.7%。在ENVI 5.3 中對影像進(jìn)行輻射校正、裁剪等預(yù)處理，計算鹽分指數(shù)和植被指數(shù)，如表2所示。

表2 光譜指數(shù)計算公式Tab.2 Calculation formulas of spectral indices

Sentinel-1 數(shù)據(jù)來源于歐洲航空航天局?jǐn)?shù)據(jù)網(wǎng)站（https://scihub.copernicus.eu），成像時間為2022年4 月1 日，數(shù)據(jù)級別為Level 1，包括垂直極化模式和交叉極化模式。利用SNAP軟件對數(shù)據(jù)進(jìn)行熱噪聲去除、軌道文件校正、輻射定標(biāo)等處理。已有研究指出［25］，對于單極化雷達(dá)數(shù)據(jù)，如提取的土壤信息量相對較少，研究結(jié)果會受到一定影響。因此，將雷達(dá)影像的極化方式進(jìn)行組合，以提高土壤含鹽量反演精度［26-27］。本文所用指數(shù)如表3所示。

表3 雷達(dá)極化組合指數(shù)計算公式Tab.3 Calculation formulas of radar polarization combination indices

1.2.3 土地利用數(shù)據(jù)獲取及處理土地利用數(shù)據(jù)從中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心（http://www.resdc.cn）獲取，根據(jù)分類標(biāo)準(zhǔn)將研究區(qū)土地利用分為6類（圖1）：耕地、林地、草地、水域、未利用地以及城鄉(xiāng)、工礦、居民用地，提取耕地作為研究對象。

1.3 研究方法

首先進(jìn)行數(shù)據(jù)獲取和處理，包括光譜指數(shù)、雷達(dá)極化組合指數(shù)的計算，土壤含鹽量的測定；然后采用變量投影重要性法和灰度關(guān)聯(lián)法進(jìn)行土壤含鹽量特征變量篩選；最后利用篩選的變量，采用3種不同機(jī)器學(xué)習(xí)算法分別構(gòu)建光譜指數(shù)模型、雷達(dá)極化組合指數(shù)模型、光譜指數(shù)和雷達(dá)極化組合指數(shù)協(xié)同模型，并進(jìn)行精度驗證，選擇最優(yōu)模型進(jìn)行研究區(qū)耕地土壤含鹽量反演。具體研究思路如圖3所示。

圖3 研究路線Fig.3 Research route

1.3.1 土壤含鹽量特征變量篩選采用變量投影重要性法和灰度關(guān)聯(lián)法進(jìn)行特征變量篩選。變量投影重要性法是一種基于偏最小二乘回歸的變量篩選方法［28］。對于給定的自變量，變量投影重要性不僅表示自變量對因變量的影響，還考慮了其他自變量對因變量的間接影響。計算公式為：

式中：VIPj為j變量的重要性；p為自變量個數(shù)；F為主成分總數(shù)；f為主成分；SSYf為f主成分解釋的方差平方和；SSYtotal為因變量平方和；Wjf2 為j變量在f主成分中的重要性。VIPj越大，自變量對因變量的解釋力越強(qiáng)。當(dāng)自變量的VIPj大于1時，獨(dú)立變量被判斷為重要的自變量［29］。

灰色關(guān)聯(lián)度分析是一種多因素統(tǒng)計方法，其目的是通過一定的方法原理確定系統(tǒng)中各因素的主要關(guān)系，用灰色關(guān)聯(lián)度刻畫因素間關(guān)系的強(qiáng)弱和次序，找出影響最大的因素［30］。計算公式為：

式中：GCD為灰色關(guān)聯(lián)度；t為變量；n為變量個數(shù)；γ為關(guān)聯(lián)系數(shù)；x0(t)為參考序列；xi(t)為比較序列，其中：

1.3.2 機(jī)器學(xué)習(xí)模型

（1）反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）

BPNN基于反向傳播誤差方式對數(shù)據(jù)集進(jìn)行訓(xùn)練，達(dá)到誤差最小化的目的［31］。該模型是對非線性映射的全局逼近，擁有較強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力［32］。本文模型訓(xùn)練目標(biāo)最小誤差設(shè)置為0.00001，迭代次數(shù)設(shè)置為1000次，學(xué)習(xí)率設(shè)置為0.01。

（2）支持向量機(jī)（SVM）

SVM 基于結(jié)構(gòu)風(fēng)險最小原理，依靠有限的樣本來檢索全局最優(yōu)解，對未知點(diǎn)有較好的泛化效果［33］。本文選用RBF（Radial basis function）為SVM核函數(shù)類型，懲罰因子（c）與核函數(shù)（g）由樣本訓(xùn)練得到，分別為13和5。

（3）隨機(jī)森林（RF）

RF是基于多棵回歸樹的集成學(xué)習(xí)方法，通過結(jié)合多個決策樹，并平均其結(jié)果使得決策樹泛化誤差收斂從而產(chǎn)生更好的預(yù)測結(jié)果［34］。RF 善于處理變量間的非線性關(guān)系，預(yù)測性能受回歸樹棵數(shù)、最大深度、最小葉子數(shù)等參數(shù)影響［35］。本文回歸樹棵樹為200，最小葉子數(shù)為4。

1.3.3 模型評價為定量比較不同算法反演土壤含鹽量的精度，本文選擇2 個常用指標(biāo)決定系數(shù)（R2）和均方根誤差（RMSE）來進(jìn)行量化。R2越大，RMSE越小，說明模型擬合效果越好。

2 結(jié)果與分析

2.1 土壤含鹽量的特征變量篩選

利用式（1）、式（2）計算指數(shù)的變量投影重要性（圖4）和灰色關(guān)聯(lián)度（圖5），篩選出特征變量參與建模。結(jié)果表明，光譜指數(shù)S1、S2、ARVI、CRSI、EEVI（圖4a）和雷達(dá)極化組合指數(shù)VV、VH、VV+VH、VV2+VH2、VH2-VV（圖4b）重要性大于1，說明這些變量是指示土壤鹽分的重要變量，可作為特征變量參與建模。

圖4 特征變量與土壤含鹽量的投影重要性Fig.4 Projection importance between soil salt content and characteristic variables

圖5 特征變量與土壤含鹽量的灰色關(guān)聯(lián)度Fig.5 Grey relativity between soil salt content and characteristic variables

由圖5a可知，光譜指數(shù)與土壤含鹽量灰色關(guān)聯(lián)度均大于0.73，其中ARVI 灰色關(guān)聯(lián)度最高，達(dá)到了0.784；S2灰色關(guān)聯(lián)度最低，為0.738。雷達(dá)極化組合指數(shù)與土壤含鹽量灰色關(guān)聯(lián)度（圖5b）介于0.71～0.75，最高為VV+VH的0.739。為實現(xiàn)特征變量篩選，本文設(shè)光譜指數(shù)和雷達(dá)極化組合指數(shù)灰色關(guān)聯(lián)度閾值為0.720，統(tǒng)計基于灰度關(guān)聯(lián)分析的土壤含鹽量敏感指數(shù)情況。結(jié)果發(fā)現(xiàn)，利用灰度關(guān)聯(lián)法篩選的光譜特征變量較雷達(dá)特征變量多，其中，10 個光譜指數(shù)都為特征變量，雷達(dá)極化組合指數(shù)中篩選出VV、VH、VV-VH、VV+VH和VV2-VH共計5 個特征變量參與建模。

2.2 模型構(gòu)建與驗證

光譜指數(shù)模型中，以土壤含鹽量作為因變量，選取VIP篩選的S1、S2、ARVI、CRSI、EEVI作為自變量構(gòu)建VIP-BPNN、VIP-SVM、VIP-RF 模型；選取GC篩選的S1、S2、S5、SI、SI1、ARVI、EDVI、ERVI、CRSI、EEVI 作為自變量構(gòu)建GC-BPNN、GC-SVM、GC-RF模型。

雷達(dá)極化組合指數(shù)模型中，選取VIP篩選的VV、VH、VV+VH、VV2+VH2、VH2-VV作為自變量構(gòu)建VIP-BPNN、VIP-SVM、VIP-RF 模型；選取GC 篩選的VV、VH、VV-VH、VV+VH、VV2-VH作為自變量構(gòu)建GC-BPNN、GCSVM、GC-RF模型。

結(jié)果發(fā)現(xiàn)（表4），光譜指數(shù)模型中，利用VIP 篩選變量構(gòu)建的3個模型驗證集R2均大于0.46，RMSE均小于1.93，其中VIP-RF 模型精度最高，建模集和驗證集R2分別為0.726 和0.689，RMSE 分別為1.163和1.307，模型具有較強(qiáng)的穩(wěn)定性。利用GC 篩選變量構(gòu)建的3 個模型驗證集R2整體較低，其中GCSVM 模型驗證效果較好，GC-BPNN 模型次之，GCRF 模型驗證集誤差最大。雷達(dá)極化組合指數(shù)模型中（表4），VIP篩選變量建立的模型建模集和驗證集R2呈現(xiàn)VIP-RF>VIP-SVM>VIP-BPNN 的規(guī)律；GC 篩選變量建立的模型建模集和驗證集R2呈現(xiàn)同樣的規(guī)律，表明隨機(jī)森林機(jī)器學(xué)習(xí)算法在雷達(dá)極化組合指數(shù)模型中具有較好的反演能力。比較光譜指數(shù)模型和雷達(dá)極化組合指數(shù)模型發(fā)現(xiàn)，光譜指數(shù)模型精度普遍高于雷達(dá)極化組合指數(shù)模型，這可能與本文鹽分采樣為0～20 cm 表層土壤有關(guān)，雷達(dá)數(shù)據(jù)更適合于探測地表下目標(biāo)，而光學(xué)數(shù)據(jù)具有豐富的地表反射率信息。

表4 基于單一遙感數(shù)據(jù)的機(jī)器學(xué)習(xí)模型Tab.4 Machine learning models based on single remote sensing data

對比2 種變量篩選方法建立的模型精度（表4）發(fā)現(xiàn)，光譜指數(shù)模型中，驗證集精度VIP-RF>GCRF，VIP-BPNN>GC-BPNN，VIP-SVM>GC-SVM。雷達(dá)極化組合指數(shù)模型中，除VIP-BPNN

表5 基于多源遙感數(shù)據(jù)的機(jī)器學(xué)習(xí)模型Tab.5 Machine learning models based on multi-source remote sensing data

組合光譜指數(shù)和雷達(dá)極化組合指數(shù)模型反演精度較單一光譜指數(shù)和雷達(dá)極化組合指數(shù)模型大幅提高。其中，VIP-BPNN 模型驗證集R2分別提高0.124和0.297，RMSE 分別降低0.237和0.525。VIPSVM 和VIP-RF 模型建模集和驗證集R2均大于0.6，RMSE均小于1.6，模型準(zhǔn)確度和學(xué)習(xí)性能更強(qiáng)。其中，VIP-RF建模集R2較單一光譜指數(shù)和雷達(dá)極化組合指數(shù)模型分別提高0.065和0.085，R2達(dá)到了0.791，RMSE 分別降低0.147 和0.189；驗證集R2分別提高0.091和0.237，R2達(dá)到了0.780，RMSE分別降低0.175和0.377，表明光譜指數(shù)和雷達(dá)極化組合指數(shù)協(xié)同反演模型效果優(yōu)于單一數(shù)據(jù)源模型，說明多源遙感數(shù)據(jù)參與建模能夠有效提高土壤含鹽量預(yù)測精度。

圖6為基于VIP-RF構(gòu)建的光譜指數(shù)模型，雷達(dá)極化組合指數(shù)模型以及協(xié)同模型驗證集的實測值與預(yù)測值的散點(diǎn)圖。結(jié)果表明，組合光譜指數(shù)和雷達(dá)極化組合指數(shù)共同建立的VIP-RF 模型擬合效果最好，故選擇此模型對研究區(qū)耕地土壤含鹽量進(jìn)行反演。

圖6 不同數(shù)據(jù)源變量的VIP-RF模型Fig.6 VIP-RF models of different data source variables

2.3 模型應(yīng)用

選擇精度最佳的光譜指數(shù)和雷達(dá)極化組合指數(shù)VIP-RF 協(xié)同反演模型對平羅縣耕地進(jìn)行土壤鹽分反演，得到平羅縣耕地土壤鹽分反演等級圖（圖7），利用ArcGIS 統(tǒng)計不同鹽漬化等級土壤面積（表6）。由結(jié)果可知，平羅縣耕地鹽漬化情況較為嚴(yán)重，鹽漬化土壤占比達(dá)到了耕地總面積的86.81%，中度鹽漬化高達(dá)33.54%，重度鹽漬化和鹽土主要分布在中西部和東部引黃灌溉區(qū)。鹽漬化反演結(jié)果與實地采樣情況較為一致，表明組合多源遙感數(shù)據(jù)構(gòu)建反演模型在研究區(qū)耕地土壤鹽分反演中具有可行性。

表6 耕地土壤含鹽量反演等級統(tǒng)計Tab.6 Grade statistics of soil salinity inversion in cultivated land

圖7 耕地土壤含鹽量反演等級分布Fig.7 Grade distribution of soil salinity inversion in cultivated land

3 討論

組合多源遙感數(shù)據(jù)反演土壤含鹽量已成為近年來研究熱點(diǎn)，但如何高效組合不同數(shù)據(jù)源，減少影像數(shù)據(jù)處理過程中存在的部分光譜特征、雷達(dá)信息丟失和失真等問題，還有待繼續(xù)研究。余祥偉等［36］利用乘積變換、G-S變換、PC 變換、小波變換等算法將星載SAR 和Landsat 8 OLI 進(jìn)行融合，發(fā)現(xiàn)G-S 變換和PC變換能夠較好實現(xiàn)星載SAR 和光學(xué)影像的融合，但仍然存在信息量、空間分辨率增加的同時，光譜特征丟失的問題。姜紅等［37］研究發(fā)現(xiàn)，以雷達(dá)后向散射系數(shù)和改進(jìn)型溫度植被干旱指數(shù)共同作為SVM模型輸入?yún)?shù)時，土壤水分監(jiān)測精度顯著提高。因此，本文組合VIP 篩選得到的光譜指數(shù)和雷達(dá)極化組合指數(shù)共同參與建模，充分結(jié)合光學(xué)遙感和微波遙感優(yōu)勢，較好地保留了土壤的光譜特征和雷達(dá)信息。

最優(yōu)變量篩選方法結(jié)合最優(yōu)機(jī)器學(xué)習(xí)算法可以有效提高反演精度。本文比較VIP 和GC 篩選變量優(yōu)劣，發(fā)現(xiàn)VIP的結(jié)果更為可靠，與王海峰等［12］的研究結(jié)果相同。這是因為VIP通過判斷特征對模型準(zhǔn)確率的影響和加入噪聲干擾前后模型準(zhǔn)確率的變換來實現(xiàn)對模型精度的優(yōu)化構(gòu)建，但李明亮［38］指出GC篩選變量建模同樣能夠有效提高模型擬合精度。有研究［39］指出，土壤成分對反演模型的性能有很大的影響，因此本文所選變量篩選方法是否適用于其他研究區(qū)有待商榷。本文選擇BPNN、SVM 和RF 3 種傳統(tǒng)機(jī)器學(xué)習(xí)算法反演土壤鹽分，發(fā)現(xiàn)BPNN 和SVM 精度較低，RF 精度最高，能夠滿足研究區(qū)土壤含鹽量的反演，這與張智韜等［40］所得結(jié)論基本一致?？梢姡瑢F應(yīng)用于土壤含鹽量反演，能夠在一定程度上提升模型反演精度。而近年來，諸多學(xué)者嘗試引入網(wǎng)格搜索、隨機(jī)搜索和貝葉斯等算法對機(jī)器學(xué)習(xí)進(jìn)行超參數(shù)優(yōu)化，Chen等［41］提出了一種基于樹結(jié)構(gòu)Parzen估計器（TPE）優(yōu)化算法的極端梯度提升（XGBoost）模型，結(jié)果表明TPE 聯(lián)合優(yōu)化算法顯著提高了XGBoost 模型的性能，具有較強(qiáng)的泛化能力。Wang等［42］同樣在貝葉斯優(yōu)化框架下，將超參數(shù)和特征選擇相結(jié)合，對光梯度增強(qiáng)機(jī)（Light-GBM）模型進(jìn)行自適應(yīng)聯(lián)合優(yōu)化。Xu等［43］提出了一種自適應(yīng)遺傳算法（AGA）的支持向量機(jī)輸入特征和超參數(shù)同時識別的新方法，并使用網(wǎng)格搜索優(yōu)化超參數(shù)。這些優(yōu)化算法的引入表明學(xué)者們開始關(guān)注特征選擇和超參數(shù)調(diào)整對機(jī)器學(xué)習(xí)模型性能的影響，以及輸入特征和超參數(shù)之間的復(fù)雜依賴性和相互作用，進(jìn)而從模型層面提高預(yù)測精度。因此，之后的研究可以考慮引入不同優(yōu)化算法，并結(jié)合特征變量篩選方法，以期進(jìn)一步提高模型的反演精度和普適性。

本文選擇光譜指數(shù)和雷達(dá)極化組合指數(shù)協(xié)同VIP-RF 模型反演研究區(qū)耕地土壤含鹽量，結(jié)果表明，研究區(qū)耕地鹽漬化已較為嚴(yán)重，鹽漬化土壤占耕地總面積的86.81%，中度鹽漬化土壤分布范圍最廣，達(dá)到了耕地總面積的33.54%，這與前人研究［44］所得結(jié)論相符。平羅縣地處內(nèi)陸干旱區(qū)，氣候干燥，土壤透氣、透水性差，易產(chǎn)生鹽漬化。中西部為山前洪積扇區(qū)和西大灘碟形洼地，排水條件差。東部引黃灌溉區(qū)灌溉方式不合理，常出現(xiàn)過量引水和引黃河大水漫灌現(xiàn)象，灌溉水的滲漏引起地下水位升高和強(qiáng)烈蒸發(fā)，造成鹽漬化愈演愈烈，進(jìn)而嚴(yán)重影響農(nóng)業(yè)生產(chǎn)。因此，利用遙感監(jiān)測，結(jié)合鹽漬土改良與治理的主要機(jī)制，如物理調(diào)控、化學(xué)調(diào)理、灌排管理和生物改良［45］，因地制宜，提出可行性的治理措施，以減少鹽漬化給當(dāng)?shù)剞r(nóng)業(yè)發(fā)展和自然環(huán)境造成的危害。

本文土壤樣本采樣與影像獲取時間不一致，而土壤含鹽量存在短期變化情況，影像數(shù)據(jù)難以真實反應(yīng)地表情況，數(shù)據(jù)存在不確定性。后續(xù)研究可以考慮利用無人機(jī)技術(shù)，在同一時間段采集土壤樣本和遙感數(shù)據(jù)，且無人機(jī)數(shù)據(jù)分辨率高達(dá)厘米級，模型反演精度會更高。

4 結(jié)論

本文采用VIP和GC篩選特征變量，利用光譜指數(shù)、雷達(dá)極化組合指數(shù)、光譜和雷達(dá)指數(shù)組合的3種不同數(shù)據(jù)源構(gòu)建基于不同機(jī)器學(xué)習(xí)算法的土壤鹽分反演模型，得到以下結(jié)論：

（1）基于GC 方法確定的光譜指數(shù)和雷達(dá)極化組合指數(shù)數(shù)量差異較大，篩選變量所構(gòu)建的模型反演效果較差；基于VIP 方法確定的光譜指數(shù)和雷達(dá)極化組合指數(shù)數(shù)量相同，篩選變量所構(gòu)建的模型精度相對較高。

（2）RF模型反演效果最優(yōu)，SVM次之，BPNN效果最差，說明RF較其他2種機(jī)器學(xué)習(xí)算法更適于該研究區(qū)耕地土壤含鹽量反演。

（3）組合多源遙感數(shù)據(jù)構(gòu)建的VIP-RF 模型驗證集R2=0.780，較單一光譜指數(shù)模型和雷達(dá)極化組合指數(shù)模型分別提高0.091 和0.237，說明組合多源遙感數(shù)據(jù)能夠有效提高土壤含鹽量反演精度，有助于更加精確地研究區(qū)域土壤鹽分分布情況，提升土壤鹽漬化監(jiān)測水平。

（4）根據(jù)反演結(jié)果可知，平羅縣耕地鹽漬化較為嚴(yán)重，非鹽漬化土壤僅占耕地總面積的13.19%，輕度鹽漬化和中度鹽漬化土壤較多，占比分別為23.77%和33.54%，29.5%的耕地惡化為重度鹽漬化和鹽土。