土壤质地对灌区土壤盐分高光谱反演精度影响研究

周世勋, 尹娟, 杨莹攀, 杨震, 常布辉

PDF(2072 KB)
节水灌溉
节水灌溉 ›› 2024 ›› (6) : 1-10. DOI: 10.12396/jsgg.2023454
农业遥感反演

土壤质地对灌区土壤盐分高光谱反演精度影响研究

作者信息 +

Effect of Soil Texture on the Accuracy of Hyperspectral Inversion of Soil Salinity in Irrigated Area

Author information +
稿件信息 +

摘要

针对土壤质地对高光谱反演土壤盐分精度的影响不明确问题，于2023年4月1-10日在内蒙古河套灌区沈乌灌域共采集了132个不同盐渍化程度的土壤样品，并同步采集了对应的光谱信息，研究了不同盐渍化程度下土壤光谱反射率的变化特征以及不同土壤质地光谱特征与土壤盐分的相关性，探讨了土壤样本适宜的数学变换方法，并筛选敏感波段，建立了基于全部样本以及不同土壤质地下的土壤盐分含量的高光谱反演模型。结果表明：随着土壤盐分含量的增加，高光谱反射率逐渐增大；随着土壤粒度的减小，不同土壤质地下土壤盐分与不同波段的反射率及其相关系数呈先增加后下降的变化趋势。通过对光谱数据进行数学变换后，发现以倒数对数微分、对数微分、平方根微分3种变换效果最佳。通过建立多元逐步线性回归(BPNN)、偏最小二乘回归(PLSR)、支持向量机回归(SVM)以及BP神经网络(BPNN)4种模型，对光谱变换下的盐分含量进行了估算，4种模型的估算精度由高到低表现为：BPNN>SVM>PLSR>MLSR。相较于全部样本的土壤盐分估算结果，考虑不同土壤质地的盐分估算精度均有所提升，其中砂粒质地估算精度R 2由0.918提升到0.962，RPD由3.493提升到4.313；粉粒质地估算精度R 2由0.866提升到0.902，RPD由2.613提升到3.310；黏粒质地估算精度R 2由0.876提升到0.926，RPD由2.651提升到3.953，且在3种土壤质地背景下建立的模型均达到了出色模型的标准。说明在考虑土壤质地的前提下进行含盐量的高光谱反演，有利于提升反演精度。

Abstract

This study addresses the unclear influence of soil texture on the accuracy of hyperspectral inversion for soil salinity. From April 1 to 10, 2023, a total of 132 soil samples with different salinization degrees were collected in Shenwu irrigation area of Hetao Irrigation District, Inner Mongolia. Corresponding spectral information was collected simultaneously. The variation characteristics of spectral reflectance of soil under different salinization degree and the correlation between spectral characteristics of soil texture and soil salinity were studied. The appropriate mathematical transformation method of soil samples was discussed, and the sensitive bands were selected. A hyperspectral inversion model based on all samples and different soil textures was established. The results showed that the hyperspectral reflectance increased with the increase of soil salt content. As the soil grain size decreased, soil salinity and reflectance of different bands and their correlation coefficients exhibited an increasing trend followed by a decreasing trend. After mathematical transformation of spectral data, it is found that reciprocal logarithmic differentiation, logarithmic differentiation and square root differentiation have the best effect. Four models of multiple stepwise linear regression (BPNN), partial least squares regression (PLSR), support vector machine regression (SVM) and BP neural network (BPNN) were established to estimate the salt content under spectral transformation. The estimation accuracy of the four models was as follows: BPNN>SVM>PLSR>MLSR. Compared with the soil salt estimation results of all samples, the salt estimation accuracy of different soil textures was improved. For sand texture, the estimation accuracy R 2 was increased from 0.918 to 0.962, and the RPD was increased from 3.493 to 4.313. The grain texture estimation accuracy R 2 increased from 0.866 to 0.902, and the RPD increased from 2.613 to 3.310. The accuracy of clay texture estimation R 2 increased from 0.876 to 0.926, and the RPD increased from 2.651 to 3.953, and the models established under the three soil texture backgrounds all reached the standard of excellent models. The results show that the hyperspectral inversion of salt content is helpful to improve the inversion accuracy when considering soil texture.

关键词

土壤盐分 / 高光谱 / 土壤质地 / 光谱变换 / 反演模型

Key words

soil salinity / hyperspectral / soil texture / spectral transformation / inversion model

基金

国家重点研发计划重大项目课题5专题4(2021YFD1900605-04)
宁夏高等学校一流学科建设（水利工程）资助项目(NXYLXK2021A03)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用
周世勋 , 尹娟 , 杨莹攀 , 杨震 , 常布辉. 土壤质地对灌区土壤盐分高光谱反演精度影响研究[J].节水灌溉, 2024(6): 1-10 https://doi.org/10.12396/jsgg.2023454
ZHOU Shi-xun , YIN Juan , YANG Ying-pan , YANG Zhen , CHANG Bu-hui. Effect of Soil Texture on the Accuracy of Hyperspectral Inversion of Soil Salinity in Irrigated Area[J].Water Saving Irrigation, 2024(6): 1-10 https://doi.org/10.12396/jsgg.2023454

0 引 言

土壤盐渍化指在自然和人为作用下土壤表层盐分不断增加以至超过某一限度的现象与过程[1]。据统计，在全球有100多个国家与地区遍布盐渍化土壤，总面积约95.5 亿km2，占陆地面积的7.26%[2]。我国是受盐渍化影响较为严重的国家之一，土壤盐渍化面积约有0.36 亿hm2，约占我国土地面积的3.75%，主要分布在干旱、半干旱以及滨海地区[3]。内蒙古自治区盐碱地面积约为556 万hm2，耕地逐渐减少而人口逐渐增加[4]，如果能对这些盐渍化土地进行有效监测并合理地改造和开发，将会对我国保障耕地“红线”不被突破、解决粮食短缺问题产生重大意义。
如何高效便捷地获取土壤盐渍化信息，掌握其变化规律和特征是治理土壤盐渍化的关键问题。遥感技术由于速度快、视域广、信息真实等优点[5, 6]，被广泛应用于土壤盐渍化的调查与动态监测[7]，高光谱技术可以根据地物的光谱特征与形态区分各种不同的物质[8]。土壤的盐分含量不同对应的光谱反射率也不同，高光谱为监测土壤盐分含量提供了新的技术手段，发挥了关键的作用[9]。FARIFTEH[10]通过土壤的高光谱数据应用偏最小二乘法和人工神经网络2种方法对盐渍土光谱特征进行定量分析，得出地物光谱特征在区分盐渍化土壤与非盐渍化土壤方面有良好的效果；SRIVASTAVA等[11]发现土壤反射率对土壤盐分有良好的反应特征，认为土壤盐渍化与表层光谱呈线性关系。KAHAER Y等[12]将室内高光谱和珠海一号遥感影像重采样至相同光谱尺度，采用分数阶微分方法处理光谱数据，得出珠海一号高光谱影像在定量反演盐渍化土壤水分方面有着较好的效果。扶卿华[13]利用实测土壤光谱与土壤含盐量构建BP神经网络模型明显优于线性统计模型，反演精度有了显著提高。研究发现，通过对土壤光谱数据取对数、倒数、求导等变换[14-16]后，土壤盐分与光谱反射率变换后的相关关系有明显的提高。当前对盐分反演建模方法主要有统计模型（如多元逐步线性回归、偏最小二乘回归等）与机器学习模型（如BP神经网络、支持向量机回归、随机森林等）[17-20]2类。张丽霞等[21]将预处理的数据经过一阶、二阶微分和连续统去除等变换，建立高光谱数据与土壤盐分数据偏最小二乘回归模型，并得出一阶微分的偏最小二乘回归模型最好。毛鸿欣等[22]通过光谱变换筛选了盐分特征波段与敏感光谱指数，建立高光谱与哨兵二号卫星的岭回归与偏最小二乘回归模型并进行光谱匹配，获得了较好的反演结果。王惠敏等[23]通过对室内光谱数据各种变换处理，利用偏最小二乘、岭回归和支持向量机建立反演模型发现实验室光谱模型精度较高，之后通过高分五号高光谱数据与实验室同样方法建模，也获得了较好的精度。目前，对高光谱反演土壤盐分的研究已趋于成熟，但主要集中在单一区域且并未考虑土壤质地，而土壤光谱反射率是土壤粒径、含水率等因素的综合反映[24]，因此土壤粒度组分不同，必然会影响到高光谱模型的反演精度。
本研究针对不同土壤质地，研究了不同盐渍化程度下土壤光谱反射率的变化特征；明确了最佳的光谱变换形式，并筛选敏感波段，建立了不同土壤质地下的土壤含盐量反演模型；探索了多元逐步线性回归、偏最小二乘回归、支持向量机回归与BP神经网络预测模型等方法的建模精度，从而为提升土壤盐分高光谱反演精度提供理论依据和技术支撑。

1 材料与方法

1.1 研究区概况

研究区位于河套灌区沈乌灌域，三盛公水利枢纽西北部，地理坐标为106°20′15″E～107°8′24″E，40°8′33″N～40°48′21″N，平均海拔在1 000 m左右，南边界在乌兰布和沙漠穿沙公路以北，北边界是磴口县与杭锦后旗行政界，东起河套总干渠及乌拉河干渠，西至狼山冲洪积坡地边界，总面积约为1 860 km2。灌区属于温带大陆性干旱气候带，区内降水稀少，蒸发强烈，干燥多风，多年平均降水量139.82 mm，多年平均蒸发量2 505.2 mm，平均冻结深度在85~110.8 cm，封冻期由11月中旬至次年5月中旬，无霜期134~150 d，全年日照时数为3 100~3 300 h[25]。该区蒸发强烈，长期的大水漫灌和地下水埋深造成土壤次生盐渍化现象严重。

1.2 土壤样本数据采集与处理

1.2.1 土壤样本采集

土壤样本采集于2023年4月1-10日进行，结合实地调查情况共布设采样点132个（见图1），采用五点取样法采集各采样点0~10 cm的表层土壤样品500 g，去除植物根系、杂草、碎石块等杂物充分混合后装入无菌塑封袋，密封后按照采样点编号对采取的土壤样品进行编号，运回实验室内进行自然风干并过2 mm孔径筛。采样时利用手持GPS定位仪定位并记录各实际采样点的坐标，并记录采样点周围情况。
图1 研究区位置与采样点分布

Fig.1 Location of the study area and distribution of sampling points

Full size|PPT slide

1.2.2 土壤含盐量的测定

通过电导率法和重量法相结合测定样本土壤盐分含量，按照土水比1∶5配制浸提液，从土壤样本中选择24个样本数据，通过24个样本的全盐量以及电导率建立回归曲线，将剩余的电导率代入回归方程可得土壤含盐量。
SSC=1 947.2 EC
式中：SSC为土壤全盐量；EC为土壤浸提液电导率。

1.2.3 土壤质地的测定

利用马尔文MS2000操作流程（MU+干法）测定了土壤粒度，并根据国际制土壤质地分级标准，获取砂粒（2~0.02 mm）、粉粒（0.02~0.002 mm）和黏粒（<0.002 mm）3粒级含量的比例。各粒级样本统计见表1。
表1 不同质地土壤中盐分含量统计值

Tab.1 Statistical values of salt content in soils of different textures

样本类别 样本数/个 最小值/(g ∙kg-1) 最大值/(g ∙kg-1) 平均值/(g ∙kg-1) 标准差/(g ∙kg-1) 变异系数
砂粒 62 0.091 3 21.518 1 3.047 6 5.254 0 1.782 5
粉粒 24 0.114 0 14.790 4 3.262 8 4.318 7 1.323 7
黏粒 46 0.125 8 22.094 7 3.365 8 5.267 1 1.206 4

1.2.4 土壤样本分类及统计分析

依据相关标准[26]将土壤盐渍化程度一般分为非盐渍土、轻度盐渍土、中度盐渍土、重度盐渍土和盐渍土5个等级。其中，含盐量<1 g/kg为非盐渍化土壤，1~2 g/kg为轻度盐渍化土壤，2~4 g/kg为中度盐渍化土壤，重度盐渍化土壤盐分含量4~10 g/kg，盐渍土为>10 g/kg。结合土壤实测盐分含量，沈乌灌域盐渍化分级与描述性统计如表2所示。其中，变异系数又称离散系数，是反映样本的离散程度的指标，变异系数越大，样品离散程度越大。样本土壤含盐量总体变异系数为145.66%，较大的变异系数说明土壤样本离散程度高，有利于建立土壤盐渍化反演模型。
表2 研究区土壤采样点盐分统计性分析

Tab.2 Statistical analysis of salt in soil sampling points in the study area

土壤盐渍化程度 样本数/个 含盐量/(g ∙kg-1)
最小值 最大值 平均值 标准差 变异系数
非盐渍化 63 0.091 4 0.993 8 0.382 5 0.281 4 0.735 7
轻度盐渍化 20 1.037 3 1.931 0 1.405 4 0.296 3 0.210 9
中度盐渍化 17 2.018 1 3.990 3 3.071 4 0.705 3 0.229 7
重度盐渍化 16 4.026 3 9.875 7 7.205 2 1.891 9 0.262 6
盐渍土 16 10.158 2 22.904 7 15.274 5 3.884 7 0.254 3
总样本 132 0.091 4 22.904 7 3.515 9 5.121 1 1.456 6

1.3 土壤光谱测定与处理

1.3.1 土壤光谱测定

土壤光谱反射率的测定采用美国ASD公司生产的FieldSpec HandHeld2仪器，与野外采样时间同步，选择天气晴朗、光线充足，无风干扰的时间，于每天10∶00-14∶30，在太阳光线没有云层遮挡的情况下进行土壤光谱测定，波长范围325~1 075 nm，采样间隔1.5 nm。

1.3.2 光谱数据预处理

为了消除噪声的影响需要对原始光谱数据进行预处理，光谱预处理主要包括剔除异常光谱曲线、光谱数据均值化处理、平滑降噪处理等。在ViewSpecPro中查看每个采样点的10条光谱曲线，进行对比，剔除有明显错误的光谱数据。之后再对光谱数据进行均值化处理，对每个土壤样本的10条光谱数据取平均值，之后再采用S-G（Savitzky-Golay）滤波法对光谱曲线作平滑处理。光谱在325~400 nm、1 000~1 075 nm波段反射率曲线浮动强烈，区间信噪比较低，故对上述2个区间内光谱数据进行去除，保留400~1 000 nm的光谱数据。为了减弱背景噪声以及高光谱波段间的相关性，增强光谱反射率的相关特征，对光谱数据进行对数（lg R）、对倒数（lg 1/R）、均方根（ R）、正弦（sin R）数学变换以及相应的微分处理。

1.4 模型的建立与评价方法

本研究选取了多元逐步线性回归(MLSR)、偏最小二乘回归(PLSR)、支持向量机回归(SVM)、BP神经网络(BPNN)4种建模方法预测了全样本的土壤盐分含量，并选取精度最高的模型分别预测了不同土壤质地下的盐分含量，并比较其精度，按照2∶1的选择方法随机选择建模集与验证集。建立的预测模型采用决定系数、均方根误差、相对分析误差进行评价。相对分析误差(RPD)是标准差与均方根误差的比值，证明模型的预测能力。RPD小于1.4时，说明模型基本可用；当RPD在1.4和2.0之间时模型估算精度一般；RPD越大于2.0说明模型精度越好，且值越大模型精度越高[27]。

2 结果与分析

2.1 土壤光谱曲线特征分析

2.1.1 土壤全样本光谱反射率曲线特征分析

由图2可以看出，不同盐分含量土壤光谱曲线整体上看变化趋势基本相同，整体上呈平缓地上升趋势，在400~600 nm范围内，土壤光谱反射率较低，上升幅度最快，在600~1 000 nm范围内，反射率较高，但增幅较为平缓，光谱曲线斜率逐渐减小。在740~760 nm附近出现一个呈v字形的小的吸收带。含盐量不同的土壤的高光谱曲线在相应的波段所对应的反射率也不同，但在相近的波段，有着相似的升降趋势、波峰波谷等。总的来看，盐分含量越高，土壤光谱反射率也越高，含盐量与光谱反射率呈正相关的关系。
图2 不同盐渍化土壤光谱反射率曲线

Fig.2 Spectral reflectance curves of different salinized soils

Full size|PPT slide

2.1.2 土壤全样本光谱相关性特征分析

不同盐分与光谱反射率相关系数如图3所示。由图3可知，随着波长的增加土壤盐分与不同波长的关系呈下降趋势。波长范围在400~500 nm时，相关系数大于0.3，500~600 nm后下降趋势明显，大于750 nm后相关系数在0.1附近。
图3 土壤盐分与波段相关系数

Fig.3 Correlation coefficient between soil salinity and band

Full size|PPT slide

2.1.3 不同质地土壤光谱相关性特征分析

按照粒径划分土壤质地，研究区土壤大致分为砂粒、粉粒、黏粒3个粒组，不同土壤质地下土壤盐分与光谱反射率的相关系数见图4。
图4 不同质地下土壤盐分与光谱反射率的相关系数

Fig.4 Correlation coefficients between soil salinity and spectral reflectance under different textures

Full size|PPT slide

由图4可以看出，粉粒背景下，土壤含盐量与光谱反射率的相关系数随着波长的增加而逐渐减小，在波长400~500 nm时，相关系数整体稳定在0.5以上，当波长小于600 nm时，随着波长的增加，相关系数降幅较大；当波长大于600 nm时，整体变化较为平缓在0.4左右上下浮动。砂粒背景下，土壤盐分与光谱反射率的相关系数变化受波长变化影响较大，在波长小于600 nm时，随着波长增加，相关系数迅速减小，在波长600~800 nm之间时，下降趋势较为平缓，大于800 nm时相关系数稳定在0.05左右。黏粒背景下，土壤盐分与光谱反射率之间的相关系数最小，在500 nm附近处出现一个小的波峰，大于500 nm后相关系数逐渐减小，整体稳定在0.1左右。
由图5可知，不同土壤质地背景下，土壤盐分与不同波段的反射率的相关系数变化规律呈现明显的差异性，随着土壤粒径减小，相关系数呈现先上升后下降的趋势。在2~0.02 mm时，相关系数平均值在0.15左右；当土壤粒径在0.02~0.002 mm时，相关系数最大，平均值在0.43左右；当土壤粒径在0.002 mm以下时，相关系数均值在0.1左右。
图5 不同土壤质地背景下土壤盐分与光谱反射率相关系数箱体图

Fig.5 Box diagram of correlation coefficient between soil salinity and spectral reflectance under different soil texture background

Full size|PPT slide

2.1.4 土壤光谱变换与相关性分析

对土壤光谱反射率进行数学变换，通过对比图6(a)和图7(b)可知，经数据变换后的土壤光谱反射率与土壤含盐量之间的相关性得到明显增强。通过土壤原始光谱数据特征、变换后的光谱数据特征和与土壤反射率之间相关系数特征，找出敏感波段，选取有代表性的波段作为自变量进行模型建立。
图6 不同变换下土壤盐分与光谱反射率的相关系数

Fig. 6 Correlation coefficients between soil salinity and spectral reflectance under different transformations

Full size|PPT slide

图7 MLSR实测预测

Fig.7 Prediction of MLSR measured

Full size|PPT slide

由图6(a)和图6(b)可知，倒数对数微分、对数微分、平方根微分3种变换在反映土壤盐分与反射率方面的相关性较好，主要敏感波段位于500~650 nm，相关系数在0.5以上。其中：经平方根变换相关系数最高的波段为560 nm，相关系数为-0.609；倒数对数微分变换相关系数最高的波段为571 nm，相关系数为0.599；对数微分变换相关系数高的波段为571 nm，相关系数为-0.599。可见与原始光谱相比，经过数据变换的光谱特征信息得到增强，相关性得到了提高，有助于筛选出敏感波段。

2.2 土壤全样本盐分含量估算

基于变换后的特征波段结合土壤盐分实测数据，将132个土壤样本按照2∶1的比例分为训练集与验证集，构建多元逐步线性回归、偏最小二乘回归、支持向量机回归以及BP神经网络模型，模型精度与误差通过R 2与RMSE评价。划分为88个训练样本集与44个验证样本集，统计特征如表3所示。
表3 建模集验证集统计特征

Tab. 3 Statistical characteristics of modeling set verification set

样本类型 样本数 均值/(g ∙kg-1) 标准差/(g ∙kg-1) 最小值/(g ∙kg-1) 最大值/(g ∙kg-1) 变异系数
建模样本 88 3.866 5.673 0.096 22.905 1.467
验证样本 44 2.816 3.747 0.091 14.790 1.330
表4为不同建模方式与光谱变换下盐分含量估算精度对比。由表4可知，4种模型验证精度的整体高低为BPNN>SVM>PLSR>MLSR，2种机器学习模型的精度明显高于传统统计模型的精度，可以看出机器学习模型对土壤盐分预测有着较好的适配度。MLSR模型的R 2以及RPD较低，可以得出土壤光谱与盐含量之间并不是简单的线性关系。PLSR模型和BPNN模型以(lg 1/R)'变换精度最佳，SVM模型以(lg R)'变换精度最佳。其中，组合(lg 1/R)'-BPNN的预测精度最高，建模集R 2达到了0.925，验证集R 2为0.898，RPD为3.108。
表4 建模集验证集精度表

Tab.4 Precision table of modeling set verification set

方法 建模集 验证集
R 2 RMSE/(g ∙kg-1) R 2 RMSE/(g ∙kg-1) RPD
逐步线性回归 (lg R)' 0.512 2.077 0.435 1.953 1.459
(lg 1/R)' 0.604 2.026 0.503 1.760 1.496
( R)' 0.507 2.084 0.515 1.855 1.381
偏最小二乘回归 (lg R)' 0.727 1.773 0.658 1.441 1.710
(lg 1/R)' 0.804 1.659 0.703 1.398 1.836
( R)' 0.755 1.746 0.712 1.356 1.864
支持向量机回归 (lg R)' 0.908 1.302 0.882 1.256 2.698
(lg 1/R)' 0.894 1.382 0.856 1.288 2.601
( R)' 0.813 1.495 0.802 1.303 2.313
BP神经网络 (lg R)' 0.898 1.349 0.887 1.251 2.588
(lg 1/R)' 0.925 1.294 0.898 1.152 3.108
( R)' 0.909 1.300 0.894 1.187 3.073
图7~图10展示了4种建模方法的验证集散点图，可以看出对光谱进行倒数对数一阶微分变换的情况下通过BP神经网络建模在预测土壤盐分方面有着较好的效果。
图8 PLSR实测预测

Fig.8 PLSR measurement prediction diagram

Full size|PPT slide

图9 SVM实测预测

Fig.9 SVM measured prediction diagram

Full size|PPT slide

图10 BP神经网络实测预测

Fig.10 Prediction diagram of BP neural network measurement

Full size|PPT slide

2.3 不同质地土壤盐分含量估算

将砂粒、粉粒、黏粒3个粒组的土壤按2∶1的比例划分为训练集与验证集，由上文可得BP神经网络建模精度最高，在保证与砂粒、粉粒、黏粒3种质地下的土壤样本验证集相同的情况下，对于全部土壤样本，建立(lg 1/R)'-BPNN模型，并与考虑土壤质地情况下建立的预测模型的精度作比较。
砂粒质地下实验结果如表5所示，在相同的21个验证集上，砂粒质地下土壤样本的建模精度明显优于全部样本的建模结果，R 2由0.918提升到0.962，RPD由3.493提升到4.313，从RPD和R 2方面分析，砂粒质地土壤建模结果都满足优秀模型的条件，并且RMSE最小。
表5 21个砂粒背景下的土壤盐分含量验证精度对比

Tab.5 Comparison of verification accuracy of soil salt content under the backgrounds of 21 sand grains

不同样本集 R 2 RMSE/(g ∙kg-1) RPD
全样本 0.918 0.752 3.493
砂粒样本 0.962 0.742 4.313
粉粒质地下的预测结果如表6所示，在相同的8个验证集上，粉粒质地下土壤样本的建模精度明显优于全部样本的建模结果，R 2由0.866提升到0.902，RPD由2.613提升到3.310，从RPD角度来看，粉粒质地土壤建模较为出色。
表6 8个粉粒背景下的土壤盐分含量验证精度对比

Tab.6 Comparison of verification accuracy of soil salt content under the background of 8 silt grains

不同样本集 R 2 RMSE/(g ∙kg-1) RPD
全样本 0.866 1.485 2.613
粉粒样本 0.902 1.110 3.310
黏粒质地下的预测结果如表7所示，在相同的15个验证集上，黏粒质地下土壤样本的建模精度要比全部样本的建模结果好，相比全样本的R 2，黏粒质地下由0.876提升到0.926，RPD由2.651提升到3.953，从RPD和R 2方面分析，黏粒质地土壤下的估算结果满足出色模型的条件，并且RMSE明显降低。
表7 15个黏粒背景下土壤盐分含量验证精度对比

Tab.7 Comparison of verification accuracy of soil salt content under the background of 15 clay grains

不同样本集 R 2 RMSE/(g ∙kg-1) RPD
全样本 0.876 1.274 2.651
黏粒样本 0.926 0.861 3.953
图11~图13分别展示了3种不同质地背景下建模以及与全样本对比的验证集散点图，可以看出考虑土壤质地的情况下，对土壤盐分建立反演模型的精度明显优于不考虑土壤质地的估算精度，其散点图对全部样本来说更加接近1∶1线。
图11 砂粒质地下土壤盐分含量验证精度散点图

Fig.11 Scatter diagram of verification accuracy of soil salt content under sand texture

Full size|PPT slide

图12 粉粒质地下土壤盐分含量验证精度散点图

Fig.12 Scatter diagram of verification accuracy of soil salt content in silt texture

Full size|PPT slide

图13 黏粒质地下土壤盐分含量验证精度散点图

Fig.13 Scatter diagram of soil salt content verification accuracy under clay texture

Full size|PPT slide

3 讨 论

目前土壤含盐量敏感波段与反演模型研究大多数针对单一土壤种类，在进行大面积多种类型土壤盐渍化反演研究时具有一定局限性，不同质地的土壤其理化性质不同会导致其光谱特征也不相同[28]。有研究表明[29]，土壤质地会明显影响光谱的反射率，黏土由于粒径小，能形成镜面反射，反射率偏高而砂壤土由于粒径大反射率偏低。李亚丽等[30]选取新疆2种不同质地土壤，分析不同质地土壤光谱特征，运用3种微分变换建立了最佳水盐含量反演模型。不同光谱变换处理能够有效提高土壤盐分与光谱反射率之间的相关性[31]。李娟等[32]、米吉提等[33]将原始光谱数据经过一阶微分、平方根微分，对数微分、倒数对数微分、正弦微分等处理后，显著地提高了土壤光谱与盐分的相关性，得出原始数据在一阶微分处理后显著相关。刘旭辉等[34]、杨扬等[35]通过土壤的光谱信息，建立与盐分、有机质的反演模型，发现BPNN模型效果要好于传统的统计模型。综上，对不同质地土壤与光谱的特征和变换方式进行分析，建立不同的反演模型，多因素综合考虑有助于建立适合的土壤盐分含量反演模型。
本研究结果表明，土壤盐分含量与光谱反射率呈现明显的正相关关系，不同土壤质地背景下，土壤盐分与不同波段反射率的相关系数变化规律呈现明显的差异性[36]，当土壤粒径在2~0.02 mm时，相关系数平均值在0.15左右；当土壤粒径在0.02~0.002 mm时，相关系数最大，平均值在0.43左右；当土壤粒径在0.002 mm以下时，相关系数在0.1左右。不同质地土壤光谱反射率的相关系数也存在不同，而且没有经过变换的光谱原始数据与土壤盐分含量的相关性不高，一阶微分提升了相关性。通过采用MLSR、PLSR、SVM、BPNN等4种方法建模发现BPNN与SVM效果整体上优于MLSR与PLSR，说明土壤盐分与光谱反射率之间不是简单的线性关系，机器模型优于传统的统计模型[37]，BPNN的建模效果最好，建模集R 2为0.925，验证集R 2为0.898，取到了良好的预测效果。针对不同土壤质地下的土壤盐分与光谱分别建立模型，结果显示，通过对砂粒、粉粒、黏粒3个粒组下的土壤盐分与光谱建模的决定系数，相对分析误差均优于通过全样本建模时，这与相关研究结果相似[38, 39]。
本研究只考虑到了土壤盐分与光谱整数阶微分变换的相关性，但有研究表明[40, 41]，分数阶微分可以更好地提升土壤光谱与其理化性质如含盐量、含水率、有机质含量等之间的相关性，整数阶微分会忽略了微分变换的渐变性与全局性，可能无法更好地发掘土壤光谱信息。将微分变换拓展至分数阶相较于整数阶可以有效增强光谱信息对于土壤盐分的响应[42]，下一步可以采用分数阶微分等方法用于土壤盐渍化反演。此外，只对灌区中选取的一些有代表性的采样点的光谱信息进行了采集与分析，是否可以在大尺度如无人机高光谱影像以及高光谱卫星影像等方面应用还有待验证，并且，土壤光谱反射率还受地下水埋深、地下水矿化度等因素的影响，将这些因素考虑进来是下一步的工作方向。

4 结 论

（1）土壤盐分含量越高光谱反射率越高，随着土壤粒径减小，相关系数呈现先上升后下降的趋势，通过对光谱进行数学变换可以有效提高相关性，其中以倒数对数微分、对数微分、平方根微分3种变换为最佳。
（2）预测土壤盐分含量的4种模型验证精度的整体高低为BPNN>SVM>PLSR>MLSR，2种机器学习模型的精度明显高于传统统计模型的精度。其中，组合(lg 1/R)'-BPNN的预测精度最高，建模集R 2达到了0.925，验证集R 2为0.898，RPD为3.108。
（3）在考虑土壤质地的情况下，相较于全部样本的土壤盐分估算结果，砂粒质地下土壤盐分含量估算精度R 2由0.918提升到0.962，RPD由3.493提升到4.313；粉粒质地下土壤盐分含量估算精度R 2由0.866提升到0.902，RPD由2.613提升到3.310；黏粒质地下土壤盐分含量估算精度R 2由0.876提升到0.926，RPD由2.651提升到3.953。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
田义超,郑丹琳,张强,等.基于国产资源一号02D卫星和机器学习算法的钦州湾滨海土壤盐分反演[J].中国环境科学,2024,44(1):371-385.
TIAN Y C, ZHENG D L, ZHANG Q, et al. Inversion of coastal soil salinity in Qinzhou Bay based on domestic resource No.1 02D satellite and machine learning algorithm [J]. Chinese Journal of Environmental Sciences, 2024,44(1):371-385.
本文引用 [1]
2
METERNICHT G, ALFRED Z J. Remote sensing of soil salinization impact on land management[M]. New York: CRC Press, 2009: 63.
本文引用 [1]
3
杨婧文.黄河三角洲濒海区土壤质量盐碱退化评价与遥感反演[D]. 山东泰安：山东农业大学，2022. YANG J W. Evaluation and remote sensing inversion of soil quality saline-alkali degradation in the Yellow River delta coastal area [D]. Tai’an, Shandong: Shandong Agricultural University, 2022.
本文引用 [1]
4
孙小茹. 近四十年河套平原土壤盐渍化时空变异及其影响因素分析[D]. 武汉：华中农业大学,2023. SUN X R. Spatio-temporal variation of soil salinization in Hetao Plain in recent 40 years and its influencing factors [D]. Wuhan: Huazhong Agricultural University, 2023.
本文引用 [1]
5
曹 琪,郑雅兰,沈 谦,等.基于高分辨率遥感的水源地风险源提取技术研究[J].测绘地理信息,2022,47(6):81-85.
CAO Q, ZHENG Y L， SHEN Q，etal. Research on risk source extraction of water source areas based on High resolution remote sensing[J]. Journal of Geomatics, 2022,47(6): 81-85.
本文引用 [1]
6
曾 鹏,喻宏伟,余雅滢,等.基于双层组合神经网络的土地利用自动分类方法[J].测绘地理信息,2023,48(5):98-103.
ZENG P, YU H W, YU Y Y,et al. An automatic land use classification method based on double-layer combinatorial neural network[J]. Journal of Geom-atics, 2023,48(5):98-103.
本文引用 [1]
7
张超，高璐璐，郧文聚, 等. 遥感技术获取耕地质量评价指标的研究进展分析[J].农业机械学报, 2022, 53(1):1-13.
ZHANG C, GAO L L, YUN W J, et al. Research progress analysis of cultivated land quality evaluation index obtained by remote sensing technology [J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1):1-13.
本文引用 [1]
8
冯天时，庞治国，江威, 等. 高光谱遥感技术及其水利应用进展[J].地球信息科学学报, 2021, 23(9):1 646-1 661.
FENG T S, PANG Z G, JIANG W, et al. Hyperspectral remote sensing technology and its application in water conservancy [J]. Journal of Geoinformation Science, 2021, 23(9):1 646-1 661.
本文引用 [1]
9
王瑾杰，丁建丽，葛翔宇,等. 分数阶微分技术在机载高光谱数据估算土壤含水量中的应用[J]. 光谱学与光谱分析, 2022, 42(11): 3 559-3 567.
WANG J J, DING J L, GE X Y, et al. Application of fractional-order differential technique to soil water content estimation with airborne hyperspectral data [J]. Spectroscopy and Spectral Analysis, 2022, 42(11): 3 559-3 567.
本文引用 [1]
10
FARIFTEH J, MEER F D, ATZBERGER C, et al. Quantitative analysis of salt-affected soil reflectance spectra: A comparsion of two adaptive methods(PLSR and ANN)[J]. Remote Sensing of Environment, 2007, 110(1):59-78.
本文引用 [1]
11
SRIVASTAVA R, SETHI M, YADAV R K. Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected soil in the indo-gangetic plains of Haryana, India[J]. Indian Soc Remote Sens, 2017, 45: 307-315.
本文引用 [1]
12
KAHAER Y, TASHPOLAT N, SHI Q, et al. Possibility of Zhuhai-1 hyperspectral imagery for monitoring salinized soil moisture content using fractional order differentially optimized spectral indices[J]. Water, 2020, 12: 3 360.
本文引用 [1]
13
扶卿华，倪绍祥，王世新,等. 土壤盐分含量的遥感反演研究[J].农业工程学报, 2007, 112(1):48-54.
FU Q H, NI S X, WANG S X, et al. Research on soil salt content retrieval by remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering, 2007, 112(1): 48-54.
本文引用 [1]
14
张贤龙，张飞，张海威，等 ．基于光谱变换的高光谱指数土壤盐分反演模型优选[J]．农业工程学报，2018,34(1)：110-117．
ZHANG X L, ZHANG F, ZHANG H W, et al. Optimization of hyperspectral index soil salinity inversion model based on spectral transformation [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34 (1): 110-117.
本文引用 [1]
15
张建明，齐文文 ．民勤绿洲土壤盐分组成与光谱特征[J]．生态学杂志,2013,32(10)：2 620-2 626．
ZHANG J M, QI W W. Composition and spectral characteristics of soil salinity in Minqin Oasis [J]. Chinese Journal of Ecology,2013,32(10): 2 620-2 626.
16
文虎 ．绿洲农田盐碱斑土壤表层盐分和pH 值的光谱特征研究[D]．乌鲁木齐：新疆农业大学，2016 .
WEN H. Study on spectral characteristics of soil surface salinity and pH value in saline-alkali patch in oasis farmland [D]. Urumqi: Xinjiang Agricultural University, 2016.
本文引用 [1]
17
韩文霆，崔家伟，崔欣, 等. 基于特征优选与机器学习的农田土壤含盐量估算研究[J]. 农业机械学报,2023,54(3): 328-337.
HAN W T, CUI J W, CUI X, et al. Research on soil salinity estimation based on feature optimization and machine learning [J]. Transactions of the Chinese Society for Agricultural Machinery,2023,54(3):328-337.
本文引用 [1]
18
李晓明，王曙光，韩霁昌.基于PLSR的陕北土壤盐分高光谱反演[J]. 国土资源遥感, 2014, 26(3):113-116.
LI X M, WANG S G, HAN J C. Hyperspectral inversion of soil salinity in northern Shaanxi [J]. Remote Sensing for Land and Resources, 2014, 26(3):113-116.
19
COLLOBERT R, BENGIO S. SVMTorch: Support vector machines for large-scale regression problems[J]. Journal of Machine Learning Research, 2001, 1(2):143-160.
20
王欢，李瑞平，张寅, 等. 内蒙古河套灌区土壤盐分多源多指数估算模型[J]. 灌溉排水学报,2023,42(10):122-128.
WANG H, LI R P, ZHANG Y, et al. Multi-source and multi-index estimation model of soil salinity in Hetao irrigation district of Inner Mongolia [J]. Journal of Irrigation and Drainage,2023,42(10):122-128.
本文引用 [1]
21
张丽霞，吕兰颂，邓振利, 等. 莱州湾南岸土壤全盐量空间分布及其高光谱反演研究[J]. 安全与环境学报,2019,19(3): 1 034-1 040.
ZHANG L X, LU L S, DENG Z L, et al. Spatial distribution and hyperspectral inversion of soil total salinity in the south bank of Laizhou Bay [J]. Journal of Safety and Environment,2019,19(3): 1 034-1 040.
本文引用 [1]
22
毛鸿欣，贾科利，张旭. 基于实测高光谱和Sentinel-2B影像的银川平原土壤盐分反演[J]. 云南大学学报自然科学版, 2021, 43(5): 929-941.
MAO H X, JIA K L, ZHANG X. Soil salinity inversion in Yinchuan Plain based on hyperspectral observations and Sentinel-2B images [J]. Natural Science Edition of Yunnan University, 2021, 43(5): 929-941.
本文引用 [1]
23
王惠敏，于磊，徐凯磊, 等. 基于高分五号高光谱影像的干旱区盐渍化土壤盐分含量估算[J]. 光谱学与光谱分析,2023,43(7): 2 278-2 286.
WANG H M, YU L, XU K L, et al. Estimation of salinized soil salt content in arid region based on Gaofen-5 hyperspectral image [J]. Spectroscopy and Spectral Analysis, 2023,43(7): 2 278-2 286.
本文引用 [1]
24
江远东. 博斯腾湖西岸湖滨绿洲土壤质地变化与高光谱估算[D]. 乌鲁木齐：新疆师范大学，2022.
JIANG Y D. Hyperspectral estimation of soil texture change in lakeside oasis on the west bank of Bosten Lake [D]. Urumqi: Xinjiang Normal University, 2022.
本文引用 [1]
25
常布辉，李根东，苏小飞, 等. 河套灌区出让水权对天然植被影响研究[J]. 人民黄河,2023,45(8): 6-11, 15.
CHANG B H, LI G D, SU X F, et al. Study on the influence of water rights transfer on natural vegetation in Hetao Irrigation Area [J]. Yellow River, 2019,45(8): 6-11, 15.
本文引用 [1]
26
吕贻忠，李保国. 土壤学[M]. 北京:中国农业出版社,2006.
本文引用 [1]
27
张霄羽，姚艳敏，颜祥照. 光谱变换和光谱分辨率对土壤有机质含量估测精度的影响[J]. 中国土壤与肥料,2023(3): 184-193.
ZHANG X Y, YAO Y M, YAN X Z. Effect of spectral transformation and spectral resolution on estimation accuracy of soil organic matter content [J]. China Soil and Fertilizer,2023(3): 184-193.
本文引用 [1]
28
钱佳，郭云开，蒋明, 等. 不同类型土壤Cu含量高光谱联合反演建模[J].测绘科学,2020,45(8):138-144.
QIAN J, GUO Y K, JIANG M, et al. Hyperspectral joint inversion modeling of Cu content in different soil types [J]. Science of Surveying and Mapping, 2019,45(8): 138-144.
本文引用 [1]
29
张强. 不同质地土壤养分含量的光谱估测研究[D]. 新疆石河子：石河子大学, 2017. ZHANG Q. Study on spectral estimation of soil nutrient content with different textures [D]. Shihezi, Xinjiang: Shihezi University, 2017.
本文引用 [1]
30
李亚莉，乔江飞，董天宇, 等. 不同质地盐渍化土壤水盐含量的高光谱反演[J]. 应用生态学报,2016,27(12): 3 807-3 815.
LI Y L, QIAO J F, DONG T Y, et al. Hyperspectral inversion of water and salt content in salinized soil with different textures [J]. Chinese Journal of Applied Ecology,2016,27(12): 3 807-3 815.
本文引用 [1]
31
王雪梅，玉米提·买明，毛东雷, 等. 干旱区绿洲耕层土壤重金属铬含量的高光谱估测[J]. 生态环境学报, 2021, 30(10): 2 076-2 084.
WANG X M, Umuti Memine, MAO D L, et al. Hyperspectral estimation of heavy metal chromium content in oasis topsoil in arid region [J]. Chinese Journal of Eco-Environment, 2021, 30(10): 2 076-2 084.
本文引用 [1]
32
李娟，陈超，王昭. 基于不同变换形式的干旱区土壤盐分高光谱特征反演[J]. 水土保持研究,2018,25(1):197-201.
LI J, CHEN C, WANG Z. Inversion of hyperspectral characteristics of soil salinity in arid areas based on different transformation forms [J]. Research of Soil and Water Conservation,2018,25(1):197-201.
本文引用 [1]
33
如则麦麦提·米吉提，买买提·沙吾提，麦尔耶姆·亚森, 等. 基于高光谱的干旱区盐渍化土壤盐分含量估算[J]. 江苏农业科学, 2018, 46(22):265-269.
MIDGITY M, SHAWUTI M, YASEN M, et al. Estimation of salt content of salinized soil in arid region based on hyperspectral analysis [J]. Jiangsu Agricultural Sciences, 2018, 46(22): 265-269.
本文引用 [1]
34
刘旭辉，白云岗，柴仲平, 等. 基于多光谱遥感的典型绿洲棉田春季土壤盐分反演及验证[J]. 干旱区地理,2022,45(4): 1 165-1 175.
LIU X H, BAI Y G, CHAI Z P, et al. Inversion and verification of spring soil salinity in a typical oasis cotton field based on multi-spectral remote sensing [J]. Arid Land Geography, 2022, 45(4): 1 165-1 175.
本文引用 [1]
35
杨扬，高小红，贾伟, 等. 三江源区不同土壤类型有机质含量高光谱反演[J]. 遥感技术与应用,2015,30(1): 186-198.
YANG Y, GAO X H, JIA W, et al. Hyperspectral inversion of organic matter content of different soil types in the source region of three Rivers [J]. Remote Sensing Technology and Application,2015,30(1): 186-198.
本文引用 [1]
36
徐驰，陈爱萍，曾文治, 等. 不同土质下土壤含盐量的高光谱定量反演技术研究[J]. 灌溉排水学报,2014,33(Z1): 209-212.
XU C, CHEN A P, ZENG W Z, et al. Study on hyperspectral quantitative inversion technique of soil salt content under different soil quality [J]. Journal of Irrigation and Drainage,2014,33(Z1): 209-212.
本文引用 [1]
37
李振. 基于无人机高光谱的农田土壤盐分估测研究[D]. 济南：山东师范大学,2023.
LI Z. Research on farmland soil salinity estimation based on UAV hyperspectrum [D]. Jinan: Shandong Normal University,2023.
本文引用 [1]
38
王怡婧,丁启东,张俊华,等. 基于无人机高光谱遥感和机器学习的土壤水盐信息反演[J]. 应用生态学报,2023,34(11): 3 045-3 052.
WANG Y J, DING Q D, ZHANG J H, et al. Soil water and salt information inversion based on UAV hyperspectral remote sensing and machine learning [J]. Chinese Journal of Applied Ecology,2023,34(11): 3 045-3 052.
本文引用 [1]
39
张成雯，唐家奎，于新菊, 等. 黄河三角洲土壤含盐量定量遥感反演[J].中国科学院研究生院学报,2013,30(2):220-227.
ZHANG C W, TANG J K, YU X J, et al. Quantitative remote sensing inversion of soil salt content in Yellow River Delta [J]. Journal of Graduate University of Chinese Academy of Sciences, 2013, 30(2):220-227.
本文引用 [1]
40
田安红，赵俊三，张顺吉, 等. 基于分数阶微分的盐渍土电导率高光谱估算研究[J]. 中国生态农业学报(中英文),2020,28(4): 599-607.
TIAN A H, ZHAO J S, ZHANG S J, et al. Hyperspectral estimation of salinity soil conductivity based on fractional differentiation [J]. Chinese Journal of Eco-Agriculture, 2019,28(4): 599-607.
本文引用 [1]
41
赵慧，李新国，靳万贵, 等. 博斯腾湖西岸湖滨绿洲土壤含盐量高光谱估算[J]. 中山大学学报(自然科学版),2020,59(4): 56-63.
ZHAO H, LI X G, JIN W G, et al. Hyperspectral estimation of soil salt content in lakeside oasis on the west bank of Bosten Lake [J]. Journal of Sun Yat-sen University (Natural Science Edition), 2019,59(4): 56-63.
本文引用 [1]
42
陈睿华，王怡婧，张俊华, 等. 基于分数阶微分光谱指数的银川平原土壤含盐量反演[J]. 生态学杂志,2023,42(9): 2 296-2 304.
CHEN R H, WANG Y J, ZHANG J H, et al. Inversion of soil salt content in Yinchuan Plain based on fractional differential spectral index [J]. Chinese Journal of Ecology, 2023,42(9): 2 296-2 304.
本文引用 [1]
PDF(2072 KB)

访问

引用

详细情况
段落导航
相关文章
网站版权所有 © 《节水灌溉》编辑部
地址：武汉大学二区《节水灌溉》编辑部　邮编：430072
电话：(027)68776133　传真：jieshuiguangai@188.com　
本系统由北京玛格泰克科技发展有限公司设计开发　技术支持：support@magtech.com.cn

/

〈 〉