基于無(wú)人機(jī)-衛(wèi)星遙感升尺度的土壤鹽漬化監(jiān)測(cè)方法

陳俊英 王新濤 張智韜 韓 佳 姚志華 魏廣飛

(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

土壤鹽漬化是一個(gè)全球生態(tài)環(huán)境問(wèn)題[1]，不僅會(huì)對(duì)作物生長(zhǎng)產(chǎn)生負(fù)面影響，還會(huì)引起土地退化[2]。因此，快速準(zhǔn)確獲取土壤鹽漬化信息對(duì)灌區(qū)的可持續(xù)發(fā)展具有重大意義。

衛(wèi)星遙感具有快速和范圍廣等優(yōu)點(diǎn)，是大范圍監(jiān)測(cè)土壤鹽漬化的有效途徑，目前已得到了廣泛的應(yīng)用[3-4]。如LOBELL等[5]通過(guò)MODIS影像計(jì)算EVI和NDVI，進(jìn)行區(qū)域尺度的鹽分監(jiān)測(cè)；姚遠(yuǎn)等[6]利用Landsat TM7影像計(jì)算植被指數(shù)，進(jìn)行北疆地區(qū)土壤鹽分反演。但衛(wèi)星遙感數(shù)據(jù)存在高時(shí)間分辨率和高空間分辨率矛盾的問(wèn)題[7]，為此，國(guó)內(nèi)外學(xué)者開(kāi)展了大量尺度轉(zhuǎn)換的研究[8-9]。LIANG[10]通過(guò)尺度上推分析了從30 m到1 km反照率和LAI的變化規(guī)律，發(fā)現(xiàn)其隨空間尺度的變化呈線性變化；張萬(wàn)昌等[11]基于統(tǒng)計(jì)分析的方法實(shí)現(xiàn)了30 m ETM+影像反演LAI向900 m的轉(zhuǎn)換，并對(duì)LAI產(chǎn)品進(jìn)行了校正，效果較好。上述方法多是基于衛(wèi)星空間尺度之間的轉(zhuǎn)換，在大范圍監(jiān)測(cè)地表動(dòng)態(tài)研究中，常用的衛(wèi)星遙感影像空間分辨率相對(duì)較低[12],對(duì)于灌區(qū)鹽漬化的精準(zhǔn)監(jiān)測(cè)存在一定的局限性。無(wú)人機(jī)作為新型遙感平臺(tái)，具有高時(shí)效、高空間分辨率、云下低空飛行、高機(jī)動(dòng)性等優(yōu)點(diǎn)[13]，可以迅速、準(zhǔn)確地完成一定區(qū)域內(nèi)的鹽漬化監(jiān)測(cè)任務(wù)。無(wú)人機(jī)在大范圍監(jiān)測(cè)土壤鹽漬化方面存在缺陷，將無(wú)人機(jī)遙感的高空間分辨率與衛(wèi)星遙感的大范圍監(jiān)測(cè)相結(jié)合，則可實(shí)現(xiàn)高精度大尺度的土壤鹽漬化監(jiān)測(cè)。因此，開(kāi)展無(wú)人機(jī)到衛(wèi)星尺度轉(zhuǎn)換研究對(duì)土壤鹽漬化監(jiān)測(cè)具有非常重要的理論意義，而目前針對(duì)這一方面的研究還鮮有報(bào)道。

本文以河套灌區(qū)沙壕渠灌域裸土期不同鹽漬化程度的表層土壤為研究對(duì)象，采用MLR模型、SR模型和RR模型，分別構(gòu)建基于無(wú)人機(jī)數(shù)據(jù)和GF-1衛(wèi)星遙感數(shù)據(jù)的土壤鹽漬化監(jiān)測(cè)模型，并通過(guò)改進(jìn)的TsHARP尺度轉(zhuǎn)換方法，將無(wú)人機(jī)多光譜數(shù)據(jù)(空間分辨率為6.5 cm)建立的趨勢(shì)面應(yīng)用到GF-1衛(wèi)星(空間分辨率為16 m)中，經(jīng)過(guò)轉(zhuǎn)換殘差校正后，對(duì)升尺度結(jié)果進(jìn)行定性和定量評(píng)價(jià)，以期為提高衛(wèi)星遙感監(jiān)測(cè)土壤鹽漬化精度提供理論支持。

1 材料與方法

1.1 研究區(qū)概況

河套灌區(qū)解放閘灌域沙壕渠灌域?yàn)楸狙芯康脑囼?yàn)區(qū)，如圖1所示，其面積約為5 333.36 hm2，位于西北高原地帶，平均海拔1 000 m以上，屬于典型的干旱半干旱大陸性氣候，土壤類(lèi)型為粉質(zhì)粘壤土，平均干容重1.466 t/m3。地下水埋深1.5 m左右，年降雨量為66.3～200 mm，年蒸發(fā)量約2 000 mm，蒸降比在10以上。降水量少蒸發(fā)量大[14]，再加上氣候條件、土質(zhì)因素及不合理灌溉方式導(dǎo)致了此地區(qū)相對(duì)嚴(yán)重的土壤鹽漬化問(wèn)題。

圖1 研究區(qū)示意圖Fig.1 Map of research area

1.2 數(shù)據(jù)來(lái)源與處理

1.2.1無(wú)人機(jī)多光譜遙感圖像數(shù)據(jù)獲取

本次試驗(yàn)所使用的無(wú)人機(jī)為大疆公司生產(chǎn)的M600型六旋翼無(wú)人機(jī)，其攜帶的多光譜相機(jī)傳感器為Mirco-MCA (簡(jiǎn)稱(chēng)u-MCA)，它具有遠(yuǎn)程觸發(fā)的特點(diǎn)，包括6個(gè)波段的光譜采集通道，分別是藍(lán)波段(中心波長(zhǎng)490 nm)、綠波段(中心波長(zhǎng)550 nm)、紅波段(中心波長(zhǎng)680 nm)、紅邊波段(中心波長(zhǎng)720 nm)、近紅外波段1(中心波長(zhǎng)800 nm)、近紅外波段2(中心波長(zhǎng)900 nm)。試驗(yàn)選取不同鹽漬化程度的5個(gè)區(qū)域，分別對(duì)其進(jìn)行了無(wú)人機(jī)飛行試驗(yàn)，如圖1所示。無(wú)人機(jī)飛行模式按照提前規(guī)劃的航線飛行，拍照模式為等時(shí)間間隔，主航線間圖像重疊率設(shè)置為80%，多光譜影像獲取時(shí)間為2018年5月1—5日，選擇天氣晴朗的日期進(jìn)行飛行，無(wú)人機(jī)飛行高度為120 m，多光譜相機(jī)鏡頭垂直向下，此時(shí)影像所對(duì)應(yīng)的地面分辨率為6.5 cm。在研究區(qū)內(nèi)布設(shè)了參考板，以便對(duì)遙感影像進(jìn)行輻射標(biāo)定。

使用與多光譜相機(jī)配套的處理軟件(PixelWrench2)對(duì)獲取的影像進(jìn)行配準(zhǔn)與合成，導(dǎo)出為6波段多光譜影像的tif格式。將采樣點(diǎn)的經(jīng)緯度導(dǎo)入ENVI5.3.1軟件，提取tif圖像中對(duì)應(yīng)采樣點(diǎn)的灰度，利用參考板進(jìn)一步計(jì)算出對(duì)應(yīng)的反射率。

1.2.2GF-1多光譜遙感影像的獲取及預(yù)處理

以國(guó)產(chǎn)高分一號(hào)衛(wèi)星影像(GF-1 WFV相機(jī))為數(shù)據(jù)源。衛(wèi)星影像的成像時(shí)間與實(shí)測(cè)土壤含鹽量日期同步，高分一號(hào)衛(wèi)星數(shù)據(jù)的重訪周期為4 d，空間分辨率為16 m，包括4個(gè)波段，分別為藍(lán)波段(450～520 nm)、綠波段(520～590 nm)、紅波段(630～690 nm)和近紅外波段(770～890 nm)。

在ENVI5.3.1軟件中對(duì)下載的影像進(jìn)行幾何精校正、輻射定標(biāo)、大氣校正等預(yù)處理，經(jīng)剪裁后得到研究區(qū)域衛(wèi)星影像圖，將野外實(shí)測(cè)采樣點(diǎn)的經(jīng)緯度導(dǎo)入到GF-1衛(wèi)星遙感影像中，導(dǎo)出各采樣點(diǎn)對(duì)應(yīng)像元的反射率，用于構(gòu)建土壤鹽分含量的反演模型。

1.2.3鹽分?jǐn)?shù)據(jù)的獲取

本文實(shí)地采樣時(shí)間與無(wú)人機(jī)影像獲取時(shí)間相同，在5個(gè)采樣區(qū)域均勻設(shè)置80個(gè)表層土壤采樣點(diǎn)(圖2只列舉了其中1個(gè)區(qū)域的采樣點(diǎn))。采樣點(diǎn)大多數(shù)為無(wú)植被覆蓋的表層土，采樣方法為五點(diǎn)法，將采集的土樣干燥研磨處理后，配置土水比為1∶5的土壤溶液，經(jīng)攪拌、靜置、沉淀、過(guò)濾后，采用電導(dǎo)率儀(DDS-307型，上海佑科儀器公司)測(cè)定土壤溶液電導(dǎo)率，對(duì)每個(gè)采樣點(diǎn)的5個(gè)土樣電導(dǎo)率取平均值作為該樣點(diǎn)處的電導(dǎo)率EC1∶5，并通過(guò)經(jīng)驗(yàn)公式計(jì)算土壤含鹽量：S=(0.288 2EC1∶5+0.018 3)×100%[15]。剔除采樣點(diǎn)中的8個(gè)異常值，剩余72個(gè)樣本進(jìn)行本次試驗(yàn)土壤含鹽量的反演，將樣本從大到小進(jìn)行排序，建模集和驗(yàn)證集的劃分按2∶1的比例進(jìn)行等間隔取樣，可保證建模樣本和驗(yàn)證樣本范圍一致且分布均勻。統(tǒng)計(jì)情況見(jiàn)表1。

圖2 采樣點(diǎn)分布圖(其中1個(gè)區(qū)域)Fig.2 Soil sampling locations(one of the areas)

表1 土壤鹽分?jǐn)?shù)據(jù)統(tǒng)計(jì)結(jié)果Tab.1 Summary statistics of soil salinity

1.3 改進(jìn)光譜指數(shù)的計(jì)算

研究表明，僅用個(gè)別波段或多個(gè)單波段數(shù)據(jù)提取地物信息有明顯的局限性，進(jìn)行光譜指數(shù)分析運(yùn)算可有效提高地表觀測(cè)數(shù)據(jù)對(duì)反演模型參數(shù)的敏感性[16]。因此許多學(xué)者建立了基于光譜指數(shù)特征空間的土壤鹽漬化監(jiān)測(cè)模型[17-18]，根據(jù)王飛等[19]的研究，發(fā)現(xiàn)通過(guò)NDVI與SI構(gòu)建的SDI(Salinization detection index)指數(shù)可以較好地反映鹽漬化情況?；诖?，本文在傳統(tǒng)的鹽分指數(shù)的計(jì)算基礎(chǔ)上，構(gòu)建了NDVI-S1光譜指數(shù)，用于本次土壤鹽漬化反演。計(jì)算公式為

(1)

其中

INDVI=(ρNIR-ρRED)/(ρNIR+ρRED)

S1=ρBLUE/ρRED

式中INDVI——?dú)w一化植被指數(shù)

S1——鹽分指數(shù)

INDVI-S1——NDVI-S1光譜指數(shù)

ρBLUE、ρRED、ρNIR——無(wú)人機(jī)和GF-1衛(wèi)星對(duì)應(yīng)的藍(lán)波段、紅波段和近紅外波段反射率

1.4 空間升尺度原理

TsHARP方法常用于遙感地表溫度降尺度轉(zhuǎn)換中[7]，此方法假設(shè)地表溫度與NDVI的關(guān)系在各個(gè)尺度上不變，通過(guò)引入NDVI構(gòu)造趨勢(shì)面，實(shí)現(xiàn)對(duì)地表溫度的尺度轉(zhuǎn)換。本文通過(guò)改進(jìn)這種方法來(lái)進(jìn)行土壤鹽漬化的升尺度研究：首先建立無(wú)人機(jī)尺度上土壤鹽分與趨勢(shì)面因子間的關(guān)系式

S0.065=F0.065(B0.065)

(2)

式中S0.065——無(wú)人機(jī)尺度上采用趨勢(shì)面因子反演的土壤含鹽量

B0.065——無(wú)人機(jī)尺度上的趨勢(shì)面因子，即光譜指數(shù)

F0.065——趨勢(shì)面反演函數(shù)，同樣適用于升尺度到GF-1衛(wèi)星16 m空間分辨率上土壤鹽分與趨勢(shì)面因子間的反演

考慮到趨勢(shì)面可能受到土壤含水率等因素的影響，趨勢(shì)面因子很難完全反映土壤鹽分的分布情況，表現(xiàn)在無(wú)人機(jī)高分辨率0.065 m尺度上的轉(zhuǎn)換殘差ΔS，在本文中，也認(rèn)為等于衛(wèi)星尺度上的轉(zhuǎn)換殘差ΔS1，計(jì)算式為

ΔS=S-S0.065=ΔS1

(3)

尺度轉(zhuǎn)換后的土壤含鹽量，應(yīng)該由無(wú)人機(jī)尺度上建立的趨勢(shì)面應(yīng)用到GF-1數(shù)據(jù)上計(jì)算的土壤含鹽量和衛(wèi)星尺度上的轉(zhuǎn)換殘差構(gòu)成，計(jì)算式為

S16=F16(B16)+ΔS1=F0.065(B16)+ΔS1

(4)

式中S16——尺度轉(zhuǎn)換后的土壤含鹽量

B16——16 m衛(wèi)星數(shù)據(jù)上的變量因子

1.5 升尺度精度評(píng)價(jià)指標(biāo)

本文采用決定系數(shù)R2(Coefficient of determination)、均方根誤差(Root mean square error，RMSE)和平均絕對(duì)誤差(Mean absolute error，MAE)[20]這3個(gè)指標(biāo)來(lái)綜合評(píng)價(jià)升尺度后模型精度。R2能夠說(shuō)明轉(zhuǎn)換前后數(shù)據(jù)擬合的精度高低，RMSE和MAE能夠反映升尺度結(jié)果與實(shí)測(cè)數(shù)據(jù)之間的偏差程度。R2越接近1，同時(shí)RMSE和MAE越小，說(shuō)明模型效果越好。

2 結(jié)果分析

2.1 光譜波段和光譜指數(shù)與實(shí)測(cè)鹽分?jǐn)?shù)據(jù)相關(guān)性分析

將無(wú)人機(jī)和GF-1衛(wèi)星對(duì)應(yīng)的光譜波段分別與實(shí)測(cè)土壤鹽分?jǐn)?shù)據(jù)進(jìn)行相關(guān)性分析，如表2所示。

由表2可以看出，無(wú)人機(jī)遙感影像中，除B3和B4波段外，其他4個(gè)波段與土壤鹽分均表現(xiàn)出較高的相關(guān)性，其中B1和B6波段在0.01水平上顯著相關(guān)，相關(guān)系數(shù)均大于0.43，B5波段與土壤含鹽量的相關(guān)性也相對(duì)較好，其相關(guān)系數(shù)為0.367， B2波段的相關(guān)系數(shù)最低，僅為0.233；對(duì)于GF-1衛(wèi)星遙感影像， B1和B5波段與土壤鹽分的相關(guān)性在0.01水平上顯著相關(guān)，且相關(guān)系數(shù)均達(dá)到了0.35以上。綜上所述，無(wú)人機(jī)和衛(wèi)星遙感影像的B1、B5波段與土壤含鹽量的相關(guān)性最好。

表2 光譜波段與表層土壤鹽分相關(guān)系數(shù)Tab.2 Correlation coefficient between each band data and surface soil salinity

注：*表示相關(guān)性顯著(P<0.05)，** 表示相關(guān)性極顯著(P<0.01)，下同。

將實(shí)測(cè)土壤鹽分?jǐn)?shù)據(jù)與常用的光譜指數(shù)相關(guān)性進(jìn)行分析，其結(jié)果如表3所示。

表3 光譜指數(shù)與表層土壤鹽分相關(guān)系數(shù)Tab.3 Correlation coefficient between salt index and surface soil salinity

由表3可以看出，通過(guò)無(wú)人機(jī)遙感影像計(jì)算的鹽分指數(shù)SI和S5與土壤鹽分的相關(guān)性較好，相關(guān)系數(shù)分別為0.356和0.441。通過(guò)GF-1衛(wèi)星遙感影像計(jì)算的鹽分指數(shù)SI和S5與土壤鹽分的相關(guān)性也相對(duì)較高，相關(guān)系數(shù)分別為0.306和0.315。對(duì)于改進(jìn)光譜指數(shù)(NDVI-S1)，在無(wú)人機(jī)遙感數(shù)據(jù)和GF-1衛(wèi)星遙感數(shù)據(jù)上均呈現(xiàn)良好的相關(guān)性，相關(guān)系數(shù)分別為0.476和0.547。

綜上所述，本文選取在0.01水平上顯著相關(guān)的2個(gè)敏感波段(B1、B5)和3個(gè)敏感光譜指數(shù)(SI、S5和NDVI-S1)作為模型的輸入變量，用于建立遙感影像與土壤含鹽量的定量關(guān)系。

2.2 多重共線性分析

多元回歸分析方法在數(shù)理統(tǒng)計(jì)中有著廣泛的應(yīng)用，但變量因子間的近線性關(guān)系會(huì)影響回歸方程的穩(wěn)定性[26]，所以有必要對(duì)變量因子間進(jìn)行共線性診斷。本文選用相關(guān)系數(shù)矩陣和方差膨脹因子(VIF)兩種方法來(lái)綜合評(píng)估5個(gè)變量因子之間線性關(guān)系的強(qiáng)弱。

2.2.1相關(guān)系數(shù)矩陣

通過(guò)統(tǒng)計(jì)分析軟件SPSS 23.0對(duì)無(wú)人機(jī)數(shù)據(jù)和GF-1數(shù)據(jù)的變量因子分別進(jìn)行相關(guān)系數(shù)矩陣分析，結(jié)果見(jiàn)表4和表5。

表4 無(wú)人機(jī)數(shù)據(jù)相關(guān)系數(shù)矩陣Tab.4 Correlation coefficient matrix of UAV data

表5 GF-1數(shù)據(jù)相關(guān)系數(shù)矩陣Tab.5 Correlation coefficient matrix of GF-1 data

當(dāng)兩個(gè)變量因子間的相關(guān)系數(shù)越接近于1時(shí)，認(rèn)為其線性關(guān)系越強(qiáng)。其中，相關(guān)系數(shù)超過(guò)0.9時(shí)，認(rèn)為存在共線性問(wèn)題，在0.8以上時(shí)可能會(huì)有問(wèn)題[27]。由表4可以直觀地看出， B5變量因子與其他幾個(gè)變量因子的相關(guān)系數(shù)小于0.8，共線性關(guān)系較弱；其余變量因子的相關(guān)系數(shù)均大于0.8，表示可能存在共線性問(wèn)題。從表5可以看出，5個(gè)變量因子之間，存在相關(guān)系數(shù)大于0.8的情況。綜上所述，無(wú)人機(jī)數(shù)據(jù)變量因子和GF-1數(shù)據(jù)變量因子間都存在共線性問(wèn)題。

2.2.2方差膨脹因子

為進(jìn)一步說(shuō)明變量因子間的共線性問(wèn)題，采用方差膨脹因子VIF來(lái)表達(dá)其嚴(yán)重性。利用SPSS 23.0軟件對(duì)無(wú)人機(jī)遙感數(shù)據(jù)和GF-1遙感數(shù)據(jù)的變量因子分別進(jìn)行方差膨脹因子VIF分析，結(jié)果見(jiàn)表6。

表6 方差膨脹因子VIF統(tǒng)計(jì)Tab.6 Spectral variance expansion factor VIF statistics

一般認(rèn)為某個(gè)變量因子的VIF大于10時(shí)，則表明該變量與其他自變量間具有較強(qiáng)的共線性問(wèn)題[28]，由表6可以看出，對(duì)于無(wú)人機(jī)數(shù)據(jù)，只有B5波段的VIF小于10，其他幾個(gè)變量因子的VIF均大于10。對(duì)于GF-1數(shù)據(jù)，除B5波段和改進(jìn)光譜指數(shù)，其他3個(gè)變量因子的VIF均大于10，其中改進(jìn)光譜指數(shù)的VIF最低，為4.079，比一般鹽分指數(shù)的VIF有明顯的降低。充分說(shuō)明了無(wú)人機(jī)數(shù)據(jù)和GF-1數(shù)據(jù)各變量因子間存在嚴(yán)重的共線性問(wèn)題，這種問(wèn)題會(huì)導(dǎo)致模型的穩(wěn)定性相對(duì)較差，預(yù)測(cè)的精度也會(huì)隨之降低。本研究通過(guò)使用MLR模型，以及可以有效解決共線性問(wèn)題的SR模型和RR模型進(jìn)行表層土壤的鹽分反演。

2.3 不同數(shù)據(jù)源含鹽量回歸模型分析

采用統(tǒng)計(jì)分析軟件SPSS，以樣本的2/3進(jìn)行建模，1/3進(jìn)行驗(yàn)證。對(duì)GF-1衛(wèi)星數(shù)據(jù)的變量因子進(jìn)行建模和驗(yàn)證分析，結(jié)果如表7所示，Y為土壤含鹽量；X1為GF-1衛(wèi)星波段1反射率；X2為GF-1衛(wèi)星波段5反射率；X3為GF-1衛(wèi)星計(jì)算的SI光譜指數(shù)；X4為GF-1衛(wèi)星計(jì)算的S5光譜指數(shù)；X5為GF-1衛(wèi)星計(jì)算的NDVI-S1光譜指數(shù)；MLRS、SRS、RRS下標(biāo)S表示衛(wèi)星數(shù)據(jù)反演。

表7 GF-1衛(wèi)星變量因子回歸模型Tab.7 Monitoring models of GF-1 satellite variable factor

由表8(MLRU、SRU、RRU的下標(biāo)U表示無(wú)人機(jī)數(shù)據(jù)反演)可以看出，3種反演土壤表層鹽分的模型都具有統(tǒng)計(jì)學(xué)意義(P<0.001)，且均表現(xiàn)為極顯著，進(jìn)一步表明了高分辨率多光譜信息可以進(jìn)行表層土壤鹽分的預(yù)測(cè)。但是模型間也存在一定的差異，其中RRU模型的效果相對(duì)較差，建模集和驗(yàn)證集R2最小，分別為0.403和0.369，RMSE最大，為0.237%。MLRU模型和SRU模型的建模和驗(yàn)證效果相對(duì)較好，其中建模集和驗(yàn)證集R2都在0.45以上，

表8 土壤鹽分與無(wú)人機(jī)變量因子回歸模型Tab.8 Monitoring models of soil salt and UAV variable factor

RMSE相差較小，分別為0.195%和0.202%。但是SRU模型的F明顯高于MLRU模型，且SRU模型縮減變量因子，可在一定程度上減弱共線性問(wèn)題、減少了計(jì)算量，可簡(jiǎn)潔高效地得到表層土壤含鹽量情況，故SRU模型為本次無(wú)人機(jī)遙感反演土壤含鹽量的最優(yōu)模型。

結(jié)合表7、8可得，基于無(wú)人機(jī)遙感數(shù)據(jù)建立的裸土期表層土壤鹽分反演模型精度均優(yōu)于GF-1衛(wèi)星數(shù)據(jù)建立的表層土壤鹽分反演模型。利用無(wú)人機(jī)遙感數(shù)據(jù)建立的土壤鹽分反演最優(yōu)模型為SRU模型，利用GF-1衛(wèi)星遙感數(shù)據(jù)建立的土壤鹽分反演最優(yōu)模型為MLRS模型。

2.4 轉(zhuǎn)換殘差分析

由于無(wú)人機(jī)尺度上的轉(zhuǎn)換殘差等于衛(wèi)星尺度的轉(zhuǎn)換殘差，因此將無(wú)人機(jī)數(shù)據(jù)在3種回歸模型下生成的轉(zhuǎn)換殘差與衛(wèi)星數(shù)據(jù)變量因子進(jìn)行分析。經(jīng)過(guò)對(duì)變量因子的篩選，選取NDVI-S1和B1進(jìn)行轉(zhuǎn)換殘差的擬合，如圖3所示。由圖可以看出，RRU轉(zhuǎn)換殘差與(NDVI-S1)-B1的擬合效果總體相對(duì)較好，決定系數(shù)R2為0.586 3，其他兩種轉(zhuǎn)換殘差下，決定系數(shù)R2分別為0.456 7和0.523 3。通過(guò)圖3擬合的多項(xiàng)式生成衛(wèi)星尺度上轉(zhuǎn)換殘差的面圖像，加上在無(wú)人機(jī)尺度上建立的趨勢(shì)面應(yīng)用在GF-1衛(wèi)星尺度生成的面圖像，設(shè)為升尺度后的圖像。

圖3 轉(zhuǎn)換殘差與光譜指數(shù)擬合圖Fig.3 Fitting graphs of conversion residual

2.5 升尺度分析

2.5.1升尺度定性分析

升尺度后的土壤鹽分影像圖與表7所示的MLRS模型反演的土壤鹽分圖進(jìn)行密度散點(diǎn)圖擬合，如圖4所示，可見(jiàn)二者具有一定的擬合度，R2為0.204。為了進(jìn)一步定性評(píng)價(jià)升尺度后的土壤鹽分影像圖，本文通過(guò)直方圖來(lái)對(duì)比升尺度后的土壤鹽分影像圖與MLRS模型反演的鹽漬化影像圖之間的關(guān)系，如圖5所示。

圖4 轉(zhuǎn)換前后土壤鹽分密度散點(diǎn)圖Fig.4 Soil salt density scatter plot before and after scaling

由圖5可以看出，MLRS模型反演的鹽漬化影像圖，含鹽量在0～1.75%之間，峰值出現(xiàn)在0.4%附近，且像元數(shù)量為2 000左右；而升尺度后的鹽漬化影像圖，含鹽量在0～2.0%之間，峰值位于0.25%附近，像元數(shù)量為6 500左右?？梢?jiàn)相比MLRS反演的鹽漬化影像圖，升尺度后的土壤含鹽量值相對(duì)偏小，降低了試驗(yàn)區(qū)的鹽漬化情況。

圖5 轉(zhuǎn)換前后土壤鹽分直方圖Fig.5 Histograms of soil salt before and after scaling

2.5.2升尺度定量分析

為了對(duì)升尺度結(jié)果進(jìn)行定量評(píng)價(jià)，分別對(duì)模型計(jì)算值與實(shí)測(cè)值進(jìn)行了對(duì)比分析，如表9所示。

由表9可以看出，模型1和模型2相差不大，建模集和驗(yàn)證集R2都約為0.72，且RMSE和MAE都相近，可見(jiàn)兩者具有相同的建模和預(yù)測(cè)效果。模型3相對(duì)最優(yōu)，雖然建模集和驗(yàn)證集R2與其他兩種模型較為接近，但RMSE和MAE在建模集和驗(yàn)證集下都最小。

表9 預(yù)測(cè)值與實(shí)測(cè)值對(duì)比分析Tab.9 Comparison of predicted and true values

注：ΔS1、ΔS2、ΔS3分別為不同模型下的土壤鹽分轉(zhuǎn)換殘差。

2.6 土壤鹽分預(yù)測(cè)

根據(jù)升尺度后最優(yōu)的模型3進(jìn)行試驗(yàn)區(qū)表層土壤的含鹽量估測(cè)，通過(guò)鹽漬土劃分標(biāo)準(zhǔn)，將試驗(yàn)區(qū)域劃分為4類(lèi)鹽漬化類(lèi)型，即非鹽漬土(0～0.2%)、輕度鹽漬土(0.2%～0.5%)、重度鹽漬土(0.5%～1.0%)、鹽漬土(>1.0%)[15]，如圖6所示。

圖6 升尺度16 m鹽漬化分級(jí)圖Fig.6 Classification map of salinization by ascending scale of 16 m

3 討論

土壤鹽漬化問(wèn)題嚴(yán)重制約當(dāng)?shù)剞r(nóng)業(yè)經(jīng)濟(jì)的發(fā)展，對(duì)其進(jìn)行監(jiān)測(cè)十分重要，遙感技術(shù)能夠較好地解決這一問(wèn)題。本文對(duì)GF-1衛(wèi)星數(shù)據(jù)和無(wú)人機(jī)數(shù)據(jù)的各波段和光譜指數(shù)與實(shí)測(cè)鹽分?jǐn)?shù)據(jù)進(jìn)行了相關(guān)性分析，發(fā)現(xiàn)兩者的藍(lán)波段、近紅外波段、鹽分指數(shù)SI、鹽分指數(shù)S5與土壤鹽分的相關(guān)性較好，這與馮娟等[29-30]研究成果一致。新構(gòu)建的光譜指數(shù)NDVI-S1與土壤鹽分的相關(guān)性可以提高0.03左右。通過(guò)3種回歸模型對(duì)試驗(yàn)區(qū)進(jìn)行了土壤含鹽量的遙感反演，發(fā)現(xiàn)無(wú)人機(jī)數(shù)據(jù)監(jiān)測(cè)模型精度均優(yōu)于GF-1衛(wèi)星數(shù)據(jù)，原因是GF-1衛(wèi)星數(shù)據(jù)分辨率低且受外界因素影響更大，無(wú)人機(jī)數(shù)據(jù)在獲取時(shí)，可以人為選擇較好的外界環(huán)境來(lái)進(jìn)行飛行試驗(yàn)，得到成像品質(zhì)較好的影像數(shù)據(jù)。

本文通過(guò)改進(jìn)的TsHARP尺度轉(zhuǎn)換方法，提高GF-1衛(wèi)星遙感對(duì)土壤鹽漬化的監(jiān)測(cè)精度，具有較好的效果。這是因?yàn)門(mén)sHARP尺度轉(zhuǎn)換方法有效結(jié)合衛(wèi)星數(shù)據(jù)和無(wú)人機(jī)數(shù)據(jù)，通過(guò)無(wú)人機(jī)尺度上生成的轉(zhuǎn)換殘差對(duì)GF-1衛(wèi)星反演模型進(jìn)行校正，獲得像元尺度土壤鹽分的“相對(duì)真值”，提高了衛(wèi)星遙感數(shù)據(jù)對(duì)定量遙感反演模型的可靠性。與傳統(tǒng)基于重采樣的尺度上推方法相比，引入高分辨率下的光譜信息構(gòu)造趨勢(shì)面實(shí)現(xiàn)升尺度轉(zhuǎn)換，能較好地保持原始遙感數(shù)據(jù)的信息量及空間結(jié)構(gòu)特征，可對(duì)今后的尺度上推研究提供一定的參考。

先前的研究表明，地表異質(zhì)性和模型非線性均是尺度效應(yīng)產(chǎn)生的原因[31]，本文沒(méi)有考慮尺度效應(yīng)問(wèn)題，只是通過(guò)尺度轉(zhuǎn)換方法實(shí)現(xiàn)GF-1衛(wèi)星監(jiān)測(cè)土壤鹽分精度的提高，這是本文的不足之處。另外，試驗(yàn)區(qū)水熱耦合情況復(fù)雜且多變，制約了土壤鹽分的有效監(jiān)測(cè)，因此本文所得的結(jié)果也僅限于本次試驗(yàn)，在其他月份和其他地區(qū)的適用性還有待進(jìn)一步探索。

4 結(jié)論

(1)通過(guò)土壤鹽分與無(wú)人機(jī)數(shù)據(jù)和GF-1數(shù)據(jù)的光譜波段、鹽分指數(shù)進(jìn)行相關(guān)性分析發(fā)現(xiàn)，兩者的藍(lán)波段B1、近紅外波段B5、鹽分指數(shù)SI、鹽分指數(shù)S5和新構(gòu)建的光譜指數(shù)NDVI-S1與土壤鹽分具有較好的相關(guān)性，相關(guān)系數(shù)均在0.3以上，其中NDVI-S1可達(dá)到0.47以上。

(2)對(duì)比2種數(shù)據(jù)源在3種回歸模型下反演表層土壤鹽分時(shí)發(fā)現(xiàn)，無(wú)人機(jī)數(shù)據(jù)建立的模型精度均優(yōu)于GF-1衛(wèi)星數(shù)據(jù)；在無(wú)人機(jī)高分辨率數(shù)據(jù)下，逐步回歸模型相對(duì)最優(yōu)，在GF-1衛(wèi)星低分辨率數(shù)據(jù)下，多元線性回歸模型相對(duì)最優(yōu)。