大田葵花土壤含鹽量無(wú)人機(jī)遙感反演研究

陳俊英 姚志華 張智韜 魏廣飛 王新濤 韓 佳

(1.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；2.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)

0 引言

土壤鹽漬化是全球范圍內(nèi)的生態(tài)問(wèn)題，多發(fā)生于干旱-半干旱地區(qū)，是制約區(qū)域農(nóng)業(yè)生產(chǎn)發(fā)展和導(dǎo)致土地退化的主要因素之一[1-2]。河套灌區(qū)是我國(guó)重要的糧油作物生產(chǎn)基地[3-4]，同時(shí)也是土壤鹽漬化的高發(fā)區(qū)。已有學(xué)者研究發(fā)現(xiàn)，不同程度的鹽分脅迫對(duì)作物根系的吸水功能會(huì)造成一定程度的影響，進(jìn)而影響作物長(zhǎng)勢(shì)[5]。因此，研究植被覆蓋狀態(tài)下作物根系的土壤鹽分信息，對(duì)于評(píng)估土壤鹽分對(duì)作物生長(zhǎng)狀況的影響、采取有效措施增產(chǎn)增收具有極為重要的意義?？ㄊ呛犹坠鄥^(qū)典型的油料作物，針對(duì)土壤鹽分對(duì)葵花生理狀態(tài)的影響已有大量的研究[6-8]。這些研究大多是以小區(qū)域的田間試驗(yàn)數(shù)據(jù)為基礎(chǔ)，難以推廣到大田區(qū)域，且這些研究數(shù)據(jù)獲取的手段相對(duì)傳統(tǒng)，獲取方式也比較單一，難以滿(mǎn)足現(xiàn)代化精準(zhǔn)農(nóng)業(yè)的客觀要求。無(wú)人機(jī)遙感作為一種新興的遙感手段，具有獲取信息快、覆蓋面積廣及運(yùn)行成本低等優(yōu)勢(shì)，近年來(lái)在作物系數(shù)估算、農(nóng)田土壤含水率反演以及作物水分脅迫診斷等方面有著廣泛的應(yīng)用[9-11]。也有學(xué)者嘗試將其應(yīng)用到土壤鹽漬化的研究上，并取得了不錯(cuò)的成果[12-13]。

已有研究表明，鹽漬化土壤在光譜的可見(jiàn)光和近紅外波段具有明顯的光譜特征[14-15]。文獻(xiàn)[16]通過(guò)構(gòu)建不同的光譜指數(shù)來(lái)評(píng)價(jià)植被群落的土壤鹽分，發(fā)現(xiàn)受鹽分影響的植被冠層的光譜特征會(huì)隨鹽分水平的不同而發(fā)生變化。文獻(xiàn)[17]利用衛(wèi)星多光譜數(shù)據(jù)，采用不同的變量篩選方法優(yōu)選變量，研究了我國(guó)西北部艾比湖地區(qū)的土壤鹽漬化狀況，發(fā)現(xiàn)經(jīng)過(guò)變量篩選獲取的反演模型可以有效估算該地區(qū)的土壤鹽分。文獻(xiàn)[18]在利用多光譜數(shù)據(jù)反演黃河三角洲地區(qū)的土壤鹽分時(shí)發(fā)現(xiàn)，構(gòu)建的模型在不同鹽分水平上估算精度存在差異。針對(duì)河套灌區(qū)的土壤鹽漬化研究，目前主要的手段是通過(guò)地面實(shí)地測(cè)量的光譜數(shù)據(jù)[19]或者衛(wèi)星遙感監(jiān)測(cè)得到的數(shù)據(jù)[20]、結(jié)合土壤樣品的鹽分含量數(shù)據(jù)進(jìn)行反演。而利用無(wú)人機(jī)遙感對(duì)植被覆蓋狀態(tài)下農(nóng)田土壤鹽分開(kāi)展的相關(guān)研究則相對(duì)較少，針對(duì)該地區(qū)單一作物葵花不同生育期、不同土層根系土壤鹽分特點(diǎn)的研究也不多見(jiàn)。開(kāi)展此類(lèi)相關(guān)研究不僅是對(duì)不同狀態(tài)下葵花農(nóng)田土壤鹽分特點(diǎn)的初步解析，而且對(duì)河套灌區(qū)多元化遙感形式下的土壤鹽漬化監(jiān)測(cè)也有一定的積極意義。

在利用遙感數(shù)據(jù)反演土壤鹽分狀況的研究方法上，一般是通過(guò)光譜變換、波段或者指數(shù)篩選等方式篩選出對(duì)土壤鹽分敏感的相關(guān)變量，進(jìn)而進(jìn)行模型驗(yàn)證分析[21-22]。因此，敏感變量的篩選是進(jìn)行土壤鹽分反演的關(guān)鍵。近年來(lái)，作為一種應(yīng)用廣泛的多因素統(tǒng)計(jì)方法，灰色評(píng)估系統(tǒng)在土壤鹽分的光譜分析中可以更好地對(duì)敏感波段或指數(shù)進(jìn)行篩選，因此被越來(lái)越多應(yīng)用到區(qū)域土壤鹽漬化的定量分析上[12,23]。機(jī)器學(xué)習(xí)算法在處理復(fù)雜的非線(xiàn)性關(guān)系問(wèn)題上具有獨(dú)到的優(yōu)勢(shì)，被許多學(xué)者應(yīng)用到了土壤鹽分反演模型的構(gòu)建，并取得了較好的效果[24-27]。前人研究雖已涉及很多方面，但將灰色關(guān)聯(lián)和機(jī)器學(xué)習(xí)算法相結(jié)合進(jìn)行農(nóng)田土壤鹽分反演的研究卻相對(duì)不多。

鑒于此，本文通過(guò)采集河套灌區(qū)大田葵花不同生育期內(nèi)的無(wú)人機(jī)遙感影像數(shù)據(jù)及對(duì)應(yīng)的土壤鹽分?jǐn)?shù)據(jù)，以灰色關(guān)聯(lián)法篩選對(duì)鹽分敏感的光譜指數(shù)，以不同類(lèi)型的光譜指數(shù)及對(duì)應(yīng)的冠層溫度作為模型輸入變量，利用偏最小二乘回歸、支持向量機(jī)、 反向傳播神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)等方法構(gòu)建不同的鹽分反演模型，對(duì)比在葵花不同生育期、不同指數(shù)類(lèi)型及不同土壤深度下的模型精度，以期獲得適應(yīng)于大田葵花土壤含鹽量反演的最優(yōu)模型，同時(shí)也為鹽漬化地區(qū)葵花農(nóng)田土壤鹽分的無(wú)人機(jī)遙感定量反演提供一定的參考。

1 材料與方法

1.1 研究區(qū)及試驗(yàn)地概況

內(nèi)蒙古河套灌區(qū)位于內(nèi)蒙古自治區(qū)西部，是中國(guó)設(shè)計(jì)灌溉面積最大的灌區(qū)，也是中國(guó)重要的糧油作物生產(chǎn)基地之一。研究區(qū)沙壕渠灌域是內(nèi)蒙古河套灌區(qū)西北部解放閘灌域內(nèi)部的一個(gè)獨(dú)立單元，地理位置介于北緯40°52′～41°0′，東經(jīng)107°5′～107°10′，其形狀近似為一個(gè)狹長(zhǎng)的倒三角形，南窄北寬，土壤類(lèi)型以粉壤土、砂壤土和壤土為主。該地區(qū)的氣候類(lèi)型為典型的大陸性干旱-半干旱氣候，冬長(zhǎng)夏短，冬季嚴(yán)寒少雪，夏季高溫少雨，年均降雨量150 mm，年均蒸發(fā)量2 000 mm，年平均氣溫7℃，全年無(wú)霜期130～150 d。主要種植農(nóng)作物為葵花，同時(shí)還夾雜種植部分小麥、玉米和西葫蘆等。灌區(qū)引水以引黃灌溉為主，全年視來(lái)水情況灌水5～8次，年均引黃河水量約12億m3。近年來(lái)由于灌區(qū)長(zhǎng)期高灌低排、灌水利用效率不高和氣候條件的影響，使得該地區(qū)面臨著不同程度的次生土壤鹽漬化問(wèn)題，已經(jīng)嚴(yán)重制約了農(nóng)業(yè)生產(chǎn)的發(fā)展。

根據(jù)在沙壕渠灌域內(nèi)實(shí)地調(diào)研結(jié)果，按照土壤鹽漬化的不同程度，選擇了4塊不同鹽漬化梯度的耕地作為試驗(yàn)地，并依次編號(hào)，分別為：1號(hào)地(含鹽量0.87～4.66 g/kg)、2號(hào)地(含鹽量2.03～7.99 g/kg)、3號(hào)地(含鹽量5.05～18.32 g/kg)、4號(hào)地(含鹽量18.99～59.99 g/kg)，見(jiàn)圖1。每塊試驗(yàn)地的面積約為16 hm2，主要種植作物為葵花，4塊地在研究區(qū)內(nèi)呈“T”形分布，可以較好地代表研究區(qū)域內(nèi)大田葵花的鹽漬化分布狀況及特點(diǎn)。

圖1 試驗(yàn)地示意圖Fig.1 Sketch of location of study area and test site

1.2 試驗(yàn)數(shù)據(jù)獲取及預(yù)處理

1.2.1無(wú)人機(jī)遙感平臺(tái)及傳感器配置

試驗(yàn)所用遙感平臺(tái)為大疆創(chuàng)新科技有限公司生產(chǎn)的經(jīng)緯M600型六旋翼無(wú)人機(jī)，如圖2a所示。該機(jī)的最大續(xù)航時(shí)間40 min，最大起飛質(zhì)量15.1 kg，最大上升和水平飛行速度分別為5、18 m/s，同時(shí)可承受最大8 m/s的風(fēng)速。其搭載的多光譜傳感器為美國(guó)Tetracam公司生產(chǎn)的Micro-MCA型多光譜相機(jī)(簡(jiǎn)稱(chēng)MCA)，如圖2b所示。該相機(jī)包括中心波長(zhǎng)490 nm(藍(lán)光)、550 nm(綠光)、680 nm(紅光)、720 nm(紅邊)、800 nm(近紅外)、900 nm(近紅外)6個(gè)波段的光譜采集通道，具有質(zhì)量輕、體積小及遠(yuǎn)程觸發(fā)等特點(diǎn)，非常適合在中小型無(wú)人機(jī)上進(jìn)行搭載及拍攝。熱紅外傳感器為大疆公司生產(chǎn)的禪思XT型熱紅外成像測(cè)溫儀，如圖2c所示。該成像儀使用FLIR系統(tǒng)的Tau2機(jī)芯，鏡頭焦距為19 mm，分辨率為640像素×512像素，視場(chǎng)角32°(H)×26°(V)，波段范圍7.5～13.5 μm，溫度測(cè)量范圍-25～135℃，可以快速實(shí)時(shí)監(jiān)測(cè)試驗(yàn)作物的冠層溫度變化情況。

圖2 試驗(yàn)所用無(wú)人機(jī)與傳感器配置Fig.2 UAV and sensor configuration used in test

1.2.2野外實(shí)測(cè)鹽分?jǐn)?shù)據(jù)

實(shí)測(cè)鹽分?jǐn)?shù)據(jù)分別于2018年7月15—19日和8月12—16日分兩次采集于河套灌區(qū)沙壕渠灌域試驗(yàn)地，數(shù)據(jù)采集時(shí)間分別為葵花生長(zhǎng)階段的現(xiàn)蕾期和開(kāi)花期，如圖3所示。試驗(yàn)期間天氣晴朗，一般選取11:00和14:00左右進(jìn)行無(wú)人機(jī)的飛行試驗(yàn)。每塊試驗(yàn)地均勻布置采樣點(diǎn)15個(gè)，以現(xiàn)蕾期采樣點(diǎn)分布為例，如圖4所示。采樣點(diǎn)均選取在有葵花覆蓋的區(qū)域內(nèi)，現(xiàn)蕾期各個(gè)采樣點(diǎn)葵花覆蓋度大部分在80%左右，其中3號(hào)地葵花長(zhǎng)勢(shì)最為旺盛，覆蓋度也最高，2號(hào)地覆蓋度較3號(hào)地略低，但長(zhǎng)勢(shì)比較均一，而1號(hào)地和4號(hào)地各個(gè)采樣點(diǎn)葵花覆蓋度則存在一定差異，其中最高的可達(dá)88%，最低的僅為39%。開(kāi)花期各個(gè)采樣點(diǎn)葵花覆蓋度大部分在90%左右，比現(xiàn)蕾期有所提高，但各個(gè)采樣點(diǎn)覆蓋度的具體分布情況與現(xiàn)蕾期基本類(lèi)似。具體的采樣方式為土鉆取土，采集包含0～20 cm、20～40 cm和40～60 cm 3個(gè)不同深度處的土壤樣本約60 g放于鋁盒之中，同時(shí)采用手持式GPS儀記錄每個(gè)采樣點(diǎn)的位置。

圖3 不同生育期葵花生理狀態(tài)示意圖Fig.3 Schematics of physiological status of sunflower in different growth stages

圖4 取樣點(diǎn)分布示意圖Fig.4 Distribution diagrams of sampling points

取回的土樣在實(shí)驗(yàn)室中經(jīng)自然風(fēng)干、縮分、研磨和過(guò)2 mm樣品篩后，稱(chēng)取20 g土樣置于250 mL振蕩瓶中，加入100 mL、(20±1)℃的蒸餾水，蓋上瓶蓋，放在往復(fù)式水平恒溫振蕩器上，于(20±1)℃振蕩30 min。取下振蕩瓶靜置30 min后，將上清液經(jīng)定性濾紙過(guò)濾，濾液收集于100 mL燒瓶中。配置好的提取液采用電導(dǎo)率儀(雷磁DDS-307A型，上海佑科儀器公司生產(chǎn))測(cè)定其電導(dǎo)率。用水沖洗電極數(shù)次，再用待測(cè)的提取液沖洗電極，按照電導(dǎo)率儀的使用說(shuō)明書(shū)要求，將溫度校正為(25±1)℃，直接從電導(dǎo)率儀上讀取土壤提取液的電導(dǎo)率(EC1:5,dS/m)，并通過(guò)經(jīng)驗(yàn)公式換算為土壤含鹽量(SSC，%)[20]。

1.2.3葵花冠層光譜反射率

無(wú)人機(jī)多光譜影像數(shù)據(jù)的采集時(shí)間與地面數(shù)據(jù)的采集保持一致。無(wú)人機(jī)飛行模式為按照提前規(guī)劃好的航線(xiàn)區(qū)域飛行，拍照模式選定等時(shí)間間隔，飛行高度為120 m，多光譜相機(jī)鏡頭垂直向下，此時(shí)的影像地面分辨率為0.065 m。每次光譜采集前均使用標(biāo)準(zhǔn)白板進(jìn)行標(biāo)定，對(duì)獲取的單幅6波段遙感影像與對(duì)應(yīng)的GPS數(shù)據(jù)在pix4Dmapper軟件中完成初步拼接，形成整塊試驗(yàn)地的多光譜遙感影像。再利用ENVI 5.3軟件將野外實(shí)測(cè)的采樣點(diǎn)按其GPS經(jīng)緯度信息導(dǎo)入圖像中，并以采集點(diǎn)為中心裁剪200像素×200像素的單幅遙感影像，如圖5所示。最后，以提取到的該區(qū)域內(nèi)圖像像元的6波段平均灰度除以標(biāo)準(zhǔn)白板的灰度作為該采樣點(diǎn)對(duì)應(yīng)的葵花冠層光譜反射率。

圖5 采樣點(diǎn)多光譜R、G、B波段合成真彩色影像Fig.5 True color images synthesized by multi-spectral R, G and B bands of sampling point

1.2.4葵花冠層溫度

葵花冠層溫度利用與多光譜相機(jī)同步掛載飛行的熱紅外成像系統(tǒng)獲得，數(shù)據(jù)采集時(shí)間及方式與多光譜系統(tǒng)保持一致，此時(shí)的影像地面分辨率為0.155 m。每次起飛前在試驗(yàn)區(qū)域內(nèi)放置近似黑體的一盆水，地面利用手持熱紅外測(cè)溫儀同步測(cè)量水體溫度及采樣點(diǎn)附近葵花葉片溫度，取不同葉片溫度平均值作為取樣點(diǎn)參考溫度以作校準(zhǔn)。將獲取的熱紅外遙感影像通過(guò)pix4Dmapper軟件進(jìn)行拼接以及ENVI 5.3軟件進(jìn)行裁剪之后，導(dǎo)入FLIR Tools(禪思XT熱紅外影像處理軟件)中，如圖6所示。設(shè)置輻射率為0.96，將之前獲取的葉片平均溫度和水溫作為參考溫度，通過(guò)對(duì)比參考溫度和熱紅外圖像上相應(yīng)像元溫度對(duì)紅外溫度圖像進(jìn)行校準(zhǔn)，獲取最終采樣點(diǎn)對(duì)應(yīng)的葵花冠層溫度。

圖6 采樣點(diǎn)熱紅外假彩色影像Fig.6 Thermal infrared false-color image of sampling point

1.3 光譜指數(shù)的選取與計(jì)算

利用遙感圖像提取到的光譜反射率，可以構(gòu)建出各種不同的光譜指數(shù)。為探究植被指數(shù)和鹽分指數(shù)在反演大田葵花土壤含鹽量的特點(diǎn)，分別挑選應(yīng)用廣泛的16種植被指數(shù)(歸一化植被指數(shù)NDVI-1、歸一化植被指數(shù)NDVI-2、差值植被指數(shù)DVI-1、差值植被指數(shù)DVI-2、比值植被指數(shù)SR-1、比值植被指數(shù)SR-2、增強(qiáng)型植被指數(shù)EVI-1、增強(qiáng)型植被指數(shù)EVI-2、大氣阻抗植被指數(shù)ARVI-1、大氣阻抗植被指數(shù)ARVI-2、冠層鹽度響應(yīng)植被指數(shù)CRSI-1、冠層鹽度響應(yīng)植被指數(shù)CRSI-2、土壤調(diào)節(jié)植被指數(shù)SAVI-1、土壤調(diào)節(jié)植被指數(shù)SAVI-2、修改型土壤調(diào)節(jié)植被指數(shù)MSAVI-1、修改型土壤調(diào)節(jié)植被指數(shù)MSAVI-2)和15種鹽分指數(shù)(歸一化鹽分指數(shù)NDSI-1、歸一化鹽分指數(shù)NDSI-2、鹽分指數(shù)SI、鹽分指數(shù)SI1、鹽分指數(shù)SI2-1、鹽分指數(shù)SI2-2、鹽分指數(shù)SI3、鹽分指數(shù)S1、鹽分指數(shù)S2、鹽分指數(shù)S3、鹽分指數(shù)S5、鹽分指數(shù)S6-1、鹽分指數(shù)S6-2、鹽分指數(shù)SI-T-1、鹽分指數(shù)SI-T-2)用于分析，其計(jì)算方法見(jiàn)文獻(xiàn)[16,28-38]。

1.4 土壤鹽分反演模型的構(gòu)建與驗(yàn)證

將葵花2個(gè)生育期內(nèi)每次獲取的60個(gè)樣本隨機(jī)分為2組，其中40個(gè)用于建模，20個(gè)用于驗(yàn)證。

1.4.1模型構(gòu)建

基于建模樣本的土壤鹽分?jǐn)?shù)據(jù)及無(wú)人機(jī)遙感系統(tǒng)得到的冠層溫度和優(yōu)選出的光譜指數(shù)參量，分別采用偏最小二乘回歸(PLSR)、支持向量機(jī)(SVM)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)以及極限學(xué)習(xí)機(jī)(ELM)構(gòu)建土壤鹽分反演模型。

運(yùn)用SPSS 23軟件建立土壤鹽分的偏最小二乘回歸模型。偏最小二乘法是最常用的一種光譜建模方法，相當(dāng)于主成分分析、多元線(xiàn)性回歸以及典型相關(guān)分析的組合，可在一定程度上有效地消除參量之間的多重共線(xiàn)性。支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)以及極限學(xué)習(xí)機(jī)等機(jī)器學(xué)習(xí)模型分別采用R語(yǔ)言軟件中的e1071、nnet和elmNNRcpp包完成。

1.4.2模型驗(yàn)證

利用決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean square error, RMSE)和一致性相關(guān)系數(shù)(The concordance correlation coefficient, CC)3個(gè)指標(biāo)對(duì)模型的驗(yàn)證精度進(jìn)行評(píng)估。R2和CC越大、RMSE越小，則說(shuō)明模型效果越好[39]。

2 結(jié)果與分析

2.1 土壤鹽分?jǐn)?shù)據(jù)的統(tǒng)計(jì)特征分析

將采集的葵花2個(gè)生育期內(nèi)不同土壤深度的采樣點(diǎn)鹽分按等級(jí)劃分[20]：非鹽土(含鹽量小于0.2%)、輕度鹽漬化(含鹽量0.2%～0.5%)、重度鹽漬化(含鹽量0.5%～1.0%)和鹽土(含鹽量大于1.0%)，具體的各項(xiàng)參數(shù)統(tǒng)計(jì)情況如表1所示。

表1 土壤采樣點(diǎn)鹽分的描述性統(tǒng)計(jì)分析Tab.1 Descriptive statistical analysis on soil salinity

2.2 葵花冠層溫度與土壤鹽分的相關(guān)性分析

將提取到的采樣點(diǎn)葵花冠層溫度與對(duì)應(yīng)的不同深度土壤鹽分進(jìn)行相關(guān)性分析，并繪制出散點(diǎn)圖，結(jié)果如圖7所示。從圖7中可以看出，不同生育期、不同土壤深度的葵花冠層溫度與土壤鹽分的相關(guān)性均有所差異。但總體而言，隨著土壤鹽度的提高，冠層溫度也在不斷升高，這與文獻(xiàn)[13]的研究結(jié)果一致。查皮爾遜(Person)相關(guān)系數(shù)界值表可得，當(dāng)n=60時(shí)，若0.250<|r|≤0.325，則表示在0.05水平上顯著；若|r|>0.325，則表示在0.01水平上顯著。因此，所選數(shù)據(jù)均達(dá)到了0.05水平上顯著，而在0.01水平上，現(xiàn)蕾期0～20 cm和20～40 cm深度處的數(shù)據(jù)達(dá)到了顯著，40～60 cm深度處數(shù)據(jù)未達(dá)到顯著，而開(kāi)花期則只有0～20 cm深度處的數(shù)據(jù)達(dá)到顯著，另外2個(gè)深度均呈現(xiàn)不顯著。對(duì)比可以發(fā)現(xiàn)2個(gè)生育期葵花在0～20 cm深度處的土壤鹽分與葵花的冠層溫度的相關(guān)性均最高，相關(guān)系數(shù)r分別為0.422和0.404，其他2個(gè)深度處的相關(guān)性則略低一些。

圖7 冠層溫度與土壤鹽分相關(guān)關(guān)系Fig.7 Correlation diagrams between canopy temperature and soil salinity

2.3 不同光譜指數(shù)與土壤鹽分的灰色關(guān)聯(lián)分析

利用灰色系統(tǒng)將不同生育期不同土壤深度的16種植被指數(shù)和15種鹽分指數(shù)分別與對(duì)應(yīng)的土壤含鹽量逐一進(jìn)行灰色關(guān)聯(lián)分析，其灰色關(guān)聯(lián)度及排序情況如表2和表3所示。

2.4 不同光譜指數(shù)的篩選結(jié)果統(tǒng)計(jì)

從表2和表3可以看出，不同生育期、不同深度的植被指數(shù)和鹽分指數(shù)與土壤含鹽量的關(guān)聯(lián)度均有所差異，即使是同一種指數(shù)類(lèi)型，利用不同的近紅外波段來(lái)構(gòu)建，其與土壤含鹽量的關(guān)聯(lián)度也不盡相同。但同一指數(shù)類(lèi)型在不同深度處與土壤含鹽量的關(guān)聯(lián)度比不同類(lèi)型指數(shù)間的關(guān)聯(lián)度差異要小，而植被指數(shù)與鹽分指數(shù)分別與土壤含鹽量的關(guān)聯(lián)度對(duì)比則不是很明顯。本研究在葵花生長(zhǎng)的2個(gè)生育期內(nèi)，篩選出不同土壤深度關(guān)聯(lián)度排序前6的植被指數(shù)和鹽分指數(shù)作為前2種模型輸入變量，同時(shí)篩選出關(guān)聯(lián)度排序前3的植被指數(shù)和鹽分指數(shù)組成光譜指數(shù)變量作為第3種模型輸入變量。具體的指數(shù)篩選結(jié)果統(tǒng)計(jì)情況如表4所示。

表2 不同生育期植被指數(shù)與土壤含鹽量的灰色關(guān)聯(lián)度統(tǒng)計(jì)Tab.2 Gray correlation degree statistics between different vegetation indexes and soil salinity at different growth stages

表3 不同生育期鹽分指數(shù)與土壤含鹽量的灰色關(guān)聯(lián)度統(tǒng)計(jì)Tab.3 Gray correlation degree statistics between different salt indexes and soil salinity at different growth stages

表4 不同生育期光譜指數(shù)的灰色關(guān)聯(lián)度分析篩選結(jié)果統(tǒng)計(jì)Tab.4 Grey correlation analysis and screening results statistics of spectral indexes at different growth stages

2.5 偏最小二乘回歸模型的建立與分析

利用SPSS 23軟件以2.4節(jié)篩選得到的光譜指數(shù)參量和對(duì)應(yīng)的冠層溫度作為自變量，以土壤含鹽量為因變量，構(gòu)建基于偏最小二乘回歸的土壤鹽分反演模型，模型效果如表5所示。

表5 基于不同生育期不同深度土壤含鹽量的PLSR模型Tab.5 PLSR regression model based on soil salinity at different depths in different growth stages

從表5可以看出，針對(duì)2個(gè)生育期數(shù)據(jù)，基于鹽分指數(shù)和光譜指數(shù)建立的模型的建模預(yù)測(cè)效果更優(yōu)。同時(shí)對(duì)比發(fā)現(xiàn)，0～20 cm和20～40 cm深度處的土壤鹽分模型效果要好于40～60 cm，特別是在開(kāi)花期。其中在開(kāi)花期40～60 cm土壤深度處基于植被指數(shù)建立的模型效果最差，驗(yàn)證集R2僅為0.068，驗(yàn)證集RMSE、CC分別為0.079%和0.255。而現(xiàn)蕾期在此深度處的模型更優(yōu)，這可能是因?yàn)樯诓煌ǖ母祷顒?dòng)范圍也存在差異。

2.6 機(jī)器學(xué)習(xí)模型的建立與分析

2.6.1支持向量機(jī)模型

支持向量機(jī)模型的建立主要是由R語(yǔ)言軟件中的e1071包實(shí)現(xiàn)，利用網(wǎng)格搜索法進(jìn)行模型參數(shù)gamma和成本參數(shù)cost的尋優(yōu)，選定交叉驗(yàn)證誤差最小的模型參數(shù)構(gòu)建模型作為最終的鹽分反演模型，結(jié)果如表6所示。

表6 基于不同生育期不同深度土壤含鹽量的SVM模型Tab.6 SVM regression model based on soil salinity at different depths in different growth stages

從表6可以發(fā)現(xiàn)，在所有已構(gòu)建的土壤鹽分SVM模型中，模型效果最好的是在現(xiàn)蕾期中基于光譜指數(shù)建立的0～20 cm深度處的鹽分反演模型，建模集R2和驗(yàn)證集R2分別為0.739和0.574，驗(yàn)證集RMSE、CC分別為0.080%和0.711。效果最差的是開(kāi)花期中基于植被指數(shù)建立的40～60 cm深度處的鹽分反演模型，建模集R2和驗(yàn)證集R2分別為0.397和0.203，驗(yàn)證集RMSE、CC分別為0.068%和0.008。其余模型的精度差異較小，建模集和驗(yàn)證集的決定系數(shù)均在0.3以上，均方根誤差均在0.2%以下，說(shuō)明基于支持向量機(jī)算法建立的鹽分反演模型整體效果較好。

2.6.2BP神經(jīng)網(wǎng)絡(luò)模型

BPNN是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，本研究的BP神經(jīng)網(wǎng)絡(luò)模型同樣采用R語(yǔ)言軟件完成。首先利用 caret 調(diào)用 nnet 包訓(xùn)練單隱含層人工神經(jīng)網(wǎng)絡(luò)，然后利用網(wǎng)格搜索法按照誤差最小的原則進(jìn)行參數(shù)尋優(yōu)，將選定的模型參數(shù)代入模型并輸入相關(guān)變量進(jìn)行模型運(yùn)算，結(jié)果如表7所示。

從表7可以發(fā)現(xiàn)，在所有已構(gòu)建的土壤鹽分BP神經(jīng)網(wǎng)絡(luò)模型中，現(xiàn)蕾期的模型整體效果較好，建模集R2和驗(yàn)證集R2均達(dá)到了0.4以上，驗(yàn)證集RMSE均位于0.1%以下，CC均位于0.4以上。而在開(kāi)花期，40～60 cm土壤深度處的模型效果明顯差于其他2個(gè)深度處，特別是基于植被指數(shù)建立的模型，建模集R2和驗(yàn)證集R2僅為0.191和0.140，基于鹽分指數(shù)和光譜指數(shù)建立的模型效果也較差。

表7 基于不同生育期不同深度土壤含鹽量的BPNN模型Tab.7 BPNN regression model based on soil salinity at different depths in different growth stages

2.6.3極限學(xué)習(xí)機(jī)模型

極限學(xué)習(xí)機(jī)是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)的快速學(xué)習(xí)算法，它的網(wǎng)絡(luò)訓(xùn)練模型由輸入層、隱含層和輸出層組成，其中隱含層的神經(jīng)元個(gè)數(shù)需人為確定。在R語(yǔ)言軟件中，調(diào)用elmNNRcpp包輸入訓(xùn)練樣本，設(shè)置tansig為激活函數(shù)。隱含層神經(jīng)元節(jié)點(diǎn)數(shù)確定方法是通過(guò)將節(jié)點(diǎn)數(shù)量由2調(diào)整到100，每一步增加2個(gè)，以調(diào)節(jié)最優(yōu)隱含層的節(jié)點(diǎn)數(shù)，每個(gè)模型結(jié)構(gòu)重復(fù)500次，以減少ELM模型的隨機(jī)性，最后由模型輸出層輸出運(yùn)算結(jié)果，結(jié)果如表8所示。

表8 基于不同生育期不同深度土壤含鹽量的ELM模型Tab.8 ELM regression model based on soil salinity at different depths in different growth stages

由表8可知，在所有已構(gòu)建的土壤鹽分極限學(xué)習(xí)機(jī)模型中，0～20 cm和20～40 cm土壤深度處的模型效果優(yōu)于40～60 cm，但也有例外，如在現(xiàn)蕾期基于植被指數(shù)建立的40～60 cm深度處的鹽分模型效果優(yōu)于其他深度，它的建模集R2和驗(yàn)證集R2分別為0.432和0.419，驗(yàn)證集RMSE、CC分別為0.108%和0.626。此外，對(duì)比發(fā)現(xiàn)，現(xiàn)蕾期的模型效果整體優(yōu)于開(kāi)花期，特別是40～60 cm深度處的模型，差異更加明顯。

2.7 模型的綜合評(píng)價(jià)

本文以通過(guò)灰色關(guān)聯(lián)法篩選得到的不同指數(shù)和對(duì)應(yīng)的作物冠層溫度為自變量，以相應(yīng)的不同深度土壤的含鹽量為因變量，統(tǒng)計(jì)2個(gè)生育期的數(shù)據(jù)，利用偏最小二乘回歸、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)以及極限學(xué)習(xí)機(jī)等建模方法，共計(jì)構(gòu)建不同類(lèi)型的土壤鹽分反演模型72個(gè)，其模型反演效果統(tǒng)計(jì)如表9所示。由于各個(gè)模型間的驗(yàn)證集RMSE差異較小，為了更直觀地觀察各個(gè)模型之間的區(qū)別，以驗(yàn)證集R2、CC和RMSE等評(píng)價(jià)指標(biāo)為參量，繪制出不同模型的模型評(píng)價(jià)指標(biāo)堆積條形圖，如圖8所示，以觀察分析模型反演效果，圖中反演模型PLSR-20表示在0～20 cm深度處的偏最小二乘回歸模型，SVM-20表示在0～20 cm深度處的支持向量機(jī)模型，BPNN-20表示在0～20 cm深度處的BP神經(jīng)網(wǎng)絡(luò)模型，ELM-20表示在0～20 cm深度處的極限學(xué)習(xí)機(jī)模型；PLSR-40表示20～40 cm深度處的偏最小二乘回歸模型，SVM-40表示在20～40 cm深度處的支持向量機(jī)模型，BPNN-40表示在20～40 cm深度處的BP神經(jīng)網(wǎng)絡(luò)模型，ELM-40表示在20～40 cm深度處的極限學(xué)習(xí)機(jī)模型；PLSR-60表示在40～60 cm深度處的偏最小二乘回歸模型，SVM-60表示在40～60 cm深度處的支持向量機(jī)模型，BPNN-60表示在40～60 cm深度處的BP神經(jīng)網(wǎng)絡(luò)模型，ELM-60表示在40～60 cm深度處的極限學(xué)習(xí)機(jī)模型。

圖8 不同土壤鹽分反演模型評(píng)價(jià)指標(biāo)堆積條形圖Fig.8 Different soil salinity inversion model evaluation index accumulation bar charts

從表9可以看出，就整體而言，無(wú)論是現(xiàn)蕾期還是開(kāi)花期，所建立的鹽分模型均表現(xiàn)出了良好的反演效果，但對(duì)比發(fā)現(xiàn)，現(xiàn)蕾期的效果要優(yōu)于開(kāi)花期。對(duì)比不同指數(shù)類(lèi)型建模發(fā)現(xiàn)，基于鹽分指數(shù)和光譜指數(shù)建立的模型反演效果更好。對(duì)比不同的土壤深度建模發(fā)現(xiàn)，在0～20 cm和20～40 cm深度處建立的鹽分反演模型反演效果優(yōu)于40～60 cm深度處的，特別是在開(kāi)花期，這種情況更加明顯。對(duì)比4種建模方法可以看出，基于機(jī)器學(xué)習(xí)方法建立的鹽分反演模型精度更高，而在這3種機(jī)器學(xué)習(xí)模型中，反演效果最好的是ELM模型，SVM模型次之，最差的是BPNN模型。

表9 不同建模類(lèi)型的鹽分反演模型反演效果統(tǒng)計(jì)分析Tab.9 Statistical analysis of inversion effects of salt inversion models of different modeling types

從圖8中可以看出，在開(kāi)花期的40～60 cm土壤深度處，建立的鹽分反演模型效果明顯差于其他深度，各個(gè)條形圖的長(zhǎng)度出現(xiàn)較大差異。而在現(xiàn)蕾期基于鹽分指數(shù)建立的不同模型反演效果則比較均勻，各個(gè)條形圖長(zhǎng)度差別不大。通過(guò)對(duì)現(xiàn)蕾期和開(kāi)花期的模型整體作對(duì)比，也可以看出現(xiàn)蕾期的模型整體反演的效果更好，模型的穩(wěn)定性也高于開(kāi)花期。同時(shí)還可以看出，大部分模型評(píng)價(jià)指標(biāo)堆積條的最長(zhǎng)處均集中在0～20 cm和20～40 cm深度處，說(shuō)明這2個(gè)深度更適宜于鹽分的反演。通過(guò)觀察還可以發(fā)現(xiàn)，即使在同一深度處，由于建模方法的不同，模型的效果也會(huì)有很大的差異，這說(shuō)明建模方法的選取對(duì)鹽分模型反演也很重要。

3 討論

無(wú)人機(jī)遙感有著監(jiān)測(cè)范圍廣、獲取信息快以及工作效率高等優(yōu)勢(shì)，在大面積獲取作物冠層信息方面有著廣泛的應(yīng)用，也是未來(lái)精準(zhǔn)農(nóng)業(yè)的發(fā)展方向。在葵花生長(zhǎng)旺盛的生育期內(nèi)，土壤中的鹽分高低會(huì)改變作物根域的水土環(huán)境，進(jìn)而影響到作物的生長(zhǎng)。本文通過(guò)提取到不同生育期內(nèi)葵花的冠層多光譜和熱紅外信息，來(lái)對(duì)其對(duì)應(yīng)根域不同土壤深度處的含鹽量進(jìn)行建模反演，取得了較好的反演效果。文獻(xiàn)[40]研究證明土壤鹽分對(duì)葵花生長(zhǎng)的限制會(huì)隨著作物生育階段的增加而減弱，而文獻(xiàn)[41]在沙壕渠試驗(yàn)站內(nèi)進(jìn)行的試驗(yàn)也得出了葵花不同生育期內(nèi)對(duì)鹽分的敏感性存在顯著差異的結(jié)論，本研究發(fā)現(xiàn)葵花現(xiàn)蕾期對(duì)根系土壤鹽分更為敏感，建模效果也更好，與上述研究結(jié)果基本類(lèi)似。已有研究表明鹽漬農(nóng)田葵花的最大側(cè)根深不到40 cm，且側(cè)根密度隨深度的增加而降低[40]。在本研究中，普遍存在0～20 cm和20～40 cm土層深度處的葵花根系對(duì)土壤鹽分的敏感程度高于40～60 cm的現(xiàn)象，這說(shuō)明土壤鹽分對(duì)作物生長(zhǎng)的影響程度與其根系的延伸程度密切相關(guān)。此外，本研究中基于植被指數(shù)組構(gòu)建的鹽分反演模型反演效果相對(duì)較差，這可能是由于土壤鹽分對(duì)作物最直接的影響就是覆蓋度降低，進(jìn)而導(dǎo)致各種植被指數(shù)的變化，而本研究所選擇的兩個(gè)生育期葵花長(zhǎng)勢(shì)旺盛、覆蓋度較高，因此土壤鹽分對(duì)各種植被指數(shù)的作用不是特別明顯。

通過(guò)添加包含有溫度信息的熱紅外波段數(shù)據(jù)共同構(gòu)建鹽分反演模型，可以使模型的整體性能更加完備，已有學(xué)者做過(guò)類(lèi)似的探索[13]。本文在模型構(gòu)建方面采用了傳統(tǒng)的偏最小二乘回歸以及3種機(jī)器學(xué)習(xí)算法，對(duì)比發(fā)現(xiàn)，鹽分反演的機(jī)器學(xué)習(xí)模型精度高于偏最小二乘回歸模型，這可能是因?yàn)辂}漬化農(nóng)田作物所反映的光譜信息與土壤參數(shù)之間的轉(zhuǎn)換函數(shù)是復(fù)雜的非線(xiàn)性關(guān)系，而機(jī)器學(xué)習(xí)具有自主學(xué)習(xí)的能力，可以很好地處理這類(lèi)關(guān)系，在反演土壤鹽分方面具有優(yōu)越性[33]。文獻(xiàn)[26]在利用多光譜和高光譜融合影像反演土壤鹽分時(shí)，同樣發(fā)現(xiàn)機(jī)器學(xué)習(xí)模型的反演效果明顯優(yōu)于統(tǒng)計(jì)分析模型。在3種機(jī)器學(xué)習(xí)模型中，ELM模型的效果最好，SVM模型次之，BPNN模型最差。這表明極限學(xué)習(xí)機(jī)作為一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，它的學(xué)習(xí)速率高、泛化能力強(qiáng)，相比其他2種機(jī)器學(xué)習(xí)方法，更加適合于本研究的土壤鹽分反演。文獻(xiàn)[27]在基于光譜指數(shù)與機(jī)器學(xué)習(xí)算法的土壤電導(dǎo)率估算研究中也用到了本文的3種機(jī)器學(xué)習(xí)算法，最后的結(jié)果同樣是ELM 模型表現(xiàn)最優(yōu)，這說(shuō)明ELM在土壤鹽分的定量研究中擁有廣闊的應(yīng)用前景。但值得說(shuō)明的是機(jī)器學(xué)習(xí)方法本身并無(wú)優(yōu)劣之分，究竟哪種機(jī)器學(xué)習(xí)方法更適合于土壤鹽分的反演，目前尚無(wú)定論。

然而本研究也存在明顯的不足之處，對(duì)于葵花而言，苗期是其生長(zhǎng)發(fā)育的關(guān)鍵時(shí)期，此時(shí)葵花的根系較淺，不同土層深度的鹽分與植被冠層信息之間的關(guān)系也更為復(fù)雜，而成熟期的葵花根系活動(dòng)范圍基本不再變化，此時(shí)期內(nèi)根系土壤鹽分的分布可能會(huì)影響到作物的產(chǎn)量。由于試驗(yàn)條件的限制，本研究只探索了葵花現(xiàn)蕾期和開(kāi)花期土壤鹽分特點(diǎn)，在苗期和成熟期的結(jié)果如何，還有待進(jìn)一步探索。此外，作物的冠層光譜信息不僅與作物根系土壤鹽分有關(guān)，如文獻(xiàn)[42]探究了土壤鹽分與施氮量交互作用對(duì)葵花生長(zhǎng)的影響，發(fā)現(xiàn)在0～20 cm的土層深度中，土壤鹽分在0.5%上下時(shí)，會(huì)影響到葵花對(duì)氮肥的吸收，進(jìn)而影響作物長(zhǎng)勢(shì)。文獻(xiàn)[43]的研究則表明在遙感反演土壤鹽分的過(guò)程中，不同的土壤水分和鹽分條件下也會(huì)呈現(xiàn)出不同的光譜信息，因此，考慮各種因素與土壤鹽分的交互作用對(duì)作物冠層光譜信息的影響應(yīng)該是后續(xù)研究的重點(diǎn)。由于取樣深度、數(shù)據(jù)采集時(shí)間、建模和驗(yàn)證方法以及研究區(qū)域地理環(huán)境的差異，本文的研究成果是否適用于其他地區(qū)葵花的土壤含鹽量反演還有待進(jìn)一步研究。

4 結(jié)論

(1)對(duì)比不同生育期、不同土壤深度的鹽分反演模型發(fā)現(xiàn)，葵花現(xiàn)蕾期鹽分模型的反演效果整體優(yōu)于開(kāi)花期，0～20 cm和20～40 cm土壤深度處的鹽分模型反演效果整體優(yōu)于40～60 cm深度處。

(2)對(duì)比不同指數(shù)類(lèi)型變量組構(gòu)建的鹽分模型發(fā)現(xiàn)，基于鹽分指數(shù)和光譜指數(shù)變量組、結(jié)合冠層溫度構(gòu)建的鹽分反演模型效果優(yōu)于基于植被指數(shù)組對(duì)應(yīng)的鹽分反演模型。其中基于植被指數(shù)組構(gòu)建的模型反演效果最好的驗(yàn)證集R2、RMSE和CC分別為0.510、0.097%和0.646，反演效果最差的驗(yàn)證集R2、RMSE和CC僅分別為0.140、0.071%和0.004。

(3)基于機(jī)器學(xué)習(xí)方法構(gòu)建的鹽分反演模型效果優(yōu)于偏最小二乘回歸模型，在所有構(gòu)建的偏最小二乘回歸模型中，反演效果最好的模型R2、RMSE和CC分別為0.554、0.081%和0.699，對(duì)應(yīng)的機(jī)器模型反演效果最好的R2、RMSE和CC分別達(dá)到了0.718、0.062%和0.813。在3種機(jī)器模型中，ELM模型效果最好，SVM模型次之，最差的是BPNN模型。