基于高光譜數據的鹽荒地和耕地土壤鹽分遙感反演優(yōu)化

孫亞楠，李仙岳，史海濱，馬紅雨，王維剛，崔佳琪，陳 辰

基于高光譜數據的鹽荒地和耕地土壤鹽分遙感反演優(yōu)化

孫亞楠1，李仙岳1※，史海濱1，馬紅雨1，王維剛1，崔佳琪2，陳 辰3

（1. 內蒙古農業(yè)大學水利與土木建筑工程學院，呼和浩特 010018； 2. 內蒙古赤峰市克什克騰旗浩來呼熱蘇木人民政府，赤峰 025374； 3. 內蒙古自治區(qū)水利廳綜合保障中心，呼和浩特 010010）

鹽荒地作為研究區(qū)的“臨時鹽庫”，其土壤鹽分遠高于研究區(qū)平均水平，因此探究不同土地利用類型土壤鹽分的光譜響應差異以及對鹽分遙感模型的影響，是實現不同土地類型土壤鹽分反演值更加接近真實值的重要途徑。該研究以河套灌區(qū)永濟灌域為例，針對耕地和鹽荒地土壤分別進行原位高光譜測定（FieldSpec 4 Hi-Res，ASD），對光譜數據進行多種光譜變換（基礎數學變換、導數變換及光譜指數）后，分別基于特征波長和特征光譜指數構建單一土地類型鹽分反演模型（耕地（Agricultural Land，AL）、鹽荒地（Salinized Wasteland，SW））和整體鹽分反演模型（耕地+鹽荒地（Agricultural Land + Salinized Wasteland，AL+SW）），對比分析2種建模方式下的模型精度，提出區(qū)域土壤鹽分遙感反演的最佳建模方式。結果表明：AL、SW和AL+SW中土壤樣本數據的平均含鹽量分別為5.09、13.42和7.09 g/kg，且在各等級鹽分區(qū)間內，SW的光譜反射率均大于AL，其中輕度鹽化土、中度鹽化土和重度鹽化土的光譜反射率平均差值分別為0.040、0.020和0.034；光譜變換和光譜指數均能有效改善不同土地類型中土壤鹽分與光譜的相關性。相比基礎變換（倒數、對數、根式等），導數變換不僅增大了敏感波長的范圍，還使得特定波長處相關系數得到顯著提升。不同土地類型中基于特征光譜指數的模型精度均高于基于特征波長的模型；單一土地類型鹽漬化反演模型明顯提高了區(qū)域土壤鹽分的反演精度，單一土地類型鹽漬化反演模型中（AL、SW模型）各變換下光譜指數模型平均決定系數相比整體模型（AL+SW模型）由0.50提高到了0.61，其中基礎變換、一階導數和二階導數模型平均2相比整體模型分別提高了0.06、0.11和0.17，同時，基于最優(yōu)光譜指數的單一土地類型鹽漬化反演模型平均2相比整體模型由0.74提高到了0.92。因此，當區(qū)域中存在鹽分相差較大的多種土地利用類型時，對不同土地利用類型單獨構建土壤鹽分反演模型能確保反演結果更接近實際情況。

鹽分；遙感；土壤；河套灌區(qū)；反演；光譜變換；鹽荒地

0 引 言

土壤鹽漬化是目前全球面臨的主要土壤環(huán)境問題，在降雨少、蒸發(fā)大的干旱地區(qū)土壤鹽漬化尤為嚴重[1]。據統(tǒng)計，土壤原生鹽漬化面積為9.55×108hm2，由于過度灌溉、排水不暢和地下水位過高等問題引起的次生鹽漬化面積也高達0.77×108hm2[2-3]，僅內蒙古河套灌區(qū)鹽漬化面積就達3.33×105hm2，占總耕地面積的63.8%，灌區(qū)多數地區(qū)處于積鹽狀態(tài)，土壤鹽漬化防治一直是該地區(qū)的主要任務[4-5]。傳統(tǒng)的區(qū)域實地采樣方法耗時長、成本高、大范圍信息獲取難度較大，且受到空間抽樣調查方法限制，在反映全局情況方面存在不足[6]，而遙感技術中高光譜數據具有分辨率高、圖譜合一的優(yōu)點，在土壤鹽分反演研究中應用較為廣泛[7]，其中原位監(jiān)測能夠保持土壤表層鹽分的分布狀態(tài)，更能反映土壤的真實情況[8]，避免了室內測定法對表層土壤所產生的人為影響[9-12]。另外，現有研究表明，光譜的種類和變換形式能夠有效提高模型精度，在光譜指數構建或經光譜數學變換過程中能夠將一些隱藏的信息顯露出來，改善土壤鹽分與光譜的相關關系，從而提高模型的精度[13]。但現有研究中，針對不同土地類型的鹽分反演模型中光譜變換的應用差異性研究較少，包括不同光譜變換下不同土地類型敏感波長的位置及土壤鹽分與光譜之間的相關性等，從而使得區(qū)域中存在鹽分相差較大的多種土地利用類型時的最佳建模方式的提出缺乏理論依據。

目前區(qū)域土壤鹽分遙感反演研究中，大多將區(qū)域土壤鹽分作為一個整體進行鹽分反演模型的構建與驗證[13-14]，然而當研究區(qū)中存在鹽分特征具有顯著差異的多種土地類型時，如耕地和鹽荒地，其在土壤鹽分水平、離子種類和表層鹽分結皮狀態(tài)等方面均有所不同[15]。首先，土壤鹽分水平不同，河套灌區(qū)中鹽荒地鹽分含量遠大于耕地[16]，其中0～20 cm的土壤含鹽量是耕地的4倍甚至更多[17]。土壤鹽分水平不同時，土壤對光譜的吸收規(guī)律也不同[18]，這會導致耕地和鹽荒地土壤鹽分對光譜的響應存在差異。其次，耕地與鹽荒地中鹽分離子組成不同，如景宇鵬等[19]研究發(fā)現河套灌區(qū)（海流圖）耕地中陽離子主要以Ca2+為主，陰離子以HCO- 3為主，而荒地陽離子以K+和Na+為主，陰離子以SO2- 4、Cl-和CO2- 3為主，有研究表明，即使土壤含鹽量在同一等級時，當離子種類不同時，土壤對光譜的響應規(guī)律存在顯著差異[10]。最后，耕地和鹽荒地表層土壤鹽分結皮程度不同，特別是春灌前，鹽荒地土壤表層結皮程度遠高于耕地。不同的土壤表層鹽分結皮程度會產生不同的光譜特征[20]。因此將耕地與鹽荒地這2種土壤鹽分特征具有差異的土地利用類型作為整體進行研究時，忽視了二者之間顯著的差異性，會導致構建的整體化模型均不能真實地反映耕地和鹽荒地土壤鹽分的情況[15]。

本文以野外原位高光譜數據（FieldSpec 4 Hi-Res，ASD）作為數據源，對光譜數據進行多種光譜變換（基礎數學變換和導數變換）及多種光譜指數的構建，分別基于特征波長和特征光譜指數構建單一土地類型土壤鹽分模型和耕地+鹽荒地整體鹽分反演模型，對比分析2種模型的精度，提出區(qū)域鹽漬化最佳建模方式，為區(qū)域中存在鹽分相差較大的多種土地利用類型時的土壤鹽分反演研究提供依據。

1 材料與方法

1.1 研究區(qū)概況

永濟灌域作為河套灌區(qū)五大灌域之一（107°13′～107°42′E，40°36′～41°13′N），南北長60 km，東西寬40 km，總土地面積1.836×105hm2，現灌溉面積約1.122×105hm2。研究區(qū)平均年蒸發(fā)量為2 275 mm，年平均降水量為145 mm。耕地作為研究區(qū)主要的土地利用類型，其中約1/2耕地土壤有不同程度的鹽堿化，土壤中氯化鹽、硫酸鹽和鈉鹽含量較高，鹽分類型復雜[21]。鹽荒地在該區(qū)域分布較為分散，且多集中在耕地周圍，為耕地生育期的“臨時鹽庫”[22]。據統(tǒng)計，2017－2020年研究區(qū)鹽荒地面積在9.608×103～9.969×103hm2之間[23]，土壤含鹽量較高，總體土壤含鹽量大于10 g/kg。

1.2 數據的采集與處理

1.2.1 野外數據采集及處理

野外數據采集時地表無植被覆蓋，能最大限度減小植被對光譜影響，具體采樣時間為2018年4月5日－10日、2019年4月6日－10日和2020年4月1日－7日，共3個時段。根據實際的道路情況、采樣的難易程度以及樣點的均勻分布等情況，各時段的耕地和鹽荒地的采樣點個數分別為90個和40個（圖1）。

1.2.2 高光譜數據的采集與處理

1）數據的采集及預處理

首先利用ArcGIS軟件在研究區(qū)范圍內均勻布置采樣點，野外采樣依據預先設定點的30 m范圍內尋找平坦裸地進行，每個采樣點為15 m×15 m的樣方區(qū)，根據五點采樣法[24]利用土鉆對0～20 cm土層采集5份樣本，樣本通過自然風干、碾碎、過2 mm孔徑篩并按照土壤農化分析規(guī)范進行各離子含量的測定[25]，包括CO2- 3、HCO- 3、Cl-、Ca2+、Mg2+等八大離子，計算得到全鹽量，去除異常值后，計算各點所取重復的平均值作為最終含鹽量數據。

注：DEM為數字高程模型，A、B為典型鹽荒地。

野外高光譜數據利用美國地物光譜儀ASD在晴朗無云的天氣下測定，最佳采樣時段為10:00—14:00，探頭視場角度為25°且距地1 m，每個點位測定2次后取平均值作為該樣點的野外實測高光譜數據[26]。利用ViewSpecpro、Origin軟件對數據進行預處理，包括去除邊緣波段、平滑去躁、均值等，其中邊緣波段范圍主要包括350～399、1 340～1 450、1 750～2 020、2 330～2 500 nm，在該范圍內光譜信號受噪聲影響較大，數據不穩(wěn)定，數據質量較差，需要進行剔除。平滑去躁的方法主要包括移動平均法、小波去噪、相鄰平均值法（Adjacent-Averaging，AA）、Savitzky-Golay濾波等，本文利用Origin中的相鄰平均值法對光譜進行平滑處理，窗口點數設置為5。

2）高光譜數據的變換

有關目標含量反演研究中對光譜采用的數學變換方法較多，包括基礎變換，如根式、倒數、對數[27]等，導數變換，如一階導數、二階導數等，其中基礎變換可以有效突出光譜曲線的混合特征信息，提高光譜靈敏度[14]，導數變換中一階導數能夠消除部分線性或接近線性的噪聲光譜以及背景等對目標光譜的影響，提高重疊光譜分辨率，二階導數能夠很好地消除基線漂移和背景信號，提高分析精度[28]。本文在基礎變換的基礎上疊加導數變換，從而實現多變換的綜合應用，最終的變換形式包括原始變換()、倒數(1/)、對數(lg)、平方根()0.5、一階導數()′、倒數一階導數(1/)′、對數一階導數(lg)′、平方根一階導數(()0.5)′、二階導數()″、倒數二階導數(1/)″、對數二階導數(lg)″、平方根二階導數(()0.5)″12種處理。

由于本文采樣時段地表無植被覆蓋，所以未考慮植被指數進行對比研究。所采用的光譜指數分別為歸一化土壤指數（Normalized Differential Soil Index，NDSI）、差值土壤指數（Difference Soil Index，DSI）和簡單比值土壤指數（Simple Ratio Soil Indices，RSI）[29]，這3種光譜指數涵蓋了較多形式的光譜指數，具有一定的代表性。

NDSI=(T?T)/(T+T)（1）

DSI=T?T（2）

RSI=T/T（3）

式中T和T為400～2 330 nm間隨機選擇的第和波段的土壤光譜反射率。

1.3 研究方法

多元逐步線性回歸[30-31]是在模型構建過程中每一步只引入或剔除一個自變量，自變量采用向前法進行篩選，其是否被引入或剔除則取決于檢驗或校正決定系數，在顯著性水平0.01下，>F（F為臨界值）說明該回歸方程是顯著的，并采用決定系數（2）和均方根誤差（Root Mean Square Error，RMSE）作為模型精度的評價指標[32]。若不顯著，則需要重新選取敏感波段進行計算。多元線性回歸模型相比其他機器模型能夠進一步降低模型的應用難度。

本文將2018—2020年鹽分樣本進行統(tǒng)計，耕地、鹽荒地和耕地+鹽荒地總樣本數分別為270、120和390個，對耕地和鹽荒地的樣本分別按鹽分值由小到大排列，每隔一個樣本選擇一個樣本作為訓練集，即訓練集樣本數∶驗證集樣本數=1∶1，耕地+鹽荒地的訓練集樣本則將耕地、鹽荒地的訓練集樣本合并即可，驗證集同理。利用SPSS software (Version 21)軟件對耕地、鹽荒地鹽分與光譜進行相關性分析，選擇與鹽分顯著相關（<0.01）的波長和光譜指數作為敏感因子，并利用逐步線性回歸的方法對敏感因子進行篩選，去除共線性較高的因子，在保證模型精度的同時減少參與模型構建的敏感因子數量，此時參與模型構建的敏感因子即為特征波長和特征光譜指數。

2 結果與分析

2.1 土壤鹽分含量及光譜特征分析

2.1.1 土壤鹽分含量分析

對耕地、鹽荒地0～20 cm土壤含鹽量進行描述性統(tǒng)計分析（表1），耕地和鹽荒地鹽分分別在0.92～17.91 g/kg和0.61～55.07 g/kg之間，多年平均值分別為5.09 g/kg和13.42 g/kg，鹽荒地平均鹽分含量明顯大于耕地，當耕地、鹽荒地作為整體進行分析時，土壤鹽分含量在0.61～55.07 g/kg之間，平均值為7.09 g/kg，相比耕地增加了39.29%，相比鹽荒地減小了17.17%。

2.1.2 土壤光譜特征分析

根據土壤鹽漬化等級劃分標準[33-35]可知，耕地主要以非鹽化土、輕度、中度和重度鹽化土為主，鹽荒地多以輕度、中度、重度鹽化土和鹽土為主。為對比耕地、鹽荒地同一鹽漬化等級下光譜特征的差異性，本文以輕度、中度、重度鹽化土等級為例，對耕地、鹽荒地同一鹽漬化等級中鹽分含量較為相近的光譜反射率計算平均值并對其進行對比分析。結果表明，不同鹽漬化等級的土壤在各波長處的反射率值不同，但具有相似的特征，如隨著土壤鹽漬化等級的增加，耕地和鹽荒地的光譜反射率均呈逐漸增加的趨勢（圖2），即鹽分越大，光譜反射率越高[36]，其中600～1 700 nm處（紅波段、近紅外和短波紅外波段）較為顯著。隨著波長的增加，耕地和鹽荒地土壤的反射率呈先增加后下降的趨勢，下降點約在1 700 nm處。在各等級鹽分區(qū)間內，鹽荒地的反射率均大于耕地，輕度、中度和重度的反射率差值分別在0.014～0.075、0.001～0.049和0.002～0.068范圍內，平均差值分別為0.040、0.020和0.034，可能是由于鹽荒地中鹽分多積聚于表層，鹽分結皮現象明顯，耕地則由于耕作、鹽分離子類型和含量等因素影響，鹽分結皮現象弱于鹽荒地，所以使得光譜對鹽荒地中鹽分的響應更加敏感。

表1 土壤鹽分描述性統(tǒng)計分析

圖2 不同鹽漬化等級的耕地和鹽荒地光譜特征

2.2 基于高光譜波長反射率的鹽分回歸模型的構建

2.2.1 波長反射率與土壤鹽分的相關性分析

分別對耕地、鹽荒地和耕地+鹽荒地的高光譜反射率進行上述12種變換（圖3）。AL、SW和AL+SW中、1/、lg和0.5的基礎變換中光譜反射率均未與土壤鹽分達到0.01水平相關，相關系數絕對值的平均值分別為0.118、0.126和0.096。相比基礎變換（倒數、對數、根式等），導數變換對于改善鹽分與光譜的相關關系效果顯著，其中經一階導數變換后，光譜與鹽分的相關性出現大幅度波動，一方面，增大了敏感波長的范圍，AL、SW和AL+SW敏感波段數量相比基礎變換分別平均增加了22個、40個和374個，顯著波長的位置多集中于短波紅外區(qū)域，如AL鹽分與光譜反射率顯著相關的波長多集中于800～2 330 nm之間（圖3a～圖3d），分布較為分散。SW鹽分與光譜反射率顯著相關的波長集中區(qū)間為800～1 700 nm之間（圖3e～圖3h），分析原因可能為鹽荒地的土壤鹽分含量較高，導致光譜對鹽分的響應更加集中且劇烈。與AL和SW不同的是，AL+SW中提高了400～800 、2 200～2 300 nm之間波長與鹽分的相關性（圖3i～圖3l）。另一方面，特定波長處相關系數得到顯著提升。二階導數變換后相關系數曲線波動程度較一階導數更為劇烈，敏感波長位置變的分散，且明顯增加了AL和SW中400～900 nm范圍內波長與鹽分的相關系數。

注：虛線為顯著性水平0.01。T為反射率。

2.2.2 基于特征波長的土壤鹽分回歸模型的構建

利用多元逐步回歸的方法對上述敏感波長進行篩選，最終得到的特征波長如表2所示，鹽荒地各變換下特征波長較少，分析原因為鹽荒地中敏感波長少且位置較為集中，共線性較高所致。各模型中，特征波長多集中于400～800和1 400～2 200 nm之間。

利用特征波長構建耕地、鹽荒地和耕地+鹽荒地土壤鹽分的反演模型，各模型的訓練集和驗證集2分別在0.25～0.64和0.26～0.64之間（表3），平均2為0.49，RMSE分別在1.10～15.86和1.15～15.79 g/kg之間，平均RMSE為9.60 g/kg?；谝浑A導數構建的模型中，AL、SW模型精度均較低，平均2和平均RMSE分別為0.38和8.29 g/kg，基于二階導數構建的模型中，AL、SW模型精度有所提高，平均2相比一階導數構建的模型提高了0.13，平均RMSE降低了0.86 g/kg。結果表明，雖然一階導數變換明顯增加了AL和SW中顯著相關的波長范圍，但對總體模型精度提高能力弱于二階導數變換。AL+SW中經一階導數變換后，敏感波長與鹽分的相關系數提高幅度較大，從而使得AL+SW的模型精度較高。基于特征波長的鹽分反演模型中，AL、SW、AL+SW的最優(yōu)變換分別為(0.5)″、″和(1/)′，精度相差不大，其中訓練集和驗證集的平均2分別為0.59、0.64和0.64，平均RMSE分別為1.24、11.95和11.75 g/kg。

綜合考慮訓練集和驗證集精度最終選定(0.5)″、″和(1/)′分別作為AL、SW、AL+SW的最優(yōu)變換形式，對其擬合狀態(tài)進行分析（圖4）。耕地鹽分樣點主要集中在3～8 g/kg之間，分布集中，鹽荒地鹽分主要集中在15～40 g/kg之間，數值較大且分布較為分散。AL+SW模型實測值與反演值擬合曲線趨勢主要受鹽荒地的鹽分影響，導致模型的RMSE與SW模型總體一致。從實測點和反演點的分布來看，AL+SW模型的耕地樣點區(qū)域內，擬合曲線位于1:1線上方，表明鹽分反演值大于實測值，而在鹽荒地樣點范圍內，擬合曲線在1:1線下方，即鹽分反演值小于實測值。因此，整體模型的反演結果在反映耕地和鹽荒地土壤鹽分的真實情況均存在明顯的不足。

表2 不同變換下的特征波長

注：2是決定系數；RMSE是均方根誤差。下同。

Note:2is coefficient of determination; RMSE is Root-Mean-Square Error. Same as below.

圖4 最優(yōu)變換下基于特征波長模型的構建與驗證

2.3 基于光譜指數的鹽分回歸模型的構建

2.3.1 光譜指數與土壤鹽分的相關性分析

分析不同光譜變換下的DSI、NDSI和RSI與AL、SW和AL+SW土壤鹽分的相關關系。光譜指數與鹽分顯著相關的數量和相關系數有了明顯的提高，不同變換下敏感光譜指數組合方式在3～375個之間，平均值為97個，敏感光譜指數與鹽分相關系數絕對值的平均值在0.40～0.51之間，平均值為0.45。特別是基礎變換中出現了敏感光譜指數，因此，光譜指數能夠改善鹽分與光譜反射率的關系?；A變換中，AL、SW、AL+SW敏感光譜指數數量平均分別為117、101和36個，相關系數絕對值的平均值分別為0.42、0.47和0.42（圖5a和圖5d）。經導數變換后，AL+SW敏感光譜指數的數量和相關系數均有所提高，一階導數變換后，DSI、NDSI和RSI敏感光譜指數數量分別為基礎變換的1.08、6.62和5.14倍，相關系數絕對值的平均值相比基礎變換分別提高了0.015、0.012和0.011（圖5b和圖5e），二階導數變換后，DSI、NDSI和RSI敏感光譜指數數量分別為基礎變換的1.23、14.31和12.79倍，相關系數絕對值的平均值相比基礎變換分別提高了1.024、1.038和1.048（圖5c和圖5f），其中NDSI在導數變換后敏感光譜指數數量增加幅度最大，而對于AL、SW，導數變換僅增加了敏感光譜指數與鹽分的相關系數，但敏感光譜指數數量增減卻無一致性變化。

注：RSI為簡單比值土壤指數；NDSI為歸一化土壤指數：DSI為差值土壤指數。下同。

2.3.2 基于特征光譜指數的土壤鹽分回歸模型的構建

利用多元逐步線性回歸方法篩選特征光譜指數并構建回歸模型（表4）?；诠庾V指數構建的模型相比基于波長的模型來說，其精度得到了明顯的提升，如基礎變換中，AL、SW和AL+SW模型的2雖較低，訓練集和驗證集平均2為0.32，但一階導數變化后，AL、SW和AL+SW回歸模型的平均2相比波長的回歸模型分別提高了0.30、0.38和0，二階導數變化后，AL、SW和AL+SW回歸模型的平均2相比波長的回歸模型分別提高了0.28、0.28和0.02。AL、SW中基于光譜指數的最優(yōu)變換形式均為二階導數，綜合回歸方程的2以及參與模型構建的因子數量，最終確定的最優(yōu)模型分別為(0.5)″'-NDSI和(lg)″-NDSI，平均2分別為0.92和0.93，而AL+SW則為一階導數，為()′-NDSI，2為0.74。與基于波長的回歸模型不同的是，基于光譜指數的單一土地類型鹽分反演模型（AL、SW模型）精度明顯高于整體模型（AL+SW模型）精度，單一土地類型鹽分反演模型中各變換下的模型平均2相比整體模型由0.50提高到了0.61，提高了0.11，基礎變換、一階導數和二階導數的平均2相比整體模型分別提高了0.06、0.11和0.17，其中單一土地類型鹽分反演模型中AL的基礎變換、一階導數和二階導數的平均2相比整體模型分別提高了0.08、0.13和0.16，SW的基礎變換、一階導數和二階導數的平均2相比整體模型分別提高了0.03、0.09和0.13。

AL、SW和AL+SW最優(yōu)變換下的最佳光譜指數如表5所示。對AL、SW和AL+SW的最優(yōu)光譜指數模型的實測值與反演值的擬合效果進行分析（圖6）。基于最優(yōu)光譜指數的單一土地類型鹽分反演模型的平均2相比整體模型由0.74提高到了0.92。基于最優(yōu)光譜指數的模型對比波長模型可以發(fā)現，RMSE差值減小，其中SW和AL+SW模型RMSE相比基于波長的回歸模型分別減小了6.85和4.29 g/kg。從實測點和反演點的分布來看，基于光譜指數的整體模型實測值與反演值的擬合效果與基于波長的模型結果一致，即整體模型對鹽荒地的反演結果小于實際值，對于耕地的反演結果大于實際值，結果表明，在光譜指數的構建過程中，雖然能進一步提高整體模型的精度，但整體模型相比單一土地類型鹽分反演模型仍存在不足。

表4 不同變換下的光譜指數與鹽分回歸方程的決定系數

表5 最優(yōu)變換下的最佳光譜指數模型

注：NDSI1為波長700 nm (T)和1 550 nm (T) 所構建的NDSI值。其他類同。為含鹽量，g·kg-1。

Note: NDSI1is the NDSI value constructed at 700 nm (T) and 1 550 nm (T). The others are expressed in the same way.is salinity, g·kg-1.

圖6 最優(yōu)變換下基于特征光譜指數模型的構建與驗證

3 討 論

當研究區(qū)中存在鹽荒地這種特殊的土地類型時，考慮了鹽荒地差異性的單一土地類型鹽分反演模型精度高于整體鹽分反演模型，分析可能與鹽分的含量及表層鹽分結皮狀態(tài)有關[37]。有研究表明土壤表層鹽分水平以及結皮的程度不同，會產生不同的光譜特征，高程度鹽分結皮相比低程度來說，會產生更高的反射率和光譜特征[20]，本研究時段為春灌前，鹽荒地表層土壤鹽分結皮嚴重，耕地表層鹽分結皮現象較輕，在對二者的光譜特征的對比特征中發(fā)現，鹽荒地的反射率均大于耕地，輕度、中度和重度的反射率差值分別在0.014～0.075、0.001～0.049和0.002～0.068范圍內，平均差值分別為0.040、0.020和0.034。另外，在光譜特征方面，鹽荒地對光譜響應的波長范圍較為集中，如一階導數變換下，耕地鹽分與光譜反射率顯著相關的波長多集中于800～2 330 nm之間，鹽荒地鹽分與光譜反射率顯著相關的波長集中區(qū)間為800～1 700 nm之間。由于耕地和鹽荒地土壤鹽分的光譜差異性，使得單一土地類型的鹽分反演模型相比整體建模來說優(yōu)勢更為顯著，本研究中，基于光譜指數的單一土地類型的鹽分反演模型的平均2相比整體模型提高了0.11，其中基礎變換、一階導數和二階導數的平均2相比整體模型分別提高了0.06、0.11和0.17，同時基于最優(yōu)光譜指數的單一土地類型的土壤鹽分反演模型平均2相比整體模型由0.74提高到了0.92。

對原始光譜反射率進行多種數學變換或構建光譜指數，是提高目標含量反演精度的有效方法，經數學變換或指數的構建過程中，能夠使部分與鹽分相關性較好的光譜信息顯露出來，從而提高了模型整體精度[38-40]。Bannari等[20]研究發(fā)現，一階導數變換能夠增強950～2 500 nm的光譜特征。本研究發(fā)現一階導數變換不僅增加了特定波長處的相關系數，還增加了敏感波長范圍，如耕地、鹽荒地鹽分與光譜顯著相關波長大多分別集中于800～2 330、800～1 700 nm之間。相比基礎變換（倒數、根式等），導數變換對于改善鹽分與光譜的相關性效果顯著，主要是由于導數變換能產生比基礎變換更大的振幅擺動，過濾了光譜特征的噪聲，能夠產生或增強與特定目標的關鍵吸收特征，如原始特征中最大、最小值和拐點[20]。在以后的研究中，會嘗試針對技術層面進行創(chuàng)新，如考慮對變換形式和光譜指數進行改進，或發(fā)展更為精細的學習模型等來提高區(qū)域鹽分的反演精度。

地理異質性是影響區(qū)域鹽漬化模型精度的重要因素之一，本研究中考慮了鹽荒地的特殊性，分別構建了單一土地類型的鹽分反演模型和整體模型，旨在探索地理異質性對模型精度的影響。另外本文研究時段為春灌前（4月中旬前），土壤尚未進行灌水且無植被覆蓋，地下水水位較低，此時全域土壤含水率較小且較為接近，最大程度減小了土壤水分[8]、植被覆蓋度[41]等差異對光譜反射率及整體數據的影響。而對于生育期土壤鹽分的反演研究中，許多學者通過作物的長勢來反映土壤的鹽漬化問題，研究的尺度大多均為大田尺度或典型小區(qū)域[42]，然而大區(qū)域中，不同小區(qū)域作物的長勢不僅受到鹽分的脅迫，同時也會受到地形、地下水埋深、作物的品種、施肥、灌水量及灌水次數等多重因素的影響[43]，因此如何降低地理異質性對生育期土壤鹽分反演模型的影響是研究的重點也是難點。在今后的研究中可以考慮以小區(qū)域為示范點，通過對區(qū)域施肥、含水率等情況進行充分的調研，建立包含多種要素在內的生育期土壤鹽分反演模型，同時構建不同尺度的轉換關系，從而發(fā)展更為可靠的多時段區(qū)域土壤鹽分反演模型。

4 結 論

本文在野外原位高光譜測定的基礎上，對光譜數據進行多種變換，分別構建了單一土地類型的鹽分反演模型（耕地（Agricultural Land，AL）、鹽荒地（Salinized Wasteland，SW））和整體鹽分反演模型（耕地+鹽荒地（Agricultural Land + Salinized Wasteland，AL+SW）），針對有鹽荒地存在的區(qū)域，提出了土壤鹽漬化最佳建模方式。具體結果如下：

1）耕地、鹽荒地和耕地+鹽荒地土壤樣本數據平均鹽分含量分別為5.09、13.42和7.09 g/kg，在各等級鹽分區(qū)間內，鹽荒地光譜反射率均大于耕地，其中輕度鹽化土、中度鹽化土和重度鹽化土的光譜反射率平均差值分別為0.040、0.020和0.034。

2）光譜變換和光譜指數均能有效改善不同土地類型中土壤鹽分與光譜的相關性。相比基礎變換（倒數、對數、根式等），導數變換不僅增大了敏感波長的范圍，還使得特定波長處相關系數得到顯著提升。不同土地類型中基于特征光譜指數的模型精度均高于基于特征波長的模型。

3）單一土地類型鹽分反演模型明顯提高了區(qū)域土壤鹽分的反演精度，單一土地類型鹽分反演模型中（AL、SW模型）各變換下光譜指數模型平均2相比整體模型（AL+SW模型）由0.50提高到了0.61，其中基礎變換、一階導數和二階導數模型平均2相比整體模型分別提高了0.06、0.11和0.17，同時，基于最優(yōu)光譜指數的單一土地類型鹽分反演模型平均2相比整體模型由0.74提高到了0.92。

[1] Ivushkin K, Bartholomeus H, Bregt A K, et al. Global mapping of soil salinity change[J]. Remote Sens Environ, 2019, 231: 111260.

[2] Moreira L C J, Teixeira A D S, Galv?o L S. Potential of multispectral and hyperspectral data to detect saline-exposed soils in Brazil[J]. Gisci Remote Sens, 2015, 52 (4): 416-436.

[3] Wang D D, Zhao C Y, Zheng J Q, et al. Evolution of soil salinity and the critical ratio of drainage to irrigation (CRDI) in the Weigan Oasis in the Tarim Basin[J]. Catena, 2021, 201: 105210.

[4] 史海濱，楊樹青，李瑞平，等. 內蒙古河套灌區(qū)水鹽運動與鹽漬化防治研究展望[J]. 灌溉排水學報，2020，39(8)：1-17.

Shi Haibin, Yang Shuqing, Li Ruiping, et al. Soil water and salt movement and soil salinization control in Hetao Irrigation District: Current state and future prospect[J]. Journal of Irrigation and Drainage, 2020, 39(8): 1-17. (in Chinese with English abstract)

[5] 王維剛，史海濱，李仙岳，等. SWAT 模擬耕作方式與鹽分對區(qū)域土壤氮運移及作物產量影響[J]. 農業(yè)工程學報，2022，38(3)：55-65.

Wang Weigang, Shi Haibin, Li Xianyue, et al. Effects of tillage modes and soil salinity on regional nitrate nitrogen transport and crop yields using a SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(3): 55-65. (in Chinese with English abstract)

[6] 楊寧，崔文軒，張智韜，等. 無人機多光譜遙感反演不同深度土壤鹽分[J]. 農業(yè)工程學報，2020，36(22)：13-21.

Yang Ning, Cui Wenxuan, Zhang Zhitao, et al. Soil salinity inversion at different depths using improved spectral index with UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 13-21. (in Chinese with English abstract)

[7] Muller S J, Van N A. Identification of WorldView-2 spectral and spatial factors in detecting salt accumulation in cultivated fields[J]. Geoderma, 2016, 273: 1-11.

[8] 陳紅艷，趙庚星，李玉環(huán)，等. 消除水分因素影響的野外原狀土壤鹽分高光譜建模估測[J]. 農業(yè)工程學報，2018，34(12)：119-125.

Chen Hongyan, Zhao Gengxing, Li Yuhuan, et al. Modeling and estimation of field undisturbed soil salt based on hyperspectra under removal of moisture factor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12): 119-125. (in Chinese with English abstract)

[9] 亞森江·喀哈爾. 基于優(yōu)化光譜指數的土壤鹽漬化水、鹽含量高光譜估算研究[D]. 烏魯木齊：新疆大學，2019.

Yasenjiang Kahaer. Hyperspectral Estimation of Soil Salt and Moisture Content Based on Optimized Spectral Indices: A Case Study of Weigan-Kuqa River Delta Oasis[D]. Urumqi: Xinjiang University, 2019. (in Chinese with English abstract)

[10] 張俊華，馬天成，賈科利. 典型龜裂堿土土壤光譜特征影響因素研究[J]. 農業(yè)工程學報，2014，30(23)：158-165.

Zhang Junhua, Ma Tiancheng, Jia Keli. Factors affecting the spectral characteristics of typical takyr solonetzs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 158-165. (in Chinese with English abstract)

[11] 張俊華，賈萍萍，孫媛，等. 基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預測[J]. 農業(yè)工程學報，2019，35(12)：106-115.

Zhang Junhua, Jia Pingping, Sun Yuan, et al. Prediction of salinity ion content in different soil layers based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 106-115. (in Chinese with English abstract)

[12] 羅德芳，馮春暉，吳家林，等. 基于電磁感應協同野外原位光譜的土壤鹽分反演研究[J]. 中國土壤與肥料，2020(6)：107-113.

Luo Defang, Feng Chunhui, Wu Jialin, et al. The study about soil salt inversion based on electromagnetic induction and situ spectra in field[J]. Soil and Fertilizer Sciences in China, 2020(6): 107-113. (in Chinese with English abstract)

[13] 徐存東，王榮榮，程慧，等. 基于遙感數據分析干旱區(qū)人工綠洲灌區(qū)的水鹽時空分異特征[J]. 農業(yè)工程學報，2019，35(2)：80-89.

Xu Cundong, Wang Rongrong, Cheng Hui, et al. Spatial-temporal distribution of water and salt in artificial oasis irrigation area in arid area based on remote sensing analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 80-89. (in Chinese with English abstract)

[14] 張賢龍，張飛，張海威，等. 基于光譜變換的高光譜指數土壤鹽分反演模型優(yōu)選[J]. 農業(yè)工程學報，2018，34(1)：110-117.

Zhang Xianlong, Zhang Fei, Zhang Haiwei, et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 110-117. (in Chinese with English abstract)

[15] 蘇閱文. 義長灌域耕荒地水鹽動態(tài)分析及其數值模擬[D]. 揚州：揚州大學，2019.

Su Yuewen. Analysis and Numerical Simulation on the Salt-Water Dynamic in Farmland and Saline Wasteland of Yichang Irrigation Area[D]. Yangzhou : Yangzhou University, 2019. (in Chinese with English abstract)

[16] 竇旭，史海濱，李瑞平，等.鹽漬化土壤剖面鹽分與養(yǎng)分分布特征及鹽分遷移估算[J]. 農業(yè)機械學報，2022，53(1)：279-290，330.

Dou Xu, Shi Haibin, Li Ruiping, et al. Distribution characteristics of salinity and nutrients in salinized soil profile and estimation of salt migration[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 279-290, 330. (in Chinese with English abstract)

[17] 常曉敏，王少麗，陳皓銳，等. 河套灌區(qū)土壤鹽分時空變化特征及影響因素[J]. 排灌機械工程學報，2018，36(10)：1000-1005.

Chang Xiaomin, Wang Shaoli, Chen Haorui, et al. Spatiotemporal changes and influencing factors of soil salinity in Hetao Irrigation District[J]. Journal of Drainage And Irrigation Machinery Engineering, 2018, 36(10): 1000-1005. (in Chinese with English abstract)

[18] Lv Q F, Jiang L S, Ma B, et al. A study on the effect of the salt content on the solidification of sulfate saline soil solidified with an alkali-activated geopolymer[J]. Construction and Building Materials, 2018, 176: 68-74.

[19] 景宇鵬，連海飛，李躍進，等. 河套鹽堿地不同利用方式土壤鹽堿化特征差異分析[J]. 水土保持學報，2020，34(4)：354-363.

Jing Yupeng, Lian Haifei, Li Yuejin, et al. Analysis on the Difference of soil salinization characteristic in Hetao saline-alkali soil with different land use[J]. Journal of Soil and Water Conservation, 2020, 34(4):354-363. (in Chinese with English abstract)

[20] Bannari A, El-Battay A, Bannari R, et al. Sentinel-MSI VNIR and SWIR bands sensitivity analysis for soil salinity discrimination in an arid landscape[J]. Remote Sensing, 2018, 10(6): 1-20.

[21] 孫亞楠，李仙岳，史海濱，等. 基于多源數據融合的鹽分遙感反演與季節(jié)差異性研究[J]. 農業(yè)機械學報，2020，51(6)：169-180.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Remote sensing inversion of soil salinity and seasonal difference analysis based on multi-source data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 169-180. (in Chinese with English abstract)

[22] 常曉敏. 河套灌區(qū)水鹽動態(tài)模擬與可持續(xù)性策略研究[D]. 北京：中國水利水電科學研究院，2019.

Chang Xiaomin. Study on Dynamic Simulation of Water and Salt and Sustainablity Strategy in Hetao Irrigation District[D]. Beijing: China Institute of Water Resources and Hydropower Research，2019. (in Chinese with English abstract)

[23] Sun Y N, Li X Y, Shi H B, et al. Modeling salinized wasteland using remote sensing with the integration of decision tree and multiple validation approaches in Hetao irrigation district of China[J]. Catena, 2022, 209: 105854.

[24] 阿爾達克·克里木，塔西甫拉提·特依拜，張東，等. 基于高光譜的ASTER影像土壤鹽分模型校正及驗證[J]. 農業(yè)工程學報，2016，32(12)：144-150.

Ardak·Kelimu, Tashpolat·Tiyip, Zhang Dong, et al. Calibration and validation of soil salinity estimation model based on measured hyperspectral and Aster image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 144-150. (in Chinese with English abstract)

[25] 鮑士旦. 土壤農化分析[M]. 3版. 北京：中國農業(yè)出版社，2000.

[26] 孫亞楠，李仙岳，史海濱，等. 河套灌區(qū)土壤水溶性鹽基離子高光譜綜合反演模型[J]. 農業(yè)機械學報，2019，50(5)：344-355.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Hyperspectral integrated inverse model for water-soluble salt ions content in Hetao irrigation district[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5): 344-355. (in Chinese with English abstract)

[27] 吳迪. 節(jié)水改造后河套灌區(qū)沈烏灌域土壤鹽分時空變化規(guī)律研究[D]. 呼和浩特：內蒙古農業(yè)大學，2020.

Wu Di. Study on the Spatial and Temporal Changes of Soil Salt in Shenwu Irrigation District of Hetao Irrigation District after Water Saving Transformation[D]. Huhhot: Inner Mongolia Agricultural University, 2020. (in Chinese with English abstract)

[28] 陳婉婧，閻廣建，呂琳，等. 大豆葉片水平葉綠素含量的高光譜反射率反演模型研究[J]. 北京師范大學學報（自然科學版），2012，48(1)：60-65.

Chen Wanjing, Yan Guangjian, Lv Lin, et al. Hyperspectral reflectance model to estimate chlorophyll content in soybean leaves[J]. Journal of Beijing Normal University (Natural Science), 2012, 48(1): 60-65. (in Chinese with English abstract)

[29] Said Nawar. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: A case study from Egypt[J]. Arabian Journal of Geosciences, 2015, 8(7): 5127-5140.

[30] 咸云浩，張恒德，謝永華，等. 多元逐步回歸與卡爾曼濾波法在霾預報中應用[J]. 系統(tǒng)仿真學報，2018，30(4)：1482-1489.

Xian Yunhao, Zhang Hengde, Xie Yonghua, et al. Application of multiple-stepwise and kalman filtering in Haze forecast[J]. Journal of System Simulation, 2018, 30(4): 1482-1489. (in Chinese with English abstract)

[31] Silva A, Brito J D, Gaspar P L. Application of the factor method to maintenance decision support for stone cladding[J]. Automation in Construction, 2012, 22: 165-174.

[32] 張錄，張芳，熊黑鋼，等. 不同季節(jié)強堿土土壤呼吸影響因子分析與模型預測[J]. 干旱地區(qū)農業(yè)研究，2017，35(1)：71-78.

Zhang Lu, Zhang Fang, Xiong Heigang, et al. Impact factor analysis and model prediction of strong alkaline soil respiration in different seasons[J]. Agricultural Research in the Arid Areas, 2017, 35(1): 71-78. (in Chinese with English abstract)

[33] 王遵親. 中國鹽漬土[M]. 南京：中國科學院南京土壤研究所，2000.

[34] Wu J W, Vincent B, Yang J Z, et al. Remote sensing monitoring of changes in soil salinity: A case study in Inner Mongolia, China[J]. Sensors, 2008, 8(11): 7035-7049.

[35] Ren D Y, Wei B Y, Xu X, et al. Analyzing spatiotemporal characteristics of soil salinity in arid irrigated agro-ecosystems using integrated approaches[J]. Geoderma, 2019, 356: 113935.

[36] 高曦文. 基于支持向量機回歸的土壤鹽漬化遙感監(jiān)測研究[D]. 銀川：寧夏大學，2020.

Gao Xiwen. Remote Sensing Monitoring Research of Soil Salinization based on Support Vector Machine Regression[D]. Yinchuan: Ningxia University, 2020. (in Chinese with English abstract)

[37] Fan X, Liu Y, Tao J, et al. Soil salinity retrieval from advanced multi-spectral sensor with partial least square regression[J]. Remote Sensing, 2015, 7(1): 488-511.

[38] 勾宇軒，趙云澤，李勇，等. 基于CWT-sCARS的東北旱作農田土壤有機質高光譜反演[J]. 農業(yè)機械學報，2022，53(3)：331-337.

Gou Yuxuan, Zhao Yunze, Li Yong, et al. Soil organic matter content in dryland farmland in Northeast China with hyperspectral reflectance based on CWT-sCARS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(3): 331-337. (in Chinese with English abstract)

[39] 段丹丹，劉仲華，趙春江，等. 基于優(yōu)化植被指數的多生育期茶葉游離氨基酸含量估算[J]. 農業(yè)機械學報，2022，53(2)：393-400.

Duan Dandan, Liu Zhonghua, Zhao Chunjiang, et al. Estimation of free amino acid content in fresh tea leaves at multiple growth periods based on optimized vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(2): 393-400. (in Chinese with English abstract)

[40] 姚遠，丁建麗，張芳，等．基于高光譜指數和電磁感應技術的區(qū)域土壤鹽漬化監(jiān)測模型[J]. 光譜學與光譜分析，2013，33(6)：1658-1664．

Yao Yuan, Ding Jianli, Zhang Fang, et al. Research on model of soil salinization monitoring based on hyperspectral index and EM38[J]. Spectroscopy and Spectral Analysis, 2013, 33(6): 1658-1664. (in Chinese with English abstract)

[41] 帥爽，張志，呂新彪，等. 礦山恢復治理區(qū)植被物候與健康狀況遙感監(jiān)測[J]. 農業(yè)工程學報，2021，37(4)：224-234.

Shuai Shuang, Zhang Zhi, Lyu Xinbiao, et al. Remote sensing monitoring of vegetation phenological characteristics and vegetation health status in mine restoration areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 224-234. (in Chinese with English abstract)

[42] 陳俊英，姚志華，張智韜，等. 大田葵花土壤含鹽量無人機遙感反演研究[J]. 農業(yè)機械學報，2020，51(7)：178-191.

Chen Junying, Yao Zhihua, Zhang Zhitao, et al. UAV remote sensing inversion of soil salinity in field of sunflower[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 178-191. (in Chinese with English abstract)

[43] 鄒海洋，張富倉，吳立峰，等. 基于不同水肥組合的春玉米相對根長密度分布模型[J]. 農業(yè)工程學報，2018，34(4)：133-142.

Zou Haiyang, Zhang Fucang, Wu Lifeng, et al. Normalized root length density distribution model for spring maize under different water and fertilizer combination[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 133-142. (in Chinese with English abstract)

Optimizing the inversion of soil salt in salinized wasteland using hyperspectral data from remote sensing

Sun Yanan1, Li Xianyue1※, Shi Haibin1, Ma Hongyu1, Wang Weigang1, Cui Jiaqi2, Chen Chen3

(1.,,010018,;2.,025374,;3.,010010,)

Salinized wasteland can be served as the temporary salt reservoir with the much higher salt content beyond the average level. Therefore, the high-precision inversion of soil salinity can be realized to explore the difference in the spectral response of soil salinity in different land use types and its influence on the remote sensing model. In this study, a typical salinization region (Yongji of Hetao irrigation district in China) was chosen as the study region. The salinized wasteland was relatively scattered and mostly concentrated around the agricultural land. The salt content in the salinized wasteland was much higher than that in the agricultural land. Firstly, in-situ hyperspectral measurement (FieldSpec 4 Hi-Res, and ASD) was carried out for the agricultural land and salinized wasteland in April from 2018 to 2020. Secondly, the spectral data was subjected to the various spectral transformations, including the fundamental transformation (original, reciprocal, logarithm, and radical transformation), derivative transformation (the first and the second derivative), and spectral index (normalized differential soil index, difference soil index, and simple ratio soil indices), respectively. Thirdly, the multiple stepwise regressions were used to acquire the characteristic bands and spectral indices. Lastly, the single land type salt inversion model (Agricultural Land (AL), Salinized Wasteland (SW)), and the overall salt inversion model (Agricultural Land + Salinized Wasteland (AL+SW)) were constructed using the characteristic wavelength and characteristic spectral index, respectively. The model accuracy under different modeling was evaluated using the coefficient of determination (2), and Root Mean Square Error (RMSE). As such, the best modeling was proposed for the regional soil salinization. The results showed that the average content of soil salinity in the samples of AL, SW, and AL+SW model was 5.09, 13.42, and 7.09 g/kg, respectively. Specifically, the SW spectral reflectance was greater than that of the AL in each wavelength range of different grades of salt zone. Among them, the average differences were 0.040, 0.020, and 0.034 in the slightly, moderately, and strongly saline soil, respectively. Spectral transformation and spectral index were effectively improved the correlation between the soil salt and spectrum in the different land types. Compared with the fundamental transformations (reciprocal, logarithm, and root), the derivative transformations significantly increased the range of sensitive wavelengths for the high correlation coefficient at specific wavelengths. The accuracy of models with the characteristic spectral index was much higher than that with the characteristic wavelength in different land types. After the first derivative transformation, the average2of AL, SW, and AL+SW regression models increased compared with the wavelength regression model. The average2of AL, SW, and AL+SW regression models also increased after the second derivative transformation. The salinization inversion model of single land type significantly improved the inversion accuracy of regional soil salt. A significant increase from 0.50 to 0.61 was found in the average2of the spectral index model under each transformation in the single-land type salinization inversion model (AL, and SW), compared with the overall model (AL+SW model ). The average2values of the fundamental transformation, the first, and the second derivative models were 0.06, 0.11, and 0.17 higher than that of the overall model, respectively. At the same time, there was the increase from 0.74 to 0.92 in the average2of the single land type salinization inversion model using the optimal spectral index, compared with the overall model. Therefore, the inversion models of soil salt for the different land use types can be expected to ensure the inversion closer to the actual situation, particularly for the various land use types with the large differences in salinity.

salts; remote sensing; soils; Hetao Irrigetion District; inversion; spectral transformation; salinized wasteland

10.11975/j.issn.1002-6819.2022.23.011

S127

A

1002-6819(2022)-23-0101-11

孫亞楠，李仙岳，史海濱，等. 基于高光譜數據的鹽荒地和耕地土壤鹽分遙感反演優(yōu)化[J]. 農業(yè)工程學報，2022，38(23)：101-111.doi：10.11975/j.issn.1002-6819.2022.23.011 http://www.tcsae.org

Sun Yanan, Li Xianyue, Shi Haibin, et al. Optimizing the inversion of soil salt in salinized wasteland using hyperspectral data from remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 101-111. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.23.011 http://www.tcsae.org

2022-08-16

2022-10-01

十四五重點研發(fā)計劃項目（2021YFC3201202）；內蒙古科技計劃項目（2022YFHH0039、2021CG0022）

孫亞楠，博士，研究方向為干旱區(qū)農業(yè)遙感與應用。Email：995021096@qq.com

李仙岳，教授，博士生導師，研究方向為干旱節(jié)水灌溉及鹽堿地改良。Email：lixianyue80@126.com