楊 寧，崔文軒，張智韜※，張珺銳，陳俊英，杜瑞麒，勞聰聰，周永財

（1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院，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實驗室，楊凌 712100）

0 引 言

土壤鹽漬化已經(jīng)成為干旱半干旱地區(qū)灌溉農(nóng)業(yè)所面臨的主要問題[1-2]，嚴(yán)重威脅作物生長以及區(qū)域生物多樣性[3]。因此，及時、準(zhǔn)確的監(jiān)測土壤鹽分對防治土壤鹽漬化以及灌溉農(nóng)業(yè)建設(shè)有著重要意義。傳統(tǒng)的野外取樣方法費時、費力且成本較高，無法進(jìn)行大面積土壤鹽漬化的監(jiān)測。遙感技術(shù)的出現(xiàn)為農(nóng)業(yè)的發(fā)展提供了有效的技術(shù)支持[4-5]。近年來，遙感數(shù)據(jù)的應(yīng)用在土壤鹽分估算以及區(qū)域土壤鹽漬化的動態(tài)監(jiān)測方面取得了良好的效果[6-7]。

現(xiàn)有的研究表明，可見光以及近紅外光譜波段具有豐富的光譜信息，可以有效反映土壤鹽漬化的光譜特征[8-9]。寧娟等[10]通過可見光-近紅外光譜結(jié)合實測土壤鹽分?jǐn)?shù)據(jù)進(jìn)行土壤含鹽量建模，有效獲取了土壤含鹽量的空間分異規(guī)律；Fan等[11]利用多光譜數(shù)據(jù)對黃河三角洲的土壤含鹽量進(jìn)行反演，發(fā)現(xiàn)在不同鹽分水平下所構(gòu)建的模型預(yù)測精度存在差異?，F(xiàn)有研究大多是基于用可見光和近紅外光譜數(shù)據(jù)進(jìn)行土壤鹽分的反演或監(jiān)測，而沒有考慮其他光譜波段。Bannari等[12]將衛(wèi)星的可見光-近紅外光譜波段和短波紅外光譜波段數(shù)據(jù)用于的土壤鹽分監(jiān)測，發(fā)現(xiàn)了短波紅外光譜在土壤鹽度識別方面的潛力。陳紅艷等[13]通過衛(wèi)星多光譜數(shù)據(jù)中的短波紅外波段改進(jìn)植被指數(shù)，并構(gòu)建了遙感反演模型，模型預(yù)測精度得到提高，準(zhǔn)確的繪制了土壤鹽分分布圖。因此，可以考慮引入其他光譜波段來提高對土壤鹽分的預(yù)測精度。在作物反射光譜中，作物葉片葉綠素在紅光波段對光的強(qiáng)烈吸收以及近紅外波段對光的散射形成光譜紅邊[14]，其波段波譜范圍為680～750 nm，它是近紅外波段接近與紅光交界處快速變化的區(qū)域，其光譜反射率的快速上升能夠反映植被長勢、葉面積指數(shù)和覆蓋度等特征，體現(xiàn)出了作物反映光譜特征的顯著性[15]。近年來，一些學(xué)者利用紅邊等光譜指標(biāo)進(jìn)行作物參數(shù)的估算[16-18]，但是將紅邊等光譜指標(biāo)用于土壤鹽分研究的報道相對較少，特別是對作物根系在不同深度土層鹽分含量的研究更少，因此引入紅邊波段改進(jìn)光譜指數(shù)不僅可以對作物覆蓋下的土壤含鹽量進(jìn)行分析研究，還可以對灌區(qū)精準(zhǔn)農(nóng)業(yè)的發(fā)展起到積極的作用。

近年來，通過光譜變換和篩選敏感光譜變量等方法對模型進(jìn)行研究分析的方式被用于土壤鹽漬化監(jiān)測。張賢龍等[19]發(fā)現(xiàn)通過光譜變換建立光譜指數(shù)，并構(gòu)建土壤鹽分反演模型是可行的，Wei等[20]利用無人機(jī)多光譜遙感獲取土壤光譜信息，并通過不同的變量選擇方法對獲取的光譜鹽度指數(shù)進(jìn)行篩選，實現(xiàn)了對區(qū)域土壤含鹽量的精準(zhǔn)預(yù)測。因此，敏感光譜變量的篩選是反演土壤鹽分的重要步驟。彈性網(wǎng)絡(luò)回歸算法（Elastic-net，ENET）作為一種新的變量選擇技術(shù)[21-22]，能夠有效地將冗余變量的模型系數(shù)縮小到零，并提取非零回歸系數(shù)對應(yīng)的光譜變量，進(jìn)而用于后續(xù)建模[23]。但是該算法用于反演土壤含鹽量的有關(guān)研究較少。除此之外，機(jī)器學(xué)習(xí)算法可以有效的解決非線性問題，已經(jīng)在土壤鹽分反演模型等方面取得了良好的效果[24]。但是，基于ENET算法篩選敏感光譜變量，結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建作物覆蓋條件下的土壤鹽分反演模型的相關(guān)研究較少。

鑒于此，本研究以河套灌區(qū)沙壕渠灌域內(nèi)的試驗地為研究區(qū)域，基于無人機(jī)多光譜遙感獲取遙感圖像，并同步采集作物覆蓋下的不同深度的土壤鹽分?jǐn)?shù)據(jù)，引入紅邊波段改進(jìn)光譜指數(shù)，并通過ENET算法對光譜變量進(jìn)行篩選，將篩選得到的敏感光譜變量分為原始光譜變量組和改進(jìn)光譜變量組作為輸入變量組，應(yīng)用支持向量機(jī)（Support Vector Machine，SVM）、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Networks，BPNN）以及極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）等機(jī)器學(xué)習(xí)方法構(gòu)建不同深度的土壤鹽分反演模型。通過2變量組反演效果的比較，評估引入紅邊波段是否可以提高模型的反演精度。同時，對比ENET算法結(jié)合不同機(jī)器學(xué)習(xí)方法得到的模型反演效果，以期獲取作物覆蓋下土壤鹽分的最佳反演深度，為無人機(jī)遙感監(jiān)測區(qū)域農(nóng)田鹽漬化提供一定的參考。

1 材料與方法

1.1 研究區(qū)概況

河套灌區(qū)位于內(nèi)蒙古巴彥淖爾市，灌區(qū)由一干灌域、解放閘灌域、永濟(jì)灌域、義長灌域和烏拉特灌域組成，總面積約5 740 km2，是中國3個特大型灌區(qū)之一。同時，灌區(qū)作為中國重要的商品糧、油生產(chǎn)基地，其主要作物有小麥、玉米和向日葵等。本次研究在2019年7月份進(jìn)行，試驗區(qū)內(nèi)作物以葵花為主，少量種植玉米。研究區(qū)位于內(nèi)蒙古河套灌區(qū)西北部解放閘灌域內(nèi)的沙壕渠灌域（40°52′～41°00′N，107°05′～107°10′E），是土壤鹽漬化的典型區(qū)域（圖1）。該灌域?qū)儆诘湫偷拇箨懶詺夂?，夏季炎熱，冬季寒冷，降水稀少，蒸發(fā)強(qiáng)度大。其年平均氣溫約為 7.1 ℃，降水量和蒸發(fā)量分別約為 140和2 000 mm。灌域平均海拔約為 1 030 m，坡度約為1/10 000，其內(nèi)土壤質(zhì)地以粉壤土、砂壤土和壤土為主。多年來，由于地面坡度平緩，地下水徑流不足，地表蒸發(fā)強(qiáng)烈以及農(nóng)業(yè)灌溉的不合理，導(dǎo)致區(qū)域內(nèi)約 60%的土地受到不同程度的鹽漬化影響，嚴(yán)重制約當(dāng)?shù)剞r(nóng)業(yè)活動的健康可持續(xù)發(fā)展。

圖1 研究區(qū)域示意圖Fig.1 Schematic diagram of the study area

1.2 試驗數(shù)據(jù)采集與預(yù)處理

1.2.1 野外采樣與分析

試驗于2019年7月16日至20日在沙壕渠灌域內(nèi)進(jìn)行。對沙壕渠內(nèi)耕地進(jìn)行實地勘察后，根據(jù)土壤鹽漬化程度的不同選取 4塊具有代表性的區(qū)域作為試驗地并依次編號，分別為：一號地（含鹽量0.065%～0.275%），二號地（含鹽量 0.194%～0.828%），三號地（含鹽量0.220%～1.239%），四號地（含鹽量0.594%～3.112%），每塊研究區(qū)域約為16 hm2，并均勻布設(shè)30個取樣點，共計120個取樣點，如圖2所示。

在研究區(qū)內(nèi)選取晴朗的天氣獲取土壤樣本，以配合無人機(jī)多光譜遙感圖像的采集。土壤樣本采集時間集中在每天的 11:00～14:00，采用五點法采集 0～10、＞10～20 和＞20～40 cm深度的土壤，并使用手持式GPS定位儀測定每個取樣點的位置信息。將采集的土壤樣本放置于具有標(biāo)記的鋁盒內(nèi)，在實驗室使用烘箱對土樣進(jìn)行烘干、研磨，以1∶5的土水質(zhì)量比進(jìn)行土壤溶液配置，經(jīng)過攪拌、靜置、沉淀以及過濾后，取上清液并使用電導(dǎo)率儀（雷磁DDS-307A型，上海佑科儀器分公司）測定土壤溶液電導(dǎo)率 EC1:5值（uS/cm），根據(jù)經(jīng)驗公式（SSC=0.2882EC1:5+0.0183，%）計算土壤含鹽量。

1.2.2 無人機(jī)多光譜遙感圖像采集與處理

在研究區(qū)于2019年7月16日至20日獲取無人機(jī)多光譜圖像，圖像采集時間為每天的 11:00～14:00之間，其天氣晴朗。

無人機(jī)采用大疆創(chuàng)新科技有限公司生產(chǎn)的經(jīng)緯Matrice 600六旋翼無人機(jī)，該機(jī)的最大續(xù)航時間約40 min，最大上升和水平飛行速度分別為 5和18 m/s，同時可承受最大8 m/s的風(fēng)速。無人機(jī)搭載具有質(zhì)量輕、體積小及遠(yuǎn)程觸發(fā)等特點的傳感器Micro-MCA多光譜相機(jī)（簡稱MCA）。MCA具有6個光譜采集通道，對應(yīng)6個光譜波段，分別為490（藍(lán)光）、550（綠光）、680（紅光）、720（紅邊）、800（近紅外1）、900 nm（近紅外 2）。在無人機(jī)多光譜相機(jī)獲取遙感圖像之前，將標(biāo)準(zhǔn)白板放置于研究區(qū)內(nèi)進(jìn)行標(biāo)定，無人機(jī)飛行模式按照既定航線飛行，飛行高度設(shè)定為120 m（獲取圖像分辨率為6.5 cm），主航線之間以及主航線上的圖像重復(fù)率均設(shè)置為80%以上。MCA拍照時，相機(jī)鏡頭與地面呈90°，拍照模式為等時間間隔（3 s）。

圖2 試驗區(qū)和取樣點分布示意圖Fig.2 Schematic diagram of study area and sampling point distribution

獲取多光譜圖像后，使用MCA自帶的Pixel Wrench 2軟件對獲取的無人機(jī)多光譜遙感數(shù)據(jù)導(dǎo)出、圖像提取、校準(zhǔn)以及合成，之后將獲取的多幅多光譜遙感圖像以及對應(yīng)的GPS數(shù)據(jù)導(dǎo)入Pix4Dmapper軟件中完成校正以及拼接工作，得到完整的合成波段圖像。將合成的遙感圖像導(dǎo)入ENVI Classic中，導(dǎo)入實測取樣點的GPS定位信息，確定其所在像元點，并提取該像元點 6個光譜波段的灰度值，通過標(biāo)準(zhǔn)白板標(biāo)定后，取得相對應(yīng)的 6波段光譜反射率。

1.3 光譜指數(shù)的提取

通過無人機(jī)遙感圖像提取得到的光譜反射率可以構(gòu)建多種光譜指數(shù)，為探究光譜指數(shù)在土壤鹽分反演中的特點[24]，本文選取了一些在土壤鹽漬化監(jiān)測中廣泛應(yīng)用的傳統(tǒng)光譜指數(shù)，如表1所示?？紤]到紅邊波段可以提取到新的光譜特征信息，本研究在傳統(tǒng)光譜指數(shù)的基礎(chǔ)上，使用紅邊波段代替原有的紅光波段，并計算得到了新的紅邊波段的各種可能組合，從而產(chǎn)生潛在的光譜指數(shù)，用于估算土壤含鹽量。另外，考慮到紅邊波段對植被冠層光譜特征的顯著相關(guān)性以及紅光波段對土壤鹽分的敏感性[16,25]，本研究將紅光波段和紅邊波段也進(jìn)行了各種組合，以期得到好的效果，如表2所示。

1.4 變量選擇—Elastic-net算法

Elastic-net（ENET）算法[26]是一種聯(lián)合 Lasso的 L1正則化項和Ridge的L2正則化項作為懲罰項的線性回歸模型，起到了平衡模型稀疏性和非稀疏性的作用[21-22]。在研究土壤鹽分的算法應(yīng)用中，ENET算法并不常見，所以該算法是研究土壤鹽分反演問題的一種新的嘗試。

表1 傳統(tǒng)光譜指數(shù)及計算公式Table 1 Traditional spectral indices and calculation formulas

表2 引入紅邊波段的光譜指數(shù)及計算公式Table 2 The spectral indexes and calculation formulas of the introduced Rededge band

本研究利用ENET算法對53個光譜變量（6個光譜波段反射率，18個傳統(tǒng)光譜指數(shù)，29個改進(jìn)光譜指數(shù)）進(jìn)行篩選，由于 ENET算法中回歸系數(shù)表示各光譜指數(shù)所攜帶的有效光譜信息及對該模型的解釋性情況[27]，所以其中回歸系數(shù)縮小為 0的攜帶冗余光譜信息的光譜變量將被剔除，其余光譜變量則被選擇出來作為模型的輸入變量，ENET算法通過Matlab R2014a實現(xiàn)。

1.5 模型的構(gòu)建與精度評價

為了保證建模集和驗證集能夠代表樣本的統(tǒng)計特征，通過Kennard-Stone (k-s)算法對120個土壤樣本進(jìn)行劃分，最終選取80個樣本作為建模數(shù)據(jù)集，40個樣本作為驗證數(shù)據(jù)集。

本研究利用 R3.5.1軟件中的 e1071、nnet和elmNNRcpp包分別構(gòu)建 SVM、BPNN和 ELM 模型。SVM[28-29]是目前最為經(jīng)典的一類模型，具有穩(wěn)定、計算簡潔方便且可以得到全局最優(yōu)解等特點，本研究設(shè)定核函數(shù)類型為“poly”，通過網(wǎng)格搜索法對SVM模型的參數(shù)懲罰系數(shù)C和γ進(jìn)行尋優(yōu)，根據(jù)交叉驗證誤差最小原則確定C和γ分別為20和0.02。BPNN[30]是一種多層前饋式誤差逆?zhèn)魃窠?jīng)網(wǎng)絡(luò)，本研究采用 3層拓?fù)浣Y(jié)構(gòu)的BPNN模型，按照交叉驗證誤差最小的原則對模型的參數(shù)進(jìn)行尋優(yōu)，最終確定衰減參數(shù)為0.025以及隱層節(jié)點數(shù)為3，其他參數(shù)均使用默認(rèn)值。ELM[31]是用來求解單層神經(jīng)網(wǎng)絡(luò)的算法，本研究設(shè)置“hardlim”為激活函數(shù)，并將隱層神經(jīng)元節(jié)點由2調(diào)整到100，每次調(diào)試增加1個神經(jīng)元節(jié)點，以調(diào)節(jié)最優(yōu)隱含層的節(jié)點數(shù)，通過多次反復(fù)試驗最終確定隱含層的節(jié)點數(shù)為30，其他參數(shù)設(shè)為默認(rèn)值。

對模型的精度評價是通過 40個驗證集土壤鹽分樣本實測值與預(yù)測值的擬合效果來實現(xiàn)的。其擬合效果通過決定系數(shù)（Coefficient of determination，R2）、均方根誤差（Root Mean Square Error，RMSE）以及一致性相關(guān)系數(shù)（Concordance correlation coefficient，CC）來綜合評價，CC的值越接近1或者-1，R2越接近1，RMSE越小，說明建模效果越好[32]。

2 結(jié)果與分析

2.1 土壤含鹽量特征統(tǒng)計分析

將測得的 120個土壤含鹽量樣本分為非鹽土（＜0.2%）、輕度鹽漬化（0.2%～0.5%）、重度鹽漬化（＞0.5%～1.0%）、鹽土（＞1.0%）4個等級[33]，土壤含鹽量統(tǒng)計特征如表3所示。

表3 土壤含鹽量的描述性統(tǒng)計分析Table 3 Descriptive statistical analysis of soil salt content

在研究區(qū)內(nèi)，表層（0～10 cm）土壤含鹽量的平均值為0.31%；在＞10～20 以及＞20～40 cm處，土壤含鹽量的平均值為0.29%，變異系數(shù)分別為1.0、0.93和0.79。這一結(jié)果表明，研究區(qū)內(nèi)0～10以及＞10～20 cm處的土壤含鹽量變異程度較大，這種條件下可能有助于提高模型的預(yù)測精度。雖然＞20～40 cm處鹽漬化程度與0～10、＞10～20 cm 處基本持平，但變異程度相對較小，這可能對模型精度產(chǎn)生一定的影響。在0～10 cm深度，建模集與驗證集數(shù)據(jù)范圍分別為 0.07%～1.94%和0.07%～1.71%；在＞10～20 cm深度，建模集與驗證集數(shù)據(jù)范圍分別為 0.07%～1.50%和 0.07%～1.43%；在＞20～40 cm 深度，建模集與驗證集數(shù)據(jù)范圍分別為0.06%～1.40%和0.07%～1.37%，由此可以看出，各深度的建模集與驗證集數(shù)據(jù)范圍幾乎一致。這表明，建模集與驗證集可以代表整個數(shù)據(jù)集，取樣點數(shù)據(jù)可以較為真實反映研究區(qū)的鹽漬化程度。

2.2 彈性網(wǎng)絡(luò)（ENET）算法篩選光譜變量

利用ENET算法對53個光譜變量進(jìn)行篩選，將篩選出的光譜波段和傳統(tǒng)光譜指數(shù)作為一組輸入變量，記為原始光譜變量組；同時，將篩選出的光譜波段以及引入紅邊波段的光譜指數(shù)作為另一組輸入變量，記為改進(jìn)光譜變量組，如表4所示。從表中可以看出， 利用 ENET篩選不同土壤深度下的光譜變量數(shù)目明顯減少，且篩選出的光譜變量基本都通過了顯著性檢驗，其中大部分變量達(dá)到了 0.01極顯著水平，表明基于ENET算法進(jìn)行最佳光譜組合的篩選具有一定的應(yīng)用潛力。

表4 基于ENET的光譜變量篩選Table 4 Spectral variable screening based on ENET

2.3 基于機(jī)器學(xué)習(xí)方法的土壤含鹽量反演模型

經(jīng)過 ENET算法篩選光譜變量后，以原始光譜變量組和改進(jìn)光譜變量組為自變量，同時以土壤鹽分為因變量，并通過SVM、ELM和BPNN機(jī)器學(xué)習(xí)算法構(gòu)建出相應(yīng)的土壤鹽分反演模型。

2.3.1 基于原始光譜變量組的土壤含鹽量反演模型

基于原始光譜變量組，利用 ENET變量篩選方法結(jié)合SVM、ELM和BPNN機(jī)器學(xué)習(xí)算法構(gòu)建土壤鹽分反演模型。從變量選擇方法來看，在不同土壤深度處，經(jīng)過 ENET算法篩選光譜變量后的土壤鹽分反演模型精度均有所提升；從機(jī)器學(xué)習(xí)算法來看，在 0～10 和＞20～40 cm土壤深度處，ELM模型的建模精度最高，在＞10～20 cm土壤深度處BPNN模型的反演效果最好；從不同深度建模效果來看，＞10～20 cm土壤深度的 ENET-BPNN模型精度最高，RC2和RP2分別為0.668和0.657，RMSEC和 RMSEP分別為 0.159%和 0.154%，CC1和 CC2分別為0.794和0.778。

表5 基于原始光譜變量組的土壤含鹽量反演結(jié)果評價Table 5 Evaluation of soil salinity inversion results based on the original spectral variable group

2.3.2 基于改進(jìn)光譜變量組的土壤含鹽量反演模型

基于改進(jìn)光譜變量組，利用 SVM、ELM 和 BPNN機(jī)器學(xué)習(xí)算法構(gòu)建土壤鹽分反演模型。相比于未篩選變量所構(gòu)建的模型，利用 ENET篩選光譜變量所構(gòu)建的模型精度均有所提升，且在各土壤深度處ELM模型的反演效果均為最優(yōu)。其中，在 10～20 cm土壤深度處的ENET-ELM 模型精度最高，RC2和RP2分別為 0.785和0.783，RMSEC和RMSEP分別為0.128%和0.141%，CC1和CC2分別為0.879和0.875。

2.4 土壤鹽分反演模型的精度評價與分析

對比表5和表6發(fā)現(xiàn)，基于改進(jìn)光譜變量組的土壤鹽分模型反演效果要優(yōu)于原始光譜變量組。為了更加直觀的反映模型的反演效果，本研究基于最佳反演模型繪制了研究區(qū)不同深度的土壤鹽分分布圖（圖3）。從圖中可見，在不同土壤深度處，一號試驗地土壤主要以非鹽漬化為主，二號和三號試驗地土壤以非鹽漬化和輕度鹽漬化為主，這與實地調(diào)查情況基本一致；而四號試驗地土壤以重度鹽漬化和鹽土為主，且四號試驗地東北部以及西南部鹽漬化程度較高且較為集中，這是由于這些區(qū)域為鹽荒地，鹽漬化程度偏高，這也與實際勘察情況相一致。由此可知，基于改進(jìn)光譜變量組所建立的最佳反演模型可用于該試驗地區(qū)土壤鹽分的反演。

表6 基于改進(jìn)光譜變量組的土壤含鹽量反演結(jié)果評價Table 6 Evaluation of soil salinity inversion results based on the improved spectral variable group

圖3 基于最佳反演模型的不同深度土壤鹽分反演圖Fig.3 Soil salinity inversion map of different depths based on the best inversion model

3 討 論

本研究結(jié)果表明，通過無人機(jī)多光譜傳感器可以獲取作物冠層光譜信息，進(jìn)而實現(xiàn)土壤鹽漬化監(jiān)測的方法是可行的，這也有利于精準(zhǔn)農(nóng)業(yè)的發(fā)展。本研究通過不同光譜波段反射率構(gòu)建出不同的光譜指數(shù)，同相應(yīng)的土壤含鹽量建立了較強(qiáng)的相關(guān)性[34]，進(jìn)而實現(xiàn)對作物根域不同深度土壤鹽分的估算。本研究區(qū)域內(nèi)作物以葵花為主，并交錯種植少量玉米，不同作物根系的土壤鹽分離子濃度也會有一定差異[35]。同時，土壤鹽分對作物生長狀況的影響與其根域密切相關(guān)[21]，因此土壤含鹽量的最佳反演深度與作物根域所在土層有著密切的聯(lián)系。胡守忠等[36]認(rèn)為鹽漬農(nóng)田葵花的根系主要集中于0～20 cm土層，而譚丞軒等[37]發(fā)現(xiàn)玉米根域在拔節(jié)期的最佳監(jiān)測深度為0～20 cm。而本研究在0～10和＞10～20 cm深度都得到了較好的土壤含鹽量反演模型，且在＞10～20 cm深度處取得了最佳土壤鹽分反演模型，這與上述研究結(jié)果基本一致。在本研究中，＞20～40 cm深度的反演模型效果相對較差，可能是因為該時期作物在＞20～40 cm深度根系密度較小，對土壤鹽分的敏感程度有所降低。

本研究通過引入紅邊波段構(gòu)建了新的光譜指數(shù)，并與傳統(tǒng)光譜指數(shù)共同用于構(gòu)建土壤鹽分反演模型。同時，本研究通過ENET變量選擇方法對光譜變量進(jìn)行了篩選，發(fā)現(xiàn)通過 ENET算法可以較為有效篩選出敏感的光譜變量，這說明ENET算法可以用于土壤含鹽量的反演。

研究可知，紅邊波段的引入對不同區(qū)域的土壤鹽分反演均取得了優(yōu)異的成效。在同一研究區(qū)域內(nèi)，陳俊英等[38]通過SVM、BPNN和ELM進(jìn)行土壤鹽分反演模型的建立，發(fā)現(xiàn)ELM模型的預(yù)測效果最好，該結(jié)論與本文研究相同，且本研究在其研究的基礎(chǔ)上引入紅邊波段改進(jìn)光譜指數(shù)，顯著提高了最佳反演模型的精度。在不同的研究區(qū)域內(nèi)，Wang等[39]同樣通過引入紅邊波段構(gòu)建新的光譜指數(shù)用于土壤鹽分的反演，并得到了較好的模型效果。但其研究僅適用于裸土期的土壤鹽漬化監(jiān)測，未考慮植被覆蓋對土壤鹽分的影響，而植被覆蓋往往會導(dǎo)致模型精度的降低。本文在進(jìn)行引入紅邊波段對植被覆蓋期的土壤鹽分進(jìn)行監(jiān)測的過程中仍得到了較為穩(wěn)定且預(yù)測精度高的鹽分反演模型，進(jìn)一步說明引入紅邊波段改進(jìn)光譜指數(shù)進(jìn)行土壤鹽分反演是可行的。

本文通過引入紅邊波段建立最佳反演模型實現(xiàn)了對植被覆蓋下的土壤含鹽量反演圖的繪制并取得了良好的反演效果，而Hu等[32]對不同植被覆蓋度下的土壤鹽分進(jìn)行研究發(fā)現(xiàn)，不同覆蓋度下建模精度有一定的差異，Zhang等[40]通過對植被覆蓋度進(jìn)行分類提高了建模精度。由此可以看出，不同的植被覆蓋度會對土壤鹽分反演產(chǎn)生不同的影響，但是本研究并未考慮到這一點，這可能會對土壤鹽分的分布以及反演造成一定的影響，最終影響到模型的預(yù)測精度。因此，考慮不同植被覆蓋對土壤鹽分的影響以及如何對植被覆蓋度進(jìn)行分類是后續(xù)土壤鹽分監(jiān)測研究的重點。同時考慮到不同地區(qū)因為作物種類、植被覆蓋度和灌溉制度的差異以及地理位置和氣候條件等因素的影響，導(dǎo)致土壤鹽分分布和土壤鹽漬化程度的不同，本文的研究方法是否適用于其他地區(qū)作物土壤鹽分反演有待進(jìn)一步研究與驗證。

4 結(jié) 論

本研究采用變量選擇方法與機(jī)器學(xué)習(xí)算法相結(jié)合的方式進(jìn)行植被覆蓋下的土壤含鹽量反演。通過研究得到以下結(jié)論：

1）采用變量選擇方法進(jìn)行光譜變量的篩選，篩選變量后構(gòu)建的反演模型效果優(yōu)于未篩選的反演模型，說明ENET變量選擇方法可以用于土壤鹽分的反演研究。

2）對比基于不同機(jī)器學(xué)習(xí)算法所構(gòu)建的鹽分反演模型，發(fā)現(xiàn)基于ELM模型的土壤鹽分反演效果是最好的，BPNN 模型次之，SVM 模型效果最差。其中，在＞10～20 cm土壤深度處建立的ENET-ELM模型反演精度最高，RP2、RMSEP和 CC2分別達(dá)到了 0.783，0.141%以及 0.875，其次是0～10 cm深度，反演效果最差的是＞20～40 cm深度，說明＞10～20 cm深度是試驗區(qū)土壤鹽分反演的最佳深度。

3）由基于改進(jìn)光譜變量組構(gòu)建的土壤鹽分模型繪制的反演圖可知，改進(jìn)光譜變量組可以較為真實地反映試驗區(qū)土壤鹽漬化程度，這表明引入紅邊波段構(gòu)建光譜指數(shù)用于反演土壤鹽分是可行的。