劉旭輝，白云崗，柴仲平，張江輝，江柱，丁邦新，3，張超

（1.新疆農業(yè)大學資源與環(huán)境學院，烏魯木齊 830052；2.新疆水利水電科學研究院，烏魯木齊 830049；3.西北農林科技大學水利與建筑工程學院，陜西 楊凌 712100）

土壤鹽漬化是干旱、半干旱地區(qū)面臨的主要生態(tài)環(huán)境問題，其嚴重制約了區(qū)域灌溉農業(yè)的可持續(xù)發(fā)展[1]。衛(wèi)星遙感技術能夠快速準確獲取土壤含鹽量的動態(tài)變化，為土壤鹽漬化監(jiān)測和防治提供及時有效的信息和管理方法[2]。

建立遙感模型的過程中，選擇敏感光譜參量和適宜的建模方法有利于提升模型精度[3]。張曉光等[4]、張賢龍等[5]對光譜數(shù)據(jù)進行了對數(shù)、倒數(shù)、倒數(shù)的對數(shù)等數(shù)學變換，以增強光譜與鹽分之間的相關性，進而達到提升模型精度的效果。胡盈盈等[6]對線性變換前后的光譜反射率與土壤含鹽量進行相關性分析，優(yōu)選出敏感光譜波段，建立土壤鹽分多元線性回歸模型，反演春、秋兩季土壤含鹽量。Dwivedi等[7]、王雪梅等[8]、劉玉斌等[9]基于植被指數(shù)構建土壤鹽分線性回歸模型，反演得到土壤鹽分空間分布特征。Alexakis等[10]針對希臘克里特島土壤鹽漬化問題，基于WV2和Landsat 8 OLI 計算鹽分指數(shù)，結果表明，光譜指數(shù)S5 對土壤鹽分最為敏感，可為該地區(qū)地表土壤含鹽量的監(jiān)測提供新方案?；趦?yōu)選出的敏感光譜參量，選擇最適合本研究區(qū)土壤鹽分的建模方法，實現(xiàn)模型精度的提升。劉恩等[11]、邱元霖等[12]采用多元線性回歸、BP 神經(jīng)網(wǎng)絡（BPNN）等方法構建了土壤鹽分反演模型，發(fā)現(xiàn)影像光譜反射率和土壤含鹽量之間不是單純的線性關系，因而多元線性回歸模型的預測效果具有很大的波動性，而BPNN 具有極強的非線性擬合能力，模型反演精度更高。姚志華等[13]基于原始光譜反射率和特征光譜指數(shù)，使用極限學習機（ELM）、支持向量機（SVM）和BPNN 建模方法，構建土壤含鹽量估算模型。以上研究表明機器學習算法在土壤鹽分遙感反演過程中具有優(yōu)越性。土壤含鹽量受時間變化影響，空間分布存在差異，因而探討不同時期的土壤鹽漬化狀況極為重要。目前，基于3S 技術對土壤鹽漬化的時空演變研究已成為熱點，近年來取得了較為豐碩的研究成果。Ivushkin 等[14]基于多幅熱紅外圖像、土壤質地圖等數(shù)據(jù)源對隨機森林分類器進行訓練，最終得到了多幅土壤鹽分反演圖。花錦溪[15]基于MODIS 數(shù)據(jù)，利用分類回歸樹對像元進行分類，比較了不同類別特征對鹽堿土的分類效果，分析得到了松嫩平原鹽堿地動態(tài)變化過程。彭麗[16]研究了瑪納斯河流域的土壤鹽漬化狀況，分析得到了不同灌溉方式下的土壤鹽分空間變異特征。

已有研究多針對某一時期的鹽漬土進行反演[17?18]，但由于每年氣候多變，季節(jié)性差異明顯，且像素點內地物類型復雜，不同期遙感影像數(shù)據(jù)存在較大差異。鑒于此，本研究以新疆第二師31 團棉田為研究區(qū)，基于2019 年和2021 年春、夏、秋季Landsat 8 OLI 衛(wèi)星遙感影像和相應時期地表土壤含鹽量，利用ELM、SVM 和BPNN 構建不同季節(jié)土壤鹽分遙感反演模型，通過精度評價篩選各季節(jié)最優(yōu)模型，實現(xiàn)不同時期棉田土壤鹽分的定量反演，以期為當?shù)赝寥辣韺雍}量的實時監(jiān)測提供參考。

1 材料與方法

1.1 研究區(qū)概況

新疆生產(chǎn)建設兵團第二師31 團位于天山南麓塔里木盆地東北邊緣，塔里木河與孔雀河兩河下游的沖積平原，地處巴音郭楞蒙古自治州尉犁縣境內，西南臨塔克拉瑪干沙漠，東北與庫木塔格沙漠接壤，地理坐標為85°24′～88°30′ E，39°30′～42°20′ N。團場地勢自西北向東南傾斜，土壤類型主要為鹽土、堿土和風沙土。團場深處歐亞內陸腹地，屬北溫帶大陸性荒漠干旱氣候，降水量年際變化大，多年平均降水量53.3～62.7 mm，多年平均蒸發(fā)量2 273～2 788 mm?，F(xiàn)有灌溉面積7.5×103hm2，灌溉方式以膜下滴灌為主，灌溉用水來自塔里木河和恰拉水庫。

1.2 野外數(shù)據(jù)采集與處理

野外采樣選擇在棉花播種前（2019年3月20—28日、2021年4月7—12日）、生育期內（2019年6月19—25 日、2021 年6 月29 日—7 月2 日）、棉花采摘后（2019 年10 月23—25 日、2021 年11 月3—4 日）進行。實地勘察后，從水庫引水處沿干渠走向布設采樣點。2019、2021年春季分別布設樣點53、33處，夏季分別布設樣點51、39處，秋季分別布設樣點51、39處（圖1）。

圖1 研究區(qū)位置及土壤樣點分布示意圖Figure 1 Location and soil sample distribution diagram in the study area

1.2.1 土壤含鹽量測定

利用三點取樣法采集地表0～20 cm 土壤，用手持GPS 儀定位獲取每個樣點的經(jīng)緯度。將土樣帶回實驗室后，挑出雜物，風干、研磨，過2 mm 孔徑篩，稱取18 g 土樣，按土水質量比為1∶5 在錐形瓶中配制土壤溶液，用玻璃棒攪拌均勻后固定在振蕩器上振蕩10 min，使鹽分充分溶解，靜置后使用電導率儀測定土壤懸濁液的電導率（EC，μS·cm?1），根據(jù)經(jīng)驗公式y(tǒng)=0.005 1x?0.524 1（決定系數(shù)R2=0.953 4）計算土壤總含鹽量（g·kg?1）[19]。

1.2.2 土壤光譜曲線采集與處理

使用UniSpec?SC 光譜分析儀（波段范圍310～1 130 nm）在12：00—16：00 之間測定土壤光譜。春季，根據(jù)含鹽量大小將所有樣點的土壤分為3 個鹽漬化等級，在每個等級中隨機選取有代表性的多個樣點進行觀測，每個等級共觀測10 次，取平均值作為各等級土壤的實測高光譜。夏、秋兩季，在部分樣點連續(xù)測定10 條光譜，求平均值后得到不同樣點的土壤光譜，再分別對夏、秋季相同鹽漬化等級的土壤光譜反射率求平均值，作為兩個季節(jié)非鹽化土、輕度鹽化土和中度鹽化土的光譜，以研究其相似性和差異性。使用Multispec 5.1.5 軟件對光譜數(shù)據(jù)進行處理，得到310～1 130 nm 波段范圍的土壤光譜；在Origin 2018軟件中繪制土壤實測高光譜曲線。

1.3 遙感影像數(shù)據(jù)獲取與處理

多光譜數(shù)據(jù)采用Landsat 8 OLI衛(wèi)星遙感影像，數(shù)據(jù)來源于美國地質調查局（United States Geological Survey，USGS）官 網(wǎng)（https：//earthexplorer.usgs.gov/），行列號143/031，空間分辨率30 m，重訪周期16 d。按照與采樣時間相近且云量較小的原則，本研究選取2019年3月22日、6月19日、10月25日和2021年3月20 日、7 月1 日、10 月21 日的影像作為多光譜數(shù)據(jù)。使用ENVI 5.3軟件對影像數(shù)據(jù)進行輻射定標、大氣校正和裁剪等預處理，實現(xiàn)遙感數(shù)據(jù)由數(shù)字量化值到輻射亮度值再到地表反射率的逐步轉換；在ArcGIS 10.2中導入6次采樣的經(jīng)緯度，提取各采樣點在7個波段處的像元反射率；在Excel 2016 中計算多光譜波段反射率、鹽分指數(shù)和植被指數(shù)三類光譜參量。

1.4 光譜指數(shù)選取

春、秋季植被覆蓋度低，無法間接反映土壤鹽分狀況，因而在春、秋兩季土壤鹽分的反演過程中，僅選取了多光譜波段反射率和鹽分指數(shù)作為土壤鹽分反演模型的輸入變量。夏季，植被指數(shù)與土壤含鹽量之間具有一定的相關性，故將多光譜波段反射率、鹽分指數(shù)和植被指數(shù)作為自變量參與建模。本研究選取的14 個植被指數(shù)分別為歸一化差異植被指數(shù)（NDVI）[20]、比值植被指數(shù)（RVI）[21]、綠色比值植被指數(shù)（GRVI）[22]、差值植被指數(shù)（DVI）[21]、增強型植被指數(shù)（EVI）[20]、增強型比值植被指數(shù)（ERVI）[23]、增強型差值植被指數(shù)（EDVI）[23]、增強型歸一化植被指數(shù)（ENDVI）[20]、大氣阻抗植被指數(shù)（ARVI）[24]、土壤調節(jié)植被指數(shù)（SAVI）[20]、修改型土壤調整植被指數(shù)（MSAVI）[25]、三角形植被指數(shù)（TVI）[21]、歸一化差異綠度植被指數(shù)（NDGI）[21]、優(yōu)化土壤調整植被指數(shù)（OSAVI）[26]，選取的12個鹽分指數(shù)分別為歸一化鹽分指 數(shù)（NDSI）[21]、SI?T[21]、SI1[1]、SI2[1]、SI3[1]、SI4[23]、S1[1]、S2[1]、S3[1]、S4[1]、S5[1]、S6[1]。

1.5 土壤鹽分反演模型構建

土壤鹽分受水分影響，不同時期的灌溉、氣溫和降水等因素會影響土壤水分和鹽分含量，因而不同年份土壤含鹽量分布的變異性存在差異。剔除異常樣本數(shù)據(jù)后，將兩年同一季節(jié)樣本數(shù)據(jù)混合，按照土壤含鹽量由小到大的順序排列分組，根據(jù)建模集與驗證集2∶1 的比例進行等間隔取樣[21]，最終確定了春季建模集樣本51 個、驗證集樣本26 個，夏季建模集樣本51 個、驗證集樣本26 個，秋季建模集樣本55 個、驗證集樣本27 個。本研究通過對建模集波段光譜反射率、鹽分指數(shù)、植被指數(shù)與土壤含鹽量進行皮爾遜相關性分析（Pearson correlation coefficient，PCC），得到特征光譜參量，將其分為波段組、鹽分指數(shù)組、植被指數(shù)組和全變量組，并作為輸入變量組參與建模，建模方法選用ELM、SVM和BPNN，共建立30個土壤鹽分反演模型。

（1）極限學習機（ELM）

本研究基于MATLAB 2018平臺進行ELM模型構建，通過反復試驗，最終確定了不同變量組的神經(jīng)網(wǎng)絡模型結構（輸入層神經(jīng)元個數(shù)?隱含層神經(jīng)元個數(shù)?輸出層神經(jīng)元個數(shù)）。春季，波段組的模型結構為4?11?1，鹽分指數(shù)組的結構為7?11?1，全變量組為11?7?1。夏季，波段組7?12?1，鹽分指數(shù)組11?11?1，植被指數(shù)組14?13?1，全變量組32?14?1。秋季，波段組4?8?1，鹽分指數(shù)組9?14?1，全變量組13?6?1。

（2）支持向量機（SVM）

本研究采用LIBSVM 工具箱在MATLAB 2018 軟件中建立SVM 模型，通過測試，最終確定了最適于本實驗數(shù)據(jù)的SVMtrain 函數(shù)，SVM 類型設置為e?SVR回歸，核函數(shù)選用高斯徑向基核函數(shù)（RBF）。懲罰參數(shù)（c）和核函數(shù)（g）根據(jù)樣本數(shù)據(jù)進行測試，最終確定了各季節(jié)模型參數(shù)。春季，波段組c為900，g為0.25；鹽分指數(shù)組c為367，g為0.14；全變量組c為4，g為0.09。夏季，波段組c為6，g為0.14；鹽分指數(shù)組c為4，g為0.09；植被指數(shù)組c為20，g為0.07；全變量組c為4，g為0.03。秋季，波段組c為3，g為0.25；鹽分指數(shù)組c為1，g為0.11；全變量組c為1，g為0.08。

（3）BP神經(jīng)網(wǎng)絡（BPNN）

本研究基于MATLAB 2018 平臺進行BPNN 結構設計。將建模集波段組、鹽分指數(shù)組、植被指數(shù)組和全變量組作為模型輸入因子，土壤含鹽量作為模型輸出因子，建立土壤鹽分BPNN 反演模型。經(jīng)過反復試驗訓練，最終確定了最適于本研究數(shù)據(jù)的BPNN 模型，訓練函數(shù)選用poslin，隱含層傳遞函數(shù)選用pure?lin，輸出層函數(shù)選用trainlm，模型最大迭代次數(shù)1 000次，訓練目標最小誤差0.000 01。各季節(jié)不同變量組的神經(jīng)網(wǎng)絡模型結構（輸入層神經(jīng)元個數(shù)?隱含層神經(jīng)元個數(shù)?輸出層神經(jīng)元個數(shù)）如下：春季，波段組的神經(jīng)網(wǎng)絡結構為4?9?1，鹽分指數(shù)組的結構為7?9?1，全變量組為11?9?1；夏季，波段組7?7?1，鹽分指數(shù)組11?7?1，植被指數(shù)組14?7?1，全變量組32?7?1；秋季，波段組4?4?1，鹽分指數(shù)組9?4?1，全變量組13?4?1。

1.6 模型評價指標

為量化模型的擬合能力，評價指標采用決定系數(shù)（Coefficient of determination，R2）和均方根誤差（Root mean square error，RMSE）[27]對模型的建模和驗證效果進行綜合評價。R2越接近1，說明模型擬合程度越好；RMSE越小，說明實測值和預測值的誤差越小。因此，R2越大、RMSE越小，說明模型精度越高，反演效果越好。

2 結果與分析

2.1 土壤含鹽量特征統(tǒng)計

根據(jù)新疆土壤鹽堿化程度等級分類標準[28]，將土壤分為非鹽化土（0～3 g·kg?1）、輕度鹽化土（>3～6 g·kg?1）和中度鹽化土（>6～10 g·kg?1）3 個等級。土壤含鹽量的描述性統(tǒng)計分析結果如表1 所示，春、夏、秋季總樣本中，非鹽化土所占比例分別為64.94%、61.04%、56.10%；輕度鹽化土所占比例分別為27.27%、32.47%、31.71%；中度鹽化土所占比例分別為7.79%、6.49%、12.20%。春、夏、秋季土壤含鹽量總樣本變異系數(shù)分別為0.67、0.56、0.67，表明棉田土壤含鹽量呈中等變異性。

表1 土壤含鹽量的描述性統(tǒng)計分析Table 1 Descriptive statistical analysis of soil salinity

2.2 實測土壤高光譜特征

如圖2 所示，春、秋季土壤光譜曲線形態(tài)大致相同，不同鹽漬化程度的土壤光譜曲線相對平行，變化趨勢基本一致：隨著波長的增加，土壤高光譜反射率先減小后增大。夏季，耕作區(qū)土壤被棉花枝葉覆蓋，在各樣點測定了植被光譜曲線。波長在310～413 nm之間時，光譜反射率隨波長的增加而迅速減??；當波長為413～673 nm 時，光譜反射率介于0.04%～0.14%之間，其中在554 nm（綠）處達到峰值，兩側450 nm（藍）和670 nm（紅）有兩個吸收帶，這一特征是由于葉綠素對藍光和紅光吸收作用強，對綠光反射作用強[29]。波長在673～762 nm（近紅外）之間時，光譜反射率隨波長的增加而迅速增大；波長在762～943 nm 之間時，反射率隨波長的增加趨于平穩(wěn)；波長在943～1 130 nm之間時，反射率隨波長的增加呈先減后增再減的趨勢，其中在977 nm 附近有吸收谷，在1 104 nm 處達到峰值，這是由于受植被葉細胞結構的影響，除吸收和透射的部分外，均形成高反射率[29]。從反射強度來看，三個季節(jié)的中度鹽化土光譜反射率均高于輕度鹽化土和非鹽化土。

圖2 不同鹽漬化程度土壤光譜反射率曲線Figure 2 Spectral reflectance curve of soil with different salinity degree

2.3 特征光譜參量優(yōu)選

光譜參量與土壤含鹽量的Pearson 相關系數(shù)如表2 所示。對春、夏、秋季依次進行分析發(fā)現(xiàn)，春季的11個光譜參量通過顯著性檢驗（P<0.01），且相關系數(shù)均在0.4 以上。夏季光譜參量中，除了SI4 鹽分指數(shù)外，其余32 個光譜參量與土壤含鹽量均呈顯著相關（P<0.01），14個植被指數(shù)與土壤含鹽量均呈負相關，且相關系數(shù)的絕對值均大于0.5。秋季的13 個光譜參量通過了顯著性檢驗（P<0.01），比春季有所增加，但其絕對值的均值（0.494）低于春季（0.520）?？傮w來看，各季節(jié)b1、b2、b3、b4、SI1、SI3、S3、S4、S5 光譜參量與土壤含鹽量均呈顯著正相關（P<0.01）。植被指數(shù)與土壤含鹽量的相關性較高，為夏季模型的建立奠定了良好基礎。

表2 光譜參量與土壤含鹽量的相關性Table 2 Correlation between spectral parameters and soil salinity

2.4 各季節(jié)土壤鹽分反演模型構建

春季，選擇與土壤含鹽量顯著相關（P<0.01）的b1、b2、b3、b4 波段光譜反射率作為波段組，選擇SI1、SI2、SI3、SI4、S3、S4、S5 鹽分指數(shù)作為鹽分指數(shù)組。為了避免模型中遺漏重要的光譜參量，考慮不同類別光譜參量對模型的影響，將上述4 個敏感波段和7 個敏感鹽分指數(shù)共同作為全變量組參與建模。同理，在夏季選擇7個波段光譜反射率作為波段組，11個鹽分指數(shù)作為鹽分指數(shù)組，14 個植被指數(shù)作為植被指數(shù)組，上述32 個敏感光譜參量作為全變量組參與建模。秋季的波段組、鹽分指數(shù)組、全變量組中敏感光譜參量分別為4、9、13個。

2.4.1 春季土壤鹽分反演模型

由表3 可知，在波段組和鹽分指數(shù)組中，建模集的各類機器學習模型R2均大于0.616，其中SVM 模型的精度最高，BPNN 模型次之，ELM 模型精度最低。波段組中，BPNN 模型驗證集R2達到了0.538，RMSE為1.460，驗證效果最優(yōu)，ELM 和SVM 模型驗證集誤差較大。鹽分指數(shù)組中，BPNN 驗證集R2為0.459，RMSE為1.567，驗證效果較好，ELM 和SVM 模型驗證集誤差較大。在全變量組中，3 個模型的建模集和驗證集R2均大于0.487，其中BPNN 模型精度最高，ELM模型次之，SVM 模型精度最低。因此，在3 種機器學習算法中，BPNN 模型最適于本研究區(qū)春季土壤鹽分數(shù)據(jù)。綜合對比ELM、SVM 和BPNN 模型建模和驗證精度，發(fā)現(xiàn)基于全變量組建立的BPNN 模型是3 種模型中最優(yōu)的土壤鹽分反演模型，因此，本研究使用該模型反演新疆31團春季棉田土壤表層鹽分。

表3 基于春季不同變量組的機器學習模型Table 3 Machine learning model based on different variable groups in spring

2.4.2 夏季土壤鹽分反演模型

如表4 所示，在植被指數(shù)組和全變量組中，BPNN模型精度均高于SVM 和ELM。在波段組中，SVM 和BPNN 模型精度均高于ELM，由于BPNN 模型建模效果與SVM 相近，驗證效果明顯優(yōu)于SVM，因而在波段組中，BPNN 模型精度最高，SVM 模型次之，ELM 模型精度最低。在鹽分指數(shù)組中，BPNN 模型建模效果最好，R2在0.7 以上，RMSE小于1.3，ELM 和SVM 模型建模效果相近，R2均接近于0.7，精度驗證時，發(fā)現(xiàn)SVM和BPNN 模型驗證效果相近，均優(yōu)于ELM，因而在鹽分指數(shù)組中，BPNN 模型精度最高，SVM 模型次之，ELM 模型精度最低。因此，在3 種機器學習算法中，BPNN 模型最適于本研究區(qū)夏季土壤鹽分數(shù)據(jù)，SVM模型效果略優(yōu)于ELM。綜合對比ELM、SVM 和BPNN模型建模和驗證精度，發(fā)現(xiàn)基于全變量組建立的BPNN 模型是3 種模型中最優(yōu)的土壤鹽分反演模型，因此，本研究使用該模型來反演新疆31 團夏季棉田土壤表層鹽分。

表4 基于夏季不同變量組的機器學習模型Table 4 Machine learning model based on different variable groups in summer

2.4.3 秋季土壤鹽分反演模型

如表5 所示，在波段組中，ELM 模型精度最高，BPNN 模型次之，SVM 模型精度最低。在鹽分指數(shù)組中，ELM 和BPNN 模型建模精度均高于SVM，且均在0.6 以上，RMSE分別為1.407 和1.410，精度驗證時發(fā)現(xiàn)，SVM 和BPNN 模型驗證效果均優(yōu)于ELM，因而在鹽分指數(shù)組中，BPNN模型精度高于ELM和SVM。在全變量組中，BPNN模型的建模和驗證效果在3個模型中最優(yōu)，建模集R2在0.6 以上，RMSE小于1.4，驗證集R2在0.5 以上，RMSE小于1.8。綜合分析建模和驗證效果可知，基于全變量組的BPNN 模型精度略高于波段組建立的ELM 模型，因此，本研究最終使用該模型來反演新疆31團秋季棉田土壤表層鹽分。

表5 基于秋季不同變量組的機器學習模型Table 5 Machine learning model based on different variable groups in autumn

2.5 模型綜合評價

由表3、表4、表5可知，對于同一變量組建立的同種回歸模型，夏季模型驗證精度均高于春季和秋季，春、夏、秋季建模集R2范圍分別為0.5～0.8、0.6～0.9 和0.5～0.7，因而在各組合中，夏季土壤鹽分反演模型精度最高?；谌兞拷M的BPNN 模型均為各季節(jié)最優(yōu)的土壤鹽分反演模型，各季節(jié)模型精度由高到低依次為夏季>春季>秋季。

2.6 各季節(jié)土壤含鹽量空間分布反演

2.6.1 空間分布特征

由表6 可知，2019 年和2021 年的春、夏、秋季棉田土壤均主要為非鹽化土，其次為輕度鹽化土，中度鹽化土面積最小。將土壤含鹽量范圍細化為1 g·kg?1間距后，發(fā)現(xiàn)各季節(jié)含鹽量為>2～3 g·kg?1的土壤分布面積均大于40 km2，其中2019年春、秋季和2021年秋季土壤分布面積較廣，均在60 km2以上，2019 年夏季次之，2021年春、夏季土壤分布面積較小。除2021年春、夏季外，其余4 期含鹽量為>3～4 g·kg?1的土壤比含鹽量為>1～2 g·kg?1的土壤分布面積更大。在含鹽量為>3～4 g·kg?1范圍內，兩年秋季土壤分布面積最廣，其次為2019 年春、夏季和2021 年春季，面積均在30 km2以上，2021年夏季土壤分布面積最小。在含鹽量為>1～2 g·kg?1范圍內，2021 年春、夏季土壤分布面積最廣，均在30 km2以上，其次為2019 年夏季，2019年春、秋季和2021 年秋季土壤分布面積最小。2019年和2021 年春、夏季土壤含鹽量主要集中于>1～4 g·kg?1范圍內，兩年秋季土壤含鹽量主要為>2～4 g·kg?1。

表6 不同鹽漬化程度土壤面積（km2）Table 6 Soil area of different salinization degree（km2）

由圖3 可知，2019 年春季含鹽量小于2 g·kg?1的土壤主要分布于西北和東南部的少數(shù)田塊內，2021年春季含鹽量小于2 g·kg?1的土壤均勻分布于距離荒地較遠的整個研究區(qū)棉田內，兩年春季含鹽量為4 g·kg?1以上的土壤主要位于東北部的獨立地塊和靠近荒地的區(qū)域內，且越接近南北兩側荒地的棉田土壤含鹽量越高，東北部的獨立地塊鹽分偏高，主要為輕度鹽化土。兩年夏季含鹽量為>1～4 g·kg?1的土壤均勻分布于90%以上的棉田內，2019年夏季含鹽量為4 g·kg?1以上的土壤零散分布于棉田內部的少數(shù)田塊中，2021年夏季含鹽量為4 g·kg?1以上的土壤主要分布于田塊與田塊間的小塊土地上，而田塊內的土壤鹽漬化程度較輕，主要為非鹽化土。兩年秋季中，90%以上棉田的土壤含鹽量為>2～4 g·kg?1，其中含鹽量>2～3 g·kg?1的土壤比>3～4 g·kg?1的土壤分布面積更大。

圖3 研究區(qū)棉田土壤含鹽量反演等級分布Figure 3 Inversion grade distribution of soil salinity degree in cotton field

2.6.2 土壤含鹽量季節(jié)性變化特征

由于2019 年和2021 年春、夏季土壤含鹽量主要為>1～4 g·kg?1，兩年秋季土壤含鹽量主要為>2～4 g·kg?1，故僅對兩年各季節(jié)土壤含鹽量為>1～4 g·kg?1范圍的土壤面積進行分析。如表7所示，2019年春季至夏季含鹽量為>1～2 g·kg?1的土壤面積增加了9.73 km2，含鹽量為>2～4 g·kg?1的土壤面積減小了13.50 km2；2019 年夏季至秋季含鹽量為>1～2 g·kg?1的土壤面積減小了18.62 km2，含鹽量為>2～4 g·kg?1土壤面積增加了25.92 km2。2021 年春季至夏季含鹽量為>1～3 g·kg?1的土壤面積增加了6.91 km2，含鹽量為>3～4 g·kg?1土壤面積減小了12.54 km2；2021 年夏季至秋季含鹽量為>1～2 g·kg?1的土壤面積減小了42.33 km2，含鹽量為>2～4 g·kg?1的土壤面積增加了43.36 km2。結合圖3 可知，兩年土壤含鹽量季節(jié)性變化過程相似，春季至夏季土壤含鹽量減小，夏季至秋季土壤含鹽量增大，土壤含鹽量由大到小依次為秋季>春季>夏季。這是由于春季蒸發(fā)強烈，土壤鹽分向表層運移，土壤表層含鹽量增加；夏季對棉田進行滴灌，鹽分向土層深處轉移，土壤表層含鹽量減??；秋季氣候干燥，蒸發(fā)強烈，8月底結束生育期灌溉后，經(jīng)過近2個月的蒸發(fā)作用，土壤鹽分有明顯的表聚現(xiàn)象。

表7 不同程度鹽漬化土壤面積季節(jié)性變化（km2）Table 7 Seasonal variation of soil area at different degree of salinization（km2）

2.6.3 土壤含鹽量年際變化特征

對比兩年土壤鹽漬化程度發(fā)現(xiàn)，2019—2021 年各季節(jié)不同鹽漬化等級的土壤面積變化趨勢相似，均為非鹽化土面積增加、輕度鹽化土面積減少、中度鹽化土面積基本不變（表8）。以>1～4 g·kg?1范圍的土壤面積變化為例，2019—2021年春季，含鹽量為>1～2 g·kg?1的土壤面積增加了28.06 km2，含鹽量為>2～4 g·kg?1的土壤面積減小了24.49 km2；2019—2021 年 夏季，含鹽量為>1～2 g·kg?1的土壤面積增加了24.43 km2，含鹽量為>2～4 g·kg?1的土壤面積減小了22.73 km2；2019—2021年秋季，含鹽量為>1～3 g·kg?1的土壤面積增加了4.96 km2，含鹽量為>3～4 g·kg?1的土壤面積減小了9.52 km2。由圖3可知，2021年春、夏季反演圖中綠色色調相比2019 年更深，2021 年秋季反演圖中綠色區(qū)域面積相比2019 年更大。綜上，各季節(jié)土壤含鹽量年際變化過程相似，2019—2021 年各季節(jié)土壤含鹽量均有所減小。由此可見，當?shù)貙}漬土的治理給予了高度重視，制定了合理的農業(yè)灌溉排水制度和措施，隨著時間的推移，鹽漬化治理取得了一定成效。

表8 2019—2021年不同鹽漬化程度土壤面積變化（km2）Table 8 Variation of soil area at different salinization degree during 2019—2021（km2）

3 討論

3.1 土壤含鹽量特征及光譜指數(shù)分析

本研究對Landsat 8 OLI多光譜波段反射率、光譜指數(shù)與土壤含鹽量進行相關性分析，發(fā)現(xiàn)敏感多光譜波段為藍、綠、紅波段，這與孫亞楠等[1]的研究結果一致，說明可見光波段的土壤鹽分光譜信息量較多，通過波段組進行特征光譜指數(shù)的構建可以挖掘光譜與鹽分之間的隱含信息。胡婕[30]分析了21個寬波段指數(shù)與土壤含鹽量之間的相關性，發(fā)現(xiàn)NDVI、EVI、ARVI、OSAVI、MSAVI等植被指數(shù)與土壤含鹽量之間均呈負相關，本研究也發(fā)現(xiàn)，夏季14 個植被指數(shù)與土壤含鹽量均呈負相關。王雪梅等[8]、邊玲玲等[31]發(fā)現(xiàn)光譜指數(shù)與土壤含鹽量之間存在一定的相關性，在估算應用方面具有很大貢獻。本研究也發(fā)現(xiàn)，在各季節(jié)中，通過顯著性檢驗（P<0.01）的光譜參量個數(shù)占各自指標總數(shù)的一半以上，可以表征土壤鹽分。顏祥照[32]研究發(fā)現(xiàn)由于受到大氣條件、土壤水分和地表粗糙度等土壤理化性質的影響，光譜曲線不完全遵循反射率隨土壤有機質含量增加而增大的規(guī)律，這與本研究結果一致。棉田土壤含鹽量呈中等變異性，說明其容易受到氣候、地形、水文、地質等自然因素及灌溉、翻耕、施肥等人為因素的影響[33?34]。研究區(qū)全年降水量較少，且每次采樣前后無明顯降水，對采樣結果影響較小。本研究采樣時間為2019 年和2021 年春、夏、秋季，兩年自然環(huán)境差異較大，不可控因素較多，因而將兩年同一季節(jié)數(shù)據(jù)混合，以中和不同年份樣本數(shù)據(jù)的變異性，再進行建模集和驗證集的劃分，使結果更具合理性。

3.2 不同季節(jié)土壤鹽分反演模型建立

本研究基于不同變量組，使用3 種建模方法構建了30 個土壤鹽分反演模型，發(fā)現(xiàn)選擇不同的輸入變量和建模方法時，模型效果存在差異，對反演結果進行精度評價后，選擇春、夏、秋季最優(yōu)模型定量反演相應季節(jié)的土壤含鹽量。本研究基于機器學習算法構建的土壤鹽分反演模型建模、驗證效果較優(yōu)，這是由于土壤鹽漬化發(fā)生機理復雜，土壤光譜特征與表層土壤含鹽量之間存在復雜的非線性關系，機器學習算法具有極強的非線性擬合能力和推廣能力，適合模擬變量內部機制的復雜關系[21]。模型反演精度從高到低依次為夏季>春季>秋季，這可能是由于夏季模型輸入變量較春、秋兩季更多，且植被指數(shù)與土壤含鹽量的相關系數(shù)較高。春季模型精度略高于秋季，這可能是由于秋季棉花采摘結束后秸稈仍留于棉田，影響了秋季土壤鹽分的反演效果。

3.3 土壤鹽分時空變化特征

相比于傳統(tǒng)的土壤鹽分實地調查，遙感技術能根據(jù)土壤鹽分反演模型將影像上所有柵格點的光譜反射率轉化為土壤含鹽量，成果圖中每個像素點的數(shù)值代表該位置處的土壤含鹽量，從而達到量化效果。本研究利用遙感技術對新疆31 團棉田2019 年和2021年不同季節(jié)土壤含鹽量進行反演，結果表明，地表土壤含鹽量受季節(jié)影響明顯，均表現(xiàn)為秋季>春季>夏季，這與王君[35]的研究結果（春季積鹽，夏季脫鹽，秋末鹽漬化程度加重）基本一致。為保證31 團棉花的正常生長，耕作區(qū)每年會進行冬春灌，并且冬季結凍期較長，在春季采樣前，冰雪融水對土壤鹽分具有一定的淋洗作用，但春季蒸發(fā)強烈，土壤鹽分向表層運移，地表土壤含鹽量增加。夏季棉田灌溉水對表層土壤鹽分進行淋洗，且由于棉花植被覆蓋，棉花蒸騰作用增加，地表蒸發(fā)量降低，表層土壤含鹽量減小。秋季停止了灌溉活動，氣候干燥，蒸發(fā)強烈，進入積鹽階段。綜上，灌區(qū)內土壤鹽分的周期變化總體表現(xiàn)為春季蒸發(fā)積鹽、夏季灌溉淋洗、秋季強烈蒸發(fā)積鹽[19]。對比兩年土壤鹽漬化程度發(fā)現(xiàn)，2021 年土壤鹽漬化程度較2019 年有所減弱，這是由于當?shù)胤浅Ｖ匾曽}漬土的治理，采取了合理的農業(yè)灌溉排水措施，隨著時間的推移，取得了一定成效。

本研究以新疆第二師31 團棉田為研究區(qū)進行土壤鹽分遙感反演，取得了較為理想的反演效果，但不同試驗區(qū)自然環(huán)境有所差異，反演方法在其他地區(qū)的適用性還有待研究。目前，多源數(shù)據(jù)融合研究已成為熱點，今后可收集更多的與研究方向相關的數(shù)據(jù)，以便更深入地開展研究。

4 結論

（1）2019 年和2021 年春、夏、秋季新疆第二師31團棉田土壤主要為非鹽化土和輕度鹽化土，各季節(jié)土壤含鹽量總樣本呈中等變異性。中度鹽化土的光譜反射率高于輕度鹽化土和非鹽化土。

（2）春、夏、秋季相關系數(shù)通過顯著性檢驗（P<0.01）的光譜參量分別為11、32、13 個，各季節(jié)b1、b2、b3、b4、SI1、SI3、S3、S4、S5 光譜參量與土壤含鹽量均呈顯著正相關。

（3）基于全變量組的BPNN 模型均為各季節(jié)最優(yōu)的土壤鹽分反演模型，建模集R2介于0.634～0.830 之間，建模集RMSE介于1.128～1.379 之間，驗證集R2介于0.527～0.767 之間，驗證集RMSE介于1.409～1.742之間。模型精度由高到低依次為夏季>春季>秋季。

（4）2019 年和2021 年棉田土壤含鹽量季節(jié)性變化均表現(xiàn)為：春季至夏季土壤含鹽量減小，夏季至秋季土壤含鹽量增大。2019—2021 年各季節(jié)土壤含鹽量均有所減小。