干旱區(qū)土壤鹽漬化信息遙感建模

馮 娟，丁建麗，楊愛(ài)霞，蔡亮紅

(新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，綠洲生態(tài)重點(diǎn)實(shí)驗(yàn)室, 新疆 烏魯木齊 830046)

土壤鹽漬化是干旱半干旱區(qū)農(nóng)業(yè)發(fā)展的主要障礙性因子[1]，也是土壤質(zhì)量的一個(gè)表征[2]，它對(duì)人類生產(chǎn)與發(fā)展有一定的影響，同時(shí)威脅著生態(tài)環(huán)境。因而更好地估算土壤鹽漬化，準(zhǔn)確掌握鹽漬化的分布狀況對(duì)治理鹽漬化和防止次生鹽漬化有非常重要的意義。

目前利用光譜指數(shù)對(duì)干旱區(qū)土壤鹽漬化研究較成熟[3-5]，Khan和Sato[6]研究發(fā)現(xiàn)不同波段組成的鹽分指數(shù)在指示同一種鹽漬化時(shí)，表現(xiàn)出來(lái)的指數(shù)特征不同；哈學(xué)萍等[7]利用Landsat影像，提出了土壤鹽漬化遙感監(jiān)測(cè)指數(shù)(salinization monitoring index，SMI)，將不同程度的鹽漬化進(jìn)行了較好的劃分。然而利用綜合光譜指數(shù)結(jié)合不同數(shù)據(jù)源不同模型對(duì)土壤鹽漬化進(jìn)行估測(cè)的研究相對(duì)較少。丁建麗等[8]在基于綜合高光譜指數(shù)區(qū)域土壤鹽漬化監(jiān)測(cè)研究得出：利用綜合高光譜指數(shù)監(jiān)測(cè)干旱半干旱區(qū)土壤鹽漬化非常有效。彭杰等[9]利用偏最小二乘回歸模型(partial least squares regression，PLSR)對(duì)鹽漬化評(píng)估，發(fā)現(xiàn)該方法所得模型決定系數(shù)較高。牛增懿等[10]利用Landsat8 OLI數(shù)據(jù)和高分一號(hào)影像進(jìn)行土壤鹽漬化信息提取，發(fā)現(xiàn)國(guó)產(chǎn)高分一號(hào)影像在土壤鹽漬化信息提取方面優(yōu)于Landsat8 OLI影像。

近幾年來(lái)對(duì)土壤鹽漬化評(píng)估方面，偏最小二乘回歸法和多元線性回歸法利用較多，而支持向量機(jī)回歸法在估算土壤鹽漬化中應(yīng)用基本沒(méi)有。支持向量機(jī)這種學(xué)習(xí)算法在研究小樣本的統(tǒng)計(jì)和預(yù)測(cè)中是目前最佳理論，因此本文將支持向量機(jī)與偏最小二乘法和多元線性回歸法分別運(yùn)用到土壤鹽漬化的評(píng)估中，并將三者結(jié)果進(jìn)行對(duì)比分析。該研究不僅對(duì)渭庫(kù)三角洲綠洲的土壤鹽漬化提供合理改良和利用的理論依據(jù),同時(shí)對(duì)該地區(qū)的土壤鹽漬化的發(fā)生發(fā)展趨勢(shì)也具有重要的意義。

1 材料與方法

1.1 研究區(qū)概況

渭-庫(kù)綠洲位于新疆塔里木盆地的中北部，屬渭干河-庫(kù)車河流域，在行政上隸屬阿克蘇地區(qū)管轄，范圍包括新和、沙雅和庫(kù)車三個(gè)縣，這三個(gè)縣總面積為523.76×104hm2,沙雅縣每年因鹽堿危害造成失收面積達(dá)2 667 hm2,最高年份失收面積達(dá)8 000 hm2，因鹽堿化棄草地已達(dá)4.56×104hm2，新和與庫(kù)車兩縣也在3.72×104hm2左右[11]。渭庫(kù)綠洲屬于溫帶大陸性干旱氣候，年平均蒸發(fā)量為1 991.0～2 864.3 mm ，多年平均降水量?jī)H為51.3 mm，蒸發(fā)量遠(yuǎn)大于降水量，多年平均氣溫10.6℃～14.8℃，年極高、極低氣溫分別為41.3℃和-28.7℃，屬于干旱與極端干旱地區(qū)。較少的降雨，較強(qiáng)的蒸發(fā)，使得該地區(qū)土壤鹽漬化現(xiàn)象普遍存在。鹽分不斷在表層溢出，植被覆蓋度不斷減少，嚴(yán)重時(shí)會(huì)形成鹽斑，形成重度鹽漬化區(qū)。在綠洲外圍輕、中度鹽漬化區(qū)域內(nèi)，植物主要以蘆葦(Phragimitesaustralis)、檉柳(Tamarixramosission)、駱駝刺(Allhagisparisifolia)、花花柴(Karelinacaspica)和鹽爪爪(Kalidiumgracile)為主。近年來(lái)土壤鹽漬化和沙質(zhì)荒漠化不斷加劇，綠洲土地退化現(xiàn)象日益普遍，該地區(qū)的生態(tài)環(huán)境也逐漸脆弱，這對(duì)當(dāng)?shù)丶叭沙掷m(xù)發(fā)展造成嚴(yán)重的影響[12-15]。圖1為本研究采樣點(diǎn)確定的研究范圍。

圖1 研究區(qū)地理分布圖及采樣點(diǎn)位置圖

Fig.1 Geographical position map of study area and distribution of sampling points

1.2 野外數(shù)據(jù)采集

研究采用GPS定位，采樣時(shí)間為2014年7月，在研究區(qū)內(nèi)取樣38個(gè)，取0～10 cm表層土壤，每個(gè)采樣點(diǎn)均在30 m×30 m的采樣范圍內(nèi)進(jìn)一步再選取4個(gè)點(diǎn)，呈梅花狀采樣，采用四分法取500 g土樣裝袋帶回實(shí)驗(yàn)室，風(fēng)干研磨并過(guò)0.25 mm孔徑的篩子，再與蒸餾水按1∶5的比例配置，靜置過(guò)濾后，獲得土壤溶液，最后用德國(guó)WTW公司制造的Cond7310精密儀器來(lái)測(cè)定土壤溶液的鹽分。

1.3 遙感數(shù)據(jù)獲取和預(yù)處理

使用的GF-1于2013年4月26日在甘肅酒泉衛(wèi)星發(fā)射中心成功發(fā)射并進(jìn)入預(yù)定軌道，GF-1衛(wèi)星軌道為近圓形、近極地與太陽(yáng)同步，軌道高度為645 km，其中包括兩臺(tái)2 m全色/8 m多光譜相機(jī)(PMS1和PMS2)，和四臺(tái)16 m多光譜相機(jī)(WFV1-WFV4)，如表1。

表1 GF-1衛(wèi)星載荷參數(shù) Table 1 Parameters of GF-1 satellite payload

研究以2014年7月19日的GF-1 WFV多光譜影像為數(shù)據(jù)源，WFV影像的分辨率為16 m，影像經(jīng)過(guò)大氣校正、幾何校正以及裁剪等預(yù)處理，大氣校正采用FLAASH大氣校正法，幾何校正以1∶5萬(wàn)地形圖為基準(zhǔn)，進(jìn)行橫軸墨卡托投影及三次卷積內(nèi)重采樣。Landsat8 OLI影像時(shí)間為2014年7月28日，分辨率為30 m，做與GF-1 WFV同樣的處理。

1.4 光譜指數(shù)的選取與計(jì)算

利用ENVI5.1軟件將經(jīng)過(guò)大氣校正和幾何校正的GF-1和Landsat8 OLI影像的波段的反射率數(shù)據(jù)，結(jié)合參考文獻(xiàn)和經(jīng)驗(yàn)，選擇20個(gè)常見(jiàn)的光譜指數(shù)[15-29]作為構(gòu)建土壤含鹽量估算模型的備選指標(biāo)，如表2所示。其中Landsat8 OLI藍(lán)波段、綠波段、紅外波段和近紅外波段分別采用485、560、680 nm和800 nm的反射率。GF-1依次為波段1、2、3和4。

1.5 模型建立及檢驗(yàn)

模型建立即為構(gòu)建研究對(duì)象和函數(shù)的關(guān)系，同時(shí)確定函數(shù)的各項(xiàng)參數(shù)。

1.5.1 多元回歸模型 因變量的變化往往受幾個(gè)重要因素的影響，此時(shí)就需要用兩個(gè)或兩個(gè)以上的影響因素，作為自變量來(lái)解釋因變量的變化。多元線性回歸方程的一般表達(dá)式為：

y=β0+β1·x1+…+βk·xk+ε

(1)

式中，ε是隨機(jī)項(xiàng)，服從正態(tài)分布N(0，σ2)。(y1;x11,x21,…,xk1),…,(yn;x1n,x2n,…,xkn,yn)

假設(shè)有個(gè)容量為n的樣本，則有：

(2)

1.5.2 偏最小二乘回歸 在許多領(lǐng)域被廣泛應(yīng)用，具有主成分分析、典型相關(guān)分析和多元回歸分析的優(yōu)點(diǎn)，因此也常被應(yīng)用到光譜技術(shù)建模中，該模型允許在樣本點(diǎn)個(gè)數(shù)少于變量個(gè)數(shù)的條件下進(jìn)行回歸建模，為了簡(jiǎn)化建模過(guò)程將多個(gè)自變量多個(gè)應(yīng)變量轉(zhuǎn)換成多個(gè)自變量單個(gè)應(yīng)變量建模，即建模時(shí)Y0僅為一個(gè)因變量n個(gè)樣本組成的矩陣，X0為多個(gè)自變量組成的矩陣，建立的回歸模型可表示為：

Y0=X0[a1a2…ap]T

(3)

式中，Y0為回歸模型的輸出，[a1a2…ap]T為p個(gè)自變量的回歸系數(shù)。該模型能夠在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模，每一個(gè)自變量的回歸系數(shù)將更容易解釋，在最終模型中將包含原有的所有自變量。

表2 土壤光譜指數(shù)Table 2 Soil spectral indices

注：B：藍(lán)波段；G：綠波段；R：紅波段；NIR：近紅外波段；L為土壤調(diào)節(jié)因素，常量，一般取0.5。

Note:B: blue band,G: green band,R: red band,NIR: near infrared band.L: soil regulation factor, constant,L=0.5.

1.5.3 支持向量機(jī) 采用支持向量機(jī)建立土壤鹽分估算模型[32]，首先通過(guò)用內(nèi)積函數(shù)定義的非線性變換將綜合光譜指數(shù)映射到高維空間，在這個(gè)空間進(jìn)行回歸分析，建立綜合光譜指數(shù)與土壤含鹽量的估測(cè)模型，核函數(shù)的優(yōu)勢(shì)在于不知道變量變換情況下，用低維空間數(shù)據(jù)輸入計(jì)算高維特征空間中的點(diǎn)積。

設(shè)定土壤含鹽量樣品集D={(xi,yi),i=1,…n},其中xi∈Rn，yi∈R為樣品數(shù)據(jù)，則SVM回歸函數(shù)為

(4)

SVM中可選擇不同的內(nèi)積函數(shù)實(shí)現(xiàn)非線性函數(shù)擬合，本文選擇

線性核函數(shù)：

K(x,xi)=({x,xi}+θ)

(5)

多項(xiàng)式核函數(shù)：

K(x,xi)=({x·xi}+θ)d

(6)

RBF高斯徑向基核函數(shù)：

(7)

建立土壤含鹽量的SVM回歸模型，其中σ為核寬度，設(shè)定g=1/2σ2。SVM模型中關(guān)鍵在于參數(shù)的選擇，c為懲罰參數(shù)，g為核參數(shù)，c用來(lái)平衡模型的經(jīng)驗(yàn)風(fēng)險(xiǎn)和結(jié)構(gòu)風(fēng)險(xiǎn)，可用來(lái)提高所建模型的泛化性能，g用來(lái)控制模型的回歸誤差，g過(guò)高容易造成過(guò)擬合，g過(guò)低方差較低，基于以上本研究利用精細(xì)網(wǎng)格搜索法來(lái)選擇最佳的c和g。

采用灰色關(guān)聯(lián)法對(duì)光譜指數(shù)與土壤含鹽量的關(guān)聯(lián)度進(jìn)行定量描述，計(jì)算出它們之間的相關(guān)性，再通過(guò)上述的回歸方法構(gòu)建土壤含鹽量預(yù)測(cè)模型。

模型精度檢驗(yàn)包括決定系數(shù)R2和均方根誤差RMSE(root mean square error) 2個(gè)指標(biāo)，決定系數(shù)R2和越接近1、均方根誤差越接近0時(shí)，表示該模型的準(zhǔn)確性越高。均方根誤差計(jì)算公式為：

(8)

式中，P*(Zi)表示模型的預(yù)測(cè)值；Zi表示實(shí)測(cè)值，N表示樣品的數(shù)量。

2 結(jié)果與分析

2.1 基于GF-1和Landsat8 OLI光譜指數(shù)數(shù)據(jù)灰色關(guān)聯(lián)度分析

利用野外獲取的38個(gè)實(shí)測(cè)點(diǎn)的坐標(biāo)與遙感影像結(jié)合獲取GF-1和Landsat8OLI影像的20種光譜指數(shù)，與土壤含鹽量進(jìn)行定量分析，采用灰色關(guān)聯(lián)法計(jì)算關(guān)聯(lián)度并排序，結(jié)果如表3所示。在GF-1和Landsat8OLI影像中分別選出土壤含鹽量與各指數(shù)關(guān)聯(lián)度較高的前5個(gè)光譜指數(shù)然后對(duì)兩組指數(shù)取并集，得到的光譜指數(shù)分別是：SR、CSRI、SI、BI、S6、ARVI、SAVI和NDSI。

表3 GF-1和Landsat8 OLI影像光譜指數(shù)與鹽分灰色關(guān)聯(lián)度和排序(0～10 cm)Table 3 GF-1 and Landsat8 OLI image spectrum index and the grey correlation degree and sort of salt

2.2 基于GF-1和Landsat8 OLI影像的綜合光譜指數(shù)的土壤含鹽量估算模型構(gòu)建

2.2.1 多元線性回歸模型 多元線性回歸模型建立時(shí)以土壤含鹽量作為建立模型的因變量，將經(jīng)過(guò)灰度關(guān)聯(lián)分析篩選出的8個(gè)相對(duì)較高的光譜指數(shù)構(gòu)成綜合光譜指數(shù)作為自變量，應(yīng)用因變量和自變量多元線性回歸法建立模型，得到GF-1模型決定系數(shù)為0.6104，Landsat8OLI模型決定系數(shù)為0.549。

2.2.2 偏最小二乘回歸模型 選取PLSR模型[30]進(jìn)行土壤鹽漬化估算，在最優(yōu)主成分分?jǐn)?shù)確定時(shí)，每一個(gè)模型基本上用所有樣本來(lái)訓(xùn)練模型。確定每個(gè)主成分下的PRESS值，選擇PRESS值小的主成分?jǐn)?shù)或PRESS值不在變小時(shí)的主成分?jǐn)?shù)來(lái)優(yōu)化模型。因此，構(gòu)建了1～8主成分?jǐn)?shù)的土壤鹽分估算模型，其中GF-1估算模型比較好的有3個(gè)，分別包含的主成分?jǐn)?shù)是1個(gè)、2個(gè)和3個(gè)，決定系數(shù)2個(gè)>3個(gè)>1個(gè)，分別為0.6104、0.5992、0.5798(P<0.01)。Landsat8 OLI估算模型比較好的有3個(gè)，分別包含主成分?jǐn)?shù)是2個(gè)、3個(gè)、4個(gè)。決定系數(shù)4個(gè)>3個(gè)>2個(gè)，分別為0.549、0.5465、0.5421。

2.2.3 支持向量機(jī)回歸模型 本文中利用Matlab構(gòu)建支持向量回歸模型，該模型主要是通過(guò)選擇不同的內(nèi)積核函數(shù)實(shí)現(xiàn)非線性函數(shù)的擬合。在實(shí)際應(yīng)用中，常用的核函數(shù)有線性核函數(shù)(Linear)、多項(xiàng)式核函數(shù)(Polynomial)、徑向基核函數(shù)(RBF)。SVM建立的回歸模型，無(wú)論在逼近能力，還是在泛化性上都比較好。由圖2中可知，通過(guò)交叉驗(yàn)證選擇最佳的懲罰參數(shù)c和核參數(shù)g，并優(yōu)化了SVR模型對(duì)鹽分的估算。經(jīng)運(yùn)算結(jié)果顯示，GF-1影像在c為15，g為0.0039時(shí)則該模型估算結(jié)果最優(yōu)。決定系數(shù)RBF>Polynomial>Linear，分別為0.7969、0.7715、0.6929(P<0.01)。Landsat8 OLI影像在c為30，g為0.25時(shí)則該模型估算結(jié)果最優(yōu)。決定系數(shù)Polynomial>RBF>Linear，分別為0.7154、0.6845、0.5423(P<0.01)。

圖2 支持向量機(jī)最優(yōu)參數(shù)結(jié)果圖(GF-1 左，Landsat8 OLI 右)

Fig.2 Support vector machine(SVM), the optimal parameters of the tesults figure (GF-1 left, Landsat8 OLI right)

2.3 模型精度比較

由表4可知，在多元線性回歸模型中，基于GF-1回歸模型決定系數(shù)大于Landsat8 OLI回歸模型的決定系數(shù)，GF-1回歸模型的R2為0.6856，RMSE為0.2641，Landsat8 OLI回歸模型的R2為0.5142，RMSE為0.3283，而且基于綜合光譜指數(shù)利用多元回歸模型估算土壤含鹽量的模型精度高于基于單一光譜指數(shù)利用多元回歸模型估算土壤含鹽量的模型精度；采用偏最小二乘回歸模型，選取了多個(gè)不同主成分?jǐn)?shù)進(jìn)行逐一進(jìn)行運(yùn)算，GF-1影像中1、2、3個(gè)主成分?jǐn)?shù)的估算結(jié)果較好且決定系數(shù)也都在0.57以上，Landsat8 OLI影像中2、3、4個(gè)主成分?jǐn)?shù)的估算結(jié)果較好且決定系數(shù)也都在0.54以上；運(yùn)用支持向量回歸模型進(jìn)行估算，選擇3種函數(shù)，估算GF-1結(jié)果較好的是RBF，R2為0.7969。Landsat8 OLI結(jié)果較好的是Polynomial，R2為0.7154。研究得出，三種模型估算土壤含鹽量中GF-1均高于Landsat8 OLI精度。通過(guò)比較3種模型的決定系數(shù)，得到支持向量機(jī)回歸中采用GF-1徑向基函數(shù)模型時(shí)R2最高達(dá)到0.7969，RMSE為0.2197，估算效果最優(yōu)；而Landsat8 OLI影像支持向量機(jī)中多項(xiàng)式函數(shù)模型，R2最高達(dá)到0.7154，RMSE為0.2513。本文在建立綜合光譜指數(shù)與土壤含鹽量的關(guān)系時(shí)，光譜指數(shù)選擇種類多，在建立關(guān)系時(shí)由于每類指數(shù)與鹽分的關(guān)系不同，綜合影響鹽分的關(guān)系需要綜合考慮，支持向量機(jī)在建立綜合光譜指數(shù)與土壤含鹽量之間關(guān)系時(shí)對(duì)樣本選擇要求不高，對(duì)局部極值，局部最優(yōu)都能較好的進(jìn)行處理，以統(tǒng)計(jì)學(xué)為理論基礎(chǔ)，經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則為條件，較好地對(duì)綜合光譜指數(shù)與土壤鹽分之間的關(guān)系進(jìn)行描述，所以支持向量機(jī)在建立綜合光譜指數(shù)與土壤含鹽量模型時(shí)要比多元線性回歸與偏最小二乘回歸所建模型精度要高。

3 討 論

目前利用光譜指數(shù)進(jìn)行鹽漬化監(jiān)測(cè)的已取得一定的進(jìn)展，但對(duì)于覆蓋較好的天然植被和農(nóng)作物，使用單一植被光譜指數(shù)很難反映鹽漬化的情況。利用多種指數(shù)和多種模型協(xié)同反演土壤鹽漬化逐漸增多。李相等[31]利用多個(gè)光譜指數(shù)提取鹽漬化信息，得出多種光譜指數(shù)結(jié)合，可以較好地提取土壤鹽漬化。曹雷等[32]利用偏最小二乘法對(duì)敏感的光譜指數(shù)進(jìn)行鹽漬化建模分析，得出偏最小二乘法可以較好地提取土壤鹽漬化信息。本研究采用高分1號(hào)數(shù)據(jù)和Landsat8數(shù)據(jù)對(duì)渭—庫(kù)綠洲鹽漬化進(jìn)行研究，通過(guò)灰度關(guān)聯(lián)法對(duì)光譜指數(shù)進(jìn)行篩選，對(duì)敏感性較高的指數(shù)與地表實(shí)測(cè)鹽分，利用三種模型分別對(duì)鹽漬化信息進(jìn)行監(jiān)測(cè)，得到支持向量機(jī)回歸模型的R2達(dá)0.7左右最高，該模型相對(duì)于多元線性回歸和偏最小二乘回歸更適于土壤鹽漬化估算。曹雷等利用偏最小二乘對(duì)鹽漬化提取R2達(dá)到0.66，這由于選取光譜指數(shù)的不同，導(dǎo)致R2有所不同，但是總體上是較為接近的；綠洲內(nèi)的植被蓋度較高，多為農(nóng)作物，如棉花、小麥等，但在交錯(cuò)帶內(nèi)地表覆被主要為天然鹽生植被，如蘆葦(Phragimitesaustralis)、駱駝刺(Allhagisparisifolia)、花花柴(Karelinacaspica)等，在影像上表現(xiàn)為枝葉稀疏，并且與裸露的土地交錯(cuò)分布，容易造成異物同譜現(xiàn)象，而交錯(cuò)帶內(nèi)植被稀少，甚至在荒漠化比較嚴(yán)重的地區(qū)全為裸地，容易造成像元的混分。

表4 模型精度比較 Table 4 Model accuracy comparison

渭—庫(kù)綠洲地勢(shì)北高南低，自西北向東南傾斜，溝壑相間，屬于干旱與極端干旱地區(qū)。研究區(qū)土壤鹽漬化存在明顯的空間分異規(guī)律，總體上從西到東，由北到南土壤含水量逐漸降低，土壤含鹽量逐漸增大。土壤鹽分受到各種自然因素如降水、溫度、地形等影響的同時(shí)也受到人為灌溉等因素的影響。單純的遙感方法無(wú)法反映鹽漬化特征，綜合多源數(shù)據(jù)是研究復(fù)雜的鹽漬化監(jiān)測(cè)問(wèn)題的新途徑，在解決鹽漬化監(jiān)測(cè)的復(fù)雜問(wèn)題中有著較大的應(yīng)用潛力。本研究尚屬可行性研究，在單期影像的基礎(chǔ)上，構(gòu)建多個(gè)光譜指數(shù)與土壤鹽漬化關(guān)系密切，且結(jié)果與野外實(shí)地情況較符合，研究區(qū)土壤含鹽量反演結(jié)果與實(shí)地情況較為抑制。但單期的影像不能說(shuō)明研究結(jié)果的普遍性，在后續(xù)的研究中將會(huì)進(jìn)一步考慮采用多期遙感數(shù)據(jù)做動(dòng)態(tài)分析。

4 結(jié) 論

本研究建立了干旱半研究區(qū)綜合光譜指數(shù)與土壤含鹽量的關(guān)系模型。首先，建立常用的光譜指數(shù)與土壤含鹽量的關(guān)系；其次，利用篩選出的8種光譜指數(shù)類型，組合成綜合光譜指數(shù)；最后，通過(guò)建立GF-1和Landsat8 OLI的2個(gè)數(shù)據(jù)源的3種估算模型，共6個(gè)模型，對(duì)該地區(qū)土壤含鹽量進(jìn)行估算與精度分析。

1) 在所選取的15個(gè)鹽分指數(shù)和5個(gè)植被指數(shù)中，通過(guò)與實(shí)測(cè)土壤鹽分的相關(guān)分析可知，SR、CSRI、SI、BI、S6、ARVI、SAVI、NDSI等8個(gè)指數(shù)綜合與土壤鹽分含量關(guān)系密切，相關(guān)性高。這些光譜指數(shù)更適用于在干旱區(qū)綠洲使用GF-1 WFV影像進(jìn)行鹽漬化評(píng)估。

2) 由于分辨率的差異，從GF-1 WFV影像上提取的綜合光譜指數(shù)與實(shí)測(cè)土壤鹽分的相關(guān)性要遠(yuǎn)遠(yuǎn)高于Landsat8 OLI影像光譜指數(shù)。遙感影像中低分辨率導(dǎo)致混合像元存在，表現(xiàn)為多種地物信息被包含在同一個(gè)單元像元內(nèi)，從而使得遙感影像綜合光譜指數(shù)與實(shí)測(cè)鹽分相關(guān)性下降。而遙感影像的高分辨率能更加真實(shí)地反映地物信息，更適合土壤鹽漬化的評(píng)估，要遠(yuǎn)遠(yuǎn)優(yōu)于中等分辨率影像。

3) 將綜合光譜指數(shù)作為輸入因子，土壤含鹽量作為輸出因子，分別建立多元線性回歸，偏最小二乘回歸，支持向量機(jī)回歸3種估算模型，分別對(duì)研究區(qū)進(jìn)行土壤鹽分估算，研究區(qū)表層0～10 cm土壤含鹽量估算的最優(yōu)模型為支持向量機(jī)中徑向基函數(shù)模型，決定系數(shù)最高且精度最高。說(shuō)明GF-1影像的支持向量機(jī)回歸更適用于土壤含鹽量的估算。

[1] 張 飛,塔西甫拉提·特依拜,丁建麗,等.渭干河-庫(kù)車河三角洲綠洲鹽漬化土壤特征研究[J].干旱地區(qū)農(nóng)業(yè)研究,2007,25(2):146-150.

[2] 龐國(guó)錦,王 濤,孫家歡,等.基于高光譜的民勤土壤鹽分定量分析[J].中國(guó)沙漠,2014,34(4):1073-1079.

[3] 陳維英,肖乾廣,盛永偉,等.距平植被指數(shù)在1992年特大干旱監(jiān)測(cè)中的應(yīng)用[J].環(huán)境遙感,1994,9(2):106-112．

[4] 姚 遠(yuǎn),丁建麗,張 芳,等.基于高光譜指數(shù)和電磁感應(yīng)技術(shù)的區(qū)域土壤鹽漬化監(jiān)測(cè)模型[J].光譜學(xué)與光譜分析,2013,33(6):1658-1664.

[5] 王鵬新,龔健雅,李小文,等.條件植被溫度指數(shù)及其在干旱監(jiān)測(cè)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2001,26(5):412-418.

[6] KhanN M, Sato Y. Monitoring hydro-salinity status and its impact in irrigated semi-arid areas using IRS-1B LISS-II data[J]. Asian Journal of Geoinformatics, 2001,1(3):63-73.

[7] 哈學(xué)萍,丁建麗,塔西甫拉提·特依拜,等.基于SI-Albedo特征空間的干旱區(qū)鹽漬化土壤信息提取研究——以克里雅河流域綠洲為例[J].土壤學(xué)報(bào)，2009,46(4):698-703.

[8] 丁建麗,伍漫春,劉海霞,等.基于綜合高光譜指數(shù)的區(qū)域土壤鹽漬化監(jiān)測(cè)研究[J].光譜學(xué)與光譜分析,2012,32(7):1918-1922.

[9] 彭 杰,劉煥軍,史 舟,等.鹽漬化土壤光譜特征的區(qū)域異質(zhì)性及鹽分反演[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(17):167-174.

[10] 牛增懿,丁建麗,李艷華,等.基于高分一號(hào)影像的土壤鹽漬化信息提取方法[J].干旱區(qū)地理,2016,39(1):171-181.

[11] 丁建麗,塔西甫拉提·特依拜,張 飛，等.塔里木盆地北緣綠洲土壤含鹽量和電導(dǎo)率空間變異性研究[J].干旱區(qū)地理,2008,31(4):624-632.

[12] 姚 遠(yuǎn),丁建麗,雷 磊,等.干濕季節(jié)下基于遙感和電磁感應(yīng)技術(shù)的塔里木盆地北緣綠洲土壤鹽分的空間變異性[J].生態(tài)學(xué)報(bào),2013, 33(17):5308-5319.

[13] 丁建麗,姚 遠(yuǎn),王 飛,等.干旱區(qū)土壤鹽漬化特征空間建模[J].生態(tài)學(xué)報(bào),2014,34(16):4620-4631.

[14] 丁建麗,姚 遠(yuǎn),王 飛,等.基于三維光譜特征空間的干旱區(qū)土壤鹽漬化遙感定量研究[J].土壤學(xué)報(bào),2013,50(5):853-861.

[15] Allbed A, Kumar L, Aldakheel Y Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region[J]. Geoderma, 2014,230:1-8.

[16] Huete A R. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988,25(88):295-309.

[17] Liu H Q, Huete A R. A feedba ck based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience & Remote Sensing, 1995,33(2):457-465.

[18] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994,48(2):119-126.

[19] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996,55(2):95-107.

[20] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Biochemistry, 1964,36:1627-1639.

[21] Ke Yinghai, Jungho Im, Junghee Lee, et al. Characteristics of Landsat8 OLI-derive d NDVI by comparison with multiple satellite sensors and in-situ obs ervations[J]. Remote Sensing of Environment, 2015,164:298-313.

[22] Yao Zhengyang, Liu Jianjun, Zhao Xiaowen, et al. Spatial dynamics of aboveground carbon stock in urban green space: A case study of Xi’an, China[J]. Journal of Arid Land, 2015,7(3):350-360.

[23] Richardson A J, Wiegand L C. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering and Remote Sensing, 1977,43(12):1541-1552.

[24] Chen J M. Evaluation of vegetation indices and modified simple ratio for boreal applica tions[J]. Canadian Journal of Remote Sensing, 1996,22(3):229 -242.

[25] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995,51(3):375-384.

[26] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001,76(2):156-172.

[27] Baret F, Guyot G, Major D J. TSAVI: A vegetation index which minimize soil brightness effects on LAI and APAR estimation[C]//Geoscience and Remote Sensing Symposium, 12th Canadian Symposium on Remote Sensing. Canada: International IEEE, 1989:1355-1358.

[28] Jiang Z Y, Huete A R, Didan K, et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment, 2008,112(10):3833-3845.

[29] Kaufman Y J, Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992,30(2):261-270.

[30] 李 微,李媛媛,田 彥,等.基于包絡(luò)線法的濱海灘涂PLSR鹽分模型研究[J].海洋科學(xué)進(jìn)展,2014,32(4):501-507.

[31] 李 相,丁建麗.基于實(shí)測(cè)高光譜指數(shù)與HSI影像指數(shù)的土壤含水量監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(19):68-75.

[32] 曹 雷,丁建麗,玉米提·哈力克,等.基于國(guó)產(chǎn)高分一號(hào)衛(wèi)星數(shù)據(jù)的區(qū)域土壤鹽漬化信息提取與建模[J].土壤學(xué)報(bào),2016,53(6):1399-1409.