覆膜對無人機多光譜遙感反演土壤含鹽量精度的影響

姚志華，陳俊英※，張智韜，譚丞軒，魏廣飛，王新濤

(1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院，旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室，楊凌712100；2.西北農(nóng)林科技大學(xué)中國旱區(qū)節(jié)水農(nóng)業(yè)研究院，楊凌712100）

0 引 言

快速準(zhǔn)確地獲取鹽漬土的鹽分信息，對于土壤鹽漬化的監(jiān)測和防治，實現(xiàn)中國農(nóng)業(yè)的可持續(xù)發(fā)展具有重要的意義[1]。遙感技術(shù)具有響應(yīng)速度快、成本低以及覆蓋面積大等優(yōu)勢，已逐漸成為土壤鹽漬化監(jiān)測領(lǐng)域的一種有效手段[2-5]。早期的研究發(fā)現(xiàn)，在電磁波譜的可見光和近紅外區(qū)，鹽堿土比普通土反射更多的入射能，具有明顯的光譜特征[6]。Farifteh 等[7]通過建立土壤性質(zhì)與土壤光譜之間的關(guān)系，發(fā)現(xiàn)不同鹽度等級的土壤樣品的光譜反射率存在著顯著的差異。Srivastava等[8]則利用印度恒河平原地區(qū)的衛(wèi)星高光譜數(shù)據(jù)，探究了適宜監(jiān)測該區(qū)域土壤鹽分類型的光譜反射率的波段范圍。盧霞[9]以典型濱海鹽土為研究對象，分析了鹽土的光譜特征和鹽分含量的分布特點。張曉光等[10]則通過建立土壤反射光譜與土壤鹽分含量之間的偏最小二乘回歸模型，探討了利用反射光譜預(yù)測土壤鹽分含量的可行性。Allbed 等[11]針對沙特阿拉伯東部地區(qū)的土壤鹽化問題，利用IKONOS 遙感影像提取了包含植被指數(shù)和土壤鹽度指數(shù)的13 個光譜指數(shù)，探究了這些指標(biāo)對于土壤鹽度的預(yù)測能力。姚遠等[12]通過光譜變換和波段篩選，最終構(gòu)建了5 種鹽分指數(shù)并以此建立了區(qū)域土壤鹽漬化監(jiān)測模型，達到了良好的監(jiān)測效果。郭鵬等[13]以山東省墾利縣為研究區(qū)，通過構(gòu)建任意波段的光譜指數(shù)進而篩選出敏感光譜指數(shù)的方法，構(gòu)建了土壤鹽分監(jiān)測的隨機森林（random forest,RF）模型，以實現(xiàn)對該區(qū)域土壤鹽分的定量光譜估測。

雖然上述研究已經(jīng)取得了許多成果，但這些研究大部分是以衛(wèi)星遙感數(shù)據(jù)為基礎(chǔ)，衛(wèi)星遙感技術(shù)也是目前為止大區(qū)域土壤鹽漬化監(jiān)測的一種常用手段。由于農(nóng)田覆膜技術(shù)可以改變土壤的水、氣、熱、鹽狀況，促進作物的生長，在河套灌區(qū)農(nóng)業(yè)生產(chǎn)中有著廣泛的應(yīng)用[14]。此外，各種遙感儀器所接收的地表目標(biāo)反射、發(fā)射的電磁輻射能與地表目標(biāo)的表面溫度、濕度以及粗糙度等性質(zhì)有著很大的聯(lián)系[15]，而地膜覆蓋的土壤表面與裸土區(qū)域有著不同的光譜特性，因此覆膜會對大區(qū)域土壤鹽漬化的準(zhǔn)確監(jiān)測造成一定影響，是一個不可忽略的因素。由于衛(wèi)星遙感的分辨率相對較低，無法剔除土壤表層覆膜的影響，因此會降低遙感監(jiān)測的精度。而無人機遙感的時空分辨率相對較高，在剔除覆膜影響方面有一定的可操作性，但關(guān)于這方面的研究還未見報道。

鑒于此，本文利用無人機遙感獲取多光譜數(shù)據(jù)反演農(nóng)田土壤鹽分含量，同時對遙感影像進行去膜處理并結(jié)合機器學(xué)習(xí)算法構(gòu)建去膜前后的土壤含鹽量估算模型，通過對不同模型精度作對比分析，探究覆膜對無人機多光譜遙感反演農(nóng)田土壤含鹽量精度的影響，為利用無人機遙感實施覆膜農(nóng)田的土壤鹽漬化監(jiān)測提供一定的科學(xué)基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)概況

內(nèi)蒙古河套灌區(qū)位于內(nèi)蒙古自治區(qū)西部，是中國設(shè)計灌溉面積最大的灌區(qū)，也是重要的糧油作物生產(chǎn)基地之一。研究區(qū)位于河套灌區(qū)解放閘灌域內(nèi)的沙壕渠灌區(qū)，是典型的黃土高原鹽漬土灌區(qū)，地理位置介于東經(jīng)107°05′～107°10′，北緯40°52′～41°00′之間（圖1）。該地區(qū)地形平緩，平均坡度約為0.02%，土質(zhì)類型以粉砂質(zhì)黏壤土為主。氣候類型為典型的大陸性干旱-半干旱氣候，冬長夏短、干燥多風(fēng)、晝夜溫差較大。年平均氣溫7.1 ℃，平均相對濕度40%～50%，年均降水量155 mm，年均蒸發(fā)量2 000 mm，全年無霜期約130～150 d左右，主要作物包括小麥、玉米、西葫蘆和向日葵等。近年來由于長期不合理的灌溉方式加上平緩的地形以及高蒸發(fā)量的自然條件，使得該地區(qū)約半數(shù)以上的土地都出現(xiàn)不同程度的鹽漬化，嚴(yán)重影響了農(nóng)業(yè)生產(chǎn)的發(fā)展。

圖1 研究區(qū)位置圖Fig.1 Location map of study area

1.2 采樣點設(shè)置與數(shù)據(jù)采集

本試驗于沙壕渠灌域內(nèi)選取4 塊不同鹽分分布的試驗地（1、2、3、4 號地）作為采樣區(qū)，每塊試驗地的面積約為16 hm2。試驗地以農(nóng)田為主，主要種植作物為葵花。試驗于2018年5月和6月分2次進行，這個時期的農(nóng)田已被覆膜，土壤鹽分向表層聚集且地表綠色植被較少，采樣時間分別為5 月14 日～18 日、6 月15 日～19 日。根據(jù)每塊試驗地的鹽漬化程度和地形地貌特點，綜合考慮采樣點分布的代表性、均勻性等因素，在每塊試驗地布置13～14個采樣點，采樣方法為五點取樣法，采樣單元為16 m×16 m，采樣深度為0～20 cm，最終樣本數(shù)據(jù)為五點取樣的均值，其中5 月份獲得樣本56 個，6 月份53 個，共計獲得109 個試驗數(shù)據(jù)。同時采用手持GPS 儀記錄相應(yīng)的位置信息，試驗田及采樣點位置如圖2所示。

圖2 試驗田及采樣點分布示意圖Fig.2 Schematic diagram of test field and sampling point distribution

土壤含鹽量采用電導(dǎo)儀法測量，首先將獲取的土樣烘干研磨后過1 mm 篩，之后按照土水比1:5 的比例配置土壤浸提液，靜置8 h 后采用電導(dǎo)率儀（DDS-307A，上海佑科儀器公司）獲取土壤溶液電導(dǎo)率（EC1:5，dS/m）值，最后通過經(jīng)驗公式換算得到土壤含鹽量（SSC，%）：SSC=(0.2882EC1:5+0.0183)[16]，土壤的鹽漬化等級劃分以SSC＜0.2% 為 非 鹽 土，0.2%≤SSC＜0.5% 為 輕 度 鹽 漬 化，0.5%≤SSC＜1.0%為重度鹽漬化，SSC≤1.0%為鹽土，土壤采樣點的具體鹽分統(tǒng)計狀況如表1所示。

1.3 遙感數(shù)據(jù)采集與處理

1.3.1 遙感數(shù)據(jù)的采集

遙感平臺為深圳大疆創(chuàng)新科技有限公司生產(chǎn)的經(jīng)緯M600六旋翼無人機，攜帶的遙感傳感器為美國Tetracam公司生產(chǎn)的Micro-MCA 多光譜相機（簡稱MCA）。MCA最多可安裝6 個通道，對應(yīng)有6 個鏡頭，可采集6 種不同波長地物光譜反射信息，6 種波長分別為490(藍光)、550(綠光)、680(紅光)、720(紅邊)、800 (近紅外)和900 (近紅外) nm。多光譜圖像的采集時間與土樣的采集時間一致，無人機的飛行高度為120 m，多光譜相機鏡頭垂直向下，影像地面分辨率為0.065 m，無人機每次飛行前在試驗區(qū)域布置校正白板，用于對獲取影像的輻射標(biāo)定。

1.3.2 遙感圖像的處理

使用與多光譜相機配套的軟件PixelWrench2 對獲取的多光譜遙感影像進行提取、配準(zhǔn)與合成，最后導(dǎo)出tif 格式的六波段遙感影像。利用Pix 4d軟件將獲取的試驗地單幅遙感影像拼接為全景圖。將獲取的試驗地全景圖導(dǎo)入ENVI 5.3 軟件中，同時按照取樣點標(biāo)定的GPS信息在圖像中導(dǎo)入取樣點位置信息。以取樣點為中心，在遙感圖像上裁剪出200×200（像素）、地面分辨率為13 m×13 m的遙感影像。同時考慮到遙感圖像中覆膜對光譜反射率的影響，采用監(jiān)督分類中的最大似然法首先對裁剪的遙感圖像進行地膜和土壤的分類，之后導(dǎo)出只包含土壤層的遙感影像以達到去膜的目的（如圖3 所示）。在ENVI 5.3 軟件中分別提取出取樣點去膜前后的灰度值均值，利用白板的灰度值進一步計算出對應(yīng)的光譜反射率值。

表1 土壤采樣點的鹽分統(tǒng)計分析Table 1 Statistical analysis of soil salinity of sampling points

圖3 多光譜圖像去膜前后對比圖Fig.3 Contrast before and after removing film of multispectral image

1.4 光譜指數(shù)的選取與計算

在裸地或者植被覆蓋度極低的土壤中，通過土壤的光譜指數(shù)作為間接指標(biāo)來對鹽漬化區(qū)域鹽分進行評價和作圖，已取得良好的效果[17]。而鹽度指數(shù)作為直接的鹽度指標(biāo)，突出了土壤表面鹽殼的光譜反射率，尤其是在電磁波譜的可見光和近紅外范圍內(nèi)[18]。因此，根據(jù)之前得到的土壤表層不同波段的光譜反射率數(shù)據(jù)，結(jié)合參考文獻和經(jīng)驗，本文選取13 種常見的光譜指數(shù)（包括11 種鹽度指數(shù)）作為土壤鹽漬化監(jiān)測模型的備選指標(biāo)，其計算方法如表2所示。

1.5 機器學(xué)習(xí)算法

機器學(xué)習(xí)算法是隨著計算機技術(shù)和互聯(lián)網(wǎng)的快速發(fā)展，通過計算機模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為而使計算機程序能隨著經(jīng)驗的積累自動提高性能,最終實現(xiàn)從大數(shù)據(jù)中提取特征、發(fā)現(xiàn)隱含規(guī)律的方法[23]。由于鹽漬化土壤的光譜信息與土壤參數(shù)間的轉(zhuǎn)換函數(shù)是復(fù)雜的非線性關(guān)系，因此有越來越多的學(xué)者將機器學(xué)習(xí)算法應(yīng)用到土壤鹽漬化反演的模型構(gòu)建上并取得了較好的效果[24]。本文采用支持向量機、反向傳播神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機算法來構(gòu)建土壤鹽分的反演模型。

表2 土壤光譜指數(shù)匯總表Table2 Soil spectral index summary

1.6 建模集和驗證集的劃分

本次試驗數(shù)據(jù)的采集時間為2018 年5 月和6 月，需要分不同的月份進行建模和驗證，5 月份可供分析樣本數(shù)為56 個，6 月份為53 個，總樣本數(shù)為109 個，隨機選取70%的樣本作為建模集，30%的樣本作為驗證集，具體劃分情況如表3所示。

表3 建模集和驗證集Table 3 Modeling and Verification sets

1.7 模型精度評價

對于模型的建模和驗證精度評估采用以下3 個指標(biāo)：決定系數(shù)R2、均方根誤差RMSE 以及相對誤差RE。R2越大，RMSE 和RE 越小說明模型效果越好，其計算公式如式（1）～式（3）所示。

式中yi為土壤含鹽量實測值，y＾i為土壤含鹽量預(yù)測值，yˉ為土壤含鹽量平均值，n為樣本數(shù)。

2 結(jié)果與分析

2.1 光譜反射率與土壤含鹽量的相關(guān)性分析

將不同數(shù)據(jù)集中不同波段的光譜反射率與對應(yīng)的土壤含鹽量進行相關(guān)性分析，其相關(guān)系數(shù)的變化如圖4示。

圖4 光譜反射率與土壤含鹽量的相關(guān)系數(shù)變化圖Fig.4 Change chart of correlation coefficient between spectral reflectance and soil salinity

從圖5 中可以看出，在波段490、550、680 和800 nm處的光譜反射率與土壤含鹽量的相關(guān)性較高，均位于0.5以上，其中680 nm 處的相關(guān)性最高，而在720 和900 nm處的相關(guān)性則相對較低，這與前人的研究基本一致[25]。從圖中還可以看出，經(jīng)過去膜處理的光譜反射率與土壤含鹽量的相關(guān)性相比未去膜的有所提高，其中5 月份平均提高0.040，6 月份平均提高0.013，總體平均提高0.028。而5 月份去膜處理后的數(shù)據(jù)在680 nm 波段處的光譜反射率與土壤含鹽量的相關(guān)系數(shù)最為0.770。

2.2 光譜指數(shù)與土壤含鹽量的相關(guān)性分析

根據(jù)不同光譜指數(shù)與土壤含鹽量的相關(guān)性分析，得到不同處理的13 個光譜指數(shù)與對應(yīng)的土壤含鹽量相關(guān)系數(shù)，結(jié)果如表4所示。

通過分析不同光譜指數(shù)與土壤含鹽量的相關(guān)系數(shù)大小，可以得出對應(yīng)的相關(guān)性顯著程度。由表4 可以看出，無論是5月、6月還是總體，S3、S4、S5、S6、SI1、SI2、SI3、BI這8 個光譜指數(shù)與土壤含鹽量均表現(xiàn)出了極顯著相關(guān)的相關(guān)關(guān)系，而S1、S2、SI-T、SR、NDSI這5個光譜指數(shù)與土壤含鹽量的相關(guān)性則較低。其中，S3和S5與土壤含鹽量的相關(guān)系數(shù)變化范圍在0.4～0.6 左右，因此，本文擬采用與土壤含鹽量極顯著相關(guān)且相關(guān)系數(shù)r＞0.7 的6 種光譜指數(shù)即S4、S6、SI1、SI2、SI3、BI 作為最佳光譜指數(shù)用于土壤鹽分模型的建模驗證。

表4 不同光譜指數(shù)與土壤含鹽量的相關(guān)系數(shù)Table4 Correlation coefficients between different spectral indices and soil salinity

2.3 基于光譜反射率的土壤鹽分估算模型

將不同處理得到的6 波段光譜反射率作為自變量，對應(yīng)的土壤含鹽量作為因變量，分別利用支持向量機、反向神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機3 種機器學(xué)習(xí)方法建立基于光譜反射率的土壤鹽分估算模型。3種機器學(xué)習(xí)方法分別使用R 語言軟件中的e1071、nnet 和elmNNRcpp 包實現(xiàn)（下同），相關(guān)建模及驗證結(jié)果如表5所示。

從表5 可以看出，3 種機器學(xué)習(xí)模型中，建模集的決定系數(shù)均在0.6 以上，均方根誤差均在0.2 以下，均取得了較好的建模效果。而驗證集驗證效果則相對較差，但驗證R2也都達到了0.5 以上，驗證均方根誤差均在0.25以下，相對誤差均在50%以下。同時可以看出，通過去膜處理的數(shù)據(jù)集建模驗證效果要好于原始的數(shù)據(jù)集，其中基于SVM 回歸的5 月份去膜數(shù)據(jù)達到了最好的建模效果，建模R2和RMSE 分別為0.790 和0.154，基于ELM回歸的6 月去膜數(shù)據(jù)達到了最好的驗證效果，驗證R2和RMSE分別為0.717和0.171。5月未去膜數(shù)據(jù)的建模驗證效果要好于6月，但通過去膜處理后，6月的數(shù)據(jù)建模驗證效果有明顯提升，即6月的去膜效果好于5月份。而就3種機器學(xué)習(xí)方法而言，ELM的建模與驗證效果相對最穩(wěn)定，建模集和驗證集的決定系數(shù)最為接近。

表5 光譜反射率與土壤鹽分的機器學(xué)習(xí)模型Table 5 Estimation models for spectral reflectivity and soil salinity by machine learning

2.4 基于光譜指數(shù)的土壤鹽分估算模型

將2.2 節(jié)篩選得到的6 種光譜指數(shù)作為自變量，分別與對應(yīng)的土壤含鹽量建立支持向量機、反向神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機機器學(xué)習(xí)模型，結(jié)果如表6所示。

由表6可知，基于不同機器學(xué)習(xí)方法構(gòu)建的光譜指數(shù)與土壤鹽分的估算模型中，建模集的決定系數(shù)都在0.6以上，RMSE 都在0.25 以下，驗證集的決定系數(shù)都在0.5 以上，RMSE 都在0.25以下，RE 都在50%以下，通過去膜處理的數(shù)據(jù)集建模和驗證的效果都要優(yōu)于原始數(shù)據(jù)。其中，在6 月份，基于ELM 構(gòu)建的鹽分估算模型未去膜前的建模R2和RMSE 分別為0.639 和0.198，驗證R2和RMSE 分別為0.617和0.194，通過去膜處理后的建模R2和RMSE分別 為0.663 和0.191，驗 證R2和RMSE 分 別 為0.716 和0.169，去膜前后模型精度提升最為明顯。而就總體數(shù)據(jù)而言，基于不同機器學(xué)習(xí)方法構(gòu)建的鹽分估算模型雖然精度相差不大，但通過去膜處理后的模型精度都有所提升。

表6 光譜指數(shù)與土壤鹽分的機器學(xué)習(xí)模型Table 6 Estimation models for spectral index and soil salinity by machine learning

2.5 模型的綜合評價

通過對表5 和表6 的綜合分析可以發(fā)現(xiàn)，3 種機器學(xué)習(xí)模型對基于光譜反射率和光譜指數(shù)來反演土壤鹽分均可以達到較好的建模驗證效果，且無論是光譜反射率還是光譜指數(shù)，通過去膜處理均能使模型的預(yù)測效果有所提升。同時，基于光譜指數(shù)建立的鹽分估算模型的穩(wěn)定性整體要優(yōu)于直接采用光譜反射率建立的鹽分模型。從表5 可以看出基于光譜反射率建立的鹽分模型的建模R2大多分布在0.6～0.7之間，而驗證R2則大多分布于0.5～0.6之間，從表6 可以發(fā)現(xiàn)，基于光譜指數(shù)建立的鹽分模型的建模R2大多分布在0.6～0.7之間，驗證R2同樣大多分布于0.6～0.7之間。

基于光譜反射和光譜指數(shù)的3 種機器學(xué)習(xí)模型的預(yù)測值和實測值比較如圖5 和圖6 所示。從圖5 中可以看出，在5 月份，基于光譜反射率的3 種機器學(xué)習(xí)模型的擬合效果相差不多，擬合曲線幾乎重合。而在6 月份用去膜處理后的數(shù)據(jù)建立的BP 模型和ELM 模型的擬合效果明顯要優(yōu)于其他模型，曲線斜率更加接近于1?；诳傮w數(shù)據(jù)建立的3 種機器學(xué)習(xí)模型的決定系數(shù)均大于0.6，表現(xiàn)出了較好的擬合效果。從圖6 可以看出，就5 月份和總體的數(shù)據(jù)而言，基于光譜指數(shù)的3 種機器學(xué)習(xí)模型擬合效果相差不大，擬合回歸直線近似于重合分布。而以6 月份的數(shù)據(jù)建立的預(yù)測模型中，通過去膜處理的ELM 模型預(yù)測效果最好，擬合方程的決定系數(shù)為0.716，未去膜的BP 模型預(yù)測效果最差，擬合方程的決定系數(shù)為0.611。

圖5 基于機器學(xué)習(xí)的光譜反射率反演土壤含鹽量預(yù)測值與實測值比較Fig.5 Comparison of measured and predicted SSC by spectral reflectance based on machine learning

圖6 基于機器學(xué)習(xí)的光譜指數(shù)反演土壤含鹽量預(yù)測值與實測值比較Fig.6 Comparison of measured and predicted SSC by spectral index based on machine learning

3 討論

本文研究發(fā)現(xiàn)無論是直接提取得到的光譜反射率，還是進一步構(gòu)建的光譜指數(shù)，均能夠與實測的土壤含鹽量達到良好相關(guān)性，對土壤鹽漬化的定量分析有一定的指示作用，這與前人的研究基本一致[16,26-28]，同時發(fā)現(xiàn)基于光譜反射率進一步構(gòu)建光譜指數(shù)來反演土壤鹽分的整體反演效果優(yōu)于直接使用光譜反射率反演。Triki等[29]在突尼斯東南部利用獲取的多光譜遙感數(shù)據(jù)構(gòu)建光譜指數(shù)反演土壤鹽分，發(fā)現(xiàn)SI3和S3與土壤鹽度的相關(guān)性最高，而本研究中S3則不是最優(yōu)指數(shù)，可能與試驗區(qū)域地理位置及取樣方法的不同有關(guān)。Allbed 等[30]在利用IKONOS高分辨率圖像建立基于光譜反射率的土壤鹽分綜合反演模型來反演試驗區(qū)鹽分的空間變化時，發(fā)現(xiàn)可見光波段中的紅波段能更好地表征土壤鹽分格局和分布特點，而本研究也發(fā)現(xiàn)紅光波段與土壤鹽分具有較高的相關(guān)性。除此之外，通過去膜處理后的數(shù)據(jù)建立的鹽分反演模型整體上相較于原始數(shù)據(jù)，在模型穩(wěn)定性及反演效果上均有所提升，印證了在無人機遙感監(jiān)測領(lǐng)域剔除相應(yīng)的干擾背景的必要性[31]。而在不同月份數(shù)據(jù)的對比上，出現(xiàn)了5 月份整體數(shù)據(jù)建模效果優(yōu)于6 月份但6 月份的去膜效果好于5月份的現(xiàn)象，分析原因可能5月份試驗區(qū)只有裸土和地膜，無其他干擾因素，而在6 月份的地膜上已長出部分作物幼苗，使得未去膜地面的光譜反射情況更加復(fù)雜，去膜后數(shù)據(jù)變化幅度更大，去膜效果也就更明顯。此外，不少學(xué)者在土壤鹽漬化遙感監(jiān)測的研究中均引入機器學(xué)習(xí)方法來建模驗證，并取得了較好的預(yù)測效果[24,32]，但是在無人機遙感領(lǐng)域的應(yīng)用則相對較少。因此，本文在建模方法上對機器學(xué)習(xí)算法的應(yīng)用不僅是對前人研究方法的肯定，同時也是對相關(guān)研究領(lǐng)域的必要補充。

然而，本研究也存在許多不足之處。張同瑞等[33-34]以黃河三角洲為研究區(qū)，基于不同光譜參數(shù)構(gòu)建的鹽分估算模型精度的相對誤差RE 變化范圍僅為6.64%～13.64%和18.56%～22.42%。王瑾杰等[35]利用相對誤差RE對艾比湖流域土壤剖面電導(dǎo)率的模型精度進行驗證，認(rèn)為當(dāng)RE 小于30%時，模擬效果較好。而本文研究結(jié)果中的建模集和驗證集的相對誤差RE 多集中于20%～40%，相較于其他人的研究出現(xiàn)了偏大的情況。但是，由于野外試驗條件的限制以及土壤鹽分分布的復(fù)雜性，本研究中在數(shù)據(jù)采集的過程中難免會出現(xiàn)一些誤差。同時，土壤鹽分?jǐn)?shù)據(jù)采集的面積廣、無人機傳感器飛行的高度高等因素都會產(chǎn)生一定的隨機誤差，這些誤差都會導(dǎo)致最終構(gòu)建的模型精度低于傳統(tǒng)的小區(qū)域或近地試驗的精度，因此，本文的相對誤差針對本研究而言，尚在合理的范圍之內(nèi)，依然具有一定的代表意義。此外，相較于王飛等[36]和哈學(xué)萍等[37]基于光譜指數(shù)構(gòu)建特征空間來反演土壤鹽漬化的方式，本試驗缺乏對鹽漬化的空間分布監(jiān)測。此外，單一的多光譜遙感形式的監(jiān)測也會導(dǎo)致信息收集的不完整，有不少學(xué)者已經(jīng)開始嘗試使用多種遙感形式來綜合進行鹽漬化的監(jiān)測，逐漸成為了今后的研究重點[38-39]。最后，由于研究區(qū)溫度、氣候、土壤水分等自然條件的差異，本試驗的試驗方法以及研究結(jié)論是否適用于其它地區(qū)的土壤鹽漬化狀況還有待進一步探討。

4 結(jié)論

1）農(nóng)田覆膜會對無人機多光譜遙感反演土壤鹽分產(chǎn)生一定的影響，經(jīng)過去膜處理后的數(shù)據(jù)構(gòu)建的模型反演效果要優(yōu)于原始的數(shù)據(jù)，基于光譜反射率進一步構(gòu)建光譜指數(shù)來反演土壤含鹽量，也可以提高鹽分模型的反演精度。其中最佳模型的建模R2和RMSE 分別為0.695 和0.182，驗證R2和RMSE分別為0.717和0.171。

2）基于不同處理的不同月份數(shù)據(jù)構(gòu)建的鹽分反演模型預(yù)測效果不同，基于整體數(shù)據(jù)構(gòu)建的模型與各月份數(shù)據(jù)構(gòu)建的模型反演效果也有所差異?？傮w而言5 月份的數(shù)據(jù)構(gòu)建的模型反演效果最好，其中最佳模型的建模R2和RMSE 分別為0.792 和0.154，驗證R2和RMSE 分別為0.641和0.195。6月份數(shù)據(jù)去膜處理的效果最為明顯，其中最佳模型的建模R2和RMSE 分別為0.663 和0.191，驗證R2和RMSE分別為0.716和0.169。

3）比較3 種機器學(xué)習(xí)方法構(gòu)建的鹽分反演模型精度，發(fā)現(xiàn)ELM 模型的反演效果最好，SVM 模型效果次之，BPNN模型反演效果相對較差。但3種模型均可在一定程度上對土壤鹽分取得不錯的反演效果，表明這3 種機器學(xué)習(xí)方法在無人機多光譜遙感監(jiān)測農(nóng)田土壤含鹽量方面均具有一定的適用性。