小開河引黃灌區土壤鹽漬化定量遙感反演

劉 恩，王軍濤，常步輝，王東琦

(1.黃河水利科學研究院，鄭州 450045；2.河海大學水文水資源學院，南京 210098)

黃河三角洲地區自然資源豐富，開發前景廣闊，是我國重要的后備土地資源區，也是我國濱海鹽堿地集中分布區。土壤的鹽漬化不僅會引起土壤肥力下降，土壤板結，而且會導致農作物減產，嚴重制約著該區域的農業與經濟發展，對生態環境的穩定性也造成了一定影響。因此開展黃河三角洲土壤鹽漬化動態監測與治理，改善土壤狀況，對區域農業和生態資源的可持續發展具有重要意義。

國外衛星遙感應用于土壤鹽漬化監測始于20世紀70年代[1]，到了90年代，遙感數據源變得更豐富，遙感監測方法也更加成熟。Bao.B.R.M作了鹽漬土光譜特征的專門研究，與一般耕地相比，鹽漬土在可見光和近紅外波段光譜反射強；土壤鹽漬化程度越高，光譜反射越強[2]。Dwivedi.R.S作了鹽漬土監測中最佳波段組合的試驗，研究表明：TM數據1、3和5波段組合所含遙感數據信息量最大，但鹽漬土信息提取精度并不與遙感數據信息量的大小成正比[3]。Mougenot等對不同地表形態研究得出：一般情況下，鹽漬化地表在可見光和近紅外波段的反射較一般地表強。相同含鹽量的鹽殼，表層破壞使得粗糙度增加，雖然其總體反射會降低，但光譜曲線沒變化[4]。

國內學者在鹽漬化監測方面也取得了長足的進展。曹建榮在基于landsat TM/ETM影像的黃河三角洲鹽漬土動態變化分析中，發現鹽荒地在1、5波段的DN值遠高于其他地類，因此用來構建土地指數并制作土地退化等級圖。結果表明黃河三角洲近10 a來鹽堿地呈加重的趨勢，土地退化明顯[5]。扶卿華等以河北省黃驊市為研究區對實測土壤光譜進行分析，發現波長451.42～593.79 nm范圍內的反射率對土壤鹽分含量較為敏感，建立了土壤鹽分含量反演模型，結果表明BP神經網絡有很強的非線性擬合能力，能顯著提高反演精度[6]。樊彥國在基于Landsat8的黃河三角洲鹽漬化反演中，發現光譜反射率在近紅外波段最大，同時BP神經網絡的反演精度要高于多元回歸模型[7]。

本文以黃河三角洲小開河灌區為研究區，以Landsat8 OLI影像為數據源，結合野外取樣并在實驗室測得的土壤全鹽量，分別采用多元線性回歸模型和BP神經網絡模型構建土壤鹽分反演模型，對比兩個模型的反演精度后采用BP神經網絡模型進行土壤鹽分定量遙感反演，為提高黃河三角洲引黃灌區鹽分定量反演精度提供一種新的手段，為土壤鹽漬化的改善和治理提供依據。

1 研究區概況與數據獲取

1.1 研究區概況

小開河引黃灌區位于黃河下游左岸，地處黃河三角洲腹地，縱貫山東省濱州市中部，南起黃河大堤，北至無棣縣，東以秦口河及新立河為界，西以崔灌區為鄰。地理坐標東經117°42′～118°04′，北緯37°17′～38°03′。該地區屬半干旱、半濕潤季風氣候，有明顯季節變化，多年平均降雨584 mm，多年平均水面蒸發量為1 154 mm，蒸降比約為2∶1，地下水礦化度在2.0～5.0 g/L之間，地下水埋深為1～2 m，排水不暢，絕大多數淺層地下水不能作為灌溉水源，并極易引起土壤鹽漬化，灌區內的土壤類型主要為潮土和鹽化潮。

1.2 野外實測土壤鹽分數據

根據研究區的氣候特征和土壤鹽分的季節性變化，于2017年4月23-30日在研究區進行野外調查和取樣，取樣時間與Landsat8影像獲取時間保持同步。設計采樣點51處，采樣深度為表層土壤0～20 cm，每個采樣點用GPS記錄其地理坐標。隨機選取21個樣點帶回實驗室分別測EC1∶5和全鹽量,并建立這21個樣點的全鹽量和電導率的關系，如圖1所示。

圖1 實測樣點全鹽量和電導率的關系Fig.1 Relationship between total salt content and conductivity of sampling points

土壤全鹽量和電導率的關系式如下：

y=0.002 4x+0.242 5

(1)

式中：y表示土壤可溶性全鹽量，g/kg；x表示電導率，mS/cm。

1.3 遙感影像獲取與預處理

Landsat 8衛星發射于2013年，該衛星攜帶兩個主要載荷：OLI和TIRS，OLI陸地成像儀包括了9個波段，其中包括1個分辨率為15 m的全色波段，7個分辨率為30 m的多光譜波段，一個卷云波段，成像寬幅為185 km×185 km。

綜合取樣時間和遙感影像的質量，研究采用2017年4月30日的landsat8 OLI影像，利用ENVI軟件對影像進行預處理。

(1)幾何校正：下載的影像是已經校正過的，且精度符合要求，所以無需做幾何校正。

(2)輻射定標：對多光譜波段和全色波段分別做輻射定標，將影像DN值轉換為光譜輻射率。

(3)FLASSH大氣校正：為了消除大氣、水汽對各波段反射率的影響，對多光譜數據進行FLASSH大氣校正，校正后遙感影像得到真實的地表反射率值。

(4)圖像融合和裁剪：將處理后的全色和多光譜波段進行融合，在ENVI中利用ROI工具裁剪出研究區。

(5)地表反射率提?。簩浘暥茸鴺说臉狱c導入ENVI Classic，在ENVI Classic中提取并導出各個波段的地表反射率數據。研究區影像及樣點分布見圖2。

圖2 研究區及采樣點分布Fig.2 Distribution of study area and sampling points

2 數據分析處理

2.1 鹽漬土光譜特征分析

從定性的角度分析小開河灌區土壤鹽分含量與影像反射率值的關系，根據測得的土壤鹽分含量數據，選擇六組具有代表性的典型樣點分析其光譜曲線特征。由圖3可知：①曲線的整體變化趨勢基本一致，同一鹽分含量的光譜反射率值在可見光部分較低，隨著波長的增大而逐漸增大，在紅光波段(Band 4)反射率值陡增，當波長達到近紅外光(Band 5)時，反射率值達到最大，隨后隨著波長的增加而減?。虎趯τ谕徊ǘ蔚臉狱c，隨著鹽分含量的增高光譜反射率值逐漸減小。

圖3 不同鹽分含量的鹽漬土光譜曲線特征Fig.3 Spectral curve characteristics of saline soil with different salt contents

2.2 敏感波段的選取

分析遙感影像的光譜曲線特征，篩選出能定量反演土壤鹽分含量的敏感波段。首先計算遙感影像51個樣點的反射率數據和土壤含鹽量的相關系數，見表1，結果表明：光譜反射率數據與土壤含鹽量均呈負相關，且第5、6、7波段的相關性要高于前4個波段。研究表明第5波段即近紅外波段的反射率與土壤鹽分含量的相關系數最高[8,9]，這也與本文研究結果一致。

為了進一步研究遙感影像光譜數據對土壤鹽分含量的敏感程度，采用診斷指數法來計算landsat8影像各波段反射率的診斷指數。診斷指數(Pi)公式如下:

Pi=σiRi

(2)

式中：Ri為波段i光譜反射率和土壤鹽分含量的相關系數；σi為波段i反射率值的均方差。

診斷指數Pi越大，表明該波段對土壤鹽分含量越敏感。分別計算各波段的診斷指數，結果表明第5、6、7波段的反射率數據適用于研究區鹽分含量的反演，見表1。

表1 各波段反射率與土壤含鹽量的相關系數、均方差和診斷指數Tab.1 Correlation coefficient、mean square error and diagnostic index between soil salinity and reflectance of each band

3 多元線性回歸模型的建立與應用

3.1 基于敏感波段的多元回歸模型

研究采用SPSS構建多元線性回歸模型，將51組樣本隨機分為兩組，其中一組41個樣本用于建立回歸模型，另一組10個樣本用于驗證回歸模型的精度。將41組樣點的反射率數據進行倒數、對數、對數的倒數變換作為自變量，以對應土壤鹽分含量作為因變量，進行多元線性回歸分析。回歸模型的效果用決定系數R2和校正的決定系數(AdjustedR2)進行檢驗，經過校正的R2能消除無關變量對決定系數R2的影響，AdjustedR2越接近1，表示回歸模型擬合效果越好。RMSE(均方根誤差)表示實測值和回歸方程模擬值的誤差，RMSE越小，預測效果越好。

表2是以遙感影像b5、b6、b7波段的光譜反射率及變換形式為自變量，土壤鹽分含量為因變量建立的多元線性回歸模型。

在4個回歸模型中，通過比較AdjustedR2和RMSE，鹽漬土反射率的倒數和鹽分含量建立的回歸模型(Y=-20.392+5.179/b5+0.76/b6-0.148/b7 )AdjustedR2最大，均方根誤差RMSE最小，回歸效果最好，可以用來反演土壤鹽分含量。

3.2 模型的精度驗證

利用剩余的10個土樣的鹽分含量值對建立的多元線性回歸方程進行驗證，結果見表3。

表2 敏感波段反射率及變換形式的回歸方程Tab.2 Regression equations for reflectance and transformation of sensitive bands

表3 多元回歸模型土壤鹽分反演結果Tab.3 Soil salinity inversion results of multi-regression model

對這10個土樣的實測值和預測值進行誤差分析可知，多元回歸模型的預測值最大相對誤差達到86.41%,最小相對誤差為-9.63%，平均相對誤差為39.1%，誤差分布不均勻，預測效果不穩定，這表明多元回歸模型反演精度較差。由于土壤光譜是多種因素共同作用的結果，土壤鹽分含量的反演與不是簡單的線性關系。

4 BP神經網絡模型的建立和應用

本研究采用MATLAB 9.4編程BP神經網絡模型，將51個土壤鹽分數據分為兩組，一組作為訓練樣本，共41個；另一組作為測試樣本，共10個。Landsat 8影像的b5、b6、b7的反射率數據作為網絡的輸入，土壤鹽分含量作為網絡的輸出。設計BP神經網絡時主要考慮隱層數、隱層節點數和激勵函數、期望誤差等。根據研究區土壤鹽分反演的實際情況，單隱層即可達到建模要求，隱含層節點數k可以根據經驗公式計算：

式中：m和n分別為輸入層和輸出層的變量個數；a為0～10之間的整數。

為了確定最佳的隱層節點數，分別計算了當其他網絡參數相同時，不同節點數的R2和RMSE，見表4。綜合時間效率和模擬效果，最終確定隱含層的節點數為12個。

在對神經網絡訓練之前，為了加快神經網絡的收斂，需要對神經網絡的輸入和輸出數據做歸一化處理，仿真之后再反歸一化。神經網絡模型的隱層和輸出層分別采用Tansig和Purelin傳遞函數，訓練函數有traingdx、trainlm、trainscg等，經過多次嘗試決定采用traingdx訓練函數。神經網絡訓練次數為3 000次，目標誤差為0.000 1，學習速率為0.01，訓練模型的樣本預測值見表5。

表4 不同隱層節點數訓練樣本的R2和RMSETab.4 R2 and RMSE of training samples with different hidden layer nodes

表5 BP神經網絡模型反演結果Tab.5 Inversion results of BP neural network model

由表5可知，利用BP神經網絡模型對土壤鹽分進行反演，預測值和實測值的最大相對誤差為-61.61%，最小相對誤差為0.53%，有60%的樣點反演誤差低于10%，平均相對誤差為15.4%，與多元回歸模型的39.1%相比，BP神經網絡模型反演精度更高。

圖4 模型反演結果與實測鹽分含量對比Fig.4 Comparison between model inversion results and measured salt content

利用BP神經網絡模型對研究區的土壤鹽分含量反演，見圖4。結果表明：研究區北部和中部含鹽量較高，南部鹽分含量較低；由于北部地區有較多的鹽池，中部地勢低洼，地下水位高，容易積累鹽分，所以導致這兩部分區域鹽分含量較。綜上所述，利用BP神經網絡反演土壤鹽分含量分布與研究區實際調查情況較為符合。

圖5 BP神經網絡鹽分反演結果Fig.5 BP neural network salt inversion results

5 結 語

本研究以小開河引黃灌區為研究對象，將野外調查取樣和室內實驗相結合，分析土壤鹽分含量與Landsat8 遙感影像光譜反射率數據的相關關系，利用多元回歸模型和BP神經網絡模型定量反演研究區土壤鹽分含量，進而反演出研究區土壤鹽漬化信息并制圖。

(1)利用診斷指數法篩選出Landsat8遙感影像的敏感波段，結合實測土壤鹽分含量建立多元回歸模型，模型的決定系數R2為0.812，最大相對誤差為86.41%，最小相對誤差為7.62%，模型預測具有較大的波動，土壤鹽分含量和影像光譜反射率不是單純的線性關系，因此反演精度不佳。

(2)利用BP神經網絡反演研究區土壤鹽分含量，最大相對誤差為61.61%，最小相對誤差為0.53%，平均相對誤差為18.6%。相比多元回歸模型來說，BP神經網絡具有較強的非線性擬合能力，反演精度更高。

(3)土壤鹽分含量的影響因素有很多，如地下水埋深、土壤含水量、地下水礦化度和土壤有機質含量等，遙感信息的影響因素較多，僅將遙感信息與土壤鹽分含量相結合反演土壤鹽分含量會有較大誤差，下一階段應結合實測數據對鹽漬土反演，反演精度會進一步提高。

(4)本研究只是反演了研究區某一時間點的土壤鹽分含量，分析了土壤鹽分含量的空間分布，下一階段應從時間尺度和空間尺度考慮，分析土壤鹽分含量的時空演變規律。

(5)利用BP神經網絡反演土壤鹽分含量時，神經網絡僅是在有限次訓練對比得到的優解，并非是模型最優解。應嘗試偏最小二乘法、支持向量機、主成分回歸分析等方法，以提高神經網絡的泛化能力。

□