水鹽交互作用對河套灌區土壤光譜特征的影響

張智韜，杜瑞麒，楊 帥，楊 寧，魏廣飛，姚志華，邱元霖

·農業信息與電氣技術·

水鹽交互作用對河套灌區土壤光譜特征的影響

張智韜1,2，杜瑞麒1,2，楊 帥1，楊 寧1，魏廣飛1，姚志華1，邱元霖1

（1. 西北農林科技大學水利與建筑工程學院，楊凌 712100；2. 西北農林科技大學旱區農業水土工程教育部重點實驗室，楊凌 712100）

為探究土壤水鹽交互作用對Sentinel-2衛星光譜特征的影響，該研究以內蒙古河套灌區沙壕渠灌域為研究區域，分別在2018年和2019年的4—5月共采集280個裸土期表層土壤樣本，測定其土壤含水率和含鹽量，并獲取同步的Sentinel-2衛星遙感數據，構建基于土壤水鹽-反射率原理的土壤光譜特征理論模型，在此基礎上結合土壤水鹽交互作用構建水鹽交互模型，并比較2種模型對土壤光譜的模擬效果，分析土壤水鹽交互作用對土壤光譜估算的影響。結果表明：1）土壤水鹽交互作用對光譜的影響因波段類型和水鹽含量的不同而有所不同。在可見光范圍上影響相對較弱，其作用范圍為-0.11～0.29；在近紅外和短波紅外范圍上影響相對較強，其作用范圍為-0.35～0.61；當水分或鹽分中某個含量較高時對光譜影響較弱，在水鹽含量程度相似時影響較強。2）與土壤光譜特征理論模型相比，水鹽交互模型能明顯地改善土壤光譜的模擬效果，能將模擬相關系數由0.14～0.44提升到0.29～0.59，均方根誤差由0.032～0.082降低到0.029～0.068。該研究結果揭示了鹽分和水分對光譜特征的干擾過程，為土壤鹽分的估算提供策略與方法，對實現區域尺度上土壤鹽分的精準監測具有一定的意義。

土壤；水分；鹽分；交互；Sentinel-2衛星；河套灌區；光譜特征

0 引 言

土壤鹽漬化是全世界普遍發生的現象，在降雨較少且蒸發量較大的地區尤為明顯，會嚴重遏制當地的農業生產發展以及影響其生態系統[1-4]。衛星遙感能快速而又準確地監測到土壤鹽漬動態變化，為土地治理和生態恢復提供有效的信息和管理方法[5]。

利用衛星遙感技術對土壤鹽分進行反演的研究已經非常深入[6-10]。Wei等[11]利用多光譜傳感器獲取的遙感影像數據，建立基于不同變量組合的土壤鹽分反演模型，并根據反演結果篩選出最佳鹽分反演模型；Abderrazak等[12]通過構建新的光譜指數對摩洛哥中部塔德拉平原土壤鹽漬化進行時空監測；Jiang等[13]利用土壤鹽分在不同深度之間的內在聯系，來監測新疆干旱區綠洲不同深度土壤鹽分。雖然上述研究已經成功地將光學遙感應用于土壤鹽分的反演，但仍存在精度不足的問題。由于水分吸收帶的范圍和鹽分在光譜上有較大的重合，使得當研究區域內的土壤水分在時空上具有很強的動態變化時，土壤水分和鹽分對土壤反射光譜有相似的影響，從而導致土壤水分給土壤鹽分反演帶來一定干擾[14]。因此，有必要研究土壤水鹽對土壤光譜特征的影響過程與作用方式。

針對此問題，Lobell等[15]根據土壤在不同水分條件下的土壤光譜特征來構建土壤水分與土壤光譜反射率之間的數學模型，提出兩者之間存在指數關系；Wang等[16]在Lobell等[15]的基礎上通過建立土壤水鹽與光譜特征之間的數學模型分析不同水分條件下的土壤鹽分對土壤光譜特征的作用機制；Yang等[17]根據上述研究結果，利用土壤水鹽-反射率原理構建了模擬土壤反射率的數學模型，并分析土壤在不同水鹽條件下的光譜特征，從而得出了土壤水分和鹽分是以相互獨立的方式對土壤光譜產生影響的結論，但模擬精度不高，這可能是研究中未考慮水鹽之間的交互作用，使得水鹽與光譜特征之間的影響機制存在一定的局限性。因此，研究水鹽交互作用對土壤光譜特征的影響具有重要意義。與此同時，上述研究涉及的試驗均是在室內進行，通過嚴格控制條件達到理想狀態，并且研究所用到的光譜測定儀器均為手持設備，無法像光學衛星一樣來提供大區域且長時間的光譜信息，這些問題使得研究中的發現與結論可能無法反映出室外的真實情況，在野外實際應用上存在一定困難。相比于其他衛星[18-22]，于2015年發射的Sentinel-2衛星攜帶著一枚波段范圍在443～2 190 nm的多光譜儀器，可提供周期為5 d、分辨率上至10 m的光譜圖像。優秀的光譜能力，較短的回訪周期以及較高的空間分辨率使得Sentinel-2衛星成為了目前全球環境監測的重要組成部分[23]，為研究區域尺度上的水鹽交互提供了可能與機遇。目前而言，Sentinel-2衛星在水鹽交互上的研究較少。

由于河套灌區存在降水少蒸發大的特點，使得區域內土鹽漬化土壤面積已達到39萬hm2，土壤鹽漬化的現象非常嚴重。因此，本文以Sentinel-2衛星采集的研究區遙感圖像為數據源，河套灌區不同鹽漬化程度的表層土壤為研究對象，根據土壤水鹽-反射率的原理構建理論模型，在此基礎上考慮水鹽交互作用構建水鹽交互模型，使用2種模型分別模擬土壤在不同水鹽條件下的光譜反射率，通過比較2個模型的模擬效果來研究水鹽交互作用對土壤光譜特征的影響，以期為提高反演土壤鹽分精度提供參考。

1 材料與方法

1.1 研究區概況

研究區域位于河套灌區解放閘灌域下的沙壕渠（107°06′～107°11′E，40°54′～41°60′N），該灌區位于內蒙古西部，東接包頭市，西到烏蘭布和沙漠，南臨黃河，北至陰山，其灌溉面積有0.688億hm2，是中國的三大灌區之一（圖1a）。河套灌區屬于典型的大陸性氣候，年降雨量為158 mm，年蒸發量超過2 000 mm，土質以粉質黏壤土為主。

圖1 研究區域及采樣點分布

1.2 數據來源

1.2.1 Sentinel-2衛星數據

Sentinel-2號衛星攜帶1枚多光譜成像儀，高度為786 km，可覆蓋13個光譜波段，幅寬達290 km。地面分辨率分別為10、20和60 m、每顆衛星的重訪周期為10 d，2顆互補，重訪周期為5 d。在USGS網站下載指定日期的Sentinal-2衛星影像（2018年4月30日、2018年5月13日、2019年4月16日和2019年5月18日），利用Sen2cor軟件對衛星影像進行大氣校正，并在SNAP里針對特定波段導出成tif格式，最終在ENVI軟件中讀取數據。

1.2.2 土壤水分與鹽分數據

本研究于2018—2019年在河套灌區沙壕渠進行共計4次土壤采樣工作，采樣時間分別為2018年4月30日、2018年5月13日、2019年4月16日和2019年5月18日，每次采樣均布置了70個采樣點，總計280個采樣樣本。采樣點涵蓋了不同鹽分梯度水平，采樣點的深度在0～10 cm，考慮到衛星分辨率的問題，采樣是由五點法完成，采樣完畢時記錄相應的GPS位置，結果如圖1b所示。

在野外采集土樣時，每個土樣在剔除雜質后放入鋁盒內，并記錄鋁盒的編號和質量。在土樣帶回室內時，將沒加蓋的鋁盒放入干燥箱內，在105 ℃、24 h恒溫條件下用干燥法測得土壤樣本含水率；烘干之后進行研磨，經過質量比1∶5進行配置溶液靜置沉淀后，采用電導率儀（DDS-307A，上海佑科儀器公司）進行溶液電導率的測定（dS/m）。

根據測定結果，可得出采樣點土壤含水率和含鹽量數據的統計分析情況，結果如表1所示。

表1 土壤鹽分和水分統計

1.3 研究方法

1.3.1 土壤光譜特征理論模型

為了能夠表示土壤水分和鹽分對土壤光譜特征的綜合影響，Lobell等[15-17]構建出如下所示的量化土壤水分、鹽分和土壤反射率之間定量關系的模型

式中為受水分和鹽分影響下的土壤表面反射率；R為不受水分和鹽分影響的反射率；SS為土壤電導率（表征鹽分），dS/m；SM為土壤含水率，g/g；表示因土壤水分含量改變而引起土壤表面反射率改變的速率，無量綱；表示因土壤含鹽量改變而引起土壤表面反射率改變的速率，無量綱。R、和會因為波長的不同而有所不同。

對于土壤含水率為SM1、含鹽量為SS1的某土壤樣本來說，其波長為的理論土壤光譜反射率1可以表示為

同樣地，對于土壤含水率為SM2、含鹽量為SS2的土壤樣本來說，其波長為的理論土壤光譜反射率2可表示為

將式（2）和式（3）兩邊同時進行對數計算并相減，可以得到式（4），即

通過式（5）即可求出式（2）中的參數，即土壤水分含量改變時所引起土壤反射率改變的速率。

通過式（6）即可求出式（2）中的參數，即土壤鹽分含量改變時所引起土壤反射率改變的速率。

綜上，通過所獲取的土壤樣本水分和鹽分數據，結合式（5）和式（6）即可計算出參數和參數，使得可通過式（1）構建出土壤在不同水鹽條件下的理論光譜特征模型。

1.3.2 土壤水鹽交互作用的定義

Lobell等[15-17]的研究表明，盡管通過式（1）能夠反映土壤水分、鹽分與土壤光譜之間的關系，但模擬結果仍存在偏差，這說明該模型在表達土壤水分和鹽分對土壤光譜影響上仍具有局限性。從式（1）可看出，水分和鹽分是以乘積的形式來表征對土壤光譜的作用，并未考慮水鹽之間是否會以交互作用形式來對光譜特征產生影響，這可能是造成估算偏差的原因。為此，本文在式（1）的基礎上，結合水鹽交互作用來量化土壤水分、鹽分與土壤光譜特征之間的關系，其具體表達為

通過式（8）得出不同水鹽條件下的水鹽交互作用，即為

1.3.3 用特征量來表達水鹽交互作用

根據交互作用在統計學上的定義，土壤的水鹽交互作用可解釋為，土壤含水率相同時，土壤光譜會因鹽分水平不同而發生變化，同樣地，土壤鹽分相同時，土壤光譜會因含水率水平不同而發生變化。為進一步描述土壤水鹽的交互作用，采用特征量來進行量化，其具體如下步驟：

1）繪制土壤水鹽分布的散點圖

為消除土壤水分和鹽分單位差異以及能更好地對兩者進行比較，本文對土壤水鹽數據進行均一化計算，其計算公式如下

式中SMmax和SSmax分別表示所有土壤樣本中水分含量和含鹽量的最大值，SMmin和SSmin分別表示所有土壤樣本中水分含量和含鹽量的最小值，SMi和SSi分別為第個土壤樣本的水分含量和鹽分含量。通過式（10）和式（11）可看出，經均一化后的土壤水分和鹽分的數值范圍都在0～1之間，其值越大則代表其水平越高。

2）計算鹽水比線

3）特征量的計算

土壤的水鹽交互作用實際上是水中的氫氧根離子和鹽分中的離子（如碳酸氫根離子，硫酸根離子，氯離子）之間的相互作用過程，但最為直觀的體現則是水分和鹽分含量的相對比例，故本文選取特征量來量化這一特征，其具體的計算方式如圖2所示。

圖2 土壤水鹽分布散點圖

4）水鹽交互作用與特征量

1.3.4 水鹽交互模型的構建

由式（9）和式（13）可得，在理論模型基礎上，通過結合土壤水鹽交互作用可構建出水鹽交互模型，其具體表達為

總體上，對于指定的來說，當參數a、b、Ro以及函數關系f已知時，即可求出土壤在任何水鹽條件下的土壤反射率，為了使文章的思路和計算過程更加清晰明了，本文繪制了相關的技術路線圖，其具體流程如圖3所示。

1.3.5 評估方法

本文通過相關系數（），均方根誤差（Root Mean Square Error，RMSE）以及平均絕對誤差（Mean Absolute Error，MAE）來評估模型的模擬效果[11]，其中越大，RMSE和MAE越小則表明模型的模擬效果越好。

2 結果與分析

2.1 不同水鹽含量下的土壤光譜特征

根據土壤樣本的含水率和電導率數據，篩選出電導率相同但含水率不同的土壤樣本，并將這些樣本對應的Sentinel-2衛星的光譜圖像繪制出相應的光譜反射率的折線圖，以此分析土壤在同一鹽分含量時，不同的水分含量與土壤光譜特征之間的關系，結果如圖4所示。

圖4 不同電導率下土壤光譜特征隨含水率變化

一般而言，波段反射率與水分含量之間呈負相關關系，即隨著水分含量的增加，波段的反射率會隨著下降。由圖4可知，當電導率EC為30.3 dS/m時，波段的反射率與水分含量之間的關系符合這一規律，但在EC為9.3、21.5和132 dS/m時，波段的反射率與水分含量之間的關系不完全符合這一規律。當EC為9.3和21.5 dS/m時，波段的反射率在含水率0.151~0.222 g/g范圍上會隨著水分含量的增加而增加；當EC為132 dS/m時，波段的反射率在含水率0.127~0.231 g/g范圍上會隨著水分含量的增加而降低，符合波段反射率與水分含量之間呈負相關關系的規律，但通過比較波段反射率在含水率0.118和0.127g/g時的相對大小可看出，波段反射率并不會因為水分含量的降低而有所增加。上述分析表明，波段的反射率與水分含量之間的關系會因為鹽分水平的不同而有所不同，并非一直符合波段反射率與水分含量之間呈負相關關系的規律。

由圖4還可知，波段反射率與水分含量之間的關系會隨著波段的不同而有所不同，波長在0.496～0.835m范圍上的波段反射率會隨著波長的增加而增加；在0.835～2.202m范圍上，波段反射率會隨著波長的增加而降低，與此同時，其增加或降低的趨勢會隨著鹽分水平的增加而逐漸放緩，這說明，波段反射率與水分含量之間的關系在不同波段上的差異性也會因鹽分水平的不同而有所不同，因此，在不考慮鹽分條件下，通過利用不同波段對水分敏感性的差異來構建能夠反映土壤水分含量的波段差異化指數，其結果會存在偏差。

同樣地，根據土壤樣本的含水率和電導率的大小進行分類，劃分出在滿足含水率相同條件下，具有不同電導率的土壤樣本，并根據這些樣本對應的Sentinel-2衛星的光譜圖像繪制出相應的光譜反射率的折線圖，以此分析土壤在同一含水率時，不同鹽分含量與土壤光譜特征之間的關系，其結果如圖5所示。

研究表明[15-17]，波段反射率與鹽分含量之間呈正相關關系，即隨著鹽分含量的增加，波段的反射率會隨著下降。但由圖5可知，土壤樣本所呈現出波段反射率與鹽分含量之間的關系只在部分鹽分含量范圍內符合這一規律。土壤含水率為0.146 g/g、電導率為29～97 dS/m時，波段反射率會因鹽分含量的增加而增加，而電導率為108～244 dS/m時，波段反射率會因鹽分含量的增加而降低；當含水率為0.163 g/g時，電導率為43～154 dS/m時，波段反射率會因鹽分含量的增加而增加，而電導率為154～211 dS/m時，波段反射率會因鹽分含量的增加而降低；含水率為0.204 g/g、電導率為86～120 dS/m時，波段反射率會因鹽分含量的增加而增加，而電導率為120～276 dS/m時，波段反射率會因鹽分含量的增加而降低；當含水率為0.234 g/g時，電導率為26～96 dS/m時，波段反射率會因鹽分含量的增加而增加，而電導率為96～130 dS/m時，波段反射率會因鹽分含量的增加而降低。

通過比較不同水分含量條件下的波段反射率與鹽分含量之間的關系，即圖5a～圖5d不同的折線圖，可以發現在水分含量保持不變的條件下，波段的反射率并不會隨著鹽分含量的改變而出現較大的幅度變化，只有在個別鹽分含量下，波段的反射率要遠遠大于其他鹽分含量下波段的反射率，例如當含水率為0.204 g/g時，0.496～0.945m的波段在電導率為120 dS/m時的反射率要遠大于電導率為26、86和276 dS/m下的反射率，而在電導率為26、86和276 dS/m之間的反射率相差并不大，這表明水分會弱化波段反射率對鹽分的敏感性，使得波段反射率在不同鹽分條件下不會相差太大，但對于波段反射率在個別鹽分含量上會發生較大變化的現象，這或許可以解釋為不同水分條件都會對應一個鹽分范圍，在此范圍內的波段反射率對鹽分敏感性要大于水分。

2.2 基于土壤水鹽-反射率原理的理論模型

2.2.1 模型的構建

根據所取土壤樣本的鹽分含量和水分含量數據，篩選出鹽分間隔相同下的土壤樣本數據集W1-W5，并結合式（4）進行擬合，以此計算出土壤水鹽-反射率理論模型中的參數，其擬合的結果如表1和表2所示。

由表1和表2可知，在多數波段上，不同鹽分間隔所對應的相關系數較為接近，但常數項有較大差別。從式（4）和式（5）可看出，常數項能反映出擬合誤差的相對大小，其值越大，說明擬合效果越不穩定，誤差會越大，因此，在結合波段在不同鹽分間隔下的相關系數和常數項后，選出不同波段在計算參數上所對應的最佳鹽分間隔，并計算出相應的參數。同理，根據所取土壤樣本的鹽分含量和水分含量數據，篩選出水分間隔相同下的土壤樣本數據集S1和S2，并結合式（5）進行擬合，根據擬合的相關系數以及常數項2，選出不同波段在計算參數上的最佳水分間隔，并計算出相應的參數。根據上述過程，最終可得到理論模型中的參數和參數，其結果如表3所示。

表1 土壤光譜特征理論模型中參數a的擬合效果

表2 土壤光譜特征理論模型中擬合的常數項e1

表3 土壤光譜特征理論模型中參數a和參數b

2.2.2 基于理論模型的反射率估計值

根據表3的結果可計算出波段在不同水鹽水平下的理論反射率，為評估基于土壤水鹽-反射率原理的理論模型應用效果，將各個波段的理論反射率分別與對應在Sentinal-2衛星上的波段反射率建立相關性分析，并計算出RMSE和MAE，其結果如圖6所示。由圖6可知，二者相關系數為0.14～0.44，均方根誤差為0.032～0.082。隨著波長的增加，波段的理論估計值與Sentinal-2衛星上的波段實測值之間的相關系數會逐漸減小，RMSE和MAE都有不同程度地上升，這表明隨著波長的增加，使得通過理論公式來估計不同水鹽條件下的土壤反射率的效果會降低。從不同波段所對應的相關系數來看，波段2，波段3和波段4的理論估計值與Sentinal-2衛星上的波段實測值之間的相關性較好，說明在Sentinal-2衛星上，通過式（1）來估計不同水鹽水平下的土壤反射率在可見光波段范圍上效果較好，其中在藍色波段上相關系數最高，達到了0.44。

圖6 基于土壤水鹽-反射率理論估算的反射率與Sentinal-2衛星反射率的比較分析

2.3 水鹽交互作用

2.3.1 水鹽交互作用在不同水鹽水平下的特征

在計算出波段在不同水鹽水平下的理論反射率之后，可根據式（9）計算出水鹽交互作用，以此分析每個波段在不同水鹽條件下水鹽交互作用的特點，其結果如圖7所示。

圖7 水鹽交互作用在不同水鹽條件下的特征

由圖7可知，水鹽交互作用隨著波段的不同，其對應的區間范圍和分布特點會有所不同。從水鹽交互作用區間上限來看，水鹽作用的區間上限總體上是隨著波長的增加而增加，水鹽交互作用的最大值在波段2～波段4上較低（0.15～0.29），在波段8，波段11和波段12上較高（0.43～0.44），在波段5～波段7和波段9上最大（0.50～0.61）；從水鹽交互作用區間下限來看，除波段9以外，其余各個波段對應的水鹽交互作用最小值相差不大，主要集中在-0.1左右。從水鹽交互作用的分布特點來看，在波段2～波段5和波段8上，水鹽交互作用呈現出在兩邊大，中間小的分布特點，即水鹽交互作用在水分較低鹽分較高和水分較高鹽分較低的區域上較大，鹽分水分中間水平的區域上較小，與此同時，在波段2～波段5上，隨著波長的增加，水鹽交互作用較大的范圍會逐漸增加；在波段6和波段7上，水鹽交互作用分布較為均勻，主要在水分鹽分較高或較低的區域出現較大的情況；在波段9、波段11和波段12上，水鹽交互作用普遍較大，只有在水分鹽分都較高的區域上表現較低。由水鹽交互作用的定義可知，當波段的水鹽交互作用越大，說明土壤水鹽-反射率理論模型應用效果越差，水鹽對該波段反射率的共同作用程度越高。通過比較不同波段所對應的水鹽交互作用區間范圍和分布特點，可看出波段類型和水鹽條件是影響水鹽交互作用的2個重要因素，水鹽交互作用在可見光范圍上整體表現較弱，在近紅外和短波紅外范圍上整體表現較強，但無論在哪個波段上，水鹽交互作用會因水鹽含量的不同而有所差別。因此，通過考慮水鹽交互作用來模擬光譜特征會改善土壤水鹽-反射率理論模型的模擬效果。

2.3.2 水鹽交互作用與特征量的相關性分析

根據土壤樣本相應的水分均一化，鹽分均一化以及鹽水比，劃分出鹽水比大于1的土壤樣本數據，并計算出相應的特征量和不同波段下的水鹽交互作用，將不同波段的水鹽交互作用與特征量之間進行相關性分析，并計算出擬合誤差RMSE，其結果如圖8所示。

由圖8可知，從水鹽交互作用與特征量之間的相關系數來看，波段2～波段8所顯示出的水鹽交互作用與特征量之間的相關性要好于或至少等于波段9，波段11和波段12，其相關性在0.26～0.49，這表明當鹽水比大于1時，即鹽分起主導作用時，在波段2～波段8上能夠通過鹽水比特征的特征量來較好地表示相應波段下的水鹽交互作用。同樣地，針對鹽水比小于1時的土壤樣本數據計算出相應的特征量和不同波段下的水鹽交互作用，對每個波段的水鹽交互作用與特征量之間進行相關性分析，并計算出擬合誤差RMSE，其結果如圖9所示。

圖8 鹽水比大于1下的水鹽交互作用（(,)）與特征量（）之間的相關分析

Fig.8 Correlation analysis between water-salt interaction ((,)) and characteristic quantity () in condition of brine ratio greater than 1

圖9 鹽水比小于1下的水鹽交互作用與特征量之間的相關分析

由圖9可知，從水鹽交互作用與特征量之間的相關系數來看，波段6～波段9和波段11所顯示出的水鹽交互作用與特征量之間的相關性要好于波段2～波段5和波段12，其相關系數在0.41～0.54之間，這表明當鹽水比小于1時，即水分起主導作用時，在波段6～波段9和波段11上能夠通過具有鹽水比特征的特征量來較好地表示相應波段下的水鹽交互作用。

通過比較圖8和圖9可以看出，當鹽水比大于1和小于1時，水鹽交互作用與特征量之間的相關性較好時所對應的波段范圍是不同的，且鹽水比小于1時不同波段的水鹽交互作用與特征量之間的相關性都要好于鹽水比大于1時的情況，這表明具有鹽水比特征的特征量與波段的水鹽交互作用之間的相關性大小會隨著水分或者鹽分主導地位的改變而有所改變，即水分和鹽分分別起主導作用時，Sentinal-2衛星對水鹽比例的敏感波段范圍會有所不同。

2.4 基于土壤水鹽-反射率原理的水鹽交互模型

結合土壤水鹽-反射率原理和水鹽交互作用構建水鹽交互模型，并計算每個波段的估計值，將其與對應在Sentinal-2衛星上的波段反射率建立相關性分析，計算出RMSE和MAE，以此分析水鹽交互作用對土壤光譜估算的影響，結果如圖10所示。

由圖10可知，從波段2～波段12，水鹽交互模型的估計值與Sentinal-2衛星上的波段實測值之間的相關系數會逐漸減小，但在部分波段上有所回升，其范圍在0.29～0.59；RMSE逐漸上升，從0.029上升到0.068；MAE在波段2～波段8上波動較小，波動范圍在11%～14%左右，在波段9，波段11和波段12上波動較大，從16.18%上升到21.44%。

圖10 基于水鹽交互模型估算的反射率與Sentinal-2衛星反射率的比較

由圖10可知，從水鹽交互模型的估計值與Sentinal-2衛星波段實測值之間的相關系數來看，波段2和波段3的相關性最為顯著，相關系數分別為0.59和0.54，其次是波段4、波段7和波段8，其相關系數在0.43～0.48之間，而波段5、波段6和波段9～波段12所對應的水鹽交互下的估計值與Sentinal-2衛星波段實測值之間的相關性較低，其相關系數在0.29～0.38之間；從水鹽交互下的估計值與Sentinal-2衛星波段實測值之間的RMSE來看，波段2和波段3的RMSE最小，分別為0.029和0.031，在波段4到波段9上，各自波段的RMSE差別不大，其范圍在0.043～0.053，而波段11和波段12的RMSE較大，分別為0.063和0.068。從水鹽交互模型估計值與Sentinal-2衛星波段實測值之間的MAE來看，波段8、波段3和波段4的MAE較小，分別為11.05%、12.26%和12.11%，其次是波段2、波段5、波段6和波段7，MAE范圍為13.03%～14.22%，最后是波段9、波段11和波段12，MAE分別為16.18%、20.28%和21.44%。

通過上述的分析可以得出，將土壤水鹽-反射率理論模型和水鹽交互作用結合起來計算出的估計值和在Sentinal-2衛星波段實測值之間的關系在波段2~波段8上要比在波段9、波段11和波段12上更為密切，且擬合效果較好，因此，在Sentinal-2衛星波段2~波段8的波長范圍上，可以通過構建考慮水鹽交互作用下的水鹽-反射率模型來估計土壤在不同水鹽條件及相應水鹽交互作用下所產生的土壤反射率。

3 討 論

3.1 水鹽相互作用對土壤光譜特征的影響

相比于理論模型中的波段估計值，在土壤水鹽-反射率原理基礎上考慮水鹽交互作用下計算得出波段估計值之后，可針對不同水鹽條件下水鹽的比例特點來進行光譜估計，為了能夠直觀地看到水鹽交互作用對光譜特征的影響，將理論模型和水鹽交互模型的模擬結果進行比較，其結果如表4。

表4 水鹽交互作用對土壤光譜特征的作用

由表4可知，無論是相關系數還是均方根誤差，考慮水鹽交互模型的模擬結果均要優于理論模型的模擬結果，這表明考慮水鹽交互作用能夠提高光譜估計的精度，但從提高精度的程度來看，均方根誤差RMSE在不同波段上的表現較為穩定，而相關系數在不同波段上的表現有所不同。在波段2～波段5上，考慮水鹽交互作用的土壤水鹽-反射率模型的相關系數較高，相比于土壤水鹽-反射率理論模型，有一定的提升；在波段6～波段8和波段11～波段12上，考慮水鹽交互作用的土壤水鹽-反射率模型的相關系數不如在波段2～波段4上高，但相比于土壤水鹽-反射率理論模型的表現，有很明顯的提升，較好地改善土壤水鹽-反射率理論模型在波段6～波段8和波段11～波段12上模擬效果差的問題；在波段9上，水鹽交互模型雖能提高光譜估計的精度，但模擬效果較低，不如其余波段的模擬效果好。上述分析表明，考慮水鹽交互作用能夠提高波段反射率與土壤水分和鹽分之間關系的顯著性，尤其是在可見光和近紅外波段上（波段2～波段8），該波長范圍的反射率能較好地反映出相應的土壤水分和鹽分含量，然而，在波段9和波段11~波段12上，該范圍的波段反射率與土壤水分和鹽分關系較差，對土壤水分和鹽分含量并不敏感。

由2.3節可知，Sentinal-2衛星對水鹽比例的敏感波段范圍會隨著水分或者鹽分主導地位的改變而有所改變，因此將考慮水鹽交互作用和理論的土壤水鹽-反射率模型的模擬結果在鹽水比大于1和小于1這2種情況下分別進行比較，以此分析水鹽交互作用在不同鹽水比例條件下對光譜特征的影響，其結果如表5所示。

由表5可知，從相關系數和均方根誤差來看，考慮水鹽交互作用的土壤水鹽-反射率模型的模擬結果在鹽水比大于1和小于1這2種情況下均好于理論的土壤水鹽-反射率模型的模擬結果，但2個模型的模擬結果在波段上的表現會因為鹽水比情況的不同而有所差別。當鹽水比大于1時，相比于理論的土壤水鹽-反射率模型，考慮水鹽交互作用的土壤水鹽-反射率模型的光譜估計精度在波段2～波段5和波段8上提升較大，在其余波段上提升并不明顯；當鹽水比小于1時，理論的土壤水鹽-反射率模型的模擬效果在所有波段上普遍較差，相比于理論的土壤水鹽-反射率模型，考慮水鹽交互作用的土壤水鹽-反射率模型的光譜估計精度普遍提升，但其模擬效果在波段6～波段9上較好。上述分析表明，無論是鹽分還是水分含量占主導地位，在可見光和近紅外波段上，水鹽交互作用能夠明顯提高波段反射率的估計精度，但隨著水鹽比例開始增加時，模型會在波長大的波段上取得較好的估計精度，這表明水分含量比例增加時，在可見光波段上，波長較大的波段對土壤水分和鹽分會更加敏感。需要注意的是，當鹽水比小于1時，土壤水鹽-反射率理論模型的估計精度要遠遠低于鹽水比大于1時的估計精度，說明當水鹽比例增加時，土壤水鹽-反射率理論模型具有一定的局限性，而考慮水鹽交互作用的土壤水鹽-反射率模型能夠克服這一問題，取得較好的估計精度。

表5 水鹽交互作用在不同水鹽比例下對土壤光譜特征的影響

3.2 水鹽相互作用的實際意義

根據土壤水鹽-反射率的理論估計值、考慮水鹽交互的估計值和Sentinal-2衛星實測值，可以計算出波段2的理論估計和考慮水鹽交互的估計的相對誤差分布，結果如圖11所示。

圖11 波段2的理論估計與考慮水鹽交互估計的反射率相對誤差分布

由圖11可知，無論是理論模型還是水鹽交互模型，其模擬結果都能表明土壤光譜特征會因水鹽含量的不同而會有所變化。通過參考光譜估計的相對誤差分布圖，能為Sentinal-2衛星反演土壤水分或鹽分含量方面上提供參考，并且考慮水鹽交互作用能夠進一步提高反演精度，從而解決反演精度較差的問題，增強Sentinal-2衛星在監測土壤水分或鹽分變化上的能力，同時也為其他光譜傳感器在監測土壤水分或鹽分上提供了思路。

本研究根據土壤水鹽-反射率原理構建了模擬土壤光譜特征的理論模型，并在此基礎上定義水鹽交互作用來構建水鹽交互模型。相比于理論模型，水鹽交互模型能明顯地改善模擬光譜特征的效果，能更加準確地描述土壤水鹽對光譜特征的影響機制，為從光學遙感技術中提高反演土壤鹽分的精度提供了策略與方法，但其研究所用到的土壤樣本均為裸土期，并未涉及到植被覆蓋的情況。當作物處于生長時期，土壤和植被都會對土壤光譜特征產生影響，使得很難將土壤和植被剝離開來單獨研究土壤水鹽對光譜特征的影響。不過很多研究結果表明，通過計算反映植被狀態的光譜指數并構建其反演模型是反演土壤鹽分的有效方法，這說明在一定情況下，植被狀態是影響光譜特征的主要因素。與正常情況相比，當作物受到水分脅迫和鹽分脅迫時，其狀態的改變會在光譜特征上有所體現。因此，當土壤表面有植被覆蓋時，可從植被生長發育與水鹽的響應機理上來研究水鹽交互作用對光譜特征影響及模擬，使得在土壤水鹽對光譜特征的影響機制上的研究更加深入，通過完善土壤水鹽交互在不同時期下的表現來構建一個全面的理論體系。

4 結 論

1）土壤水分和鹽分之間存在交互作用并能以此方式來影響光譜特征。與理論模型相比，通過考慮水鹽交互作用構建的土壤水鹽交互模型能明顯地改善模擬效果，相關系數由0.14～0.44提升到0.29～0.59，均方根誤差由0.032～0.082降低到0.029～0.068。與此同時，與理論模型相比，土壤水鹽交互模型的相對誤差的區間范圍更小，低誤差所占據的面積更大，表明考慮水鹽交互作用能夠進一步提高反演精度，從而解決反演精度較差的問題，增強Sentinal-2衛星在監測土壤水分或鹽分變化上的能力。因此，土壤水鹽交互模型在土壤水分或鹽分的監測上具有更大應用潛力。

2）土壤水鹽交互作用影響的強弱會因波段類型和水鹽含量的不同而有所不同。由圖7可知，在可見光范圍上影響相對較弱，其作用范圍為-0.11～0.29；在近紅外和短波紅外范圍上影響相對較強，其作用范圍為-0.35～0.61。

3）基于水鹽含量比例構建的特征量能夠反映出土壤的水鹽交互作用，但兩者之間的相關性會隨著鹽水比的改變而有所改變。當鹽水比大于1時，水鹽交互作用與特征量之間的相關性主要集中在0.26～0.49；當鹽水比小于1時，水鹽交互作用與特征量之間的相關性主要集中在0.35～0.54。

[1]Du Lei, Zheng Zicheng, Li Tingxuan, et al.Effects of irrigation frequency on transportation and accumulation regularity of greenhouse soil salt during different growth stages of pepper[J]. Scientia Horticulturae, 2019, 256: 108568.

[2]Taha Gorji, Aylin Yildirim, Nikou Hamzehpour, et al. Soil salinity analysis of Urmia Lake Basin using Landsat-8 OLI and Sentinel-2A based spectral indices and electrical conductivity measurements[J]. Ecological Indicators, 2020, 112: 106173.

[3]Zheng Wei, Xue Dongmei, Li Xiangzhen, et al. The responses and adaptations of microbial communities to salinity in farmland soils: A molecular ecological network analysis[J]. Applied Soil Ecology, 2017, 120: 239-246.

[4]Oliveira D L G D, Campos C F D, Tales T, et al. Salt-affected soils of the coastal plains in Rio Grande do Sul, Brazil[J]. Geoderma Regional, 2018, 14: e00186-.

[5]黃權中，徐旭，呂玲嬌，et al. 基于遙感反演河套灌區土壤鹽分分布及對作物生長的影響[J]. 農業工程學報，2018，34(1)：102-109. Huang Quanzhong, Xu Xu, Lǚ Lingjiao, et al. Soil salinity distribution based on remote sensing and its effect on crop growth in Hetao Irrigation District[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 102-109. (in Chinese with English abstract)

[6]Jin Pingbin, Li Pingheng, Wang Quan, et al. Developing and applying novel spectral feature parameters for classifying soil salt types in arid land[J]. Ecological Indicators, 2015, 54: 116-123.

[7]Said Nawar, Henning Buddenbaum, Joachim Hill. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: A case study from Egypt[J]. Arabian Journal of Geosciences, 2014. doi:10.1007/s12517-014-1580-y.

[8]Peng J, Ji W, Ma Z, et al. Predicting total dissolved salts and soluble ion concentrations in agricultural soils using portable visible near-infrared and mid-infrared spectrometers[J]. Biosystems Engineering, 2015, 152: 94-103.

[9]Rossel R A V, Webster R. Predicting soil properties from the Australian soil visible–near infrared spectroscopic database[J]. European Journal of Soil Science, 2012, 63(6): 848-860.

[10]Yue J, Tian J, Tian Q, et al. Development of soil moisture indices from differences in water absorption between shortwave-infrared bands[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2019, 154: 216-230.

[11]Wei G, Li Y, Zhang Z, et al. Estimation of soil salt content by combining UAV-borne multispectral sensor and machine learning algorithms[J]. PeerJ, 2020, 8(2): e9087.

[12]Abderrazak, El Harti, Lhissou, et al. Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices[J]. International Journal of Applied Earth Observation & Geoinformation, 2016, 50:64-73.

[13]Jiang H, Shu H. Optical remote-sensing data based research on detecting soil salinity at different depth in an arid-area oasis, Xinjiang, China[J/OL]. Earth Science Informatics, 2018. doi:10.1007/s12145-018-0358-2.

[14]Periasamy S, Shanmugam R S. Multispectral and microwave remote sensing models to survey soil moisture and salinity[J]. Land Degradation & Development, 2017, 28(4): 1412-1425.

[15]Lobell D B, Asner G P. Moisture Effects on soil reflectance[J]. Society of America Journal, 2002, 66(3): 722-727.

[16]Wang Q, Li P, Chen X. Modeling salinity effects on soil reflectance under various moisture conditions and its inverse application: A laboratory experiment[J]. Geoderma, 2012, 170: 103-111.

[17]Yang X, Yu Y. Estimating soil salinity under various moisture conditions: an experimental study[J]. IEEE Transactions on Geoscience & Remote Sensing, 2017, 55(5): 2525-2533.

[18]Filion, Rébecca, Bernier M, et al. Remote sensing for mapping soil moisture and drainage potential in semi-arid regions: Applications to the Campidano plain of Sardinia, Italy[J]. Science of the Total Environment, 2016, 543: 862-876..

[19]Wu Weicheng, Ahmad S Mhaimeed, Waleed M Al-Shafie, et al. Mapping soil salinity changes using remote sensing in Central Iraq[J]. Geoderma Regional, 2014, 2/3: 21-31.

[20]Bian J, Zhang Z, Chen J, et al. Simplified evaluation of cotton water stress using high resolution unmanned aerial vehicle thermal imagery[J]. Remote Sensing, 2019, 11(3): 267.

[21]Tanr?kut E, Karaer A, Celik O, et al. Role of endometrial concentrations of heavy metals (cadmium, lead, mercury and arsenic) in the aetiology of unexplained infertility[J]. European Journal of Obstetrics & Gynecology & Reproductive Biology, 2014, 179: 187-190.

[22]Klaus Schneider-Zapp, Manuel Cubero-Castan, Dai Shi, et al. A new method to determine multi-angular reflectance factor from lightweight multispectral cameras with sky sensor in a target-less workflow applicable to UAV[J]. Remote Sensing of Environment, 2019, 229: 60-68.

[23]Reza A, Jalal A, Claudia N, et al. Synergetic use of Sentinel-1 and Sentinel-2 data for soil moisture mapping at plot scale[J]. Remote Sensing, 2018, 10(8):1285.

Effects of water-salt interaction on soil spectral characteristics in Hetao Irrigation Areas of Inner Mongolia, China

Zhang Zhitao1,2, Du Ruiqi1,2, Yang Shuai1, Yang Ning1, Wei Guangfei1, Yao Zhihua1, Qiu Yuanlin1

(1.,,712100,; 2.,,712100,)

Hetao irrigation area is characterized by less precipitation and more evaporation, which makes the sever soil salinization. Satellite based on remote sensing technology can quickly and accurately monitor the dynamic changes of soil salinization, and provide effective information and methods for land management and ecological restoration. Soil moisture and salinity have similar effects on soil spectrum. In order to explore the influence of soil water-salt interaction on the spectral characteristics of Sentinel-2 satellite, a total of 280 surface soil samples were collected from April to May in 2018 and 2019 in Shahao canal irrigation area of Hetao Irrigation Area in Inner Mongolia, China. Soil moisture content and electrical conductivity were measured, and Sentinel-2 satellite remote sensing data were obtained to construct the soil water-salt-reflectance model based on theory of soil spectral characteristics. Combined with soil water-salt interaction, the water-salt interaction model was constructed, and the simulation effects of the two models on soil spectrum were compared, and the influence of soil water-salt interaction on soil spectral estimation was analyzed. The results showed that: 1) the water-salt interaction was affected by soil moisture and salinity. In the visible light range, the effect range was from -0.11 to 0.29. In the near infrared and short wave infrared ranges, the effect was relatively strong with the range from -0.35 to 0.61. When the soil moisture or electrical conductivity were high, the influence was weak. When the soil moisture or electrical conductivity was similar, the effect was strong. 2) Compared with the theoretical model of soil spectral characteristics, the water-salt interaction model significantly improved the simulation accuracy of soil spectrum, increased the simulation correlation coefficient from 0.14-0.44 to 0.29-0.59, and reduced the root mean square error from 0.032-0.082 to 0.029-0.068. At the same time, compared with the theoretical model, the range of relative error of soil water-salt interaction model was smaller, and the area occupied by low error was larger, indicating that the relative error distribution estimated by reference spectrum can provide valuable information for the retrieval of soil moisture or salt content by Sentinal-2 satellite, and the inversion can be further improved by considering water- salt interaction. 3) The characteristic quantities based on the brine ratio could reflect the water-salt interaction of soil, but the correlation between them changed with the change of brine ratio. When the brine ratio was greater than 1, the correlation between water-salt interaction and characteristic quantity was mainly 0.26-0.49; when the brine ratio was less than 1, the correlation between water-salt interaction and characteristic quantity was mainly 0.35-0.54. This study reveals the interference process of salt and water on spectral characteristics, provides strategies and methods for soil salt estimation, and has certain significance for realizing accurate monitoring of soil salinity at regional scale. However, vegetation coverage is not involved in the study. Therefore, it is necessary to study the spectral characteristics of water-salt interaction from vegetation growth and development and water-salt response mechanism in the future.

soils; water; salinity; interaction; sentinel-2 satellite; Hetao Irrigation Area; spectral characteristics

張智韜，杜瑞麒，楊帥，等. 水鹽交互作用對河套灌區土壤光譜特征的影響[J]. 農業工程學報，2020，36(18)：153-164.doi：10.11975/j.issn.1002-6819.2020.18.019 http://www.tcsae.org

Zhang Zhitao, Du Ruiqi, Yang Shuai, et al. Effects of water-salt interaction on soil spectral characteristics in Hetao Irrigation Areas of Inner Mongolia, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(18): 153-164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.18.019 http://www.tcsae.org

2020-07-03

2019-09-10

國家重點研發計劃項目（2017YFC0403302、2016YFD0200700）；楊凌示范區科技計劃項目（2018GY-03）

張智韜，博士，副教授，主要從事遙感技術在節水灌溉及水資源中的應用研究。Email：zhitaozhang@126.com

10.11975/j.issn.1002-6819.2020.18.019

X833；S271；S155.1

A

1002-6819(2020)-18-0153-12