基于加權算法的空-天遙感升尺度土壤含鹽量監測模型

張智韜 陳欽達 黃小魚 宋志雙 張珺銳 臺 翔

(1.西北農林科技大學旱區農業水土工程教育部重點實驗室， 陜西楊凌 712100； 2.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100； 3.西北農林科技大學信息工程學院， 陜西楊凌 712100)

0 引言

土壤鹽漬化是一個全球化的生態環境問題，不僅是引起土地退化的一個重要因素[1-2]，而且在很大程度上影響干旱半干旱地區灌溉農業的可持續發展。因此，利用遙感手段及時、準確地監測解析鹽漬化的空間分布特征[3]，能為灌區鹽漬化防治與農業生產提供實踐指導。

傳統土壤鹽漬化監測手段多為野外實地采樣，雖然監測精度較高，但采樣耗時費力且只能針對單個點進行觀測[4]。衛星遙感具有監測范圍大和獲取方便快捷等特點，在土壤大范圍動態監測中發揮著不可替代的作用，目前已得到廣泛應用[5-6]。然而，利用衛星遙感數據探究土壤鹽漬化問題，在其特定尺度下獲取的地表參數信息有限，這是因為土壤鹽漬化具有極強的時空變異性，受各種環境因素協同作用影響[7]。并且，不同時空分辨率的遙感數據還存在如傳感器差異、大氣狀態等諸多不確定因素。要想透徹了解土壤鹽漬化現象的發生發展始終離不開對尺度問題的討論[8]，因而，探究尺度轉換方法來獲取多時空分辨率遙感影像具有重要意義[9-12]。上述研究大多基于衛星到衛星的空間尺度轉換，關于無人機到衛星尺度轉換方面的相關研究較少。無人機具備高時效性和高精度等優勢，可在一定范圍內對土壤鹽漬化進行監測，若能將無人機的高精度和衛星的大范圍監測相結合[13]，便能在大范圍區域開展遙感監測的基礎上提高其監測精度。

鑒于此，本文以內蒙古自治區河套灌區沙壕渠灌域為研究區，選取研究區內4塊地為試驗區，以4月裸土期表層土壤含鹽量為研究對象，采用主導變異權重法、局部平均法和最鄰近法分別將試驗區無人機四波段影像(0.1 m)升尺度至與GF-1衛星(16 m)同一尺度，經由統計評價指標分析空間變異權重算法和傳統尺度轉換方法對試驗區各波段影像的轉換效果，引入不同變量組合并結合多元線性回歸方法和BP神經網絡構建不同數據源關于土壤含鹽量的定量監測模型，以期得到最優的無人機升尺度模型，再依據無人機與衛星影像之間關系進行模型修正，初步探索將無人機高精度優勢和衛星大范圍監測聯系起來的結合方式，為實現無人機、衛星多光譜遙感一體化監測裸土期農田土壤含鹽量和河套灌區農業可持續發展提供科學參考和數據支持。

1 監測模型建立

1.1 研究區概況

位于內蒙古自治區巴彥淖爾市西部的河套灌區是中國灌溉面積最大的灌區，它由一干灌域、解放閘灌域、永濟灌域、義長灌域、烏拉特灌域和烏梁素海灌域組成。本文研究區沙壕渠位于解放閘灌域內部(40°52′～41°00′N，107°05′～107°10′E)，如圖1所示，形狀類似一個狹長的倒置三角形。該區域位于西北黃土高原地帶，平均海拔在1 000 m以上，其土壤質地以粉壤土、砂壤土和壤土為主，氣候屬于典型的干旱半干旱大陸性氣候，年降水量和蒸發量分別約為158 mm和2 000 mm，降水少蒸發大[14]，導致區域內土壤水鹽運移速率加快，使得深層土壤鹽分易隨潛水蒸發而逐漸向地表積聚，再加上土質因素及不合理的農業灌溉方式，多重因素綜合作用下加重了該區域土壤鹽漬化程度，嚴重制約了當地農業長期可持續發展。

圖1 研究區位置示意圖Fig.1 Sketch of study area

1.2 采樣點設置和鹽分數據采集

于2019年4月12—21日對沙壕渠灌域進行實地調研和采樣，根據土壤鹽漬化程度確定了4塊試驗區并對其進行編號，同時在每塊試驗區均勻布設了30個采樣點，采樣點大多為無植被覆蓋的表層土壤，深度為0～10 cm，如圖2所示。為使采樣時間和無人機影像獲取時間保持一致，選取晴朗天氣進行無人機影像收集和實地采樣，利用手持式GPS定位儀記錄每個采樣點的地理位置，采用五點法獲取表層土壤樣本，并將所獲土樣放入標記好的鋁盒內，在實驗室對土樣進行干燥研磨處理后，以土水質量比1∶5配置土壤溶液，經過攪拌、靜置、沉淀、過濾后，使用電導率儀(DDS-307型，上海佑科儀器公司)測定土壤溶液電導率，對每個采樣點的5個土樣電導率取平均值作為該樣點處的電導率EC1∶5，依據經驗公式CSSC=(0.288 2EC1∶5+0.018 3)×100%計算土壤含鹽量(SSC)。整理120個樣本數據，剔除其中3個異常值，剩余117個研究樣本按照鹽分含量由大到小排序，根據2∶1的比例劃分建模集和驗證集并進行等間隔采樣。同時將117個土壤樣本鹽分劃分為4個等級[15]：非鹽土(含鹽量0～0.2%)、輕度鹽漬化土(含鹽量0.2%～0.5%)、重度鹽漬化土(含鹽量0.5%～1.0%)和鹽土(含鹽量大于1.0%)，對土壤樣本的描述性分析結果如表1所示。其中非鹽土、輕度鹽漬化土、重度鹽漬化土和鹽土占比分別為63.2%、27.4%、4.3%和5.1%，變異系數為1.11。建模集和驗證集變異系數分別為1.13和1.08，相差不大，且從表1可以看出，建模集和驗證集的數據范圍分別為0.06%～1.49%和0.06%～1.30%，兩者范圍幾乎一致且分布均勻，提升了建模可靠性。

圖2 試驗區和采樣點分布圖Fig.2 Schematic of study area and soil sampling locations

表1 土壤鹽分數據統計Tab.1 Summary statistics of soil salinity

1.3 遙感數據采集與處理

1.3.1無人機多光譜遙感影像采集與處理

研究所使用的無人機為大疆公司生產的經緯Matrice 600型，該型無人機搭載具有體積小、質量輕且能遠程觸發等特點的Mirco-MCA型多光譜相機(簡稱MCA)，其包括藍波段(490 nm)、綠波段(550 nm)、紅波段(680 nm)、紅邊波段(720 nm)、近紅外波段1(800 nm)和近紅外波段2(900 nm)共計6個波段的光譜采集通道。無人機多光譜圖像的采集時間與土樣采集時間保持一致，將無人機飛行高度設置為120 m(此時對應的影像空間分辨率為0.1 m)，每次飛行前在試驗區放置標準白板以便對影像進行輻射標定。

使用相機配套軟件PixelWrench2對相機內的無人機影像進行提取、校準和合成，最后導出tif格式的6波段多光譜遙感影像，對影像進行尺度轉換，將升尺度后的多光譜影像導入ENVI 5.3軟件中，并通過試驗區樣點的經緯度信息確定樣點所在像元，提取該像元點6波段對應的像元值，并在標準白板標定后進一步計算得到相應的光譜反射率。

1.3.2高分一號衛星多光譜遙感影像采集與處理

研究采用的衛星數據源為GF-1衛星，其搭載的4臺寬覆蓋多光譜相機Wide Field View sensor(簡稱WFV)可獲取16 m多光譜影像，相機組合幅寬不小于800 km，重訪周期為4 d。選用與地面采樣時間同步的GF-1衛星WFV數據，其影像譜段包括藍波段(B，450～520 nm)、綠波段(G，520～590 nm)、紅波段(R，630～690 nm)和近紅外波段(NIR，770～890 nm)4個波段。在ENVI 5.3軟件中導入下載的GF-1衛星影像，同時對影像進行輻射校正、幾何精校正和大氣校正等預處理操作，處理完畢后將地面樣點的經緯度信息一并導入軟件中以確定各采樣點對應的地表光譜反射率。

1.4 光譜指數選取和計算

采用遙感影像構建的各類光譜指數作為間接指標來對鹽漬化區域鹽分進行評價和作圖，已取得不錯的效果。結合文獻和經驗，本文選取了常見的光譜指數SI、SI1、SI3、BI[16]、NDVI、MSAVI[17]、SR[18]、SRSI[19]、NDSI[20]、DVI[21]作為土壤含鹽量監測模型的輸入變量因子。

1.5 主導變異權重法及統計評價方法

針對影像窗口內的地理要素進行尺度上推時，考慮到窗口范圍覆蓋的像元間存在局部空間自相關性，需要對地表要素間的相互作用進行監測，降低升尺度轉換后所造成的信息損失，使轉換結果更符合地表真實情況。為此，有學者提出空間變異性加權算法[22]，旨在將局部空間自相關性用像元值和主導空間特征值之間方差的形式加以衡量，方差越大，像元值與主要特征的距離越遠，當數據從高分辨率轉換到低分辨率時，該像元對應的權重也應越小，因此，權值可以定義為方差的倒數。對主導特征的不同度量導致了數據聚合的不同方法。

本研究采用主導變異權重法(Dominant class variability-weighted method，DCVW)獲取局部窗口構建的趨勢面的主導空間特征值，基于此主導空間特征值對局部窗口的趨勢面內的地理要素進行聚合，利用Python軟件編程實現對沙壕渠試驗區影像的空間尺度上推。

主導變異權重法根據所構建的局部窗口的趨勢面地理要素的頻率分布確定主導值，取頻率最大的值作為此局部窗口趨勢面的主導空間特征值，計算此局部窗口趨勢面中每個值與主導空間特征值間的方差，計算所得方差的倒數并將之累加，將每個值的倒數除以所得累加值的結果作為此值的權重，將局部窗口趨勢面中每個值乘以其權重并累加，獲得局部窗口趨勢面的加權平均值。計算式為

(1)

其中

(2)

y(u)——基本地域單元內某一像素遙感信息值

w(u)——權重

y(wd)——主導空間特征像素遙感信息值

m——基本地域單元內總像素數

除此之外，本文還采用了局部平均法和最鄰近法等傳統的尺度轉換方法對遙感影像進行空間尺度上推[23-24]，2種方法對影像數據的處理在ENVI軟件中完成。

通常情況下，對遙感影像數據進行尺度轉換后會造成一定程度的信息損失及光譜、形狀的變異，不同尺度轉換方法導致的信息損失及變異程度不一，因而需要采取精度評價方法來客觀衡量尺度轉換后的效果[25]。現有的評價體系尚不完備，大多以尺度轉換后的影像數據與高分辨遙感影像或地面實測數據進行評價指標的比較。本文主要采用均值、標準差、信息熵和平均梯度來評價遙感數據尺度上推后的效果[26-28]。

均值表示遙感影像的平均像素值。尺度轉換后如果均值發生了較大變化，則表明尺度轉換效果較差，因此均值越接近原始數據越好。

標準差描述了影像各像元灰度值偏離影像平均值的程度，標準差越大，意味著轉換后影像的灰度級分布越分散，圖像反差越大，可獲取更多影像信息。

圖像的信息熵E是從信息論角度反映影像信息豐富程度的一種度量方式，信息熵反映了圖像攜帶的信息量，計算公式為

(3)

式中pj——遙感影像灰度中j值的像元數在總灰度中所占的比例

L——總的灰度級

平均梯度G能敏感地反映圖像對微小細節反差表達的能力，平均梯度越大，表明影像越清晰，紋理信息越豐富，反差越好。計算公式為

(4)

式中m0、n0——遙感影像總行數和總列數

p(xi,yi)——圖像第i行、第j列遙感信息值

1.6 高分一號衛星影像光譜反射率升尺度修正

由于GF-1衛星影像的光譜分辨率與無人機升尺度影像存在差異，因而需要分別對GF-1衛星4個波段進行修正以達成一體化的目的。在試驗區每個采樣點對應的衛星影像單個像元范圍內，提取升尺度后無人機圖像各波段單一像元的光譜反射率B及對應波段的衛星單一像元的光譜反射率b，參照前人研究[29]，選用波段比值均值法確定衛星4個波段的修正系數Z，計算式為

(5)

式中n1——參與計算樣點數量

Bi——升尺度后無人機圖像各波段單一像元光譜反射率

bi——衛星圖像單一像元光譜反射率

以各波段修正系數乘以對應衛星波段參量，對篩選出的模型內光譜自變量進行修正后，得到升尺度土壤含鹽量監測模型。

1.7 土壤含鹽量監測模型構建和評價

本文構建監測模型的數據來源有4種：基于主導變異權重法升尺度后的無人機數據、基于局部平均法升尺度后的無人機數據、基于最鄰近法升尺度后的無人機數據和GF-1號衛星數據，每種數據源監測模型的變量因子分為3組：光譜波段組、光譜指數組和混合變量組。本文所用的統計分析方法為多元線性回歸[30-31]，所用的機器學習方法為BP神經傳播網絡[32-34]，統計分析建模在IBM SPSS 23軟件中完成，機器學習算法模型在R語言軟件中完成。建模流程如圖3所示。

圖3 建模流程圖Fig.3 Modeling flowchart

關于監測模型的評價，本文利用39個樣本對各類方法構建的鹽分估算模型進行驗證分析，對驗證集的模型預測值和實測值進行擬合，采用決定系數(Coefficient of determination,R2)和均方根誤差(Root mean square error, RMSE)2個指標來評價建模集和驗證集的精度。R2越接近1，RMSE越小，說明模型精度越好。

2 結果與分析

2.1 尺度轉換方法對無人機數據的升尺度應用

對于4塊試驗區無人機影像的藍波段、綠波段、紅波段和近紅外波段，分別對各單波段影像采用主導變異權重法、局部平均法和最鄰近法升尺度至16 m，再將各單波段影像合成為多波段影像，以試驗區2號地為例，其尺度轉換結果如圖4所示。

圖4 無人機4波段遙感影像升尺度結果Fig.4 Upscaling results of UAV’s four-band remote sensing image

通過空間尺度上推統計評價方法對比分析無人機影像經3種尺度轉換方法尺度上推后的效果。圖5～8是無人機單波段影像(藍波段、綠波段、紅波段和近紅外波段)在4塊試驗區利用3種方法實現尺度上推后與原始分辨率影像的均值、標準差、信息熵和平均梯度統計結果。

圖5 試驗區無人機4波段影像均值對比Fig.5 Comparison of average values of UAV four-band images in test area

從圖5可以看出，每種方法尺度上推后的均值都不同程度偏離原始分辨率影像的均值，這在無人機4個波段影像上表現各異，但對于同一試驗區同一波段影像，除局部平均法的均值明顯偏離原始分辨率影像，主導變異權重法和最鄰近法的均值變化幅度較小，基本與原始分辨率影像均值保持一致。從圖6可以看出，原始分辨率4個波段影像在試驗區2號地、3號地和4號地的標準差較大，說明遙感影像像元的灰度級分布分散，空間信息及紋理特征信息較為復雜且像元間變異明顯，經3種方法尺度上推后無人機4波段影像的標準差在不同試驗區的呈現效果不一，1號地局部平均法的標準差大于主導變異權重法和最鄰近法，表示三者在分辨率為16 m的前提下，局部平均法升尺度后的無人機4波段影像的灰度級分布更廣泛且像元間變異更為明顯。對于2號地、3號地和4號地，主導變異權重法升尺度后的藍波段影像、綠波段影像的標準差要高于其他2種方法，對于升尺度后的紅波段影像，局部平均法在2號地的標準差最高，主導變異權重法在3號地和4號地的標準差最高，但主導變異權重法和局部平均法的標準差之間的差異不明顯。對于升尺度后的近紅外波段影像，局部平均法在2號地和4號地的標準差最高，主導變異權重法在3號地的標準差最高，二者的值較為接近。總體而言，相較于局部平均法和最鄰近法，主導變異權重法升尺度后的4波段影像提供了更為豐富的地表要素信息。

圖6 試驗區無人機4波段影像標準差對比Fig.6 Comparison of standard deviation of UAV four-band image in test area

從圖7可以看出，經過3種方法尺度上推后的4波段影像在4塊試驗區的影像信息熵與原始分辨率影像信息熵相比較小，說明由于地表異質性和土地利用類型的差異，尺度上推過程會造成影像信息在一定程度上的損失，經主導變異權重法升尺度后的試驗區4波段影像與其他2種方法升尺度后影像的信息熵對比分析，三者在空間分辨率為16 m的前提下，除在試驗區1號地，局部平均法升尺度后4波段影像信息熵高于主導變異權重法，在2、3和4號試驗區域，主導變異權重法的信息熵要高于其他2種轉換方法，信息量更豐富。從圖8可以看出，原始分辨率4波段影像在不同試驗區的平均梯度最大，對于4塊試驗區，主導變異權重法升尺度后的影像的平均梯度要高于局部平均法和最鄰近法，說明其對影像微小細節和紋理特征的反映更為突出，不過3種方法轉換結果的平均梯度都低于原始分辨率影像，可能原因是影像像元間差異部分在尺度上推過程中被以不同形式加以模糊，其邊緣信息受到干擾，因而升尺度后的影像相較于原始影像平均梯度有所減小。

圖7 試驗區無人機4波段影像信息熵對比Fig.7 Comparison of information entropy of UAV four-band image in test area

圖8 試驗區無人機4波段影像平均梯度對比Fig.8 Comparison of average gradient of UAV four-band images in test area

綜合以上分析，經由均值、標準差、信息熵和平均梯度4種統計評價指標與原始影像對比后，發現主導變異權重法在4塊試驗區針對4波段影像的尺度轉換效果總體上優于其他2種轉換方法。

2.2 土壤含鹽量與光譜波段、光譜指數的相關性分析

對不同數據集的多光譜4個波段光譜反射率、10個光譜指數分別和對應的土壤含鹽量進行相關性分析，得到的皮爾遜相關系數結果如圖9、10所示。此外，與2.1節相同，用原始分辨率影像與土壤含鹽量的相關分析結果與空間尺度上推后的影像結果作了對比。

圖9 不同數據源下土壤含鹽量與光譜波段相關系數Fig.9 Correlation coefficient of soil salinity and spectral band

從圖9可以看出，空間尺度上推后的3類無人機數據的藍波段(490 nm)、綠波段(550 nm)、紅波段(680 nm)、近紅外波段(800 nm)與SSC均表現極顯著相關的相關關系，其中主導變異權重法和最鄰近法的4個波段與SSC的相關性從高到低依次為：G、B、R、NIR，局部平均法與SSC的相關性從高到低依次為：B、G、R、NIR，總體而言，主導變異權重法、局部平均法的藍波段、綠波段、紅波段、近紅外波段與SSC的相關系數變化范圍為0.4～0.7，最鄰近法的藍波段、綠波段、紅波段、近紅外波段與SSC的相關系數變化范圍為0.3～0.5。

GF-1衛星數據4個波段與SSC的相關性從高到低依次為：B、G、R、NIR。其中藍波段與SSC呈現極顯著相關，相關系數為0.349，綠波段和紅波段與SSC呈現顯著相關關系，相關系數分別為0.282、0.241，近紅外波段的相關系數為0.166。

從圖10可以看出，主導變異權重法尺度上推后無人機數據構建的光譜指數SI、SI1、SI3、BI、NDVI、SR、DVI、MSAVI、SRSI、NDSI與SSC均表現極顯著相關的相關關系，其中NDVI、SR、NDSI這3個光譜指數與SSC的相關性較低，相關系數為0.3左右；SI、SI1、SI3、BI、DVI、MSAVI、SRSI與SSC呈現出良好的相關性，這7個光譜指數相關性由高到低依次為SI、SI1、SI3、DVI、BI、SRSI、MSAVI，并且相關系數均在0.5以上，其中SI、SI1、SI3和DVI相關系數超過0.6。局部平均法尺度上推后無人機數據構建的光譜指數SI、SI1、SI3、BI、DVI、MSAVI、SRSI與SSC均為極顯著相關，相關系數均在0.4以上，相關性由高到低依次為SI、SI1、SI3、BI、DVI、SRSI、MSAVI，其中SI、SI1、SI3的相關系數超過0.5，NDVI、NDSI和SR這3個光譜指數與SSC相關性較低，相關系數在0.2左右。最鄰近法尺度上推后無人機數據構建的光譜指數SI、SI1、SI3、BI、DVI、MSAVI、SRSI與SSC均表現極顯著相關的相關關系，這7個光譜指數和SSC的相關性由高到低排序為SI1、SI3、SI、DVI、BI、MSAVI、SRSI，其中SI1、SI3、SI的相關系數超過0.4，NDVI、SR和NDSI這3個光譜指數與SSC相關性較低，相關系數在0.2左右。

圖10 不同數據源下土壤含鹽量與光譜指數相關系數Fig.10 Correlation coefficient of soil salinity and spectral index

GF-1衛星數據構建的光譜指數SI、NDVI、SRSI、NDSI與SSC均表現極顯著相關，相關系數在0.3左右。SI1、SI3、SR、DVI、MSAVI與SSC表現為顯著相關，相關系數均超過0.2。

從圖9、10可以看出，原始尺度無人機數據除了近紅外波段之外其他3個波段與SSC的相關系數均在0.7以上，其構建的光譜指數如SI、SI1、SI3、BI、DVI、SRSI與SSC呈現出較高的相關性，相關系數在0.65以上，相比之下3種升尺度無人機數據與SSC相關性較低的原因可能是在尺度上推的過程中損失了部分反映鹽漬土光譜特性的影像信息，具體到各種尺度轉換方法應用后的影像信息損失程度也不相同，就空間尺度上推后無人機數據與SSC的相關性而言，主導變異權重法要優于局部平均法和最鄰近法，這從一定角度上反映了空間變異加權算法相較于傳統方法在影像升尺度應用方面的優勢。

2.3 土壤含鹽量監測模型

本文以3種升尺度方法的無人機影像和GF-1衛星遙感影像為基礎，將藍波段、綠波段、紅波段和近紅外波段4個波段作為不同數據源構建模型的第一組變量因子，記為光譜波段組；通過2.2節土壤含鹽量與光譜指數的相關性分析，以及考慮到升尺度修正時無人機和衛星的模型變量因子應保持一致，綜合比較后選取SI、SI1、SI3、DVI 4個相關性較高的光譜指數作為不同數據源構建模型的第2組變量因子，記為光譜指數組；同時，通過比較不同數據源選取的4個光譜波段和4個光譜指數與土壤含鹽量的相關性，依據相關性排序從高到低原則，從光譜波段組選取藍波段、綠波段和紅波段，從光譜指數組選取SI、SI1，共計5個混合光譜波段和光譜指數的變量因子作為不同數據源構建模型的第3組變量因子，記為混合變量組。然后再用4種遙感圖像依據3組變量因子分別構建土壤含鹽量監測模型。

2.3.1不同數據源基于3個變量組的統計回歸模型

將不同數據源得到的光譜波段組、光譜指數組和混合變量組分別作為模型輸入自變量，對應的含鹽量作為因變量，利用多元線性回歸方法(Multivariable linear regression，MLR)建立基于不同變量組的土壤含鹽量監測模型。相關建模及驗證結果如表2所示。

表2 不同數據源基于3種變量組合的統計回歸模型Tab.2 Different data sources based on statistical analysis model of three sets of variable combinations

綜合對比不同數據源基于3組變量MLR模型的建模和驗證效果，發現采用主導變異權重法升尺度后基于混合變量組的無人機數據建模和驗證效果相對更好且較為穩定，認為是最佳的多元線性回歸含鹽量監測模型。

2.3.2不同數據源基于3個變量組的機器學習模型

將不同數據源得到的光譜波段組、光譜指數組和混合變量組分別作為模型輸入自變量，對應的含鹽量作為因變量，利用BP神經網絡(Back propagation neural networks，BPNN)機器學習方法建立基于不同變量組的土壤含鹽量監測模型。相關建模及驗證結果如表3所示。

表3 不同數據源基于3種變量組合的機器學習模型Tab.3 Machine learning model based on combination of three sets of variables from different data sources

綜合對比不同數據源基于3種變量組合BP神經網絡模型的建模和驗證效果，發現采用主導變異權重法升尺度后基于混合變量組的無人機數據建模和驗證效果相對更好且較為穩定，認為是最佳的BP神經網絡土壤含鹽量監測模型。

2.4 土壤含鹽量監測模型的升尺度修正與應用

利用ENVI軟件導出GF-1衛星影像下研究區各樣點對應4個波段的像元值，計算修正后的光譜參數。將篩選得到的統計回歸監測模型代入修正后的光譜參數，對于篩選得到的機器學習模型則直接將修正后的光譜參數、實測鹽分數據放入機器學習模型中進行驗證，然后根據R2和RMSE判斷模型修正效果。

將已修正的光譜波段和光譜指數分別代入2個篩選得到的監測模型，結合實測土壤含鹽量進行驗證。其中多元線性回歸監測模型：Y=-0.222 7+30.290 5Bb+31.973 3Bg+33.434 4Br-46.010 8SI-45.548 9SI1，其驗證R2為0.420，RMSE為0.219%。BP神經網絡監測模型的驗證R2為0.371，RMSE為0.235%。

對比分析2個模型的驗證效果，發現基于混合變量組的多元線性回歸模型具有更好的適用性和穩定性，選用該模型進行研究區的土壤鹽分反演，得到研究區的土壤含鹽量分布圖如圖11所示。其中非鹽漬化土壤面積占比為24.86%，輕度鹽漬化土壤分布較廣，面積占比達63.99%，重度鹽漬化土壤在研究區分散存在，在北部、中部和南部都有分布，但面積占比相對較小，為9.67%，鹽土則分布得更為零散，面積僅占1.48%。

圖11 研究區土壤含鹽量升尺度反演圖Fig.11 Upscale inversion map of soil salinity in study area

3 討論

將遙感影像的空間信息從原始尺度轉換到研究所需的地域單元尺度時所采用方法會顯著影響像元聚合結果，進而影響基于聚合結果的土壤鹽漬化信息評估。對于地表非均質且空間異質性復雜的尺度轉換研究，傳統的尺度轉換方法可能會面臨應用上的局限性，如郝大磊等[35]認為局部平均法僅適用于相對均一的地表，針對其他復雜地表環境下墊面的實際變化情況反映能力不足。內蒙古河套灌區氣候屬于典型的干旱半干旱大陸性氣候，地表蒸發大，研究區內地表鹽漬化信息分布不均且強度差異明顯，若將單元范圍內的像元信息簡單進行平均化，一定程度上會弱化地表鹽漬化信息本身的自相關性和變異性，導致處理結果與實際情形產生偏差，故選用合適的尺度轉換方法準確評估鹽分信息具有重要意義[36]，針對鹽分信息的主導空間特征和過程成為一個重要的研究突破點。馮娟[37]曾用主導變異權重法對趨勢面尺度上推模型進行改進，得到的升尺度結果與鹽漬化定量監測的MODIS-SRSI影像空間分布一致性最好。因此本文嘗試引入了空間變異算法，并和傳統的尺度轉換方法做比較，將試驗區無人機各波段影像進行升尺度轉換，然后采用不同的評價指標來衡量各種方法的轉換效果。結果表明主導變異權重法能有效地實現遙感數據的尺度上推，在保持原始影像數據大部分信息量的基礎上，較為合理地體現了數據的局部細節及其紋理特征，由此可看出主導變異權重法的應用對于無人機到衛星升尺度轉換的研究領域是一種有益嘗試。本文還對GF-1衛星數據和3種無人機升尺度數據集的光譜波段、光譜指數與實測鹽分數據進行相關性分析。基于前人的研究成果[38]，挑選與實測鹽分數據相關性較高的光譜波段和光譜指數，針對不同數據源分別構建3個模型變量輸入組，發現升尺度后無人機數據集監測模型精度普遍優于GF-1衛星數據。其中主導變異權重法升尺度后的無人機數據集在統計模型和機器學習模型的表現上均好于其他3種數據源，說明考慮周邊像元的異質性，并在尺度轉換過程中將范圍內各像元信息以權重形式加以體現可突顯區域內鹽分信息的光譜特征，從而在提取影像光譜反射率時，其結果較為客觀地反映研究區地表真實的鹽漬化情況，有助于提升模型反演精度。

在無人機與衛星協同監測土壤鹽漬化研究方面，陳俊英等[39]將原始尺度無人機數據建立的趨勢面應用在衛星數據上，其構建的升尺度模型反演精度比直接采用衛星模型反演精度更高。本文則依據升尺度后無人機影像與衛星影像之間的關系對模型加以修正。相較于奚雪等[40]在構建星機一體化的濱海麥區土壤含鹽量監測模型時，利用無人機原始分辨率光譜波段對Sentinel衛星光譜波段進行修正的過程中，需要提取Sentinel衛星樣點所在單個像元范圍內對應的無人機平均光譜反射率。本文對該方法進一步改進，首先是對無人機數據進行升尺度轉換，使其與GF-1衛星數據處于同一尺度，兩者所對應的像元尺寸保持一致，再通過波段比值均值方法，對衛星光譜波段修正以期達到一體化的目的。結果表明，將最佳的無人機監測模型，即基于混合變量組的多元線性回歸模型，應用于實現一體化后的GF-1衛星數據，可有效提高后者對土壤鹽漬化的監測精度。ZHANG等[41]利用無人機模型結合波段修正后的Sentiel-2A衛星數據對黃河三角洲土壤鹽分進行反演，發現當模型輸入變量為敏感波段和光譜指數時構建的多元線性回歸模型反演效果要好于其他變量組構建的模型，這與本文的研究成果相符合。

4 結論

(1)通過分析主導變異權重法、局部平均法和最鄰近法3種空間尺度上推方法應用于試驗區4波段影像后，其升尺度影像均值、標準差、信息熵和平均梯度與原始影像之間的比較結果，發現主導變異權重法在各項指標對比下總體上最為接近原始影像，說明主導變異權重法能較好地保持原始遙感數據的統計特征，更適用于無人機-衛星遙感針對區域鹽漬化空間尺度上推研究。

(2)對不同數據源的表層土壤含鹽量進行定量監測，結果表明主導變異權重法構建的升尺度土壤含鹽量監測模型反演精度好于傳統的局部平均法和最鄰近法，同時也優于GF-1衛星數據，其中不同輸入變量組合構建的模型精度存在差異性，表明尺度轉換方法和變量組合兩種因素在一定程度協同作用于升尺度模型，當確定合適的轉換方法和變量組合后可最大程度發揮模型效力。