土壤鹽漬化遙感監測模型構建方法現狀與發展趨勢

李星佑， 張飛,3， 王箏

(1.新疆大學地理與遙感科學學院，烏魯木齊 830017； 2.新疆大學綠洲生態教育部重點實驗室，烏魯木齊 830017； 3.新疆大學智慧城市與環境建模自治區普通高校重點實驗室，烏魯木齊 830017)

0 引言

土壤鹽漬化是一個世界性問題，是土壤中鹽分積聚形成鹽漬土的過程，廣泛發生在內陸干旱地區和濱海地區[1-3]。自然或人為過程引起的土壤鹽漬化是一種重大的環境災害[4]，全球主要鹽漬化土壤范圍約為9.55億hm2，而次生鹽漬化約為0.77億hm2，其中58%在灌區[5]。土壤鹽漬化在不同程度上影響了1/3以上的陸地河流流域[6]。鹽漬化的主要負面影響是限制植物的吸水和蒸散，降低土壤肥力，導致農作物減產[7-8]，直接影響人們的生活。因此，土壤鹽漬化的動態監測尤為重要。

以往的土壤鹽漬化監測體系主要基于人工樣點調查，費時費力，難以獲取大面積宏觀尺度的變化特性[9-11]。尤其在下墊面條件復雜、自然環境惡劣地區，監測站點布設不足，野外考察難度大，傳統監測手段更難以滿足需求[6,12]。遙感衛星能夠對特定區域進行不同尺度上可靠、持續的影像觀測，過去10 a間，已經快速發展成為監測土壤鹽漬化程度及分布的重要工具[13-15]。單時相的衛星影像可以客觀地揭示某一時刻大范圍區域內土壤質地空間差異，多時相的衛星影像則可以對同一區域不同時間變化規律進行比較分析[16-17]。近年來，隨著對地觀測技術的發展，遙感數據的光譜信息逐漸豐富，時空分辨率不斷提升，能夠實現對地高精度、高重訪(高時效)、多尺度、全天候觀測，大大提高了遙感監測能力[18-19]。利用多時相遙感影像，能夠對不同地區土壤鹽漬化參數進行定量反演，實現鹽漬化土壤的動態監測和分析[17,20]。

利用遙感數據定量評價土壤鹽漬化的核心是找出相關指標的含量與遙感數據之間的關系，因此，利用遙感技術研究土壤鹽漬化的目的是建立一個可靠的估算模型[21-22]。土壤鹽漬化反演遙感模型的建立需要探求土壤實際含鹽量、鹽漬化程度以及鹽漬土類型與遙感數據不同波段、波段組合及其他遙感參數之間的關系[23-24]，因此需要獲取土壤含鹽量及實際理化性質的量化數值，利用統計學等方法建立與遙感數據的光譜信息數值之間線性或非線性模型[25-26]，并對模型進行精度驗證，精度較高的模型在很大程度上可用于該研究區內土壤鹽漬化情況的監測[4,27]。遙感監測模型構建方法在步驟上存在一定的差異，但總體流程是一致的，其目的是為了獲取更高精度的反演模型，用以評估區域鹽漬化狀況[11]。

因此，本文主要針對以下幾點內容進行梳理和總結： ①探討土壤鹽漬化遙感研究的熱點，論證遙感反演模型構建在該研究領域的重要性； ②總結和梳理土壤鹽漬化遙感監測模型構建的一般過程； ③針對當前研究現狀，分析土壤鹽漬化遙感監測模型構建過程中的局限性并分析未來發展趨勢。

1 土壤鹽漬化遙感監測模型研究現狀

為探討土壤鹽漬化遙感監測的研究歷程以及當前的研究熱點，以“土壤鹽漬化”、“遙感”和“模型”作為主題檢索詞在中國知網(CNKI)進行檢索，檢索結果包括414篇相關度較高的文獻，以“soil salt remote sensing”、“soil salinization remote sensing”和“soil salinity remote sensing”作為主題進行檢索，在Web of Science數據庫中檢索到1 598篇相關文章。對檢索結果不同年份發表文章的數量進行總結梳理(圖1)，發現國內外土壤鹽漬化遙感監測模型構建的相關研究興起于2000年，在2000年以后相關研究文章的發表數量呈逐年上升趨勢，在近5 a內發文數量達到頂峰，土壤鹽漬化作為全球性問題受到廣泛關注，眾多學者開始利用遙感手段對土壤鹽漬化情況進行監測，逐步建立鹽漬化嚴重地區的遙感監測模型，并不斷提高監測模型的精度，取得了豐富的研究成果，體現了土壤鹽漬化遙感監測建模研究作為當前遙感領域的研究熱點，對于土壤鹽漬化監測與防治具有重要意義。

圖1 CNKI和Web of Science數據庫中土壤鹽漬化遙感相關研究文獻數量Fig.1 Literature on soil salinization in CNKI and Web of Science database

利用VOS Viewer1.6.16平臺進行分析，得到與土壤鹽漬化遙感監測研究相關的CNKI和Web of Science出版物中的關鍵詞密度、網絡和標簽。由兩者關鍵詞密度可知，近年來國內外土壤鹽漬化遙感監測研究的熱點在于遙感監測模型的建立，熱點區域為干旱區，在建模構建過程中越來越多地使用到新型的遙感數據與建模方法，種類多樣的多光譜、高光譜、雷達以及無人機遙感數據被應用于土壤鹽漬化監測，其中Landsat，MODIS，RADARSAT-2和Sentinel-2遙感影像的使用頻次較高，偏最小二乘回歸模型、支持向量機(support vector machine, SVM)模型、BP-神經網絡模型和特征空間模型為當前研究中使用最廣泛的模型構建方法。土壤鹽漬化監測模型的建立并結合3S技術制作的土壤鹽漬化程度分布專題圖實現了區域土壤鹽漬化的動態監測與預測，展現了土壤鹽漬化與時空分布特征動態變化，對區域內生態環境的改善做出了重要的參考貢獻。從Web of Science網絡來看，遙感監測模型探討的熱點在于建立實測土壤含鹽量與遙感數據光譜信息之間的聯系，主要通過對鹽漬化土壤遙感影像的光譜分析與指數的構建來獲取建模因子，作為模型構建的前提； 與土壤鹽漬化聯系最緊密的因素是地表水、地下水埋深以及植被覆蓋度(fractional vegetation cover, FVC)，不同深度、不同季節土壤含鹽量的主導影響因子是不同的； 土壤鹽漬化遙感模型構建的目的是實現對區域內土壤鹽漬化變化情況以及鹽漬化對生態環境造成影響的長期遙感動態監測。CNKI標簽則反映了近10 a來相關研究文獻熱點關鍵詞隨時間的變化狀況，從一定程度上反映出近期土壤鹽漬化遙感監測的研究熱點在于新型光譜指數的建立與高光譜和高空間分辨率遙感數據的使用，不同類型的遙感數據的協同使用以及尺度轉換方法將為模型構建提供更多的建模因子，新興的數據挖掘算法等技術將為土壤鹽漬化的時空特征變化監測提供新的研究思路。

對比分析CNKI和Web of Science數據庫相關文獻檢索結果，發現Web of Science數據庫中關于土壤鹽漬化遙感監測方面的相關文章數量多于CNKI，二者文章數量整體呈現上升趨勢且變化趨勢相似。在這2個數據庫中，土壤鹽漬化遙感監測模型構建研究領域的熱點都在于不斷發掘新的數據源與模型構建算法，從而提高反演模型精度，CNKI數據庫中更側重于模型構建方法的研究與創新，使用的建模方法與理論更為豐富，Web of Science數據庫中在模型構建基礎上更側重于土壤鹽漬化影響因素與動態變化方面的研究。

2 模型構建因子的選取

2.1 實測數據

實測土壤含鹽量是遙感監測模型建立的基礎，是進行建模因子優選以及模型精度驗證的依據，其一般獲取方法是野外采集，在樣本采集過程中使用全球定位系統(global positioning system,GPS)儀記錄土壤坐標位置信息，將野外采集的土壤樣本帶回實驗室進行測定實驗。具體采樣過程中，需要采集表層及地下不同深度的鹽漬土，一般采用多點采樣法，將采集到的樣品封裝后帶回實驗室，經過風干、研磨、過篩獲得鹽漬土細土樣品，之后配置土壤溶液使用電導率儀測定土壤電導率、pH值及主要離子含量[7]，或采用殘渣烘干法獲得土壤鹽分含量及含水量[9]，也可以使用電磁感應法和接觸電極法測定土壤電導率，如土壤傳感電磁感應GER3700和FieldSpec FR設備以及EM38來獲取表征土壤鹽分的數據[28-29]，還有部分學者使用儀器85070E介電常數測量套件測定土壤介電常數來探討其與土壤含鹽量之間的關系[30]。

在土壤樣品采集過程中，使用便攜式光譜測量儀可獲得不同采樣點的光譜曲線數據。經常被使用的野外便攜式光譜測量儀包括美國SVC HR-768便攜式野外光譜儀、美國Unispec-SC(波段為310～1 130 nm)便攜式光譜儀[16]、美國ASD公司的ASD Fild Specpro FR光譜儀[31]、科羅拉多州博爾德制造的FieldSpecfiPro光譜測量儀[32]、FieldSpec-4高分辨率光譜輻射計[33]、CI700便攜式野外光譜儀[34]和PSR-3500?便攜式VisNIR光譜輻射計等設備。

根據野外實際情況以及數據使用的特定需求制定一系列的測定操作規范，獲取光譜曲線數據后需要利用光譜儀的后處理軟件進行取均值、歸一化等處理，通常采用最小二乘擬合的多項式低通平滑Savitzky-Golay 濾波方法對光譜曲線進行平滑處理，以增強光譜的有效性和準確性，最大程度消除噪聲。為更好地分析光譜數據與土壤含鹽量之間的相關關系，對土壤光譜反射率分別進行倒數、對數、對數倒數和均方根等數學變換，然后再進行一階、二階微分變換以消除基線漂移或平滑背景的干擾[35]。一階、二階微分方程分別為：

R′λi=(Rλi+1-Rλi-1)/(λi+1-λi-1)，

(1)

R″λi=(R′λi+1-R′λi-1)/(λi+1-λi-1)，

(2)

選擇適當的數學方法改變高光譜反射率可以更好地突出光譜的反射和吸收特性，并有助于篩選敏感波段[36]。將反射率、反射率一階微分變換、反射率二階微分變換、倒數變換、倒數一階微分變換、對數變換、對數一階微分變換、對數倒數變換、對數倒數一階微分變換、均方根變換和均方根一階微分變換等數學變換的結果可作為土壤的高光譜指數[37]。分別將不同鹽漬化程度的土壤鹽分解譯數據與去噪后得到的土壤光譜及其變換形式進行相關性分析[31]，選取相關性較高的波段作為土壤含鹽量的敏感波段，作為模型構建的因子，即

(3)

2.2 遙感影像數據

近年來，國內外學者研究建立了利用遙感影像反演土壤鹽分的有效方法，常用的遙感數據源有Landsat TM、中巴地球資源衛星CBERS，ASTER，EO-1 ALI，Landsat7 ETM+，Landsat8 OLI，Sentinel-2A、高分系列衛星數據、HJ1A-CCD2和IKONOS衛星圖像。

高光譜成像技術具有光譜分辨率高、圖譜合一的獨特優勢，眾多國內外學者開展了基于高光譜遙感影像的土壤鹽分反演。常用的高光譜遙感影像有美國 EO-1衛星的 Hyperion，Terra衛星和Aqua衛星的 MODIS，Tacsat-3的ARTEMIS、歐空局PROBA衛星的CHRIS和中國環境一號衛星A星HJ-1A的高光譜成像儀HSI等。

光學遙感雖然應用廣泛、解譯方法比較成熟，但受天氣與時間的限制比較大。而對于雷達遙感來說，因其具有全天候、全天時、穿透性等特點，可以很好解決以上限制，繼而成為獲取鹽漬化程度及分布信息的有效技術手段[38]。常用的雷達影像數據有全極化 PolSAR 數據、RADARSAT-2數據、探地雷達數據、Sentinel 1和PALSAR 全極化數據等。

近年來，隨著遙感技術的不斷發展以及無人機技術的日趨成熟，將無人機與遙感傳感器結合，形成的無人機遙感監測手段在土壤鹽漬化監測領域正在得到越來越廣泛的應用。由于無人機遙感相對于近地遙感而言，具有大區域監測的優勢，同時相比衛星遙感，影像的分辨率又有所提升，因此是廣域范圍內低成本監測土壤鹽漬化的一種有效手段，在精準遙感監測領域具有較大的應用潛力[39]。目前用于土壤鹽漬化遙感監測研究的無人機傳感器主要為美國Tetracam公司生產的Micro-MCA多光譜相機[40]以及多光譜相機(ParrotS)[14]等。

2.3 建模因子及優選

預處理后的遙感影像具有豐富的地物光譜信息，這些信息包含在影像不同波段的反射率值中，為建立實測土壤鹽分數據與遙感影像光譜信息之間的聯系，需要獲取采樣點空間位置下的遙感影像光譜信息，通常的做法是將采樣點的GPS坐標信息導入到遙感影像中，提取這些位置像元點各波段的光譜反射率R，可對其進行倒數1/R、對數lnR、指數eR、冪函數Ra、S曲線函數、一階微分R′、二階微分R″和分數階微分R0.x等數學變換[41-42]。

單個波段所包含的光譜信息是有限的，因此在提取遙感影像的波段光譜反射率后可進行不同波段之間的組合運算，這些指數通常是已有研究得出的先驗計算公式(表1)，也可以使用不同的數學運算組合計算得到，包括差異指數(differentation index，DI)、比率指數(ratio index，RI)、歸一化差異指數(normalized difference index，NDI)和土壤指數(soil index，SI)的二維波段組合光譜指數，也包括部分三維波段組合指數(three dimensional band combination index，TBI)，通過這些組合可構建功能強大的光譜組合搜索模型[7,43]。計算公式分別為：

表1 建模指數公式Tab.1 Modeling exponential formula

(續表)

DI=Rj-Ri，

(4)

RI=Ri/Rj，

(5)

NDI=(Rj-Ri)/(Rj+Ri)，

(6)

(7)

TBI1=Ri/(Rj+Rk)，

(8)

TBI2=(Ri-Rj)/(Rj-Rk)，

(9)

TBI3=(Ri+Rj)/Rk，

(10)

TBI4=(Ri+Rj)/[(Ri-Rj)-(Rj-Rk)]，

(11)

TBI5=(Ri-Rj)-(Rj-Rk)，

(12)

式中Ri，Rj和Rk分別為從所有波段中選擇的任意3個波段的反射率，一階和二階微分計算公式與式(1)—(2)相同。

由于土壤鹽漬化情況很大程度地受到氣候因素、土壤理化性質、地形因素、空間位置和植被因素等環境變量的影響[24]，因此可引入環境變量遙感產品數據參與建模。氣候因素包括氣溫、降水等，土壤理化性質包括土壤質地、地表溫度、地下水位、土壤濕度等，植物因素主要以一系列植被指數來表征[29]，這些環境變量因子數據可以通過產品數據或由原始遙感影像通過指數計算獲得，空間位置要根據樣點坐標數據計算獲得[24,56]，地形因素包括數字高程模型(digital elevation model，DEM)數據及其衍生數據，地下水位數據可由測站觀測井獲得[57]。

提取后的模型構建需要進一步優選，將提取到的各個波段的反射率值、指數計算結果等數值與實測土壤鹽分含量進行相關性分析或回歸分析，選取相關性較高、回歸系數較大的因子作為敏感波段及敏感指數因子參與建模，并解決因子間的共線性問題[20]。在建模前需要將樣本點進行分組，建模集與驗證集比例通常接近3∶1，便于模型建立后的精度驗證。

總之，為建立土壤含鹽量與遙感影像之間的聯系，實現模型的構建，首先需要獲取實測土壤含鹽量數據以及遙感影像的光譜信息。實測土壤樣品經定位采集、實驗室理化測定與分析、數學變換后獲得的一系列表征土壤含鹽量的數據可作為模型的因變量輸入因子，不同來源的遙感數據經預處理、影像融合等操作后提取實測樣品空間位置下的像元點屬性值，經過一系列數學變換及指數計算可獲取極為豐富的建模因子，為探討不同類型的因子對土壤鹽漬化的影響程度以及減少因子間的冗余，需要對建模因子進行分類及優選之后參與建模，還需要預留驗證因子集作為模型精度驗證的依據。

3 遙感監測模型的構建及精度驗證

模型的構建旨在建立土壤鹽分含量與建模因子之間的關系，越來越多的模型在鹽漬化遙感監測領域得以運用，在土壤鹽漬化遙感監測模型構建過程中最常用到以下幾種模型。

1)一元線性回歸分模型(linear regression model，LR)是原理最簡單的建模方法[19]，是根據自變量X和因變量Y的相關關系，建立X與Y的線性回歸方程的方法，可以建立土壤鹽分含量與某一單一建模因子之間的關系，通常可在SPSS軟件中建模，一元線性回歸分析法的模型為：

Y=aX+b，

(13)

式中：Y表示土壤含鹽量值；X表示某一建模因子；a和b分別為公式參數。

2)多元線性回歸模型(multiple linear regression model，MLR)是將多個變量進行最優組合來預測因變量，原理簡單，應用廣泛[2,8-9,17,22,24,40-42,56,58-59]，其公式為：

(14)

式中：b0為常數項；m為建模因子個數；bi為第i個因子的偏回歸系數；xi為第i個因子。

3)偏最小二乘回歸建模是結合主成分分析與MLR特點的一種新型多元統計數據分析算法，其主要是針對多因變量對多自變量的回歸建模，能較好地解決樣本個數少于變量個數等問題[60-61]，可用于各變量之間具有多重共線性時，該算法不再直接考慮因變量與自變量的回歸建模，而是對變量系統中的信息重新進行綜合篩選，從中選取若干對系統具有最佳解釋能力的新成分用于回歸建模。偏最小二乘回歸的基本步驟如下： 首先，分析自變量與因變量之間的關系，要從p個自變量和因變量中分別提取出p個自變量的線性組合以及p個因變量的線性組合，公式為：

t1=e1,1x1+e1,2x2+...+e1,pxp=e1x1，

(15)

v1=v1,1x1+v1,2x2+...+v1,pxp=v1y1，

(16)

式中：e1=(e1,1,e1,2,...,e1,p)為模型效應權重；v1=(v1,1,v1,2,...,v1,p)為因變量權重。 其次,分別建立p個自變量和因變量對t1的回歸方程，如果該方程有較好的精度，則回歸方程成立，否則，要對t1分別對自變量和因變量解釋后的信息進行再一次提取，直到達到較好的精度為止。

4)BP-神經網絡被廣泛用于土壤鹽分反演中[13,60]，主要由信號的正向傳播和誤差的反向傳播這2個過程組成。正向傳播就是按照輸入層、隱藏層和輸出層的順序依次輸出，若實際輸出值與期望輸出值相差較大，則開始進行誤差的反向傳播，其與正向傳播的方向剛好相反，就是將輸出誤差按照輸出層、隱藏層和輸入層的順序輸出，以此可對各單元的權重進行修正，通過不斷修正，減少實際輸出值與期望輸出值的差距，從而達到預測的目的。

5)SVM方法是一種新近的模式分類方法[62-63]，對于解決小樣本、 非線性及高維模式識別等問題具有優越性，它處理的是二元分類模型。二元模型假設一個土壤樣本只屬于一個類，并且只有2個類(C={c1,c2})。每個有l個類的分類任務都可以使用一對一方法被建模為二進制任務，其中一個訓練l(l-1)/2個二進制分類器，每個分類器對應一對類。最后的決策是通過投票的方式做出的，即選擇最常被預測的類作為輸出,在使用時需要確定核函數和懲罰因子。

6)隨機森林是一種新型的分類和預測模型[61],“隨機森林”的名稱取自“隨機”和”“森林”，“隨機”包括隨機選取訓練樣本集和隨機選取分裂屬性集，這使得隨機森林具有良好的抗噪能力。“森林”即有許多的決策樹，其實這也是隨機森林的主要思想-集成思想的體現。隨機森林是決策樹的組合，每棵決策樹都是通過對原始數據集中隨機生成新的數據集來訓練生成，隨機森林決策的結果是多顆決策樹的決策結果。

除上述模型外一些新型模型與改進模型也被用于遙感監測模型的構建，如逐步多元回歸(stepwise multiple regression analysis，SMR)模型[17,35，64]、嶺回歸模型(ridge regression，RR)模型[65-66]、普通最小二乘法(ordinary least square，OLS)[67-68]、空間自回歸(spatial autore gression，SAR)模型[56]、決策樹算法(decision tree algorithm，DTA)[67]、支持向量回歸(support vector regression，SVR)模型[12,25,69]、粒子群優化支持向量機(particle swarm optimization support vector machine，PSO-SVM)模型[15,70]、網格搜索支持向量機(grid search support vector machine， GS-SVM)[71]、差分進化支持向量機(differential evolution support vector machine，DE-SVM)模型[15]、卷積神經網絡(convolutional neural network，CNN)模型[70]、多元自適應回歸樣條(multivariate adaptive regression spline,MARS)模型[1,25,72]、人工神經網絡(artificial neural network，ANN)模型[7,26]、Bootstrap-BP神經網絡模型[43]、極限學習機(extra learning machine，ELM)[61，73]、結構方程模型[74](structural equation model，SEM)、溶質運移模型[28]、地理加權回歸(geographically weighted regression，GWR)模型[24,66]、多布森模型(Dobson model)[75]和修正的殘差克里金模型[76]等模型。

基于光譜特征空間的方法也可以建立土壤遙感監測模型[77-78]，通過建立影響土壤鹽漬化參量的二維或三維空間，可用特征空間中到某一特征點的距離反映鹽度，不同區域反映不同程度土壤鹽漬化[79]，確定不同參量之間的相互變化趨勢，結合實際經驗對散點空間圖進行分析，利用散點圖的空間特征參量建立相應模型。

模型的實現可以使用SPSS、R語言、Matlab和Python等軟件實現，具體使用過程中需要調整數據格式及模型參數。模型建立之后需要使用驗證集對模型精度進行驗證，在預測模型進行精度評價時，通常選取決定系數R2、均方根誤差 (root mean square error，RMSE) 、相對分析誤差 (relative percent deviation，RPD)和平均絕對誤差(mean absolute error，MAE)，其中R2與模型的精度成正比，RMSE和MAE與模型的估算預測能力成反比，且當RPD<1.4，說明模型不可靠，1.4≤RPD≤2 時，說明模型精度一般，RPD>2時，說明模型有較強的預測能力。其計算公式分別為：

(17)

(18)

(19)

(20)

當前研究中MLR以及機器學習算法被廣泛應用于土壤鹽漬化遙感檢測模型的建立，改進的數學模型被不斷地運用于該領域的研究，并取得了較高的模型精度，經精度驗證對比后的最優模型可用于區域土壤鹽漬化專題圖制作，制圖過程中還需要充分利用制圖技術及先驗知識來進一步提高專題圖精度，為區域鹽漬化時空分析及預測提供依據。

4 結論與展望

4.1 結論

土壤鹽漬化遙感監測模型的構建將作為土壤鹽漬化遙感監測領域的研究熱點，目的是為了獲取更高精度的反演模型，用以表征區域內的土壤鹽漬化情況，反映土壤鹽漬化狀況與其影響因素的相互關系。模型的建立通常包括實測土壤鹽分數據的獲取、遙感影像的獲取、建模因子的提取及優選、模型的建立與精度驗證等步驟，但不同研究之間存在一定的差異。

土壤實測數據通常采用實地取實驗室樣化驗的方法測定，也可以使用土壤傳感電磁感應等測定設備更為快捷的獲取，在實際采樣過程中還需要根據研究需要測定不同深度下土壤樣品的含鹽量，根據分析需求測定土壤樣品的離子含量、pH、土壤水分等理化性質。當前研究中用到的遙感影像數據主要有Landsat TM，Landsat8 OLI，Sentinel-2A，GF-1，HJ-1A-CCD2和MODIS等，衛星雷達遙感影像以及無人機遙感影像也有所使用，獲取到的遙感影像需要經過預處理達到使用要求，通過影像融合、微分變換等手段可獲取更多的光譜信息。

建模因子通過提取采樣點坐標位置下表征與土壤鹽漬化有關因素的遙感影像像元數值以及波段反射率數值獲取，參與建模的因子可以是原始或經過數學變換后的波段反射率值，也可以是通過先驗指數公式計算得到的指數數值，通過遙感產品數據獲得的像元點數值也是建模因子數據的重要來源。用于建模的氣候因素、土壤理化性質、地形因素、空間位置和植被因素等因子，可以通過波段計算以及相應的遙感數據獲取。在建模過程中，不同因子可根據建模需求劃分成不同的集合參與建模。

模型建立的方法主要有線性回歸模型以及機器學習模型，為提高模型構建精度需要不斷嘗試改進后的新型模型算法，模型的構建需要通過不同數學分析軟件的相應模塊實現。模型的精度受到采樣點數目、樣品測驗精度、遙感影像質量、建模因子的選取以及模型參數的影響，主要以選取R2， RMSE， RPD及MAE來體現和對比模型精度。建模完成后，對不同模型進行對比優選，進行遙感影像反演，制作土壤鹽漬化專題地圖。大量研究結果表明機器學習模型的建模精度一般要高于線性模型，不同模型精度在不同的實驗研究中存在較大差異。

4.2 存在的局限性

土壤鹽漬化遙感監測模型的構建作為遙感研究應用的熱點領域，國內外眾多學者不斷利用新的技術手段與研究方法實現了區域內土壤鹽漬化的高精度監測，取得了豐富的研究成果，但仍然存在以下問題：

1)模型的適用性為當前研究中存在最主要的問題。研究區鹽漬土的理化性質、采樣方案的設計、建模因子及建模方法的不同導致了所得模型具有專一性，單篇文章中所得模型可實現以少量的實測采樣點數據反映研究區范圍內土壤鹽漬化情況，但該模型往往不適用于其他研究區或其他季節，因此如何建立普適性較高的模型來實現不同研究區及不同時序土壤鹽漬化反演是該研究領域的一大難點。

2)耐鹽植物可以在中度或輕度鹽漬化土壤條件下生長，植被與裸地的光譜特征存在較大的差異性，因此在建立農田、草地及林地覆被下的土壤鹽漬化監測模型時需要考慮區域內的植被覆蓋情況，加大了采樣方案設計及模型構建的難度，也使得模型對土壤鹽漬化的反映能力下降，如何構建精度較高、能準確反映植被覆蓋區域的土壤鹽漬化模型是該研究領域的一大難點。

3)模型的構建需要選取多種土壤鹽漬化影響因子，相應遙感影像及產品數據的空間和時間分辨率存在一定的差異，具體建模過程中通常對影像進行重采樣或選擇時間相近的影像進行建模，受天氣、衛星狀況影響，影像會存在缺失及質量問題，當建模因子數量較多時會使誤差增大，因此獲取時間和空間分辨率一致并保證所有參與建模因子對應的影像質量均達到精度要求是難以實現的。

4.3 發展趨勢

遙感技術的不斷進步，遙感產品數據的不斷豐富將為鹽漬化反演模型的建立提供更多的數據選擇，更高精度、更多種類的遙感影像可為模型提供更多的建模因子，在未來的研究中需要不斷發現可用于土壤鹽漬化建模的新型遙感數據，利用這些數據豐富建模因子。此外，多源遙感數據的協同使用如多光譜遙感數據與微波遙感數據的協同使用將有助于地下土壤鹽分的估算，無人機因其機動靈活，數據空間分辨率高等特點未來將被廣泛運用于土壤鹽漬化的監測。

遙感模型的建立需要利用統計學和機器學習中的模型算法，因此不斷嘗試改進的數學建模方法可以使土壤鹽漬化遙感建模領域產生新的發現，不同模型之間的對比以及模型參數的優化改進將不斷提高鹽漬化遙感監測的精度，專業遙感軟件不斷升級以及數學分析軟件模型構建模塊算法的改進與創新也會給土壤鹽漬化反演模型建立提供新的方法。

當前研究建立的土壤鹽漬化反演遙感模型通常適用于某一特定的研究區域，受到遙感影像數據量、數據精度與建模過程中不同數據間的匹配問題，缺乏能夠適應大尺度、長時間跨度使用的遙感監測模型，隨著遙感分析云平臺的產生與發展，利用Google Earth Engine(GEE)等云平臺進行大的空間和時間尺度上的土壤鹽漬化遙感反演模型的建立與驗證將成為一種未來的發展趨勢。鹽漬化遙感監測模型與專門的土壤模型以及生態模型相結合將會為土壤鹽漬化的動態監測與預測提供新的思路。