凍結狀態下鹽漬化土壤中水溶性鹽基離子含量高光譜反演

侯晨悅，王 勇，李 凡，袁心皓，楊錫震，張智韜，陳俊英，栗現文

凍結狀態下鹽漬化土壤中水溶性鹽基離子含量高光譜反演

侯晨悅，王 勇，李 凡，袁心皓，楊錫震，張智韜，陳俊英，栗現文※

（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）

為探究采用高光譜技術反演凍結狀態土壤水溶性鹽基離子含量的可行性，該研究針對河套灌區鹽漬化土壤，測定土壤在凍結與未凍結狀態下的光譜和主要水溶性鹽基離子含量（HCO3-、Cl-、CO32-、SO42-、K+、Na+、Ca2+、Mg2+），光譜經標準正態變量變換（standard normal variable，SNV）和變量投影重要性法（variable importance in projection，VIP）篩選出敏感波段后，采用偏最小二乘回歸法（partial least squares regression，PLSR）、支持向量機回歸法（support vector regression，SVR）和極限學習機法（extreme learning machine，ELM）構建基于特征光譜的土壤離子含量高光譜反演模型，并對比凍結與未凍結狀態反演模型的精度。結果表明：在凍結狀態下，不同離子的反演精度存在很大差異，其中Cl-和K+的預測精度極高（相對分析誤差大于2.5），SO42-、Ca2+和Na+預測精度較好（相對分析誤差在2.0～2.5之間），其余離子預測效果較差；3種回歸方法中，ELM模型精度最高，SVM模型次之，PLSR模型最低。凍結和未凍結狀態下離子的最優反演模型相同，但凍結狀態下Cl-、SO42-、K+和Na+反演精度比未凍結狀態高，而Ca2+和Mg2+反演精度比未凍結狀態低且Mg2+的反演精度差別最大。各離子最優反演模型與未凍結狀態下的相對分析誤差相比變化為-34.45%～24.43%。該研究構建的VIP-ELM模型為季節性凍土區鹽漬化土壤鹽基離子的高光譜監測提供了一種可靠途徑。

土壤；極限學習機法；鹽漬化；鹽基離子；凍結；高光譜；反演模型

0 引 言

中國季節性凍土占全國面積的53.5%，這些地區大部分位于干旱或半干旱地帶，由于降水量少，蒸發量高，土壤鹽漬化問題較為普遍[1-3]。內蒙古河套灌區是典型的季節性凍土區，其鹽漬化土壤廣泛存在，制約著當地農業的可持續發展[4-5]。在凍融期（非生育期）土壤水鹽會因凍融作用而發生遷移，鹽基離子也會隨之變化，使土壤表層離子含量增加[6-7]。土壤中鹽離子過多不僅影響次年生育期作物的出苗與生長，也會影響土壤質量及環境狀況[8]，因此及時、準確地獲取凍融期土壤中的鹽分信息，監測土壤鹽基離子的動態變化，對于治理和改善土壤鹽漬化有著重要意義。

目前傳統的鹽基離子測定方法需要田間采樣后在實驗室分析，凍融期土壤凍結使取樣更為困難，而且不能對農田實現大規模監測。遙感技術的興起與發展為鹽漬化土壤的監測提供了一種便捷高效的方法[9-11]。其中高光譜遙感具有光譜分辨率高、蘊含地物信息豐富等優點，已成為監測土壤鹽分信息的重要技術手段[12]，但多集中于非凍融期的土壤鹽漬化監測。如王海江等[13]成功建立了基于高光譜的主要鹽分離子反演模型，其中Na+和SO42-的預測效果極好，K+和Ca2+的預測效果較好；WANG等[14]構建基于敏感波段的診斷模型來反演土壤主要水溶性鹽基離子，5種離子（Ca2+、Na+、Cl-、Mg2+和SO42-）的相對分析誤差（residual predictive deviation，RPD）都在2.5以上，預測效果極好，其余離子預測效果一般或者無法反演。LAO等[15]建立分數階微分（fractional order derivative，FOD）結合光譜指數的最優組合的高光譜反演模型，預測所有離子的RPD均在1.6以上，都達到或超過了定量預測的精度（RPD=1.4）。

變量投影重要性（variable importance in projection，VIP）作為變量篩選的常用方法，一直被廣泛應用于各個領域[16-18]。由于高光譜數據的高維性，進行波段篩選有助于構建穩定性強、魯棒性好的模型。WANG等[14]利用3種變量篩選方法選取每個離子的敏感波段，在構建的離子反演模型中發現基于VIP法的反演精度最高。亞森江·喀哈爾[19]也發現VIP法在簡化模型、提高反演精度上有顯著作用。此外，采用不同模型后水溶性鹽基離子含量反演精度有所不同，如目前偏最小二乘回歸（partial least squares regression，PLSR）模型是高光譜建模中最常用的線性模型，在反演土壤鹽分信息中有不錯的效果；機器學習算法作為解決非線性問題的可靠方法，也對反演離子有很好的效果，如支持向量機回歸（support vector regression，SVR）模型和極限學習機（extreme learning machine，ELM）模型[20-23]。由于土壤凍結是一種伴隨著物理相態轉化和化學反應的復雜過程[2]，凍結勢必會使土壤反射率發生變化，因此這些篩選方法和模型是否同樣適用于凍結狀態下的離子反演，對于凍結與未凍結2種狀態下的離子反演效果有何不同，目前還鮮有研究。

基于此，本文以河套灌區凍結期典型鹽漬化土壤為對象，采集土壤在凍結與未凍結狀態下的光譜數據，并測定土壤主要水溶性鹽基離子含量，通過VIP法結合PLSR、SVM和ELM 3種方法，建立凍結與未凍結土壤鹽基離子預測模型，探究利用高光譜反演土壤在凍結狀態下各離子含量的可行性和最優模型，以及土壤狀態的改變對離子反演精度的影響，以期為鹽漬化土壤在凍結狀態下的遙感監測提供一定的理論依據和技術支撐。

1 材料與方法

1.1 研究區概況

研究區位于內蒙古河套灌區解放閘灌域的沙壕渠灌域（40°52′～41°00′N，107°05′～107°10′E），為典型的溫帶大陸性氣候，夏季高溫炎熱，冬季寒冷干燥。該地區年降水量約為140 mm，年蒸發量約為2 000 mm，年平均氣溫約為7 ℃。河套灌區作為中國三大灌區之一，也是典型的季節性凍土區，土壤在11月份開始凍結，到次年5月中旬才能完全解凍，土壤約有180 d處于凍結狀態，凍結深度在1.0～1.3 m之間[4]。同時，由于長期的引黃灌溉及降水稀少、蒸發強烈，土壤次生鹽漬化較為嚴重。

1.2 土壤采集與制備

從研究區選取3個鹽漬化程度不同的區域，采用五點法收集表層土壤（0～10 cm）后混合均勻，作為區域的代表土樣。然后對采集到的3種區域土壤按不同比例混合，共形成117個鹽漬化程度不同的土樣。在實驗室經過風干、磨細、過篩（2 mm）、烘干（105 ℃，8 h）、充分混勻后密封保存，作為未凍結土壤樣本進行光譜測定和理化性質測定。未凍結土壤光譜測定后將土樣進行凍結處理，在冰箱內-15 ℃凍結12 h[24]，形成凍結土壤用于后續光譜的測定。

1.3 土壤鹽分信息測定

按水土比5∶1，取烘干土樣20 g于燒杯中，加入100 mL蒸餾水，充分浸泡、振蕩后，過濾得到每個土樣的浸提液，測定各水溶性鹽基離子含量。其中，Na+和K+采用火焰光度法進行測定；Ca2+和Mg2+采用原子吸收分光光度法；Cl-采用硝酸銀滴定法，SO42-采用EDTA間接測定法；CO32-和HCO3-采用雙指示劑—中和滴定法[25]。

1.4 光譜數據采集

將用于光譜測定的土壤裝入直徑為10 cm，深度為2 cm的玻璃皿中，通過直尺抹平表面。為提高研究結果適用性，本研究用噴霧器少量多次加入去離子水，按正態分布隨機配制各土樣含水率（均值為20.80%，方差為0.08），并放置24 h，使其水分與土壤充分混合均勻。土樣凍結前，用ASD FieldSpec 3地物光譜儀采集每個土樣的光譜信息，波譜范圍為350～2 500 nm。為避免其他雜光干擾，測定在暗室中進行，每次采集前均進行白板定標和暗電流去除。室內光源采用50 W的鹵素燈，距離土壤表面50 cm，光源入射角為30°，光譜儀探頭距離土壤表面15 cm[26]。每個土樣進行4個方向的測量（每次以90°轉動1次），每個方向測量5次，共計20次，在ViewSpec Pro V6.0.11軟件中經算數平均后作為土樣在未凍結狀態下的光譜信息[27]。采集完成后將所有樣品進行凍結處理，再次重復上述采集過程，作為土樣在凍結狀態下的光譜信息。

1.5 光譜數據預處理及變換

將測得的各土樣光譜在ViewSpec Pro V6.0.11軟件中進行階躍點修正（1 000和1 800 nm處），之后剔除掉信噪比較大的2個波段（350～399和2 401～2 500 nm），將剩余的400～2 400 nm的波段在OriginPro 2022軟件中進行平滑處理，采用Savitzky-Golay（SG）平滑算法，多項式階數為2。為減少高光譜數據的冗余度，對400～2 400 nm的波段進行10 nm的重間隔取樣，得到由200個波段數組成的新的光譜曲線。

為在一定程度上消除土壤表面顆粒大小、表面散射和光程變化對土壤光譜的影響，更好地分析光譜信息與水溶性鹽基離子含量之間的關系[28-29]，對光譜曲線進行了標準正態變量變換（standard normal variable，SNV）處理。

1.6 特征光譜篩選

特征光譜的篩選采用變量投影重要性（variable importance in projection，VIP）法，它是基于偏最小二乘回歸法的一種變量篩選方法，通過計算PLSR模型中每個變量的VIP得分，來評估模型中每個變量的重要性，從而實現光譜波段篩選[30]。由于VIP得分的平方平均值等于1，因此通常把VIP>1用作變量選擇標準[31]。VIP得分的計算在SIMCA 14.1軟件中進行。

1.7 模型建立與精度評價

將各土樣水溶性鹽基離子的含量從小到大進行排序，每3個中選取中間的一個作為驗證集樣本，共計39個（33%），剩余樣本作為建模集樣本，共計78個（67%）。使用PLSR、SVM和ELM 3種模型來建立土壤凍結與未凍結狀態的鹽基離子含量高光譜反演模型。PLSR模型在The Unscrambler X 10.4軟件中完成；SVM模型和ELM模型在RStudio軟件中，分別應用e1071包和elmNNRcpp包進行建模與驗證。

通過建模決定系數（R2），驗證決定系數（R2），均方根誤差（RMSE）和相對分析誤差（RPD）來綜合評價模型的好壞。R2和R2越接近于1表明模型擬合效果越好；RMSE越接近0表明模型的預測誤差越小；RPD越大表明模型的預測能力越好，反演精度越高。其中，RPD一般被分為6個等級，當RPD≥2.5和2.0≤RPD＜2.5時，分別表明模型有極好和很好的預測能力；當1.8≤RPD＜2.0時，表明模型具有定量預測能力；當1.4≤RPD＜1.8時，表明模型具有一般的定量預測能力；RPD在1.0≤RPD＜1.4時，表明模型只有區別高低值的能力；RPD＜1.0時表明模型沒有預測能力[32]。

2 結果與分析

2.1 土壤水溶性鹽基離子及光譜變化特征

各離子含量特征如表1所示，Cl-在所有土壤鹽離子中占比最大，HCO3-和K+的占比較少。由于CO32-容易與Ca2+和Mg2+在弱堿性溶液中結合形成沉淀，本次土樣中并未檢測出CO32-的含量。除Mg2+的變異系數在100%以上，為強變異性；其余離子的變異系數都在10%～100%之間，表現為中等強度變異。

表1 土壤水溶性鹽基離子含量描述性統計特征

2種狀態下的土壤原始和經SNV處理的平均反射率曲線如圖1所示，原始光譜凍結與未凍結狀態下的光譜曲線形態相似，存在1 450和1 950 nm 2個吸收谷，但凍結后的土壤平均反射率略高于未凍結狀態（圖1a）。經SNV處理后，2種狀態土壤平均反射率曲線相差變小，反射率整體范圍變大、吸收谷更加陡峭；光譜曲線更加平滑，利于后續模型的構建（圖1b）。

注：SNV為標準正態變量變換。

2.2 凍結與未凍結狀態的土壤特征光譜篩選

對2種狀態下的土壤水溶性鹽基離子含量與經SNV變換后的光譜曲線進行VIP分析（圖2），依照“VIP>1”的原則，篩選出與水溶性鹽基離子敏感的波段，統計結果見表2。

圖2 凍結與未凍結狀態土壤水溶性鹽基離子含量與反射率的變量投影重要性分析曲線

從圖2中可以看出，土壤凍結狀態對VIP分析曲線形態產生影響，凍結與未凍結2種狀態下除HCO3-外，其他離子的VIP分析曲線形態相似，且凍結狀態下的各離子曲線重合范圍更大，變化范圍更小，曲線更加平滑。同時2種狀態的VIP分析曲線均在1 400～1 900 nm區間附近劇烈振蕩，而凍結狀態在400～1 400 nm區間的曲線則較為平緩且無太大變化。

表2 凍結與未凍結狀態土壤光譜的敏感波段篩選結果

注：SBN為敏感波段數；MVIPS為最大變量投影重要性得分；CMVIPS為MVIPS對應波段。

Note: SBN is sensitive band number; MVIPS is maximum VIP scores; CMVIPS is corresponding bands of MVIPS.

從表2中可以看出，2種狀態下各離子的敏感波段數、最大變量投影重要性得分及其區間均有所不同。在凍結狀態下，敏感波段數的排序從大到小為HCO3->K+> SO42->Na+>Cl->Ca2+>Mg2+，最大變量投影重要性得分的排序從大到小為Mg2+>HCO3->Cl->SO42->Na+>Ca2+>K+；在未凍結狀態下，敏感波段數的排序從大到小為HCO3->Mg2+>Ca2+>Cl->SO42->K+>Na+，最大變量投影重要性得分的排序從大到小為Cl->Mg2+>SO42->Ca2+>Na+>K+> HCO3-。土壤的凍結改變了原有的敏感波段及VIP得分，Ca2+敏感波段數在2種狀態下相同，HCO3-和Mg2+在未凍結狀態下的敏感波段多于凍結狀態，其余離子則相反。各離子含量按均值從大到小的排序為Cl->Na+> SO42->Mg2+>Ca2+>HCO3->K+，一般含量越少，易使最大VIP得分越小。可能由于反射光譜包含有多種土壤成分信息，離子含量越小，引起的光譜響應越小[13]。對于最大變量投影重要性得分，除HCO3-外，其他各離子均在未凍結狀態下更高，且最大得分區間集中在近紅外波段附近。

2.3 偏最小二乘回歸模型的建立與分析

以土壤水溶性鹽基離子含量為因變量，凍結與未凍結狀態土壤光譜篩選的敏感波段為自變量，采用全交叉驗證方式，建立PLSR模型，建模及驗證結果如表3所示。

表3 凍結與未凍結狀態土壤水溶性鹽基離子含量反演的偏最小二乘回歸模型

注：NA表示為模型運行后無法得到R2的值；R2為建模決定系數，R2為驗證決定系數，RMSE為均方根誤差，RPD為相對分析誤差，下同。

Note: NA is expressed as the value ofR2cannot be obtained after the model runs;R2is determination coefficient of calibration sets;R2is determination coefficient of validation sets;RMSEis root mean square error;RPDis residual predictive deviation, The same below.

結果顯示（表3），PLSR模型在2種狀態下反演大部分水溶性鹽基離子都取得了較好效果，但2種狀態下反演離子的精度有所不同。在凍結狀態下，除HCO3-和Mg2+，其他離子的建模決定系數R2和驗證決定系數R2都在0.81以上，模型擬合效果很好；其中預測Cl-和K+的RPD都在2.5以上，表明模型具有極強的預測能力；SO42-、Ca2+和Na+的RPD在2.0～2.5之間，表明模型具有很好的定量預測能力；Mg2+的RPD為1.067，模型只具備區別高低值的能力；而HCO3-無法實現對其含量的預測。與未凍結狀態下的各離子相比，SO42-、Cl-、K+和Na+在凍結狀態下的反演效果更好，其中在模型預測方面，Cl-的精度提高最大，驗證決定系數R2從0.839提高到0.902，RMSE從2.682 g/kg降低到2.105 g/kg，RPD從2.290提高到3.078。而Ca2+和Mg2+則表現出在未凍結狀態下的反演效果更好，其中Mg2+的精度降低最大，RPD從1.515降低到1.067。

2.4 支持向量機回歸模型的建立與分析

同樣以土壤鹽離子含量為因變量，凍結與未凍結狀態的敏感波段為自變量建立SVM模型。采用nu-SVM類型，核函數經過多次試算選擇線性linear核函數；懲罰參數和核參量采用訓練集交叉驗證，按照均方差最小的原則確定。建模及驗證結果如表4所示。

表4 凍結與未凍結狀態土壤水溶性鹽基離子含量反演的支持向量機回歸模型

結果顯示（表4），在凍結狀態下，Cl-和K+的R2和R2都在0.92以上，RPD分別為3.662和3.302，具有極好的擬合能力和極強的預測能力；SO42-、Ca2+和Na+的R2和R2都在0.83及以上，RPD在2.0～2.5之間，模型具有很好的擬合和預測能力；而Mg2+和HCO3-的RPD都小于1，模型無法實現對其含量的預測。凍結狀態下相比未凍結狀態Na+的R2稍有降低，K+的RMSE無變化，SO42-、Cl-和Na+的RMSE均下降，但R2和RPD則都有不同程度的提高，因此這些離子比未凍結狀態有更小的預測誤差和更高的反演精度；Ca2+和Mg2+表現出在未凍結狀態下的反演效果更好。而HCO3-在凍結和未凍結狀態下的R2僅為0.002和0.024，擬合效果極差，因此沒有比較2種狀態下的建模效果。

2.5 極限學習機模型的建立與分析

ELM模型的激活函數類型經過多次試算選擇purelin函數，最佳隱含神經元個數依據均方差最小原則確定，為減小模型的隨機性，每個模型結構重復100次[33]，建模及驗證結果如表5所示。

表5 凍結與未凍結狀態土壤水溶性鹽基離子含量反演的極限學習機模型

結果顯示（表5），ELM模型可以很好地反演2種狀態下的大部分離子，但精度有所不同。反演凍結狀態下的SO42-、Cl-、Ca2+、K+和Na+均有很好的效果，R2和R2均在0.80以上，RPD在2.0以上；Mg2+的R2為0.607，RPD為1.250，模型僅有區別高低值的能力；而HCO3-的R2僅為0.043，模型無法實現預測。相比未凍結狀態，SO42-、Cl-、K+和Na+的反演精度均有不同程度的提高，其中Cl-提高的精度最大，RPD從2.654提高到3.413。而Ca2+和Mg2+的反演精度有所下降，其中Mg2+降低的精度最大，RPD從1.907降低到1.250。

2.6 最佳反演模型

在凍結狀態下，ELM模型相比于PLSR模型提高了各離子的反演精度；與SVM模型相比，除HCO3-未進行比較，僅有Cl-和K+的擬合精度和預測精度下降，其余離子反演精度提高。未凍結狀態下不同模型之間的比較與凍結狀態時相似，僅在于模型預測精度的變化幅度不同。綜合來看，ELM模型略優于其他2種模型。比較表3、表4和表5發現，不同離子的最佳模型不同，各離子基于最佳模型的驗證集實測值和估算值比較如圖3所示。

注：SRMSE單位為g·kg-1。左上角數據為離子在凍結狀態下的反演效果，右下角數據為離子在未凍結狀態下的反演效果。

圖3顯示，2種狀態下選用的最優模型相同，HCO3-、SO42-、Ca2+、Mg2+和Na+5種離子的最優模型為ELM模型，K+和Cl-2種離子的最優模型為SVM模型；盡管各離子凍結狀態最優反演模型與未凍結狀態下的RPD相比變化為-34.45%～24.43%，但由于2種狀態下經SNV處理后的光譜平均反射率（圖1b）相差較小，使大部分模型的反演精度（R2）也相差不大，這表明SNV可能會消除凍結對于土壤光譜的一些影響，未凍結狀態下的光譜變換、篩選方法和回歸方法，在凍結土壤的鹽分信息反演方面也具有適用性。圖3中凍結與未凍結狀態下各離子依據RPD的大小預測能力排序均為Cl-＞K+＞Ca2+＞Na+＞SO42-＞Mg2+＞HCO3-。在凍結狀態下的Cl-、K+、Ca2+、Na+和SO42-5種離子的驗證效果較好，數據點大部分都集中在1∶1線附近，RPD在2.0以上，預測能力很好；Mg2+和HCO3-在驗證結果中數據點分散，偏離1∶1線較遠，預測能力較差。與未凍結狀態相比，凍結狀態下除HCO3-、Ca2+和Mg2+3種離子外，其他離子都更加集中于1∶1線附近，預測能力更強。

由于具有成百甚至上千的波段，高光譜遙感存在大量與離子含量無關的冗余信息，而基于VIP法構建的水溶性鹽基離子反演模型，在3種回歸方法中都表現出良好的效果，進一步驗證了其在土壤凍結狀態下的適用性。不同離子的反演結果表明，ELM模型表現最佳。許多學者在比較回歸方法的研究中也得出了類似結論，例如王海峰[34]使用SVR、ELM、隨機森林（random forest，RF）、多元混合回歸（cubist）和多元自適應樣條回歸（multivariate adaptive regression splines，MARS）5種方法建立了土壤鹽分離子含量的預測模型，結果表明ELM模型實現了最佳的預測結果；ZHAO等[35]基于無人機多光譜遙感數據來監測土壤含鹽量，發現裸地條件下ELM模型反演效果優于RF、SVM和反向傳播神經網絡（back propagation neural network，BPNN）模型，這些研究表明ELM模型是一種優秀且適應性廣的學習算法，具有泛化能力強和訓練速度快等優點[36]。

本文中土壤在凍結狀態下除HCO3-和Mg+外，其他離子的反演效果良好，即Cl-和K+的RPD在2.5以上，SO42-、Ca2+和Na+的RPD在2.0～2.5間（圖3），表明基于高光譜技術反演凍結狀態下土壤水溶性鹽基離子，具有較高的可行性。冬季土壤凍結使鹽分會向表層積聚，出現春季返鹽，加劇土壤次生鹽漬化等方面的問題[37]，因此進行凍融期土壤鹽基離子的監測，對來年生育期作物生長以及干旱區全年鹽漬化信息獲取具有重要意義。3種模型下2種狀態的反演效果對比均顯示，凍結狀態對SO42-、Cl-、K+和Na+4種離子反演精度的提高有促進作用；而對Ca2+和Mg2+2種離子，反演模型RPD均有所下降，這與各離子在凍結時不同的遷移速度相似：Cl-、Na+和SO42-的遷移速度大于Ca2+和Mg2+這2種離子[2]；其中2種狀態下Mg2+的反演精度差別最大，可能由于Mg2+對土壤凍結更加敏感，凍結后使1 500～1 700 nm波段的VIP得分高于其他離子，2 200～2 300 nm波段的VIP得分低于其他離子（圖2），在未來研究中需更深入揭示凍融條件下不同離子對光譜特征的響應機理。另一方面，本文是在實驗室條件下測定土壤光譜，野外環境中容易受到其他環境因素干擾，如光照、土體雜質以及存在積雪覆蓋等，未來應考慮野外原位光譜下是否還能較好地預測鹽分信息，為實現田間大面積遙感監測提高支撐。

3 結 論

本文利用變量投影重要性（variable importance in projection，VIP）法結合偏最小二乘回歸（partial least squares regression，PLSR）、支持向量機回歸（support vector regression，SVM）和極限學習機（extreme learning machine，ELM）3種方法，建立凍結狀態下基于高光譜遙感的土壤水溶性鹽基離子含量預測模型，并與未凍結狀態下的模型對比分析，得出以下主要結論：

1）基于VIP法的高光譜預測模型可有效反演凍結狀態下的大部分離子，不同離子的反演精度存在較大差異，其中Cl-和K+的預測精度非常高（相對分析誤差大于2.5），SO42-、Ca2+和Na+預測精度較好（相對分析誤差在2.0～2.5間），HCO3-和Mg2+預測效果較差。

2）3種模型的反演精度均較好，不同離子適用的最優模型不同，但2種狀態下離子的最優模型相同。K+和Cl-的最優模型為SVM模型，其余離子為ELM模型。從預測精度來看，ELM模型最高，SVM模型次之，PLSR模型效果相對較差。

3）土壤凍結狀態會影響鹽基離子的反演精度，在相同的建模條件下，凍結狀態可提升SO42-、Cl-、K+和Na+4種離子的反演效果，而Ca2+和Mg2+2種離子的反演效果則相對降低，其中Mg2+的反演精度差別最大，各離子最優模型與未凍結狀態下的相對分析誤差相比變化為?34.45%～24.43%。

[1] CHEN H, PENG Z, ZENG W, et al. Salt movement during soil freezing events in Inner Mongolia, China[J]. Journal of coastal research, 2018, 82(Supp. 1): 55-63.

[2] 徐學祖，王家澄，張立新. 凍土物理學[M]. 第二版. 北京：科學出版社，2010.

[3] WU M, WU J, TAN X, et al. Simulation of dynamical interactions between soil freezing/thawing and salinization for improving water management in cold/arid agricultural region[J]. Geoderma, 2019, 338: 325-342.

[4] TAN X, WU J, WU M, et al. Effects of ice cover on soil water, heat, and solute movement: An experimental study[J]. Geoderma, 2021, 403: 115209.

[5] 杜瑞麒，陳俊英，張智韜，等. Sentinel-2多光譜衛星遙感反演植被覆蓋下的土壤鹽分變化[J]. 農業工程學報，2021，37(17)：107-115.

DU Ruiqi, CHEN Junying, ZHANG Zhitao, et al. Inversing soil salinity under vegetation cover using Sentinel-2 multispectral satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 107-115. (in Chinese with English abstract)

[6] 張殿發，鄭琦宏，董志穎. 凍融條件下土壤中水鹽運移機理探討[J]. 水土保持通報，2005，25(6)：14-18.

ZHANG Dianfa, ZHENG Qihong, DONG Zhiying. Mechanism of soil salt-moisture transfer under freeze-thawing condition[J]. Bulletin of Soil and Water Conservation, 2005, 25(6): 14-18. (in Chinese with English abstract)

[7] 劉磊，陳軍鋒，呂棚棚，等. 凍融作用下地下水淺埋區土壤鹽分及離子變化特征[J]. 干旱區研究，2022，39(2)：448-455.

LIU Lei, CHEN Junfeng, LV Pengpeng, et al. Variation in soil salinity and ions in a shallow groundwater area under freeze-thaw[J]. Arid Zone Research, 2022, 39(2): 448-455. (in Chinese with English abstract)

[8] WANG S, CHEN Y, WANG M, et al. SPA-based methods for the quantitative estimation of the soil salt content in saline-alkali land from field spectroscopy data: A case study from the Yellow River irrigation regions[J]. Remote Sensing, 2019, 11(8): 967.

[9] WU D, JIA K, ZHANG X, et al. Remote sensing inversion for simulation of soil salinization based on hyperspectral data and ground analysis in Yinchuan, China[J]. Natural Resources Research, 2021, 30(6): 4641-4656.

[10] SINGH A. Managing the salinization and drainage problems of irrigated areas through remote sensing and GIS techniques[J]. Ecological Indicators, 2018, 89: 584-589.

[11] 楊寧，崔文軒，張智韜，等. 無人機多光譜遙感反演不同深度土壤鹽分[J]. 農業工程學報，2020，36(22)：13-21.

YANG Ning, CUI Wenxuan, ZHANG Zhitao, et al. Soil salinity inversion at different depths using improved spectral index with UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 13-21. (in Chinese with English abstract)

[12] WANG L, ZHANG B, SHEN Q, et al. Estimation of soil salt and ion contents based on hyperspectral remote sensing data: A case study of Baidunzi Basin, China[J]. Water, 2021, 13(4): 559.

[13] 王海江，蔣天池，Yunger John A.，等. 基于支持向量機的土壤主要鹽分離子高光譜反演模型[J]. 農業機械學報，2018，49(5)：263-270.

WANG Haijiang, JIANG Tianchi, YUNGER JOHN A, et al. Hyperspectral inverse model for soil salt ions based on support vector machine[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 263-270. (in Chinese with English abstract)

[14] WANG H, CHEN Y, ZHANG Z, et al. Quantitatively estimating main soil water-soluble salt ions content based on Visible-near infrared wavelength selected using GC, SR and VIP[J]. PeerJ, 2019, 7(5): e6310.

[15] LAO C, CHEN J, ZHANG Z, et al. Predicting the contents of soil salt and major water-soluble ions with fractional-order derivative spectral indices and variable selection[J]. Computers and Electronics in Agriculture, 2021, 182: 106031.

[16] 王曉賓，馬梟，楊蕾，等. 基于PLS-DA拉曼光譜特征提取的中性筆油墨MLP模式識別[J]. 激光與光電子學進展，2021，58(1)：329-335.

WANG Xiaobin, MA Xiao, YANG Lei, et al. Multi-Layer perceptron pattern recognition of handwriting ink based on PLS-DA Raman spectral feature extraction[J]. Laser & Optoelectronics Progress, 2021, 58(1): 329-335. (in Chinese with English abstract)

[17] 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.

[18] 王耀民，陳皓銳，陳俊英，等. 光譜指數篩選方法與統計回歸算法結合的水稻估產模型對比[J]. 農業工程學報，2021，37(21)：208-216.

WANG Yaomin, CHEN Haorui, CHEN Junying, et al. Comparation of rice yield estimation model combining spectral index screening method and statistical regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 208-216. (in Chinese with English abstract)

[19] 亞森江·喀哈爾. 基于優化光譜指數的土壤鹽漬化水、鹽含量高光譜估算研究：以渭干河—庫車河三角綠洲為例[D]. 烏魯木齊：新疆大學，2019.

YASENJAN·KAHAR. Hyperspectral Estimation of Soil Salt and Moisture Content Based on Optimized Spectral Indices:A Case Study of Weigan-Kuqa River Delta Oasis[D]. Urumqi: Xinjiang University, 2019. (in Chinese with English abstract)

[20] WANG J, LI X. Comparison on quantitative inversion of characteristic ions in salinized soils with hyperspectral based on support vector regression and partial least squares regression[J]. European Journal of Remote Sensing, 2020, 53(1): 340-348.

[21] 勞聰聰. 基于高光譜遙感的鹽漬化土壤水鹽信息診斷模型研究[D]. 楊凌：西北農林科技大學，2021.

LAO Congcong. Water and Salt Information Diagnostic Model of Salinized Soil Based on Hyperspectral Remote Sensing[D]. Yangling: Northwest A&F University, 2021. (in Chinese with English abstract)

[22] 孫亞楠，李仙岳，史海濱，等. 河套灌區土壤水溶性鹽基離子高光譜綜合反演模型[J]. 農業機械學報，2019，50(5)：344-355.

SUN Ya’nan, LI Xianyue, SHI Haibin, et al. Hyperspectral integrated inverse model for water-soluble salt ions content in Hetao Irrigation District[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5): 344-355. (in Chinese with English abstract)

[23] 張俊華，賈萍萍，孫媛，等. 基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預測[J]. 農業工程學報，2019，35(12)：106-115.

ZHANG Junhua, JIA Pingping, SUN Yuan, et al. Prediction of salinity ion content in different soil layers based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 106-115. (in Chinese with English abstract)

[24] ZHANG Y, YANG J, HUANG Y, et al. Use of freeze-thaw purified saline water to leach and reclaim gypsum-amended saline-alkali soils[J]. Soil Science Society of America Journal, 2019, 83(5): 1333-1342.

[25] 鮑士旦. 土壤農化分析[M]. 第3版. 北京：中國農業出版社，2000.

[26] 洪永勝，于雷，耿雷，等. 應用DS算法消除室內幾何測試條件對土壤高光譜數據波動性的影響[J]. 華中師范大學學報：自然科學版，2016，50(2)：303-308.

HONG Yongsheng, YU Lei, GENG Lei, et al. Using Direct Standardization algorithm to eliminate the effect of laboratory geometric parameters on soil hyperspectral data fluctuate characteristic[J]. Journal of Central China Normal University: Natural Science, 2016, 50(2): 303-308. (in Chinese with English abstract)

[27] 王海峰，張智韜，Arnon Karnieli，等. 基于灰度關聯-嶺回歸的荒漠土壤有機質含量高光譜估算[J]. 農業工程學報，2018，34(14)：124-131.

WANG Haifeng, ZHANG Zhitao, ARNON Karnieli, et al. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 124-131. (in Chinese with English abstract)

[28] BARNES R J, DHANOA M S, LISTER S J. Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra[J]. Applied Spectroscopy, 1989, 43(5): 772-777.

[29] XIAO Z, LI Y, FENG H. Modeling soil cation concentration and sodium adsorption ratio using observed diffuse reflectance spectra[J]. Canadian Journal of Soil Science, 2016, 96(4): 372-385.

[30] OUSSAMA A, ELABADI F, PLATIKANOV S, et al. Detection of olive oil adulteration using FT-IR spectroscopy and PLS with variable importance of projection (VIP) scores[J]. Journal of the American Oil Chemists' Society, 2012, 89(10): 1807-1812.

[31] CHONG I, JUN C. Performance of some variable selection methods when multicollinearity is present[J]. Chemometrics and Intelligent Laboratory Systems, 2005, 78(1/2): 103-112.

[32] 張智韜，王海峰，Karnieli A，等. 基于嶺回歸的土壤含水率高光譜反演研究[J]. 農業機械學報，2018，49(5)：240-248.

ZHANG Zhitao, WANG Haifeng, KARNIELI A, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 240-248. (in Chinese with English abstract)

[33] HONG Y, CHEN S, ZHANG Y, et al. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy: Effects of two-dimensional correlation coefficient and extreme learning machine[J]. Science of The Total Environment, 2018, 644: 1232-1243.

[34] 王海峰. 基于高光譜遙感的土壤水鹽監測模型研究[D]. 楊凌：西北農林科技大學，2019.

WANG Haifeng. Hyperspectral Remote Sensing Based Models for Soil Moisture and Salinity Prediction[D]. Yangling: Northwest A&F University, 2019. (in Chinese with English abstract)

[35] ZHAO W, ZHOU C, ZHOU C, et al. Soil salinity inversion model of oasis in arid area based on UAV multispectral remote sensing[J]. Remote Sensing, 2022, 14(8): 1804.

[36] DING S, XU X, NIE R. Extreme learning machine and its applications[J]. Neural Computing and Applications, 2014, 25(3): 549-556.

[37] 郝可心，肖輝杰，辛智鳴，等. 河套灌區農田防護林網內土壤季節性凍融過程及水鹽運移[J]. 水土保持學報，2022，36(1)：231-237.

HAO Kexin, XIAO Huijie, XIN Zhiming, et al. The seasonal freezing and thawing process of the soil and the characteristics of water and salt transport in the farmland shelter forest net in the Hetao Irrigation District[J]. Journal of Soil and Water Conservation, 2022, 36(1): 231-237. (in Chinese with English abstract)

Hyperspectral inversion of water-soluble salt ion contents in frozen saline soil

HOU Chenyue, WANG Yong, LI Fan, YUAN Xinhao, YANG Xizhen, ZHANG Zhitao, CHEN Junying, LI Xianwen※

(1.712100; 2.712100)

Salinization in frozen soil has posed a serious threat to the emergence and growth of crops in the next growing period. It is of great importance for the accurate detection of the content and composition of soil salt during the freeze-thaw period. Fortunately, the spectral data can be used to monitor the soil salinity during the crop growing period, particularly for the soil under an unfrozen state. However, the monitoring models under the unfrozen state cannot suitable for the frozen soil, due to the variation in the soil reflectance during freezing. In this study, an inversion model was established for the soil water-soluble salt ions in the frozen state using hyperspectral technology. A systematic analysis was made to compare the accuracy of the model in the frozen and unfrozen states. The soil samples were first collected with different salinity gradients from the Jiefangzha Irrigation Area of Hetao Irrigation District in the Inner Mongolia of China. The contents of major water-soluble salt ions (i.e., HCO3-, Cl-, CO32-, SO42-, K+, Na+, Ca2+, and Mg2+) were then measured in the unfrozen soil. The hyperspectral reflectance of soil samples was also measured by the ASD FieldSpec 3 instrument. Secondly, the soil samples were then frozen at -15°C for 12h. After that, the above-mentioned hyperspectral reflectance and ion contents were measured once again after freezing. The raw spectral data was also processed using standard normal variable (SNV) for the subsequent model construction, in order to make the hyperspectral curves smoother. Thirdly, two-thirds of the soil samples were used for the modeling (= 78), while one-third for the validation (= 39). The concentration gradient method was utilized to ensure the statistical characteristics of the modeling and the validation sets resembled that of the whole sample set. At the same time, the sensitive spectral intervals of each water-soluble salt ion were selected using variable importance in projection (VIP). The hyperspectral inversion model was formulated for the major water-soluble salt ions content with the sensitive spectral bands using partial least squares regression (PLSR), support vector regression (SVR), and extreme learning machine (ELM). Finally, the performances of these models were evaluated by the determination coefficient of calibration sets (R2), determination coefficient of prediction sets (R2), root mean square error (RMSE), and residual predictive deviation (RPD). The results showed that the VIP hyperspectral monitoring model managed to invert the most content of the water-soluble salt ions in the frozen soil, but the inversion accuracy of different ions varied greatly. Among them, the prediction accuracies of Cl-and K+were extremely high with an RPD of above 2.5. There was a reasonably good prediction accuracy of SO42-, Ca2+, and Na+(2.0

soils; extreme learning machine; salinization; salt ions; freeze; hyperspectral; inversion model

10.11975/j.issn.1002-6819.202209132

S127; S153.6

A

1002-6819(2023)-01-0100-08

侯晨悅，王勇，李凡，等. 凍結狀態下鹽漬化土壤中水溶性鹽基離子含量高光譜反演[J]. 農業工程學報，2023，39(1)：100-107.doi：10.11975/j.issn.1002-6819.202209132 http://www.tcsae.org

HOU Chenyue, WANG Yong, LI Fan, et al. Hyperspectral inversion of water-soluble salt ion contents in frozen saline soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(1): 100-107. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202209132 http://www.tcsae.org

2022-09-16

2022-11-10

國家自然科學基金項目（52279049、52279047）

侯晨悅，研究方向為水資源可持續利用與保護。Email：houchenyue@nwafu.edu.cn

栗現文，博士，副教授，研究方向為干旱區土壤水鹽與農業地學。Email：lixianwen@nwafu.edu.cn