王丹陽，陳紅艷，王桂峰，叢津橋，王向鋒，魏學(xué)文

?

無人機多光譜反演黃河口重度鹽漬土鹽分的研究

王丹陽1，陳紅艷1，王桂峰2，叢津橋3，王向鋒4，魏學(xué)文2

（1土肥資源高效利用國家工程實驗室/山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東泰安 271018；2山東省棉花生產(chǎn)技術(shù)指導(dǎo)站，濟南 250000；3泰山區(qū)自然資源局，山東泰安 271000；4墾利區(qū)國土資源局，山東東營 27500）

【目的】為提高土壤鹽分信息定量遙感提取精度，準(zhǔn)確掌握土壤鹽漬化程度與分布?！痉椒ā窟x擇墾利區(qū)黃河口鎮(zhèn)集中連片的重度鹽漬土區(qū)域為試驗區(qū)，于2018年4月26日—28日采用搭載Sequoia多光譜相機的無人機進行試驗區(qū)近地遙感圖像采集，并進行圖像拼接、輻射校正、正射校正和幾何校正等預(yù)處理；然后基于相關(guān)性分析、灰色關(guān)聯(lián)度分析篩選土壤鹽分的敏感波段，構(gòu)建并篩選光譜參量；進而分別采用多元線性回歸（multivariable linear regression，MLR）、支持向量機（support vector machine，SVM）及偏最小二乘（partial least square，PLS）方法構(gòu)建土壤鹽分定量反演模型，并進行驗證與評價；最后基于最佳模型進行試驗區(qū)土壤鹽分的分布反演與分析，并與反距離加權(quán)插值結(jié)果進行精度比較?！窘Y(jié)果】相較相關(guān)性分析，通過灰色關(guān)聯(lián)度分析的反演模型精度及顯著性均有所提高；對比3種建模方法，SVM模型精度最高，PLS模型次之，MLR模型最低，最佳模型為基于灰色關(guān)聯(lián)度分析篩選變量的支持向量機模型，其建模R、分別為0.820、3.626，驗證R、RPD分別為0.773、4.960、2.200；據(jù)此模型反演得到該區(qū)域土壤鹽分含量為0.323—21.210 g·kg-1，平均值為6.871 g·kg-1，重度鹽漬土占58.094%，與實地調(diào)查結(jié)果較為一致；反演結(jié)果與反距離加權(quán)插值結(jié)果的誤差80%控制在樣本鹽分含量平均值的20%以內(nèi)，亦較為相近?！窘Y(jié)論】基于無人機多光譜可實現(xiàn)重度鹽漬土鹽分信息的準(zhǔn)確提取。

無人機；多光譜；鹽漬土；灰色關(guān)聯(lián)度；黃河口

0 引言

【研究意義】隨著全球氣候的變化以及人類活動的干擾，土壤鹽漬化仍是全球性最為常見和影響最為廣泛的土地退化現(xiàn)象之一[1-2]。據(jù)估計，鹽漬土占全球整個陸地面積的7.263%，嚴重影響著當(dāng)?shù)厣鷳B(tài)、經(jīng)濟的可持續(xù)發(fā)展[3]。因此，對鹽漬土實施定量、準(zhǔn)確監(jiān)測，對其治理及生態(tài)農(nóng)業(yè)建設(shè)具有重要意義。【前人研究進展】遙感尤其是高光譜的出現(xiàn)為鹽漬土的定量、快速分析提供了一種科學(xué)有效的方法。許多學(xué)者開展了基于地面高光譜進行土壤鹽分定量分析的研究，取得了一系列較為理想的研究成果，表明了土壤鹽分定量光譜分析的可行性，為土壤鹽分定量反演奠定了基礎(chǔ)[4-11]。但由于地面光譜數(shù)據(jù)獲得的是點狀信息，難以實現(xiàn)大面積區(qū)域性土壤鹽分含量的及時監(jiān)測，因此越來越多的學(xué)者利用衛(wèi)星遙感數(shù)據(jù)對土壤鹽分信息進行定量反演，基于不同平臺的衛(wèi)星遙感數(shù)據(jù)源建立了土壤鹽分反演模型，在一定程度上實現(xiàn)了土壤鹽分的區(qū)域定量反演[12-20]。但由于衛(wèi)星影像受時相、天氣等因素影響，數(shù)據(jù)分辨率以及成像質(zhì)量往往不能夠滿足地區(qū)鹽漬土信息準(zhǔn)確分析的要求，而且衛(wèi)星影像的尺度較大、精度較低，尺度內(nèi)利用同一個反演模型無法滿足不同鹽漬化程度的精確監(jiān)測[21]。同時，無人機技術(shù)因其成本低、飛行高度可控、不易受天氣和地形等環(huán)境因素影響等優(yōu)點已開始被國內(nèi)外學(xué)者應(yīng)用于農(nóng)業(yè)科技中，學(xué)者們嘗試利用無人機攜帶光譜儀采集近地圖像，獲取小區(qū)域高精度遙感圖像，進而準(zhǔn)確分析地面監(jiān)測指標(biāo)。如Hassanesfahani等[22]利用無人機獲取可見光、近紅外等圖像，構(gòu)建了表層土壤濕度的人工神經(jīng)網(wǎng)絡(luò)模型，相關(guān)系數(shù)可達0.88；王海峰等[23]利用無人機搭載多光譜相機獲取土壤水分反射率，建立了不同深度土壤水分的一元回歸模型，擬合度均在0.81以上；陳碩博[24]等利用無人機搭載六波段多光譜相機獲取小麥冠層反射率，利用其光譜差值反射率與不同深度的土壤差值含水率建立了回歸模型，證明了該方法可大面積快速獲取田間土壤水分。【本研究切入點】目前無人機技術(shù)已較廣泛地應(yīng)用于土壤水分的定量準(zhǔn)確遙感分析中[25-29]，但應(yīng)用于鹽漬土信息提取的研究較為薄弱，基于無人機多光譜的土壤鹽分特征光譜有待探明，土壤鹽分的無人機多光譜定量反演模型和技術(shù)路線有待分析研究?！緮M解決的關(guān)鍵問題】為探明基于無人機多光譜的土壤鹽分特征光譜及定量反演模型、技術(shù)路線，本文針對重度鹽漬土，嘗試利用無人機多光譜圖像，分別采用相關(guān)性分析、灰色關(guān)聯(lián)度分析探明土壤鹽分的特征光譜信息，運用多元線性回歸（multivariable linear regression，MLR）、支持向量機（support vector machine，SVM）及偏最小二乘（partial least square，PLS）方法構(gòu)建土壤鹽分反演模型，并進行評價、優(yōu)選，進而實現(xiàn)小區(qū)域土壤鹽分定量反演，一方面可為土壤定量、準(zhǔn)確遙感反演奠定基礎(chǔ)，另一方面可為鹽漬土治理利用提供數(shù)據(jù)支持。

1 材料與方法

1.1 試驗區(qū)概況

本文以東營市墾利區(qū)黃河口鎮(zhèn)為試驗區(qū)域。黃河口鎮(zhèn)位于山東省東營市墾利區(qū)中部，毗鄰黃河口生態(tài)旅游區(qū)，是黃河的入?？?，因“黃河之水天上來，奔流到海不復(fù)回”而得名。土壤鹽漬化程度較高且土壤季節(jié)性返鹽與積鹽現(xiàn)象較為嚴重，為中重度鹽漬土典型區(qū)域。根據(jù)黃河口鎮(zhèn)土壤類型圖、土地利用現(xiàn)狀圖、土壤鹽漬化情況以及無人機實際飛行條件，選擇黃河口鎮(zhèn)西宋村中心幼兒園以南的重度鹽漬土區(qū)域為試驗區(qū)。試驗區(qū)位于東經(jīng)118°40′50"—118°50′00"，北緯37°39′29"—37°39′40"，面積約為24.675 hm2，地形平坦，砂壤土且土質(zhì)松軟，鹽漬化程度較為嚴重（圖1）。

圖1 黃河口鎮(zhèn)及試驗區(qū)空間位置示意圖

1.2 數(shù)據(jù)獲取及預(yù)處理

1.2.1 野外實測鹽分數(shù)據(jù) 因試驗區(qū)春季氣候溫暖干旱，降水量同比較少，土壤水分蒸發(fā)較快，地表積鹽現(xiàn)象嚴重，是鹽漬土和植被覆蓋特征較為明顯的關(guān)鍵時期，亦是提取土壤鹽分信息的最適時相，因此本研究于2018年4月26日—28日進行野外實地采樣。

采樣時試驗區(qū)為成片裸地區(qū)域，地表無植被覆蓋，均勻布設(shè)采樣點85個，校正控制點22個，采用EC110便攜式鹽分計（儀器在使用前已經(jīng)對電導(dǎo)率進行了溫度校正）測定10 cm土壤表層的鹽分值，并通過手持GPS定位儀測定各個采樣點的實地坐標(biāo)，同時記錄方位、地形等環(huán)境因素信息。

1.2.2 無人機遙感圖像獲取及預(yù)處理 采樣時試驗區(qū)天氣晴朗，光照條件充足均勻，天空狀態(tài)均一。利用大疆Matrice 600 Pro?六旋翼無人機（中國深圳市大疆創(chuàng)新科技有限公司生產(chǎn)，飛行載重為6 kg，無風(fēng)環(huán)境下最大飛行水平飛行速度為65 km·h-1）搭載Parrot Sequoia 農(nóng)業(yè)專用多光譜相機（含有4個120萬像素窄帶和同步化單色傳感器）獲取試驗區(qū)無人機多光譜遙感圖像。相機傳感器含有綠光（波長550 nm，帶寬40 nm）、紅光（波長660 nm，帶寬40 nm）、紅邊光（波長735 nm，帶寬10 nm）和近紅外光（波長790 nm，帶寬40 nm）4個波段。起飛前設(shè)定飛行高度50 m，空間分辨率為2.2 cm，對傳感器進行航線設(shè)定（圖2），并采集白板數(shù)據(jù)用于后期的輻射校正。然后利用Pix4D mapper軟件完成圖像拼接、輻射校正及正射校正，在ENVI軟件中通過地面控制點數(shù)據(jù)進行幾何校正及地理配準(zhǔn)，得到假彩色合成波段圖像（圖3）。

1.3 土壤鹽分敏感波段和光譜參量的篩選

將野外實測的采樣點按其GPS經(jīng)緯度信息導(dǎo)入試驗區(qū)的假彩色合成波段圖像，確定其相應(yīng)像元，并提取該像元的各波段反射率值。分別將采樣點土壤鹽分實測值與圖像各波段反射率進行相關(guān)性分析、灰色關(guān)聯(lián)度分析，篩選土壤鹽分的敏感波段?；疑P(guān)聯(lián)度可以將多種因素視為一個灰色系統(tǒng)，利用關(guān)聯(lián)度辨別系統(tǒng)中各個因素的主次關(guān)系。因素的關(guān)聯(lián)度越大，二者的相似程度越高，進而進行多波段數(shù)學(xué)運算組合如紅光+近紅、紅光×綠光等，構(gòu)建了33個光譜指數(shù)，再利用相關(guān)性分析、灰色關(guān)聯(lián)度分析優(yōu)選光譜參量。

圖2 無人機飛行航線圖

圖3 試驗區(qū)假彩色合成波段圖像和樣點分布圖

1.4 土壤鹽分反演模型的構(gòu)建與驗證

將85個樣本隨機分為2組，其中60個用于建模，25個用于驗證。

1.4.1 模型構(gòu)建 基于建模樣本的土壤鹽分含量及優(yōu)選出的光譜參量，分別采用多元線性回歸（multivariable linear regression, MLR）、支持向量機（support vector machine, SVM）以及偏最小二乘法（partial least square, PLS）構(gòu)建土壤鹽分反演模型。

運用SPSS 22軟件建立土壤鹽分的多元線性回歸方程。利用光譜參量的共線性、方差膨脹因子以及特征根系統(tǒng)綜合度量參量之間的多重共線性，將存在共線性的指標(biāo)剔除，然后再進行回歸分析，得到多元線性回歸方程[30]。

支持向量機是以核函數(shù)為構(gòu)成模塊，隱式地將數(shù)據(jù)映射到高維空間。本文設(shè)定SVM類型為4（即v-SVR），核函數(shù)類型為2（即RBF），采用訓(xùn)練集交叉驗證和網(wǎng)格搜索法（grid search）進行參數(shù)尋優(yōu)，依據(jù)均方差最小原則確定懲罰參數(shù)C和核參量g的值；相關(guān)計算采用Matlab R2014a軟件的libsvm 3.11 工具箱實現(xiàn)[31]。

偏最小二乘法是最常用的一種光譜建模方法，相當(dāng)于主成分分析、多元線性回歸以及典型相關(guān)分析的組合[32]，可在一定程度上有效地消除參量之間的多重共線性。采用Matlab R2014a軟件相應(yīng)的計算機程序?qū)崿F(xiàn)。

1.4.2 模型驗證 利用25個驗證樣本數(shù)據(jù)對所建模型進行驗證與評價，參數(shù)如下：建模精度采用建模集的預(yù)測值和實際值的決定系數(shù)（R）和均方根誤差（root mean squares error，）進行評價；預(yù)測精度采用驗證集R、和相對分析誤差（the ratio of prediction to deviation，RPD）來評價。當(dāng)RPD≥2.0時，表明構(gòu)建的模型預(yù)測結(jié)果較好，模型可用于土壤鹽分含量的反演預(yù)測[33]。通過模型精度對比，選定最佳模型用于土壤鹽分含量的空間分布反演。

1.5 土壤含鹽量的空間分布反演與精度分析

基于最佳模型和試驗區(qū)預(yù)處理后的遙感圖像，進行土壤鹽分的空間分布反演，并根據(jù)中國半濕潤區(qū)土壤可溶鹽類以氯化物為主的濱海鹽漬土分級標(biāo)準(zhǔn)[31]進行鹽漬土分級，得到試驗區(qū)土壤鹽分反演圖。同時，將樣點土壤鹽分含量利用反距離加權(quán)法進行插值分析，得到試驗區(qū)土壤鹽分插值圖，與反演圖進行對比，評價基于無人機多光譜遙感的土壤鹽分反演精度。

2 結(jié)果

2.1 土壤樣本的描述性統(tǒng)計特征

全部85個樣本土壤鹽分介于0.243—23.400 g·kg-1，平均值為7.136 g·kg-1，標(biāo)準(zhǔn)差為5.105 g·kg-1；60個建模集土壤鹽分為0.243—23.400 g·kg-1，平均值為7.028 g·kg-1，標(biāo)準(zhǔn)差為5.013 g·kg-1；25個驗證集土壤鹽分為0.256—23.100 g·kg-1，平均值為7.395 g·kg-1，標(biāo)準(zhǔn)差為5.216 g·kg-1?？梢姡＜万炞C集均保持與全部樣本集相似的統(tǒng)計分布，在確保樣本具有代表性的同時，可避免在模型構(gòu)建和驗證中的偏差估計。

2.2 土壤鹽分的敏感波段及光譜參量

樣本土壤鹽分與波段反射率的相關(guān)性、灰色關(guān)聯(lián)度分析結(jié)果見表1，可見2種分析方法中，4個波段的敏感程度略有不同，基于相關(guān)性分析選擇的敏感波段為紅光、綠光以及紅邊波段，基于灰色關(guān)聯(lián)度分析選擇的敏感波段為紅光、綠光及近紅波段。綜合可見，紅光和綠光波段可作為土壤鹽分的敏感波段。

表1 敏感波段分析

*為在 0.05 水平上顯著相關(guān)，**為在 0.01 水平上極顯著相關(guān)。下同

* means the correlation is significant at 0.05 level, ** means the correlation is significant at 0.01 level,. The same as below

表2 光譜指數(shù)分析

2.3 土壤鹽分定量反演模型

基于建模樣本，以選取的光譜參量為自變量，土壤鹽分為因變量，分別采用多元線性回歸、支持向量機、偏最小二乘法構(gòu)建土壤鹽分定量反演模型（表3）。

相較于相關(guān)性分析，灰色關(guān)聯(lián)度選取光譜參量構(gòu)建的模型精度均有所提高，其中建模集R提高0.011—0.090，降低0.868—1.737，驗證集R提高0.009—0.123，降低0.010—0.610，RPD提高0.120—0.340（表3）。結(jié)果表明通過灰色關(guān)聯(lián)度篩選光譜參量可在一定程度上提高土壤鹽分反演模型的精度。

對比3種建模方法，SVM模型精度最高，PLS模型次之，MLR模型最低。其中，基于灰色關(guān)聯(lián)度光譜參量的SVM模型建模R達到0.820，驗證R為0.773，RPD達到2.210，通過對比，確定該模型為土壤鹽分反演的最佳模型。

圖4是最佳模型的建模、驗證精度，可見預(yù)測值與實測值之間呈現(xiàn)良好的線性關(guān)系，大部分樣本較好地分布在1：1線的兩側(cè)，表明該模型精度較高且較為穩(wěn)定。

2.4 土壤鹽分空間分布反演

基于最佳模型，進行試驗區(qū)土壤鹽分反演（圖5）?？梢娫囼瀰^(qū)土壤含鹽量反演值介于0.323—21.210 g·kg-1，平均值為6.871 g·kg-1，與研究樣本的描述性統(tǒng)計結(jié)果較為接近。根據(jù)濱海鹽漬土分級標(biāo)準(zhǔn)，將試驗區(qū)土壤分為5級，并進行面積統(tǒng)計（表4）?？梢?，試驗區(qū)中、重度鹽漬土達到83.567%，其中重度鹽漬土達到58.094%，較為普遍地分布在整個區(qū)域，中部和東部更為集中連片；非鹽土和輕度鹽漬土只占總面積的12.511%，主要分布在區(qū)域西南部的小片區(qū)域。結(jié)果表明該區(qū)土壤鹽漬化十分普遍且較為嚴重，整體屬于重度鹽漬土區(qū)，與實際情況一致。

2.5 土壤鹽分空間分布反演精度分析

基于反距離加權(quán)法進行土壤鹽分插值分析（圖6、表4），得到該區(qū)土壤鹽分含量位于0.243—23.400 g·kg-1，平均值為7.136 g·kg-1。中、重度鹽漬土占總面積的75.122%，而非鹽漬土只占2.476%，而且在空間分布上也表現(xiàn)出西南部鹽分較低、中東部鹽分較高的趨勢?？梢姴逯捣治鼋Y(jié)果與最佳反演模型和樣點統(tǒng)計結(jié)果皆較為相近。

圖4 最佳模型散點圖

表3 土壤鹽分反演模型

表4 試驗區(qū)土壤鹽分等級及其比例

圖5 土壤鹽分含量反演圖

圖6 基于反距離加權(quán)的土壤鹽分插值圖

為進一步對比反演結(jié)果的差異程度，將2種分布圖的土壤鹽分含量進行像元相減（插值圖-反演圖）運算，獲得土壤鹽分含量差值空間分布圖（圖7）?？梢钥闯?，地統(tǒng)計結(jié)果和反演結(jié)果的差異介于-4.850—6.360；為進一步比對反演得到的土壤鹽分含量空間分布的正確性，將各像元的差值進行統(tǒng)計分析，以實測樣點土壤鹽分含量平均值7.160 g·kg-1的10%（±0.716）、20%（±1.432）和30%（±2.184）作為差異等級水平，分別統(tǒng)計各自范圍內(nèi)的像元數(shù)量及其所占比例。像元反演差值在允許誤差10%以內(nèi)的占76.75%，在20%以內(nèi)的占88.04%，表明該反演結(jié)果與插值結(jié)果的誤差大多控制在20%以內(nèi)，結(jié)果較為相似?？梢姡鲜鲎罴涯Ｐ涂蓱?yīng)用于該地區(qū)土壤鹽分分布反演。

圖7 插值結(jié)果與反演結(jié)果的差值

3 討論

2種光譜篩選分析方法結(jié)果均表明可見光、近紅外波段與土壤鹽分具有良好的關(guān)系。黃河三角洲區(qū)域主要礦物組成為巖鹽、石膏，鹽分組成以鈉型鹽氯化物為主，主要陰離子為Cl-和SO42-，主要陽離子為Na+、Ca2+[34-35]。前人研究指出雖然NaCl在可見光-近紅外波段沒有光譜特征，但NaCl與石膏存在相關(guān)性，石膏因在可見光-近紅外波段具有吸收特性可間接顯示土壤鹽分的光譜信息[36-37]；徐偉杰[38]的研究表明石膏在近紅外波段出現(xiàn)分子振動吸收光譜特征，且可見光-近紅外能夠獲取SO42-的光譜信息。因此，前人研究表明可利用可見光-近紅外波段提取裸土遙感數(shù)據(jù)的光譜信息進行土壤鹽分預(yù)測。而且，現(xiàn)有多位學(xué)者的研究表明，鹽堿化土壤在可見光和近紅外波段較非鹽堿化土壤有更強的反射率[19,38-40]，且重鈉質(zhì)鹽漬土壤的光譜反射率比一般重鹽漬土的反射率高[9,40-41]，如陳文嬌[41]提出鹽漬土在447、498、671nm附近均存在不同深度的吸收峰，與本文結(jié)論較為一致。

比較2種不同的分析方法，基于相關(guān)性分析的敏感波段為紅光、綠光以及紅邊波段，基于灰色關(guān)聯(lián)度分析的敏感波段為紅光、綠光及近紅波段。這2種方法基于不同的系統(tǒng)理論，灰色關(guān)聯(lián)度根據(jù)序列曲線幾何形狀的相似程度判斷關(guān)聯(lián)度，在變化趨勢上理清各波段對土壤鹽分的主次關(guān)系并排序[42]；而相關(guān)分析僅依賴客觀數(shù)據(jù)分析單一波段與土壤鹽分的相關(guān)性。因此，灰色關(guān)聯(lián)度分析的結(jié)果更為可靠。這也與前面所述可見-近紅外光譜用來提取土壤鹽漬化信息的內(nèi)在機理是一致的。

本研究以墾利區(qū)黃河口鎮(zhèn)重度鹽漬土為例，以無人機多光譜遙感圖像為主要數(shù)據(jù)源，利用相關(guān)性分析和灰色關(guān)聯(lián)度分析篩選光譜參量，分別構(gòu)建MLR、SVM和PLS模型，通過最佳模型進行空間分布反演，得到的結(jié)果與實地采樣和地統(tǒng)計插值分析結(jié)果較為一致，表明無人機多光譜可實現(xiàn)重度鹽漬土鹽分信息的準(zhǔn)確提取，但對于中、輕度鹽漬土是否會有相同的結(jié)果需要進一步研究探索，也是下一步的工作方向。

基于地面高光譜的土壤鹽分定量估測是遙感反演的基礎(chǔ)，而基于無人機近地遙感的土壤鹽分反演是由地面高光譜定量分析到衛(wèi)星遙感反演的橋梁?，F(xiàn)有普遍高光譜鹽分監(jiān)測的研究已表明，可見光-近紅外波段光譜用于分析土壤鹽分的可行性，本研究初步嘗試了基于無人機多光譜的重度鹽漬土鹽分定量反演，但鹽漬土的光譜響應(yīng)特征又與土壤水分以及地理環(huán)境因素都存在相關(guān)關(guān)系，且土壤水分是土壤鹽分定量遙感分析的主要影響因素之一。因此，下一步將結(jié)合地面高光譜、無人機多光譜/高光譜數(shù)據(jù)，探討機地光譜融合及土壤水分因素的影響去除，以提高無人機反演土壤鹽分精度。

4 結(jié)論

（2）相對于相關(guān)性分析，基于灰色關(guān)聯(lián)度分析的模型建模R提高了0.011—0.090，降低0.868—1.737，驗證R提高了0.009—0.123，降低了0.010—0.610，RPD提高0.120—0.340，通過灰色關(guān)聯(lián)度篩選光譜參量可在一定程度上提高土壤鹽分反演模型的精度。

（3）對比3種建模方法，支持向量機（SVM）建模精度最佳，偏最小二乘法（PLS）次之，多元線性回歸方程（MLR）最低；土壤鹽分定量反演的最佳模型為基于灰色關(guān)聯(lián)度篩選光譜參量的支持向量機模型，其建模集R、分別為0.820、3.626，驗證集的R、、RPD分別為0.773、4.960、2.200。

（4）據(jù)此模型反演得到該區(qū)土壤鹽分含量為0.323—21.210 g·kg-1，平均值為6.871 g·kg-1，重度鹽漬土占58.094%，與實地調(diào)查較為一致。反演結(jié)果與反距離加權(quán)插值結(jié)果的誤差80%控制在樣本鹽分含量平均值的20%以內(nèi)，亦較為相近。

因此，基于無人機多光譜，先采用灰色關(guān)聯(lián)度分析篩選光譜參量，進而采用支持向量機構(gòu)建反演模型可實現(xiàn)土壤鹽分信息的準(zhǔn)確提取。

[1] PARK S H, LEE B R, LEE J H. S nutrition alleviates salt stress by maintaining the assemblage of photosynthetic organelles in Kentucky bluegrass (L.)., 2016, 79(3): 367-375.

[2] 王輝, 高玉錄, 于夢, 杜遠鵬, 孫永江, 翟衡. 根灌乙酸及葡萄酒對海水脅迫下葡萄光抑制的影響. 中國農(nóng)業(yè)科學(xué), 2018, 51(21): 4210-4218.

WANG H, GAO Y L, YU M, DU Y P, SUN Y J, ZHAI H. Effect of root irrigation of acetic acid and wine on photoinhibition of grape under seawater stress., 2018, 51(21): 4210-4218. (in Chinese)

[3] WHITNEY K, SCUDIERO E, El-ASKARY H M, SKAGGS T H, ALLALI M, CORWIN D L. Validating the use of MODIS time series for salinity assessment over agricultural soils in California, USA., 2018, 93: 889-898.

[4] 王海江, 蔣天池, YUNGER J A, 李亞莉, 田甜, 王金剛. 基于支持向量機的土壤主要鹽分離子高光譜反演模型. 農(nóng)業(yè)機械學(xué)報, 2018, 49(5): 263-270.

WANG H J, JIANG T C, YUNGER J A, LI Y L, TIAN T, WANG J G. Hyperspectral inverse model for soil salt ions based on support vector machine., 2018, 49(5): 263-270. (in Chinese)

[5] SRIVASTAVA R, SETHI M, YADAV R K, BUNDELA D S, SINGH M, CHATTARAJ S, SINGH S K, NASRE R A, BISHNOI S R, DHALE S, MOHEKAR D S, BARTHWAL A K. Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected soil in the Indo-Gangetic plains of Haryana, India., 2017, 45(2): 307-315.

[6] WENG Y L, GONG P, ZHU Z L. Reflectance spectroscopy for the assessment of soil salt content in soils of the Yellow River Delta of China., 2008, 29(19): 5511-5531.

[7] 張東輝, 趙英俊, 秦凱, 趙寧博, 楊越超. 光譜變換方法對黑土養(yǎng)分含量高光譜遙感反演精度的影響. 農(nóng)業(yè)工程學(xué)報, 2018, 34(20): 141-147.

ZHANG D H, ZHAO Y J, QIN K, ZHAO N B, YANG Y C. Influence of spectral transformation methods on nutrient content inversion accuracy by hyperspectral remote sensing in black soil., 2018, 34(20): 141-147. (in Chinese)

[8] 朱赟, 申廣榮, 項巧巧, 吳裕. 基于不同光譜變換的土壤鹽含量光譜特征分析. 土壤通報, 2017, 48(3): 560-568.

ZHU Y, SHEN G R, XIANG Q Q, WU Y. Spectral characteristics of soil salinity based on different pre-processing methods., 2017, 48(3): 560-568. (in Chinese)

[9] XU C, ZENG W Z, HUANG J S, WU J W, LEEUWEN W J V. Prediction of soil moisture content and soil salt concentration from hyperspectral laboratory and field data., 2016, 8(1): 42-62.

[10] WIEGAND C L, EVERITT J H, RICHARDSON A J. Comparison of multispectral video and SPOT-1 HRV observations for cotton affected by soil salinity., 1992, 13(8): 1511-1525.

[11] 張賢龍, 張飛, 張海威, 李哲, 海清, 陳麗華. 基于光譜變換的高光譜指數(shù)土壤鹽分反演模型優(yōu)選. 農(nóng)業(yè)工程學(xué)報, 2018, 34(1): 110-117.

ZHANG X L, ZHANG F, ZHANG H W, LI Z, HAI Q, CHEN L H. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index., 2018, 34(1): 110-117. (in Chinese)

[12] SCUDIERO E, SKAGGS T H, CORWIN D L. Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance., 2015, 169: 335-343.

[13] 李晉, 趙庚星, 常春艷, 劉海騰. 基于HSI高光譜和TM圖像的土地鹽漬化信息提取方法. 光譜學(xué)與光譜分析, 2014, 34(2): 520-525.

LI J, ZHAO G X, CHANG C Y, LIU H T. Land salinization information extraction method based on HSI hyperspectral and TM imagery., 2014, 34(2): 520-525. (in Chinese)

[14] 魏陽, 丁建麗, 王飛. 基于Landsat OLI的綠洲灌區(qū)土壤鹽度最優(yōu)預(yù)測尺度分析. 中國農(nóng)業(yè)科學(xué), 2017, 50(15): 2969-2982.

WEI Y, DING J L, WANG F. Optimal scale analysis of soil salinity prediction in oasis irrigated area of arid land based on Landsat OLI., 2017, 50(15): 2969-2982. (in Chinese)

[15] SIDIKE A, ZHAO S H, WEN Y M. Estimating soil salinity in Pingluo county of China using QuickBird data and soil reflectance spectra.2014, 26: 156-175.

[16] NAWAR S, BUDDENBAUM H, HILL J. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: a case study from Egypt., 2015, 8(7): 5127-5140.

[17] SCUDIERO E, CORWIN D L, MORARI F, ANDERSON R G, SKAGGS T H. Spatial interpolation quality assessment for soil sensor transect datasets., 2016, 123: 74-79.

[18] 扶卿華, 倪紹祥, 王世新, 周藝. 土壤鹽分含量的遙感反演研究. 農(nóng)業(yè)工程學(xué)報, 2007, 23(1): 48-54.

FU Q H, NI S X, WANG S X, ZHOU Y. Retrieval of soil salt content based on remote sensing., 2007, 23(1): 48-54. (in Chinese)

[19] 梁靜, 丁建麗, 王敬哲, 王飛. 基于反射光譜與Landsat 8 OLI多光譜數(shù)據(jù)的艾比湖濕地土壤鹽分估算. 土壤學(xué)報, 2018, 56(2): 1-12.

LIANG J, DING J L, WANG J Z, WANG F. Quantitative estimation and mapping of soil salinity in the Ebinur Lake wetland based on Vis-NIR reflectance and Landsat 8 OLI data., 2019, 56(2): 1-12. (in Chinese)

[20] AMANI M, SALEHI B, MAHDAVIS. Temperature-vegetation-soil moisture dryness index(TVMDI)., 2017, 197: 1-14.

[21] 汪小欽, 王苗苗, 王紹強, 吳云東. 基于可見光波段無人機遙感的植被信息提取. 農(nóng)業(yè)工程學(xué)報, 2015, 31(5): 152-159.

WANG X Q, WANG M M, WANG S Q, WU Y D. Extraction of vegetation information from visible unmanned aerial vehicle images., 2015, 31(5): 152-159. (in Chinese)

[22] HASSANESFAHANI L, TORRESTUA A, JENSEN A. Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks., 2015, 7(3): 2627-2646.

[23] 王海峰, 張智韜, 付秋萍, 陳碩博, 邊江, 崔婷. 低空無人機多光譜遙感數(shù)據(jù)的土壤含水率反演. 節(jié)水灌溉, 2018, 43(1): 90-94, 102.

WANG H F, ZHANG Z T, FU Q P, CHEN S B, BIAN J, CUI T. Inversion of soil moisture content based on multispectral remote sensing data of low-altitude UAV., 2018, 43(1): 90-94, 102. (in Chinese)

[24] 陳碩博, 陳俊英, 張智韜, 邊江, 王禹楓, 石樹蘭. 無人機多光譜遙感反演抽穗期冬小麥土壤含水率研究. 節(jié)水灌溉, 2018, 43(5): 39-43.

CHEN S B, CHEN J Y, ZHANG Z T, BIAN J, WANG Y F, SHI S L. Retrieving soil water content of winter wheat during heading period by multi-spectral remote sensing of Unmanned Aerial Vehicle (UAV)., 2018, 43(5): 39-43. (in Chinese)

[25] AASEN H, GNYP M L, MIAO Y X, BARETH G. Automated hyperspectral vegetation index retrieval from multiple correlation matrices with HyperCor., 2014, 80(8): 785-795.

[26] MORELLOS A,PANTAZI X E, MOSHOU D, ALEXANDRIDIS T, WHETTON R,TZIOTZIOS G,WIEBENSOHN J,BILL R,ABDUL M. Machine learning based prediction of soil total nitrogen, organic carbon and moisture content by using VIS-NIR spectroscopy., 2016, 152(12): 104-116.

[27] HOFFMANN H, JENSEN R, THOMSEN A, NLETO H, RASMUSSEN J, FRIBORG T. Crop water stress maps for entire growing seasons from visible and thermal UAV imagery., 2016, 13(24): 6545- 6563．

[28] ROSA O C, BAUP F, FABRE S, FIEUZAL R, BRIOTTE X. Improvement of soil moisture retrieval from hyperspectral VNIR- SWIR data using clay content information: from laboratory to field experiments., 2015, 7(3): 3184-3205.

[29] JIN X L, DU J, LIU H J, WANG Z M, SONG K S. Remote estimation of soil organic matter content in the Sanjiang plain, Northest China: the optimal band algorithm versus the GRA-ANN model., 2016, 218(12): 250-260．

[30] 張宗玲, 韓增德, 劉立晶, 李曉棟, 郝付平, 董哲. 玉米穗莖兼收割臺夾持輸送裝置參數(shù)優(yōu)化. 農(nóng)業(yè)機械學(xué)報, 2018, 49(3): 114-121.

ZHANG Z L, HAN Z D, LIU L J, LI X D, HAO F P, DONG Z. Parameters optimization for gripping and delivering device of corn harvester for reaping both corn stalk and spike., 2018, 49(3): 114-121. (in Chinese)

[31] 陳紅艷, 趙庚星, 陳敬春, 王瑞燕, 高明秀. 基于改進植被指數(shù)的黃河口區(qū)鹽漬土鹽分遙感反演. 農(nóng)業(yè)工程學(xué)報, 2015, 31(5): 107-114.

CHEN H Y, ZHAO G X, CHEN J C, WANG R Y, GAO M X. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River., 2015, 31(5): 107-114. (in Chinese)

[32] 李鑫星, 朱晨光, 周婧, 孫龍清, 曹霞敏, 張小栓. 光譜技術(shù)在水產(chǎn)養(yǎng)殖水質(zhì)監(jiān)測中的應(yīng)用進展及趨勢. 農(nóng)業(yè)工程學(xué)報, 2018, 34(19): 184-194.

LI X X, ZHU C G, ZHOU J, SUN L Q, CAO X M, ZHANG X S. Review and trend of water quality detection in aquaculture by spectroscopy technique., 2018, 34(19): 184-194. (in Chinese)

[33] Urselmans T T, SCHMIDT H, JOERGENSEN R G, LUDWIG B. Usefulness of near-infrared spectroscopy to determine biological and chemical soil properties: Importance of sample pre-treatment., 2008, 40(5): 1178-1188.

[34] 翁永玲, 宮鵬. 黃河三角洲鹽漬土鹽分特征研究. 南京大學(xué)學(xué)報(自然科學(xué)版), 2006, 42(6): 602-610.

WENG Y L, GONG P. Soil salinity measurements on the Yellow River Delta.2006, 42(6): 602-610. (in Chinese)

[35] 安樂生, 趙全升, 葉思源, 劉貫群, 丁喜桂. 黃河三角洲地下水關(guān)鍵水鹽因子及其植被效應(yīng). 水科學(xué)展, 2011, 22(5): 689-695.

AN L S, ZHAO Q S, YE S Y, LIU G Q, DING X G. Water-salt interactions factors and vegetation effects in the groundwater ecosystem in Yellow River Delta.2011, 22(5): 689-695. (in Chinese)

[36] Ben-Dor E, GOLDSHLEGER N, ESHEL M, NIRABLIS V, BASON U. Combined active and passive remote sensing methods for assessing soil salinity.2008(10): 235-255.

[37] GOLDSHLEGERN, BEN-DOR E, LUGASSI R, ESHEL G. Soil degra-dation monitoring by remote sensing: Examples with three degradation processes., 2010, 74(5): 1433-1445.

[38] 徐偉杰. 火星表面模擬礦物和鹵水的光譜鑒別研究[D]. 威海：山東大學(xué), 2018.

XU W J. Spectral discriminant analysis of martian simulated minerals and brines[D]. Weihai: Shandong University, 2018. (in Chinese)

[39] FAN X W, LIU Y B, TAO J M, WENG Y L. Soil salinity retrieval from advanced multi-spectral sensor with partial least square regression., 2015, 7(1): 488-511．

[40] 翁永玲, 宮鵬. 土壤鹽漬化遙感應(yīng)用研究進展. 地理科學(xué), 2006, 26(3): 369-375.

WENG Y L, GONG P. A review on remote sensing technique for salt-affected soils.2006, 26(3): 369-375. (in Chinese)

[41] 陳文嬌. 基于多源數(shù)據(jù)光譜轉(zhuǎn)換的土壤鹽分反演與動態(tài)分析[D]. 南京: 東南大學(xué), 2018.

CHEN W J. Soil salinity retrieval and dynamic analysis based on spectral intercalibration of multi-sensor data[D]. Nanjing: Southeast University, 2018. (in Chinese)

[42] 周鵬, 楊瑋, 李民贊, 鄭立華, 陳玉青. 基于灰度關(guān)聯(lián)-極限學(xué)習(xí)機的土壤全氮預(yù)測. 農(nóng)業(yè)機械學(xué)報, 2017, 48(S1): 271-276.

ZHOU P, YANG W, LI M Z, ZHENG L H, CHEN Y Q. Soil total nitrogen content prediction based on gray correlation-extreme learning machine., 2017, 48(S1): 271-276. (in Chinese)

（責(zé)任編輯 楊鑫浩）

Salinity Inversion of Severe Saline Soil in the Yellow River Estuary Based on UAV Multi-spectra

WANG DanYang1, CHEN HongYan1, WANG GuiFeng2, CONG JinQiao3, WANG XiangFeng4, WEI XueWen2

(1National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources/College of Resources and Environment, Shandong Agricultural University, Taian 271018, Shangdong;2Shandong Cotton Production Technical Guidance Station, Jinan 250000;3Taishan Natural Resources Bureau, Taian 271000, Shangdong;4Kenli Land and Resources Bureau, Dongyin 27500, Shangdong)

【Objective】The purpose of this paper was to improve the extraction accuracy of soil salinity information based on remote sensing and understand accurately the degree and distribution of soil salinization. 【Method】Firstly, the severe and concentrated saline soil area of Huanghekou town, Kenli district, was selected as the experimental area, and the unmanned aerial vehicle (UAV) equipped with Sequoia multispectral camera was adopted to acquire the near earth remote sensing image from April 26th to 28th, 2018, then the image preprocessing, including image splicing, radiation correction, orthorectification and geometric correction, was performed. Secondly, the sensitive bands of soil salinity were screened by correlation analysis and grey correlation analysis, respectively, and the spectral parameters were constructed and screened. Thirdly, the soil salinity quantitative analysis models were built by multivariate linear regression (MLR), support vector machine (SVM) and partial least square (PLS) method, then the models’ accuracy was evaluated and the best one was selected. Finally, the best model was applied to the inversion and analysis of soil salinity distribution in the experimental area, and the inversion accuracy was compared with the interpolation result by inverse distance weighting (IDW) method. 【Result】The results showed that the accuracy and significance of the estimation model based on gray correlation analysis were improved by compared with the correlation analysis; compared the three modeling methods, the prediction ability of the SVM was the best, followed by the PLS, the MLR models’ precision was the lowest, with the calibrationRandof 0.820 and 3.626, the validationR,and RPD of 0.773, 4.960 and 2.200, and the SVM model of soil salinity based on screened variables by grey correlation analysis was selected the best one; based on the best model, the soil salinity content in this region was between 0.323 and 21.210 g·kg-1with the average of 6.871 g·kg-1and the severe salinity accounted for 58.094%, which was consistent with the result of the field investigation; the 80% of the error between the inversion result and the interpolation result by the IDW method was controlled within 20% of the sample salt content average, which showed that the two kind of result were similar. 【Conclusion】It could be concluded that the accurate extraction of severe soil salinity information could be achieved on the UAV multi-spectra.

unmanned aerial vehicle; multi-spectra; saline soil; grey correlation; yellow river estuary

10.3864/j.issn.0578-1752.2019.10.004

2018-12-28；

2019-03-05

國家自然科學(xué)基金（41877003，41671346）、山東省自然科學(xué)基金（ZR2019MD039）、山東省重點研發(fā)計劃（2017CXGC0306）、“十二五”國家科技支撐計劃（2015BAD23B0202）、山東農(nóng)業(yè)大學(xué)“雙一流”獎補資金（SYL2017XTTD02）

王丹陽，E-mail：892218027@qq.com。通信作者陳紅艷，E-mail：chenhy@sdau.edu.cn