趙 慧，李新國*，靳萬貴，牛芳鵬，麥麥提吐爾遜·艾則孜

基于地理加權(quán)回歸模型的博斯騰湖湖濱綠洲土壤鹽分離子含量高光譜估算①

趙 慧1, 2，李新國1, 2*，靳萬貴1, 2，牛芳鵬1, 2，麥麥提吐爾遜·艾則孜1, 2

(1 新疆師范大學(xué)地理科學(xué)與旅游學(xué)院，烏魯木齊 830054；2 新疆干旱區(qū)湖泊環(huán)境與資源實驗室，烏魯木齊 830054)

以博斯騰湖湖濱綠洲為研究區(qū)，分析HCO– 3、Cl–、SO2– 4、Ca2+、Mg2+、Na++K+等主要土壤鹽分離子含量與土壤高光譜反射率的分數(shù)階微分光譜變換與RSI、DSI、NDSI等二維土壤指數(shù)的相關(guān)性優(yōu)選特征波段，構(gòu)建基于地理加權(quán)回歸模型的土壤鹽分離子含量估算模型。研究結(jié)果表明：Na++K+的微分變換特征波段集中在468 ～ 724 nm與1 182 ～ 1 539 nm，二維土壤指數(shù)的特征波段集中在1 742 ～ 2 395 nm，基于RSI的特征波段優(yōu)選下地理加權(quán)回歸模型對Na++K+含量的估算效果較好，建模集2= 0.94，RMSE = 0.22，驗證集2= 0.74，RMSE = 0.19；SO2– 4含量在1.2階優(yōu)選的位于469 ～ 636 nm波段估算效果較佳，建模集2= 0.91，RMSE = 0.02，驗證集2= 0.75，RMSE = 0.33；Ca2+、Mg2+優(yōu)選的特征波段主要集中在912 ～ 2 340 nm的近紅外波段；Cl–含量在1階的近紅外波段建模效果較好，建模集2= 0.74，RMSE = 0.03，驗證集2= 0.93，RMSE = 0.11；含量相對較高的Na++K+、SO2– 4、Cl–的地理加權(quán)回歸模型精度高于含量較低的Ca2+、Mg2+。

土壤鹽分離子；分數(shù)階微分；光譜矩陣系數(shù)圖；地理加權(quán)回歸模型；湖濱綠洲

土壤中不同鹽分離子對作物的毒害不同，土壤鹽分離子的分異對作物的危害性往往高于總鹽的危害[1-2]。傳統(tǒng)土壤鹽分離子的測定需要耗費時間，且步驟繁瑣，而高光譜遙感技術(shù)可以充分挖掘光譜信息和構(gòu)建高精度的模型[3]。土壤鹽分離子的含量和特征在一定程度上決定了鹽漬化的性狀和程度，將土壤鹽分離子和高光譜數(shù)據(jù)綜合考慮，篩選其特征波段，可以明確研究區(qū)土壤鹽分離子的特征光譜，提高土壤鹽分離子的估算精度和實用性[4-5]。郭鵬等[6]采用混合波段和篩選波段的方法以提高土壤鹽分離子估算模型的精度；張俊華等[7]基于0 ～ 5 cm和0 ～ 20 cm對比分析土壤鹽分離子在不同土層的估算模型。針對分數(shù)階微分預(yù)處理高光譜數(shù)據(jù)的方法中，有采用Savitzky-Golay加一階微分變換和以不同間隔的分數(shù)階微分變換等不同方式[8-9]。亞森江·喀哈爾等[10]認為利用分數(shù)階微分優(yōu)化光譜指數(shù)對土壤電導(dǎo)率的特征波段敏感程度更強。高光譜數(shù)據(jù)常用的模型估算方法有神經(jīng)網(wǎng)絡(luò)模型、偏最小二乘、支持向量機等[11-13]。袁玉蕓等[14]利用地理加權(quán)回歸模型(GWR)分析于田綠洲土壤表層鹽分高光譜數(shù)據(jù)估算精度優(yōu)于OLS模型。GWR能夠考慮到空間異質(zhì)性，將采樣點的坐標代入不同的系數(shù)，就能進行空間坐標分析，通過建立空間尺度上每個點的局部回歸方程，能有效揭示土壤屬性空間變異特征關(guān)系[15]。空間關(guān)系約束的高光譜土壤鹽分離子估算方面研究鮮有報道。針對干旱區(qū)湖濱綠洲土壤鹽分離子的空間異質(zhì)性，開展以博斯騰湖湖濱綠洲為研究區(qū)，分析土壤鹽分離子與相關(guān)光譜參量間的關(guān)系，構(gòu)建地理加權(quán)回歸模型，將每個樣本點加入空間坐標估算土壤鹽分離子含量。

1 材料與方法

1.1 研究區(qū)概況

博斯騰湖湖濱綠洲行政區(qū)劃隸屬于新疆博湖縣，位于新疆焉耆盆地東南部，地理位置介于86°15′ ～ 86°55′E，41°45′ ～ 42°10′N(圖1)。其是典型的人工綠洲和自然綠洲混合的山前湖泊綠洲，面積為1 360 km2。湖濱綠洲受到博斯騰湖水域的調(diào)節(jié)，年平均氣溫8.2 ～ 11.5 ℃，無霜期175.8 ～ 211.3 d，年蒸發(fā)量1 880.0 ～ 2 785.8 mm，年降水量47.7 ～ 68.1 mm，蒸降比高達40:1。研究區(qū)內(nèi)土壤類型主要有沼澤地、草甸土、灌耕潮土、風(fēng)沙土、鹽土、棕漠土等，地下水埋深1.0 ～ 2.5 m，礦化度為0.1 ～ 10 g/L[16-17]。研究區(qū)土地利用/覆蓋類型主要為耕地與未利用地，土壤鹽分以氯化鉀鈉鹽和硫酸鉀鈉鹽為主，主要土壤鹽分離子有HCO– 3、Cl–、SO2– 4、Ca2+、Mg2+、Na++K+。

1.2 土壤樣品采集及測定

根據(jù)研究區(qū)土壤類型的現(xiàn)狀，結(jié)合研究區(qū)的土壤鹽分狀況，采用GPS定位技術(shù)，使采樣點盡可能遍及研究區(qū)范圍內(nèi)的主要土地利用類型，考慮采樣點的水文地貌條件、植被覆蓋類型以及土壤鹽漬化程度等因素，選取34個樣點進行土壤采集(圖1)，每個樣點3次重復(fù)。采樣時間為2019年7月8日，采用分層隨機取樣的方法，每個樣本點范圍分0 ～ 10、10 ～ 20 cm采樣土層進行，共計68份。土壤光譜測定采用ASD FieldSpec3便攜式地物光譜儀，波段范圍為350 ～ 2 500 nm，野外測量需要選擇晴朗無風(fēng)的天氣，采集光譜前對光譜儀白板校正，且校正間隔控制在5 min[18]，每個土壤樣品重復(fù)測量20條光譜曲線，取其平均值作為此樣本的光譜數(shù)據(jù)。對均值處理后的光譜曲線去除水分吸收帶波段，對去除干擾波段的光譜曲線用Savitzky-Golay濾波方法進行平滑處理。

1.3 數(shù)據(jù)處理與研究方法

1.3.1 分數(shù)階微分 分數(shù)階微分是將整數(shù)階微分的階數(shù)擴展至任意階。目前，在眾多的分數(shù)階微分定義形式中[19-20]，Grünwald-Letnikov(G-L)定義的分數(shù)階微分較為常用，主要是應(yīng)用一元函數(shù)差分來實現(xiàn)，表達式為：

1.3.2 光譜指數(shù) 根據(jù)研究區(qū)土壤鹽分離子狀況，結(jié)合前人的研究結(jié)果，光譜指數(shù)采用比值鹽分指數(shù)(ratio salt indices，RSI)、差值光譜指數(shù)(difference spectral indices，DSI)和歸一化光譜指數(shù)(normalized difference spectral indices，NDSI)[21]。根據(jù)全光譜的第波段和第波段的所有組合計算二維相關(guān)系數(shù)，繪制形成光譜系數(shù)矩陣圖。光譜指數(shù)計算公式：

RSI=R/R(2)

DSI=R–(3)

NDSI=(R–R)/(R+R) (4)

式中：R和R是土壤鹽分離子在第波段和第波段的土壤光譜反射率。

1.3.3 地理加權(quán)回歸 Fotheringham等[22]提出地理加權(quán)回歸模型(geographically weighted regression，GWR)能夠?qū)⒖臻g坐標代入到回歸參數(shù)中，采用的是局部光滑思想，這樣能使局部加權(quán)的最小二乘法進行樣點的估測，其中權(quán)重是回歸點所在位置到其他觀測點的位置之間距離的函數(shù)。該模型表達式[23]為：

式中：y為樣點的因變量；0為回歸常數(shù)項；(u,v)為第個采樣點的坐標(如經(jīng)緯度)；β(u,v)是個采樣點上的第個回歸參數(shù)，是地理位置的函數(shù)；ε為誤差項；x為第個樣點上的個變量的觀測值。采用帶寬優(yōu)化方法中易于與經(jīng)典的線性回歸模型進行比較的AIC信息準則，表達式為：

2 結(jié)果

2.1 主要土壤鹽分離子含量描述性統(tǒng)計

由表1可知，主要土壤鹽分離子為HCO– 3、Cl–、SO2– 4、Ca2+、Mg2+、Na++K+。從均值看，研究區(qū)土壤的SO2– 4、Na++K+含量最高，分別為1.58和1.59 g/kg；陰離子中Cl–次之；HCO– 3含量最少，為0.11 g/kg。Ca2+、Mg2+含量分別占陽離子的10.64% 和10.95%，Cl–占陰離子的15.06%。結(jié)合前人的研究結(jié)果，在后續(xù)建模中以3︰1比例選取建模集與驗證集[25]。

表1 主要土壤鹽分離子的描述性統(tǒng)計特征

2.2 一維光譜相關(guān)性特征波段選擇

由圖2可知，對原始光譜反射率以0.2為間隔，在0 ～ 2階進行微分處理，將分數(shù)階微分變換下的光譜反射率與HCO– 3、SO2– 4、Ca2+、Mg2+、Na++K+、Cl–進行相關(guān)性分析，篩選出通過極顯著性檢驗且相關(guān)性較高的階數(shù)進行分析。1.6階和2階與HCO– 3的相關(guān)性較小，通過極顯著性檢驗的波段較少；1階與Cl–相關(guān)性在分數(shù)階微分變化下最優(yōu)，最大相關(guān)系數(shù)絕對值為0.57；SO2– 4、Ca2+、Mg2+、Na++K+、Cl–的較大相關(guān)系數(shù)集中在正相關(guān)。波段篩選原則為：在樣本數(shù)為68，通過顯著性檢驗，即選取相關(guān)系數(shù)大于0.315的最優(yōu)4條波段。

由表2可知，對優(yōu)選出的土壤鹽分離子建模所需要的特征波段進行分析，HCO– 3的特征波段主要集中在419 ～ 490 nm可見光紫、藍光波段；Na++K+的特征波段主要集中在468 ～ 874 nm、1 182 ～ 1 539 nm可見光綠、黃、橙、紅光及近紅外波段；Cl–的特征波段主要集中在1 253 ～ 2 360 nm近紅外波段；SO2– 4的特征波段主要集中在468 ～ 830 nm可見光綠、黃、橙、紅光波段，與近紅外波段也有一定相關(guān)性；Ca2+的特征波段主要集中在1 080 ～ 2 316 nm近紅外波段，Mg2+的特征波段主要集中在912 ～ 2 175 nm近紅外波段。1 ～ 2階的光譜反射率與土壤鹽分離子的相關(guān)性較高，達到顯著水平，從而篩選出較優(yōu)的特征波段。分數(shù)階微分變換下的光譜數(shù)據(jù)更能深度挖掘光譜中的潛在信息。

表2 主要土壤鹽分離子建模波段及分數(shù)階微分光譜變換形式

2.3 二維土壤指數(shù)特征波段選擇

土壤鹽分離子含量和光譜指數(shù)之間的相關(guān)性，能夠利用二維光譜矩陣系數(shù)圖進行可視化表達。通過建立HCO– 3、SO2– 4、Ca2+、Mg2+、Na++K+、Cl–分別與原光譜反射率的RSI、DSI、NDSI光譜矩陣系數(shù)圖，從中選取相關(guān)性較高的光譜矩陣圖進行分析，如圖3可知：同種離子在RSI、DSI、NDSI的光譜指數(shù)下二維光譜矩陣系數(shù)圖具有相似性。其中Cl–的相關(guān)性整體大于其他離子，特征波段主要集中在1 461 ～ 1 597 nm和1 710 ～ 1 749 nm，主要位于近紅外波段；Mg2+在RSI和DSI的相關(guān)性與Cl–的光譜矩陣圖相似，但相關(guān)系數(shù)值比Cl–低；HCO– 3特征波段主要集中在1 550～ 1 760 nm；Na++K+特征波段主要集中在1 742 ～ 2 395 nm；SO2– 4、Ca2+、Mg2+的特征波段主要集中在1 977 ～ 2 340 nm的近紅外波段，其中SO2– 4的特征波段還集中在600 ～ 700 nm的可見光紅光波段。

優(yōu)選出的特征波段，用于構(gòu)建模型的二維土壤指數(shù)見表3，由于Mg2+、Ca2+在RSI、NDSI光譜指數(shù)下篩選的特征波段相同，分別為(1 989, 2 066)、(2 005, 1 982)，為避免冗余，選擇RSI建模。

2.4 地理加權(quán)回歸模型分析

一維相關(guān)優(yōu)選特征波段和二維相關(guān)優(yōu)選特征波段與土壤鹽分離子都具有較高的相關(guān)性，為尋找較優(yōu)的估算模型，分別以HCO– 3、SO2– 4、Ca2+、Mg2+、Na++K+、Cl–為因變量，優(yōu)選的特征波段分別為自變量，構(gòu)建地理加權(quán)回歸模型。由表4可知，由于一維相關(guān)和二維相關(guān)的RMSE相差較大，因此從一維和二維相關(guān)中各篩選出一個較優(yōu)的建模集，再根據(jù)驗證集的較優(yōu)模型確定土壤鹽分離子的最優(yōu)模型。Cl–估算模型中，1階的2= 0.74最大，RMSE = 0.03最小；DSI的2= 0.82最大，RMSE = 0.11最小，均為建模集較優(yōu)模型。SO2– 4估算模型中，1.2階的2= 0.91最大，RMSE = 0.02最?。籇SI的2= 0.89最大，RMSE = 0.36最小，均為建模集較優(yōu)模型。Na++K+估算模型中，1.2階和2階的2= 0.74最大，RMSE = 0.01最??；RSI的2= 0.94最大，RMSE = 0.22最小，均為建模集較優(yōu)模型。HCO– 3估算模型中，2階的2= 0.23最大，RMSE = 0.01最??；NDSI的2= 0.17最大，RMSE = 0.09最小，均為建模集較優(yōu)模型。Ca2+估算模型中，1階的2= 0.75最大，RMSE = 0.03最??；DSI的2= 0.74最大，RMSE = 0.18最小，均為建模集較優(yōu)模型。Mg2+估算模型中，1.2階的2= 0.69最大，RMSE = 0.01最??；RSI的2= 0.83最大，RMSE = 0.10最小，均為建模集較優(yōu)模型。

表3 二維指數(shù)篩選特征波段

表4 基于GWR模型的建模集

由圖4可知估算模型的驗證集，對于Cl–而言，基于1階的2= 0.93，RMSE = 0.11；SO2– 4基于DSI的2= 0.77，RMSE = 0.32；Na++K+基于RSI和DSI的2= 0.74，RMSE = 0.19；HCO– 3基于DSI的2= 0.83，RMSE=0.05；Ca2+基于DSI的2= 0.96，RMSE=0.08；Mg2+基于RSI的2= 0.93，RMSE = 0.08，均為驗證集較優(yōu)模型。綜合建模集和驗證集來看，Cl–的最優(yōu)模型是1階，其中1階的AIC值為0.50；SO2– 4的最優(yōu)模型是1.2階，1.2階的AIC較小為122.87；Na++K+的最優(yōu)模型是RSI，AIC最小的是DSI，RSI比DSI的AIC高3.08；Ca2+的最優(yōu)模型是DSI，其中1階微分的AIC較小為1.79，DSI在光譜指數(shù)中AIC為14.61；Mg2+的最優(yōu)模型是RSI，RSI的AIC為11.31，比最小的AIC高5.46。從整體來看，選擇的最優(yōu)模型，多是分數(shù)階微分或光譜指數(shù)中AIC值較小的模型。Na++K+和Mg2+在二維光譜指數(shù)構(gòu)建的估算模型，建模集和驗證集的決定系數(shù)均優(yōu)于一維。

3 討論

通過優(yōu)選高光譜的特征波段，對優(yōu)選的1種特征波段和優(yōu)選的2種特征波段進行比較，優(yōu)選的特征波段具有一定重合性，Na++K+特征波段在光譜變換下集中在可見光綠、黃、橙、紅光及近紅外波段，2種波段選取中重合部分為近紅外波段；SO2– 4的特征波段在光譜變換下主要集中在可見光波段，2種波段選取重合部分也為可見光紅光和近紅外波段；Cl–、Ca2+、Mg2+的特征波段在光譜變化下和2種波段選取中都集中在近紅外波段；HCO– 3在光譜變換及指數(shù)選取的特征波段分別集中在可見光紫光、藍光波段和近紅外波段?；贕WR模型對于研究區(qū)土壤鹽分離子估算具有較優(yōu)的結(jié)果。GWR模型對Na++K+估算效果較好，這與宋夢潔和李新國[26]在相同研究區(qū)下利用多元線性回歸模型估算的分析結(jié)果相同。GWR模型能夠?qū)a++K+進行較好的預(yù)測，依據(jù)梁東等[27]的研究結(jié)果，研究區(qū)的土壤鹽分與Na++K+呈極顯著正相關(guān)，且Na++K+在不同植被類型中含量都是最高。土壤鹽分離子含量較高，可進行很好的預(yù)測，這或許也說明光譜反射特征機理是對主要離子組成的響應(yīng)。土壤鹽分離子含量、組成、結(jié)合方式的差異，在提取特征波段和光譜構(gòu)建模型時難度較大。GWR模型提高土壤鹽分離子的估算效果受到土壤鹽分離子與各變量間相關(guān)關(guān)系的空間非穩(wěn)定性程度[28]。本研究的土壤鹽分離子估算效果與代希君等[1]在新疆南疆的研究結(jié)果基本相同，SO2– 4、Ca2+、Mg2+、Cl–的估算精度較高，對于土壤鹽分離子中含量較低的HCO– 3估算精度較低。

4 結(jié)論

1)Na++K+的微分變換光譜特征波段主要集中在468 ～ 724 nm與1 182 ～ 1 539 nm，相關(guān)性值最大為0.48；二維土壤指數(shù)特征波段主要集中在1 742 ～ 2 395 nm；基于RSI的特征波段優(yōu)選下地理加權(quán)回歸模型對Na++K+含量的估算效果較好，建模集2= 0.94，RMSE = 0.22，驗證集2= 0.74，RMSE = 0.19。

2)SO2– 4的微分變換特征波段主要集中在468 ～ 724 nm，其中在1階、1.2階、DSI的建模集和驗證集精度2值最大，2值均大于0.71；Ca2+、Mg2+、Cl–的特征波段均在近紅外區(qū)域，且驗證集精度高于建模集精度，其中Ca2+在光譜指數(shù)DSI的驗證精度2值最大為0.96，RMSE為0.08。

3)基于地理加權(quán)回歸模型的土壤鹽分離子估算的最優(yōu)模型2值范圍在0.74 ～ 0.96，最優(yōu)模型的AIC值范圍在0.50 ～ 122.87；土壤離子中含量相對較高的Na++K+、SO2– 4、Cl–的地理加權(quán)回歸模型精度高于含量較低的Ca2+、Mg2+。

[1] 代希君, 張艷麗, 彭杰, 等. 土壤水溶性鹽基離子的高光譜反演模型及驗證[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(22): 139–145.

[2] Hammam A A, Mohamed E S. Mapping soil salinity in the East Nile Delta using several methodological approaches of salinity assessment[J]. The Egyptian Journal of Remote Sensing and Space Science, 2020, 23(2): 125–131.

[3] Chen K, Li C, Tang R N. Estimation of the nitrogen concentration of rubber tree using fractionalaugmented NIR spectra[J]. Industrial Crops and Products, 2017, 108: 831–839.

[4] Srivastava R, Sethi M, Yadav R K, et al. Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected soil in the indo-Gangetic Plains of Haryana, India[J]. Journal of the Indian Society of Remote Sensing, 2017, 45(2): 307–315.

[5] 孫亞楠, 李仙岳, 史海濱, 等. 河套灌區(qū)土壤水溶性鹽基離子高光譜綜合反演模型[J]. 農(nóng)業(yè)機械學(xué)報, 2019, 50(5): 344–355.

[6] 郭鵬, 李華, 陳紅艷, 等. 基于光譜指數(shù)優(yōu)選的土壤鹽分定量光譜估測[J]. 水土保持通報, 2018, 38(3): 193–199, 205.

[7] 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(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(12): 106–115.

[8] 肖云飛, 高小紅, 李冠穩(wěn). 土壤有機質(zhì)可見光–近紅外光譜預(yù)測樣本優(yōu)化選擇[J]. 土壤, 2020, 52(2): 404–413.

[9] 張文文, 楊可明, 夏天, 等. 光譜分數(shù)階微分與玉米葉片重金屬銅含量的相關(guān)性分析[J]. 科學(xué)技術(shù)與工程, 2017, 17(25): 33–38.

[10] 亞森江·喀哈爾, 楊勝天, 尼格拉·塔什甫拉提, 等. 基于分數(shù)階微分優(yōu)化光譜指數(shù)的土壤電導(dǎo)率高光譜估算[J]. 生態(tài)學(xué)報, 2019, 39(19): 7237–7248.

[11] 吾木提·艾山江, 買買提·沙吾提, 馬春玥. 基于分數(shù)階微分和連續(xù)投影算法-反向傳播神經(jīng)網(wǎng)絡(luò)的小麥葉片含水量高光譜估算[J]. 激光與光電子學(xué)進展, 2019, 56(15): 251–259.

[12] 池濤, 曹廣溥, 李丙春, 等. 基于高光譜數(shù)據(jù)和SVM方法的土壤鹽漬度反演[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版), 2018, 49(4): 585–590.

[13] 劉亞秋, 陳紅艷, 王瑞燕, 等. 基于可見/近紅外光譜的黃河口區(qū)土壤鹽分及其主要離子的定量分析[J]. 中國農(nóng)業(yè)科學(xué), 2016, 49(10): 1925–1935.

[14] 袁玉蕓, 瓦哈甫·哈力克, 關(guān)靖云, 等. 基于GWR模型的于田綠洲土壤表層鹽分空間分異及其影響因子[J]. 應(yīng)用生態(tài)學(xué)報, 2016, 27(10): 3273–3282.

[15] 巫振富, 趙彥鋒, 程道全, 等. 基于地理加權(quán)回歸的小麥測土配方施肥效果空間分析[J]. 土壤學(xué)報, 2019, 56(4): 860–872.

[16] 李志, 李新國, 毛東雷, 等. 博斯騰湖西岸湖濱帶不同植被類型土壤剖面鹽分特征分析[J]. 西北農(nóng)業(yè)學(xué)報, 2018, 27(2): 260–268.

[17] 李新國, 李和平, 任云霞, 等. 開都河流域下游綠洲土壤鹽漬化特征及其光譜分析[J]. 土壤通報, 2012, 43(1): 166–170.

[18] 馬利芳, 熊黑鋼, 張芳. 基于野外VIS-NIR光譜的土壤鹽分主要離子預(yù)測[J]. 土壤, 2020, 52(1): 188–194.

[19] 張紹陽, 解源源, 張鑫, 等. 基于分數(shù)階微分的模糊交通視頻圖像增強[J]. 光學(xué)精密工程, 2014, 22(3): 779–786.

[20] Tarasov V E. On chain rule for fractional derivatives[J]. Communications in Nonlinear Science and Numerical Simulation, 2016, 30(1/2/3): 1–4.

[21] 梁靜, 丁建麗, 王敬哲, 等. 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[J]. 土壤學(xué)報, 2019, 56(2): 320–330.

[22] Fotheringham A S, Charlton M E, Brunsdon C. Geographically weighted regression: A natural evolution of the expansion method for spatial data analysis[J]. Environment and Planning A: Economy and Space, 1998, 30(11): 1905–1927.

[23] Abliz A, Tiyip T, Ghulam A, et al. Effects of shallow groundwater table and salinity on soil salt dynamics in the Keriya Oasis, Northwestern China[J]. Environmental Earth Sciences, 2016, 75(3): 1–15.

[24] 趙明松, 劉斌寅, 盧宏亮, 等. 基于地理加權(quán)回歸的地形平緩區(qū)土壤有機質(zhì)空間建模[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(20): 102–110.

[25] 袁婕, 張飛, 葛翔宇, 等. 地理加權(quán)回歸模型結(jié)合高光譜反演鹽生植物葉片鹽離子含量[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(10): 115–124.

[26] 宋夢潔, 李新國. 博斯騰湖西岸湖濱綠洲蘆葦?shù)赝寥利}分特征高光譜分析[J]. 揚州大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版), 2016, 37(1): 75–80.

[27] 梁東, 李新國, 阿斯耶姆·圖爾迪, 等. 博斯騰湖西岸湖濱帶土壤剖面鹽分特征分析[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2014, 32(4): 151–158.

[28] 江振藍, 楊玉盛, 沙晉明. GWR模型在土壤重金屬高光譜預(yù)測中的應(yīng)用[J]. 地理學(xué)報, 2017, 72(3): 533–544.

Hyperspectral Estimation of Soil Salt Ion Contents in Lakeside Oasis of Bosten Lake Based on Geographical Weighted Regression Model

ZHAO Hui1, 2, LI Xinguo1, 2*, JIN Wangui1, 2, NIU Fangpeng1, 2, MAMATTURSUN·Eziz1, 2

(1 College of Geographic Sciences and Tourism, Xinjiang Normal University, Urumqi 830054, China; 2 Xinjiang Laboratory of Lake Environment and Resources in Arid Zone, Urumqi 830054, China)

In this paper, the lakeside oasis of Bosten Lake was taken as the study area, the contents of main soil salt ions (HCO– 3, Cl–, SO2– 4, Ca2+, Mg2+, Na++K+) were measured, soil hyperspectral reflectance, fractional differential spectral transformation, and 2D soil indexes such as RSI, DSI and NDSI were obtained, and then the estimation models of soil salt ion contents were constructed based on the geographically weighted regression (GWR) model. The results showed that the feature bands of Na++K+were concentrated in 468-724 nm and 1 182-1 539 nm under the differential spectral transformation, and the feature bands of 2D soil indexes were concentrated in the near-infrared band (1 742-2 395 nm). GWR model based on RSI feature band optimization estimated Na++K+content well, in which the modeling set2was 0.94 and RMSE was 0.22, the validation set2was 0.74 and RMSE was 0.19.The optimal band of SO2– 4 content in order 1.2 was 469-636 nm, in which the modeling set2was 0.91 and RMSE was 0.02, the validation set2was 0.75 and RMSE was 0.33.The preferred feature bands of Ca2+and Mg2+were mainly concentrated in the near-infrared band (912-2 340 nm). The modeling effect of the near-infrared band with Cl–content in the first order was better, the modeling set2= 0.74, RMSE = 0.03, verification set2= 0.93, RMSE = 0.11.The accuracies of GWR model of Na++K+, SO2– 4and Cl–with higher contents were higher than those of Ca2+and Mg2+with lower contents.

Soil salt ion; Fractional differentiation; Spectral matrix coefficient map; Geographically weighted regression model; Lakeside oasis

S127

A

10.13758/j.cnki.tr.2021.03.026

趙慧, 李新國, 靳萬貴, 等. 基于地理加權(quán)回歸模型的博斯騰湖湖濱綠洲土壤鹽分離子含量高光譜估算. 土壤, 2021, 53(3): 646–653.

國家自然科學(xué)基金項目(41661047，U2003301)資助。

(onlinelxg@sina.com)

趙慧(1994—)，女，河南周口人，碩士研究生，主要從事干旱區(qū)土壤資源變化及其遙感應(yīng)用研究。E-mail: ziyuhe528@163.com