王 歡，李瑞平*，張 寅,2，李正中，魏美玲

（1.內(nèi)蒙古農(nóng)業(yè)大學 水利與土木建筑工程學院，呼和浩特 010018；2.河套學院 水利與土木工程系，內(nèi)蒙古 巴彥淖爾 015000；3.內(nèi)蒙古河套灌區(qū)水利發(fā)展中心解放閘分中心，內(nèi)蒙古 巴彥淖爾 015000）

內(nèi)蒙古河套灌區(qū)土壤鹽分多源多指數(shù)估算模型

王 歡1，李瑞平1*，張 寅1,2，李正中3，魏美玲3

（1.內(nèi)蒙古農(nóng)業(yè)大學 水利與土木建筑工程學院，呼和浩特 010018；2.河套學院 水利與土木工程系，內(nèi)蒙古 巴彥淖爾 015000；3.內(nèi)蒙古河套灌區(qū)水利發(fā)展中心解放閘分中心，內(nèi)蒙古 巴彥淖爾 015000）

【目的】探究河套灌區(qū)烏拉特灌域土壤鹽分遙感反演的最優(yōu)方法。【方法】針對單一數(shù)據(jù)源、單一指數(shù)、單一算法對土壤鹽分反演精度不高的問題，分別以光譜指數(shù)、極化組合指數(shù)為建模因子，利用偏最小二乘回歸（PLSR）、自適應(yīng)增強回歸（AdaBoost）、隨機森林回歸（RF）3 種算法構(gòu)建土壤鹽分反演模型，篩選出最優(yōu)的土壤鹽分反演模型，并監(jiān)測了2019—2021 年10 月烏拉特灌域土壤鹽分的時空分布?！窘Y(jié)果】對于PLSR 和AdaBoost 模型，光譜指數(shù)的預(yù)測效果優(yōu)于極化組合指數(shù)，對于RF 模型，極化組合指數(shù)的預(yù)測效果優(yōu)于光譜指數(shù)。PLSR 模型在反演10 cm深度處的土壤鹽分時，光譜指數(shù)的反演效果最優(yōu)，決定系數(shù)為0.70；AdaBoost 模型在反演2 cm 深度處的土壤鹽分時，光譜指數(shù)反演效果最優(yōu)，決定系數(shù)為0.74；RF 模型在反演2 cm 深度處的土壤鹽分時，極化組合指數(shù)的反演效果最優(yōu)，決定系數(shù)為0.64。烏拉特灌域土壤鹽漬化程度較重的區(qū)域主要位于灌域東南部，而西北部和中部鹽漬化程度較輕。【結(jié)論】應(yīng)用AdaBoost 算法并結(jié)合改進的光譜指數(shù)有望提升河套灌區(qū)烏拉特灌域表層土壤鹽分的反演精度。

哨兵遙感數(shù)據(jù)；土壤鹽分；光譜指數(shù)；極化組合指數(shù)；機器學習

0 引 言

【研究意義】中國干旱、半干旱地區(qū)的農(nóng)業(yè)可持續(xù)發(fā)展正面臨著土壤鹽漬化威脅[1-2]。傳統(tǒng)的野外觀測方法耗時耗力，無法大面積監(jiān)測土壤鹽漬化狀況。相比之下，遙感技術(shù)的發(fā)展為大面積土壤鹽漬化監(jiān)測提供了技術(shù)支持[3]?！狙芯窟M展】Allbed 等[4]通過提取土壤鹽分的敏感光譜指數(shù)和土壤鹽度指數(shù)構(gòu)建了土壤鹽分反演模型，以監(jiān)測區(qū)域土壤鹽分分布。Fourati等[5]基于偏最小二乘回歸構(gòu)建了土壤鹽分反演模型，得出短波紅外波段在預(yù)測土壤鹽分濃度方面的精度較高。馬馳[6]通過研究不同極化組合指數(shù)與土壤鹽分之間的交互作用，構(gòu)建了土壤鹽分反演模型。Ma 等[7]基于機器學習對土壤鹽分進行了反演，證實了光學與雷達融合數(shù)據(jù)在土壤鹽漬化監(jiān)測中的可行性。大量研究表明，偏最小二乘回歸（PLSR）、隨機森林（RF）、自適應(yīng)增強回歸（AdaBoost）是反演區(qū)域土壤鹽分的可行方法[8-10]。【切入點】盡管前人在土壤鹽分反演領(lǐng)域取得了一定進展，但多數(shù)研究僅基于單一算法或單一指數(shù)，尚缺乏對不同算法、不同指數(shù)在土壤鹽分反演中的對比分析?！緮M解決的關(guān)鍵問題】鑒于此，本研究分別以改進的光譜指數(shù)、極化組合指數(shù)為建模因子，應(yīng)用PLSR、AdaBoost、RF 這3 種方法構(gòu)建土壤鹽分反演模型，篩選出最優(yōu)的土壤鹽分反演模型，并量化2019—2021 年10 月烏拉特灌域的土壤鹽分時空分布。研究結(jié)果可為內(nèi)蒙古河套灌區(qū)烏拉特灌域的土壤鹽分遙感反演提供理論指導與技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

內(nèi)蒙古河套灌區(qū)位于內(nèi)蒙古自治區(qū)巴彥淖爾市，是我國最大的干旱型灌區(qū)[11]。研究區(qū)位于河套灌區(qū)最下游的烏拉特灌域（108°06′12″—109°39′43″E，40°27′39″—41°10′15″N），該地區(qū)為中溫帶大陸性氣候區(qū)，年平均氣溫為6～8 ℃，年平均降水量為196～215 mm，年平均蒸發(fā)量為2 172. 5 mm[12]。烏拉特灌域的鹽漬化土壤嚴重制約著該區(qū)域的農(nóng)業(yè)可持續(xù)發(fā)展。

1.2 數(shù)據(jù)來源

1.2.1 野外數(shù)據(jù)的采集與測定

于2021 年10 月13—14 日開展野外土壤樣品采集，采樣期間天氣晴朗，在研究區(qū)域內(nèi)平行布設(shè)24個采樣點，各采樣點間隔25 m。在2、10、30 cm 土壤深度處依次采集土壤樣品，每個深度處重復采樣5次，記錄采樣點經(jīng)緯度及周圍環(huán)境狀況。土樣經(jīng)風干、研磨、過2 mm 篩后，按蒸餾水與土樣質(zhì)量5∶1 的比例配置土壤溶液以測定土壤電導率，通過經(jīng)驗公式[13]計算土壤含鹽量。

1.2.2 遙感數(shù)據(jù)的下載與處理

選取哨兵一號（Sentinel-1）和哨兵二號（Sentinel-2）作為遙感數(shù)據(jù)來源，影像數(shù)據(jù)下載于USGS 官網(wǎng)（http://glovis.usgd.gov/），所用Sentinel-1 影像為干涉寬幅模式（IW），產(chǎn)品數(shù)據(jù)為地距格式（GRD），數(shù)據(jù)級別為Level-1，極化方式為雙極化（垂直極化VV、交叉極化VH），成像時間為2021 年10 月17 日，利用SNAP 軟件進行軌道校正、去噪、輻射定標、地形校正處理。所用Sentinel-2 影像產(chǎn)品數(shù)據(jù)為L2A 級，成像時間為2021 年10 月13 日，利用Sen2cor 軟件進行輻射定標、大氣校正、重采樣處理，采用ENVI軟件進行波段融合、波段運算處理。

1.3 指數(shù)變量

Sentinel-2 通過不同波段的反射率來反映地物特征，并利用ENVI 軟件提取光譜反射率。傳統(tǒng)光譜指數(shù)由藍、綠、紅和近紅外波段構(gòu)成，易受植被和土壤等因素的影響，導致土壤鹽分反演精度低，而短波紅外波段（SWIRi）不易受上述因素影響，且能較好地識別土壤鹽分濃度。因此，本研究引入SWIRi對傳統(tǒng)光譜指數(shù)進行改進。分別選取5個植被指數(shù)（NDVI、EVI、SAVI、RVI、DVI）和5 個鹽分指數(shù)（SI、SI3、S2、SI-T、NDSI）作為傳統(tǒng)光譜指數(shù)，通過在上述10 個指數(shù)的計算式中添加SWIRi（i=1 或2）以改進傳統(tǒng)光譜指數(shù)，每個傳統(tǒng)光譜指數(shù)均對應(yīng)4 種改進方法（2 種改進公式×2 種SWIRi取值）[14]，詳見表1。

表1 傳統(tǒng)光譜指數(shù)的改進公式Table 1 Improved spectral index calculation formula

Sentinel-1 通過不同極化方式的后向散射系數(shù)表示地物后向散射特征，利用ENVI 軟件提取出VV、VH后向散射系數(shù)，VV為垂直極化，VH為交叉極化。極化方式較少時，提取的土壤信息也會相對較少，而極化組合通過削弱噪聲的影響且增強后向散射系數(shù)與土壤鹽分的相關(guān)性[15]，能夠較好地解決該問題。因此，對VV、VH的2 組后向散射系數(shù)進行組合運算，得到21 個極化組合指數(shù)，分別為：VV、VH、VV+VH、VV-VH、VV2+VH2、VV2-VH2、VV2+VH、VV2-VH、VH2+VV、VH2-VV、(VV2+VH2)/VV、(VV2+VH2)/VH、(VV2-VH2)/VV、 (VV2-VH2)/VH、VV/VH、(VV+VH)/(VV-VH)、(VV2+VH2)/(VV2-VH2)、(VV2+VH2)/（VV+VH）、(VV2+VH2)/（VV-VH）、(VV2-VH2)/（VV+VH）、(VV2-VH2)/（VV-VH）。

1.4 建模方法及模型評價

PLSR 是一種基于多重線性回歸的算法，其基本思想是將原始輸入變量與響應(yīng)變量不斷進行線性組合，以獲取相關(guān)性最大的新變量，從而降低數(shù)據(jù)維度，提取出關(guān)鍵特征信息[8]。AdaBoost 是一種迭代算法，其基本思想是對每個樣本賦予一個權(quán)重，然后在每次迭代中依據(jù)當前樣本權(quán)重分布來訓練一個新的弱分類器，并根據(jù)分類器的分類誤差值調(diào)整樣本權(quán)重，將所有弱分類器按權(quán)重加權(quán)的方式組合成一個更強的分類器[9]。RF 是一種基于決策樹的集成學習算法，其基本思想是通過構(gòu)建多個相互獨立且具有差異化的決策樹形成隨機森林，并對其進行投票集成來提高預(yù)測精度[10]。對野外實測的土壤鹽分數(shù)據(jù)（24 個）隨機分為訓練集和驗證集，訓練集（70%，17 個樣點）用于訓練模型，驗證集（30%，7 個樣點）用于驗證模型，以決定系數(shù)（R2）和均方根誤差（RMSE）為模型精度評價指標，R2越接近于1、RMSE值越小，模型精度越高[14]。

2 結(jié)果與分析

2.1 土壤鹽分統(tǒng)計分析

土壤鹽分數(shù)據(jù)的統(tǒng)計特征見表2。隨著土壤深度的增加，土壤鹽分量隨之降低。根據(jù)變異系數(shù)評估標準[16]，不同深度處土壤鹽分存在弱變異性。

表2 土壤鹽分的描述性統(tǒng)計分析Table 2 Descriptive statistical analysis of soil salinity

2.2 光譜指數(shù)與土壤鹽分之間的相關(guān)分析

光譜指數(shù)（傳統(tǒng)光譜指數(shù)、改進光譜指數(shù)）與土壤鹽分之間的相關(guān)系數(shù)見圖1。ca、cb、cc分別表示2、10、30 cm 深度土壤處的傳統(tǒng)光譜指數(shù)，gaa、gab、gac、gaaa、gaab、gaac、gba、gbb、gbc、gbba、gbbb、gbbc分別表示2、10、30 cm 土壤深度處的SWIR1(a)、SWIR2(a)、SWIR1(b)、SWIR2(b)的改進光譜指數(shù)。土壤深度為2 cm 時，土壤鹽分與植被指數(shù)之間的相關(guān)性較高，土壤深度10 cm 時，土壤鹽分與植被指數(shù)的相關(guān)性及其與鹽分指數(shù)的相關(guān)性基本一致，土壤深度30 cm 時，土壤鹽分與鹽分指數(shù)之間的相關(guān)性較高。

圖1 光譜指數(shù)與土壤鹽分的相關(guān)性Fig.1 Correlation of spectral index with soil salinity

基于光譜指數(shù)與土壤鹽分之間的相關(guān)性篩選出改進光譜指數(shù)的最優(yōu)計算式，見表3。GNDVI、GEVI、GSAVI、GRVI、GDVI、GSI、GSI3、GS2、GSI-T、GNDSI表示最優(yōu)計算式下的改進光譜指數(shù)，a、b、aa、bb為SWIR1(a)、SWIR1(b)、SWIR2(a)、SWIR2(b)計算式。由表3 可知，當土壤深度2 cm 時，應(yīng)選用改進的DVI、NDSI、SAVI、SI-T作為反演模型的相關(guān)變量；當土壤深度為10 cm 時，應(yīng)選用改進的DVI、NDSI、SI-T、SI3 作為反演模型的相關(guān)變量；當土壤深度30 cm 時，應(yīng)選用改進的SI3、DVI、SI、RVI作為反演模型的相關(guān)變量?；谡w相關(guān)性特征，選取DVI、NDSI、SI-T、SI3 作為土壤鹽分反演模型的相關(guān)變量。

表3 最優(yōu)改進光譜指數(shù)與土壤鹽分的相關(guān)性Table 3 Optimally improve the correlation between spectral index and soil salinity

光譜指數(shù)與土壤鹽分之間的灰色關(guān)聯(lián)度見表4。改進的光譜指數(shù)與土壤鹽分之間的灰色關(guān)聯(lián)度均高于傳統(tǒng)光譜指數(shù)與土壤鹽分之間的灰色關(guān)聯(lián)度。土壤深度為2 cm 時，應(yīng)選用改進的RVI、NDVI、EVI、SAVI作為反演模型的相關(guān)變量；土壤深度為10 cm 時，應(yīng)選用改進的RVI、EVI、NDVI、S2 作為反演模型的相關(guān)變量；土壤深度為30 cm 時，應(yīng)選用改進的RVI、EVI、NDVI、S2 作為反演模型的相關(guān)變量?？紤]整體的關(guān)聯(lián)度，應(yīng)選用RVI、NDVI、EVI、S2 作為土壤鹽分反演模型的相關(guān)變量。

表4 光譜指數(shù)與土壤鹽分的灰色關(guān)聯(lián)度Table 4 The grey correlation between spectral index and soil salinity

綜合考慮相關(guān)性與關(guān)聯(lián)度2 個層面，本研究最終選取DVI、NDSI、SI-T、SI3、RVI、NDVI、EVI、S2作為鹽分反演模型的相關(guān)變量。

2.3 極化組合指數(shù)與土壤鹽分之間的相關(guān)分析

后向散射系數(shù)與土壤鹽分之間的相關(guān)分析見表5。VV與土壤鹽分之間的相關(guān)程度（相關(guān)系數(shù)的絕對值）均高于VH，可見VV對土壤鹽分的變化更為敏感。

進一步計算各極化組合指數(shù)與土壤鹽分之間的灰色關(guān)聯(lián)度可知，對于同一極化組合指數(shù)，其與土壤鹽分之間的灰色關(guān)聯(lián)度在大部分情況下隨著土壤深度的增加而增大（表6）。

表5 后向散射系數(shù)與土壤鹽分的相關(guān)性Table 5 Correlation of backscatter coefficient with soil salinity

表6 極化組合指數(shù)與土壤鹽分的灰色關(guān)聯(lián)度Table 6 The grey correlation between the polarization combination index and soil salinity

基于灰色關(guān)聯(lián)度，按照由大到小的次序依次選取11 個極化組合指數(shù)，分別為：VV、VV+VH、VV2+VH2、VV2+VH、VV2-VH、(VV2+VH2)/VH、VV/VH、(VV+VH)/(VV-VH)、(VV2+VH2)/(VV2-VH2)、(VV2+VH2)/(VV-VH)、(VV2-VH2)/(VV-VH)，依次記為a、b、c、d、e、f、g、h、l、m、n，土壤鹽分記為s，對這11 個極化組合指數(shù)與土壤鹽分進行相關(guān)分析，結(jié)果見圖2。a與土壤鹽分的相關(guān)性隨著土壤深度的增加呈先增加后減小的趨勢，b、d、n與土壤鹽分的相關(guān)性隨著土壤深度的增加呈先減小后增加的趨勢，g與土壤鹽分的相關(guān)性隨著土壤深度的增加呈逐漸降低的趨勢，c、e、f、h、l、m與土壤鹽分的相關(guān)性隨著土壤深度的增加變化不大。

圖2 土壤鹽分與極化組合指數(shù)的相關(guān)系數(shù)Fig.2 Correlation coefficient plot of soil salinity and polarization combination

2.4 土壤鹽分反演模型優(yōu)選

基于MATLAB 軟件，構(gòu)建基于PLSR、AdaBoost、RF 的土壤鹽分反演模型，見表7—表9。2 cm（G）表示土壤深度為2 cm 的光譜指數(shù)，2 cm（J）表示土壤深度為2 cm 的極化組合指數(shù)，10、30 cm 同理。由表7 可知，對于PLSR 模型，光譜指數(shù)的預(yù)測效果優(yōu)于極化組合指數(shù)，土壤深度為10 cm 時，2 種指數(shù)的變化趨勢與土壤鹽分的變化趨勢較為相似。由表8 可知，對于AdaBoost 模型，光譜指數(shù)的預(yù)測效果優(yōu)于極化組合指數(shù)，土壤深度為2 cm 時，光譜指數(shù)的變化趨勢與土壤鹽分的變化趨勢較為相似，土壤深度為10 cm 時，極化組合指數(shù)的變化趨勢與土壤鹽分的變化趨勢較為相似。由表9 可知，對于RF 模型，極化組合指數(shù)的預(yù)測效果優(yōu)于光譜指數(shù)，土壤深度為2 cm時，2 種指數(shù)的變化趨勢與土壤鹽分的變化趨勢較為相似。

對比分析3 種反演模型可知，基于光譜指數(shù)的AdaBoost 模型相比PLSR 模型的預(yù)測效果更好，基于極化組合指數(shù)的RF 模型相比PLSR 模型的預(yù)測效果更好。AdaBoost 模型的R2高于RF 模型，且AdaBoost模型的RMSE低于RF 模型。因此，基于光譜指數(shù)的AdaBoost 反演模型效果最佳。

表7 土壤鹽分PLSR 反演模型Table 7 PLSR inversion model for soil salinity

表8 土壤鹽分AdaBoost 反演模型Table 8 AdaBoost inversion model for soil salinity

表9 土壤鹽分RF 反演模型Table 9 RF inversion model for soil salinity

2.5 烏拉特灌域土壤鹽分監(jiān)測

利用上述優(yōu)選出的基于光譜指數(shù)的AdaBoost 反演模型反演了2019 年10 月、2020 年10 月、2021 年10 月烏拉特灌域土壤鹽分空間分布，見圖3。依據(jù)土壤鹽分水平將研究區(qū)劃分為Ⅰ、Ⅱ、Ⅲ共3 類，對應(yīng)的土壤鹽分水平分別為0～1、1～2 g/kg和2～4 g/kg[17]。土壤鹽漬化程度較重的區(qū)域主要分布于研究區(qū)東南部，而西北部和中部區(qū)域的土壤鹽漬化程度逐漸減弱。相同深度的土壤鹽漬化程度逐年減弱，中部地區(qū)改良效果最為顯著。隨著土壤深度的增加，土壤鹽漬化程度逐漸減弱。

根據(jù)土壤鹽分空間分布，統(tǒng)計出烏拉特灌域2、10、30 cm 深度處土壤的Ⅰ、Ⅱ、Ⅲ類土壤所占比例（表10）。2019—2021 年，Ⅱ類土壤所占比例普遍較高，其次為Ⅲ類土壤，表明烏拉特灌域土壤鹽堿化問題仍較為嚴峻。

圖3 烏拉特灌域土壤鹽分空間分布Fig.3 Spatial distribution of soil salinity in the Urartian irrigation basin

表10 烏拉特灌域土壤鹽分不同等級比例分布Table 10 Proportional distribution of soil salinity in different grades in Urartian irrigation %

3 討 論

中國北部干旱區(qū)土壤鹽漬化問題尤為嚴重，這一現(xiàn)狀對我國農(nóng)業(yè)可持續(xù)發(fā)展構(gòu)成了嚴峻挑戰(zhàn)。遙感技術(shù)作為一種實時高效的研究手段，能夠?qū)崿F(xiàn)對土壤鹽分的動態(tài)監(jiān)測，符合精準農(nóng)業(yè)的發(fā)展要求。本研究的目的是在不同土壤深度處，分別以光譜指數(shù)、極化組合指數(shù)為建模因子，利用PLSR、AdaBoost、RF 這3 種方法構(gòu)建土壤鹽分反演模型，得到土壤鹽分反演的最優(yōu)模型，并以此為基礎(chǔ)，為土壤鹽分的監(jiān)測提供科學支撐。傳統(tǒng)光譜指數(shù)由藍、綠、紅和近紅外波段構(gòu)成，易受植被和土壤背景等因素影響，導致土壤鹽分反演精度較低，而短波紅外波段不易受上述因素影響，能較好地反饋土壤鹽分信息。因此，本研究引入了SWIRi對傳統(tǒng)光譜指數(shù)進行改進，改進效果與潘肖燕[14]的研究結(jié)果相似。極化組合方式可以削弱噪聲的干擾，且能夠增強后向散射系數(shù)與土壤鹽分之間的相關(guān)性。因此，本研究對VV、VH的2 組后向散射系數(shù)進行組合運算，得到21 個極化組合，進一步篩選得到11 個最優(yōu)極化組合指數(shù)，通過機器學習擇優(yōu)篩選出最佳極化組合指數(shù)。極化組合指數(shù)可以增加土壤鹽分的反演精度，不同土壤深度下不同極化組合指數(shù)對土壤鹽分的敏感程度不同，這與杜瑜燕[18]的研究結(jié)果一致。本研究發(fā)現(xiàn)，基于光譜指數(shù)的AdaBoost模型相比PLSR 模型的預(yù)測效果更好，基于極化組合指數(shù)的RF 模型比PLSR 模型的預(yù)測效果更好。PLSR模型在處理土壤鹽分與指數(shù)變量之間復雜關(guān)系時具有一定的局限性，而較強的非線性擬合和推廣能力是機器學習的顯著優(yōu)勢，這與陳俊英等[19]的研究結(jié)果一致。張智韜等[20]研究表明，土壤水分和鹽分對土壤反射光譜會產(chǎn)生一定的干擾作用，從而在一定程度上影響土壤鹽分反演。因此，在未來的土壤鹽分反演研究中，水鹽交互效應(yīng)有待于進一步明確。

4 結(jié) 論

1）改進的光譜指數(shù)和極化組合指數(shù)能有效提高土壤鹽分反演精度，且改進的光譜指數(shù)更適用于烏拉特灌域土壤鹽分反演。

2）AdaBoost 模型整體表現(xiàn)最優(yōu)，在反演2 cm 深度處的土壤鹽分時精度最佳。

3）烏拉特灌域土壤鹽漬化程度較高區(qū)域主要分布于東南部區(qū)域，而西北部和中部區(qū)域的土壤鹽漬化程度較輕。

（作者聲明本文無實際或潛在利益沖突）

Using Multi-source and Multi-index Method to Assess Soil Salinity in Hetao Irrigation District in Inner Mongolia

WANG Huan1, LI Ruiping1*, ZHANG Yin1,2, LI Zhengzhong3, WEI Meiling3
(1. College of Water Conservancy and Civil Engineering, Inner Mongolia Agricultural University, Hohhot 010018, China;2.Department of Water Conservancy and Civil Engineering, Hetao University, Bayannur 015000, China;3. Liberation Gate Branch Center, Inner Mongolia Hetao Irrigation District Water Conservancy Development Center, Bayannur 015000, China)

【Objective】This study is to propose a method to improve the accuracy of remote sensing-based soil salinity inversion in the Urartian irrigation area within the Hetao irrigation region.【Method】To address the challenge of low accuracy associated with using single data source, indices and algorithms for soil salinity inversion, we propose to use spectral indices and polarimetric-combination indices as the variables. Partial least squares regression(PLSR), adaptive boosting (AdaBoost), and random forest regression (RF) models were used to construct soil salinity inversion model, and the optimal inversion model was identified through comprehensive evaluation based on the spatiotemporal variation of soil salinity measured from the Urartian irrigation from 2019 to October 2021.【Result】The PLSR and AdaBoost models worked better using spectral indices than using polarimetric-combination indices, while RF model was superior in using the polarimetric-combination indices than using the spectral indices.The PLSR model was most accurate for predicting soil salinity at the depth of 10 cm, with the coefficient of determination being 0.70. The AdaBoost model was the best for predicting soil salinity at the depth of 2cm, with the coefficient of determination being 0.74, while the RF model worked best when using the polarimetric combination indices to predict soil salinity at the depth of 2 cm, with the coefficient of determination being 0.64. Soil with high salinity was predominantly located in the southeast, while soil in the northwest and the center were only slightly salinized. 【Conclusion】Combing the improved spectral index and the AdaBoost algorithm is more accurate in using the inversion model to predict the salinity of the surface soil in Urartian irrigation area in the Hetao irrigation district.

sentinel remote sensing data; soil salinity; spectral index; polarization combination index; machine learning

TP19；S156.4

A

10.13522/j.cnki.ggps.2023117

王歡, 李瑞平, 張寅, 等. 內(nèi)蒙古河套灌區(qū)土壤鹽分多源多指數(shù)估算模型[J]. 灌溉排水學報, 2023, 42(10): 122-128.

WANG Huan, LI Ruiping, ZHANG Yin, et al. Using Multi-source and Multi-index Method to Assess Soil Salinity in Hetao Irrigation District in Inner Mongolia[J]. Journal of Irrigation and Drainage, 2023, 42(10): 122-128.

1672 - 3317（2023）10 - 0122 - 07

2023-03-22

2023-06-13

2023-10-17

國家自然科學基金項目（52269004，52069021）；內(nèi)蒙古自然科學基金項目（2022MS05044）

王歡（1998-），女。碩士研究生，主要從事遙感干旱監(jiān)測研究。E-mail: 1966096326@qq.com

李瑞平（1973-），男。教授，博士生導師，主要從事節(jié)水灌溉與農(nóng)業(yè)水利遙感信息技術(shù)研究。E-mail: nmglrp@163.com

@《灌溉排水學報》編輯部，開放獲取CC BY-NC-ND 協(xié)議

責任編輯：韓 洋