含盐土壤盐渍化雷达反演模拟研究

刘全明

(内蒙古农业大学水资源与水土工程研究所，内蒙古呼和浩特 010018)

含盐土壤盐渍化雷达反演模拟研究

刘全明

(内蒙古农业大学水资源与水土工程研究所，内蒙古呼和浩特 010018)

准确、快速提取大范围地表土壤盐渍化空间分布是一个迫切需要解决的科学难题。本文以河套灌区解放闸灌域土壤盐分雷达监测为例，研究基于RADARSAT-2数据的盐渍化信息提取，利用成熟的BP神经网络技术，建立四极化雷达影像灰度值反演土壤盐分的人工智能模型，经实测数据检验能够在一定程度上满足盐渍化监测的需要，优于传统盐渍土分类方法，可促进微波遥感在土壤盐渍化监测中的开拓应用。

寒旱灌区；土壤盐渍化；雷达反演

一、引 言

遥感技术由于具有观测范围广、实时性强等特点适合用来研究土壤盐渍化。国外盐渍化研究始于20世纪70年代，国内研究晚10多年。学者们在盐渍化土壤光谱特征、遥感数据源及盐渍化专题信息提取等方面取得不少成就：经历了从遥感图像目视解译到基于影像光谱特征的数字遥感图像计算机自动分类处理的历程；使用了热红外、可见光、多光谱及高光谱、微波等多源遥感数据源；采用目视解译，数字图像处理，基于地学知识发现、综合地理信息分类等方法。亢庆等基于SPOT、ASTER多平台数据和DEM、土壤样品分析等多源数据，采用光谱角度制图遥感分类方法对西部干旱试验区盐渍化分布进行了分类制图[1]。布和敖斯尔提出了基于知识发现和决策规则基础的盐碱地GIS和遥感分类方法，经对华北平原黑龙港地区盐碱地分类研究发现，该方法具有简化数据运算过程、减少人为误差及节约时间的特点[2]。庞治国利用3S技术进行了吉林大安市盐渍化调查与评价。吐尔逊·艾山使用BP神经网络进行了干旱区盐碱土盐分遥感反演[3]。关元秀等使用遥感监测黄河三角洲盐碱地动态变化[4]，在建立GIS与地下水动力模型的松散耦合系统的基础上，结合土壤盐渍化驱动力分析，建立了盐渍化预测模型。骆玉霞等在GIS支持下，利用TM图像进行了土壤盐渍化分级[5]。王飞等建立了基于NDVI-SI特征空间的土壤盐渍化遥感模型[6]。王静等利用ANN技术和高光谱遥感进行了盐渍土盐分预测[7]，采用BP人工神经网络，结合实测盐渍土光谱信息和含盐量，对盐渍土盐分遥感反演模型进行了初步探讨。周文佐采用数理统计方法，建立了土壤盐渍化分时段预报模型，进行了黄河三角洲水盐运动研究。张飞等作了干旱区绿洲土壤盐渍化程度遥感定量评价工作。光学遥感不论是目视判读还是计算机自动分类，都要依赖于盐碱土的光谱响应特征，而单纯通过光谱响应来提取土壤盐碱化信息，具有一定局限性，且反演精度难以保证[8]。

在微波波段，土壤盐分变化会影响土壤介电常数及土壤表面后向散射系数。这就为通过雷达遥感监测土壤含盐量的变化提供了可能，也解决了遥感数据源有限的问题，利用雷达影像进行盐渍化监测值得提倡。胡庆荣通过含水含盐土壤介电特性试验研究，把经典的Doboson土壤混合介电模型扩展为含水含盐土壤的混合介电模型，分析了吉兰泰雷达图像对土壤含盐量的响应[9]。熊文成通过建立含水含盐(NaCl)土壤的介电常数模型，建立了土壤含水量、含盐量与介电常数虚部的关系，然后得到反演模型，即得到了介电常数与雷达后向散射系数的关系[10]。

人工神经网络被广泛用于解决各种非线性问题，以多波段、多极化雷达影像灰度值为神经网络参数值的尝试用于土壤水盐反演问题的研究。本文以黄河大型灌区(河套)解放闸灌域的区域性水土资源空间变异为案例，重点分析雷达影像灰度值与含盐土壤盐分的关系，建立不同极化雷达影像灰度值反演土壤盐分的人工智能模型，以丰富盐渍化监测的理论与方法，并积极促进微波遥感在土壤盐渍化监测中的应用与开拓。

二、案例分析

1.采样系统设计

内蒙古河套灌区水盐运移属于垂直入渗蒸发型，降雨量少、蒸发量大，在强烈的蒸发作用下，水分携带盐分向地表运移积聚，春季反盐是灌区土壤次生盐渍化的重要因素。灌区每年从4月中旬灌溉，到11月中下旬结束，根据作物需水规律进行灌溉，用水量最大的是秋浇，起压盐保墒作用。灌区土壤年内水盐运移变化复杂，了解夏灌(4—6月)前、秋浇(10中旬—11月中下旬)前土壤水盐的分布状况对灌区农业生产和土壤改良有着深刻影响，并对年际间水盐动态时空变异规律研究有一定的代表性。

研究区域设在黄河河套灌区内的解放闸灌域。提前购置2012年11月29日RADARSAT-2精细四极化SGX格式雷达影像一景，与野外采样时间对应，相幅25 km×25 km，地面分辨率8 m。在室内初步布设样点的基础上，野外用手持GPS接收机定位获取50个可用采样点的WGS-84经纬度坐标，在满足合理采样数的要求下，每个样点处均匀取3个土样取平均以消除取样代表性误差。取土深度为表土0～10 cm，土样的测定分析项目为全盐量，以反映土壤的盐分变化。同时在每个采样点测定了地表粗糙度，典型地物如盐生植被、盐渍地土壤等光谱曲线，为以后的光谱分析积累数据，并对采样点的自然景观进行拍照。采样点布置如图1所示。

图1 沙壕渠试验区采样点雷达影像图

2.试验数据分析

本试验购置的RADARSAT-2精细四极化雷达影像为SGX格式，雷达影像独特的成像机理使得后处理较为复杂。对于定量遥感分析，雷达处理主要包括雷达影像定标、几何校正、斜距转地距和滤波等。鉴于雷达图像的DN值直观地反映了地表后向散射系数，而DN值与后向散射系数存在着对应关系，但其转换处理较复杂，由于技术条件所限，本文未作定标处理，直接使用中科院地面观测站处理好的四极化灰度雷达影像图，建立雷达灰度DN值(0—255)反演土壤盐分含量的BP人工神经网络模型。土样盐分含量与四极化灰度值见表1。

表1 沙壕渠土壤四极化雷达影像灰度DN值与盐分含量数据表

续表1

三、雷达土壤盐分反演模型建立

由于植物—土壤—水分系统自身的复杂性，造成了遥感盐分监测的难度，特别是随机分布的地表使得雷达入射波与地表的散射现象异常复杂，现有的盐分遥感反演研究尚为学术界难题。BP神经网络被广泛证明是一种非线性函数逼近的优秀理论与方法，而土壤盐分空间分布与后向散射特性存在着复杂的非线性函数关系，运用成熟的BP技术可以研究其非线性函数逼近问题，为本领域的研究提供了一种新的思维方法和建模手段。

由于BP神经网络具有结构不唯一且收敛速度较慢的特点，在BP建模过程需针对具体情况确定网络层数、各层的神经元数、拟合误差、学习速率等关键参数。经优化试验，本文选用3层BP神经网络结构，即输入层、隐含层、输出层。土壤盐分含量随样点地理空间位置不同，而存在盐分的空间变异性，同时土壤含盐量与雷达灰度值有着复杂的响应关系，综合考虑多因素，确定输入层由7个神经元组成，包括采样点大地坐标B、L、大地高H 3个非遥感地理因子和4个灰度值DNHH、DNVV、DNHV、DNVH。隐含层神经元数的确定目前尚无成熟的理论可依，一般使用试算法，按照神经元数和训练次数较少、又能满足训练误差精度要求的原则，经大量试算比对，获取最少隐含层神经元数为14个神经元。输出层为1个神经元，对应为采样点的全盐量。隐含层采用双曲正切Sigmoid激活函数，输出层采用线性激活函数。拟合目标误差采用0.05 mg/g，学习速率决定了训练中权值的变化量，针对标准BP训练方法可能陷入局部误差极小值的缺点，用十几种训练函数进行试算，最后选用自适应修改学习速率算法中的快速训练函数traingda进行网络的训练。

本文使用Matlab神经网络工具箱的函数编写BP神经网络模型的计算程序，用试验区内50个采样点数据，建立起3层BP神经网络模型，并选用快速训练函数traingda进行网络的学习训练。训练误差满足精度要求后，绘出训练误差收敛图(如图2所示)、内部误差检验图(如图3所示)。计算用Matlab源程序代码如下

图2所示网络经64 325步学习训练达到0.05 mg/g拟定训练误差目标，可用于模拟估计。

图2 土壤盐分训练误差收敛图

图3所示土壤盐分模拟内部检验最大误差-2.58 cmol/kg(该点盐分含量为明显特异值，干扰并严重降低了内部检验精度)，最小误差为0；内部检验平均绝对误差值为0.30 cmol/kg，误差小于0.30 cmol/kg的点数占64%。

图3 土壤盐分模拟内部检验误差图

四、结束语

本文利用河套灌区夏灌前的四极化RADARSAT SAR雷达数据，通过试验研究土壤全盐量与雷达影像灰度值的响应关系，建立了不同极化灰度值、非遥感因子与土壤全盐量的人工神经网络模型，经检验模拟误差64%均小于平均绝对误差，其模拟结果用于快速监测大范围裸露地表土壤盐渍化分布是可行的。这对指导灌区盐渍化防治与农业生产具有非常重要的科学意义与实用价值。由于缺乏微波网络分析仪，无法同步测量土壤介电常数，进而未能应用介电模型分析土壤盐分的响应特性，并耦合经验模型与人工智能模型以提高盐分模拟精度，这也是今后工作所努力的方向。

[1] 亢庆，于嵘，张增祥，等.基于多源数据的土地盐碱化遥感快速监测[J].遥感信息应用技术，2005(6)：42-45.

[2] 布和敖斯尔.基于知识发现和决策规则的盐碱地遥感分类方法研究[J].中国图象图形学报：A辑，1999，4(11)：965-969.

[3] 吐尔逊·艾山.基于BP神经网络的干旱区盐碱土盐分遥感反演模型研究[D].乌鲁木齐：新疆大学，2008.

[4] 关元秀，刘高焕.黄河三角洲盐碱地动态变化遥感监测[J].国土资源遥感，2003(2)：19-22.

[5] 骆玉霞，陈焕伟.GIS支持下的TM图像土壤盐渍化分级[J].遥感信息，2001(4)：12-15.

[6] 王飞，丁建丽，伍漫春.基于NDVI-SI特征空间的土壤盐渍化遥感模型[J].农业工程学报，2010，26(8)：168-174.

[7] 王静，刘湘南，黄芳，等.基于ANN技术和高光谱遥感的盐渍土盐分预测[J].农业工程学报，2009，25(12)：161-166.

[8] 张飞，塔西甫拉提·特依拜，丁建丽，等.干旱区绿洲土壤盐渍化程度遥感定量评价[J].生态环境学报，2009，18(5)：1822-1829.

[9] 胡庆荣.含水含盐土壤介电特性实验研究及对雷达图像的响应分析[D].北京：中国科学院遥感所，2003.

[10] 熊文成.含水含盐土壤介电特性实验研究及反演研究[D].北京：中国科学院遥感所，2005.

[11] FARIFTEH J，FARSHAD A，GEORGER R J.Assessing Salt-affected Soils Using Remote Sensing，Solute Modelling，and Geophysics[J].Geoderma，2006，130(3-4)：191-206.

[12] SHAO Yun，HU Qingrong，GUO Huadong，et al.Effect of Dielectric Properties of Moist Salinized Soils on Backscattering Coefficients Extracted from RADARSAT Image [J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(8)：1879-1888.

[13] HOLAH T N，BAGHDADI N，ZRIBI M，et al.Potential of ASAR/ENVISAT for the Characterization of Soil Surface Parameters over Bare Agricultural Fields[J].Remote Sensing Environment，2005，96(1)：78-86.

[14] JESTER W，KILK A.Soil Surface Roughness Measurement Methods，Applicability，and Surface Representation[J].Catena，2005，64(2-3)：174-192.

[15] 翁永玲，龚鹏.土壤盐渍化遥感应用研究进展[J].地理科学，2006，26(3)：369-375.

[16] 江红南.基于3S技术的干旱区土壤盐渍化时空演变研究[D].乌鲁木齐：新疆大学，2007.

[17] 姚荣江，杨劲松，邹平，等.区域土壤水盐空间分布信息的BP神经网络模型研究[J].土壤学报，2009，46(5)：788-794.

[18] 李震，廖静娟.合成孔径雷达地表参数反演模型与方法[M].北京：科学出版社，2011.

[19] 刘全明.非参数统计理论与人工智能技术在水土空间变异中的应用研究[D].呼和浩特：内蒙古农业大学，2009.

[20] 邵月红.多普勒雷达降水反演及其与改进的区域气候模式RIEMS的同化研究[J].测绘学报，2011，40 (5)：670.

On Radar Inversion and Simulation of Salty Soil Salinization

LIU Quanming

P237

B

0494-0911(2014)09-0043-04

2013-06-28

国家自然科学基金(51249007)；内蒙古自然科学基金(2013MS0609)；内蒙古农业大学博士科研启动基金(BJ09-25)

刘全明(1973—)，男，内蒙古四子王旗人，博士，副教授，主要从事水土资源的空间变异理论与应用研究。

刘全明.含盐土壤盐渍化雷达反演模拟研究[J].测绘通报，2014(9)：43-46.

10.13474/j.cnki.11-2246.2014.0290