基于GF-1影像的渭-库绿洲外围土壤含盐量定量反演研究

苏 雯，丁建丽，杨爱霞

(1.新疆大学资源与环境科学学院,乌鲁木齐 830046；2.绿洲生态教育部重点实验室,乌鲁木齐 830046)

土壤盐渍化以及土壤次生盐渍化问题已经成为我国干旱、半干旱区亟待解决的主要的生态环境问题[1-4]。土壤盐渍化能导致土地退化，削弱并破坏土地生产力，降低农作物产量，已经严重地威胁到我国生态及国民经济的可持续发展[5-7]。因此，及时、精准地监测土壤盐渍化信息，获取大面积地盐渍化土壤空间分布状况，这对于合理利用土地资源、防治土地盐碱化及保护脆弱的干旱、半干旱区生态环境而言至关重要。而遥感技术因其具有监测范围大，获得资料速度快、信息量大、周期短、成本低、受地面条件限制少等优点，已被广泛应用于土壤盐渍化监测[7-10]。

近年来，国内外学者在干旱半干旱区的盐渍化土壤光谱特征分析，基于遥感的盐渍化分级以及动态监测等方面作了大量研究。Viscarra Rossel等[11]利用土壤可见-近红外反射光谱来区分不同土壤类型。Guan等[12]利用支持向量机的方法，结合地下水埋深、灌溉水以及蒸发量，预测盐渍土的电导率。丁建丽等[13]基于高维数特征空间所构建的土壤盐渍化遥感监测模型可以准确地反映盐渍化土壤地表盐量组合及其变化信息。张芳等[14]利用影像反射率值和实测反射率值对土壤碱化进行了预测对比，结果表明，以实测反射率值为基础数据构建的模型对pH 值的预测精度较高。赵振亮等[15]利用HIS高光谱影像进行盐渍化信息提取。陈实等[16]利用BP神经网络模型对土壤特征指数的土壤含盐量定量反演进行了研究。王爽等利用实测高光谱结合Landsat-TM多光谱遥感影像构建最佳土壤盐渍化监测模型,并将此模型实现大尺度范围内的高精度土壤盐分遥感定量反演[17]。综上所述，目前国内外学者研究土壤光谱特征以及盐渍土信息提取的主要参数所使用的数据，大多为实测高光谱数据、高光谱影像以及国外的高分辨率影像，而利用国产高分数据结合数据挖掘方法进行盐渍化土壤的定量研究还比较少。

本文以干旱区渭-库绿洲外围荒漠交错带为研究区，尝试利用国产GF-1高分辨率影像为数据源，利用BP神经网络和RBF神经网络建模方法，建立基于GF-1多光谱影像的表层土壤盐分含量估算模型。最后对拟合及预测的表层土壤盐分含量进行定量反演，并分析该地的盐渍化程度。据此来探讨基于GF-1遥感影像对于定量反演土壤含盐量及土壤盐渍化监测的适用性。

1 数据与方法

1.1 研究区概况

本研究区(见图1)位于天山南麓，塔里木盆地北部的渭干河-库车河绿洲(简称渭-库绿洲)，地理坐标范围为: 81°28′30″E～84°05′06″E， 39°29′51″N～42°38′01″N，包括阿克苏地区的库车、沙雅和新和3个县的部分地区。渭-库绿洲是一个典型而完整的山前冲积扇平原，属大陆性暖温带极端干旱气候，光、热资源丰富，地势北高南低，平均海拔920～1 100 m，总面积8 346.5 km2，年平均降水量128.1～217.2 mm，蒸发量1 992.0～2 863.4 mm。该区土壤以轻壤和沙壤为主，土壤pH值为7.9～8.0，土壤耕层含盐量0.3%～0.6%，局部地区土壤含盐量0.6%～1.0%，夹荒地土壤含盐量一般为2%左右[18]。为避免混合像元问题，本次研究主要位于绿洲外围荒漠交错带。

图1 研究区示意图Fig.1 Geographical position map of study area and distribution of sampling points

1.2 土壤含盐量测定

盐碱土采样一般在4、7、9月份[13,19]，参考前人文献[20],发现利用植被指数能够提高模型定量反演土壤含盐量的预测精度，在新疆阿克苏地区4月份植被活动生长季刚开始，9月份植被开始凋萎，7月份是植被生长旺盛，生物量较大的季节，提取7月份的植被指数较为合适，因此土壤样品采集选择在7月下旬进行。

本文的样品采自渭-库绿洲，采样时间为2014年7月22-28日，对在非植被覆盖区的31个采样点的表层(0～10 cm)土壤进行采样，采样单元为800 cm×800 cm，每个样点取3 个土样，将其混合，作为待试样品。土样经风干、磨碎、过2 mm筛后备用，采用1∶5 土水比例浸提水溶性盐。使用德国WTW公司制造的Cond 7310精密仪器来测定采样点的含盐量，并对土壤盐分含量做对数变换。

1.3 影像处理

本文采用国产“GF-1”8 m影像数据，包括4个多光谱波段：蓝(0.45～0.52 μm)、绿(0.52～0.59 μm)、红(0.63～0.69 μm)、近红(0.77～0.89 μm)、全色(0.45～0.90 μm)，侧摆时的重访周期为4 d。本文使用的影像获取日期为2014年7月19日。对GF-1遥感影像作的预处理包括几何精校正、辐射定标以及采用 Flash大气校正方法作了大气校正及影像融合。

因为本文是基于多光谱影像的含盐量估算模型，考虑到多光谱影像自身的光谱分辨率较低，而影像的获取时间又是在7月份，该月是生物量较大的季节，植被覆盖，都会对土壤的盐分含量产生一定的影响，因此根据前人的研究[3,13,20]最终选取植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、盐分指数(SI1、SI2、SI-T)(见表1)作为遥感指数。

表1 土壤含盐量估算选取的遥感指数Tab.1 The remote sensing index for estimation of soil salt content

1.4 野外实测光谱数据测定及预处理

为验证高分数据预测盐渍化土壤盐分含量的可行性，又要保持与影像获取时的环境相似，因此本文采用野外实测高光谱数据与GF-1影像数据进行对比分析。采用美国ASD公司的ASD FieldSpec○R3 HR光谱仪获取土壤光谱反射率数据，波段范围为350～2 500 nm，因此每条光谱曲线包含有2 151个波长变量[27]。测量时间为2014年7月22-28日，基本与影像获取时间同步。每个采样点测5次，取光谱数据的平均值作为每个采样点的光谱反射率，最终测定31个采样点的光谱反射率。

1.5 模型建立

建模采用BP神经网络、RBF神经网络进行建模。BP 神经网络模型是一种按误差反向传播算法训练的神经网络学习算法，是目前应用范围最广、实现途径最直观、运算机制最易理解、研究深入的一种人工神经网络[28]。而径向基函数(RBF)网络模型是一种性能良好的前馈型神经网络，具有较高的运算速度。为了能够更好的对比，因此选择这2种算法。

将GF-1影像的4个多光谱波段以及利用GF-1影像提取的归一化植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、盐度指数(SI1、SI2、SI-T)共10个变量作为模型的输入因子，土壤盐分含量作为输出因子，分别利用BP神经网络及RBF径向基函数神经网络进行建模。为探讨植被对土壤盐渍化的影响，每种模型又分为加入植被指数和不加植被指数，分别记为模型1和模型2。

1.6 模型检验

模型检验采用常用精度评价指标平均相对误差(RMSE) 和决定系数R22个验证指标进行检验。当RMSE的值越小，同时R2值越大时，估算模型的精度越高。计算公式如下：

(1)

式中：Pi为样点土壤盐分含量地面样点实测值；Si为样点土壤盐分含量反演预测值；N为验证反演精度的土壤含盐量样品个数。

2 结果与分析

2.1 野外实测高光谱反射率与GF-1影像反射率对比与分析

在GF-1遥感影像4个相应波段范围内，通过对相应野外实测高光谱反射率取中值的方法，利用实测光谱的反射率模拟GF-1遥感影像的反射率，并对比2者之间关系[29]，见图2。

图2 不同含盐量下实测光谱与高分影像的反射率对比Fig.2 Comparison of measured spectral reflectance and GF-1 image spectral reflectance

从图2中可以看出：在不同土壤盐分含量下，实测光谱反射率和高分影像反射率的变化趋势一致。当土壤含盐量小于等于7.1 g/kg时，GF-1影像反射率均低于实测高光谱反射率，这可能是由于GF-1影像的反射率会受到土壤湿度、植被覆盖以及大气校正精度的影响。而当土壤含盐量高于7.1 g/kg(为10.1 g/kg)时，GF-1影像反射率高于实测高光谱反射率，原因可能是由于该样点土壤盐渍化程度较高，表面以盐壳形式存在，受土壤湿度和植被覆盖影响较小。

此外，通过对2者进行相关性分析(见表2)可以看出，2者的相关系数均在0.9以上。总体来说，野外实测高光谱的反射率和GF-1影像的反射率高度相关，GF-1遥感影像光谱反射率可以用来反演土壤含盐量。

表2 实测光谱反射率与GF-1反射率相关系数Tab.2 The correlation coefficient of the measured spectral reflectance and GF-1 reflectance

2.2 神经网络的建立

经过多次试验训练，找到最适于建立网络模型的参数。BP神经网络的模型1采用7-5-3-1拓扑结构，模型2采用10-6-3-1拓扑结构，最小训练速率0.1、动态参数为0.5、Sigmoid参数0.9、允许误差0.0001、最大迭代次数1 000次。

RBF神经网络模型1：输入节点数7、输出节点数1、隐含节点数7、中心化方法Cluster、训练速率0.15、加权种子数为2、sigma参数0.38、迭代次数100。RBF神经网络模型2：输入节点数10、输出节点数1、隐含节点数10、中心化方法Cluster、训练速率0.15、加权种子数为2、sigma参数0.34、迭代次数100。

2.3 神经网络估算模型精度验证

分别利用BP神经网络、RBF神经网络，对10个变量因子分别进行2组建模，结果见表3。

表3 BP 与RBF网络模型预测精度对比Tab.3 Accuracy comparison of BP and RBF models

由表3可以看出，在BP神经网络模型中，模型1和模型2的预测精度分别为0.814和0.818，发现在增加了植被指数后模型的预测精度有所提升，说明植被指数对模型的预测精度有一定程度的影响。2种模型的平均相对误差(RMSE)分别为0.197和0.194，R2达到了0.814和0.818，2个模型的预测精度基本相等。在RBF神经网络模型中，模型2的预测精度要高于模型1，R2分别为0.721和0.736，均方根误差分别为0.239和0.236。

通过2种神经网络算法建立的4种模型可以看出：植被指数对模型预测精度有一定的提高。NDVI、RVI和SAVI都是反映植被生长的重要指数，当使用植被指数进行建模时，其模型预测精度明显提高，这与Ayetiguli[20]的研究所得出的结论一致。BP神经网络算法建立的2种模型的预测精度要高于RBF神经网络算法建立的2种模型，BP神经网络算法建立的2种模型的R2分别为0.814、0.818；RBF神经网络算法建立的2种模型的R2分别为0.721和0.736，这说明BP神经网络更适于土壤盐分的预测。

对BP神经网络模型2和RBF神经网络模型2预测值生成折线图(见图3)，从图3中可以看出，BP神经网络模型反演的盐分含量值，与RBF神经网络模型相比，更接近实测值，这可能和模型本身的参数设定有关。因此，BP神经网络模型的预测效果要优于RBF神经网络模型。

图3 BP、RBF神经网络模型土壤含盐量预测值与实测值折线图Fig.3 The line graph of predicted vs meatured of BP & RBF model 2

2.4 土壤含盐量反演

利用预测精度最高的BP神经网络模型2进行土壤含盐量反演，并与GF-1盐度指数(SI1)[13]影像对比，得到研究区的土壤盐分的空间分布图(见图4)。从图4可以看出，2者的盐渍化趋势基本一致，盐渍化严重区域都处在绿洲外围。盐度指数影像对于盐渍化较为严重的地区提取更为明显，而BP神经网络模型反演出的盐渍化情况更为准确，划分更加细致，更加接近实际情况。从BP神经网络模型2预测的盐分分布图(图4)中，提取31个样点的值，得到均方根误差(RMSE)为0.304，决定系数(R2)为0.789(见表4)，较上文中反演精度有所降低，这可能是和影像本身混合像元及影像大气校正有关，但整体反演精度较高，接近研究区实际情况。

图4 研究区0～10 cm 层土壤含盐量空间分布图Fig.4 Soil salt content space distribution of study site in 0～10 cm

项目RMSER2精度验证0．3240．781

土壤盐渍化程度较重的区域主要分布在东部和南部的荒漠及绿洲外围，而土壤盐渍化程度较轻的区域分布在西北部的绿洲内部。这主要由于7月份农田植被覆盖较高，蒸发量相对于荒漠区域较低。此外，研究区地势北高南低，盐分多积累于地势较低的山前冲积平原。并且根据韩桂红[28]对研究区地下水位的研究显示，7月份农田内部地下水埋深较深，蒸发量小，这也可能是土壤盐渍化现象轻的原因之一。

3 结 论

本文以干旱区渭-库绿洲交错带为研究区，通过分析GF-1多光谱数据与野外实测高光谱数据的关系,以GF-1影像的4个波段的反射率、归一化植被指数(NDVI)、差值植被指数(DVI)及盐分指数(SI1，SI2，SI-T)10个变量作为输入因子，利用BP神经网络和RBF神经网络，建立基于GF-1多光谱影像的土壤含盐量估算模型,并用预测精度较好的模型进行土壤含盐量反演，并分析该地区的土壤盐分空间分布。

(1)通过对GF-1遥感影像的反射率和野外实测高光谱影像反射率的对比分析，得出2者在不同盐分含量下的相关系数基本都在0.95以上，2者高度相关，其变化趋势基本一致，均呈现从B1到B4波段逐渐升高的趋势，在近红波段(B4)反射率最高。土壤盐分含量越高，2者的相关性越高，说明利用GF-1数据定量反演土壤盐分含量具有可行性。

(2)通过分别利用BP神经网络和RBF神经网络建模，发现预测精度最好的是BP神经网络模型，R2为0.818，RMSE为0.194，说明BP神经网络更适合该研究区土壤含盐量建模反演。

(3)通过分别对不加植被指数的模型1建模和加植被指数的模型2建模对比发现，BP模型1、模型2的R2分别为0.814、0.818，RBF模型1、模型2的R2分别为0.721和0.736，说明植被指数对于提高模型预测精度有所帮助。

(4)通过对BP神经网络模型2反演的土壤含盐量分布图和GF-1盐度指数影像对比发现，其盐渍化情况基本符合研究区，而BP神经网络模型2更接近研究区的实际情况。对反演结果进行精度验证，RMSE为0.324，R2为0.781，整体精度较高。

利用从影像上提取因子，来定量反演土壤含盐量，大大减小了一些人为误差。虽然研究区处于渭-库绿洲外围荒漠交错带，植被占整个区域的面积较小，但还是会有影响，在以后的研究中希望采用更高分辨率的影像来进行反演。此外，神经网络自身还存在着一些缺陷，对于网络隐含层的层数、节点数及网络参数该如何选取尚无理论依据，通常都是根据经验或实验确定，找到最佳组合，因此使网络具有较大的冗余性，而这将会影响模型拟合和预测效果。

□

[1] Wang Y G，Xiao D N，Li Y，et al.Response of salt accumulation in soil to groundwater changes at the oasis in the lower reaches of Sangong River，Xinjiang[J].Acta Ecologica Sinica，2007，27(10)．

[2] Acosta J A，Jansen B，Kalbitz K，et al.Salinity increases mobility of heavy metals in soils[J].Chemosphere，2011，85(8):1 318-1 324．

[3] Aldakheel Y Y.AssessingNDVIspatial pattern as related to irrigation and soil salinity management in Al-Hassa Oasis，Saudi Arabia[J].Journal of the Indian Society of Remote Sensing，2011，39(2):171-180．

[4] Muyen Z，Moore G A，Wrigley RJ.Soil salinity and sodicity effects of waste water irrigation in South East Australia[J].Agricultural Water Management，2011，99(1):33-41．

[5] Dehaan R L，TayLor G R.Field derived spctra of salinized soils and vegetation as indicators of irrigation induced soil salinization[J].Remote sensing of environment，2002，80(3):406-417.

[6] Mettmicht GL，Zinck JA.Remote sensing of soil salinity potentials and constraints[J].Remote Sensing of Environment，2003，85(1):1-20.

[7] 陈 实，徐 斌，金云翔，等. 北疆农区土壤盐渍化遥感监测及其时空特征分析[J].地理科学，2015,35(12):1 608-1 615.

[8] 翁永玲，宫 鹏.土壤盐渍化遥感应用研究进展[J].地理科学，2006，26(3):371-372.

[9] Rao B R M，Ravisankar T，Dwivedi R S，et al.Spectral behaviour of sa1taflfected soils[J].International Journal of Remote Sensing，1995，16(12):2 125-2 136．

[10] Letey J，Hoffman G J，Hopmans J W，et al. Evaluation of soil salinity leaching requirement guidelines[J].Agricultural Water Management，2011，98(4):502-506．

[11] Viscarra Rossel R A，Webster R.Discrimination of Australian soil horizons and classes from their visible-near infrared spectra[J].Eur J Soil Sci，2011，62:637-647.

[12] Xiaoyan Guan，Shaoli Wang，Zhanyi Gao，et al.Dynamic prediction of soil salinization in an irrigation district based on the support vector machine[J].Mathematical and Computer Modelling，2013，56:719-724.

[13] 丁建丽，姚 远，王 飞.干旱区土壤盐渍化特征空间建模[J].生态学报，2014，34(16):4 620-4 631．

[14] 张 芳，熊黑钢，栾福明，等.土壤碱化的实测光谱响应特征[J].红外与毫米波学报，2011，30(1):55-60．

[15] 赵振亮，塔西甫拉提·特依，孙 倩，等．土壤光谱特征分析及盐渍化信息提取——以新疆渭干河/库车河绿洲为例[J]．地理科学进展，2014，33(2):280-288.

[16] 陈 实，高 超，徐 斌．新疆石河子农区土壤含盐量定量反演及其空间格局分析[J]．地理研究，2014，33(11).

[17] 王 爽，丁建丽，王 璐，等.基于地表光谱建模的区域土壤盐渍化遥感监测研究[J].干旱区地理，2016，39(1):190-198.

[18] 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):1 822-1 829.

[19] 姚 远，丁建丽，张 芳，等.基于电磁感应技术的塔里木盆地北缘绿洲土壤盐分空间变异特性[J].中国沙漠，2014，34(3):765-772.

[20] Ayetiguli Sidikea, Shuhe Zhao, Yuming Wen. Estimating soil salinity in Pingluo County of China using Quick Birddata and soil reflectance spectra [J]. International Journal of Applied Earth Observation andGeoinformation，2014,26(2):156-175.

[21] Yinghai Ke, Jungho Im, Junghee Lee, et al. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations[J]. Remote Sensing of Environment, 2015,164: 298-313.

[22] Yao Zhengyang, Liu Jianjun, Zhao Xiaowen, et al. Spatial dynamics of aboveground carbon stock in urban green space:A case study of Xi’an, China[J]. Journal of Arid Land, 2015,7(3):350-360.

[23] Huete A R. A soil-adjusted vegetation index(SAVI)[J].Remote Sensing of Environment, 1988,25(88):295-309.

[24] 王玉刚，肖笃宁，李 彦，等． 新疆三工河流域尾闾绿洲地下水变化与土壤积盐的响应[J]． 生态学报，2007,27 (10)．

[25] A E K Douaoui, H Nicolas, C Walter,et al. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data[J]. Geoderma,2006,134(1):217-230.

[26] N K Tripathi, Brijesh. Spatial modelling of soil alkalinity in GIS environment using IRS data[C]∥ Paper presented at the 18th Asian Conference in Remote Sensing,1997.

[27] 杨爱霞，丁建丽.新疆艾比湖湿地土壤有机碳含量的光谱测定方法对比[J].农业工程学报，2015，31(18):162-168.

[28] 蒋宗礼.人工神经网络导论[M].北京:高等教育出版社，2001:7-13.

[29] 韩桂红,塔西甫拉提·特依拜，买买提·沙吾提,等. 渭-库绿洲地下水对土壤盐渍化和其逆向演替过程的影响[J]地理科学,2012,32(3):362-367.