基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测

张俊华，贾萍萍，孙 媛，贾科利

基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测

张俊华1,2，贾萍萍3，孙 媛3，贾科利3※

（1. 宁夏大学环境工程研究院，银川 750021；2. 宁夏旱区资源评价与环境调控重点实验室，银川 750021； 3. 宁夏大学资源环境学院，银川 750021）

为了利用高光谱技术准确预测不同土层土壤盐渍化程度，该研究以宁夏银北地区不同层次土壤为研究对象，以土壤实测光谱数据和室内盐渍化指标测定数据为基本信息源，系统分析不同类型盐渍化土壤光谱特征，确定与土壤pH值、电导率（electric conductivity，EC）和可溶性盐分离子相关性最强的反射率转换方式，筛选0～5 cm和0～20 cm土层盐分指标敏感波段，然后建立并验证不同土层不同土壤盐分指标的预测模型。结果表明：研究区不同类型、不同盐渍化程度土壤光谱特征曲线变化趋势相似，盐土光谱反射率最高，轻度硫酸盐型土壤反射率最低。在所有盐分指标中，单波段反射率与0～5 cm土壤SO42-的相关性最强（相关系数为0.910 4）；反射率与CO32-、HCO3-、Cl-含量相关性不显著。土壤单波段反射率与0～20 cm土层SO42-的平均相关系数比0～5 cm土层降低了0.232 2，但Cl-、K+、HCO3-和EC的相关系数都有所增大。反射率通过不同方式转换后，敏感波段与各盐分的相关性有不同程度的增强，尤其是一阶微分和连续统去除后一阶微分转换。在0～5 cm土层反射率经过平滑后一阶微分转换后与土壤pH值、SO42-、K+、Mg2+相关性最强；反射率经平滑后连续统去除一阶微分转换与土壤EC、CO32-、HCO3-、Cl-、Na+、Ca2+的相关性最强。0～20 cm土层中，平滑后连续统去除一阶微分与土壤pH值、Cl-相关性最强，平滑后倒数对数一阶微分与EC、HCO3-、SO42-、Na+、Ca2+的相关性最强，而平滑后一阶微分与CO32-、K+、Mg2+相关性最强。不同土层相同盐分指标敏感波段不同。利用偏最小二乘回归建立的预测模型中，0～5 cm和0～20 cm敏感波段对10个盐分指标预测平均决定系数分别为0.820 8和0.890 7，其中0～5 cm敏感波段对SO42-的预测模型决定系数达0.967 6。采用逐步回归与偏最小二乘回归相比模型引入敏感波段减少，但2降低。验证结果表明模型对0～20 cm土层SO42-和CO32-的预测能力不及0～5 cm；但对其他8个盐分离子的预测能力明显高于0～5 cm。研究结果可以为该地区土壤的盐渍化信息预测及植物格局配置提供科学依据。

土壤；盐分；光谱分析；土层；高光谱；敏感波段；预测模型

0 引 言

土壤盐渍化是干旱－半干旱地区常见的土壤退化过程之一。其易削弱土地生产力，造成粮食产量下降，威胁生态安全及社会经济可持续发展[1-2]。因此，及时、快速、准确获取土壤盐渍化信息并进行预测，对盐渍化土壤治理与防治具有重要意义。

自20世纪80年代以来，高光谱技术在土壤盐渍化信息预测方面得到广泛应用，成为诊断和预测土壤盐渍化信息的有效手段[3-4]。由于野外土壤盐分组成和表层性状复杂，有学者在实验室土壤中人为加入纯盐或混合盐分来研究其光谱特征，以此诊断盐渍化类型或预测可溶性盐分离子浓度。Lv等[5]通过室内实验研究指出盐分不同土壤光谱吸收特征不同，相同浓度不同盐分的土壤吸收规律也不同。Howari等[6]在实验室测定了定量NaCl、NaHCO3、Na2SO4和CaSO4·H2O的土壤光谱，发现可以诊断出不同盐分类型的盐结皮。Jin等[7]研究也表明根据光谱特征可以准确、快速地区分出不同类型和不同浓度盐分土壤。王海江等[8]研究了干燥过筛后的盐渍土所构建的离子拟合模型并准确估算了新疆土壤K+、Na+、Ca2+和SO42-的含量。实验室光谱虽然在很大程度上减弱或消除了天气条件及周边环境等对土壤光谱反射率的影响，但经过一系列风干、研磨、测定前平铺等处理也会改变土壤的水分、表面粗糙度、粒径分布及盐分分布等，消弱土壤某种属性的表现[9]，尤其是表聚性较强的盐分，所以目前也有很多学者通过土壤野外光谱特征研究土壤盐分状况。Srivastava等[10]研究发现在1 390～2 400 nm范围内光谱反射率与土壤盐分变化高度相关，模型可以准确预测EC、Na+、Ca2+、Mg2+、Cl−以及钠离子吸附比（sodium adsorption ratio，SAR）。Peng等[11]指出光谱技术可以准确预测野外土壤全盐、HCO3-、SO42-、Ca2+、Mg2+、Cl-、Na+，但对K+却无法准确预测。此外，基于野外可见光－近红外波段的归一化光谱指数（normalized spectral indices，NDSI）、土壤光谱质量指数（soil spectral quality index, SSQI）等也可以准确预测除K+和Ca2+外土壤各盐分指标[12-13]。Zovko等[14]发现意大利Neretva河谷土壤盐分指数可以准确预测土壤SO42-、Ca2+、阳离子交换量（cationic exchange capacity，CEC）和EC，并指出盐分指数除了与盐分含量、pH值有关外，与土壤质地和CEC、碳酸钙、有机质含量也密切相关[15]。光谱数据常用建模方法有逐步回归（stepwise regression，SR）、偏最小二乘回归（partial least squares regression，PLSR）、主成分法、多元自适应回归法、神经网络法等[16]。屈永华等[17]利用PLSR建立光谱数据模型对SO42-、K+、Na+、pH值有较高的反演精度，但Peng等[18]指出采用Cubist模型较PLSR模型对EC的预测更准确。可以看出，由于土壤类型、盐分组成、表面粗糙度及其他理化性状的不同，根据土壤野外高光谱预测土壤不同盐分指标的精度差异也较大，同时，同一地区相同土壤采用不同的建模方法，土壤盐分预测精度也不尽相同。

盐渍土盐分运移随时空变化积盐、脱盐过程存在差异，相同地点不同土层盐渍化程度亦不同。Jiang等[19]指出在新疆干旱－绿洲地区深层土壤盐分与0～10 cm表层土壤盐分和土壤光谱反射率间有明显的相关性。吴亚坤等[20]对不同土层利用多源数据进行模型构建，模型对0～60 cm土层EC的估算精度优于60～120 cm。深入研究发现土壤EC预测精度表现为0～30 cm最低，30～60 cm随后升高，至60～90 cm逐渐降低，到90～120 cm又有升高的趋势[21]。宁夏银川平原北部地区广泛分布着不同类型的盐渍化土壤，是当地重要的后备耕地。0～5 cm土层是一般草本植物种子萌发的深度，较轻的土壤盐分有利于种子萌发[22]，0～20 cm是作物大部分根系生长的深度，良好的土壤环境是根系正常生长的前提。所以在作物种植前了解土层盐分状况，可以预判作物能否正常萌发、生长，以便为春耕前土地整理提供决策依据。为了确定高光谱技术能否准确预测土壤这2个土层的盐渍化程度，不同土层预测精度有何差异，本文以宁夏银北地区不同盐渍化程度的0～5 cm和0～20 cm土壤为研究对象，通过野外原位土壤光谱测定，结合样本实验室pH值、EC和可溶性盐分离子测定结果，在筛选出对各盐分指标敏感的光谱反射率和最佳转换方式的基础上，利用PLSR和SR同时建立了0～5 cm和0～20 cm土壤各盐分指标的预测模型，并对模型进行了验证，以期为该地区土壤的盐渍化信息预测及植物格局配置提供科学依据。

1 材料与方法

1.1 研究区概况

试验地处宁夏银北地区（106°24′～106°69′ E，38°50′～39°04′ N），位于宁夏贺兰山东麓洪积扇和平原之间，年降水量约为150～203 mm，年蒸发量1 755.1 mm 以上，因地形低洼，排水条件很差，是一个水分与盐分汇集的地区，形成了大面积盐碱土。研究区不同测点各盐分指标差异很大，但总体上具有较高的pH值、EC，SO42-、Cl-和Na+含量，0～5 cm土层可溶性盐基离子含量高于0～20 cm，其基本理化性状如表1所示。

表1 供试土壤基本理化性状

1.2 光谱数据及其他指标的测定

野外土壤光谱采用美国Spectral Evolution公司的SR-3500地物光谱仪，探测波段为350～2 500 nm，其中350～1 000 nm分辨率3.5 nm，1 000～1 500 nm分辨率为10 nm，1 500～2 100 nm分辨率为7 nm，于2018年4月中旬进行测定。光谱测定时间为10:00～14:00，天气状况良好，晴朗无云，风力较小。测定时光谱仪探头设置在垂直距离土表上方20 cm处。每个样点重复测定5次，取平均值作为该样点的光谱反射值，共86个样品。测定过程中，在每次观测前进行标准白板校正。光谱测定后在原处采集0～5 cm和0～20 cm土壤样品，带回室内测定土壤含水率，风干后测定土壤有机质、全氮、pH值、EC和各水溶性盐分离子浓度，各指标测定方法见文献[23]。

1.3 土壤光谱反射率转换方式

对去噪后的光谱数据进行Savitzky-Golay平滑()、平滑后一阶微分()′、平滑后倒数对数一阶微分[lg(1/)]′、平滑后连续统去除CR、平滑后连续统去除一阶微分(CR)′5种转换方式。

1.4 不同土层盐分含量预测模型的建立

将86个样本分两部分（按0～20 cm土层划分盐分类型，硫酸盐型10个、硫酸盐－氯化物型35个、氯化物－硫酸盐型41个），随机取56个样本用于建模，30个样本用于验证模型性能。利用敏感光谱反射率，采用PLSR和SR建模预测土壤pH值、EC和盐分离子含量，选择决定系数较大且敏感波段较少的方程为预测模型。模型的预测能力用验证样本的拟合度2以及总均方根差RMSE来检验，拟合度越大，总均方根差越小，模型预测能力越强。

2 结果与分析

2.1 不同类型土壤表层光谱特征差异

为了说明不同类型、不同程度盐渍化土壤光谱特征，从众多样品中选取5个有代表性的土壤（0～5 cm和0～20 cm），其基本理化性状和光谱特征曲线如表2和图1所示。供试土壤A1盐分含量非常高，尤其是SO42-和Na+，属于典型的硫酸盐型盐土；A2为硫酸盐－氯化物型土壤，pH值较A1高，但EC和可溶性盐基离子均低于A1；A3和A4都属于氯化物－硫酸盐型土壤，A3是典型龟裂碱土，HCO3-含量相对较高；A4表层质地坚硬，表层呈灰色，0～5 cm属于氯化物－硫酸盐型，但0～20 cm属于硫酸盐－氯化物型土壤；A5为硫酸盐型轻度盐渍化土壤，是基本农田。由于采样在4月中旬，土壤盐分表聚明显，0～5 cm各可溶性盐分离子含量总体上高于0～20 cm，但两层土壤pH值差异无规律。

表2 典型供试土壤A1～A5基本理化性状

5种不同类型、不同盐渍化程度土壤光谱特征曲线变化趋势相似（图1），在400～580 nm反射率呈单调上升趋势，此区间内光谱曲线斜率较大；580～1 350 nm缓慢增加或基本持平；1 350～1 450 nm受土壤水分含量影响反射率不稳定[24]，各土壤反射率增减不一致；1 450～1 800 nm普遍基本持平；1 800～2 030 nm受土壤水分影响出现反射谷[25]，该区域水分对反射率的影响明显大于1 350～1 450 nm范围。同为盐土，硫酸盐型盐土A1光谱反射率明显高于氯化物－硫酸盐型盐土A4，说明硫酸盐型盐渍化土壤光谱响应相对氯化物－硫酸盐型更强烈。5个测点中轻度硫酸盐型土壤A5平均反射率比A1～A4在400～2 450 nm低46.82%、25.91%、16.17%和6.50%。不同盐渍化程度之间的光谱分离度较好，因此，研究区的盐渍化土壤对可见光-近红外波段光谱具有良好的光谱响应特征。

注：A1-A5含义同表2。

2.2 单波段反射率与不同土层盐分指标相关性分析

利用所有土壤样品野外高光谱数据分别与各盐分指标做相关性分析，结果显示，0～5 cm土层土壤光谱反射率与SO42-、EC、Na+、Ca2+、Mg2+呈显著（<0.05）正相关关系，其中与SO42-的相关性最强，在整个波段内平均相关系数达到0.766 9，在401.1 nm处达0.910 4；与CO32-、HCO3-、Cl-含量相关性不显著（图2）。0～20 cm土层，不同波段反射率与Mg2+、EC、K+呈极显著正相关关系，与SO42-、Na+、Cl-呈显著正相关，与pH值、CO32-呈显著负相关关系。0～20 cm反射率与SO42-的相关系数比0～5 cm土层SO42-平均降低了0.232 2，但与Cl-、K+、HCO3-和EC的平均相关系数分别增大了0.433 1、-0.343 3、0.303 2和0.296 2。紫光能量大，穿透能力强，所以各盐分指标与紫光波段原始反射率相关性普遍较强。

图2 单波段反射率与不同土层土壤盐分指标间的相关系数

2.3 不同转换方式下光谱反射率与不同土层盐分指标相关性分析

反射率通过不同方式转换后可以提高某些波段与土壤盐分指标间的相关性。反射率经过连续统去除转换后与各盐分指标的相关性相对较稳定，()′、[lg(1/)]′和(CR)′ 3种方式转换后与0～5 cm和0～20 cm盐分指标间相关性均呈锯齿状变化，但最大相关系数（或绝对值）较转换前有显著增大。按照紫（400～455 nm）、蓝（455～492 nm）、绿（492～577 nm）、黄（577～597 nm）、橙（597～622 nm）、红（622～780 nm）、近红外短波（780～1 100 nm）、近红外长波（1 100～2 500 nm）的划分，在每一波段范围内分别筛选出与各盐分指标相关性最强波段。在0～5 cm土层中，反射率经过一阶微分()′转换后与该层土壤pH值、SO42-、K+、Mg2+相关性最强；反射率经统去除后一阶微分(CR)′转换与土壤EC、CO32-、HCO3-、Cl-、Na+、Ca2+的相关性最强。0～20 cm土层中，(CR)′与pH值、Cl-相关性最强，[lg(1/)]′与EC、HCO3-、SO42-、Na+、Ca2+的相关性最强，而()′与CO32-、K+、Mg2+相关性最强。在上述8个波段范围内，反射率最佳转换方式下与土壤盐分指标间的最大相关系数（或绝对值）所对应的波段即为敏感波段，土壤各盐分指标与所对应敏感波段的相关系数如表3所示。0～5 cm土层SO42-与各敏感波段对应的相关系数（或绝对值）最大，其绝对值平均值达0.885 8，K+次之，CO32-相关系数（或绝对值）最小；0～20 cm土层K+与各敏感波段间的相关系数（或绝对值）最大，Mg2+次之，CO32-仍最小。0～20 cm土层SO42-与敏感波段间的相关系数的绝对值平均值比0～5 cm土层下降了0.187 5，Ca2+下降了0.113 1，其他盐分指标均较0～5 cm有不同程度的增大。

2.4 敏感波段对不同土层盐分指标的预测

根据筛选出的敏感波段，利用PLSR和SR建立基于敏感波段的不同盐分预测方程（如表4、5所示），各盐分指标与最敏感单波段反射率相关系数在0.448 4～0.939 4之间，但采用多个敏感波段对各盐分指数进行拟合后决定系数均有不同程度的提高，尤其是相关系数较小的指数。故采用所有盐分指数建立的2种回归方程的2均达到极显著水平。利用PLSR建立的预测模型中，0～5 cm敏感波段对SO42-的决定系数高达0.967 6（比0～20 cm高0.077 6），其次是HCO3-，对EC的决定系数最低，为0.623 3，但也达到极显著水平；除SO42-外，预测方程对0～20 cm盐分指标的决定系数比0～5 cm有明显增大，其中对pH值、HCO3-、Cl-、K+、Na+和Mg2+的决定系数均大于0.900 0，对CO32-的决定系数最小，为0.759 7。SR结果与PLSR结果相比，敏感波段明显减少，但2也有不同程度降低，尤其是0～5 cm的pH值、EC和Na+的2降低0.10以上，故该层这3个盐分指标最终预测方程选择PLSR方程，其他指标的预测方程则确定为SR方程。

2.5 预测模型的验证

为了验证模型的预测效果，利用30个验证样本对0～5 cm和0～20 cm土壤盐分指标预测模型进行验证（除0～5 cm土壤pH值、EC和Na+采用PLSR方程外，其他指标均采用SR方程）。从图3可以看出，多个敏感波段利用最佳光谱反射率转换方式处理后建立的模型均可以准确预测0～5 cm土层pH值、EC和盐分离子，其中对SO42-的拟合度最大，Na+次之，对EC和pH值的预测精度相对较低。光谱反射率对0～20 cm土层SO42-和CO32-的预测能力较0～5 cm有不同程度降低（图4），但仍达到显著水平；对pH值、EC和其他盐分离子的预测能力明显高于对0～5 cm各指标的预测，尤其是对pH值和Mg2+的预测拟合度分别增加0.255 5和0.244 1。0～5 cm预测方程的RMSE普遍高于0～20 cm，说明光谱反射率对0～20 cm各指标的预测稳定性比0～5 cm更强。

表3 不同盐分指标与对应敏感波段范围反射率的最大相关系数

注：—、*和**分别表示不显著、在5%和1%水平上的显著性。

Note: —, * and ** were non-significant, significant at the 0.05 and0.01 probability levels, respectively.

表4 利用PLSR建立的盐分指标预测方程

表5 利用SR建立的盐分指标预测方程

注：RMSE单位与各指标相同，下同。=30。除土壤pH值、EC和Na+采用PLSR方程外，其他指标均采用SR方程。

Note: The RMSE unit is the same as each parameter, the same below.=30. Except the soil pH value, EC and Na+adopted the PLSR equation, the other parameters adopted the SR equation.

图3 0～5 cm土层各盐分指标预测结果验证

图4 0～20 cm土层各盐分指标预测结果验证

3 讨 论

供试土壤表层光谱特征曲线属于缓斜型，测点A1属于典型硫酸盐型盐土，测点中心寸草不生，0～5 cm均为白色结晶和粉末状物质，且含水率高达38.18%，故光谱反射率最高，结论与Jin等[24]、Zhang等[26]研究结果一致。A2为硫酸盐－氯化物型土壤，其土壤EC和可溶性盐分离子含量均低于A1，反射率低于A1。A3是典型龟裂碱土，表层略泛白，反射率居中。颜安等[27]指出龟裂状干盐壳呈龟裂状六边形，地表常见龟裂缝，表面粗糙，异常坚硬，影像上位于浅色纹理处，色调灰白，反射率居中，与本研究结论一致。A4中CO32-和HCO3-含量较高，Na2CO3和NaHCO3在与水结合后释出CO2致使表层有蜂窝状外观，相对较粗糙，故反射率较低。同为盐土，硫酸盐型盐土A1光谱反射率明显高于氯化物－硫酸盐型盐土A4，是因为A1含水率和含盐量比A4更高，且A4表面相对较粗糙。A5是基本农田，属于轻度盐渍化土壤，犁地结束还未进行平整，表面高低不平，所以反射率最低。供试土壤中除了A1样点SO42-和Na+含量最高外，其他样点普遍以Cl-最高，但0～5 cm土层单波段反射率与SO42-相关性最强，而与CO32-和HCO3-在可见光和近红外波段相关性均不显著，在0～20 cm土层反射率与Mg2+相关性最强，与Ca2+相关性最差。所以土壤表层反射率的高低与含盐量、含水率、粗糙度及颜色都有密切关系[9,28]。

反射率通过不同方式转换后，敏感波段与各盐分的相关性有不同程度的增强，尤其是经过一阶微分转换后与盐分的相关性增幅最大。因为光谱微分变换在消除漂移基线或是平滑背景的干扰下，可以提供较原光谱精度更高的分辨率和更清晰的光谱轮廓，能够增强高光谱数据与土壤含盐量间的相关程度，与相关研究结论相同[29-30]。但不同土层相同盐分指标所对应的最佳反射率转换方式和敏感波段不尽相同。本研究结果表明多个敏感波段利用最佳光谱反射率转换方式处理后建立的模型均可准确预测0～5 cm土层pH值、EC和可溶性盐分离子，其中对SO42-的拟合度最大，Na+次之，对EC和pH值的预测精度相对较低；对0～20 cm土层pH值、EC和其他盐分离子的预测能力明显高于对0～5 cm。紫光能量大，穿透能力强；红光波段和近红外波段是有机质、盐分、粘粒矿物和机械组成的敏感波段，所以不同盐分指标的敏感波段普遍集中在紫光、红光和近红外范围[28,30-31]。由于选取的敏感波段更多，故2个土层利用PLSR建立的土壤盐分指标反演模型拟合度较利用SR方法建立的模型更高，但后者各模型运用的敏感波段明显少于前者，有些盐分指标如0～5 cm土层的pH值、Na+、Ca2+、SO42-、K+、Mg2+以及0～20 cm土层EC、CO32-和Cl-，其敏感波段只有1～2个，且模型的拟合度也均通过了<0.05显著性检验。宁夏银北地区土壤Na+、Cl-、SO42-含量较高，因此这3种离子可以得到准确反演[32]；Mg2+和Ca2+虽然含量少，但与土壤颗粒结合后会形成螯合形态或与土壤中的其他离子形成螯合形态或难溶于水的磷酸盐、硫酸盐以及硅酸盐等[33]，所以这些物质也能够在高光谱上得到明显响应，与代希君等、王海江的研究结论一致[33,8]。本研究0～5 cm土层10个盐分指标的平均决定系数（0.820 8）低于0～20 cm土层（0.890 7），这可能与研究区特殊的土壤表面性状、气候、植被等自然地理环境密切相关，0～5 cm土层由于盐分的表聚性pH值及盐分含量显著高于0～20 cm土层，但最上层干扰性因素也最大，如土壤表层的蜂窝状外观、龟裂碱土的表面不同大小的裂隙、可溶盐潮解而使土壤颜色变深等原因[34]，直接影响了土壤光谱反射率大小，从而影响光谱信息对盐分指标的拟合精度；虽然0～20 cm土层盐分含量相对0～5 cm较低，但土壤性质较稳定，所以整体反演效果更好。不同植物资源耐盐碱程度不同，对可溶性盐分基离子的耐受力也不尽相同[35-36]，准确预测土壤中pH值、EC及可溶性盐分离子的含量，既能够为该地区土壤的盐渍化程度提供科学依据，也可以为该地区植物格局配置提供科学依据。

4 结 论

1）0～5 cm土壤光谱反射率与SO42-的相关性最强，与EC、Na+、Ca2+和Mg2+也达显著正相关关系（< 0.05）。0～20 cm反射率与SO42-的相关系数比0～5 cm土层SO42-明显降低，但与Cl-、K+、HCO3-和EC的相关系数都有所增大，相关性都达显著水平（< 0.05）。

2）在0～5 cm土层中，反射率经过一阶微分()′转换后与该层土壤pH值、SO42-、K+、Mg2+相关性最强；反射率经连续统去除后一阶微分(CR)′转换与土壤EC、CO32-、HCO3-、Cl-、Na+、Ca2+的相关性最强。0～20 cm土层中，(CR)′与pH值、Cl-相关性最强，[lg(1/)]′与EC、HCO3-、SO42-、Na+、Ca2+的相关性最强，而()′与CO32-、K+、Mg2+相关性最强。

3）利用PLSR建立的预测模型中，0～5 cm敏感波段对SO42-的决定系数最高，其次是HCO3-，对其他盐分指标的预测决定系数也达显著水平；除SO42-外，预测方程对0～20 cm盐分指标的决定系数比0～5 cm有明显增大。模型对0～20 cm土层SO42-和CO32-的预测能力不及0～5 cm；但对其他盐分离子的预测能力明显高于0～5 cm。

[1] Asfaw E, Suryabhagavan KV, Argaw M. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia[J]. Journal of the Saudi Society of Agricultural Sciences, 2018, 17(3): 250－258.

[2] Sidike A, Zhao S H, Wen Y M. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 156－175.

[3] Muller S J, van Niekerk A. Identification of WorldView-2 spectral and spatial factors in detecting salt accumulation in cultivated fields[J]. Geoderma, 2016, 273: 1－11.

[4] 陈红艳，赵庚星，李玉环，等. 消除水分因素影响的野外原状土壤盐分高光谱建模估测[J]. 农业工程学报，2018，34(12)：119－125. Chen Hongyan, Zhao Gengxing, Li Yuhuan, et al. Modeling and estimation of field undisturbed soil salt based on hyperspectra under removal of moisture factor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12): 119－125 . (in Chinese with English abstract)

[5] Lv Q F, Jiang L S, Ma B, et al. A study on the effect of the salt content on the solidification of sulfate saline soil solidified with an alkali-activated geopolymer[J]. Construction and Building Materials, 2018, 176: 68－74.

[6] Howari F M, Goodell P C, Miyamoto S. Spectral properties of salt crusts formed on saline soils[J]. J. Environ. Qual. , 2002, 31(5): 1453－1461.

[7] Jin P B, Li P H, Wang Q, et al. Developing and applying novel spectral feature parameters for classifying soil salt types in arid land[J]. Ecological Indicators, 2015, 54: 116－123.

[8] 王海江，蒋天池，Yunger J A，等. 基于支持向量机的土壤主要盐分离子高光谱反演模型[J]. 农业机械学报，2018，49(15)：263－270. Wang Haijiang, Jiang Tianchi, Yunger J A, et al. Hyperspectral inverse model for soil salt ions based on support vector machine in Xinjiang[J]. Transactions of the CSAM. 2018, 49(15): 263－270. (in Chinese with English abstract)

[9] 张俊华，马天成，贾科利. 典型龟裂碱土土壤光谱特征影响因素研究. 农业工程学报，2014，30(23)：158－165. Zhang Junhua, Ma Tiancheng, Jia Keli. Factors affecting the spectral characteristics of typical takyr solonetzs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 158－165. (in Chinese with English abstract)

[10] Srivastava R, Sethi M, Yadav R K, et al. Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected doil in the indo-gangetic plains of haryana, India[J]. Journal of the Indian Society of Remote Sensing, 2017, 45(2): 307－315.

[11] Peng J, Ji W J, Ma Z Q, et al. Predicting total dissolved salts and soluble ion concentrations in agricultural soils using portable visible near-infrared and mid-infrared spectrometers[J]. Biosystems engineering, 2016, 152: 94－103.

[12] Hendawy S E, Suhaibani N A, Hassan W M, et al. Evaluation of wavelengths and spectral reflectance indices for high through put assessment of growth, water relations and ion contents of wheat irrigated with saline water[J]. Agricultural Water Management, 2019, 212: 358－377.

[13] Paz-Kagan T, Shachak M, Zaady E, et al. A spectral soil quality index (SSQI) for characterizing soil function in areas of changed land use[J]. Geoderma, 2014, 230－231: 171－184.

[14] Zovko M, Romić D, Colombo C, et al. A geostatistical Vis-NIR spectroscopy index to assess the incipient soil salinization in the Neretva River valley, Croatia[J]. Geoderma, 2018, 332: 60－72.

[15] Vågen T G, Shepherd K D, Walsh M G. Sensing landscape level change in soil fertility following deforestation and conversion in the highlands of Madagascar using Vis-NIR spectroscopy[J]. Geoderma, 2006, 133(3/4): 281－294.

[16] Mohamed E S, Saleh A M, Belal A B, et al. Application of near-infrared reflectance for quantitative assessment of soil properties[J]. The Egyptian Journal of Remote Sensing and Space Sciences, 2018, 21: 1－14.

[17] 屈永华，段小亮，高鸿永，等. 内蒙古河套灌区土壤盐分光谱定量分析研究[J]. 光谱学与光谱分析，2009，29(5)：1362－1366. Qu Yonghua, Duan Xiaoliang, Gao Hongyong, et al. Quantitative retrieval of soil salinity using hyperspetral data in the region of Inner Mongolia Hetal irrigation district[J]. Spectroscopy and Spectral Analysis, 2009, 29(5): 1362－1366. (in Chinese with English abstract)

[18] Peng J, Biswas A, Jiang Q S, et al. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province, China[J]. Geoderma, 2019, 337: 1309－1319.

[19] Jiang H N, Shu H. Optical remote-sensing data based research on detecting soil salinity at different depth in an arid-area oasis, Xinjiang, China[J]. Earth Science Informatics, 2018, 7: 1－14.

[20] 吴亚坤，杨劲松，李晓明. 基于光谱指数与EM38的土壤盐分空间变异性研究[J]. 光谱学与光谱分析，2009，29(4)：1023－1027. Wu Yakun, Yang Jinsong, Li Xiaoming. Study on spatial variability of soil salinity based on spectral indices and EM38 readings[J]. Spectroscopy and Spectral Analysis. 2009, 29(4): 1023－1027. (in Chinese with English abstract)

[21] 吴亚坤，刘广明，杨劲松，等. 基于多源数据的中原黄泛典型区土壤盐分空间变异分析[J]. 农业工程学报，2015，31(5)：115－120. Wu Yakun, Liu Guangming, Yang Jingsong, et al. Spatial variability of soil salinity based on multi-source data for typical zone of flood area of the Yellow river in central China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 115－120. (in Chinese with English abstract)

[22] 李保国，徐建明译. 土壤学与生活[M]. 北京：科学出版社，2019. Li Baoguo, Xu Jianming. The nature and properties of soils[M]. Beijing: Science Press, 2019. (in Chinese with English abstract)

[23] 鲁如坤. 土壤农业化学分析方法[M]. 北京：中国农业科技出版社，2000.

[24] Jin P B, Li P H, Wang Q, et al. Develiping and applying novel spectral feature parameters for classifying soil salt types in arid land[J]. Ecological Indicators. 2015, 54: 116－123.

[25] Wang X P, Zhang F, Ding J L, et al. Estimation of soil salt content (SSC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR), Northwest China, based on a Bootstrap-BP neural network model and optional spectral indices[J]. Science of the Total Environment. 2008, 615: 918－930.

[26] Zhang T T, Qi J G, Gao Y, et al. Detecting soil salinity with MODIS time series VI data[J]. Ecol. Indic. , 2015, 52: 480－489.

[27] 颜安，蒋平安，武红旗，等. 基于决策树方法的罗布泊“大耳朵”干盐湖区盐壳分类研究[J]. 遥感信息，2009，2：57－63，75. Yan An, Jiang Pingan , Wu Hongqi, et al. A study on salt crust classification based on decision tree technology in Lop Nur “Great Ear” dry salt lake area[J]. Remote Sensing Information, 2009, 2: 57－63, 75. (in Chinese with English abstract)

[28] 彭杰，迟春明，向红英，等. 基于连续统去除法的土壤盐分含量反演研究[J]. 土壤学报，2014，51(3)：459－469. Peng Jie, Chi Chunming, Xiang Hongying, et al. Inversion of soil salt content based on continuum-removal method[J]. Acta Pedologica Sinica. 2014, 51(3): 459－469. (in Chinese with English abstract)

[29] 张贤龙，张飞，张海威，等. 基于光谱变换的高光谱指数土壤盐分反演模型优选[J]. 农业工程学报，2018，34(1)：110－117. Zhang Xianlong, Zhang Fei, Zhang Haiwei, et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 110－117. (in Chinese with English abstract)

[30] 刘焕军，张柏，张渊智，等. 基于反射光谱特性的土壤分类研究[J]. 光谱学与光谱分析，2008，28(3)：624－628. Liu Huanjun, Zhang Bai, Zhang Yuanzhi, et al. Soil taxonomy on the basis of reflectance spectral characteristics[J]. Spectroscopy and Spectral Analysis. 2008, 28(3): 624－628. (in Chinese with English abstract)

[31] 刘亚秋，陈红艳，王瑞燕，等. 基于可见/近红外光谱的黄河口区土壤盐分及其主要离子的定量分析[J]. 中国农业科学，2016，49(10)：1925－1935. Liu Yaqiu, Chen Hongyan, Wang Ruiyan, et al. Quantitative analysis of soil salt and its main ions based on visible/near infrared spectroscopy in estuary area of Yellow River[J]. Scientia Agricultura Sinica, 2016, 49(10): 1925－1935. (in Chinese with English abstract)

[32] 张俊华，孙媛，贾科利，等. 不同盐结皮光谱特征及其盐渍化信息预测研究[J]. 农业机械学报，2018，49(12)：325－333. Zhang Junhua, Sun Yuan, Jia Keli, et al. Spectral characteristics and salinization information prediction of different soil salt crusts in Northern Ningxia Yinchuan[J]. Transactions of the CSAM, 2018, 49(12): 325－333 (in Chinese with English abstract)

[33] 代希君，张艳丽，彭杰，等. 土壤水溶性盐基离子的高光谱反演模型及验证[J]. 农业工程学报，2015，31(22)：139－145. Dai Xijun, Zhang Yanli, Peng Jie, et al. Prediction and validation of water-soluble salt ions content using hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 139－145. (in Chinese with English abstract)

[34] 何文寿，刘阳春，何进宇. 宁夏不同类型盐渍化土壤水溶盐含量与其电导率的关系[J]. 干旱地区农业研究，2010，28(1)：111－116. He Wenshou, Liu Yangchun, He Jinyu. Relationships between soluble salt content and electrical conductivity for different types of salt-affected soils in Ningxia. Agricultural Research in the Arid Areas. 2010, 28(01): 111－116 (in Chinese with English abstract)

[35] 季洪亮，刘红丽，路艳. 北方滨海地区乡土野生盐碱植物资源调查及分析[J]. 西北林学院学报，2018，33(4)：261－267. Ji Hongliang, Liu Hongli, Lu yan. Investgation and analysis of the wild saline-alkali plants in the coastal area of northern China[J]. Journal of Northwest Forestry University. 2018, 33(4): 261－267. (in Chinese with English abstract)

[36] Müller I S, Gilliham M, Jha D, et al. Shoot Na+exclusion and increased salinity tolerance engineered by cell type-specific alteration of Na+transport in Arabidopsis[J]. Plant Cell, 2009, 21(7): 2163－2178.

Prediction of salinity ion content in different soil layers based on hyperspectral data

Zhang Junhua1,2, Jia Pingping3, Sun Yuan3, Jia Keli3※

(1.,,750021,; 2.,,750021,; 3.,750021,)

Soil salinization is a worldwide environmental problem with severe economic and social consequences. It is necessary to develop a soil-salinity-estimation model to project the spatial distribution of soil salinity. In this study, the spectra characteristics and salinization parameters of the soils in the different layers in northern Ningxia Yinchuan were measured. Based on the soil science and geostatistics methods, the sensitive wavelengths and the best transformation forms of spectral reflectance to salinity parameters (soil pH value, electric conductivity(EC) and salt ions) in 0-5 cm and 0-20 cm were selected respectively, and then the soil salinity parameters monitoring model was established. The results showed that: 1) The variation trend of soil spectral characteristic curves of five different types and different salinization degrees was similar. Saline soil had the highest spectral reflectance, and slightly SO42-type soil had the lowest reflectance. Salinized soils had good spectral response characteristics in visible and near infrared spectra region. The reflectance had the most closely related to the content of SO42-in all salinity parameters (coefficient of correlation was 0.910 4) of 0-5cm layer. There were non-significant relationships between reflectance and the contents of CO32-, HCO3-and Cl-. The average coefficient of correlation of reflectance and SO42-in 0-20 cm layer was decreased 0.232 2 than in 0-5 cm. However, the average coefficient of correlations of reflectance and Cl-, K+, HCO3-, EC were increased 0.433 1, -0.343 3, 0.303 2, 0.296 2, and got significant level. 2) After the spectral reflectance were transformed in different methods, the correlation between the most sensitive wavelengths and each salinity parameters were enhanced to some extent, especially after the ()′ (first order differential conversion) and (CR)′ (the first order differential after continuous removal). In 0-5 cm layer, ()′ was the optimal transformation forms of reflectance for pH value, SO42-, K+, Mg2+, and the (CR)′ was best for EC, CO32-, HCO3-, Cl-, Na+and Ca2+. In 0-20 cm layer, (CR)′ was the optimal index for soil pH value, [lg(1/)]′ was the optimal index for EC, HCO3-, SO42-, Na+, Ca2+were, and ()′ were the best one for CO32-, K+, Mg2+. In addition, there are different sensitive wavelengths in different soil layers about the same salinity parameters. 3) In the models of PLSR (Partial least squares regression), the average determination coefficient (2) between sensitive wavelengths of 10 salinity parameters were 0.820 8 and 0.890 7 in 0-5cm and 0-20 cm soil layer, respectively. The determination coefficient between sensitive reflectance and SO42-was 0.967 6 in 0-5 cm layer, and it was higher 0.077 6 than in 0-20 cm layer. The numbers of sensitive wavelengths reduced and2decreased that used PLSR method to established prediction model than used the SR (step-wised regression) method, but the2of the SR method also got the significant level. The results conformed that the prediction accuracy of models for SO42-, CO32-in 0-20 cm were lower than in 0-5 cm. However, the prediction ability of models for other salinity parameters in 0-20 cm was stronger than in 0-5 cm. The study provide some beneficial references for regional soil salinity prediction and configuration of plant structure.

soils; salts; spectrum analysis; soil layer; hyperspectral; sensitive wavelength; prediction model

2019-01-20

2019-05-13

国家自然科学基金项目（41561078）；宁夏自然科学基金项目（2018AAC03007）

张俊华，博士，研究员，主要从事精准农业与土壤质量提升研究。Email：zhangjunhua728@163.com

贾科利，博士，教授，主要从事遥感和地理信息方面的研究。Email：jiakeli@163.com

10.11975/j.issn.1002-6819.2019.12.013

S127，TP79

A

1002-6819(2019)-12-0106-10

张俊华，贾萍萍，孙 媛，贾科利. 基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测[J]. 农业工程学报，2019，35(12)：106－115. doi：10.11975/j.issn.1002-6819.2019.12.013 http://www.tcsae.org

Zhang Junhua, Jia Pingping, Sun Yuan, Jia Keli. Prediction of salinity ion content in different soil layers based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 106－115. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.12.013 http://www.tcsae.org