大田葵花土壤含盐量无人机遥感反演研究

陈俊英 姚志华 张智韬 魏广飞 王新涛 韩 佳

(1.西北农林科技大学水利与建筑工程学院， 陕西杨凌 712100；2.西北农林科技大学旱区农业水土工程教育部重点实验室， 陕西杨凌 712100)

0 引言

土壤盐渍化是全球范围内的生态问题，多发生于干旱-半干旱地区，是制约区域农业生产发展和导致土地退化的主要因素之一[1-2]。河套灌区是我国重要的粮油作物生产基地[3-4]，同时也是土壤盐渍化的高发区。已有学者研究发现，不同程度的盐分胁迫对作物根系的吸水功能会造成一定程度的影响，进而影响作物长势[5]。因此，研究植被覆盖状态下作物根系的土壤盐分信息，对于评估土壤盐分对作物生长状况的影响、采取有效措施增产增收具有极为重要的意义。葵花是河套灌区典型的油料作物，针对土壤盐分对葵花生理状态的影响已有大量的研究[6-8]。这些研究大多是以小区域的田间试验数据为基础，难以推广到大田区域，且这些研究数据获取的手段相对传统，获取方式也比较单一，难以满足现代化精准农业的客观要求。无人机遥感作为一种新兴的遥感手段，具有获取信息快、覆盖面积广及运行成本低等优势，近年来在作物系数估算、农田土壤含水率反演以及作物水分胁迫诊断等方面有着广泛的应用[9-11]。也有学者尝试将其应用到土壤盐渍化的研究上，并取得了不错的成果[12-13]。

已有研究表明，盐渍化土壤在光谱的可见光和近红外波段具有明显的光谱特征[14-15]。文献[16]通过构建不同的光谱指数来评价植被群落的土壤盐分，发现受盐分影响的植被冠层的光谱特征会随盐分水平的不同而发生变化。文献[17]利用卫星多光谱数据，采用不同的变量筛选方法优选变量，研究了我国西北部艾比湖地区的土壤盐渍化状况，发现经过变量筛选获取的反演模型可以有效估算该地区的土壤盐分。文献[18]在利用多光谱数据反演黄河三角洲地区的土壤盐分时发现，构建的模型在不同盐分水平上估算精度存在差异。针对河套灌区的土壤盐渍化研究，目前主要的手段是通过地面实地测量的光谱数据[19]或者卫星遥感监测得到的数据[20]、结合土壤样品的盐分含量数据进行反演。而利用无人机遥感对植被覆盖状态下农田土壤盐分开展的相关研究则相对较少，针对该地区单一作物葵花不同生育期、不同土层根系土壤盐分特点的研究也不多见。开展此类相关研究不仅是对不同状态下葵花农田土壤盐分特点的初步解析，而且对河套灌区多元化遥感形式下的土壤盐渍化监测也有一定的积极意义。

在利用遥感数据反演土壤盐分状况的研究方法上，一般是通过光谱变换、波段或者指数筛选等方式筛选出对土壤盐分敏感的相关变量，进而进行模型验证分析[21-22]。因此，敏感变量的筛选是进行土壤盐分反演的关键。近年来，作为一种应用广泛的多因素统计方法，灰色评估系统在土壤盐分的光谱分析中可以更好地对敏感波段或指数进行筛选，因此被越来越多应用到区域土壤盐渍化的定量分析上[12,23]。机器学习算法在处理复杂的非线性关系问题上具有独到的优势，被许多学者应用到了土壤盐分反演模型的构建，并取得了较好的效果[24-27]。前人研究虽已涉及很多方面，但将灰色关联和机器学习算法相结合进行农田土壤盐分反演的研究却相对不多。

鉴于此，本文通过采集河套灌区大田葵花不同生育期内的无人机遥感影像数据及对应的土壤盐分数据，以灰色关联法筛选对盐分敏感的光谱指数，以不同类型的光谱指数及对应的冠层温度作为模型输入变量，利用偏最小二乘回归、支持向量机、 反向传播神经网络和极限学习机等方法构建不同的盐分反演模型，对比在葵花不同生育期、不同指数类型及不同土壤深度下的模型精度，以期获得适应于大田葵花土壤含盐量反演的最优模型，同时也为盐渍化地区葵花农田土壤盐分的无人机遥感定量反演提供一定的参考。

1 材料与方法

1.1 研究区及试验地概况

内蒙古河套灌区位于内蒙古自治区西部，是中国设计灌溉面积最大的灌区，也是中国重要的粮油作物生产基地之一。研究区沙壕渠灌域是内蒙古河套灌区西北部解放闸灌域内部的一个独立单元，地理位置介于北纬40°52′～41°0′，东经107°5′～107°10′，其形状近似为一个狭长的倒三角形，南窄北宽，土壤类型以粉壤土、砂壤土和壤土为主。该地区的气候类型为典型的大陆性干旱-半干旱气候，冬长夏短，冬季严寒少雪，夏季高温少雨，年均降雨量150 mm，年均蒸发量2 000 mm，年平均气温7℃，全年无霜期130～150 d。主要种植农作物为葵花，同时还夹杂种植部分小麦、玉米和西葫芦等。灌区引水以引黄灌溉为主，全年视来水情况灌水5～8次，年均引黄河水量约12亿m3。近年来由于灌区长期高灌低排、灌水利用效率不高和气候条件的影响，使得该地区面临着不同程度的次生土壤盐渍化问题，已经严重制约了农业生产的发展。

根据在沙壕渠灌域内实地调研结果，按照土壤盐渍化的不同程度，选择了4块不同盐渍化梯度的耕地作为试验地，并依次编号，分别为：1号地(含盐量0.87～4.66 g/kg)、2号地(含盐量2.03～7.99 g/kg)、3号地(含盐量5.05～18.32 g/kg)、4号地(含盐量18.99～59.99 g/kg)，见图1。每块试验地的面积约为16 hm2，主要种植作物为葵花，4块地在研究区内呈“T”形分布，可以较好地代表研究区域内大田葵花的盐渍化分布状况及特点。

图1 试验地示意图Fig.1 Sketch of location of study area and test site

1.2 试验数据获取及预处理

1.2.1无人机遥感平台及传感器配置

试验所用遥感平台为大疆创新科技有限公司生产的经纬M600型六旋翼无人机，如图2a所示。该机的最大续航时间40 min，最大起飞质量15.1 kg，最大上升和水平飞行速度分别为5、18 m/s，同时可承受最大8 m/s的风速。其搭载的多光谱传感器为美国Tetracam公司生产的Micro-MCA型多光谱相机(简称MCA)，如图2b所示。该相机包括中心波长490 nm(蓝光)、550 nm(绿光)、680 nm(红光)、720 nm(红边)、800 nm(近红外)、900 nm(近红外)6个波段的光谱采集通道，具有质量轻、体积小及远程触发等特点，非常适合在中小型无人机上进行搭载及拍摄。热红外传感器为大疆公司生产的禅思XT型热红外成像测温仪，如图2c所示。该成像仪使用FLIR系统的Tau2机芯，镜头焦距为19 mm，分辨率为640像素×512像素，视场角32°(H)×26°(V)，波段范围7.5～13.5 μm，温度测量范围-25～135℃，可以快速实时监测试验作物的冠层温度变化情况。

图2 试验所用无人机与传感器配置Fig.2 UAV and sensor configuration used in test

1.2.2野外实测盐分数据

实测盐分数据分别于2018年7月15—19日和8月12—16日分两次采集于河套灌区沙壕渠灌域试验地，数据采集时间分别为葵花生长阶段的现蕾期和开花期，如图3所示。试验期间天气晴朗，一般选取11:00和14:00左右进行无人机的飞行试验。每块试验地均匀布置采样点15个，以现蕾期采样点分布为例，如图4所示。采样点均选取在有葵花覆盖的区域内，现蕾期各个采样点葵花覆盖度大部分在80%左右，其中3号地葵花长势最为旺盛，覆盖度也最高，2号地覆盖度较3号地略低，但长势比较均一，而1号地和4号地各个采样点葵花覆盖度则存在一定差异，其中最高的可达88%，最低的仅为39%。开花期各个采样点葵花覆盖度大部分在90%左右，比现蕾期有所提高，但各个采样点覆盖度的具体分布情况与现蕾期基本类似。具体的采样方式为土钻取土，采集包含0～20 cm、20～40 cm和40～60 cm 3个不同深度处的土壤样本约60 g放于铝盒之中，同时采用手持式GPS仪记录每个采样点的位置。

图3 不同生育期葵花生理状态示意图Fig.3 Schematics of physiological status of sunflower in different growth stages

图4 取样点分布示意图Fig.4 Distribution diagrams of sampling points

取回的土样在实验室中经自然风干、缩分、研磨和过2 mm样品筛后，称取20 g土样置于250 mL振荡瓶中，加入100 mL、(20±1)℃的蒸馏水，盖上瓶盖，放在往复式水平恒温振荡器上，于(20±1)℃振荡30 min。取下振荡瓶静置30 min后，将上清液经定性滤纸过滤，滤液收集于100 mL烧瓶中。配置好的提取液采用电导率仪(雷磁DDS-307A型，上海佑科仪器公司生产)测定其电导率。用水冲洗电极数次，再用待测的提取液冲洗电极，按照电导率仪的使用说明书要求，将温度校正为(25±1)℃，直接从电导率仪上读取土壤提取液的电导率(EC1:5,dS/m)，并通过经验公式换算为土壤含盐量(SSC，%)[20]。

1.2.3葵花冠层光谱反射率

无人机多光谱影像数据的采集时间与地面数据的采集保持一致。无人机飞行模式为按照提前规划好的航线区域飞行，拍照模式选定等时间间隔，飞行高度为120 m，多光谱相机镜头垂直向下，此时的影像地面分辨率为0.065 m。每次光谱采集前均使用标准白板进行标定，对获取的单幅6波段遥感影像与对应的GPS数据在pix4Dmapper软件中完成初步拼接，形成整块试验地的多光谱遥感影像。再利用ENVI 5.3软件将野外实测的采样点按其GPS经纬度信息导入图像中，并以采集点为中心裁剪200像素×200像素的单幅遥感影像，如图5所示。最后，以提取到的该区域内图像像元的6波段平均灰度除以标准白板的灰度作为该采样点对应的葵花冠层光谱反射率。

图5 采样点多光谱R、G、B波段合成真彩色影像Fig.5 True color images synthesized by multi-spectral R, G and B bands of sampling point

1.2.4葵花冠层温度

葵花冠层温度利用与多光谱相机同步挂载飞行的热红外成像系统获得，数据采集时间及方式与多光谱系统保持一致，此时的影像地面分辨率为0.155 m。每次起飞前在试验区域内放置近似黑体的一盆水，地面利用手持热红外测温仪同步测量水体温度及采样点附近葵花叶片温度，取不同叶片温度平均值作为取样点参考温度以作校准。将获取的热红外遥感影像通过pix4Dmapper软件进行拼接以及ENVI 5.3软件进行裁剪之后，导入FLIR Tools(禅思XT热红外影像处理软件)中，如图6所示。设置辐射率为0.96，将之前获取的叶片平均温度和水温作为参考温度，通过对比参考温度和热红外图像上相应像元温度对红外温度图像进行校准，获取最终采样点对应的葵花冠层温度。

图6 采样点热红外假彩色影像Fig.6 Thermal infrared false-color image of sampling point

1.3 光谱指数的选取与计算

利用遥感图像提取到的光谱反射率，可以构建出各种不同的光谱指数。为探究植被指数和盐分指数在反演大田葵花土壤含盐量的特点，分别挑选应用广泛的16种植被指数(归一化植被指数NDVI-1、归一化植被指数NDVI-2、差值植被指数DVI-1、差值植被指数DVI-2、比值植被指数SR-1、比值植被指数SR-2、增强型植被指数EVI-1、增强型植被指数EVI-2、大气阻抗植被指数ARVI-1、大气阻抗植被指数ARVI-2、冠层盐度响应植被指数CRSI-1、冠层盐度响应植被指数CRSI-2、土壤调节植被指数SAVI-1、土壤调节植被指数SAVI-2、修改型土壤调节植被指数MSAVI-1、修改型土壤调节植被指数MSAVI-2)和15种盐分指数(归一化盐分指数NDSI-1、归一化盐分指数NDSI-2、盐分指数SI、盐分指数SI1、盐分指数SI2-1、盐分指数SI2-2、盐分指数SI3、盐分指数S1、盐分指数S2、盐分指数S3、盐分指数S5、盐分指数S6-1、盐分指数S6-2、盐分指数SI-T-1、盐分指数SI-T-2)用于分析，其计算方法见文献[16,28-38]。

1.4 土壤盐分反演模型的构建与验证

将葵花2个生育期内每次获取的60个样本随机分为2组，其中40个用于建模，20个用于验证。

1.4.1模型构建

基于建模样本的土壤盐分数据及无人机遥感系统得到的冠层温度和优选出的光谱指数参量，分别采用偏最小二乘回归(PLSR)、支持向量机(SVM)、BP神经网络(BPNN)以及极限学习机(ELM)构建土壤盐分反演模型。

运用SPSS 23软件建立土壤盐分的偏最小二乘回归模型。偏最小二乘法是最常用的一种光谱建模方法，相当于主成分分析、多元线性回归以及典型相关分析的组合，可在一定程度上有效地消除参量之间的多重共线性。支持向量机、BP神经网络以及极限学习机等机器学习模型分别采用R语言软件中的e1071、nnet和elmNNRcpp包完成。

1.4.2模型验证

利用决定系数(Coefficient of determination,R2)、均方根误差(Root mean square error, RMSE)和一致性相关系数(The concordance correlation coefficient, CC)3个指标对模型的验证精度进行评估。R2和CC越大、RMSE越小，则说明模型效果越好[39]。

2 结果与分析

2.1 土壤盐分数据的统计特征分析

将采集的葵花2个生育期内不同土壤深度的采样点盐分按等级划分[20]：非盐土(含盐量小于0.2%)、轻度盐渍化(含盐量0.2%～0.5%)、重度盐渍化(含盐量0.5%～1.0%)和盐土(含盐量大于1.0%)，具体的各项参数统计情况如表1所示。

表1 土壤采样点盐分的描述性统计分析Tab.1 Descriptive statistical analysis on soil salinity

2.2 葵花冠层温度与土壤盐分的相关性分析

将提取到的采样点葵花冠层温度与对应的不同深度土壤盐分进行相关性分析，并绘制出散点图，结果如图7所示。从图7中可以看出，不同生育期、不同土壤深度的葵花冠层温度与土壤盐分的相关性均有所差异。但总体而言，随着土壤盐度的提高，冠层温度也在不断升高，这与文献[13]的研究结果一致。查皮尔逊(Person)相关系数界值表可得，当n=60时，若0.250<|r|≤0.325，则表示在0.05水平上显著；若|r|>0.325，则表示在0.01水平上显著。因此，所选数据均达到了0.05水平上显著，而在0.01水平上，现蕾期0～20 cm和20～40 cm深度处的数据达到了显著，40～60 cm深度处数据未达到显著，而开花期则只有0～20 cm深度处的数据达到显著，另外2个深度均呈现不显著。对比可以发现2个生育期葵花在0～20 cm深度处的土壤盐分与葵花的冠层温度的相关性均最高，相关系数r分别为0.422和0.404，其他2个深度处的相关性则略低一些。

图7 冠层温度与土壤盐分相关关系Fig.7 Correlation diagrams between canopy temperature and soil salinity

2.3 不同光谱指数与土壤盐分的灰色关联分析

利用灰色系统将不同生育期不同土壤深度的16种植被指数和15种盐分指数分别与对应的土壤含盐量逐一进行灰色关联分析，其灰色关联度及排序情况如表2和表3所示。

2.4 不同光谱指数的筛选结果统计

从表2和表3可以看出，不同生育期、不同深度的植被指数和盐分指数与土壤含盐量的关联度均有所差异，即使是同一种指数类型，利用不同的近红外波段来构建，其与土壤含盐量的关联度也不尽相同。但同一指数类型在不同深度处与土壤含盐量的关联度比不同类型指数间的关联度差异要小，而植被指数与盐分指数分别与土壤含盐量的关联度对比则不是很明显。本研究在葵花生长的2个生育期内，筛选出不同土壤深度关联度排序前6的植被指数和盐分指数作为前2种模型输入变量，同时筛选出关联度排序前3的植被指数和盐分指数组成光谱指数变量作为第3种模型输入变量。具体的指数筛选结果统计情况如表4所示。

表2 不同生育期植被指数与土壤含盐量的灰色关联度统计Tab.2 Gray correlation degree statistics between different vegetation indexes and soil salinity at different growth stages

表3 不同生育期盐分指数与土壤含盐量的灰色关联度统计Tab.3 Gray correlation degree statistics between different salt indexes and soil salinity at different growth stages

表4 不同生育期光谱指数的灰色关联度分析筛选结果统计Tab.4 Grey correlation analysis and screening results statistics of spectral indexes at different growth stages

2.5 偏最小二乘回归模型的建立与分析

利用SPSS 23软件以2.4节筛选得到的光谱指数参量和对应的冠层温度作为自变量，以土壤含盐量为因变量，构建基于偏最小二乘回归的土壤盐分反演模型，模型效果如表5所示。

表5 基于不同生育期不同深度土壤含盐量的PLSR模型Tab.5 PLSR regression model based on soil salinity at different depths in different growth stages

从表5可以看出，针对2个生育期数据，基于盐分指数和光谱指数建立的模型的建模预测效果更优。同时对比发现，0～20 cm和20～40 cm深度处的土壤盐分模型效果要好于40～60 cm，特别是在开花期。其中在开花期40～60 cm土壤深度处基于植被指数建立的模型效果最差，验证集R2仅为0.068，验证集RMSE、CC分别为0.079%和0.255。而现蕾期在此深度处的模型更优，这可能是因为生育期不同，葵花的根系活动范围也存在差异。

2.6 机器学习模型的建立与分析

2.6.1支持向量机模型

支持向量机模型的建立主要是由R语言软件中的e1071包实现，利用网格搜索法进行模型参数gamma和成本参数cost的寻优，选定交叉验证误差最小的模型参数构建模型作为最终的盐分反演模型，结果如表6所示。

表6 基于不同生育期不同深度土壤含盐量的SVM模型Tab.6 SVM regression model based on soil salinity at different depths in different growth stages

从表6可以发现，在所有已构建的土壤盐分SVM模型中，模型效果最好的是在现蕾期中基于光谱指数建立的0～20 cm深度处的盐分反演模型，建模集R2和验证集R2分别为0.739和0.574，验证集RMSE、CC分别为0.080%和0.711。效果最差的是开花期中基于植被指数建立的40～60 cm深度处的盐分反演模型，建模集R2和验证集R2分别为0.397和0.203，验证集RMSE、CC分别为0.068%和0.008。其余模型的精度差异较小，建模集和验证集的决定系数均在0.3以上，均方根误差均在0.2%以下，说明基于支持向量机算法建立的盐分反演模型整体效果较好。

2.6.2BP神经网络模型

BPNN是一种按误差逆传播算法训练的多层前馈神经网络，本研究的BP神经网络模型同样采用R语言软件完成。首先利用 caret 调用 nnet 包训练单隐含层人工神经网络，然后利用网格搜索法按照误差最小的原则进行参数寻优，将选定的模型参数代入模型并输入相关变量进行模型运算，结果如表7所示。

从表7可以发现，在所有已构建的土壤盐分BP神经网络模型中，现蕾期的模型整体效果较好，建模集R2和验证集R2均达到了0.4以上，验证集RMSE均位于0.1%以下，CC均位于0.4以上。而在开花期，40～60 cm土壤深度处的模型效果明显差于其他2个深度处，特别是基于植被指数建立的模型，建模集R2和验证集R2仅为0.191和0.140，基于盐分指数和光谱指数建立的模型效果也较差。

表7 基于不同生育期不同深度土壤含盐量的BPNN模型Tab.7 BPNN regression model based on soil salinity at different depths in different growth stages

2.6.3极限学习机模型

极限学习机是一种单隐含层前馈神经网络的快速学习算法，它的网络训练模型由输入层、隐含层和输出层组成，其中隐含层的神经元个数需人为确定。在R语言软件中，调用elmNNRcpp包输入训练样本，设置tansig为激活函数。隐含层神经元节点数确定方法是通过将节点数量由2调整到100，每一步增加2个，以调节最优隐含层的节点数，每个模型结构重复500次，以减少ELM模型的随机性，最后由模型输出层输出运算结果，结果如表8所示。

表8 基于不同生育期不同深度土壤含盐量的ELM模型Tab.8 ELM regression model based on soil salinity at different depths in different growth stages

由表8可知，在所有已构建的土壤盐分极限学习机模型中，0～20 cm和20～40 cm土壤深度处的模型效果优于40～60 cm，但也有例外，如在现蕾期基于植被指数建立的40～60 cm深度处的盐分模型效果优于其他深度，它的建模集R2和验证集R2分别为0.432和0.419，验证集RMSE、CC分别为0.108%和0.626。此外，对比发现，现蕾期的模型效果整体优于开花期，特别是40～60 cm深度处的模型，差异更加明显。

2.7 模型的综合评价

本文以通过灰色关联法筛选得到的不同指数和对应的作物冠层温度为自变量，以相应的不同深度土壤的含盐量为因变量，统计2个生育期的数据，利用偏最小二乘回归、支持向量机、BP神经网络以及极限学习机等建模方法，共计构建不同类型的土壤盐分反演模型72个，其模型反演效果统计如表9所示。由于各个模型间的验证集RMSE差异较小，为了更直观地观察各个模型之间的区别，以验证集R2、CC和RMSE等评价指标为参量，绘制出不同模型的模型评价指标堆积条形图，如图8所示，以观察分析模型反演效果，图中反演模型PLSR-20表示在0～20 cm深度处的偏最小二乘回归模型，SVM-20表示在0～20 cm深度处的支持向量机模型，BPNN-20表示在0～20 cm深度处的BP神经网络模型，ELM-20表示在0～20 cm深度处的极限学习机模型；PLSR-40表示20～40 cm深度处的偏最小二乘回归模型，SVM-40表示在20～40 cm深度处的支持向量机模型，BPNN-40表示在20～40 cm深度处的BP神经网络模型，ELM-40表示在20～40 cm深度处的极限学习机模型；PLSR-60表示在40～60 cm深度处的偏最小二乘回归模型，SVM-60表示在40～60 cm深度处的支持向量机模型，BPNN-60表示在40～60 cm深度处的BP神经网络模型，ELM-60表示在40～60 cm深度处的极限学习机模型。

图8 不同土壤盐分反演模型评价指标堆积条形图Fig.8 Different soil salinity inversion model evaluation index accumulation bar charts

从表9可以看出，就整体而言，无论是现蕾期还是开花期，所建立的盐分模型均表现出了良好的反演效果，但对比发现，现蕾期的效果要优于开花期。对比不同指数类型建模发现，基于盐分指数和光谱指数建立的模型反演效果更好。对比不同的土壤深度建模发现，在0～20 cm和20～40 cm深度处建立的盐分反演模型反演效果优于40～60 cm深度处的，特别是在开花期，这种情况更加明显。对比4种建模方法可以看出，基于机器学习方法建立的盐分反演模型精度更高，而在这3种机器学习模型中，反演效果最好的是ELM模型，SVM模型次之，最差的是BPNN模型。

表9 不同建模类型的盐分反演模型反演效果统计分析Tab.9 Statistical analysis of inversion effects of salt inversion models of different modeling types

从图8中可以看出，在开花期的40～60 cm土壤深度处，建立的盐分反演模型效果明显差于其他深度，各个条形图的长度出现较大差异。而在现蕾期基于盐分指数建立的不同模型反演效果则比较均匀，各个条形图长度差别不大。通过对现蕾期和开花期的模型整体作对比，也可以看出现蕾期的模型整体反演的效果更好，模型的稳定性也高于开花期。同时还可以看出，大部分模型评价指标堆积条的最长处均集中在0～20 cm和20～40 cm深度处，说明这2个深度更适宜于盐分的反演。通过观察还可以发现，即使在同一深度处，由于建模方法的不同，模型的效果也会有很大的差异，这说明建模方法的选取对盐分模型反演也很重要。

3 讨论

无人机遥感有着监测范围广、获取信息快以及工作效率高等优势，在大面积获取作物冠层信息方面有着广泛的应用，也是未来精准农业的发展方向。在葵花生长旺盛的生育期内，土壤中的盐分高低会改变作物根域的水土环境，进而影响到作物的生长。本文通过提取到不同生育期内葵花的冠层多光谱和热红外信息，来对其对应根域不同土壤深度处的含盐量进行建模反演，取得了较好的反演效果。文献[40]研究证明土壤盐分对葵花生长的限制会随着作物生育阶段的增加而减弱，而文献[41]在沙壕渠试验站内进行的试验也得出了葵花不同生育期内对盐分的敏感性存在显著差异的结论，本研究发现葵花现蕾期对根系土壤盐分更为敏感，建模效果也更好，与上述研究结果基本类似。已有研究表明盐渍农田葵花的最大侧根深不到40 cm，且侧根密度随深度的增加而降低[40]。在本研究中，普遍存在0～20 cm和20～40 cm土层深度处的葵花根系对土壤盐分的敏感程度高于40～60 cm的现象，这说明土壤盐分对作物生长的影响程度与其根系的延伸程度密切相关。此外，本研究中基于植被指数组构建的盐分反演模型反演效果相对较差，这可能是由于土壤盐分对作物最直接的影响就是覆盖度降低，进而导致各种植被指数的变化，而本研究所选择的两个生育期葵花长势旺盛、覆盖度较高，因此土壤盐分对各种植被指数的作用不是特别明显。

通过添加包含有温度信息的热红外波段数据共同构建盐分反演模型，可以使模型的整体性能更加完备，已有学者做过类似的探索[13]。本文在模型构建方面采用了传统的偏最小二乘回归以及3种机器学习算法，对比发现，盐分反演的机器学习模型精度高于偏最小二乘回归模型，这可能是因为盐渍化农田作物所反映的光谱信息与土壤参数之间的转换函数是复杂的非线性关系，而机器学习具有自主学习的能力，可以很好地处理这类关系，在反演土壤盐分方面具有优越性[33]。文献[26]在利用多光谱和高光谱融合影像反演土壤盐分时，同样发现机器学习模型的反演效果明显优于统计分析模型。在3种机器学习模型中，ELM模型的效果最好，SVM模型次之，BPNN模型最差。这表明极限学习机作为一种改进的神经网络算法，它的学习速率高、泛化能力强，相比其他2种机器学习方法，更加适合于本研究的土壤盐分反演。文献[27]在基于光谱指数与机器学习算法的土壤电导率估算研究中也用到了本文的3种机器学习算法，最后的结果同样是ELM 模型表现最优，这说明ELM在土壤盐分的定量研究中拥有广阔的应用前景。但值得说明的是机器学习方法本身并无优劣之分，究竟哪种机器学习方法更适合于土壤盐分的反演，目前尚无定论。

然而本研究也存在明显的不足之处，对于葵花而言，苗期是其生长发育的关键时期，此时葵花的根系较浅，不同土层深度的盐分与植被冠层信息之间的关系也更为复杂，而成熟期的葵花根系活动范围基本不再变化，此时期内根系土壤盐分的分布可能会影响到作物的产量。由于试验条件的限制，本研究只探索了葵花现蕾期和开花期土壤盐分特点，在苗期和成熟期的结果如何，还有待进一步探索。此外，作物的冠层光谱信息不仅与作物根系土壤盐分有关，如文献[42]探究了土壤盐分与施氮量交互作用对葵花生长的影响，发现在0～20 cm的土层深度中，土壤盐分在0.5%上下时，会影响到葵花对氮肥的吸收，进而影响作物长势。文献[43]的研究则表明在遥感反演土壤盐分的过程中，不同的土壤水分和盐分条件下也会呈现出不同的光谱信息，因此，考虑各种因素与土壤盐分的交互作用对作物冠层光谱信息的影响应该是后续研究的重点。由于取样深度、数据采集时间、建模和验证方法以及研究区域地理环境的差异，本文的研究成果是否适用于其他地区葵花的土壤含盐量反演还有待进一步研究。

4 结论

(1)对比不同生育期、不同土壤深度的盐分反演模型发现，葵花现蕾期盐分模型的反演效果整体优于开花期，0～20 cm和20～40 cm土壤深度处的盐分模型反演效果整体优于40～60 cm深度处。

(2)对比不同指数类型变量组构建的盐分模型发现，基于盐分指数和光谱指数变量组、结合冠层温度构建的盐分反演模型效果优于基于植被指数组对应的盐分反演模型。其中基于植被指数组构建的模型反演效果最好的验证集R2、RMSE和CC分别为0.510、0.097%和0.646，反演效果最差的验证集R2、RMSE和CC仅分别为0.140、0.071%和0.004。

(3)基于机器学习方法构建的盐分反演模型效果优于偏最小二乘回归模型，在所有构建的偏最小二乘回归模型中，反演效果最好的模型R2、RMSE和CC分别为0.554、0.081%和0.699，对应的机器模型反演效果最好的R2、RMSE和CC分别达到了0.718、0.062%和0.813。在3种机器模型中，ELM模型效果最好，SVM模型次之，最差的是BPNN模型。