水盐交互作用对河套灌区土壤光谱特征的影响

张智韬，杜瑞麒，杨 帅，杨 宁，魏广飞，姚志华，邱元霖

·农业信息与电气技术·

水盐交互作用对河套灌区土壤光谱特征的影响

张智韬1,2，杜瑞麒1,2，杨 帅1，杨 宁1，魏广飞1，姚志华1，邱元霖1

（1. 西北农林科技大学水利与建筑工程学院，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，杨凌 712100）

为探究土壤水盐交互作用对Sentinel-2卫星光谱特征的影响，该研究以内蒙古河套灌区沙壕渠灌域为研究区域，分别在2018年和2019年的4—5月共采集280个裸土期表层土壤样本，测定其土壤含水率和含盐量，并获取同步的Sentinel-2卫星遥感数据，构建基于土壤水盐-反射率原理的土壤光谱特征理论模型，在此基础上结合土壤水盐交互作用构建水盐交互模型，并比较2种模型对土壤光谱的模拟效果，分析土壤水盐交互作用对土壤光谱估算的影响。结果表明：1）土壤水盐交互作用对光谱的影响因波段类型和水盐含量的不同而有所不同。在可见光范围上影响相对较弱，其作用范围为-0.11～0.29；在近红外和短波红外范围上影响相对较强，其作用范围为-0.35～0.61；当水分或盐分中某个含量较高时对光谱影响较弱，在水盐含量程度相似时影响较强。2）与土壤光谱特征理论模型相比，水盐交互模型能明显地改善土壤光谱的模拟效果，能将模拟相关系数由0.14～0.44提升到0.29～0.59，均方根误差由0.032～0.082降低到0.029～0.068。该研究结果揭示了盐分和水分对光谱特征的干扰过程，为土壤盐分的估算提供策略与方法，对实现区域尺度上土壤盐分的精准监测具有一定的意义。

土壤；水分；盐分；交互；Sentinel-2卫星；河套灌区；光谱特征

0 引 言

土壤盐渍化是全世界普遍发生的现象，在降雨较少且蒸发量较大的地区尤为明显，会严重遏制当地的农业生产发展以及影响其生态系统[1-4]。卫星遥感能快速而又准确地监测到土壤盐渍动态变化，为土地治理和生态恢复提供有效的信息和管理方法[5]。

利用卫星遥感技术对土壤盐分进行反演的研究已经非常深入[6-10]。Wei等[11]利用多光谱传感器获取的遥感影像数据，建立基于不同变量组合的土壤盐分反演模型，并根据反演结果筛选出最佳盐分反演模型；Abderrazak等[12]通过构建新的光谱指数对摩洛哥中部塔德拉平原土壤盐渍化进行时空监测；Jiang等[13]利用土壤盐分在不同深度之间的内在联系，来监测新疆干旱区绿洲不同深度土壤盐分。虽然上述研究已经成功地将光学遥感应用于土壤盐分的反演，但仍存在精度不足的问题。由于水分吸收带的范围和盐分在光谱上有较大的重合，使得当研究区域内的土壤水分在时空上具有很强的动态变化时，土壤水分和盐分对土壤反射光谱有相似的影响，从而导致土壤水分给土壤盐分反演带来一定干扰[14]。因此，有必要研究土壤水盐对土壤光谱特征的影响过程与作用方式。

针对此问题，Lobell等[15]根据土壤在不同水分条件下的土壤光谱特征来构建土壤水分与土壤光谱反射率之间的数学模型，提出两者之间存在指数关系；Wang等[16]在Lobell等[15]的基础上通过建立土壤水盐与光谱特征之间的数学模型分析不同水分条件下的土壤盐分对土壤光谱特征的作用机制；Yang等[17]根据上述研究结果，利用土壤水盐-反射率原理构建了模拟土壤反射率的数学模型，并分析土壤在不同水盐条件下的光谱特征，从而得出了土壤水分和盐分是以相互独立的方式对土壤光谱产生影响的结论，但模拟精度不高，这可能是研究中未考虑水盐之间的交互作用，使得水盐与光谱特征之间的影响机制存在一定的局限性。因此，研究水盐交互作用对土壤光谱特征的影响具有重要意义。与此同时，上述研究涉及的试验均是在室内进行，通过严格控制条件达到理想状态，并且研究所用到的光谱测定仪器均为手持设备，无法像光学卫星一样来提供大区域且长时间的光谱信息，这些问题使得研究中的发现与结论可能无法反映出室外的真实情况，在野外实际应用上存在一定困难。相比于其他卫星[18-22]，于2015年发射的Sentinel-2卫星携带着一枚波段范围在443～2 190 nm的多光谱仪器，可提供周期为5 d、分辨率上至10 m的光谱图像。优秀的光谱能力，较短的回访周期以及较高的空间分辨率使得Sentinel-2卫星成为了目前全球环境监测的重要组成部分[23]，为研究区域尺度上的水盐交互提供了可能与机遇。目前而言，Sentinel-2卫星在水盐交互上的研究较少。

由于河套灌区存在降水少蒸发大的特点，使得区域内土盐渍化土壤面积已达到39万hm2，土壤盐渍化的现象非常严重。因此，本文以Sentinel-2卫星采集的研究区遥感图像为数据源，河套灌区不同盐渍化程度的表层土壤为研究对象，根据土壤水盐-反射率的原理构建理论模型，在此基础上考虑水盐交互作用构建水盐交互模型，使用2种模型分别模拟土壤在不同水盐条件下的光谱反射率，通过比较2个模型的模拟效果来研究水盐交互作用对土壤光谱特征的影响，以期为提高反演土壤盐分精度提供参考。

1 材料与方法

1.1 研究区概况

研究区域位于河套灌区解放闸灌域下的沙壕渠（107°06′～107°11′E，40°54′～41°60′N），该灌区位于内蒙古西部，东接包头市，西到乌兰布和沙漠，南临黄河，北至阴山，其灌溉面积有0.688亿hm2，是中国的三大灌区之一（图1a）。河套灌区属于典型的大陆性气候，年降雨量为158 mm，年蒸发量超过2 000 mm，土质以粉质黏壤土为主。

图1 研究区域及采样点分布

1.2 数据来源

1.2.1 Sentinel-2卫星数据

Sentinel-2号卫星携带1枚多光谱成像仪，高度为786 km，可覆盖13个光谱波段，幅宽达290 km。地面分辨率分别为10、20和60 m、每颗卫星的重访周期为10 d，2颗互补，重访周期为5 d。在USGS网站下载指定日期的Sentinal-2卫星影像（2018年4月30日、2018年5月13日、2019年4月16日和2019年5月18日），利用Sen2cor软件对卫星影像进行大气校正，并在SNAP里针对特定波段导出成tif格式，最终在ENVI软件中读取数据。

1.2.2 土壤水分与盐分数据

本研究于2018—2019年在河套灌区沙壕渠进行共计4次土壤采样工作，采样时间分别为2018年4月30日、2018年5月13日、2019年4月16日和2019年5月18日，每次采样均布置了70个采样点，总计280个采样样本。采样点涵盖了不同盐分梯度水平，采样点的深度在0～10 cm，考虑到卫星分辨率的问题，采样是由五点法完成，采样完毕时记录相应的GPS位置，结果如图1b所示。

在野外采集土样时，每个土样在剔除杂质后放入铝盒内，并记录铝盒的编号和质量。在土样带回室内时，将没加盖的铝盒放入干燥箱内，在105 ℃、24 h恒温条件下用干燥法测得土壤样本含水率；烘干之后进行研磨，经过质量比1∶5进行配置溶液静置沉淀后，采用电导率仪（DDS-307A，上海佑科仪器公司）进行溶液电导率的测定（dS/m）。

根据测定结果，可得出采样点土壤含水率和含盐量数据的统计分析情况，结果如表1所示。

表1 土壤盐分和水分统计

1.3 研究方法

1.3.1 土壤光谱特征理论模型

为了能够表示土壤水分和盐分对土壤光谱特征的综合影响，Lobell等[15-17]构建出如下所示的量化土壤水分、盐分和土壤反射率之间定量关系的模型

式中为受水分和盐分影响下的土壤表面反射率；R为不受水分和盐分影响的反射率；SS为土壤电导率（表征盐分），dS/m；SM为土壤含水率，g/g；表示因土壤水分含量改变而引起土壤表面反射率改变的速率，无量纲；表示因土壤含盐量改变而引起土壤表面反射率改变的速率，无量纲。R、和会因为波长的不同而有所不同。

对于土壤含水率为SM1、含盐量为SS1的某土壤样本来说，其波长为的理论土壤光谱反射率1可以表示为

同样地，对于土壤含水率为SM2、含盐量为SS2的土壤样本来说，其波长为的理论土壤光谱反射率2可表示为

将式（2）和式（3）两边同时进行对数计算并相减，可以得到式（4），即

通过式（5）即可求出式（2）中的参数，即土壤水分含量改变时所引起土壤反射率改变的速率。

通过式（6）即可求出式（2）中的参数，即土壤盐分含量改变时所引起土壤反射率改变的速率。

综上，通过所获取的土壤样本水分和盐分数据，结合式（5）和式（6）即可计算出参数和参数，使得可通过式（1）构建出土壤在不同水盐条件下的理论光谱特征模型。

1.3.2 土壤水盐交互作用的定义

Lobell等[15-17]的研究表明，尽管通过式（1）能够反映土壤水分、盐分与土壤光谱之间的关系，但模拟结果仍存在偏差，这说明该模型在表达土壤水分和盐分对土壤光谱影响上仍具有局限性。从式（1）可看出，水分和盐分是以乘积的形式来表征对土壤光谱的作用，并未考虑水盐之间是否会以交互作用形式来对光谱特征产生影响，这可能是造成估算偏差的原因。为此，本文在式（1）的基础上，结合水盐交互作用来量化土壤水分、盐分与土壤光谱特征之间的关系，其具体表达为

通过式（8）得出不同水盐条件下的水盐交互作用，即为

1.3.3 用特征量来表达水盐交互作用

根据交互作用在统计学上的定义，土壤的水盐交互作用可解释为，土壤含水率相同时，土壤光谱会因盐分水平不同而发生变化，同样地，土壤盐分相同时，土壤光谱会因含水率水平不同而发生变化。为进一步描述土壤水盐的交互作用，采用特征量来进行量化，其具体如下步骤：

1）绘制土壤水盐分布的散点图

为消除土壤水分和盐分单位差异以及能更好地对两者进行比较，本文对土壤水盐数据进行均一化计算，其计算公式如下

式中SMmax和SSmax分别表示所有土壤样本中水分含量和含盐量的最大值，SMmin和SSmin分别表示所有土壤样本中水分含量和含盐量的最小值，SMi和SSi分别为第个土壤样本的水分含量和盐分含量。通过式（10）和式（11）可看出，经均一化后的土壤水分和盐分的数值范围都在0～1之间，其值越大则代表其水平越高。

2）计算盐水比线

3）特征量的计算

土壤的水盐交互作用实际上是水中的氢氧根离子和盐分中的离子（如碳酸氢根离子，硫酸根离子，氯离子）之间的相互作用过程，但最为直观的体现则是水分和盐分含量的相对比例，故本文选取特征量来量化这一特征，其具体的计算方式如图2所示。

图2 土壤水盐分布散点图

4）水盐交互作用与特征量

1.3.4 水盐交互模型的构建

由式（9）和式（13）可得，在理论模型基础上，通过结合土壤水盐交互作用可构建出水盐交互模型，其具体表达为

总体上，对于指定的来说，当参数a、b、Ro以及函数关系f已知时，即可求出土壤在任何水盐条件下的土壤反射率，为了使文章的思路和计算过程更加清晰明了，本文绘制了相关的技术路线图，其具体流程如图3所示。

1.3.5 评估方法

本文通过相关系数（），均方根误差（Root Mean Square Error，RMSE）以及平均绝对误差（Mean Absolute Error，MAE）来评估模型的模拟效果[11]，其中越大，RMSE和MAE越小则表明模型的模拟效果越好。

2 结果与分析

2.1 不同水盐含量下的土壤光谱特征

根据土壤样本的含水率和电导率数据，筛选出电导率相同但含水率不同的土壤样本，并将这些样本对应的Sentinel-2卫星的光谱图像绘制出相应的光谱反射率的折线图，以此分析土壤在同一盐分含量时，不同的水分含量与土壤光谱特征之间的关系，结果如图4所示。

图4 不同电导率下土壤光谱特征随含水率变化

一般而言，波段反射率与水分含量之间呈负相关关系，即随着水分含量的增加，波段的反射率会随着下降。由图4可知，当电导率EC为30.3 dS/m时，波段的反射率与水分含量之间的关系符合这一规律，但在EC为9.3、21.5和132 dS/m时，波段的反射率与水分含量之间的关系不完全符合这一规律。当EC为9.3和21.5 dS/m时，波段的反射率在含水率0.151~0.222 g/g范围上会随着水分含量的增加而增加；当EC为132 dS/m时，波段的反射率在含水率0.127~0.231 g/g范围上会随着水分含量的增加而降低，符合波段反射率与水分含量之间呈负相关关系的规律，但通过比较波段反射率在含水率0.118和0.127g/g时的相对大小可看出，波段反射率并不会因为水分含量的降低而有所增加。上述分析表明，波段的反射率与水分含量之间的关系会因为盐分水平的不同而有所不同，并非一直符合波段反射率与水分含量之间呈负相关关系的规律。

由图4还可知，波段反射率与水分含量之间的关系会随着波段的不同而有所不同，波长在0.496～0.835m范围上的波段反射率会随着波长的增加而增加；在0.835～2.202m范围上，波段反射率会随着波长的增加而降低，与此同时，其增加或降低的趋势会随着盐分水平的增加而逐渐放缓，这说明，波段反射率与水分含量之间的关系在不同波段上的差异性也会因盐分水平的不同而有所不同，因此，在不考虑盐分条件下，通过利用不同波段对水分敏感性的差异来构建能够反映土壤水分含量的波段差异化指数，其结果会存在偏差。

同样地，根据土壤样本的含水率和电导率的大小进行分类，划分出在满足含水率相同条件下，具有不同电导率的土壤样本，并根据这些样本对应的Sentinel-2卫星的光谱图像绘制出相应的光谱反射率的折线图，以此分析土壤在同一含水率时，不同盐分含量与土壤光谱特征之间的关系，其结果如图5所示。

研究表明[15-17]，波段反射率与盐分含量之间呈正相关关系，即随着盐分含量的增加，波段的反射率会随着下降。但由图5可知，土壤样本所呈现出波段反射率与盐分含量之间的关系只在部分盐分含量范围内符合这一规律。土壤含水率为0.146 g/g、电导率为29～97 dS/m时，波段反射率会因盐分含量的增加而增加，而电导率为108～244 dS/m时，波段反射率会因盐分含量的增加而降低；当含水率为0.163 g/g时，电导率为43～154 dS/m时，波段反射率会因盐分含量的增加而增加，而电导率为154～211 dS/m时，波段反射率会因盐分含量的增加而降低；含水率为0.204 g/g、电导率为86～120 dS/m时，波段反射率会因盐分含量的增加而增加，而电导率为120～276 dS/m时，波段反射率会因盐分含量的增加而降低；当含水率为0.234 g/g时，电导率为26～96 dS/m时，波段反射率会因盐分含量的增加而增加，而电导率为96～130 dS/m时，波段反射率会因盐分含量的增加而降低。

通过比较不同水分含量条件下的波段反射率与盐分含量之间的关系，即图5a～图5d不同的折线图，可以发现在水分含量保持不变的条件下，波段的反射率并不会随着盐分含量的改变而出现较大的幅度变化，只有在个别盐分含量下，波段的反射率要远远大于其他盐分含量下波段的反射率，例如当含水率为0.204 g/g时，0.496～0.945m的波段在电导率为120 dS/m时的反射率要远大于电导率为26、86和276 dS/m下的反射率，而在电导率为26、86和276 dS/m之间的反射率相差并不大，这表明水分会弱化波段反射率对盐分的敏感性，使得波段反射率在不同盐分条件下不会相差太大，但对于波段反射率在个别盐分含量上会发生较大变化的现象，这或许可以解释为不同水分条件都会对应一个盐分范围，在此范围内的波段反射率对盐分敏感性要大于水分。

2.2 基于土壤水盐-反射率原理的理论模型

2.2.1 模型的构建

根据所取土壤样本的盐分含量和水分含量数据，筛选出盐分间隔相同下的土壤样本数据集W1-W5，并结合式（4）进行拟合，以此计算出土壤水盐-反射率理论模型中的参数，其拟合的结果如表1和表2所示。

由表1和表2可知，在多数波段上，不同盐分间隔所对应的相关系数较为接近，但常数项有较大差别。从式（4）和式（5）可看出，常数项能反映出拟合误差的相对大小，其值越大，说明拟合效果越不稳定，误差会越大，因此，在结合波段在不同盐分间隔下的相关系数和常数项后，选出不同波段在计算参数上所对应的最佳盐分间隔，并计算出相应的参数。同理，根据所取土壤样本的盐分含量和水分含量数据，筛选出水分间隔相同下的土壤样本数据集S1和S2，并结合式（5）进行拟合，根据拟合的相关系数以及常数项2，选出不同波段在计算参数上的最佳水分间隔，并计算出相应的参数。根据上述过程，最终可得到理论模型中的参数和参数，其结果如表3所示。

表1 土壤光谱特征理论模型中参数a的拟合效果

表2 土壤光谱特征理论模型中拟合的常数项e1

表3 土壤光谱特征理论模型中参数a和参数b

2.2.2 基于理论模型的反射率估计值

根据表3的结果可计算出波段在不同水盐水平下的理论反射率，为评估基于土壤水盐-反射率原理的理论模型应用效果，将各个波段的理论反射率分别与对应在Sentinal-2卫星上的波段反射率建立相关性分析，并计算出RMSE和MAE，其结果如图6所示。由图6可知，二者相关系数为0.14～0.44，均方根误差为0.032～0.082。随着波长的增加，波段的理论估计值与Sentinal-2卫星上的波段实测值之间的相关系数会逐渐减小，RMSE和MAE都有不同程度地上升，这表明随着波长的增加，使得通过理论公式来估计不同水盐条件下的土壤反射率的效果会降低。从不同波段所对应的相关系数来看，波段2，波段3和波段4的理论估计值与Sentinal-2卫星上的波段实测值之间的相关性较好，说明在Sentinal-2卫星上，通过式（1）来估计不同水盐水平下的土壤反射率在可见光波段范围上效果较好，其中在蓝色波段上相关系数最高，达到了0.44。

图6 基于土壤水盐-反射率理论估算的反射率与Sentinal-2卫星反射率的比较分析

2.3 水盐交互作用

2.3.1 水盐交互作用在不同水盐水平下的特征

在计算出波段在不同水盐水平下的理论反射率之后，可根据式（9）计算出水盐交互作用，以此分析每个波段在不同水盐条件下水盐交互作用的特点，其结果如图7所示。

图7 水盐交互作用在不同水盐条件下的特征

由图7可知，水盐交互作用随着波段的不同，其对应的区间范围和分布特点会有所不同。从水盐交互作用区间上限来看，水盐作用的区间上限总体上是随着波长的增加而增加，水盐交互作用的最大值在波段2～波段4上较低（0.15～0.29），在波段8，波段11和波段12上较高（0.43～0.44），在波段5～波段7和波段9上最大（0.50～0.61）；从水盐交互作用区间下限来看，除波段9以外，其余各个波段对应的水盐交互作用最小值相差不大，主要集中在-0.1左右。从水盐交互作用的分布特点来看，在波段2～波段5和波段8上，水盐交互作用呈现出在两边大，中间小的分布特点，即水盐交互作用在水分较低盐分较高和水分较高盐分较低的区域上较大，盐分水分中间水平的区域上较小，与此同时，在波段2～波段5上，随着波长的增加，水盐交互作用较大的范围会逐渐增加；在波段6和波段7上，水盐交互作用分布较为均匀，主要在水分盐分较高或较低的区域出现较大的情况；在波段9、波段11和波段12上，水盐交互作用普遍较大，只有在水分盐分都较高的区域上表现较低。由水盐交互作用的定义可知，当波段的水盐交互作用越大，说明土壤水盐-反射率理论模型应用效果越差，水盐对该波段反射率的共同作用程度越高。通过比较不同波段所对应的水盐交互作用区间范围和分布特点，可看出波段类型和水盐条件是影响水盐交互作用的2个重要因素，水盐交互作用在可见光范围上整体表现较弱，在近红外和短波红外范围上整体表现较强，但无论在哪个波段上，水盐交互作用会因水盐含量的不同而有所差别。因此，通过考虑水盐交互作用来模拟光谱特征会改善土壤水盐-反射率理论模型的模拟效果。

2.3.2 水盐交互作用与特征量的相关性分析

根据土壤样本相应的水分均一化，盐分均一化以及盐水比，划分出盐水比大于1的土壤样本数据，并计算出相应的特征量和不同波段下的水盐交互作用，将不同波段的水盐交互作用与特征量之间进行相关性分析，并计算出拟合误差RMSE，其结果如图8所示。

由图8可知，从水盐交互作用与特征量之间的相关系数来看，波段2～波段8所显示出的水盐交互作用与特征量之间的相关性要好于或至少等于波段9，波段11和波段12，其相关性在0.26～0.49，这表明当盐水比大于1时，即盐分起主导作用时，在波段2～波段8上能够通过盐水比特征的特征量来较好地表示相应波段下的水盐交互作用。同样地，针对盐水比小于1时的土壤样本数据计算出相应的特征量和不同波段下的水盐交互作用，对每个波段的水盐交互作用与特征量之间进行相关性分析，并计算出拟合误差RMSE，其结果如图9所示。

图8 盐水比大于1下的水盐交互作用（(,)）与特征量（）之间的相关分析

Fig.8 Correlation analysis between water-salt interaction ((,)) and characteristic quantity () in condition of brine ratio greater than 1

图9 盐水比小于1下的水盐交互作用与特征量之间的相关分析

由图9可知，从水盐交互作用与特征量之间的相关系数来看，波段6～波段9和波段11所显示出的水盐交互作用与特征量之间的相关性要好于波段2～波段5和波段12，其相关系数在0.41～0.54之间，这表明当盐水比小于1时，即水分起主导作用时，在波段6～波段9和波段11上能够通过具有盐水比特征的特征量来较好地表示相应波段下的水盐交互作用。

通过比较图8和图9可以看出，当盐水比大于1和小于1时，水盐交互作用与特征量之间的相关性较好时所对应的波段范围是不同的，且盐水比小于1时不同波段的水盐交互作用与特征量之间的相关性都要好于盐水比大于1时的情况，这表明具有盐水比特征的特征量与波段的水盐交互作用之间的相关性大小会随着水分或者盐分主导地位的改变而有所改变，即水分和盐分分别起主导作用时，Sentinal-2卫星对水盐比例的敏感波段范围会有所不同。

2.4 基于土壤水盐-反射率原理的水盐交互模型

结合土壤水盐-反射率原理和水盐交互作用构建水盐交互模型，并计算每个波段的估计值，将其与对应在Sentinal-2卫星上的波段反射率建立相关性分析，计算出RMSE和MAE，以此分析水盐交互作用对土壤光谱估算的影响，结果如图10所示。

由图10可知，从波段2～波段12，水盐交互模型的估计值与Sentinal-2卫星上的波段实测值之间的相关系数会逐渐减小，但在部分波段上有所回升，其范围在0.29～0.59；RMSE逐渐上升，从0.029上升到0.068；MAE在波段2～波段8上波动较小，波动范围在11%～14%左右，在波段9，波段11和波段12上波动较大，从16.18%上升到21.44%。

图10 基于水盐交互模型估算的反射率与Sentinal-2卫星反射率的比较

由图10可知，从水盐交互模型的估计值与Sentinal-2卫星波段实测值之间的相关系数来看，波段2和波段3的相关性最为显著，相关系数分别为0.59和0.54，其次是波段4、波段7和波段8，其相关系数在0.43～0.48之间，而波段5、波段6和波段9～波段12所对应的水盐交互下的估计值与Sentinal-2卫星波段实测值之间的相关性较低，其相关系数在0.29～0.38之间；从水盐交互下的估计值与Sentinal-2卫星波段实测值之间的RMSE来看，波段2和波段3的RMSE最小，分别为0.029和0.031，在波段4到波段9上，各自波段的RMSE差别不大，其范围在0.043～0.053，而波段11和波段12的RMSE较大，分别为0.063和0.068。从水盐交互模型估计值与Sentinal-2卫星波段实测值之间的MAE来看，波段8、波段3和波段4的MAE较小，分别为11.05%、12.26%和12.11%，其次是波段2、波段5、波段6和波段7，MAE范围为13.03%～14.22%，最后是波段9、波段11和波段12，MAE分别为16.18%、20.28%和21.44%。

通过上述的分析可以得出，将土壤水盐-反射率理论模型和水盐交互作用结合起来计算出的估计值和在Sentinal-2卫星波段实测值之间的关系在波段2~波段8上要比在波段9、波段11和波段12上更为密切，且拟合效果较好，因此，在Sentinal-2卫星波段2~波段8的波长范围上，可以通过构建考虑水盐交互作用下的水盐-反射率模型来估计土壤在不同水盐条件及相应水盐交互作用下所产生的土壤反射率。

3 讨 论

3.1 水盐相互作用对土壤光谱特征的影响

相比于理论模型中的波段估计值，在土壤水盐-反射率原理基础上考虑水盐交互作用下计算得出波段估计值之后，可针对不同水盐条件下水盐的比例特点来进行光谱估计，为了能够直观地看到水盐交互作用对光谱特征的影响，将理论模型和水盐交互模型的模拟结果进行比较，其结果如表4。

表4 水盐交互作用对土壤光谱特征的作用

由表4可知，无论是相关系数还是均方根误差，考虑水盐交互模型的模拟结果均要优于理论模型的模拟结果，这表明考虑水盐交互作用能够提高光谱估计的精度，但从提高精度的程度来看，均方根误差RMSE在不同波段上的表现较为稳定，而相关系数在不同波段上的表现有所不同。在波段2～波段5上，考虑水盐交互作用的土壤水盐-反射率模型的相关系数较高，相比于土壤水盐-反射率理论模型，有一定的提升；在波段6～波段8和波段11～波段12上，考虑水盐交互作用的土壤水盐-反射率模型的相关系数不如在波段2～波段4上高，但相比于土壤水盐-反射率理论模型的表现，有很明显的提升，较好地改善土壤水盐-反射率理论模型在波段6～波段8和波段11～波段12上模拟效果差的问题；在波段9上，水盐交互模型虽能提高光谱估计的精度，但模拟效果较低，不如其余波段的模拟效果好。上述分析表明，考虑水盐交互作用能够提高波段反射率与土壤水分和盐分之间关系的显著性，尤其是在可见光和近红外波段上（波段2～波段8），该波长范围的反射率能较好地反映出相应的土壤水分和盐分含量，然而，在波段9和波段11~波段12上，该范围的波段反射率与土壤水分和盐分关系较差，对土壤水分和盐分含量并不敏感。

由2.3节可知，Sentinal-2卫星对水盐比例的敏感波段范围会随着水分或者盐分主导地位的改变而有所改变，因此将考虑水盐交互作用和理论的土壤水盐-反射率模型的模拟结果在盐水比大于1和小于1这2种情况下分别进行比较，以此分析水盐交互作用在不同盐水比例条件下对光谱特征的影响，其结果如表5所示。

由表5可知，从相关系数和均方根误差来看，考虑水盐交互作用的土壤水盐-反射率模型的模拟结果在盐水比大于1和小于1这2种情况下均好于理论的土壤水盐-反射率模型的模拟结果，但2个模型的模拟结果在波段上的表现会因为盐水比情况的不同而有所差别。当盐水比大于1时，相比于理论的土壤水盐-反射率模型，考虑水盐交互作用的土壤水盐-反射率模型的光谱估计精度在波段2～波段5和波段8上提升较大，在其余波段上提升并不明显；当盐水比小于1时，理论的土壤水盐-反射率模型的模拟效果在所有波段上普遍较差，相比于理论的土壤水盐-反射率模型，考虑水盐交互作用的土壤水盐-反射率模型的光谱估计精度普遍提升，但其模拟效果在波段6～波段9上较好。上述分析表明，无论是盐分还是水分含量占主导地位，在可见光和近红外波段上，水盐交互作用能够明显提高波段反射率的估计精度，但随着水盐比例开始增加时，模型会在波长大的波段上取得较好的估计精度，这表明水分含量比例增加时，在可见光波段上，波长较大的波段对土壤水分和盐分会更加敏感。需要注意的是，当盐水比小于1时，土壤水盐-反射率理论模型的估计精度要远远低于盐水比大于1时的估计精度，说明当水盐比例增加时，土壤水盐-反射率理论模型具有一定的局限性，而考虑水盐交互作用的土壤水盐-反射率模型能够克服这一问题，取得较好的估计精度。

表5 水盐交互作用在不同水盐比例下对土壤光谱特征的影响

3.2 水盐相互作用的实际意义

根据土壤水盐-反射率的理论估计值、考虑水盐交互的估计值和Sentinal-2卫星实测值，可以计算出波段2的理论估计和考虑水盐交互的估计的相对误差分布，结果如图11所示。

图11 波段2的理论估计与考虑水盐交互估计的反射率相对误差分布

由图11可知，无论是理论模型还是水盐交互模型，其模拟结果都能表明土壤光谱特征会因水盐含量的不同而会有所变化。通过参考光谱估计的相对误差分布图，能为Sentinal-2卫星反演土壤水分或盐分含量方面上提供参考，并且考虑水盐交互作用能够进一步提高反演精度，从而解决反演精度较差的问题，增强Sentinal-2卫星在监测土壤水分或盐分变化上的能力，同时也为其他光谱传感器在监测土壤水分或盐分上提供了思路。

本研究根据土壤水盐-反射率原理构建了模拟土壤光谱特征的理论模型，并在此基础上定义水盐交互作用来构建水盐交互模型。相比于理论模型，水盐交互模型能明显地改善模拟光谱特征的效果，能更加准确地描述土壤水盐对光谱特征的影响机制，为从光学遥感技术中提高反演土壤盐分的精度提供了策略与方法，但其研究所用到的土壤样本均为裸土期，并未涉及到植被覆盖的情况。当作物处于生长时期，土壤和植被都会对土壤光谱特征产生影响，使得很难将土壤和植被剥离开来单独研究土壤水盐对光谱特征的影响。不过很多研究结果表明，通过计算反映植被状态的光谱指数并构建其反演模型是反演土壤盐分的有效方法，这说明在一定情况下，植被状态是影响光谱特征的主要因素。与正常情况相比，当作物受到水分胁迫和盐分胁迫时，其状态的改变会在光谱特征上有所体现。因此，当土壤表面有植被覆盖时，可从植被生长发育与水盐的响应机理上来研究水盐交互作用对光谱特征影响及模拟，使得在土壤水盐对光谱特征的影响机制上的研究更加深入，通过完善土壤水盐交互在不同时期下的表现来构建一个全面的理论体系。

4 结 论

1）土壤水分和盐分之间存在交互作用并能以此方式来影响光谱特征。与理论模型相比，通过考虑水盐交互作用构建的土壤水盐交互模型能明显地改善模拟效果，相关系数由0.14～0.44提升到0.29～0.59，均方根误差由0.032～0.082降低到0.029～0.068。与此同时，与理论模型相比，土壤水盐交互模型的相对误差的区间范围更小，低误差所占据的面积更大，表明考虑水盐交互作用能够进一步提高反演精度，从而解决反演精度较差的问题，增强Sentinal-2卫星在监测土壤水分或盐分变化上的能力。因此，土壤水盐交互模型在土壤水分或盐分的监测上具有更大应用潜力。

2）土壤水盐交互作用影响的强弱会因波段类型和水盐含量的不同而有所不同。由图7可知，在可见光范围上影响相对较弱，其作用范围为-0.11～0.29；在近红外和短波红外范围上影响相对较强，其作用范围为-0.35～0.61。

3）基于水盐含量比例构建的特征量能够反映出土壤的水盐交互作用，但两者之间的相关性会随着盐水比的改变而有所改变。当盐水比大于1时，水盐交互作用与特征量之间的相关性主要集中在0.26～0.49；当盐水比小于1时，水盐交互作用与特征量之间的相关性主要集中在0.35～0.54。

[1]Du Lei, Zheng Zicheng, Li Tingxuan, et al.Effects of irrigation frequency on transportation and accumulation regularity of greenhouse soil salt during different growth stages of pepper[J]. Scientia Horticulturae, 2019, 256: 108568.

[2]Taha Gorji, Aylin Yildirim, Nikou Hamzehpour, et al. Soil salinity analysis of Urmia Lake Basin using Landsat-8 OLI and Sentinel-2A based spectral indices and electrical conductivity measurements[J]. Ecological Indicators, 2020, 112: 106173.

[3]Zheng Wei, Xue Dongmei, Li Xiangzhen, et al. The responses and adaptations of microbial communities to salinity in farmland soils: A molecular ecological network analysis[J]. Applied Soil Ecology, 2017, 120: 239-246.

[4]Oliveira D L G D, Campos C F D, Tales T, et al. Salt-affected soils of the coastal plains in Rio Grande do Sul, Brazil[J]. Geoderma Regional, 2018, 14: e00186-.

[5]黄权中，徐旭，吕玲娇，et al. 基于遥感反演河套灌区土壤盐分分布及对作物生长的影响[J]. 农业工程学报，2018，34(1)：102-109. Huang Quanzhong, Xu Xu, Lǚ Lingjiao, et al. Soil salinity distribution based on remote sensing and its effect on crop growth in Hetao Irrigation District[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 102-109. (in Chinese with English abstract)

[6]Jin Pingbin, Li Pingheng, Wang Quan, et al. Developing and applying novel spectral feature parameters for classifying soil salt types in arid land[J]. Ecological Indicators, 2015, 54: 116-123.

[7]Said Nawar, Henning Buddenbaum, Joachim Hill. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: A case study from Egypt[J]. Arabian Journal of Geosciences, 2014. doi:10.1007/s12517-014-1580-y.

[8]Peng J, Ji W, Ma Z, 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, 2015, 152: 94-103.

[9]Rossel R A V, Webster R. Predicting soil properties from the Australian soil visible–near infrared spectroscopic database[J]. European Journal of Soil Science, 2012, 63(6): 848-860.

[10]Yue J, Tian J, Tian Q, et al. Development of soil moisture indices from differences in water absorption between shortwave-infrared bands[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2019, 154: 216-230.

[11]Wei G, Li Y, Zhang Z, et al. Estimation of soil salt content by combining UAV-borne multispectral sensor and machine learning algorithms[J]. PeerJ, 2020, 8(2): e9087.

[12]Abderrazak, El Harti, Lhissou, et al. Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices[J]. International Journal of Applied Earth Observation & Geoinformation, 2016, 50:64-73.

[13]Jiang H, Shu H. Optical remote-sensing data based research on detecting soil salinity at different depth in an arid-area oasis, Xinjiang, China[J/OL]. Earth Science Informatics, 2018. doi:10.1007/s12145-018-0358-2.

[14]Periasamy S, Shanmugam R S. Multispectral and microwave remote sensing models to survey soil moisture and salinity[J]. Land Degradation & Development, 2017, 28(4): 1412-1425.

[15]Lobell D B, Asner G P. Moisture Effects on soil reflectance[J]. Society of America Journal, 2002, 66(3): 722-727.

[16]Wang Q, Li P, Chen X. Modeling salinity effects on soil reflectance under various moisture conditions and its inverse application: A laboratory experiment[J]. Geoderma, 2012, 170: 103-111.

[17]Yang X, Yu Y. Estimating soil salinity under various moisture conditions: an experimental study[J]. IEEE Transactions on Geoscience & Remote Sensing, 2017, 55(5): 2525-2533.

[18]Filion, Rébecca, Bernier M, et al. Remote sensing for mapping soil moisture and drainage potential in semi-arid regions: Applications to the Campidano plain of Sardinia, Italy[J]. Science of the Total Environment, 2016, 543: 862-876..

[19]Wu Weicheng, Ahmad S Mhaimeed, Waleed M Al-Shafie, et al. Mapping soil salinity changes using remote sensing in Central Iraq[J]. Geoderma Regional, 2014, 2/3: 21-31.

[20]Bian J, Zhang Z, Chen J, et al. Simplified evaluation of cotton water stress using high resolution unmanned aerial vehicle thermal imagery[J]. Remote Sensing, 2019, 11(3): 267.

[21]Tanrıkut E, Karaer A, Celik O, et al. Role of endometrial concentrations of heavy metals (cadmium, lead, mercury and arsenic) in the aetiology of unexplained infertility[J]. European Journal of Obstetrics & Gynecology & Reproductive Biology, 2014, 179: 187-190.

[22]Klaus Schneider-Zapp, Manuel Cubero-Castan, Dai Shi, et al. A new method to determine multi-angular reflectance factor from lightweight multispectral cameras with sky sensor in a target-less workflow applicable to UAV[J]. Remote Sensing of Environment, 2019, 229: 60-68.

[23]Reza A, Jalal A, Claudia N, et al. Synergetic use of Sentinel-1 and Sentinel-2 data for soil moisture mapping at plot scale[J]. Remote Sensing, 2018, 10(8):1285.

Effects of water-salt interaction on soil spectral characteristics in Hetao Irrigation Areas of Inner Mongolia, China

Zhang Zhitao1,2, Du Ruiqi1,2, Yang Shuai1, Yang Ning1, Wei Guangfei1, Yao Zhihua1, Qiu Yuanlin1

(1.,,712100,; 2.,,712100,)

Hetao irrigation area is characterized by less precipitation and more evaporation, which makes the sever soil salinization. Satellite based on remote sensing technology can quickly and accurately monitor the dynamic changes of soil salinization, and provide effective information and methods for land management and ecological restoration. Soil moisture and salinity have similar effects on soil spectrum. In order to explore the influence of soil water-salt interaction on the spectral characteristics of Sentinel-2 satellite, a total of 280 surface soil samples were collected from April to May in 2018 and 2019 in Shahao canal irrigation area of Hetao Irrigation Area in Inner Mongolia, China. Soil moisture content and electrical conductivity were measured, and Sentinel-2 satellite remote sensing data were obtained to construct the soil water-salt-reflectance model based on theory of soil spectral characteristics. Combined with soil water-salt interaction, the water-salt interaction model was constructed, and the simulation effects of the two models on soil spectrum were compared, and the influence of soil water-salt interaction on soil spectral estimation was analyzed. The results showed that: 1) the water-salt interaction was affected by soil moisture and salinity. In the visible light range, the effect range was from -0.11 to 0.29. In the near infrared and short wave infrared ranges, the effect was relatively strong with the range from -0.35 to 0.61. When the soil moisture or electrical conductivity were high, the influence was weak. When the soil moisture or electrical conductivity was similar, the effect was strong. 2) Compared with the theoretical model of soil spectral characteristics, the water-salt interaction model significantly improved the simulation accuracy of soil spectrum, increased the simulation correlation coefficient from 0.14-0.44 to 0.29-0.59, and reduced the root mean square error from 0.032-0.082 to 0.029-0.068. At the same time, compared with the theoretical model, the range of relative error of soil water-salt interaction model was smaller, and the area occupied by low error was larger, indicating that the relative error distribution estimated by reference spectrum can provide valuable information for the retrieval of soil moisture or salt content by Sentinal-2 satellite, and the inversion can be further improved by considering water- salt interaction. 3) The characteristic quantities based on the brine ratio could reflect the water-salt interaction of soil, but the correlation between them changed with the change of brine ratio. When the brine ratio was greater than 1, the correlation between water-salt interaction and characteristic quantity was mainly 0.26-0.49; when the brine ratio was less than 1, the correlation between water-salt interaction and characteristic quantity was mainly 0.35-0.54. This study reveals the interference process of salt and water on spectral characteristics, provides strategies and methods for soil salt estimation, and has certain significance for realizing accurate monitoring of soil salinity at regional scale. However, vegetation coverage is not involved in the study. Therefore, it is necessary to study the spectral characteristics of water-salt interaction from vegetation growth and development and water-salt response mechanism in the future.

soils; water; salinity; interaction; sentinel-2 satellite; Hetao Irrigation Area; spectral characteristics

张智韬，杜瑞麒，杨帅，等. 水盐交互作用对河套灌区土壤光谱特征的影响[J]. 农业工程学报，2020，36(18)：153-164.doi：10.11975/j.issn.1002-6819.2020.18.019 http://www.tcsae.org

Zhang Zhitao, Du Ruiqi, Yang Shuai, et al. Effects of water-salt interaction on soil spectral characteristics in Hetao Irrigation Areas of Inner Mongolia, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(18): 153-164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.18.019 http://www.tcsae.org

2020-07-03

2019-09-10

国家重点研发计划项目（2017YFC0403302、2016YFD0200700）；杨凌示范区科技计划项目（2018GY-03）

张智韬，博士，副教授，主要从事遥感技术在节水灌溉及水资源中的应用研究。Email：zhitaozhang@126.com

10.11975/j.issn.1002-6819.2020.18.019

X833；S271；S155.1

A

1002-6819(2020)-18-0153-12