基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例

奚雪，赵庚星，高鹏，崔昆，李涛

基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例

奚雪1，赵庚星1，高鹏1，崔昆1，李涛2

（1山东农业大学资源与环境学院/土肥资源高效利用国家工程实验室，山东泰安 271018；2山东省土壤肥料总站，济南 250100）

【】探究黄河三角洲麦田土壤盐分准确高效的遥感提取方法，掌握土壤盐渍化程度与分布。以垦利区为研究区，均匀布设冬小麦种植区样点77个，同时设置代表性试验区2个，网格布设样点99个，实测采集麦田土壤表层盐分数据及试验区无人机多光谱图像。筛选红、绿、红边、近红4个波段及SI、NDVI、DVI、RVI、GRVI 5个光谱指数中的敏感光谱参量，采用逐步回归、偏最小二乘法、BP神经网络及SVM支持向量机4种方法建立土壤盐分估测模型，使用波段比值均值法得到Sentinel-2A卫星影像相应波段的修正系数，进而将筛选的土壤盐分估测模型转换为基于卫星影像的反演模型，经麦区实测样点数据验证，得到最佳的麦区土壤盐分反演模型，实现试验区和研究区2个尺度的麦田土壤盐分反演。无人机4个波段及光谱指数NVDI、RVI、SI与土壤盐分含量相关性显著，4种建模方法的13个模型中，以NDVI、RVI、SI建立的4个指数模型的建模及验证2均优于其他模型；对4个模型进行升尺度修正及验证，效果最佳的反演模型为偏最小二乘法光谱指数模型：Y=-9.4774×NDVI1+0.4794×RVI1+3.0747×SI1+5.0604，验证2为0.513，为1.379；利用该模型反演得到了试验区及整个研究区麦田土壤盐分等级分布图，结合实测插值及调查结果，证明反演模型及空间分布结果准确、可靠。本研究构建了卫星、无人机一体化的滨海麦区土壤盐分反演模型，对滨海盐渍区农作物的生产管理有积极参考价值。

冬小麦；无人机；Sentinel-2A卫星；土壤盐分；反演模型

0 引言

【研究意义】土壤盐渍化是国内外广泛关注的生态环境问题，由于自然和人为因素的影响，我国北方干旱、半干旱和半湿润地区盐渍化土壤广泛分布，滨海区域尤为突出，其中黄河三角洲自20世纪70年代开始，水沙减少、海水倒灌导致陆地水盐失衡，严重的盐渍化导致土壤退化、板结，地力降低限制了农作物的生长，严重阻碍了区域农业经济的可持续发展[1]。【前人研究进展】传统的土壤盐分监测方法为实地采样化验分析法，土壤采样样点数量受限且费时费力；电磁感应技术数据获取均匀但处理较为复杂；而遥感图像反演技术已经在土壤盐分监测上取得了较高的应用效果，且数据来源丰富、精度高、获取方便快捷[2-3]。多数学者基于多源卫星影像，结合光谱及地面数据建模，实现了土壤盐分含量的大范围定量反演[4-8]；陈俊英等[9]和Zhang等[10]结合不同空间尺度，使用星机地一体的多平台遥感技术手段进行土壤盐分反演，均取得较好结果；Song等[11]选取Landsat TM图像的数字波段、植被指数和地形指数作为变量，利用广义加性模型实现了土壤盐分的定量估测。在植被生长与土壤盐分含量关系遥感检测方面，多数学者通过研究土壤盐分与植被覆盖、长势等的时空变化，寻找两者之间的定量关系，如贾吉超等[12]通过多时相影像叠加分析，研究了黄河三角洲典型区域麦棉种植面积的变化与土壤盐分含量的关系，并建立了研究区土壤盐分与小麦的长势模型；张同瑞等[13]采用多光谱数据，筛选敏感光谱植被指数，建立并优选出土壤盐分含量监测的最佳模型；Zhang等[14]通过对7种典型盐敏植物的高光谱数据与其根区土壤样品的盐分含量进行分析，探讨了黄河三角洲地区植被光谱与土壤盐度的关系；张天举等[15]和张雪妮等[16]依据多种植物群落的空间变化，研究与之对应的土壤盐分分布特征。在建模过程中，选择敏感光谱参数与最佳建模类型和方法是提高模型精度的重要环节，如安德玉等[17]采用实测的高光谱数据进行多种模型的盐分反演，结合HICO波段进行模型修正，从而得到了可运用于大尺度的反演模型。对于不同来源、不同尺度的光谱数据，采用敏感光谱波段组合、光谱指数筛选、改进、微分等方法进行处理，建立多类土壤盐分估测模型，可以有效提升模型的土壤盐分反演效果[18-25]。在模型类型的选择上，多数学者使用线性回归方法和机器学习算法建立反演土壤盐分模型，比较了不同方法得到的反演模型的精度[26-29]。【本研究切入点】在黄河三角洲滨海盐渍土典型区，采用星机一体化的技术方法，专门针对冬小麦种植区域的土壤盐分反演研究较为薄弱。【拟解决的关键问题】本文通过实地调查获取土壤盐分数据，筛选无人机多光谱波段并构建光谱参数，建立小麦光谱与土壤盐分间的多种关系模型，进而根据无人机图像与卫星影像关系进行模型修正，实现麦田土壤盐分估测模型的升尺度反演，最终得到研究区冬小麦种植区域的土壤盐分分布。

1 材料与方法

1.1 研究区概况

研究区选择山东省东营市垦利区，位于东经117°90′—119°82′，北纬37°01′—37°99′，是黄河三角洲滨海盐渍土的典型区域，地处暖温带半湿润大陆性季风气候区，光照充足降水少，蒸发大，旱涝不均，季节性干湿交替明显。研究区地势低平，自西南至东北降低，地表水来源为自然降水及黄河水，地下水矿化度高、埋深浅，主要土壤类型为盐土和潮土，盐化程度高，盐渍土分布广泛。种植的主要农作物为小麦、玉米和棉花，主要的种植区分布在区内西南部的地势较高区和东北部的黄河沿岸区2个部分，其土壤盐渍化变异明显，是本研究的理想区域。

综合垦利区域调查、地貌土壤及作物分布情况，分别在研究区西南部和东北部2个作物集中分布区，选择A、B 2个试验区，均处于麦田集中种植区域，耕作方式一致，灌排条件良好，小麦长势存在空间差异性，具有较好的代表性。其中A试验区为100 m×50 m的长方形区域，其南侧分布着灌溉沟渠及农用道路，B试验区为50 m×50 m的四边形区域，其西侧有灌溉沟渠及乡道，其余相邻区域均分布着麦田（图1）。

图1 研究区及试验区分布图

1.2 地面数据采集与处理

4月份垦利降雨较少，地表盐化明显、稳定，各地类与农作物覆被差异显著，其他主要农作物均未播种，冬小麦处于返青拔节期，便于提取光谱特征[30]。于2019年4月10日至16日进行了研究区野外调查，为确保布点均匀，研究区每5 km×5 km的网格内预布设3个样点，最终采集了位于麦区的77个样点。针对2个试验区，分别在A、B试验区的测量区域外围边界，每10 m放置一个插地牌，使用测绳连接后形成10 m×10 m的样点格网，以其格网交叉点作为采样点，最终共采集99个样点数据，其中A试验区63个，B试验区36个。

使用TrimbleGeo7手持式差分GPS，测量试验区四至点坐标作为无人机图像空间校正的地面控制点。将EC110便携式盐分计进行电导率温度校正后，对每个样点植株下方0—10 cm土层厚度的土壤电导率（EC）进行多次测量，待稳定后记录，取测量值均值作为各样点EC值，dS·m-1。根据前期研究结果[31]，利用公式SS= 2.18×EC+0.727，将实测EC数据转换为土壤盐分含量（SS），g·kg-1。

1.3 无人机图像数据采集及预处理

使用Matrice600PRO六旋翼无人机搭载Sequoia多光谱相机采集多光谱数据，相机带有4个120万单色传感器：绿（bG）、红（bR）、红边（bREG）、近红（bNIR）光谱波段，中心波长分别为550、660、735、790 nm。阳光传感器可进行自校准，且带有GPS模块，每幅相片均存储了地理标记。飞行时，天气晴朗微风，飞行时间为10：00—14：00，飞行高度50 m，速度5 m·s-1，地面分辨率2—3 cm。

使用Pix4D软件进行无人机多幅图像拼接及辐射校正，ENVI5.3进行波段叠加与图像裁剪，在ArcGIS10.1中使用控制点进行空间校正后展点，提取99个样点在4个波段的像元反射率。

1.4 卫星图像获取及预处理

Sentinel-2卫星是具有高分辨率、重访率及更新率的多光谱成像卫星，包含A、B 2颗小卫星，重访周期5 d，主要载荷为MSI多光谱成像仪，覆盖0.4—2.4 μm光谱范围，包含10 m（4个波段）、20 m（6个波段）、60 m（3个波段）的地面分辨率，可监测陆地植被生长、覆盖、健康状况，获取农作物种植、土地利用变化等信息。本文下载2019年4月17日的Sentinel-2A卫星影像（https://scihub.copernicus.eu/），选择的Level-2A级产品是经辐射定标和大气校正的大气底层反射率数据。

选择与无人机光谱波段中心波长相近的Sentinel卫星波段：b3、b4、b6、b7，中心波长依次为560、665、740、783 nm，空间分辨率依次为10、10、20、20 m，在ENVI5.3中为影像统一投影坐标，进行重采样、边界裁剪、图层叠加，输出多波段影像。

1.5 基于无人机的土壤盐分估测模型构建与验证

根据植被冠层在可见光强吸收及近红外强反射的特性，使用无人机采集的多波段光谱计算归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、绿波段比值植被指数GRVI和盐分指数SI（表1）。

表1 光谱指数计算公式

将99个样本随机划分为66个建模样本和33个验证样本，对66个样点土壤盐分含量数据与无人机图像4个波段、5种光谱指数进行相关性分析，利用公式=1/(1-r×r)（r为光谱参量间的相关系数）计算光谱参量间的方差膨胀因子（）[19]，排除相关性较低或＞10，即无法通过共线性诊断的参数。对敏感波段及光谱指数，分别在IBM SPSS19和Matlab R2012b软件中使用线性逐步回归方法、偏最小二乘法，建立统计分析模型，在Matlab R2012b软件中使用BP神经网络、支持向量机方法建立机器学习模型，其中BP神经网络设置训练的迭代次数1 000，精度0.003，学习速率为0.01；支持向量机方法设置类型为v-SVR，选用高斯核函数（RBF），通过网络搜索和交叉验证选择最佳惩罚因子C与核函数参数gamma，训练出支持向量机模型。

用33个样本验证所得模型，以决定系数2为主要评价依据，结合均方根误差评价建模及验证精度，2在0.50—0.65，0.66—0.81，0.82—0.90，0.91—1.00的闭区间内的预测能力依次为一般、中等、良好、优秀[10]。分别筛选出4种方法中拥有较高2及相对较低的土壤盐分估测模型，同时，基于试验区卫星影像数据，建立4个同方法、同光谱自变量的估测模型。通过比较两者的模型精度，以验证采用无人机多光谱建模是否提高了反演精度，确认无人机盐分估测模型进行升尺度修正及应用的必要性，其中BP神经网络模型根据其验证精度进行筛选和比较。

1.6 基于卫星影像的土壤盐分反演模型修正与应用

1.6.1 卫星影像的反射率修正及反演模型 由于卫星数据及无人机图像数据存在光谱分辨率的差异，需要对卫星光谱波段进行修正，以期达到一体化的目的。在试验区每个样点对应的卫星影像单个像元范围内，提取无人机图像各波段的平均反射率bRⅴGⅴREGⅴNIR及对应波段的卫星单一像元反射率b3ⅴ4ⅴ6ⅴ7，参照前人研究[10]，选用比值均值法确定卫星4个波段的修正系数C，公式如下：

式中，n为参与计算的样点数量（n=99），以各波段修正系数乘以对应卫星波段参量，对筛选出的模型中的光谱自变量进行修正后，得到升尺度土壤盐分反演模型。

1.6.2 反演模型验证 导出卫星影像上研究区77个样点的各波段像元值，计算修正后的光谱参数。升尺度土壤盐分反演的统计分析模型代入修正后的光谱参数，得到的结果与冬小麦种植区实测盐分数据进行相关性分析；机器学习模型则直接将修正的光谱参数、实测盐分作为验证集放入BP神经网络及支持向量机模型中进行验证，根据2、判断模型修正效果。

1.6.3 研究区冬小麦分布信息提取及土壤盐分反演 为得到研究区中的麦区空间分布，使用ENVI对Sentinel-2A多波段影像划分小麦、居民点、水体、滩涂、荒地5类感兴趣区，统计不同地物在各个波段的感兴趣区像元值均值，计算NDVI均值，绘制折线以确定分类的阈值，建立决策树模型进行地物分类，结合目视解译提取研究区小麦种植区域。

综合试验区不同方法盐分估测模型精度及研究区升尺度修正反演模型的验证结果，筛选出2个尺度土壤盐分反演的最佳模型，使用该模型进行土壤盐分反演，得到试验区及冬小麦种植区盐分反演图，使用反距离加权（inverse distance weighted，IDW）方法进行土壤盐分实测值插值，得到2个尺度盐分等级分布图。统计反演图与实测插值图的等级面积比例，综合2个图的空间分布及不同等级占比变化趋势的一致性，结合实际调查分析模型反演效果。土壤盐渍化程度按照相关分级标准划分为5个等级（表2）[34]。

2 结果

2.1 光谱参数筛选

4个无人机光谱波段及5种光谱指数与试验区地面盐分数据进行的相关性分析结果如表3—4所示。在相关性矩阵中，4个波段与土壤盐分相关性均较好，光谱指数中的GRVI与土壤盐分相关性较低，DVI与NDVI间的r为0.953，VIF值大于10，存在较强的多重共线性，故选择4个波段和光谱指数NDVI、RVI、SI作为自变量进行建模。

2.2 土壤盐分估测模型的构建与验证

采用逐步回归、偏最小二乘、BP神经网络及SVM支持向量机方法，基于无人机多光谱图像，以66个建模样本的4个波段和3个光谱指数为自变量，土壤盐分含量为因变量建立土壤盐分估测模型，并使用33个验证样本对模型进行验证（表5）。可以看出，4种建模方法的13个模型中，由NDVI、RVI、SI建立的4个光谱指数模型的建模和验证精度均为最佳，均高于光谱波段模型。其中，建模精度最高的是支持向量机模型，2为0.835，但其验证精度相比其他3个模型较低，说明该模型稳定性较差。从逐步回归模型可以看出，叠加敏感波段项、指数项可以逐步提高建模精度。使用4种建模方法，基于卫星影像，以指数NDVI、RVI、SI为自变量建立土壤盐分估测模型（表6）。通过比较发现，4个无人机光谱指数模型精度均高于同一方法的卫星光谱指数模型，表明采用无人机光谱建模可以提高土壤盐分的反演精度。因此，选择由NDVI、RVI、SI建立的4个无人机光谱指数模型进行下一步的升尺度模型修正与验证。

表2 垦利区土壤盐渍化程度分级标准

表3 试验区样点各波段与实测土壤盐分含量相关性

** 表示在 0.01水平（双侧）上显著相关。下同

** indicates thesignificant correlationat0.01 level(bilateral). The same as below

表4 试验区样点光谱指数与实测土壤盐分含量相关性

表5 基于无人机多光谱的土壤盐分估测模型

2.3 反演模型的升尺度修正与验证

2.3.2 反演模型修正 在试验区每个样点对应卫星单个像元范围内，统计无人机各波段图像多个小像元的平均反射率，提取样点的卫星影像反射率，通过比值均值法，计算出卫星数据每个波段的修正系数为0.82483（b3）、0.63767（b4）、0.51249（b6）和1.15859（b7），将4个模型的自变量NDVI、RVI、SI使用卫星波段乘以修正系数进行修正，从而将基于无人机平台的土壤盐分估测模型转换为基于卫星影像的反演模型。修正后的基于卫星图像的各模型自变量为：

2.3.3 反演模型验证 根据研究区中77个麦区样点4个波段反射率，计算已修正的指数NDVI1、RVI1、SI1，分别代入4个修正后的反演模型，结合实测土壤盐分含量进行验证。其中逐步回归反演模型Y=-10.287×NDVI1+0.651×RVI1+13.486×SI1+3.843的验证2为0.485，为1.339；偏最小二乘模型Y=-9.4774×NDVI1+0.4794×RVI1+3.0747×SI1+5.0604的验证2为0.513，为1.379。同样地，将指数NDVI1、RVI1、SI1作为测试集放入已构建好的BP神经网络和支持向量机模型进行验证，结果2分别为0.436、0.387，分别为1.297、1.006。机器学习模型的验证相对较低，而统计分析模型验证2均高于机器学习模型，其中仅偏最小二乘法构建的指数模型2大于0.5。

2.4 模型应用与盐分反演

综合建模及2个尺度的验证结果，4个模型中偏最小二乘法建立的光谱指数具有更好的适用性和稳定性，选用该模型进行2个尺度的土壤盐分反演。

2.4.1 试验区土壤盐分反演 基于试验区土壤盐分实测值和最佳模型，得到试验区土壤盐分等级分布（图2），并对其进行等级面积统计（表7），总体看，麦田土壤盐分的反演结果与实测结果基本一致，各等级面积占比的变化趋势大致相同，而比较看，反演结果对土壤盐分空间分布的反映则更为精细。试验区A总体盐渍化程度较高，无非盐渍化及轻度盐渍化土壤分布，中、重度盐渍化土壤面积占83.72%，盐土面积占16.28%。土壤盐分含量呈现南部高、北部低趋势，其中盐土集中分布于西南部区域。试验区B总体盐渍化程度偏低，其中非盐化和轻度盐渍化土壤面积比例为39.11%，集中在小麦长势良好的北部，而试验区中部和南部重度盐渍化土壤面积达50.63%，且空间分布差异不大。

图2 试验区土壤盐分实测插值图（左）及反演图（右）

表7 试验区土壤盐分等级面积统计

2.4.2 研究区麦田面积与分布 对研究区典型地物光谱曲线进行分析（图3），在b7波段各地类出现清晰反射率区间，水体、滩涂平均反射率小于0.2，首先被去除，NDVI均值大于0.2的地物为冬小麦，由此建立决策树模型，提取冬小麦种植区域（图4）。结果显示，研究区麦田集中分布在垦利西南部及东北部黄河沿岸区域，提取结果符合冬小麦实际分布。

图3 研究区典型地物光谱曲线（左）及冬小麦决策树提取模型（右）

2.4.3 研究区麦田土壤盐分升尺度反演 对比研究区麦区土壤盐分反演及实测插值结果（图4），结合其等级面积统计情况（表8），可以看出，土壤盐分反演结果与空间插值结果一致，面积占比均呈现出随着盐渍化程度升高而减少的变化趋势，与调查情况相符，表明麦区升尺度反演效果较好。研究区小麦种植区无非盐渍化土壤分布，轻度盐渍化土壤分布广泛，面积占比达73.09%，集中在地势相对较高的西南部和黄河淡水影响的东北部区域；中度盐渍化土壤面积次之，占比14.01%，且在麦区零散分布；重度盐渍化土壤及盐土面积较小，集中分布于研究区中西部沿黄河滩区。

3 讨论

在星机一体化的土壤盐分反演研究中，针对农作物种植区域的土壤盐分反演研究相对匮乏，需要深入细致的研究探索。本研究为提高采集的农作物光谱精度，使用格网交点采集地面数据，保障样点的均匀及位置准确，无人机飞行高度较低，搭载 Sequoia多光谱相机的分辨率高达2—3 cm，保证了建模精度，因此，反演结果能更精确地反映小麦种植区的盐分分布状况。

表8 麦区土壤盐分等级面积统计

图4 麦区土壤盐分实测插值图（左）及升尺度反演图（右）

植被覆盖差异与土壤盐分空间变化息息相关，特征光谱参数的选择是土壤盐分准确反演的重要基础。本研究中，2个试验区冬小麦长势、覆盖度差异较明显，样点间可见光与近红外光谱差异增强，选用光谱指数进行土壤盐分反演，增强了原本与土壤盐分含量相关性接近的4个无人机光谱波段的敏感程度，提高了模型的精度及空间普适性，与前人研究结果相符[28, 35-36]。光谱指数中，GRVI及RVI与土壤盐分相关性不高，这与前人研究中波段比值与土壤盐分相关性较低的结果一致[22]。

本研究通过评价模型的精度、不同尺度的稳定性和适应性筛选最佳土壤盐分反演模型。选择的评价指标决定系数2衡量模型的拟合程度，反映实测值与预测值的偏差，考虑前者性能度量在0—1之间，而后者对于数据没有准确的度量范围，故模型精度评价以2作为主要依据。本文建立的统计分析模型的建模2小于支持向量机模型，说明机器学习方法的数据拟合效率较高，这与前人机器学习算法土壤盐分估测效果优于多元线性回归方法的研究结果一致[29]。但模型升尺度验证时，4个模型精度均降低，可能与无人机和卫星波段的中心波长存在5—13 nm的差异且大尺度农作物光谱状况较为复杂有关。同时，由于BP神经网络存在数据过拟合现象，使其预测能力与训练能力出现矛盾，而支持向量机模型对新输入样本的泛化能力低[37-38]，可能导致了机器学习模型的稳定性较低，精度降幅较大。

在试验时期的考察选点尽量做到了均匀且具有代表性，使其插值结果较好地反映土壤盐分的空间分布情况，但插值方法以距离权重进行赋值，在部分小区域内盐分出现较大变化时，会在一定程度上影响插值准确性。试验区的土壤盐分反演结果与土壤盐分的实测插值图比较时，2个图北部的盐土区域分布存在一定的差异，此外，在试验区和研究区需要减少对插值图定量结果的依赖，而是要结合空间分布情况、各等级占比的相对变化趋势及实际调查结果综合验证反演模型的应用效果。

本研究针对滨海冬小麦作物种植区，实现了多尺度、多类建模方法的土壤盐分遥感反演，在此基础上，后续需考虑区域中玉米、水稻等其他农作物类型，筛选适宜的光谱参数及高效反演模型，开展对农作物种植区的土壤盐分系统定量研究；另外，为提高升尺度反演模型精度，升尺度反演中尺度间数据的修正方法也有待进一步的优化。

4 结论

（1）基于冬小麦试验区无人机图像的多光谱波段，构建光谱指数，4个波段与土壤盐分含量的相关性均大于0.6，5个光谱指数中筛选出了用于建模的NDVI、RVI、SI，使用4种方法构建了9个统计分析模型和4个机器学习模型，不同方法中由NDVI、RVI、SI建立的光谱指数模型综合精度均优于波段模型和基于卫星影像的光谱指数模型。

（2）红、绿、红边、近红波段进行升尺度修正的修正系数分别为0.82483、0.63767、0.51249、1.15859，对4个试验区估测模型进行修正，构建了基于卫星波段的升尺度土壤盐分反演模型，经验证筛选出麦区最佳反演模型Y=-9.4774×NDVI1+0.4794×RVI1+3.0747× SI1+ 5.0604，验证2为0.513。

（3）由最佳模型反演得到了试验区及研究区2个尺度的麦区土壤盐分等级分布图，反演效果较好，表明模型有良好的预测能力和适用性。研究区小麦种植区土壤以轻度盐渍化为主，面积占73.09%，集中在研究区地势相对较高的西南部和黄河淡水影响的东北部区域，中度盐渍化土壤在麦区零散分布，重度盐渍化及盐土则分布于中西部沿黄滩区。

本研究综合卫星、无人机及地面数据，采用统计分析和机器学习的建模方法，得到了星机一体化的麦区土壤盐分反演最佳模型，为把握麦区土壤盐分等级分布状况、指导研究区农业生产提供了科学依据。

[1] 王建华, 胡鹏, 龚家国. 实施黄河口大保护推动黄河流域生态文明建设. 人民黄河, 2019, 41(10): 7-10.

WANG J H, HU P, GONG J G. Taking the great protection of the Yellow River estuary as the grasp to promote the construction of ecological civilization in the Yellow River basin., 2019, 41(10): 7-10. (in Chinese)

[2] 刘丽娟, 李小玉. 干旱区土壤盐分积累过程研究进展. 生态学杂志, 2019, 38(3): 891-898.

LIU L J, LI X Y. Progress in the study of soil salt accumulation in arid region., 2019, 38(3): 891-898. (in Chinese)

[3] 张顺, 贾永刚, 连胜利, 付腾飞, 潘玉英. 电导率法在土壤盐渍化中的改进和应用进展. 土壤通报, 2014, 45(3): 754-759.

ZHANG S, JIA Y G, LIAN S L, FU T F, PAN Y Y. Application and improvement of electrical conductivity measurements in soil salinity., 2014, 45(3): 754-759. (in Chinese)

[4] 阿尔达克·克里木, 塔西甫拉提·特依拜, 张东, 依力亚斯江·努尔麦麦提. 基于高光谱的ASTER影像土壤盐分模型校正及验证. 农业工程学报, 2016, 32(12): 144-150.

Ardak K l m, TaXIpUlat T y p, ZHANG D, IlyasJ N r m m t. Calibration and validation of soil salinity estimation model based on measured hyperspectral and Aster image., 2016, 32(12): 144-150. (in Chinese)

[5] 吴亚坤, 刘广明, 苏里坦, 杨劲松. 多源数据的区域土壤盐渍化精确评估. 光谱学与光谱分析, 2018, 38(11): 3528-3533.

WU Y K, LIU G M, SU L T, YANG J S. Accurate evaluation of regional soil salinization using multi-source data., 2018, 38(11): 3528-3533. (in Chinese)

[6] 胡盈盈, 王瑞燕, 陈红艳, 李玉萍, 刘燕群. 黄河三角洲春秋两季土壤盐分遥感反演及时空变异研究. 测绘与空间地理信息, 2018, 41(8): 78-81.

HU Y Y, WANG R Y, CHEN H Y, LI Y P, LIU Y Q. Research on remote sensing retrieval and temporal variation of soil salinity in the spring and autumn of the Yellow River Delta., 2018, 41(8): 78-81. (in Chinese)

[7] SCUDIERO E, SKAGGS T H, CORWIN D L. Regional-scale soil salinity assessment using Landsat ETM+ canopy reflectance., 2015, 169: 335-343.

[8] 梁静, 丁建丽, 王敬哲, 王飞. 基于反射光谱与 Landsat 8 OLI 多光谱数据的艾比湖湿地土壤盐分估算. 土壤学报, 2019, 56(2): 320-330.

LIANG J, DING J L, WANG J Z, WANG F. Quantitative estimationand mapping of soil salinity in the Ebinur Lake wetland based on Vis-NIR reflectance and Landsat 8 OLI data., 2019, 56(2): 320-330. (in Chinese)

[9] 陈俊英, 王新涛, 张智韬, 韩佳, 姚志华, 魏广飞. 基于无人机-卫星遥感升尺度的土壤盐渍化监测方法. 农业机械学报, 2019, 50(12): 161-169.

CHEN J Y, WANG X T, ZHANG Z T, HAN J, YAO Z H, WEI G F. Soil salinization monitoring method based on UAV-satellite remote sensing scale-up., 2019, 50(12):161-169. (in Chinese)

[10] Zhang S m, Zhao G x. A harmonious satellite-unmanned aerial vehicle-ground measurement inversion method for monitoring salinity in coastal saline soil., 2019, 11(14): 1700.

[11] Song C Y, Ren H X, Huang C. Estimating soil salinity in the Yellow River delta, Eastern China—An integrated approach using spectral and terrain indices with the generalized additive model.2016, 26(5): 626-635.

[12] 贾吉超, 赵庚星, 高明秀, 王卓然, 常春艳, 姜曙千, 李晋. 黄河三角洲典型区域冬小麦播种面积变化与土壤盐分关系研究. 植物营养与肥料学报, 2015, 21(5): 1200-1208.

JIA J C, ZHAO G X, GAO M X, WANG Z R, CHANG C Y, JIANG S Q, LI J. Study on the relationship between winter wheat sowing area changes and soil salinity in the typical area of the Yellow River delta., 2015, 21(5): 1200-1208. (in Chinese)

[13] 张同瑞, 赵庚星, 高明秀, 王卓然, 贾吉超, 李萍, 安德玉. 基于近地面多光谱的黄河三角洲典型地区土壤含盐量估算研究. 光谱学与光谱分析, 2016, 36(1): 248-253.

ZHANG T R, ZHAO G X, GAO M X, WANG Z R, JIA J C, LI P, AN D Y. Soil salinity estimation based on near-ground multispectral imagery in typical area of the Yellow River Delta., 2016, 36(1): 248-253. (in Chinese)

[14] Zhang T T , Zeng S L , Gao Y, QUYANG Z T, LI B, FANG C M, ZHAO B. Using hyperspectral vegetation indices as a proxy to monitor soil salinity., 2011, 11(6): 1552-1562.

[15] 张天举, 陈永金, 刘加珍. 黄河三角洲湿地不同植物群落土壤盐分分布特征. 浙江农业学报, 2018, 30(11): 1915-1924.

ZHANG T J, CHEN Y J, LIU J Z. Characteristics of spatial distribution of soil salinity under different plant communities on wetland in Yellow River Delta., 2018, 30(11): 1915-1924. (in Chinese)

[16] 张雪妮, 吕光辉, 杨晓东, 贡璐, 秦璐, 何学敏, 刘昊奇. 基于盐分梯度的荒漠植物多样性与群落、种间联接响应. 生态学报, 2013, 33(18): 5714-5722.

ZHANG X N, LÜ G H, YANG X D,GONG L, QIN L, HE X M, LIU H Q. Responses of desert plant diversity, community and interspecific association to soil salinity gradient., 2013, 33(18): 5714-5722. (in Chinese)

[17] 安德玉, 邢前国, 赵庚星. 基于HICO波段的滨海土壤盐分遥感反演研究. 海洋学报, 2018, 40(6): 51-59.

AN D Y, XING Q G, ZHAO G X. Hyperspectral remote sensing of soil salinity for coastal saline soil in the Yellow River Delta based on HICO bands., 2018, 40(6): 51-59. (in Chinese)

[18] 张素铭, 赵庚星, 王卓然, 肖杨, 郎坤. 滨海盐渍区土壤盐分遥感反演及动态监测. 农业资源与环境学报, 2018, 35(4): 349-358.

ZHANG S M, ZHAO G X, WANG Z R, XIAO Y, LANG K. Remote sensing inversion and dynamic monitoring of soil salt in coastal saline area.2018, 35(4): 349-358. (in Chinese)

[19] 陈红艳, 赵庚星, 陈敬春, 王瑞燕, 高明秀. 基于改进植被指数的黄河口区盐渍土盐分遥感反演. 农业工程学报, 2015, 31(5): 107-114.

CHEN H Y, ZHAO G X, CHEN J C, WANG R Y, GAO M X. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River., 2015, 31(5): 107-114. (in Chinese)

[20] 周晓红, 张飞, 张海威, 张贤龙, 袁婕. 艾比湖湿地自然保护区土壤盐分多光谱遥感反演模型. 光谱学与光谱分析, 2019, 39(4): 12 29-1235.

ZHOU X H, ZHANG F, ZHANG H W, ZHANG X L, YUAN J. A study of soil salinity inversion based on multispectral remote sensing index in Ebinur Lake Wetland Nature Reserve., 2019, 39(4): 1229-1235. (in Chinese)

[21] 张贤龙, 张飞, 张海威, 李哲, 海清, 陈丽华. 基于光谱变换的高光谱指数土壤盐分反演模型优选. 农业工程学报, 2018, 34(1): 110- 117.

ZHANG X L, ZHANG F, ZHANG H W, LI Z, HAI Q, CHEN L H. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index., 2018, 34(1): 110-117. (in Chinese)

[22] 王丹阳, 陈红艳, 王桂峰, 丛津桥, 王向锋, 魏学文. 无人机多光谱反演黄河口重度盐渍土盐分的研究. 中国农业科学, 2019, 52(10): 1698-1709.

WANG D Y, CHEN H Y, WANG G F, CONG J Q, WANG X F, WEI X W. Salinity inversion of severe saline soil in the Yellow River estuary based on UAV multi-spectra., 2019, 52(10): 1698-1709. (in Chinese)

[23] Hamzeh S, Naseri A A, Alavipanah S K, Mojaradi B, Bartholomeus H M, CLEVERS J G P W, BEHZAD M. Estimating salinity stress in sugarcane fields with spaceborne hyperspectral vegetation indices., 2013, 21: 282-290.

[24] 朱赟, 申广荣, 项巧巧, 吴裕. 基于不同光谱变换的土壤盐含量光谱特征分析. 土壤通报, 2017, 48(3): 560-568.

ZHU Y, SHEN G R, XIANG Q Q, WU Y. Spectral characteristics of soil salinity based on different pre-processing methods., 2017, 48(3): 560-568. (in Chinese)

[25] 姚远, 丁建丽, 张芳, 赵振亮, 江红南. 基于高光谱指数和电磁感应技术的区域土壤盐渍化监测模型. 光谱学与光谱分析, 2013, 33(6): 1658-1664.

YAO Y, DING J L, ZHANG F, ZHAO Z L, JIANG H N. Research on model of soil salinization monitoring based on hyperspectral index and EM38., 2013, 33(6): 1658-1664. (in Chinese)

[26] 厉彦玲, 赵庚星, 常春艳, 王卓然, 王凌, 郑佳荣. OLI与HSI影像融合的土壤盐分反演模型. 农业工程学报, 2017, 33(21): 173-180.

LI Y L, ZHAO G X, CHENG C Y, WANG Z R, WANG L, ZHENG J R. Soil salinity retrieval model based on OLI and HSI image fusion., 2017, 33(21): 173-180. (in Chinese)

[27] 冯娟, 丁建丽, 杨爱霞, 蔡亮红. 干旱区土壤盐渍化信息遥感建模. 干旱地区农业研究, 2018, 36(1): 266-273.

FENG J, DING J L, YANG A X, CAI L H. Remote sensing modeling of soil salinization information in arid areas., 2018, 36(1): 266-273. (in Chinese)

[28] 曹肖奕, 丁建丽, 葛翔宇, 王敬哲. 基于光谱指数与机器学习算法的土壤电导率估算研究. 土壤学报, 2020, 56(4): 867-877.

CAO X Y, DING J L, GE X Y, WANG J Z. Estimation of soil electrical conductivity based on spectral index and machine learning algorithm., 2020, 56(4): 867-877. (in Chinese)

[29] 张智韬, 魏广飞, 姚志华, 谭丞轩, 王新涛, 韩佳. 基于无人机多光谱遥感的土壤含盐量反演模型研究. 农业机械学报, 2019, 50(12):151-160.

ZHANG Z T, WEI G F, YAO Z H, TAN C X, WANG X T, HAN J. Soil salt inversion model based on UAV multispectral remote sensing., 2019, 50(12):151-160. (in Chinese)

[30] 林芬, 赵庚星, 常春艳, 王卓然, 李慧. 基于相邻轨道图像的冬小麦面积提取及长势分析. 农业资源与环境学报, 2016, 33(4): 384-389.

LIN F, ZHAO G X, CHANG C Y, WANG Z R, LI H. Extraction of winter wheat area and growth analysis based on remote sensing imagery of adjacent tracks., 2016, 33(4): 384-389. (in Chinese)

[31] 王卓然, 赵庚星, 高明秀, 常春艳, 姜曙千, 贾吉超, 李晋. 黄河三角洲垦利县夏季土壤水盐空间变异及土壤盐分微域特征. 生态学报, 2016, 36(4): 1040-1049.

WANG Z R,ZHAO G X, GAO M X, CHANG C Y, JIANG S Q, JIA J C, LI J. Spatial variation of soil water and salt and microscopic variation of soil salinity in summer in typical area of the Yellow River Delta in Kenli county., 2016, 36(4): 1040-1049. (in Chinese)

[32] 方孝荣, 高俊峰, 谢传奇, 朱逢乐, 黄凌霞, 何勇. 农作物冠层光谱信息检测技术及方法综述. 光谱学与光谱分析, 2015, 35(7): 1949-1955.

FANG X R, GAO J F, XIE C Q, ZHU F L, HUANG L X, HE Y. Review of crop canopy spectral information detection technology and methods., 2015, 35(7): 1949– 1955 . (in Chinese)

[33] Douaoui A E K, Nicolas H, Walter C. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data., 2006, 134(1/2): 217-230.

[34] 鲍士旦. 土壤农化分析. 北京: 中国农业出版社, 2000.

BAO S D.. Beijing: China Agricultural Press, 2000. (in Chinese)

[35] Nguyen K A, Liou Y A, Tran H, Hoang P P, Nguyen T H. Soil salinity assessment by using nearinfrared channel and vegetation soil salinity index derived from Landsat 8 OLI data: a case study in the Tra Vinh province, Mekong Delta, Vietnam., 2020, 7(1).

[36] Allbed A, Kumar L, Aldakheel Y Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region., 2014, 230/231: 1-8.

[37] 葛哲学, 孙志强. 神经网络理论与MATLAB R2007实现. 北京: 电子工业出版社, 2005.

GE Z X, SUN Z Q.. Beijing: Publishing House of Electronics Industry, 2005. (in Chinese)

[38] 丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述. 电子科技大学学报, 2011, 40(1): 2-10.

DING S F, QI B J, TAN H Y. An overview on theory and algorithm of support vector machines., 2011, 40(1): 2-10. (in Chinese)

Inversion of Soil Salinity in Coastal Winter Wheat Growing Area Based on Sentinel Satellite and Unmanned Aerial Vehicle multi-spectrum— A Case Study in Kenli District of the Yellow River delta

XI Xue1, ZHAO GengXing1, GAO Peng1, CUI Kun1, LI Tao2

(1College of Resources and Environment, Shandong Agricultural University/National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Tai’an 271018, Shandong;2Soil and Fertilizer Working Station of Shandong, Jinan 250100)

【】The purpose of this paper was to explore an accurate and efficient remote sensing method for soil salinity extraction of wheat field in the Yellow River Delta, and obtain the degree and distribution of soil salinization of wheat fields.【】this study took Kenli District as the research area, and set 77 sample points in winter wheat growing area evenly. At the same time, two representative test areas and 99 grid sample points were set, and the surface soil salinity data in wheat field and the multi-spectral images of UAV in the test area were collected. The sensitive spectral parameters were screened from four spectral bands (red, green, red edge, and near-infrared) and five spectral indexes (SI, NDVI, DVI, RVI, and GRVI). Stepwise regression, partial least squares, BP neural network and support vector machine methods were used to establish models for predicting the soil salinity,and the band ratio mean method was used to obtain the correction coefficient of the corresponding band of sentinel-2A satellite image. And then the selected soil salinity estimation model was converted into an inversion model based on satellite image. After using the data from the wheat field sample points to verify the models, the best soil salinity inversion model in wheat field was selected, and two scales of soil salinity inversion are realized in the test areas and the research area.【】The results showed that the four bands of UAV and the spectral indexes NVDI, RVI and SI were significantly correlated with soil salinity. Among the 13 models of the four modeling methods, the four index models established by NDVI, RVI and SI were better than the other models in modeling and verifying2; the best inversion model was the spectral index model obtained by partial least square method: Y=-9.4774×NDVI1+ 0.4794×RVI1+ 3.0747×SI1+ 5.0604, and the accuracy2was 0.513 andwas 1.379. By using this model, the soil salinity distribution map of the test area and the whole wheat area was obtained.Combined with the measured interpolation and the survey, the inversion model and spatial distribution results were proved to be accurate and reliable. 【】In this study, the soil salinity inversion model of the coastal wheat area based on the integration of satellite and UAV was constructed, which had positive reference value for the production and management of crops in the coastal saline area.

winter wheat; unmanned aerial vehicle; sentinel-2A satellite; soil salinity; inversion model

10.3864/j.issn.0578-1752.2020.24.004

2020-03-07；

2020-05-05

国家自然科学基金（41877003）、山东省重大科技创新工程项目（2019JZZY010724）、山东省“双一流”奖补资金（SYL2017XTTD02）

奚雪，E-mail：1349637259@qq.com。通信作者赵庚星，E-mail：zhaogx@sdau.edu.cn

（责任编辑 杨鑫浩）