基于地表高光谱与OLI影像的土壤含盐量和pH值估测

孙 媛，贾萍萍，尚天浩，张俊华

(1.宁夏大学资源环境学院，宁夏 银川 750021；2.宁夏大学环境工程研究院，宁夏 银川 750021)

土壤盐碱化是土地退化的主要过程之一，已经成为全世界共同面临的生态环境问题，尤其在干旱、半干旱地区，严重阻碍农业生产，威胁当地社会经济的发展和生态环境的可持续发展[1]。及时获取土壤盐碱化时空分布信息，分析土壤盐碱化变化范围，对保障农业可持续生产、维持生态环境稳定有重要作用[2-3]。

传统土壤盐碱化监测手段主要是依靠实地采样和实验室分析，难以对大范围区域进行实时、持续、准确地监测。而遥感影像可以大面积、重复获取区域多波段、多时相的地物信息，在速度、精度和成本方面凸显优势，在土壤盐碱化监测方面具有良好的应用前景[4]。近年来很多学者利用遥感影像提取盐碱化信息，如Landsat、MODIS、SPOT、IKONOS、Quick Bird和IRS系列等，筛选出敏感波段，构建土壤盐分指数，对盐渍化土壤盐分、土壤表观电导率(ECa)和土壤饱和溶液电导率(ECe)等进行估测，建立了土壤盐渍化程度监测体系[5-7]。这些研究大多是从遥感影像提取土壤盐分指数来估测土壤盐碱化程度。研究表明，盐碱化土壤因其盐碱含量超过正常阈值而影响植被的生理参数，导致植被冠层光谱在红光波段出现反射率增加和近红外波段反射率降低的现象[8]。研究表明，植被光谱指数与土壤表层属性存在密切联系，能够有效地监测土壤盐碱化程度[9]。鉴于此，诸多研究者利用植被光谱间接估算土壤的盐分含量，尝试建立基于植被指数定量估算土壤盐分的方法。这些指数包括：归一化植被指数(Normalized difference vegetation index，NDVI)、比值植被指数(Ratio vegetation index，RVI)、差值植被指数(Difference vegetation index，DVI)、土壤调节植被指数(Soil adjusted vegetation index，SAVI)、修正的土壤调节植被指数(Modified soil adjusted vegetation index，MSAVI)、优化的土壤调节植被指数(Optimized soil adjusted vegetation index，OSAVI)、广义植被指数(Generalized difference vegetation index，GDVI)、增强型植被指数(Enhanced vegetation index，EVI)等[10-16]。但这些植被指数都仅利用可见光-近红外2个波段组数据，没有考虑其他波段(如信息量较大的短波红外)，信息量不足难以进行综合全面分析；而且只涉及2个波段组数据的植被指数往往存在明显的相关关系而使得模型失真和不稳定。有学者在此基础上引入了短波红外波段构建了扩展的增强型植被植数(Extentedenhanced vegetation index，EEVI)[17]、三波段差值植被指数(Three-band maximal gradient difference vegetation index，TGDVI)[18-19]，综合考虑多个波段建立植被指数，大幅度降低了指数间的多重共线性，提高了土壤盐分估算模型精度。也有学者将光谱变换方法与植被指数结合建立土壤盐分估算模型，以提高土壤盐分估测精度，为土壤盐分估测提供一种新的思路[20]。此外，野外实测高光谱模型精度较高，但不适于大面积获取土壤盐碱化信息，而遥感影像覆盖范围大，且容易获取，但精度较低，将实测高光谱数据与影像数据进行拟合，有助于提高大面积、高精度盐碱化估测能力[21]。

尽管有不少研究综合多光谱影像或高光谱影像与实测高光谱共同估测土壤盐分，但所用高光谱数据多为土壤光谱，很少采用植被冠层光谱，且鲜有研究分别使用敏感波段和植被指数进行盐分估测，针对盐碱并存地区，同时估测含盐量与pH值的研究就更为少见。因此，宁夏银北地区因独特的气候条件和地理位置，分布着大面积的龟裂碱土，土壤pH值和碱化度高，含盐量也较高。本文以宁夏银北地区平罗县为研究区，以实测植被光谱、Landsat 8 OLI影像以及植被冠层下土壤含盐量、pH值为数据源，对光谱反射率进行不同形式的变换，确定最优光谱变换形式，基于敏感波段和植被指数建立土壤含盐量和pH值的最佳估测模型，并利用高光谱对影像多光谱估测模型进行校正，实现当地及同类地区大面积土壤盐化和碱化程度的监测。

1 材料与方法

1.1 研究区概况

平罗县位于宁夏银北平原东北部，地处38°26′60″～39°14′09″N和105°57′40″～106°52′52″E。海拔约为1 070～1 100 m，自西向东分为贺兰山山地、山麓洪积扇地、西大滩碟形洼地、黄河近代冲积平原、河漫滩地和鄂尔多斯台地六大地貌单元，地形西南高、东北低。该地区属于典型的温带大陆性气候，多年平均气温9.69℃，年均降水量约150～203 mm，年蒸发量为1 755.1 mm以上。由于蒸降比大，地势低洼，地下水位较高，引发盐分向上层土壤迁移，最终形成了大范围的盐碱土[22]。研究区主要土地利用方式为农业用地，种植的作物主要有枸杞、水稻、玉米、向日葵及少量小麦等。研究区内分布植被种类繁多，主要包括白刺(Nitrariatangutorum)、芦苇(Phragmitesaustralis)、赖草(Leymussecalinus)、芨芨草(Achnatherumsplendens)、柽柳(Tamarixchinensis)、沙枣(Elaeagnusangustifolia)、碱蓬(Suaedaglauca)、盐爪爪(Kalidiumfoliatum)、砂引草(Tournefortiasibirica)和白茎盐生草(Halogetonarachnoideus)等耐盐碱植被。并且在气候干旱以及土地盐碱化的共同作用下，植被覆盖度较低，长势不佳，进一步加剧土地盐碱化，生态环境遭到破坏，严重制约了当地的生态环境和农业经济的可持续发展[23]。

1.2 野外实测样本采集

综合考虑研究区的土壤盐碱化程度、植被类型及分布状况、土地利用方式以及交通等因素，在研究区选取包括基本农田、中低产田和撂荒地等不同土地利用方式的土壤布设样地，在全县设置9个采样区域，每个区域实地测定一定数量的植被光谱并同期同点采集下覆表层土壤样品。于2018年7月中旬进行植被冠层光谱测定及土样采集。植被光谱采用美国Spectral Evolution公司的SR-3500地物光谱仪，波段范围为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。在天气良好、风力较小、10∶00—14∶00测定，测量时光谱仪探头设置在垂直距离植被冠层上方30 cm处，减小仪器视场角，降低植被光谱的噪音影响；每次观测前进行标准白板校正，每个样点重复测定5次，取平均值作为该植被的光谱反射值，最终获得67个数据采集单元。

测量植被光谱后，采集植被原处下覆0～20 cm的表层土壤装入自封袋，同时用GPS定位记录该样点经纬度。土样带回实验室风干、研磨过1 mm筛，配置水土比为5∶1的浸提液，用电导率仪和pH计测定土壤样品的电导率和pH值[24]，根据经验公式换算得到土壤含盐量[24]。根据野外实测样点分布情况以及布雷迪等[25]的分级方法，将土壤盐碱化程度分为4级：轻度盐(碱)化(L1)、中度盐(碱)化(L2)、重度盐(碱)化(L3)和盐(碱)土(L4)，见表1。

表1 土壤盐碱化分级标准Table 1 Classification standard of soil salinization

1.3 遥感影像获取与预处理

结合采样时间和云量(<10%)，选取2018年7月7日Landsat 8 OLI影像作为基础数据源，数据来源于美国地质调查局(United states geological survey，USGS http://glovis.usgs.gov/)，行列号为129/33，数据等级为LIT，空间分辨率为30 m。7个波段中心波长分别为443 nm(Coastal波段)、482.6 nm(蓝色波段)、561.3 nm(绿色波段)、654.6 nm(红色波段)、864.6 nm(NIR波段)、1 609 nm(SWIR1波段)和2 201 nm(SWIR2波段)。在ENVI5.5中完成Landsat 8 OLI影像的辐射定标、大气校正和研究区范围剪裁等预处理工作。

1.4 高光谱与多光谱拟合分析

野外实测高光谱为窄波段，而Landsat 8 OLI影像多光谱为宽波段，二者数据不可直接进行对比分析。将去噪后的实测光谱在ENVI5.5中的Spectral Resampling模块中进行重采样处理，使之与Landsat 8 OLI 影像波段一致。然后根据经纬度在ArcGIS中提取采样点对应Landsat 8 OLI影像反射率，将影像反射率与重采样实测反射率拟合，并分析在不同含盐量和土壤pH值条件下的影像和重采样实测数据7个波段的相关性。

1.4.1 光谱反射率变换及植被指数与敏感波段的选取 为了更好地分析光谱数据和土壤盐碱化指标之间的关系，并筛选对盐碱化指标更敏感的光谱特征波段和植被指数，在原始反射率(T1)平滑去噪的基础上，分别对重采样实测光谱和Landsat 8 OLI影像光谱反射率进行倒数(T2)、倒数对数(T3)、一阶微分(T4)、倒数一阶微分(T5)和倒数对数一阶微分(T6)变换进行同步分析。敏感波段通过土壤含盐量和pH值与不同变换形式的光谱反射率的相关性分析来确定，依据相关性最大的原则，相关性越大，表明此波段对盐碱化指标越敏感。植被指数计算公式见表2。

表2 用于评价土壤盐度和pH值的植被指数Table 2 Summary of some widely used vegetation indices for soil salinity and pH value assessments

1.4.2 建模和验证 分别以敏感植被指数和敏感波段作为自变量，土壤含盐量和pH值为因变量建立估测模型，比较模型精度优劣。将研究区67个采样点的土壤含盐量和pH值数据随机选取45个样本作为建模集，其余22个样本构成验证集，分别用于模型的建立及精度的验证。植被指数模型采用SPSS 22.0中曲线估计(Curve estimation)中多项式、指数函数、幂函数、立方函数等方法建模，选择决定系数最大的方程作为估测模型；敏感波段模型采用Origin中多元线性回归(Multiple linear regression，MLR)，以敏感波段作为自变量，土壤含盐量和pH值作为因变量建立估测模型。为量化模型的拟合能力，决策标准采用决定系数(R2)和均方根误差(RMSE)，用R2衡量模型稳定性，RMSE判断模型的估测能力，R2越接近1，RMSE越小，则模型精度越高，估测能力越好[27]。

2 结果与分析

2.1 研究区土壤含盐量与pH值的统计分析

研究区土壤含盐量平均为4.75 g·kg-1，变异系数为102.38%，对应的建模数据集和验证数据集的土壤含盐量平均值分别为4.90 g·kg-1和4.42 g·kg-1，变异系数分别为106.79%和103.05%，均属于强变异；土壤pH平均值为9.09，变异系数为5.68%，所选的建模数据集和验证数据集的土壤pH平均值分别为9.10和9.08，变异系数分别为5.85%和5.43%，均属于弱变异(表3)。建模集和验证集的数据分布均保持了和研究区全部样本土壤对应的含盐量以及pH值相似的统计分布，避免了在模型校准和验证中的潜在偏估计。

表3 研究区土壤样品的pH值及含盐量统计特征/(g·kg-1)Table 3 Statistics of pH value and soil salt content of the soil samples in the study area

2.2 典型盐碱土上覆植被冠层光谱特征

从不同程度盐化、碱化土壤上覆植被光谱特征曲线可以看出(图1)，不同程度盐化、碱化土壤上覆植被冠层反射光谱曲线在形态上总体相似：在绿光波段处有一较小的反射峰，在红光波段形成吸收谷，红光到近红外波段反射率明显高于其他波段。随着盐化程度的增加，在可见光波段重采样实测反射率先降低后增加，影像反射率变化无明显规律；在近红外波段，重采样实测反射率随盐化程度的加重变化无明显规律，影像反射率则先降低后增加。随着碱化程度的增加，重采样实测反射率与影像反射率在全波段均呈先降低后升高趋势。整体来看，近红外波段反射率差异较大，重采样实测植被光谱中，轻度和中度盐化土壤上植被最大反射率分别与重度盐化相差0.033和0.078，中度和重度碱化土壤上植被最大反射率较轻度碱化降低了13.24%和28.83%；在Landsat 8 OLI影像中，与轻度盐化土壤上植被反射率相比，中度和重度盐化分别降低了13.90%和23.55%，中度碱化土壤和碱土上植被最大反射率较轻度碱化降低了18.60%和7.90%。

2.3 植被实测高光谱与Landsat 8 OLI数据评估

研究区分布的典型植被类型多样，不同植被冠层光谱对土壤盐碱化程度的响应不同[10,28]，为减少植被间的光谱差异，对同一盐(碱)化程度的实测植被冠层光谱求均值，然后与对应的影像反射率进行拟合，分析重采样实测高光谱与Landsat 8 OLI影像反射率的相关性。不同土壤含盐量下的植被冠层实测光谱反射率与Landsat 8 OLI影像反射率之间的拟合关系如图2所示。中度盐化土壤上覆植被的重采样实测光谱与Landsat 8 OLI影像光谱拟合度最强，拟合度(R2)达到了0.9350，然后依次是轻度盐化土壤、盐土和重度盐化土壤，其中轻度盐化土壤和中度盐化土壤R2均达到了0.90以上。采样区盐碱程度较重，植被长势普遍较差，故土壤背景对冠层光谱精度影响较大。整体而言，由实测光谱重采样得到的光谱反射率与Landsat 8 OLI遥感影像的反射率具有较高的拟合度，可以为Landsat 8 OLI影像定量估测盐分含量提供理论参考。

不同碱化程度土壤的上覆植被实测光谱反射率与Landsat 8 OLI影像反射率之间的拟合关系如图3所示。中度碱化土壤上覆植被的重采样实测光谱与Landsat 8 OLI影像光谱拟合度最好，拟合度(R2)达到了0.8952，然后依次是重度碱化土壤、碱土和轻度碱化土壤，其中中度碱化土壤和重度碱化土壤R2均达到了0.88以上，轻度碱化土和碱土的R2也达到了0.71以上。综上，由重采样实测光谱得到的光谱反射率与Landsat 8 OLI遥感影像的反射率具有较高的拟合度，可以为Landsat 8 OLI影像定量估测土壤pH值提供理论参考。

2.4 反射率不同变换方式与盐碱化指标相关性分析

由图4可知，对重采样实测反射率，平滑后的反射率(T1)与土壤含盐量相关性最强，倒数对数变换后的反射率(T3)与土壤pH值相关性最强，为0.486；经倒数变换的Landsat 8 OLI影像反射率(T2)与土壤含盐量相关系数最大，平滑后的Landsat 8 OLI影像反射率(T1)与pH值相关性最强。以上结果表明，重采样实测T1建立模型可能提高土壤含盐量估测精度，pH值采用T3变换可能提高估测精度。Landsat 8 OLI影像T2建立模型可提高土壤含盐量估测精度，而pH值采用T1变换建模可提高估测精度。

2.5 模型建立与验证

2.5.1 基于植被指数构建的植被下覆土壤含盐量和pH值估测模型 根据相关性最强的原则确定最佳光谱变换方式，在此基础上构建植被指数。根据2.4中的结果，基于重采样实测光谱植被指数构建土壤含盐量和pH值估测模型的最佳变换形式分别为T1和T3，Landsat 8 OLI影像的最佳变换形式分别为T2和T1。用多项式、指数函数、幂函数、立方函数等方法分别建模，这里只列出最好的模型(表4)。由表4可知，基于重采样实测光谱植被指数构建的模型效果普遍高于Landsat 8 OLI影像。基于重采样实测光谱建立的含盐量模型R2也较低，但均通过了0.05显著性检验，其中EEVI最高(0.290 9)；除EEVI外，基于其他5种植被指数建立的pH值模型效果都较好，其中EVI模型R2达到了0.625 7，TGDVI次之(0.612 5)。基于Landsat 8 OLI影像植被指数构建的含盐量模型精度都较差；构建的pH值估测模型R2也普遍偏低，其中基于TGDVI建立的pH值估测模型R2最大，为0.248 4，略高于OSAVI和MSAVI，除EEVI外均通过了0.05显著性检验，总体上各植被指数建立的pH值模型效果相差不大。因此，对于土壤含盐量，基于重采样实测EEVI构建的估测模型有较好精度；对于土壤pH值，基于重采样实测EVI构建的模型有较好的估测能力，Landsat 8 OLI影像TGDVI构建的模型估测能力较佳。

表4 基于实测高光谱和Landsat 8 OLI影像的植被指数与含盐量和pH值的估测方程Table 4 Predicted equations of vegetation indices between soil salt content and pH value based on measured Hyper-spectral and Landsat 8OLI image

2.5.2 基于敏感波段的土壤含盐量和pH值估测模型 分别选取与土壤含盐量和pH值相关性最强的2个波段和3个波段组合作为敏感波段建立含盐量和pH的估测模型，模型决定系数相近，故这里只列出2个波段的建模结果(表5)。基于重采样实测光谱建立的模型普遍较好，对土壤含盐量模型，T2模型效果最佳(波段组合为1 609 nm和2 201 nm)，R2达到了0.5693，T3、T1模型次之，均通过0.05显著性的检验，T4模型最差；建立的pH值估测模型中，T1模型效果最佳(波段组合为482.6 nm和654.6 nm)，T4模型次之，T2、T5模型较差，均通过了显著性0.05的检验。基于重采样实测光谱建立的模型效果均优于Landsat 8 OLI影像模型。对于Landsat 8 OLI影像，基于各种变换建立的含盐量模型效果均较差，均未通过显著性检验；建立的pH值估测模型中，T5模型拟合效果最佳(波段为482.6 nm和654.6 nm)，R2为0.2766，T4、T6模型拟合效果相近，R2分别为0.2220和0.2178，均通过了0.05显著性检验。基于影像建立的pH值模型总体比含盐量模型效果好，说明研究区影像对土壤碱化程度的响应大于盐化程度。以上结果表明，对于土壤含盐量，重采样实测光谱T2变换建立的估测模型精度较高；对于土壤pH值，重采样实测光谱T1建立的模型精度较高，Landsat 8 OLI影像T5变换建立的模型有较好的估测能力。

表5 反射率不同变换形式下敏感波段对含盐量和pH值的估测方程Table 5 The equations for predicting salt content and pH value of the sensitive wavelengths between reflectance and transformed methods

2.5.3 模型验证 针对构建的估测模型，用22个验证样本分别对土壤含盐量和pH值进行验证，这里只列出模型效果最好的验证结果(图5)。对于土壤含盐量，除了基于Landsat 8 OLI建立的模型之外，其他最佳模型的光谱估测值与实测值之间有较强的相关性，且均通过了显著性检验，说明利用重采样实测光谱植被指数和敏感波段都可以较准确估测土壤含盐量，其中基于重采样实测光谱敏感波段建立的含盐量估测模型效果最好，验证决定系数(R2)为0.5706，与建模结果一致；对于土壤pH值，验证结果均通过了显著性检验，其中基于重采样实测光谱敏感波段验证模型R2最高(0.6616)，重采样实测光谱植被指数R2(0.6473)次之，这与建模结果略有差异。以上结果表明，基于重采样实测光谱构建的土壤含盐量模型通过了显著性检验，Landsat 8 OLI影像估测模型未通过检验，故不可直接估测含盐量；重采样实测光谱和Landsat 8 OLI影像均可以有效地估测pH值。

2.6 模型校正

基于Landsat 8 OLI影像植被指数和敏感波段建立的土壤含盐量模型较差，pH值模型虽通过了显著性检验，但R2也较低，故利用重采样实测光谱模型对Landsat 8 OLI影像模型进行校正，以提高精度，实现研究区大面积土壤含盐量和pH值的估测。

2.6.1 基于Landsat 8 OLI影像植被指数含盐量和pH值估测的校正模型 以重采样实测光谱模型(精度最高EEVI)估测的含盐量和pH值(EVI模型)为校正基准，分别与Landsat 8 OLI影像光谱的最优模型估测的含盐量(EVI模型)和pH值(TGDVI模型)建立关系式(1)、(2)，图6(A、C)为重采样实测模型与Landsat 8 OLI 模型估测的含盐量及pH值的关系。

y1=0.8263x1+0.7917

(1)

y2=0.951x2+0.3929

(2)

式中,x1为Landsat 8 OLI影像EVI模型估测盐分值，y1为实测光谱EEVI模型估测盐分值；x2为Landsat 8 OLI影像TGDVI模型估测pH值，y2为实测光谱EVI模型估测pH值。

将Landsat 8 OLI影像预测含盐量最优模型(EVI模型)及pH值最优模型(TGDVI模型)作为自变量分别代入公式(1)、(2)，得到基于植被指数的土壤含盐量(公式3)和pH值校正模型(公式4)：

(3)

(4)

将Landsat 8 OLI影像EVI数据代入公式(3)，Landsat 8 OLI影像TGDVI数据代入公式(4)，得到校正后的模型，结果如图6(B、D)所示。结果表明，校正后的Landsat 8 OLI影像土壤含盐量和pH值估测模型的R2分别提高了0.3207、0.2065，说明该校正方法能有效提高大区域尺度的土壤含盐量和pH值估测精度。

2.6.2 基于Landsat 8 OLI影像敏感波段含盐量和pH值估测的校正模型 以重采样实测光谱模型(精度最高为T2变换)估测的含盐量和pH值(精度最高T1变换)为校正基准，分别与Landsat 8 OLI影像光谱最优模型估测的含盐量(T3)和pH值(T5)建立关系式(5)、(6)，图7(A、C)示出重采样实测模型与Landsat 8 OLI模型估测的含盐量及pH值的关系。

y1=0.5859x1+1.8301

(5)

y2=1.7752x2-6.9199

(6)

式中,x1为Landsat 8 OLI影像基于敏感波段(T3变换)估测含盐量值，y1为实测光谱T2变换模型估测含盐量值；x2为Landsat 8 OLI影像基于敏感波段(T5变换)估测pH值，y2为实测光谱T1变换模型估测pH值。

将Landsat 8 OLI影像估测含盐量最优模型(T3)及pH值最优模型(T5)作为自变量分别代入公式(5)、(6)，得到基于敏感波段的土壤含盐量(公式7)和pH值校正模型(公式8)：

y3=-31.2921x561.3 nm+30.5948x654.6 nm+6.5274

(7)

y4=0.0083x482.6 nm+0.1103x654.6 nm+10.7992

(8)

将Landsat 8 OLI影像T3变换敏感波段反射率代入公式(7)，Landsat 8 OLI影像T5变换反射率代入公式(8)，得出校正后的模型，结果如图7(B、D)所示。结果表明，校正后的Landsat 8 OLI影像土壤含盐量和pH值估测模型的R2分别提高了0.3762和0.2487，RMSE降低到1.4529和0.3938，可以大面积估测土壤含盐量和pH值。

综上可知，校正后基于Landsat 8 OLI影像植被指数和敏感波段的土壤含盐量及pH值估测模型R2均有较大幅度提高，说明该模型能有效提高大区域尺度下的土壤盐碱化信息估测精度。

3 讨 论

研究区不同盐化、碱化程度植被冠层实测光谱和Landsat 8 OLI影像光谱在趋势上总体相似，均在绿光波段出现小的反射峰，在红光波段形成吸收谷，近红外波段反射率明显高于其他波段，但二者在近红外波段变化趋势不一致。总体上重采样实测光谱反射率和Landsat 8 OLI影像反射率不随土壤盐碱化程度加重呈规律性变化，这可能是因为研究区土壤盐碱化程度较重，植被生长受到制约，长势较差，且遥感影像上提取对应点的反射率精度较低，反射率不随盐碱化程度加重而单调递增，这与关红等[14]、刘欢[28]对银北地区土壤的研究结果相一致。

基于重采样实测植被高光谱与Landsat 8 OLI影像光谱植被指数和敏感波段进行土壤含盐量及pH值的估测，结果表明基于植被指数建立的土壤含盐量和pH值模型中，EVI、EEVI、TGDVI 3种指数表现较好，其中TGDVI在估测含盐量和pH值方面能力均佳，这是因为在传统植被指数的基础上引入了信息量较大的短波红外波段(SWIR)，提高了与盐碱化指标的相关性，显著降低了指数间的多重共线性，建模精度显著提高，这与陈红艳等[17]、王飞等[19]、蒲智等[29]的研究结果一致。除了重采样实测光谱敏感波段的pH值估测模型略低于植被指数模型外，其余基于敏感波段建立的土壤含盐量和pH值模型稳定性及估测能力普遍高于植被指数模型，这与彭杰等[30]研究结果一致，这可能是由于多个波段共同建模比植被指数单因子建模提取到的信息更丰富，因此建模精度提高。基于重采样实测光谱植被指数和敏感波段建立的土壤含盐量和pH值模型效果均优于Landsat 8 OLI影像模型。这是因为与地面实测高光谱相比，多光谱影像具有较低的空间和光谱分辨力、不易区分复杂的地表混合光谱特征，导致地物光谱丢失一些细节特征，易被同一像元内的土壤及植被所干扰，从而无法精确地定量分析土壤的含盐参数[29,31]；而实测植被高光谱为纯净像元，受到土壤背景及大气干扰影响相对较少，故建模精度较高。其中，建立的pH值估测模型稳定性及估测能力均高于含盐量模型，这是因为银北地区土壤盐碱化程度较重，且大部分是龟裂碱土，土壤pH值和碱化度均较高，NaHCO3和Na2CO3对植被生长影响较大，因此植被光谱对土壤pH值变化的响应更为强烈[32]。

与高光谱影像相比，遥感影像精度较低，但易获取，因此可将实测野外高光谱数据与遥感影像数据结合，利用不同尺度的数据对盐碱化土壤进行快速、准确监测，很多研究通过实测高光谱估测模型校正影像模型，大幅度提高了区域尺度的土壤盐碱化监测精度[33-34]。本文基于实测高光谱植被指数和敏感波段分别对Landsat 8 OLI影像含盐量、pH值估测模型进行校正，校正后植被指数和敏感波段含盐量模型决定系数(R2)分别提高了0.3207和0.3762，pH值模型决定系数分别提高了0.2065和0.2487，但决定系数提高幅度相比张雅丽等[35](0.4976)略低，这是因为植被光谱在大气背景的干扰下，受土壤因素影响较大，且植被光谱变化还可能受到其自身生长条件限制，影响因素较土壤光谱更为复杂。此外，基于敏感波段校正后的含盐量和pH值估测模型效果更好。

4 结 论

1)在不同土壤含盐量和pH值条件下，研究区植被冠层重采样实测光谱反射率与Landsat 8 OLI影像光谱反射率呈极显著相关。

2)基于植被指数建立的土壤含盐量和pH值模型中，TGDVI在估测含盐量和pH值方面能力均佳；基于敏感波段建立的土壤含盐量和pH值模型稳定性及估测能力普遍高于植被指数模型；基于重采样实测光谱建立的土壤含盐量和pH值模型效果均优于Landsat 8 OLI影像模型。

3)基于实测高光谱植被指数和敏感波段估算模型分别对Landsat 8 OLI影像含盐量、pH值估测模型进行校正，校正后的植被指数和敏感波段含盐量估测模型决定系数(R2)分别提高了0.3207和0.3762，pH值模型决定系数分别提高了0.2065和0.2487，说明该校正模型能有效提高大区域尺度下的土壤盐碱化信息提取精度。