OLI与HSI影像融合的土壤盐分反演模型

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

厉彦玲1,2，赵庚星2※，常春艳2，王卓然2，王 凌2，郑佳荣3

（1. 山东农业大学信息科学与工程学院，泰安271018；2. 山东农业大学资源与环境学院，泰安271018；3. 北京工业技术学院，北京100042）

土壤盐渍化问题是黄河三角洲地区主要的土地退化问题，借助遥感技术快速、准确地掌握土壤盐渍化信息，对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区，利用超球体色彩空间变换算法，将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合，选择土壤盐分的特征波段，结合土壤盐分的实测数据，建立统计分析模型（多元线性回归、偏最小二乘回归）和机器学习模型（BP神经网络、支持向量机和随机森林），对土壤盐分进行遥感反演。结果表明：OLI影像的统计分析模型和机器学习模型精度均较低，精度最高的随机森林模型相关系数仅为0.570；HSI影像的反演模型精度高于OLI，BP神经网络模型相关系数为0.607；融合影像反演模型精度明显高于HSI影像和OLI影像，土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性，BP神经网络模型、支持向量机模型和随机森林模型的决定系数2分别达到0.966、0.821和0.926，模型反演精度较高。研究表明，多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度，机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。

土壤；盐分；遥感；模型；OLI；HSI；影像融合；机器学习

0 引 言

中国土壤盐渍化问题比较严重，对农业生产、生态环境以及社会可持续发展产生了不良影响[1]。黄河三角洲是东部沿海后备土地资源最多、开发潜力最大的地区，但该区是典型的海陆交错带，生态环境脆弱，土地资源易受人类活动的影响，土壤质量不高，盐渍化状况普遍，各地类插花分布，光谱特征复杂[2-3]。及时准确掌握该区土壤盐分现状信息，对于合理配置和利用土地资源，推动农业及社会经济健康发展意义重大。

近年来，国内外学者研究建立了利用遥感影像反演土壤盐分的有效方法，主要是利用多光谱影像和经典统计分析模型[4-13]，常用的遥感数据源有Landsat TM、中巴地球资源卫星CBERS、ASTER、EO-1 ALI、Landsat 8 OLI等，在建模方法上，主要通过筛选敏感波段、构建土壤盐分指数，进而通过统计学相关分析建立回归分析等反演模型。

高光谱成像技术具有光谱分辨率高、图谱合一的独特优势，但目前航天在轨卫星少，数据空间分辨率低、重访周期长，成为制约其发展的瓶颈[14]。尽管如此，仍有众多国内外学者开展了基于高光谱遥感影像的土壤盐分反演[2-3,15-20]。常用的高光谱遥感影像有美国EO-1卫星的Hyperion，Terra卫星和Aqua卫星的MODIS，Tacsat-3的ARTEMIS（Advanced Responsive Tactically Effective Military Imaging Spectrometer），欧空局PROBA卫星的CHRIS，中国环境一号卫星A星的高光谱成像仪HSI（Hyperspectral Imaging Radiometer）等。多数研究采用了回归分析、BP（back propagation）神经网络、偏最小二乘回归（partial least squares regression，PLSR）等方法。

总的来讲，多光谱影像具有较高的空间分辨率，但其光谱分辨率低，而高光谱影像具有高光谱分辨率，但其空间分辨率不高，且不易获取。目前唯一的国产高光谱遥感影像环境一号HSI空间分辨率为100 m，在一定程度上制约了其应用，若能通过遥感影像融合获得既有高空间分辨率又有高光谱分辨率的融合影像，进而进行土壤盐分反演可进一步提高其反演精度，这方面的研究目前鲜有报道。相近的研究有将Landsat TM与JERS-1 SAR融合监测土地退化[21]；AMSR-E与MODIS数据融合进行土壤水分反演[22]；TM与MODIS融合提取植被信息，研究开采沉陷引起的植被覆盖变化及其对土壤侵蚀的影响[23]等。

在建模方法方面，目前仍以经典统计分析为主。近年来，机器学习（machine learning，ML）发展迅速，它是人工智能的核心，研究如何使机器通过识别和利用现有知识来获取新知识和新技能[24-28]，在高光谱图像处理与信息提取中显示了较好的应用潜力[29]。一些研究发现BP神经网络非线性拟合能力很强，在模拟遥感影像特征与土壤盐分之间的复杂关系上有较大优势[9,11,16]。Mountrakis等[30]对支持向量机（support vector machines，SVM）、Belgiu等[31]对随机森林（random forest，RF）在遥感领域的应用进行了分析。Chan等[32]将RF方法用于机载高光谱遥感影像的波段选择与分类，取得较好结果。Vermeulen等[33]依据地形因子，利用决策树、随机森林、支持向量机等机器学习方法预测盐渍化区域的位置与盐渍化程度。总体上，机器学习方法在土壤含盐量建模方面应用还不多，经典反演模型与机器学习模型的系统比较值得进一步研究。

土壤盐渍化是一个国内外广泛关注的问题，已有研究表明遥感影像是监测土壤盐渍化的有效数据源，但由于土壤盐分与影像反射率之间存在着复杂的非线性关系，土壤盐分反演与实际的需求还有一定的差距。从数据方面看，已有研究多利用多光谱遥感影像，也有一些研究利用了Hyperion、HSI等高光谱遥感影像，但将二者进行融合以获取较高空间分辨率和高光谱分辨率数据的研究很少。从模型方面看，已有研究多采用一元或多元回归分析等经典统计学方法，较少采用更适合处理非线性问题的机器学习的方法。本文拟从以上2方面进行探索，进一步提高土壤盐分反演精度。

本文选择黄河三角洲典型区域垦利县，将HSI高光谱遥感影像与OLI多光谱影像进行融合，通过对影像光谱特征的分析，寻找土壤盐分的特征波段，尝试建立多元线性回归、PLSR、BP神经网络、SVM、RF多种模型，通过比较，探索滨海盐渍化地区土壤含盐量的高效反演模型及方法。

1 研究区与数据准备

1.1 研究区概况

垦利县地处黄河入海口，位于胜利油田腹地，是黄河三角洲的重要组成部分。该县属典型的三角洲地貌，黄河自该县西南至东北贯穿入海，地势自西南向东北河口降低，地貌类型主要有微斜平地、海滩地和河滩高地。该县光热资源丰富, 蒸发强烈, 地下水埋藏浅且矿化度高, 地势低平，排水不畅，土壤盐渍化严重。黄河冲积物是该县土壤形成的物质基础，土壤类型主要有潮土、盐化潮土、滨海潮盐土等，土壤质地以砂土为主，土表极易返盐。该区耕地质量较差，生产力水平较低，土地利用方式粗放，摸清土壤盐分规律对该区土地资源利用管理有积极意义。

1.2 土壤样品采集与测定

根据垦利县地形、土壤类型、土地利用、植被类型等布设采样点81个，位置如图1中十字所示。

注：影像显示方式为假彩色。

土壤样品采集于2013年4月27日至5月1日，用对角线5点取样法采集0～15 cm的表层样品，各点坐标用GPS测定。将土壤样品带回实验室，自然风干、磨细并过2 mm筛，再将土样配制成水土比为5:1的浸提液，振荡5 min，静置30 min，采用残渣烘干法测定土壤含盐量[34]，最终获得土壤含盐量数据81个。

为满足经典统计分析对数据的要求，本文对土壤盐分数据（偏态）进行取自然对数处理并进行检验，结果服从正态分布。

1.3 遥感数据源及预处理

Landsat8 OLI数据包括9个波段，成像幅宽为185 km，第1至7波段为多光谱波段，空间分辨率为30 m，第8波段为全色波段，第9波段为卷云波段。环境一号卫星A星（HJ-1A）携带的高光谱成像仪HSI，成像幅宽为50 km，空间分辨率为100 m，工作谱段为459～956 nm，平均光谱分辨率为4.32 nm。本文所用OLI影像（来源于http:// glovis.usgs.gov）获取时间为2013年5月30日（图1a），为L1T级数据。HSI影像（来源于中国资源卫星应用中心）获取时间为2013年3月13日（图1b），为系统几何校正产品，实验中未使用噪声较大的前20个波段。将OLI影像1~7波段进行辐射校正、波段合成和大气校正，并对HSI影像进行去云和大气校正等预处理。

本文整体技术流程见图2。

图2 整体技术流程图

2 方 法

2.1 影像融合

将预处理后的OLI和HSI影像进行几何配准、影像融合，结果为30 m空间分辨率的高光谱遥感影像。融合所用算法为超球体色彩空间变换算法[35]（hyperspherical color space resolution merge），简称为HCS融合算法，该算法最初是为WorldView‑2 8波段数据设计，它用超球体色彩增强算法将高空间分辨率的全色数据与低空间分辨率的多光谱数据融合，将数据从原始色彩空间转换到超球体色彩空间，第一模式用全色波段的强度代替多光谱的强度分量，第二模式复制原来的多光谱色彩，其同样适用于任何3波段以上的多光谱和高光谱数据，对波段数目没有限制。融合影像的色彩恢复和空间恢复性能优良，光谱保真度、空间细节表达以及目视效果良好[36-37]，是一种优秀的遥感影像融合算法。下面介绍该算法的基本原理[35]。

原始色彩空间与超球体色彩空间之间的转换服从维笛卡尔空间与维超球体空间之间的转换标准。对于一个有个波段的影像，生成超球面上的一个强度分量与1个角度分量。从波段色彩空间转换到超球体色彩空间的通用转换公式如下

2.2 样点反射率数据获取

融合影像范围内的土壤采样点共49个，根据采样点坐标，分别提取OLI、HSI和融合影像3种影像范围内各采样点对应的各波段反射率数据。

2.3 光谱特征分析及特征波段选择

依据垦利县土地利用现状图和实地调查资料，对OLI影像、HSI影像和融合影像进行盐渍土的光谱曲线分析，探明盐渍土的光谱特征。利用所有波段数据进行偏最小二乘回归（PLSR），根据模型的回归系数进行波段选择。最后综合光谱分析等信息，选择对土壤盐渍化有较好反映的特征光谱波段。

2.4 模型构建与精度比较

随机选取34个样点构成建模样本集，15个样点构成检验样本集，利用所选特征波段，分别用多元线性回归（multiple linear regression, MLR）[9,12,20]、偏最小二乘回归（PLSR）[12,18]、3种典型的机器学习方法（BP神经网络[9,11,16,25,38-40]、SVM[24-25,27,38-39]和RF[28,38-39]）构建土壤含盐量反演模型。MLR在SPSS 19软件中实现，PLSR在The Unscrambler 9.7软件中实现，BP神经网络、SVM和RF在Weka 3.8.0中实现。用检验样本集进行模型的精度检验，MLR模型的精度评价指标为决定系数2、统计量及显著性水平Sig，PLSR模型的精度评价指标为决定系数2、均方根误差RMSE。以相关系数、均方根误差RMSE评价3种机器学习方法模型精度。

本文经大量试验确定机器学习算法主要参数设置，如表1。BP神经网络为3层网络，隐含层为1层。网络训练次数均为500次。SVM所选核函数主要是Puk和PolyKernel。RF最大树深度为500。

表1 机器学习方法主要参数设置

注：“¢”表示对原始盐分数据取自然对数；SVM表示支持向量机；RF表示随机森林。下同。

Note:“¢”indicates data was transformed by natural logarithm. SVM indicates support vector machines; RF indicates random forest The same below.

3 结果分析

3.1 盐渍土光谱特征分析

根据土壤盐分分级标准[41]，将研究区盐渍土分为轻度盐渍化、中度盐渍化、重度盐渍化和盐土4个级别，根据野外采样点数据分析其在3种影像上的反射率，结果如图3所示。

图3 盐渍土光谱曲线

图3a为OLI影像盐渍土的光谱反射率，其反射率在可见光波段较低，各级盐渍土的可分性较差；但随着波长的增加不断升高，特别是在近红外波段增强显著，达到峰值，到短波红外波段又有所下降。在整个红外波段，其反射率随土壤含盐量增加而降低，主要反映了地表植被的影响，盐渍化程度轻的土壤植被长势好，反射率高，盐渍化重的则植被长势差，反射率低。

图3b是HSI影像的盐渍土光谱曲线，整体走势与OLI类似，在近红外波段迅速上升，但各级盐渍土的可分性不佳。这是由于HSI影像光谱分辨率虽高，但空间分辨率较低，导致混合像元严重。同时，HSI影像获取时间为早春，田间作物尚幼，植被的影响较小，所以光谱曲线主要表现为土壤的光谱特征。

图3c是OLI与HSI的融合影像的盐渍土光谱曲线，其总体走势与HSI基本一致，呈现出近红外波段迅速增强的特征，但不同盐渍土的可分性明显优于HSI，说明影像融合在一定程度上减轻了混合像元的影响，从而有利于不同程度的盐渍土区分。各等级盐渍土在可见光波段区分度仍不高，但在近红波段处各类盐渍土可分性有明显改善。

用遥感数据进行盐渍化监测的局限性主要与以下因素有关：盐分类型的光谱特点、地表盐分的空间分布、盐分的时相变化、植被的干扰、与其他地表覆盖的光谱混淆等。影响土壤表面反射率的因素具体包括：含盐矿物类型、土壤含水量、土壤板结程度、土地管理措施、耕作制度、土壤表面粗糙度、土壤纹理与颜色、时相或季节的变化、数据观测与处理误差等。然而，由于各种条件的限制，这些数据往往是缺乏的。因此，从遥感数据直接而精确地定量估计土壤盐分确实是相当困难的。对研究者来说，如何针对特定区域选择足够的适当的盐化指标，从而用合适的地面工作和遥感技术准确且合算地获取信息，是一个挑战[4]。

3.2 特征波段选择

用OLI影像、HSI影像和融合影像所有波段进行PLSR建模，回归系数见图4。OLI影像的近红外波段回归系数最高。HSI影像和融合影像的回归系数最大值均在近红外波段，但由图可知融合影像的回归系数明显高于HSI影像的回归系数，即融合影像反射率对解释土壤盐分的贡献明显高于HSI影像。可见，土壤盐分的特征波段主要在近红外区域，选取该范围回归系数较大的波段，并根据光谱特征剔除对解释土壤盐分贡献较小的波段，同时考虑邻近波段可能存在的相关性，最终确定土壤盐分特征波段。OLI影像的特征波段为4~7，HSI影像的10个特征波段为63、67、72、79、82、91、99、103、108和113，融合影像的10个特征波段为59、63、67、73、79、96、100、103、108和113。

注：B表示波段，数字表示波段号。

3.3 建模结果

利用所选特征波段，对于3种影像，分别建立土壤盐分反演的多元线性回归（MLR）、偏最小二乘回归（PLSR）、机器学习（ML）3类模型，即以各特征波段的反射率为自变量（或输入量），土壤盐分为因变量（或输出量）建模。结果见表2。

OLI影像的MLR模型2为0.446，高于PLSR模型，最佳模型为RF模型，相关系数为0.499，RMSE为1.535。HSI影像的MLR模型2仅为0.216，PLSR模型优于MLR模型，最佳模型为BP模型，相关系数为0.783，RMSE为1.052。融合影像的MLR模型2为0.324，优于HSI影像的MLR模型，PLSR模型略优于MLR模型，最佳模型为BP模型，相关系数为0.617，RMSE为1.488。

对土壤盐分数据取自然对数后，OLI影像除MLR模型精度降低外，其他模型精度有提高；HSI影像除MLR模型精度有提高，其他模型精度均降低；融合影像各模型精度均有明显改善。OLI影像的MLR模型2为0.33，仍略优于PLSR模型，ML各模型精度均有明显提高，最佳模型仍为RF模型，相关系数为0.570，RMSE为1.047。HSI影像的MLR模型2为0.369，略优于PLSR模型，ML各模型精度均降低，最佳模型仍为BP模型，相关系数为0.607，RMSE为1.264。融合影像的MLR模型2为0.367，与HSI影像的MLR模型2相当，但其sig值为0.005，通过0.005的显著性检验，因此可认为优于HSI影像的MLR模型；PLSR模型略优于MLR模型；ML各模型精度均有非常显著的提高，最佳模型仍为BP模型，相关系数达0.987，RMSE为0.259。结果表明，对数据进行适当的预处理使其服从或基本服从正态分布，可以在一定程度上提高模型精度。这是因为不管是经典的统计分析方法还是新兴的机器学习方法，都是基于训练数据探求反演目标与输入变量之间的关系，因此都与数据的分布有关。

总体看，对数变换后数据建模精度有明显的规律，除MLR模型变化不大外，其他模型呈现出基于融合影像的反演模型优于HSI影像，后者又优于OLI多光谱影像的规律。这表明，空间分辨率和光谱分辨率都对反演结果有重要影响，一般来说，遥感影像分辨率越高，混合像元越少，反演精度越高。融合影像的反演精度总体优于融合前的反演效果，主要原因是融合影像同时具有高空间分辨率和高光谱分辨率。从具体模型看，基于机器学习的反演模型优于统计分析模型，这是因为经典统计学往往要求有足够的样本量，而机器学习是为小样本数据设计的，在反演问题上更有优势。在机器学习模型中，BP神经网络模型总体上优于SVM模型和RF模型，但对于融合影像的反演，三者相关系数均高于0.82，都达到了不错的效果，差距不大。

表2 土壤盐分反演模型与精度

注：*表示<0.05水平显著；**表示<0.01水平显著。

Note: * means significant at<0.05 level; ** meanssignificant at<0.01 level.

图5为BP、SVM、RF三种模型的检验样本实测值与基于融合影像的反演模型的预测值的散点图，可见3种模型检验精度均较高。BP模型的检验样本拟合最好，决定系数为0.966，RF模型次之，决定系数为0.926，SVM模型决定系数为0.821。

图5 实测值与预测值的散点图

3.4 反演结果图像

利用融合影像和样本数据，建立BP神经网络进行研究区土壤盐分反演，结果如图6所示。图中绿色区域为水库或非盐渍化，黄色区域为轻度盐渍化，红色区域表示盐渍化较严重，且整体呈现由沿海到内陆逐渐减轻的趋势，与野外实际调查结果基本一致，说明反演模型有效。

图6 融合影像的土壤盐分BP反演结果

已有不少学者研究了高光谱数据与高空间分辨率全色数据的多种融合方法[42-44]。本文所用融合算法是将高光谱数据与多光谱数据融合，今后可尝试使用前人的融合方法进行土壤盐分反演，并进行比较。

4 讨 论

关于遥感影像的波谱范围。不同的光谱波段相互补充，进行多源数据融合，有助于土壤盐碱化的光谱区分[45]。然而，由于OLI的2个短波红外波段波长范围分别为 1 560～1 660 nm，2 100～2 300 nm，HSI影像波长范围为459～956 nm，本文受限于数据源，只能利用可见光和近红外波段的数据进行融合，因此融合影像不包含波长大于956 nm的信息。后续研究中可根据数据源情况进一步探讨短波红外等更广波谱范围的数据融合及其盐分反演效果。

关于遥感影像的同步问题。本文旨在探索影像融合对反演精度的影响，限于数据源问题，OLI与HSI影像获取时间难以达到同步，二者虽有时间差但均为春季影像，研究结果仍客观可信。HSI影像的模型反演精度明显高于OLI影像，证实了国产HSI高光谱遥感影像在遥感反演上的优势，与前人研究结果一致[2,19-20,46-47]。融合影像反演效果优于原影像，表明通过影像融合提高盐分反演精度是可行且有效的。

关于影像融合对反演的影响。融合影像反演精度较高主要是因为不同数据优势互补，特别是空间分辨率的提高有效地减少了混合像元的影响。下一步可深入研究多光谱影像和高光谱影像的混合像元分解方法，并探讨其对反演结果的影响。

关于模型的比较。与统计分析模型相比，3种机器学习方法所建模型反演精度有显著的提高，说明对于滨海盐渍化地区的土壤盐分遥感反演，用神经网络模型等机器学习方法可较好地模拟土壤盐分与遥感影像特征之间的复杂的非线性关系，这与已有研究结论一致[9,11,16]。本文3种机器学习方法，BP模型精度最高，其次是RF模型，SVM模型精度略低，说明BP模型性能较好且稳定，适用于各种影像。

利用遥感数据定量反演土壤盐分还面临很多问题。由于遥感反演本身的复杂性，加之野外实测样本数量、遥感数据源有限，反演结果细部有待改善。今后，应进一步探讨高光谱遥感影像降维与特征波段选择的方法、混合像元分解的方法、BP建模过程中的优化方法（如遗传算法）等。

5 结 论

本文尝试将多光谱影像与高光谱影像融合，在建立经典统计分析模型的基础上，利用机器学习的典型算法建立反演模型，取得了良好效果。主要结论如下：

1）融合影像反演精度优于高光谱影像，高光谱影像反演精度优于多光谱影像。本文利用多光谱影像与高光谱影像的融合图像进行土壤盐分的定量反演，取得较高精度，说明融合影像既有高光谱分辨率又有高空间分辨率，比一般的高光谱影像和多光谱影像能更好反映土壤盐分的细微特征。

2）在反演非线性关系方面，机器学习反演模型优于统计分析模型。对于黄河三角洲滨海盐渍土区的土壤盐分反演，机器学习模型效果良好，而统计分析模型效果欠佳，说明机器学习模型能更好模拟土壤盐分与影像特征之间存在的复杂非线性关系。

3）适当的数据预处理有助于提高反演精度。本文对土壤盐分数据取对数后，模型精度有明显改善。

[1] 李建国，濮励杰，朱明，等. 土壤盐渍化研究现状及未来研究热点[J]. 地理学报，2012，67(9)：1233－1245.Li Jianguo, Pu Lijie, Zhu Ming, et al. The present situation and hot issues in the salt-affected soil research[J]. Acta Geographica Sinica, 2012, 67(9): 1233－1245. (in Chinese with English abstract)

[2] 李晋，赵庚星，常春艳，等. 基于HSI高光谱和TM图像的土地盐渍化信息提取方法[J]. 光谱学与光谱分析，2014，34(2)：520－525.Li Jin, Zhao Gengxing, Chang Chunyan, et al. Land salinization information extraction method based on HSI hyperspectral and TM imagery[J]. Spectroscopy and Spectral Analysis, 2014, 34(2): 520－525. (in Chinese with English abstract)

[3] 常春艳，赵庚星，李晋，等. 黄河三角洲典型生态脆弱区土壤退化遥感反演[J]. 农业工程学报，2015，31(9)：127－132.Chang Chunyan, Zhao Gengxing, Li Jin, et al. Remote sensing inversion of soil degradation in typical vulnerable ecological region of Yellow River Delta[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 127－132. (in Chinese with English abstract)

[4] Metternicht G I, Zinck J A. Remote sensing of soil salinity: Potentials and constraints[J]. Remote Sensing of Environment, 2003, 85(1): 1－20.

[5] Madani Ahmed A. Soil salinity detection and monitoring using Landsat data: A case study from Siwa Oasis, Egypt[J]. Giscience & Remote Sensing, 2005, 42(2): 171－181.

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

[7] Song Chuangye, Ren Hongxu, Huang Chong. Estimating soil salinity in the Yellow River Delta, Eastern China-An integrated approach using spectral and terrain indices with the generalized additive model[J]. Pedosphere, 2016, 26(5): 626－635.

[8] 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 hyperspectral data in the region of Inner Mongolia Hetao irrigation district[J]. Spectroscopy and Spectral Analysis, 2009, 29(5): 1362－1366. (in Chinese with English abstract)

[9] 张成雯，唐家奎，于新菊，等. 黄河三角洲土壤含盐量定量遥感反演[J]. 中国科学院研究生院学报，2013，30(2)：220－227.Zhang Chengwen, Tang Jiakui, Yu Xinju, et al. Quantitative retrieval of soil salt content based on remote sensing in the Yellow River delta[J]. Journal of Graduate University of Chinese Academy of Sciences, 2013, 30(2): 220－227. (in Chinese with English abstract)

[10] 丁建丽，姚远，王飞. 基于三维光谱特征空间的干旱区土壤盐渍化遥感定量研究[J]. 土壤学报，2013，50(5)：853－861.Ding Jianli, Yao Yuan, Wang Fei. Quantitative remote sensing of soil salinization in arid regions based on three dimensional spectrum Eigen spaces[J]. Acta Pedologica Sinica, 2013, 50(5): 853－861. (in Chinese with English abstract)

[11] 陈实，高超，徐斌，等. 新疆石河子农区土壤含盐量定量反演及其空间格局分析[J]. 地理研究，2014，33(11)：2135－2144.Chen Shi, Gao Chao, Xu Bin, et al. Quantitative inversion of soil salinity and analysis of its spatial pattern in agricultural area in Shihezi of Xinjiang[J]. Geographical Research, 2014, 33(11): 2135－2144. (in Chinese with English abstract)

[12] 阿尔达克·克里木，塔西甫拉提·特依拜，张东，等. 基于高光谱的ASTER影像土壤盐分模型校正及验证[J]. 农业工程学报，2016，32(12)：144－150.Ardak·Kelimu, Tashpolat·Tiyip, Zhang Dong, et al. Calibration and validation of soil salinity estimation model based on measured hyperspectral and Aster image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 144－150. (in Chinese with English abstract)

[13] 张同瑞，赵庚星，高明秀，等. 基于近地多光谱和OLI影像的黄河三角洲冬小麦种植区盐分估算及遥感反演：以山东省垦利县和无棣县为例[J]. 自然资源学报，2016，31(6)：1051－1060.Zhang Tongrui, Zhao Gengxing, Gao Mingxiu, et al. Soil salinity estimation and remote sensing inversion based on near-ground multispectral and TM Imagery in winter wheat growing area in the Yellow River Delta: Case study in Kenli County and Wudi County, Shandong Province[J]. Journal of Natural Resources, 2016, 31(6): 1051－1060. (in Chinese with English abstract)

[14] 童庆禧，张兵，张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报，2016，20 (5)：689－707.Tong Qingxi, Zhang Bing, Zhang Lifu. Current progress of hyperspectral remote sensing in China[J]. Journal of Remote Sensing, 2016, 20(5): 689－707. (in Chinese with English abstract)

[15] Ben-Dor E. Quantitative remote sensing of soil properties[J]. Advances in Agronomy, 2002, 75(2): 173－243.

[16] 刘丹丹，王强. 土壤含盐量BP神经网络反演模型[J]. 东北林业大学学报，2009，37(12)：88－90. Liu Dandan, Wang Qiang. Inversion model of BP neural network for soil salinity[J]. Journal of Northeast Forestry University, 2009, 37(12): 88－90. (in Chinese with English abstract)

[17] Weng YongLing, Gong Peng, Zhu ZhiLiang. A spectral index for estimating soil salinity in the Yellow River Delta Region of China using EO-1 hyperion data[J]. Pedosphere, 2010, 20(3): 378－388.

[18] 翁永玲，戚浩平，方洪宾，等. 基于PLSR方法的青海茶卡-共和盆地土壤盐分高光谱遥感反演[J]. 土壤学报，2010，47(6)：1255－1263.Weng YongLing, Qi Haoping, Fang Hongbin, et al. PLSR- based hyperspectral remote sensing retrieval of soil salinity of Chaka-Gonghe Basin in Qinghai province[J]. Acta Pedologica Sinica, 2010, 47(6): 1255－1263. (in Chinese with English abstract)

[19] 马驰. 基于HJ-1A高光谱影像的土壤盐碱化遥感研究[J]. 干旱区资源与环境，2014，28(2)：180－184. Ma Chi. Research on soil salinization using remote sensing of HJ-1A hyperspectral images[J]. Journal of Arid Land Resources and Environment, 2014, 28(2): 180－184. (in Chinese with English abstract)

[20] 雷磊，塔西甫拉提特依拜，丁建丽，等. 实测高光谱和HSI影像的区域土壤盐渍化遥感监测研究[J]. 光谱学与光谱分析，2014，34(7)：1948－1953. Lei Lei, Tiyip Tashpolatl, Ding Jianli, et al. Study on the soil salinization monitoring based on measured hyperspectral and HSI data[J]. Spectroscopy and Spectral Analysis, 2014, 34(7): 1948－1953. (in Chinese with English abstract)

[21] Metternicht G I. Detecting and Monitoring Land Degradation Features and Processes in the Cochabamba Valleys, Bolivia: A Synergistic Approach[D]. Ghent: Ghent University, 1996.

[22] 王宇鹏. 基于AMSR-E和MODIS数据融合的土壤水分反演：以淮河流域为例[D]. 成都：四川农业大学，2014. Wang Yupeng. Soil Moisture Retrieval Based on AMSR-E and MODIS Data Fusion: A Case Study of the Area of Huaihe River Basin[D]. Chengdu: Sichuan Agricultural University, 2014. (in Chinese with English abstract)

[23] 黄翌，汪云甲，王猛，等．黄土高原山地采煤沉陷对土壤侵蚀的影响[J]. 农业工程学报，2014，30(1)：228－235.Huang Yi, Wang Yunjia, Wang Meng, et al. Effect of mining subsidence on soil erosion in mountainous area of the Loess Plateau[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(1): 228－235. (in Chinese with English abstract)

[24] 王珏，石纯一. 机器学习研究[J]. 广西师范大学学报：自然科学版，2003，21(2)：1－15. Wang Jue，Shi Chunyi. Investigations on machine learning[J]. Journal of Guangxi Normal University: Natural Science, 2003, 21(2): 1－15. (in Chinese with English abstract)

[25] 闫友彪, 陈元琰. 机器学习的主要策略综述[J]. 计算机应用研究，2004，21(7)：4－10，13. Yan Youbiao, Chen Yuanyan. A survey on machine learning and its main strategy[J]. Application Research of Computers, 2004, 21(7): 4－10, 13. (in Chinese with English abstract)

[26] 刘斌，何进荣，耿耀君，等. 并行机器学习算法基础体系前沿进展综述[J]. 计算机工程与应用，2017，53(11): 31－38，89. Liu Bin, He Jinrong, Geng Yaojun, et al. Recent advances in infrastructure architecture of parallel machine learning algorithms[J]. Computer Engineering and Applications, 2017, 53(11): 31－38, 89. (in Chinese with English abstract)

[27] 黄一鸣，雷航，李晓瑜. 量子机器学习算法综述[J/OL]. 计算机学报，2017[2017-05-19]. http://kns.cnki.net/kcms/ detail/11. 1826.TP.20170519.1249.008.html. Huang Yiming, Lei Hang, Li Xiaoyu. A survey on quantum machine learning[J/OL]. Chinese Journal of Computers, 2017[2017-05-19]. http://kns.cnki.net/kcms/detail/11.1826.TP. 20170519.1249.008.html (in Chinese with English abstract)

[28] 朱建章，石强，陈凤娥，等. 遥感大数据研究现状与发展趋势[J]. 中国图象图形学报，2016，21(11) : 1425－1439. Zhu Jianzhang, Shi Qiang, Chen Feng’e，et al. Research status and development trends of remote sensing big data[J]. Journal of Image and Graphics, 2016, 21(11): 1425－1439. (in Chinese with English abstract)

[29] 张兵. 高光谱图像处理与信息提取前沿. 遥感学报，2016，20(5)：1062－1090. Zhang Bing. Advancement of hyperspectral image processing and information extraction[J]. Journal of Remote Sensing, 2016, 20(5): 1062－1090. (in Chinese with English abstract)

[30] Mountrakis G, Im J, Ogole C. Support vector machines in remote sensing: A review[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2011, 66(3): 247－259.

[31] Belgiu M, Drăguţ L. Random forest in remote sensing: A review of applications and future directions[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2016, 114: 24－31.

[32] Chan C W, Paelinckx D. Evaluation of random forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery[J]. Remote Sensing of Environment, 2008, 112(6): 2999－3011.

[33] Vermeulen D, Van Niekerk A. Machine learning performance for predicting soil salinity using different combinations of geomorphometric covariates[J]. Geoderma, 2017, 299: 1－12.

[34] 鲁如坤. 土壤农业化学分析方法[M]. 北京：中国农业科学技术出版社，2000.

[35] Padwick C, Deskevich M, Pacifici F, et al. WorldView-2 pan-sharpening[C]//San Diego, California: ASPRS, 2010.

[36] 刘玉梅，杨文波，马运涛. 基于HCS方法融合高时空遥感数据的玉米种植面积提取[J]. 沈阳建筑大学学报：自然科学版，2017，33(2)：314－322. Liu Yumei, Yang Wenbo, Ma Yuntao. Research of maize planting area extraction based on high spatial-temporal remote sensing data by HCS fusion[J]. Journal of Shenyang Jianzhu University: Natural Science, 2017, 33(2): 314－322. (in Chinese with English abstract)

[37] 陈业培，孙开敏，尹杰，等. 高分二号影像融合方法质量评价[J]. 测绘科学，2017，42(11)：1－10. Chen Yepei, Sun Kaimin, Yin Jie，et al. Quality assessment on image fusion methods for GF-2 data[J]. Science of Surveying and Mapping, 2017, 42(11): 1－10. (in Chinese with English abstract)

[38] 周志华. 机器学习[M]. 北京：清华大学出版社，2016.

[39] 李航. 统计学习方法[M]. 北京：清华大学出版社，2012.

[40] 王春峰，万海晖，张维. 基于神经网络技术的商业银行信用风险评估[J]. 系统工程理论与实践，1999，19(9)：24－32.Wang Chunfeng, Wan Haihui, Zhang Wei. Credit risk assessment in commercial banks using neural networks[J]. Systems Engineering-Theory & Practice, 1999, 19(9): 24－32. (in Chinese with English abstract)

[41] 王遵亲，祝寿泉，俞仁培，等. 中国盐渍土[M]. 北京：科学出版社，1993．

[42] 张兵. 时空信息辅助下的高光谱数据挖掘[D]. 北京：中国科学院遥感应用研究所，2002. Zhang Bing. Hyperspectral Data Mining Supported by Temporal and Spatial Information[D]. Beijing: Institute of Remote Sensing Applications of Chinese academy of Sciences, 2002. (in Chinese with English abstract)

[43] 董广军，张永生，范永弘. PHI高光谱数据和高空间分辨率遥感图像融合技术研究[J]. 红外与毫米波学报，2006，25(2)：123－126. Dong Guangjun, Zhang Yongsheng, Fan Yonghong. Image fusion for hyperspectral data of PHI and high-resolution aerial image[J]. J Infrared Millim Waves, 2006, 25(2): 123－126. (in Chinese with English abstract)

[44] 亓辰. 高光谱与高空间分辨率遥感图像融合算法研究[D]. 哈尔滨：哈尔滨工业大学，2008. Qi Chen. Research on Fusion Algorithm of Hyperspectral and High Spatial Resolution Remote Sensing Image[D]. Harbin: Harbin Institute of technology, 2008. (in Chinese with English abstract)

[45] 赵英时. 遥感应用分析原理与方法(第二版)[M]. 北京：科学出版社，2013.

[46] Weng Yongling, Gong Peng, Zhu Zhiliang. A spectral index for estimating soil salinity in the Yellow River Delta region of China using EO-1 Hyperion data[J]. Pedosphere, 2010, 20(3): 378－388. (in Chinese with English abstract)

[47] 刘娅，潘贤章，王昌昆，等. 土壤湿润条件下基于光谱对称度的盐渍土盐分含量预测[J]. 光谱学与光谱分析，2013，33(10)：2771－2776. Liu Ya, Pan Xianzhang, Wang Changkun, et al. Predicting soil salinity based on spectral symmetry under wet soil condition[J]. Spectroscopy and Spectral Analysis, 2013, 33(10): 2771－2776. (in Chinese with English abstract)

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[J]. 农业工程学报，2017，33(21)：173－180. doi：10.11975/j.issn.1002-6819.2017.21.020 http://www.tcsae.org

Li Yanling, Zhao Gengxing, Chang Chunyan, Wang Zhuoran, Wang Ling, Zheng Jiarong. Soil salinity retrieval model based on OLI and HSI image fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 173－180. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.21.020 http://www.tcsae.org

Soil salinity retrieval model based on OLI and HSI image fusion

Li Yanling1,2, Zhao Gengxing2※, Chang Chunyan2, Wang Zhuoran2, Wang Ling2, Zheng Jiarong3

(1.271018,; 2.271018,; 3.100042,)

Soil salinization is the main problem of land degradation in the Yellow River Delta of China. Remote sensing technology can gain soil salinization information quickly and accurately, which is of great significance to the sustainable development of agriculture. In this paper, a typical salinization area in Kenli County of the Yellow River Delta was chosen as the study area. In order to retrieve soil salinity from hyperspectral imagery with high accuracy, image fusion and machine learning were used in this study. HSI (hyperspectral imaging radiometer) hyperspectral imagery of HJ-1A satellite of China and OLI (operational oand imager) multispectral imagery of Landsat 8 of USA (United States of America) were preprocessed, including radiometric calibration, atmospheric correction and image registration. After that, the 2 kinds of images were fused with the hyperspherical color space resolution merge algorithm. This algorithm was designed for 8‑band data of Worldview‑2 sensor, and it works with any multispectral data containing 3 bands or more. The fused image has 30 m spatial resolution and 4.32 nm spectral resolution, in which saline soil can be identified better than that in the original image. The feature bands were selected according to spectral analysis of different levels of saline soil and the PLSR (partial least squares regression) regression coefficients between soil salinity and imagery bands. Two types of models, i.e. statistical model and machine learning model, were built. The statistical model includes multi linear regression model and PLSR model, while the machine learning model includes BP (back propagation) neural network model, support vector machine (SVM) model and random forest (RF) model. These models were built with soil salinity data as retrieval target and feature bands of images as input variables. In this process, natural logarithm function was adopted for soil salinity data to obey the normal distribution. The research gained the following results. Firstly, the retrieval model based on fused images is overall better than HSI images, and the latter is better than OLI multispectral images, which shows that both spatial and spectral resolution have important effects on the retrieval results. The retrieval accuracy of fused image is obviously better than that of HSI and OLI images. The main reason is that the fused image not only has both high spatial and spectral resolution but also has fewer mixed pixels. Secondly, with regard to performance of the models, the machine learning models are superior to the classic statistical models. This is because classic statistics often require sufficient samples, while machine learning is designed for small sample data and has more advantages over retrieval problems. In general, BP neural network model is better than SVM model and RF model. For the retrieval of fused images, the correlation coefficients of the 3 models are all higher than 0.82, and thus all of them achieve desirable results. Thirdly, the results also indicate that the accuracy of the models can be improved to some extent by proper preprocessing of the data, such as natural logarithm function which can let the data obey normal distribution. Either the classic statistical analysis method or the new machine learning method is based on the training data to explore the relationship between the retrieval target and the input variables. We then conclude that: 1) Despite the differences both in time and in wavelength between OLI and HSI images, image fusion can significantly improve the accuracy of remote sensing retrieval of soil salinity; 2) Machine learning model is better than traditional statistical model for soil salinization retrieval; 3) The main factors that affect the retrieval accuracy in our study include the number of measured samples, the quality of remote sensing data, the data preprocessing, fusion and modeling methods, and so on. Therefore, this study provides useful results and has positive theoretical and practical significance to the soil salinity retrieval in the typical area of the Yellow River Delta with remote sensing method.

soils; salts; remote sensing; models; OLI; HSI; image fusion; machine learning

10.11975/j.issn.1002-6819.2017.21.020

S127; TP79

A

1002-6819(2017)-21-0173-08

2017-04-24

2017-09-10

“十二五”国家科技支撑计划项目课题（2013BAD05B06，2015BAD23B0202）；国家自然科学基金（41271235）；“双一流”奖补资金（SYL2017XTTD02）

厉彦玲，讲师，博士研究生，主要从事土地（土壤）资源与信息技术、定量遥感研究。Email：liyanling@sdau.edu.cn

※通信作者：赵庚星，教授，博士，博士生导师，从事土地（土壤）资源与信息技术研究。Email：zhaogx@sdau.edu.cn