无人机多光谱反演黄河口重度盐渍土盐分的研究

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

王丹阳1，陈红艳1，王桂峰2，丛津桥3，王向锋4，魏学文2

（1土肥资源高效利用国家工程实验室/山东农业大学资源与环境学院，山东泰安 271018；2山东省棉花生产技术指导站，济南 250000；3泰山区自然资源局，山东泰安 271000；4垦利区国土资源局，山东东营 27500）

【目的】为提高土壤盐分信息定量遥感提取精度，准确掌握土壤盐渍化程度与分布。【方法】选择垦利区黄河口镇集中连片的重度盐渍土区域为试验区，于2018年4月26日—28日采用搭载Sequoia多光谱相机的无人机进行试验区近地遥感图像采集，并进行图像拼接、辐射校正、正射校正和几何校正等预处理；然后基于相关性分析、灰色关联度分析筛选土壤盐分的敏感波段，构建并筛选光谱参量；进而分别采用多元线性回归（multivariable linear regression，MLR）、支持向量机（support vector machine，SVM）及偏最小二乘（partial least square，PLS）方法构建土壤盐分定量反演模型，并进行验证与评价；最后基于最佳模型进行试验区土壤盐分的分布反演与分析，并与反距离加权插值结果进行精度比较。【结果】相较相关性分析，通过灰色关联度分析的反演模型精度及显著性均有所提高；对比3种建模方法，SVM模型精度最高，PLS模型次之，MLR模型最低，最佳模型为基于灰色关联度分析筛选变量的支持向量机模型，其建模R、分别为0.820、3.626，验证R、RPD分别为0.773、4.960、2.200；据此模型反演得到该区域土壤盐分含量为0.323—21.210 g·kg-1，平均值为6.871 g·kg-1，重度盐渍土占58.094%，与实地调查结果较为一致；反演结果与反距离加权插值结果的误差80%控制在样本盐分含量平均值的20%以内，亦较为相近。【结论】基于无人机多光谱可实现重度盐渍土盐分信息的准确提取。

无人机；多光谱；盐渍土；灰色关联度；黄河口

0 引言

【研究意义】随着全球气候的变化以及人类活动的干扰，土壤盐渍化仍是全球性最为常见和影响最为广泛的土地退化现象之一[1-2]。据估计，盐渍土占全球整个陆地面积的7.263%，严重影响着当地生态、经济的可持续发展[3]。因此，对盐渍土实施定量、准确监测，对其治理及生态农业建设具有重要意义。【前人研究进展】遥感尤其是高光谱的出现为盐渍土的定量、快速分析提供了一种科学有效的方法。许多学者开展了基于地面高光谱进行土壤盐分定量分析的研究，取得了一系列较为理想的研究成果，表明了土壤盐分定量光谱分析的可行性，为土壤盐分定量反演奠定了基础[4-11]。但由于地面光谱数据获得的是点状信息，难以实现大面积区域性土壤盐分含量的及时监测，因此越来越多的学者利用卫星遥感数据对土壤盐分信息进行定量反演，基于不同平台的卫星遥感数据源建立了土壤盐分反演模型，在一定程度上实现了土壤盐分的区域定量反演[12-20]。但由于卫星影像受时相、天气等因素影响，数据分辨率以及成像质量往往不能够满足地区盐渍土信息准确分析的要求，而且卫星影像的尺度较大、精度较低，尺度内利用同一个反演模型无法满足不同盐渍化程度的精确监测[21]。同时，无人机技术因其成本低、飞行高度可控、不易受天气和地形等环境因素影响等优点已开始被国内外学者应用于农业科技中，学者们尝试利用无人机携带光谱仪采集近地图像，获取小区域高精度遥感图像，进而准确分析地面监测指标。如Hassanesfahani等[22]利用无人机获取可见光、近红外等图像，构建了表层土壤湿度的人工神经网络模型，相关系数可达0.88；王海峰等[23]利用无人机搭载多光谱相机获取土壤水分反射率，建立了不同深度土壤水分的一元回归模型，拟合度均在0.81以上；陈硕博[24]等利用无人机搭载六波段多光谱相机获取小麦冠层反射率，利用其光谱差值反射率与不同深度的土壤差值含水率建立了回归模型，证明了该方法可大面积快速获取田间土壤水分。【本研究切入点】目前无人机技术已较广泛地应用于土壤水分的定量准确遥感分析中[25-29]，但应用于盐渍土信息提取的研究较为薄弱，基于无人机多光谱的土壤盐分特征光谱有待探明，土壤盐分的无人机多光谱定量反演模型和技术路线有待分析研究。【拟解决的关键问题】为探明基于无人机多光谱的土壤盐分特征光谱及定量反演模型、技术路线，本文针对重度盐渍土，尝试利用无人机多光谱图像，分别采用相关性分析、灰色关联度分析探明土壤盐分的特征光谱信息，运用多元线性回归（multivariable linear regression，MLR）、支持向量机（support vector machine，SVM）及偏最小二乘（partial least square，PLS）方法构建土壤盐分反演模型，并进行评价、优选，进而实现小区域土壤盐分定量反演，一方面可为土壤定量、准确遥感反演奠定基础，另一方面可为盐渍土治理利用提供数据支持。

1 材料与方法

1.1 试验区概况

本文以东营市垦利区黄河口镇为试验区域。黄河口镇位于山东省东营市垦利区中部，毗邻黄河口生态旅游区，是黄河的入海口，因“黄河之水天上来，奔流到海不复回”而得名。土壤盐渍化程度较高且土壤季节性返盐与积盐现象较为严重，为中重度盐渍土典型区域。根据黄河口镇土壤类型图、土地利用现状图、土壤盐渍化情况以及无人机实际飞行条件，选择黄河口镇西宋村中心幼儿园以南的重度盐渍土区域为试验区。试验区位于东经118°40′50"—118°50′00"，北纬37°39′29"—37°39′40"，面积约为24.675 hm2，地形平坦，砂壤土且土质松软，盐渍化程度较为严重（图1）。

图1 黄河口镇及试验区空间位置示意图

1.2 数据获取及预处理

1.2.1 野外实测盐分数据 因试验区春季气候温暖干旱，降水量同比较少，土壤水分蒸发较快，地表积盐现象严重，是盐渍土和植被覆盖特征较为明显的关键时期，亦是提取土壤盐分信息的最适时相，因此本研究于2018年4月26日—28日进行野外实地采样。

采样时试验区为成片裸地区域，地表无植被覆盖，均匀布设采样点85个，校正控制点22个，采用EC110便携式盐分计（仪器在使用前已经对电导率进行了温度校正）测定10 cm土壤表层的盐分值，并通过手持GPS定位仪测定各个采样点的实地坐标，同时记录方位、地形等环境因素信息。

1.2.2 无人机遥感图像获取及预处理 采样时试验区天气晴朗，光照条件充足均匀，天空状态均一。利用大疆Matrice 600 Pro®六旋翼无人机（中国深圳市大疆创新科技有限公司生产，飞行载重为6 kg，无风环境下最大飞行水平飞行速度为65 km·h-1）搭载Parrot Sequoia 农业专用多光谱相机（含有4个120万像素窄带和同步化单色传感器）获取试验区无人机多光谱遥感图像。相机传感器含有绿光（波长550 nm，带宽40 nm）、红光（波长660 nm，带宽40 nm）、红边光（波长735 nm，带宽10 nm）和近红外光（波长790 nm，带宽40 nm）4个波段。起飞前设定飞行高度50 m，空间分辨率为2.2 cm，对传感器进行航线设定（图2），并采集白板数据用于后期的辐射校正。然后利用Pix4D mapper软件完成图像拼接、辐射校正及正射校正，在ENVI软件中通过地面控制点数据进行几何校正及地理配准，得到假彩色合成波段图像（图3）。

1.3 土壤盐分敏感波段和光谱参量的筛选

将野外实测的采样点按其GPS经纬度信息导入试验区的假彩色合成波段图像，确定其相应像元，并提取该像元的各波段反射率值。分别将采样点土壤盐分实测值与图像各波段反射率进行相关性分析、灰色关联度分析，筛选土壤盐分的敏感波段。灰色关联度可以将多种因素视为一个灰色系统，利用关联度辨别系统中各个因素的主次关系。因素的关联度越大，二者的相似程度越高，进而进行多波段数学运算组合如红光+近红、红光×绿光等，构建了33个光谱指数，再利用相关性分析、灰色关联度分析优选光谱参量。

图2 无人机飞行航线图

图3 试验区假彩色合成波段图像和样点分布图

1.4 土壤盐分反演模型的构建与验证

将85个样本随机分为2组，其中60个用于建模，25个用于验证。

1.4.1 模型构建 基于建模样本的土壤盐分含量及优选出的光谱参量，分别采用多元线性回归（multivariable linear regression, MLR）、支持向量机（support vector machine, SVM）以及偏最小二乘法（partial least square, PLS）构建土壤盐分反演模型。

运用SPSS 22软件建立土壤盐分的多元线性回归方程。利用光谱参量的共线性、方差膨胀因子以及特征根系统综合度量参量之间的多重共线性，将存在共线性的指标剔除，然后再进行回归分析，得到多元线性回归方程[30]。

支持向量机是以核函数为构成模块，隐式地将数据映射到高维空间。本文设定SVM类型为4（即v-SVR），核函数类型为2（即RBF），采用训练集交叉验证和网格搜索法（grid search）进行参数寻优，依据均方差最小原则确定惩罚参数C和核参量g的值；相关计算采用Matlab R2014a软件的libsvm 3.11 工具箱实现[31]。

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[32]，可在一定程度上有效地消除参量之间的多重共线性。采用Matlab R2014a软件相应的计算机程序实现。

1.4.2 模型验证 利用25个验证样本数据对所建模型进行验证与评价，参数如下：建模精度采用建模集的预测值和实际值的决定系数（R）和均方根误差（root mean squares error，）进行评价；预测精度采用验证集R、和相对分析误差（the ratio of prediction to deviation，RPD）来评价。当RPD≥2.0时，表明构建的模型预测结果较好，模型可用于土壤盐分含量的反演预测[33]。通过模型精度对比，选定最佳模型用于土壤盐分含量的空间分布反演。

1.5 土壤含盐量的空间分布反演与精度分析

基于最佳模型和试验区预处理后的遥感图像，进行土壤盐分的空间分布反演，并根据中国半湿润区土壤可溶盐类以氯化物为主的滨海盐渍土分级标准[31]进行盐渍土分级，得到试验区土壤盐分反演图。同时，将样点土壤盐分含量利用反距离加权法进行插值分析，得到试验区土壤盐分插值图，与反演图进行对比，评价基于无人机多光谱遥感的土壤盐分反演精度。

2 结果

2.1 土壤样本的描述性统计特征

全部85个样本土壤盐分介于0.243—23.400 g·kg-1，平均值为7.136 g·kg-1，标准差为5.105 g·kg-1；60个建模集土壤盐分为0.243—23.400 g·kg-1，平均值为7.028 g·kg-1，标准差为5.013 g·kg-1；25个验证集土壤盐分为0.256—23.100 g·kg-1，平均值为7.395 g·kg-1，标准差为5.216 g·kg-1。可见，建模集和验证集均保持与全部样本集相似的统计分布，在确保样本具有代表性的同时，可避免在模型构建和验证中的偏差估计。

2.2 土壤盐分的敏感波段及光谱参量

样本土壤盐分与波段反射率的相关性、灰色关联度分析结果见表1，可见2种分析方法中，4个波段的敏感程度略有不同，基于相关性分析选择的敏感波段为红光、绿光以及红边波段，基于灰色关联度分析选择的敏感波段为红光、绿光及近红波段。综合可见，红光和绿光波段可作为土壤盐分的敏感波段。

表1 敏感波段分析

*为在 0.05 水平上显著相关，**为在 0.01 水平上极显著相关。下同

* means the correlation is significant at 0.05 level, ** means the correlation is significant at 0.01 level,. The same as below

表2 光谱指数分析

2.3 土壤盐分定量反演模型

基于建模样本，以选取的光谱参量为自变量，土壤盐分为因变量，分别采用多元线性回归、支持向量机、偏最小二乘法构建土壤盐分定量反演模型（表3）。

相较于相关性分析，灰色关联度选取光谱参量构建的模型精度均有所提高，其中建模集R提高0.011—0.090，降低0.868—1.737，验证集R提高0.009—0.123，降低0.010—0.610，RPD提高0.120—0.340（表3）。结果表明通过灰色关联度筛选光谱参量可在一定程度上提高土壤盐分反演模型的精度。

对比3种建模方法，SVM模型精度最高，PLS模型次之，MLR模型最低。其中，基于灰色关联度光谱参量的SVM模型建模R达到0.820，验证R为0.773，RPD达到2.210，通过对比，确定该模型为土壤盐分反演的最佳模型。

图4是最佳模型的建模、验证精度，可见预测值与实测值之间呈现良好的线性关系，大部分样本较好地分布在1：1线的两侧，表明该模型精度较高且较为稳定。

2.4 土壤盐分空间分布反演

基于最佳模型，进行试验区土壤盐分反演（图5）。可见试验区土壤含盐量反演值介于0.323—21.210 g·kg-1，平均值为6.871 g·kg-1，与研究样本的描述性统计结果较为接近。根据滨海盐渍土分级标准，将试验区土壤分为5级，并进行面积统计（表4）。可见，试验区中、重度盐渍土达到83.567%，其中重度盐渍土达到58.094%，较为普遍地分布在整个区域，中部和东部更为集中连片；非盐土和轻度盐渍土只占总面积的12.511%，主要分布在区域西南部的小片区域。结果表明该区土壤盐渍化十分普遍且较为严重，整体属于重度盐渍土区，与实际情况一致。

2.5 土壤盐分空间分布反演精度分析

基于反距离加权法进行土壤盐分插值分析（图6、表4），得到该区土壤盐分含量位于0.243—23.400 g·kg-1，平均值为7.136 g·kg-1。中、重度盐渍土占总面积的75.122%，而非盐渍土只占2.476%，而且在空间分布上也表现出西南部盐分较低、中东部盐分较高的趋势。可见插值分析结果与最佳反演模型和样点统计结果皆较为相近。

图4 最佳模型散点图

表3 土壤盐分反演模型

表4 试验区土壤盐分等级及其比例

图5 土壤盐分含量反演图

图6 基于反距离加权的土壤盐分插值图

为进一步对比反演结果的差异程度，将2种分布图的土壤盐分含量进行像元相减（插值图-反演图）运算，获得土壤盐分含量差值空间分布图（图7）。可以看出，地统计结果和反演结果的差异介于-4.850—6.360；为进一步比对反演得到的土壤盐分含量空间分布的正确性，将各像元的差值进行统计分析，以实测样点土壤盐分含量平均值7.160 g·kg-1的10%（±0.716）、20%（±1.432）和30%（±2.184）作为差异等级水平，分别统计各自范围内的像元数量及其所占比例。像元反演差值在允许误差10%以内的占76.75%，在20%以内的占88.04%，表明该反演结果与插值结果的误差大多控制在20%以内，结果较为相似。可见，上述最佳模型可应用于该地区土壤盐分分布反演。

图7 插值结果与反演结果的差值

3 讨论

2种光谱筛选分析方法结果均表明可见光、近红外波段与土壤盐分具有良好的关系。黄河三角洲区域主要矿物组成为岩盐、石膏，盐分组成以钠型盐氯化物为主，主要阴离子为Cl-和SO42-，主要阳离子为Na+、Ca2+[34-35]。前人研究指出虽然NaCl在可见光-近红外波段没有光谱特征，但NaCl与石膏存在相关性，石膏因在可见光-近红外波段具有吸收特性可间接显示土壤盐分的光谱信息[36-37]；徐伟杰[38]的研究表明石膏在近红外波段出现分子振动吸收光谱特征，且可见光-近红外能够获取SO42-的光谱信息。因此，前人研究表明可利用可见光-近红外波段提取裸土遥感数据的光谱信息进行土壤盐分预测。而且，现有多位学者的研究表明，盐碱化土壤在可见光和近红外波段较非盐碱化土壤有更强的反射率[19,38-40]，且重钠质盐渍土壤的光谱反射率比一般重盐渍土的反射率高[9,40-41]，如陈文娇[41]提出盐渍土在447、498、671nm附近均存在不同深度的吸收峰，与本文结论较为一致。

比较2种不同的分析方法，基于相关性分析的敏感波段为红光、绿光以及红边波段，基于灰色关联度分析的敏感波段为红光、绿光及近红波段。这2种方法基于不同的系统理论，灰色关联度根据序列曲线几何形状的相似程度判断关联度，在变化趋势上理清各波段对土壤盐分的主次关系并排序[42]；而相关分析仅依赖客观数据分析单一波段与土壤盐分的相关性。因此，灰色关联度分析的结果更为可靠。这也与前面所述可见-近红外光谱用来提取土壤盐渍化信息的内在机理是一致的。

本研究以垦利区黄河口镇重度盐渍土为例，以无人机多光谱遥感图像为主要数据源，利用相关性分析和灰色关联度分析筛选光谱参量，分别构建MLR、SVM和PLS模型，通过最佳模型进行空间分布反演，得到的结果与实地采样和地统计插值分析结果较为一致，表明无人机多光谱可实现重度盐渍土盐分信息的准确提取，但对于中、轻度盐渍土是否会有相同的结果需要进一步研究探索，也是下一步的工作方向。

基于地面高光谱的土壤盐分定量估测是遥感反演的基础，而基于无人机近地遥感的土壤盐分反演是由地面高光谱定量分析到卫星遥感反演的桥梁。现有普遍高光谱盐分监测的研究已表明，可见光-近红外波段光谱用于分析土壤盐分的可行性，本研究初步尝试了基于无人机多光谱的重度盐渍土盐分定量反演，但盐渍土的光谱响应特征又与土壤水分以及地理环境因素都存在相关关系，且土壤水分是土壤盐分定量遥感分析的主要影响因素之一。因此，下一步将结合地面高光谱、无人机多光谱/高光谱数据，探讨机地光谱融合及土壤水分因素的影响去除，以提高无人机反演土壤盐分精度。

4 结论

（2）相对于相关性分析，基于灰色关联度分析的模型建模R提高了0.011—0.090，降低0.868—1.737，验证R提高了0.009—0.123，降低了0.010—0.610，RPD提高0.120—0.340，通过灰色关联度筛选光谱参量可在一定程度上提高土壤盐分反演模型的精度。

（3）对比3种建模方法，支持向量机（SVM）建模精度最佳，偏最小二乘法（PLS）次之，多元线性回归方程（MLR）最低；土壤盐分定量反演的最佳模型为基于灰色关联度筛选光谱参量的支持向量机模型，其建模集R、分别为0.820、3.626，验证集的R、、RPD分别为0.773、4.960、2.200。

（4）据此模型反演得到该区土壤盐分含量为0.323—21.210 g·kg-1，平均值为6.871 g·kg-1，重度盐渍土占58.094%，与实地调查较为一致。反演结果与反距离加权插值结果的误差80%控制在样本盐分含量平均值的20%以内，亦较为相近。

因此，基于无人机多光谱，先采用灰色关联度分析筛选光谱参量，进而采用支持向量机构建反演模型可实现土壤盐分信息的准确提取。

[1] PARK S H, LEE B R, LEE J H. S nutrition alleviates salt stress by maintaining the assemblage of photosynthetic organelles in Kentucky bluegrass (L.)., 2016, 79(3): 367-375.

[2] 王辉, 高玉录, 于梦, 杜远鹏, 孙永江, 翟衡. 根灌乙酸及葡萄酒对海水胁迫下葡萄光抑制的影响. 中国农业科学, 2018, 51(21): 4210-4218.

WANG H, GAO Y L, YU M, DU Y P, SUN Y J, ZHAI H. Effect of root irrigation of acetic acid and wine on photoinhibition of grape under seawater stress., 2018, 51(21): 4210-4218. (in Chinese)

[3] WHITNEY K, SCUDIERO E, El-ASKARY H M, SKAGGS T H, ALLALI M, CORWIN D L. Validating the use of MODIS time series for salinity assessment over agricultural soils in California, USA., 2018, 93: 889-898.

[4] 王海江, 蒋天池, YUNGER J A, 李亚莉, 田甜, 王金刚. 基于支持向量机的土壤主要盐分离子高光谱反演模型. 农业机械学报, 2018, 49(5): 263-270.

WANG H J, JIANG T C, YUNGER J A, LI Y L, TIAN T, WANG J G. Hyperspectral inverse model for soil salt ions based on support vector machine., 2018, 49(5): 263-270. (in Chinese)

[5] SRIVASTAVA R, SETHI M, YADAV R K, BUNDELA D S, SINGH M, CHATTARAJ S, SINGH S K, NASRE R A, BISHNOI S R, DHALE S, MOHEKAR D S, BARTHWAL A K. Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected soil in the Indo-Gangetic plains of Haryana, India., 2017, 45(2): 307-315.

[6] WENG Y L, GONG P, ZHU Z L. Reflectance spectroscopy for the assessment of soil salt content in soils of the Yellow River Delta of China., 2008, 29(19): 5511-5531.

[7] 张东辉, 赵英俊, 秦凯, 赵宁博, 杨越超. 光谱变换方法对黑土养分含量高光谱遥感反演精度的影响. 农业工程学报, 2018, 34(20): 141-147.

ZHANG D H, ZHAO Y J, QIN K, ZHAO N B, YANG Y C. Influence of spectral transformation methods on nutrient content inversion accuracy by hyperspectral remote sensing in black soil., 2018, 34(20): 141-147. (in Chinese)

[8] 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)

[9] XU C, ZENG W Z, HUANG J S, WU J W, LEEUWEN W J V. Prediction of soil moisture content and soil salt concentration from hyperspectral laboratory and field data., 2016, 8(1): 42-62.

[10] WIEGAND C L, EVERITT J H, RICHARDSON A J. Comparison of multispectral video and SPOT-1 HRV observations for cotton affected by soil salinity., 1992, 13(8): 1511-1525.

[11] 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)

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

[13] 李晋, 赵庚星, 常春艳, 刘海腾. 基于HSI高光谱和TM图像的土地盐渍化信息提取方法. 光谱学与光谱分析, 2014, 34(2): 520-525.

LI J, ZHAO G X, CHANG C Y, LIU H T. Land salinization information extraction method based on HSI hyperspectral and TM imagery., 2014, 34(2): 520-525. (in Chinese)

[14] 魏阳, 丁建丽, 王飞. 基于Landsat OLI的绿洲灌区土壤盐度最优预测尺度分析. 中国农业科学, 2017, 50(15): 2969-2982.

WEI Y, DING J L, WANG F. Optimal scale analysis of soil salinity prediction in oasis irrigated area of arid land based on Landsat OLI., 2017, 50(15): 2969-2982. (in Chinese)

[15] SIDIKE A, ZHAO S H, WEN Y M. Estimating soil salinity in Pingluo county of China using QuickBird data and soil reflectance spectra.2014, 26: 156-175.

[16] NAWAR S, BUDDENBAUM H, HILL J. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: a case study from Egypt., 2015, 8(7): 5127-5140.

[17] SCUDIERO E, CORWIN D L, MORARI F, ANDERSON R G, SKAGGS T H. Spatial interpolation quality assessment for soil sensor transect datasets., 2016, 123: 74-79.

[18] 扶卿华, 倪绍祥, 王世新, 周艺. 土壤盐分含量的遥感反演研究. 农业工程学报, 2007, 23(1): 48-54.

FU Q H, NI S X, WANG S X, ZHOU Y. Retrieval of soil salt content based on remote sensing., 2007, 23(1): 48-54. (in Chinese)

[19] 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, 2018, 56(2): 1-12.

LIANG J, DING J L, WANG J Z, WANG F. Quantitative estimation and mapping of soil salinity in the Ebinur Lake wetland based on Vis-NIR reflectance and Landsat 8 OLI data., 2019, 56(2): 1-12. (in Chinese)

[20] AMANI M, SALEHI B, MAHDAVIS. Temperature-vegetation-soil moisture dryness index(TVMDI)., 2017, 197: 1-14.

[21] 汪小钦, 王苗苗, 王绍强, 吴云东. 基于可见光波段无人机遥感的植被信息提取. 农业工程学报, 2015, 31(5): 152-159.

WANG X Q, WANG M M, WANG S Q, WU Y D. Extraction of vegetation information from visible unmanned aerial vehicle images., 2015, 31(5): 152-159. (in Chinese)

[22] HASSANESFAHANI L, TORRESTUA A, JENSEN A. Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks., 2015, 7(3): 2627-2646.

[23] 王海峰, 张智韬, 付秋萍, 陈硕博, 边江, 崔婷. 低空无人机多光谱遥感数据的土壤含水率反演. 节水灌溉, 2018, 43(1): 90-94, 102.

WANG H F, ZHANG Z T, FU Q P, CHEN S B, BIAN J, CUI T. Inversion of soil moisture content based on multispectral remote sensing data of low-altitude UAV., 2018, 43(1): 90-94, 102. (in Chinese)

[24] 陈硕博, 陈俊英, 张智韬, 边江, 王禹枫, 石树兰. 无人机多光谱遥感反演抽穗期冬小麦土壤含水率研究. 节水灌溉, 2018, 43(5): 39-43.

CHEN S B, CHEN J Y, ZHANG Z T, BIAN J, WANG Y F, SHI S L. Retrieving soil water content of winter wheat during heading period by multi-spectral remote sensing of Unmanned Aerial Vehicle (UAV)., 2018, 43(5): 39-43. (in Chinese)

[25] AASEN H, GNYP M L, MIAO Y X, BARETH G. Automated hyperspectral vegetation index retrieval from multiple correlation matrices with HyperCor., 2014, 80(8): 785-795.

[26] MORELLOS A,PANTAZI X E, MOSHOU D, ALEXANDRIDIS T, WHETTON R,TZIOTZIOS G,WIEBENSOHN J,BILL R,ABDUL M. Machine learning based prediction of soil total nitrogen, organic carbon and moisture content by using VIS-NIR spectroscopy., 2016, 152(12): 104-116.

[27] HOFFMANN H, JENSEN R, THOMSEN A, NLETO H, RASMUSSEN J, FRIBORG T. Crop water stress maps for entire growing seasons from visible and thermal UAV imagery., 2016, 13(24): 6545- 6563．

[28] ROSA O C, BAUP F, FABRE S, FIEUZAL R, BRIOTTE X. Improvement of soil moisture retrieval from hyperspectral VNIR- SWIR data using clay content information: from laboratory to field experiments., 2015, 7(3): 3184-3205.

[29] JIN X L, DU J, LIU H J, WANG Z M, SONG K S. Remote estimation of soil organic matter content in the Sanjiang plain, Northest China: the optimal band algorithm versus the GRA-ANN model., 2016, 218(12): 250-260．

[30] 张宗玲, 韩增德, 刘立晶, 李晓栋, 郝付平, 董哲. 玉米穗茎兼收割台夹持输送装置参数优化. 农业机械学报, 2018, 49(3): 114-121.

ZHANG Z L, HAN Z D, LIU L J, LI X D, HAO F P, DONG Z. Parameters optimization for gripping and delivering device of corn harvester for reaping both corn stalk and spike., 2018, 49(3): 114-121. (in Chinese)

[31] 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)

[32] 李鑫星, 朱晨光, 周婧, 孙龙清, 曹霞敏, 张小栓. 光谱技术在水产养殖水质监测中的应用进展及趋势. 农业工程学报, 2018, 34(19): 184-194.

LI X X, ZHU C G, ZHOU J, SUN L Q, CAO X M, ZHANG X S. Review and trend of water quality detection in aquaculture by spectroscopy technique., 2018, 34(19): 184-194. (in Chinese)

[33] Urselmans T T, SCHMIDT H, JOERGENSEN R G, LUDWIG B. Usefulness of near-infrared spectroscopy to determine biological and chemical soil properties: Importance of sample pre-treatment., 2008, 40(5): 1178-1188.

[34] 翁永玲, 宫鹏. 黄河三角洲盐渍土盐分特征研究. 南京大学学报(自然科学版), 2006, 42(6): 602-610.

WENG Y L, GONG P. Soil salinity measurements on the Yellow River Delta.2006, 42(6): 602-610. (in Chinese)

[35] 安乐生, 赵全升, 叶思源, 刘贯群, 丁喜桂. 黄河三角洲地下水关键水盐因子及其植被效应. 水科学展, 2011, 22(5): 689-695.

AN L S, ZHAO Q S, YE S Y, LIU G Q, DING X G. Water-salt interactions factors and vegetation effects in the groundwater ecosystem in Yellow River Delta.2011, 22(5): 689-695. (in Chinese)

[36] Ben-Dor E, GOLDSHLEGER N, ESHEL M, NIRABLIS V, BASON U. Combined active and passive remote sensing methods for assessing soil salinity.2008(10): 235-255.

[37] GOLDSHLEGERN, BEN-DOR E, LUGASSI R, ESHEL G. Soil degra-dation monitoring by remote sensing: Examples with three degradation processes., 2010, 74(5): 1433-1445.

[38] 徐伟杰. 火星表面模拟矿物和卤水的光谱鉴别研究[D]. 威海：山东大学, 2018.

XU W J. Spectral discriminant analysis of martian simulated minerals and brines[D]. Weihai: Shandong University, 2018. (in Chinese)

[39] FAN X W, LIU Y B, TAO J M, WENG Y L. Soil salinity retrieval from advanced multi-spectral sensor with partial least square regression., 2015, 7(1): 488-511．

[40] 翁永玲, 宫鹏. 土壤盐渍化遥感应用研究进展. 地理科学, 2006, 26(3): 369-375.

WENG Y L, GONG P. A review on remote sensing technique for salt-affected soils.2006, 26(3): 369-375. (in Chinese)

[41] 陈文娇. 基于多源数据光谱转换的土壤盐分反演与动态分析[D]. 南京: 东南大学, 2018.

CHEN W J. Soil salinity retrieval and dynamic analysis based on spectral intercalibration of multi-sensor data[D]. Nanjing: Southeast University, 2018. (in Chinese)

[42] 周鹏, 杨玮, 李民赞, 郑立华, 陈玉青. 基于灰度关联-极限学习机的土壤全氮预测. 农业机械学报, 2017, 48(S1): 271-276.

ZHOU P, YANG W, LI M Z, ZHENG L H, CHEN Y Q. Soil total nitrogen content prediction based on gray correlation-extreme learning machine., 2017, 48(S1): 271-276. (in Chinese)

（责任编辑 杨鑫浩）

Salinity Inversion of Severe Saline Soil in the Yellow River Estuary Based on UAV Multi-spectra

WANG DanYang1, CHEN HongYan1, WANG GuiFeng2, CONG JinQiao3, WANG XiangFeng4, WEI XueWen2

(1National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources/College of Resources and Environment, Shandong Agricultural University, Taian 271018, Shangdong;2Shandong Cotton Production Technical Guidance Station, Jinan 250000;3Taishan Natural Resources Bureau, Taian 271000, Shangdong;4Kenli Land and Resources Bureau, Dongyin 27500, Shangdong)

【Objective】The purpose of this paper was to improve the extraction accuracy of soil salinity information based on remote sensing and understand accurately the degree and distribution of soil salinization. 【Method】Firstly, the severe and concentrated saline soil area of Huanghekou town, Kenli district, was selected as the experimental area, and the unmanned aerial vehicle (UAV) equipped with Sequoia multispectral camera was adopted to acquire the near earth remote sensing image from April 26th to 28th, 2018, then the image preprocessing, including image splicing, radiation correction, orthorectification and geometric correction, was performed. Secondly, the sensitive bands of soil salinity were screened by correlation analysis and grey correlation analysis, respectively, and the spectral parameters were constructed and screened. Thirdly, the soil salinity quantitative analysis models were built by multivariate linear regression (MLR), support vector machine (SVM) and partial least square (PLS) method, then the models’ accuracy was evaluated and the best one was selected. Finally, the best model was applied to the inversion and analysis of soil salinity distribution in the experimental area, and the inversion accuracy was compared with the interpolation result by inverse distance weighting (IDW) method. 【Result】The results showed that the accuracy and significance of the estimation model based on gray correlation analysis were improved by compared with the correlation analysis; compared the three modeling methods, the prediction ability of the SVM was the best, followed by the PLS, the MLR models’ precision was the lowest, with the calibrationRandof 0.820 and 3.626, the validationR,and RPD of 0.773, 4.960 and 2.200, and the SVM model of soil salinity based on screened variables by grey correlation analysis was selected the best one; based on the best model, the soil salinity content in this region was between 0.323 and 21.210 g·kg-1with the average of 6.871 g·kg-1and the severe salinity accounted for 58.094%, which was consistent with the result of the field investigation; the 80% of the error between the inversion result and the interpolation result by the IDW method was controlled within 20% of the sample salt content average, which showed that the two kind of result were similar. 【Conclusion】It could be concluded that the accurate extraction of severe soil salinity information could be achieved on the UAV multi-spectra.

unmanned aerial vehicle; multi-spectra; saline soil; grey correlation; yellow river estuary

10.3864/j.issn.0578-1752.2019.10.004

2018-12-28；

2019-03-05

国家自然科学基金（41877003，41671346）、山东省自然科学基金（ZR2019MD039）、山东省重点研发计划（2017CXGC0306）、“十二五”国家科技支撑计划（2015BAD23B0202）、山东农业大学“双一流”奖补资金（SYL2017XTTD02）

王丹阳，E-mail：892218027@qq.com。通信作者陈红艳，E-mail：chenhy@sdau.edu.cn