基于多源数据融合的盐分遥感反演与季节差异性研究

孙亚楠 李仙岳 史海滨 崔佳琪 王维刚 卜鑫宇

(内蒙古农业大学水利与土木建筑工程学院， 呼和浩特 010018)

0 引言

土壤盐渍化是全球性的生态环境问题，是制约灌区农业可持续发展的主要因素之一。我国盐渍化土壤分布广，主要集中在西北、华北、东北及沿海地区，其中陕、甘、宁、青、蒙、新的盐渍土面积占全国盐渍化土壤面积的69.03%[1]，仅内蒙古河套灌区中度和重度盐渍化耕地面积就达1.067×105hm2[2]。因此，区域土壤盐渍化信息的快速、准确提取和分析对于盐碱地改良和治理具有重要意义。实地采样是获取土壤盐分信息的传统方法，但其无法实现对土壤盐分大范围、实时动态的监测，而遥感技术以其宏观、动态、信息丰富等特点，已成为区域土壤盐分监测的重要手段。

近年来，国内外学者基于Landsat TM[3-4]、ASTER[5]、Landsat-8 OLI[6-7]、Quickbird[8-9]、WorldView-2[10]等多光谱数据源构建了有效的土壤盐分遥感反演模型。高光谱成像技术具有光谱分辨率高、图谱合一等优势，与多光谱遥感相比，更利于地物的精细分类和识别。在基于高光谱技术的土壤盐分的遥感反演研究中，主要的高光谱数据源有Hyperion[11]、HSI[12]等，但由于目前在轨高光谱卫星较少、空间分辨率较低、不易获取等因素制约了高光谱成像技术的应用。随着遥感卫星、传感器技术的发展及各类民用卫星平台的应用，农业遥感逐渐由光学资源卫星为主向高光谱、高空间、高时间分辨率的方向发展。如何将高光谱数据与多光谱数据进行融合，从而获得高空间分辨率、高光谱分辨率的数据已成为现代遥感反演技术研究的热点。

目前，针对多卫星的数据融合技术已被广泛研究，如基于Hyperion高光谱与IKONOS多光谱数据[13]、Hyperion高光谱与WorldView-2多光谱数据[14]、HIS高光谱和OLI多光谱数据融合[15]的目标含量的反演研究；基于GF-1 WFV数据与MODIS数据[16]、Landsat数据与MODIS数据[17]的融合算法研究。这些研究均基于多卫星数据融合，而高光谱卫星数据源在特定时间和特定区域不易获取，故部分学者采用实测ASD(Analytical spectral device)高光谱数据与多光谱数据融合的方法，以提高多光谱数据精度。阿尔达克·克里木等[18]建立了基于重采样后的高光谱和影像光谱的土壤含盐量估算模型，并对遥感影像光谱盐分估算模型进行了校正，结果表明，经ASD重采样光谱模型校正后的ASTER影像光谱的盐分估算模型精度R2为0.91，有效地提高了大尺度条件下土壤盐渍化的反演精度。张飞等[19]依靠光谱数据库的数据支持，利用宽光谱光学遥感图像模拟细分光谱光学遥感图像的研究，实现了由实测端元尺度向多光谱像元尺度的光谱转换。尽管已有研究对实测高光谱与多光谱数据进行了融合，但均基于单一波段或单一变换建模，未考虑光谱指数与光谱变换方法。另外，灌区春季和秋季土壤表层盐分积聚程度及植被覆盖度不同，从而导致相同盐分条件下光谱存在差异，而现有模型均只采用单季数据源进行盐分反演训练和验证，忽视了不同季节遥感模型的差异性。

本文在对实测高光谱、Landsat-8 OLI多光谱两种数据源的光谱反射率进行光谱变换的基础上，选取最优变换下的敏感波段、敏感光谱指数，利用多元逐步回归的方法筛选与土壤盐分显著相关的特征波段及特征光谱指数，分别基于特征波段与特征光谱指数构建春、秋两季土壤盐分的实测高光谱反演模型与多光谱反演模型，利用反演模型中最优变量对多光谱反演模型与高光谱反演模型进行融合，并通过高-多光谱融合反演模型对研究区进行土壤盐分的空间反演，旨在提高Landsat-8 OLI多光谱数据源对研究区不同季节土壤盐分的反演精度，从而为区域土壤盐渍化的定量监测提供参考。

1 材料与方法

1.1 研究区概况

研究区位于内蒙古河套灌区永济灌域，边界坐标为107°13′～107°42′E，40°36′～41°13′N，南北长60 km，东西宽40 km，总土地面积1.836×105hm2，现灌溉面积约1.122×105hm2，属于典型的温带大陆性干旱、半干旱气候带，干旱少雨，蒸发强烈，是典型的“无灌溉则无农业”地区。年均降水量为145 mm，年均蒸发量为2 275 mm，当地土壤盐渍化问题突出，其中约1/2耕地土壤有不同程度的盐碱化，土壤中氯化盐、硫酸盐和钠盐含量较高，盐分类型复杂，灌区的盐渍化问题始终限制着灌区农业的可持续发展。

1.2 数据采集与处理

野外采样选择在春灌前(2017年4月5—10日和2018年4月6—10日)和秋浇前(2017年9月27日—10月2日和2018年10月2—7日)进行，这两个时段均是土壤盐分较大且植被、农作物等影响较小的时段。采样点通过ArcGIS软件进行网格布设，实际采样点根据道路、土壤类型、种植结构等因素进行适度调整，最终有效采样点为90个，采样点布设见图1，具体采样方法见文献[20]。

图1 研究区土壤采样点分布Fig.1 Distribution of soil sampling points in study area

(1)土壤盐分测定

为减少植被等因素对采样的干扰，在预设点周围半径30 m范围内寻找平坦裸地进行采样，采样点为15 m×15 m的样方区，利用五点采样法在表层(0～20 cm)[18]采集样本，每个采样点取5个重复，经自然风干、碾碎过2 mm孔径筛，按质量比为5∶1的水土比混合后进行各离子含量测定[21]，算出土壤盐分总量。

(2)光谱采集及处理

选择晴朗无云天气，时间为10:00—14：00，在盐分取样位置(取样前)，利用美国地物光谱仪(FieldSpec 4 Hi-Res型，ASD)进行土壤光谱反射率的测定。探头视场角为25°，测定时保持探头距离地面1 m[22]，连续测量2次，共获得10条光谱，取平均值后作为该采样点的实测高光谱数据[20]。多光谱数据采用Landsat-8 OLI遥感影像数据(30 m分辨率)，行列号为129/31、129/32的两景遥感影像，下载网址https:∥earthexplorer.us gs.gov/。选择与土壤及野外实测高光谱采样时间相近的影像，即选择2017年3月30日、2017年9月22日、2018年4月2日、2018年10月11日的影像作为Landsat-8 OLI多光谱影像数据源。

为了消除噪声等对实测高光谱数据的影响，对实测高光谱数据进行一系列的预处理，其中包括均值化、去噪、平滑等，最终得到了土壤实测高光谱特性曲线。利用ENVI 5.3软件对Landsat-8 OLI遥感影像进行辐射定标、大气校正、几何精校正、无缝镶嵌、裁剪等预处理，通过ArcGIS 10.3软件提取采样点对应的多光谱反射率。为了提高光谱的灵敏度，对土壤的光谱反射率进行多种光谱变换，主要包括一阶导数R′、二阶导数R″、倒数(1/R)、倒数一阶导数(1/R)′、倒数二阶导数(1/R)″、对数lgR、对数一阶导数(lgR)′、对数二阶导数(lgR)″、平方根R0.5、平方根一阶导数(R0.5)′、平方根二阶导数(R0.5)″ 11种光谱变换。

1.3 土壤光谱指数选择

近年来，利用光谱指数来分析区域土壤盐渍化信息已逐渐成为研究的热点[23-25]，其中光谱指数主要分为植被指数、盐分指数等，由于盐渍化在一定程度上会造成植被状况的改变，植被指数的变化有助于推测盐渍化的发展趋势[24]，而本文取样时段为春灌前与秋浇前，时段的特殊性使植被无法间接反映土壤盐分的状况，所以本文未将植被指数考虑其中，考虑了几种可见光及近红外波段在内的广泛应用的盐分指数作为本文土壤盐分反演模型的主要光谱指数，光谱指数如表1所示。

表1 多光谱光谱指数Tab.1 Spectral indices of multispectral

1.4 数据融合方法及模型评价指标

多元逐步回归是在模型构建过程中每一步只引入或剔除一个自变量，自变量是否被引入或剔除则取决于F检验或校正决定系数，F检验的计算式[29]为

(1)

p——敏感波段或敏感光谱指数的数量

n——样本数量

在显著性水平α=0.05下，F>Fα说明该回归方程显著，否则不显著，需要重新选取敏感波段进行计算。

假定εi～N(0,σ2)，一元线性回归可表示为

yi=a+bxi+εi

(2)

式中a、b——常量

εi——随机变量(随机扰动项)

采用SPSS 21软件的多元逐步回归方法构建土壤盐分反演模型。其中采用决定系数R2、均方根误差RMSE[30]两种评价指标对模型模拟效果进行评价。春、秋两季模型均采用2017、2018年数据分别作为模型的训练集与验证集，且训练集与验证集样本数量均为90个。

2 结果与分析

2.1 不同季节盐渍化土壤的多光谱与高光谱特征分析

按照《内蒙古河套灌区灌溉排水与盐碱化防治》[31]划分标准将盐渍化土壤划分为5个等级，并对2017年春、秋两季不同等级土壤实测高光谱与多光谱进行均值处理，得到春、秋两季土壤的实测高光谱、多光谱反射率曲线(图2)，其中高光谱波长范围为350～2 500 nm，多光谱覆盖范围为433～2 300 nm，但高光谱可用波长明显多于多光谱。土壤盐分的不同导致土壤的反射率存在差异，但不同盐渍化的土壤光谱特征在形态上趋于一致，波长在355～1 600 nm之间，春、秋两季土壤高光谱反射率随着波长增加而增加，其中在355～885 nm之间增加趋势最为明显，在2 100～2 300 nm之间光谱反射率随着波长的增加而减小，从总体上看，随着土壤盐渍化的加重，光谱反射率也随之增加，即盐土反射率最大，非盐化土反射率最小。春、秋两季土壤多光谱反射率呈先增加后减小的趋势，减小区间为波段6或波段7之间，除波段5中轻盐化土的反射率大于非盐化土的反射率外，光谱反射率随着土壤盐渍化的加重而增加，与高光谱特征一致。春季不同盐渍化程度的土壤反射率均大于秋季，高光谱和多光谱春季平均盐分反射率比秋季分别高7.52%和40.03%，平均值为23.78%。

总体上，不同盐渍化程度的高光谱平均反射率明显大于多光谱反射率，春季高光谱平均反射率比多光谱平均反射率高18.86%，秋季高54.80%，平均值为36.83%。随着波长的增加，高光谱与多光谱的反射率差值逐渐增大，在春季433～885 nm(波段1～5)范围内，不同盐渍化程度的高光谱与多光谱的反射率差异性较小，高光谱平均盐分反射率比多光谱平均盐分反射率低0.17%，在1 560～2 300 nm(波段6～7)范围相差较大，高光谱平均盐分反射率比多光谱平均盐分反射率高5.50%(图2a)。在秋季，高光谱反射率在不同波段均明显高于多光谱，除845～885 nm(波段5)范围外，高光谱平均盐分反射率比多光谱平均盐分反射率高75.91%(图2b)。可见，春季不同盐渍化程度土壤的高光谱与多光谱反射率比较相近，由于春季土壤表层盐分积聚较为明显，部分形成表层结皮，导致春季的土壤光谱对不同盐渍化土壤的识别更加准确，而在秋季由于作物收割留下的残茬及秸秆等残留物会形成更加复杂的混合像元，从而对分辨率为30 m的Landsat-8 OLI多光谱数据产生一定的影响，导致误差增大，故秋季多光谱与实测高光谱反射率差异性明显高于春季。

图2 春秋两季不同盐渍化土壤多光谱与高光谱的反射率对比Fig.2 Comparative analyses of multispectral and hyperspectral reflectivity of different salinized soils in spring and autumn

2.2 不同季节多光谱盐分反演模型的构建

通过对Landsat-8 OLI多光谱反射率进行11种光谱变换、构建光谱指数，并对各变换的波段、光谱指数与土壤盐分进行相关性分析(表2)，筛选出土壤盐分的最优光谱变换形式、敏感波段(P<0.01)、敏感光谱指数(P<0.01)。在春、秋两季，与土壤盐分呈显著相关的变换形式均为R(原始变换)、1/R、lgR和R0.5，除1/R变换外其余3种变换均与土壤盐分呈正相关。春季中，各变换的波段与盐分的相关系数均随波长的增加呈先增大后减小的趋势(表2)，在波段5处达到峰值，其中在波段6和波段7内各变换与盐分均无显著相关性；秋季各变换的相关系数在波段1～4无明显差异，在波段5处出现明显的下降趋势，其中在波段5～7内各变换与盐分均无显著相关性。春季多光谱波段、光谱指数的各变换形式与土壤盐分的相关系数均高于秋季，平均分别高7.78%、22.44%。在春季，R、1/R、R0.5变换的光谱指数S1与S2与盐分无显著相关性，其余各变换的各光谱指数与盐分均呈显著相关；在秋季，1/R、lgR变换的各光谱指数均与土壤盐分呈非显著相关，且R、R0.5变换的3种光谱指数(S1、S2、S3)与土壤盐分无显著相关性。在春秋两季的光谱指数与盐分的相关性分析中S1、S2与土壤盐分的相关性较差，说明仅基于蓝波段与红波段的比值指数及归一化指数的效果较差，不适用于本地区光谱指数的构建。春秋两季波段、光谱指数的最优变换均为R，而R0.5变换与盐分的相关性与R变换相差不大，表明在多光谱的光谱分析中无需进行光谱变换。基于R变换的春季多光谱波段、光谱指数与土壤盐分相关系数绝对值的平均值分别为0.362、0.371，秋季分别为0.367、0.351。

表2 多光谱波段、光谱指数与土壤盐分的相关性分析Tab.2 Correlation analysis between multispectral bands and spectral indices with soil salinity

注：**表示P<0.01。下同。

对多光谱的敏感波段、敏感光谱指数与土壤盐分进行多元逐步回归，建立不同季节特征波段、特征光谱指数的土壤盐分的多光谱反演模型(表3)。土壤盐分多光谱反演模型R2平均值为0.410，RMSE平均值为3.64 g/kg。春、秋两季基于特征光谱指数的多光谱反演模型优于基于特征波段的多光谱反演模型，春秋两季R2分别提高了32.61%、48.24%，平均提高了40.43%，其中春季模型效果最好，R2为0.492，RMSE为4.20 g/kg。从多光谱回归模型精度来看，基于特征光谱指数的秋季反演模型R2比春季低5.69%，RMSE比春季低23.57%，表明春季反演模型反演效果优于秋季，可能由于春季土壤表面较秋季土壤盐分聚积更加明显，且残茬较少。

表3 多光谱特征波段、特征光谱指数与土壤盐分的回归模型Tab.3 Regression model of soil salinity with multi spectral characteristic bands and characteristic spectral indices

2.3 不同季节高光谱盐分反演模型的构建

春、秋两季高光谱反射率R″、(1/R)″、(lgR)″、(R0.5)″4种二阶导数变换与土壤盐分的平均相关系数为0.197，比对应的一阶导数变换与盐分的相关系数平均高24.68%，可见，二阶导数变换更适合于土壤盐分反演模型的构建，这与冯雪力等[32]、孙亚楠等[20]研究结果一致。选取与多光谱波段一致的光谱范围(波段1～7)，以高光谱反射率与土壤盐分的相关系数最大和显著相关的波长数量最多为原则选择最优变换形式，最终选取了(lgR)″、(1/R)″分别作为2017年春季、秋季的高光谱最优变换形式(图3)，在最优变换下，春季高光谱显著波段主要集中在350～900 nm之间(图3a)，而秋季在350～2 500 nm均有显著相关波长，但较大值主要出现在500～1 000 nm之间(图3b)。根据多光谱的波段范围进一步挑选敏感波长，最终挑选出波长为478、484、479、493、562、592、640、641、846、877 nm作为春季土壤盐分的敏感波长，波长为487、512、543、544、556、674、677、678、871 nm作为秋季土壤盐分的敏感波长。

图3 最优变换下高光谱波长与土壤盐分的相关性分析Fig.3 Correlation analysis of hyperspectral wavelengths with soil salinity under optimal transformation

利用敏感波长构建土壤盐分的高光谱光谱指数，并与土壤盐分进行相关性分析，挑选出敏感光谱指数(表4)，春、秋两季土壤盐分的敏感光谱指数数量相同，均为6个，春、秋两季敏感光谱指数与盐分的相关系数的绝对值分别在0.434～0.614、0.459～0.562之间，相关系数绝对值的平均值均为0.521。与多光谱光谱指数相比，分别提高了40.43%、48.34%。

表4 高光谱敏感光谱指数构建Tab.4 Construction of hyperspectral sensitive indices

注：*表示P<0.05。

利用多元逐步回归筛选出高光谱的特征波段、特征光谱指数并构建回归方程(表5)，实测高光谱反演模型R2在0.496～0.701之间，平均值为0.601，RMSE在2.11～3.23 g/kg之间，平均值为2.60 g/kg，其中基于特征光谱指数的春季高光谱反演模型精度最高，R2为0.701，春、秋两季基于特征光谱指数的高光谱反演模型R2比基于特征波段的高光谱反演模型平均高30.96%。基于特征光谱指数的春、秋两季高光谱反演模型比基于特征光谱指数的多光谱反演模型R2分别提高了42.48%和42.46%，RMSE分别降低了49.76%和11.84%。可见，利用高光谱构建的反演模型精度明显高于多光谱的反演模型，因为高光谱所采集的数据为纯像元，而分辨率为30 m的Landsat-8 OLI采集的数据为混合像元。

表5 高光谱特征波段、特征光谱指数与土壤盐分的回归模型Tab.5 Regression model of soil salinity with hyperspectral characteristic bands and characteristic spectral indices

2.4 不同季节高光谱与多光谱数据融合及验证

在土壤盐分的多光谱反演模型和高光谱反演模型中，基于特征光谱指数的反演模型精度明显高于基于特征波段的反演模型精度，R2分别提高了40.43%和30.96%。因此本文利用特征光谱指数实现不同季节实测高光谱和多光谱数据的融合。分别对春、秋两季高光谱与多光谱的光谱指数进行相关性分析并构建回归方程(图4)，春季高光谱与多光谱的光谱指数呈负相关关系(图4a)，反演模型R2在0.626～0.767之间，平均值为0.688，其中SI2光谱指数拟合精度最高；而秋季却呈正相关(图4b)，R2在0.646～0.689之间，平均值为0.673，其中S5光谱指数拟合精度最高。

图4 春秋两季土壤盐分的多光谱特征指数与高光谱特征光谱指数的相关性分析Fig.4 Correlation analysis of characteristic indices between multispectral and hyperspectral with soil salinity in spring and autumn

利用春秋两季融合的光谱指数进行模型的构建(表6)，春、秋两季融合反演模型的R2分别为0.665和0.637，平均值为0.651，RMSE分别为2.01、2.86 g/kg，平均值为2.44 g/kg，相比基于光谱指数的春秋两季多光谱反演模型R2平均提高了36.19%，RMSE平均降低了34.28%，可见利用实测高光谱数据与多光谱数据融合的方法提高多光谱盐分的反演精度可行。

表6 高-多光谱特征光谱指数与土壤盐分的回归模型Tab.6 Regression model of soil salinity with hyper-multispectral spectral characteristic spectral indices

利用2018年数据分别对基于光谱指数的多光谱反演模型、高光谱反演模型、高-多光谱融合反演模型进行验证(图5)，验证集R2平均值为0.600，RMSE平均值为2.96 g/kg，其中高-多光谱融合反演模型R2、RMSE平均值分别为0.635和2.49 g/kg。各模型验证集R2平均值比训练集低7.81%，验证集RMSE平均值比训练集高21.70%，可见，模型验证集精度低于训练集精度。训练集和验证集中春季各模型精度高于秋季各模型，其中训练集R2平均值比秋季提高了6.03%、6.05%和4.40%，验证集R2平均值提高了19.07%、12.21%和1.75%。在春秋两季验证集中，高-多光谱融合反演模型R2比多光谱反演模型分别提高了25.00%和46.28%，平均提高了35.64%，RMSE分别降低了37.88%和45.55%，平均降低了41.72%。可见，高-多光谱融合反演模型精度相对多光谱反演模型提升幅度较大，且秋季尤为明显。

图5 基于光谱指数的不同季节土壤盐分模型的验证Fig.5 Validation of soil salinity model based on spectral indices of different seasons

2.5 基于高-多光谱数据融合的土壤盐分空间分布反演

通过对高-多光谱融合反演模型反演值与该区域土壤盐分的实测值进行比较可知(表7)，各指标的实测值与反演值误差在3.25%～55.56%之间，其中2017年春秋两季实测值与反演值之间的误差平均值为14.51%，2018年春秋两季实测值与反演值之间的误差平均值为17.07%。春秋两季土壤盐分反演的平均值分别为6.05、5.97 g/kg，其中2017年春秋两季土壤盐分反演的平均值与实测值的平均值间的误差分别为8.99%和10.30%，平均值为9.65%，2018年分别为9.11%、12.25%，平均值为10.68%。按照变异系数等级的划分可知[33]，除2017年春季盐分呈中等变异性外，其余时期均为强变异性，其中2017、2018年土壤盐分反演平均值的变异系数分别为 97.32%和133.16%。

表7 土壤盐分含量描述性统计分析Tab.7 Descriptive statistical analysis of soil salinity

利用构建的高-多光谱融合模型对2017、2018年永济灌区春秋土壤盐分进行反演，得到了区域盐分分布图(图6)，并计算出各盐分等级的像元和比例(表8)，2017、2018年春季土壤主要为重盐化土，分别占33.76%和27.14%，2017、2018年秋季土壤主要为中盐化土，分别占32.21%和40.57%，2018年土壤盐渍化程度整体上较2017年有所减弱。2017、2018年春季向秋季过渡过程中，部分重盐化土转变为中盐化土或轻盐化土。灌域盐分总体由北至南逐渐减小，这与黄权中等[34]研究结果一致。

图6 2017、2018年春秋两季土壤盐分含量反演等级分布Fig.6 Grade distribution maps of soil salinity inversed in spring and autumn of 2017 and 2018

表8 不同土壤盐分等级的像元及比例Tab.8 Pixel numbers and ratio of different salinity grades

3 讨论

通过光谱波段简单组合的光谱指数，建立与相应地物参量的相关关系，可用于地物参量的定量估算，已成为近年来的研究热点[35-36]，经光谱变换后构建的光谱指数估算精度更高。王波等[37]发现，利用单一波段对植物进行探测的过程中，光谱信息损失大且对不同植物的辨别精度低，而利用光谱变换后的NDVI和RVI指数则可以提高对灌木植物的辨别精度。尼加提·卡斯木等[38]发现对光谱数据进行适当的数学变换可以优化光谱指数，从而使土壤有机质质量比估算模型精度更高。针对盐分反演方面，经光谱变换或光谱指数构建的过程中使原始光谱或波段中一些隐藏的信息显露出来，使其与盐分的相关性得到提高，从而进一步提高了模型的精度。姚远等[39]发现利用一阶微分变换后的光谱指数与EM38数据构建的土壤盐渍化监测模型比单纯利用盐分指数的模型精度更高。张贤龙等[23]发现利用经光谱变换的光谱指数构建的模型精度高于基于单一光谱变换和光谱指数的模型。本研究也显示基于光谱变换和光谱指数构建的盐分反演模型精度比未经光谱变换或仅利用波段建立的反演模型高。

利用多源数据融合可以提高不同时间和空间尺度数据源的反演精度，而融合数据源构建的模型精度较高是因为不同数据源间的优势互补，提高了多光谱数据分辨率，并减小了混合像元对模型构建及反演精度的影响，避免了时间的滞后性，所以利用高分辨率数据源融合低分辨率数据源，可提高低分辨率的反演精度，从而降低成本。对于盐分的数据融合方面，主要是利用高光谱数据源融合多光谱数据源，用于提高多光谱数据源的精度，如厉彦玲等[15]利用HSI高光谱影像与Landsat-8 OLI多光谱影像的融合，使土壤盐分遥感反演精度得到了显著提高。但是由于卫星高光谱影像数据源获取不可控，目前利用实测高光谱数据源融合多光谱数据源是一种常用的方法，如姚远等[40]利用高光谱与电磁感应技术的结合通过尺度效应对Landsat TM数据进行校正，校正后的模型精度明显优于基于传统多光谱遥感方法构建的模型。本研究基于光谱指数实现了实测高光谱与Landsat-8 OLI多光谱影像数据的融合，融合后的模型训练集、验证集的R2平均值比基于光谱指数的多光谱模型训练集、验证集的R2平均值分别提高36.19%、35.64%，RMSE平均值分别降低34.28%、41.72%，表明利用实测高光谱与Landsat-8 OLI多光谱数据的融合技术对提高多光谱盐分的反演精度可行且有效。

理论上地表盐分与光谱间的关系是恒定的，构建的模型可适用于不同时期，大部分学者只考虑了利用同一时期的数据进行建模和验证[41-42]。但实际上Landsat-8 OLI所获取的多光谱数据在不同季节存在较大的差异，这是由于Landsat-8 OLI的影像分辨率为30 m，而不同时期在30 m里的地物存在较大的差异。河套灌区每年秋收后会进行翻耕与秋浇，秋浇后翌年地表无覆盖，且春季土壤表层聚盐，从而使光谱对盐渍化土壤的识别更加准确，而秋季土壤表面有作物残茬及部分秸秆存在，从而使分辨率为30 m的多光谱数据获得的光谱反射率实际上是土壤与作物残茬等的混合像元，对于同一盐分条件下春秋多光谱的反射率会存在较大的差异，故构建的春季反演模型的精度会高于秋季，本研究中，春季的多光谱反演模型精度比秋季的高11.07%，另外，从数据融合也可以看出，秋季高-多光谱融合后的模型精度提高幅度比春季高38.90%。

通过高-多光谱融合后的模型反演图可知，永济灌域春秋两季土壤盐分在程度上差异较明显。春季土壤盐分主要以重盐化土为主且呈区域分散型斑状分布，这主要是由于春季土壤状态较为稳定，经过较长时间的地下水垂向蒸发，致使盐分表聚加重，土壤表层形成盐渍结皮，对高光谱的响应较为明显；而秋季土壤盐分主要以中盐化土为主且盐分由南至北逐渐增加，呈区域零星连片分布，这主要是由于生育期灌溉水与作物生长对盐分的淋洗与消耗从而对表层土壤结构产生破坏所致。春秋两季永济灌域地下水排泄方式除垂向蒸发外，主要还有地下径流，由于研究区南部地势较北部高，地下径流总体由南部向北部排泄，土壤质地也逐渐变细，使之排水不畅，加剧了盐分逐渐向北部聚集。

4 结论

(1)春季光谱反射率总体比秋季大，且高光谱反射率比多光谱反射率大。春季高光谱和多光谱的平均盐分反射率分别比秋季高7.52%和40.03%，平均值为23.78%。春季和秋季高光谱平均盐分反射率比多光谱分别高18.86%和54.80%，平均值为36.83%。

(2)春、秋两季多光谱的最优变换均为R，高光谱的最优变换分别为 (lgR)″、(1/R)″，春、秋两季特征光谱指数分别为SI2、SI3、S3与SI2、SI3、S5，3种模型的反演精度春季均高于秋季，其中训练集的R2平均值比秋季分别提高了6.03%、6.05%和4.40%，验证集R2平均值分别提高了19.07%、12.21%和1.75%。

(3)基于特征光谱指数的反演模型均优于基于特征波段的反演模型。高光谱的反演模型优于多光谱的反演模型，且基于特征光谱指数的春、秋两季高光谱反演模型比多光谱反演模型R2分别提高了42.48%和42.46%，RMSE分别降低了49.76%和11.84%。

(4)基于特征光谱指数的高-多光谱融合反演模型精度明显高于多光谱反演模型，融合反演模型的训练集、验证集R2平均值分别为0.651和0.635，RMSE平均值分别为2.44 g/kg和2.49 g/kg，其中高-多光谱融合反演模型训练集和验证集的R2平均值比多光谱分别提高了36.19%和35.64%，RMSE平均值分别降低了34.28%和41.72%。

(5)利用高-多光谱融合反演模型反演的2017、2018年灌域平均盐分含量分别为6.05、5.97 g/kg，与实测盐分平均相对误差分别为9.65%和10.68%，平均变异系数分别为97.32%和133.16%。灌域盐分总体由北至南逐渐减小，春季土壤主要为重盐化土，秋季土壤主要为中盐化土。