无人机多光谱遥感反演不同深度土壤盐分

杨 宁，崔文轩，张智韬※，张珺锐，陈俊英，杜瑞麒，劳聪聪，周永财

（1.西北农林科技大学水利与建筑工程学院，杨凌 712100；2.西北农林科技大学旱区农业水土工程教育部重点实验室，杨凌 712100）

0 引 言

土壤盐渍化已经成为干旱半干旱地区灌溉农业所面临的主要问题[1-2]，严重威胁作物生长以及区域生物多样性[3]。因此，及时、准确的监测土壤盐分对防治土壤盐渍化以及灌溉农业建设有着重要意义。传统的野外取样方法费时、费力且成本较高，无法进行大面积土壤盐渍化的监测。遥感技术的出现为农业的发展提供了有效的技术支持[4-5]。近年来，遥感数据的应用在土壤盐分估算以及区域土壤盐渍化的动态监测方面取得了良好的效果[6-7]。

现有的研究表明，可见光以及近红外光谱波段具有丰富的光谱信息，可以有效反映土壤盐渍化的光谱特征[8-9]。宁娟等[10]通过可见光-近红外光谱结合实测土壤盐分数据进行土壤含盐量建模，有效获取了土壤含盐量的空间分异规律；Fan等[11]利用多光谱数据对黄河三角洲的土壤含盐量进行反演，发现在不同盐分水平下所构建的模型预测精度存在差异。现有研究大多是基于用可见光和近红外光谱数据进行土壤盐分的反演或监测，而没有考虑其他光谱波段。Bannari等[12]将卫星的可见光-近红外光谱波段和短波红外光谱波段数据用于的土壤盐分监测，发现了短波红外光谱在土壤盐度识别方面的潜力。陈红艳等[13]通过卫星多光谱数据中的短波红外波段改进植被指数，并构建了遥感反演模型，模型预测精度得到提高，准确的绘制了土壤盐分分布图。因此，可以考虑引入其他光谱波段来提高对土壤盐分的预测精度。在作物反射光谱中，作物叶片叶绿素在红光波段对光的强烈吸收以及近红外波段对光的散射形成光谱红边[14]，其波段波谱范围为680～750 nm，它是近红外波段接近与红光交界处快速变化的区域，其光谱反射率的快速上升能够反映植被长势、叶面积指数和覆盖度等特征，体现出了作物反映光谱特征的显著性[15]。近年来，一些学者利用红边等光谱指标进行作物参数的估算[16-18]，但是将红边等光谱指标用于土壤盐分研究的报道相对较少，特别是对作物根系在不同深度土层盐分含量的研究更少，因此引入红边波段改进光谱指数不仅可以对作物覆盖下的土壤含盐量进行分析研究，还可以对灌区精准农业的发展起到积极的作用。

近年来，通过光谱变换和筛选敏感光谱变量等方法对模型进行研究分析的方式被用于土壤盐渍化监测。张贤龙等[19]发现通过光谱变换建立光谱指数，并构建土壤盐分反演模型是可行的，Wei等[20]利用无人机多光谱遥感获取土壤光谱信息，并通过不同的变量选择方法对获取的光谱盐度指数进行筛选，实现了对区域土壤含盐量的精准预测。因此，敏感光谱变量的筛选是反演土壤盐分的重要步骤。弹性网络回归算法（Elastic-net，ENET）作为一种新的变量选择技术[21-22]，能够有效地将冗余变量的模型系数缩小到零，并提取非零回归系数对应的光谱变量，进而用于后续建模[23]。但是该算法用于反演土壤含盐量的有关研究较少。除此之外，机器学习算法可以有效的解决非线性问题，已经在土壤盐分反演模型等方面取得了良好的效果[24]。但是，基于ENET算法筛选敏感光谱变量，结合机器学习算法构建作物覆盖条件下的土壤盐分反演模型的相关研究较少。

鉴于此，本研究以河套灌区沙壕渠灌域内的试验地为研究区域，基于无人机多光谱遥感获取遥感图像，并同步采集作物覆盖下的不同深度的土壤盐分数据，引入红边波段改进光谱指数，并通过ENET算法对光谱变量进行筛选，将筛选得到的敏感光谱变量分为原始光谱变量组和改进光谱变量组作为输入变量组，应用支持向量机（Support Vector Machine，SVM）、BP神经网络（Back Propagation Neural Networks，BPNN）以及极限学习机（Extreme Learning Machine，ELM）等机器学习方法构建不同深度的土壤盐分反演模型。通过2变量组反演效果的比较，评估引入红边波段是否可以提高模型的反演精度。同时，对比ENET算法结合不同机器学习方法得到的模型反演效果，以期获取作物覆盖下土壤盐分的最佳反演深度，为无人机遥感监测区域农田盐渍化提供一定的参考。

1 材料与方法

1.1 研究区概况

河套灌区位于内蒙古巴彦淖尔市，灌区由一干灌域、解放闸灌域、永济灌域、义长灌域和乌拉特灌域组成，总面积约5 740 km2，是中国3个特大型灌区之一。同时，灌区作为中国重要的商品粮、油生产基地，其主要作物有小麦、玉米和向日葵等。本次研究在2019年7月份进行，试验区内作物以葵花为主，少量种植玉米。研究区位于内蒙古河套灌区西北部解放闸灌域内的沙壕渠灌域（40°52′～41°00′N，107°05′～107°10′E），是土壤盐渍化的典型区域（图1）。该灌域属于典型的大陆性气候，夏季炎热，冬季寒冷，降水稀少，蒸发强度大。其年平均气温约为 7.1 ℃，降水量和蒸发量分别约为 140和2 000 mm。灌域平均海拔约为 1 030 m，坡度约为1/10 000，其内土壤质地以粉壤土、砂壤土和壤土为主。多年来，由于地面坡度平缓，地下水径流不足，地表蒸发强烈以及农业灌溉的不合理，导致区域内约 60%的土地受到不同程度的盐渍化影响，严重制约当地农业活动的健康可持续发展。

图1 研究区域示意图Fig.1 Schematic diagram of the study area

1.2 试验数据采集与预处理

1.2.1 野外采样与分析

试验于2019年7月16日至20日在沙壕渠灌域内进行。对沙壕渠内耕地进行实地勘察后，根据土壤盐渍化程度的不同选取 4块具有代表性的区域作为试验地并依次编号，分别为：一号地（含盐量0.065%～0.275%），二号地（含盐量 0.194%～0.828%），三号地（含盐量0.220%～1.239%），四号地（含盐量0.594%～3.112%），每块研究区域约为16 hm2，并均匀布设30个取样点，共计120个取样点，如图2所示。

在研究区内选取晴朗的天气获取土壤样本，以配合无人机多光谱遥感图像的采集。土壤样本采集时间集中在每天的 11:00～14:00，采用五点法采集 0～10、＞10～20 和＞20～40 cm深度的土壤，并使用手持式GPS定位仪测定每个取样点的位置信息。将采集的土壤样本放置于具有标记的铝盒内，在实验室使用烘箱对土样进行烘干、研磨，以1∶5的土水质量比进行土壤溶液配置，经过搅拌、静置、沉淀以及过滤后，取上清液并使用电导率仪（雷磁DDS-307A型，上海佑科仪器分公司）测定土壤溶液电导率 EC1:5值（uS/cm），根据经验公式（SSC=0.2882EC1:5+0.0183，%）计算土壤含盐量。

1.2.2 无人机多光谱遥感图像采集与处理

在研究区于2019年7月16日至20日获取无人机多光谱图像，图像采集时间为每天的 11:00～14:00之间，其天气晴朗。

无人机采用大疆创新科技有限公司生产的经纬Matrice 600六旋翼无人机，该机的最大续航时间约40 min，最大上升和水平飞行速度分别为 5和18 m/s，同时可承受最大8 m/s的风速。无人机搭载具有质量轻、体积小及远程触发等特点的传感器Micro-MCA多光谱相机（简称MCA）。MCA具有6个光谱采集通道，对应6个光谱波段，分别为490（蓝光）、550（绿光）、680（红光）、720（红边）、800（近红外1）、900 nm（近红外 2）。在无人机多光谱相机获取遥感图像之前，将标准白板放置于研究区内进行标定，无人机飞行模式按照既定航线飞行，飞行高度设定为120 m（获取图像分辨率为6.5 cm），主航线之间以及主航线上的图像重复率均设置为80%以上。MCA拍照时，相机镜头与地面呈90°，拍照模式为等时间间隔（3 s）。

图2 试验区和取样点分布示意图Fig.2 Schematic diagram of study area and sampling point distribution

获取多光谱图像后，使用MCA自带的Pixel Wrench 2软件对获取的无人机多光谱遥感数据导出、图像提取、校准以及合成，之后将获取的多幅多光谱遥感图像以及对应的GPS数据导入Pix4Dmapper软件中完成校正以及拼接工作，得到完整的合成波段图像。将合成的遥感图像导入ENVI Classic中，导入实测取样点的GPS定位信息，确定其所在像元点，并提取该像元点 6个光谱波段的灰度值，通过标准白板标定后，取得相对应的 6波段光谱反射率。

1.3 光谱指数的提取

通过无人机遥感图像提取得到的光谱反射率可以构建多种光谱指数，为探究光谱指数在土壤盐分反演中的特点[24]，本文选取了一些在土壤盐渍化监测中广泛应用的传统光谱指数，如表1所示。考虑到红边波段可以提取到新的光谱特征信息，本研究在传统光谱指数的基础上，使用红边波段代替原有的红光波段，并计算得到了新的红边波段的各种可能组合，从而产生潜在的光谱指数，用于估算土壤含盐量。另外，考虑到红边波段对植被冠层光谱特征的显著相关性以及红光波段对土壤盐分的敏感性[16,25]，本研究将红光波段和红边波段也进行了各种组合，以期得到好的效果，如表2所示。

1.4 变量选择—Elastic-net算法

Elastic-net（ENET）算法[26]是一种联合 Lasso的 L1正则化项和Ridge的L2正则化项作为惩罚项的线性回归模型，起到了平衡模型稀疏性和非稀疏性的作用[21-22]。在研究土壤盐分的算法应用中，ENET算法并不常见，所以该算法是研究土壤盐分反演问题的一种新的尝试。

表1 传统光谱指数及计算公式Table 1 Traditional spectral indices and calculation formulas

表2 引入红边波段的光谱指数及计算公式Table 2 The spectral indexes and calculation formulas of the introduced Rededge band

本研究利用ENET算法对53个光谱变量（6个光谱波段反射率，18个传统光谱指数，29个改进光谱指数）进行筛选，由于 ENET算法中回归系数表示各光谱指数所携带的有效光谱信息及对该模型的解释性情况[27]，所以其中回归系数缩小为 0的携带冗余光谱信息的光谱变量将被剔除，其余光谱变量则被选择出来作为模型的输入变量，ENET算法通过Matlab R2014a实现。

1.5 模型的构建与精度评价

为了保证建模集和验证集能够代表样本的统计特征，通过Kennard-Stone (k-s)算法对120个土壤样本进行划分，最终选取80个样本作为建模数据集，40个样本作为验证数据集。

本研究利用 R3.5.1软件中的 e1071、nnet和elmNNRcpp包分别构建 SVM、BPNN和 ELM 模型。SVM[28-29]是目前最为经典的一类模型，具有稳定、计算简洁方便且可以得到全局最优解等特点，本研究设定核函数类型为“poly”，通过网格搜索法对SVM模型的参数惩罚系数C和γ进行寻优，根据交叉验证误差最小原则确定C和γ分别为20和0.02。BPNN[30]是一种多层前馈式误差逆传神经网络，本研究采用 3层拓扑结构的BPNN模型，按照交叉验证误差最小的原则对模型的参数进行寻优，最终确定衰减参数为0.025以及隐层节点数为3，其他参数均使用默认值。ELM[31]是用来求解单层神经网络的算法，本研究设置“hardlim”为激活函数，并将隐层神经元节点由2调整到100，每次调试增加1个神经元节点，以调节最优隐含层的节点数，通过多次反复试验最终确定隐含层的节点数为30，其他参数设为默认值。

对模型的精度评价是通过 40个验证集土壤盐分样本实测值与预测值的拟合效果来实现的。其拟合效果通过决定系数（Coefficient of determination，R2）、均方根误差（Root Mean Square Error，RMSE）以及一致性相关系数（Concordance correlation coefficient，CC）来综合评价，CC的值越接近1或者-1，R2越接近1，RMSE越小，说明建模效果越好[32]。

2 结果与分析

2.1 土壤含盐量特征统计分析

将测得的 120个土壤含盐量样本分为非盐土（＜0.2%）、轻度盐渍化（0.2%～0.5%）、重度盐渍化（＞0.5%～1.0%）、盐土（＞1.0%）4个等级[33]，土壤含盐量统计特征如表3所示。

表3 土壤含盐量的描述性统计分析Table 3 Descriptive statistical analysis of soil salt content

在研究区内，表层（0～10 cm）土壤含盐量的平均值为0.31%；在＞10～20 以及＞20～40 cm处，土壤含盐量的平均值为0.29%，变异系数分别为1.0、0.93和0.79。这一结果表明，研究区内0～10以及＞10～20 cm处的土壤含盐量变异程度较大，这种条件下可能有助于提高模型的预测精度。虽然＞20～40 cm处盐渍化程度与0～10、＞10～20 cm 处基本持平，但变异程度相对较小，这可能对模型精度产生一定的影响。在0～10 cm深度，建模集与验证集数据范围分别为 0.07%～1.94%和0.07%～1.71%；在＞10～20 cm深度，建模集与验证集数据范围分别为 0.07%～1.50%和 0.07%～1.43%；在＞20～40 cm 深度，建模集与验证集数据范围分别为0.06%～1.40%和0.07%～1.37%，由此可以看出，各深度的建模集与验证集数据范围几乎一致。这表明，建模集与验证集可以代表整个数据集，取样点数据可以较为真实反映研究区的盐渍化程度。

2.2 弹性网络（ENET）算法筛选光谱变量

利用ENET算法对53个光谱变量进行筛选，将筛选出的光谱波段和传统光谱指数作为一组输入变量，记为原始光谱变量组；同时，将筛选出的光谱波段以及引入红边波段的光谱指数作为另一组输入变量，记为改进光谱变量组，如表4所示。从表中可以看出， 利用 ENET筛选不同土壤深度下的光谱变量数目明显减少，且筛选出的光谱变量基本都通过了显著性检验，其中大部分变量达到了 0.01极显著水平，表明基于ENET算法进行最佳光谱组合的筛选具有一定的应用潜力。

表4 基于ENET的光谱变量筛选Table 4 Spectral variable screening based on ENET

2.3 基于机器学习方法的土壤含盐量反演模型

经过 ENET算法筛选光谱变量后，以原始光谱变量组和改进光谱变量组为自变量，同时以土壤盐分为因变量，并通过SVM、ELM和BPNN机器学习算法构建出相应的土壤盐分反演模型。

2.3.1 基于原始光谱变量组的土壤含盐量反演模型

基于原始光谱变量组，利用 ENET变量筛选方法结合SVM、ELM和BPNN机器学习算法构建土壤盐分反演模型。从变量选择方法来看，在不同土壤深度处，经过 ENET算法筛选光谱变量后的土壤盐分反演模型精度均有所提升；从机器学习算法来看，在 0～10 和＞20～40 cm土壤深度处，ELM模型的建模精度最高，在＞10～20 cm土壤深度处BPNN模型的反演效果最好；从不同深度建模效果来看，＞10～20 cm土壤深度的 ENET-BPNN模型精度最高，RC2和RP2分别为0.668和0.657，RMSEC和 RMSEP分别为 0.159%和 0.154%，CC1和 CC2分别为0.794和0.778。

表5 基于原始光谱变量组的土壤含盐量反演结果评价Table 5 Evaluation of soil salinity inversion results based on the original spectral variable group

2.3.2 基于改进光谱变量组的土壤含盐量反演模型

基于改进光谱变量组，利用 SVM、ELM 和 BPNN机器学习算法构建土壤盐分反演模型。相比于未筛选变量所构建的模型，利用 ENET筛选光谱变量所构建的模型精度均有所提升，且在各土壤深度处ELM模型的反演效果均为最优。其中，在 10～20 cm土壤深度处的ENET-ELM 模型精度最高，RC2和RP2分别为 0.785和0.783，RMSEC和RMSEP分别为0.128%和0.141%，CC1和CC2分别为0.879和0.875。

2.4 土壤盐分反演模型的精度评价与分析

对比表5和表6发现，基于改进光谱变量组的土壤盐分模型反演效果要优于原始光谱变量组。为了更加直观的反映模型的反演效果，本研究基于最佳反演模型绘制了研究区不同深度的土壤盐分分布图（图3）。从图中可见，在不同土壤深度处，一号试验地土壤主要以非盐渍化为主，二号和三号试验地土壤以非盐渍化和轻度盐渍化为主，这与实地调查情况基本一致；而四号试验地土壤以重度盐渍化和盐土为主，且四号试验地东北部以及西南部盐渍化程度较高且较为集中，这是由于这些区域为盐荒地，盐渍化程度偏高，这也与实际勘察情况相一致。由此可知，基于改进光谱变量组所建立的最佳反演模型可用于该试验地区土壤盐分的反演。

表6 基于改进光谱变量组的土壤含盐量反演结果评价Table 6 Evaluation of soil salinity inversion results based on the improved spectral variable group

图3 基于最佳反演模型的不同深度土壤盐分反演图Fig.3 Soil salinity inversion map of different depths based on the best inversion model

3 讨 论

本研究结果表明，通过无人机多光谱传感器可以获取作物冠层光谱信息，进而实现土壤盐渍化监测的方法是可行的，这也有利于精准农业的发展。本研究通过不同光谱波段反射率构建出不同的光谱指数，同相应的土壤含盐量建立了较强的相关性[34]，进而实现对作物根域不同深度土壤盐分的估算。本研究区域内作物以葵花为主，并交错种植少量玉米，不同作物根系的土壤盐分离子浓度也会有一定差异[35]。同时，土壤盐分对作物生长状况的影响与其根域密切相关[21]，因此土壤含盐量的最佳反演深度与作物根域所在土层有着密切的联系。胡守忠等[36]认为盐渍农田葵花的根系主要集中于0～20 cm土层，而谭丞轩等[37]发现玉米根域在拔节期的最佳监测深度为0～20 cm。而本研究在0～10和＞10～20 cm深度都得到了较好的土壤含盐量反演模型，且在＞10～20 cm深度处取得了最佳土壤盐分反演模型，这与上述研究结果基本一致。在本研究中，＞20～40 cm深度的反演模型效果相对较差，可能是因为该时期作物在＞20～40 cm深度根系密度较小，对土壤盐分的敏感程度有所降低。

本研究通过引入红边波段构建了新的光谱指数，并与传统光谱指数共同用于构建土壤盐分反演模型。同时，本研究通过ENET变量选择方法对光谱变量进行了筛选，发现通过 ENET算法可以较为有效筛选出敏感的光谱变量，这说明ENET算法可以用于土壤含盐量的反演。

研究可知，红边波段的引入对不同区域的土壤盐分反演均取得了优异的成效。在同一研究区域内，陈俊英等[38]通过SVM、BPNN和ELM进行土壤盐分反演模型的建立，发现ELM模型的预测效果最好，该结论与本文研究相同，且本研究在其研究的基础上引入红边波段改进光谱指数，显著提高了最佳反演模型的精度。在不同的研究区域内，Wang等[39]同样通过引入红边波段构建新的光谱指数用于土壤盐分的反演，并得到了较好的模型效果。但其研究仅适用于裸土期的土壤盐渍化监测，未考虑植被覆盖对土壤盐分的影响，而植被覆盖往往会导致模型精度的降低。本文在进行引入红边波段对植被覆盖期的土壤盐分进行监测的过程中仍得到了较为稳定且预测精度高的盐分反演模型，进一步说明引入红边波段改进光谱指数进行土壤盐分反演是可行的。

本文通过引入红边波段建立最佳反演模型实现了对植被覆盖下的土壤含盐量反演图的绘制并取得了良好的反演效果，而Hu等[32]对不同植被覆盖度下的土壤盐分进行研究发现，不同覆盖度下建模精度有一定的差异，Zhang等[40]通过对植被覆盖度进行分类提高了建模精度。由此可以看出，不同的植被覆盖度会对土壤盐分反演产生不同的影响，但是本研究并未考虑到这一点，这可能会对土壤盐分的分布以及反演造成一定的影响，最终影响到模型的预测精度。因此，考虑不同植被覆盖对土壤盐分的影响以及如何对植被覆盖度进行分类是后续土壤盐分监测研究的重点。同时考虑到不同地区因为作物种类、植被覆盖度和灌溉制度的差异以及地理位置和气候条件等因素的影响，导致土壤盐分分布和土壤盐渍化程度的不同，本文的研究方法是否适用于其他地区作物土壤盐分反演有待进一步研究与验证。

4 结 论

本研究采用变量选择方法与机器学习算法相结合的方式进行植被覆盖下的土壤含盐量反演。通过研究得到以下结论：

1）采用变量选择方法进行光谱变量的筛选，筛选变量后构建的反演模型效果优于未筛选的反演模型，说明ENET变量选择方法可以用于土壤盐分的反演研究。

2）对比基于不同机器学习算法所构建的盐分反演模型，发现基于ELM模型的土壤盐分反演效果是最好的，BPNN 模型次之，SVM 模型效果最差。其中，在＞10～20 cm土壤深度处建立的ENET-ELM模型反演精度最高，RP2、RMSEP和 CC2分别达到了 0.783，0.141%以及 0.875，其次是0～10 cm深度，反演效果最差的是＞20～40 cm深度，说明＞10～20 cm深度是试验区土壤盐分反演的最佳深度。

3）由基于改进光谱变量组构建的土壤盐分模型绘制的反演图可知，改进光谱变量组可以较为真实地反映试验区土壤盐渍化程度，这表明引入红边波段构建光谱指数用于反演土壤盐分是可行的。