利用GPR多频天线振幅包络平均值法估算滴灌棉田土壤盐分含量

张金珠，邹 杰，王振华，宗 睿，谭明东

利用GPR多频天线振幅包络平均值法估算滴灌棉田土壤盐分含量

张金珠，邹 杰，王振华，宗 睿，谭明东

（1. 石河子大学水利建筑工程学院，石河子 832000；2. 现代节水灌溉兵团重点实验室，石河子 832000）

土壤盐渍化问题严重制约着农业经济发展，快速准确地掌握农田土壤的盐渍化信息是盐渍化防治的前提。为准确快速地了解滴灌棉田土壤盐分含量情况，该研究采用探地雷达（Ground Penetrating Radar，GPR）多频天线（250 MHz和1 000 MHz）对典型滴灌棉田土壤进行探测，通过GPR振幅包络平均值法（Average Envelope Amplitude，AEA）获取土壤视在介电常数，以Dobson盐渍土介电模型（Dobson dielectric model of saline soil，Dobson）为理论工具，估算滴灌棉田土壤的盐分含量。同时，将视在介电常数、土壤容重、含水率和土壤黏粒含量5个参数设置为模型输入变量，采用多元线性回归方法（Multiple Linear Regression，MLR），建立膜下滴灌棉田土壤盐分反演模型，并使用BP神经网络（Back Propagation neural network，BP）进行模拟预测。最终，以实测盐分为基准，评价MLR模型、BP模型和Dobson模型反演盐分含量的效果。结果表明：1）探地雷达250 MHz和1 000 MHz频率天线AEA法探测的有效深度均为0～30 cm。2）1 000 MHz频率天线AEA法获取的介电常数与实测含水量有较好的多项式关系，且实测含水量和反演含水量拟合效果和精度较好，决定系数2为0.96，均方根误差RMSE为1.61%，平均误差率MER为7.25%。3）3种盐分反演模型中，Dobson盐渍土介电模型反演精度明显高于其他2种方法，2达到0.91，RMSE为0.313 g/kg。因此，利用GPR多频天线AEA法估算滴灌棉田土壤盐分含量是可行且可靠的。该法为反演土壤盐分含量提供新途径，丰富了盐分含量探测的方法及手段。

土壤；盐分；膜下滴灌；探地雷达；雷达波振幅包络平均值；BP神经网络

0 引 言

盐渍土包括盐土、碱土以及各类不同程度盐化、碱化的土壤，其主要分布在干旱半干旱地区[1]。据不完全统计，全球盐渍土面积约有9.55×108hm2，其中，中国盐渍土面积就约有3.6×107hm2，占全国耕地面积的6.62%[2]。中国的盐渍土多分布在西北地区，其中新疆盐渍土总面积8.476×106hm2，且由于降水少、蒸发大、排盐不畅及地下水位较高等特殊自然因素的影响，使该区域的土壤盐渍化问题极为突出[3]。而土壤的盐渍化严重地制约着作物的产量，这直接影响到新疆区域经济的发展。因此，盐渍土的防治对新疆农业的可持续发展有重要意义，而全面掌握盐渍土含盐量信息是盐渍化防治的前提，所以有必要寻找一种精准快速的方法来估算盐渍土的含盐量信息。

探地雷达（Ground Penetrating Radar，GPR）作为一种无损探测技术被广泛运用于地球物理和环境评估等方面。近年来，许多学者将该技术引入到土壤盐分的检测中，并取得了一定的研究成果[4-6]。其中，使用GPR探测盐分含量的方法主要是通过不同频率天线组合获取视在介电常数后，再利用盐渍土介电模型反演土壤的盐分含量。土壤视在介电常数成为盐渍土介电模型反演的关键，而对于土壤视在介电常数的确定，通常采用波速转化的方法进行估算，曹棋等[7]虽采用共中心点法和广角反射法成功获取了表层土壤的视在介电常数。但该方法需多次进行天线的偏移，费时费力，同时容易受空间分辨率以及雷达天线的可拆卸性的影响，限制因素较多。相比之下，GPR振幅包络平均值法（Average Envelop Amplitude，AEA）获取土壤视在介电常数的方法更具优势，限制因素少，且能采用共偏移距法（FO法），极大地提高了采样效率。其中，AEA法的概念是由国外学者Pettinelli等[8]率先提出。然后，Matteo等[9]从理论上验证了AEA法，并证实了雷达信号的第一个正半周期信号雷达振幅包络与土壤视在介电常数具有较高的相关性。与此同时，Elena等[10]则在野外探测中进行了AEA法的验证，并认为野外探测的雷达振幅包络与土壤视在介电常数同样具有很高的相关性。而Comite等[11]通过模拟和实际调研进一步探讨了GPR早期信号与视在介电常数的关系，并发现雷达早期信号的应用更适合采用较小的收发距天线配置。基于以上研究，Algeo等[12]则使用AEA法获取的土壤视在介电常数再结合视在介电常数与含水量的关系绘制了黏性土含水量的空间变化云图。在国内吴志远等[13-14]对AEA、TDR、钻孔取样烘干3种方法进行对比，发现由AEA获取的视在介电常数结合Toop公式能快速、精确地反演土壤的体积含水量。AEA法虽然简便快捷，但存在探测深度上的局限性。为此，崔凡等[15]通过耦合自回归滑动平均功率谱估计法和AEA法相结合的形式，快速准确地获取了西部干旱区0～10 m范围内砂壤介质的视在介电常数和含水量。

通过上述研究成果发现AEA法是准确快速获取视在介电常数的可靠方法，由于视在介电常数与含水率之间的关系发展较为成熟，所以使用探地雷达多集中在含水率的探测方面。而对于土壤盐分探测方面则相对薄弱，由于盐碱土壤中的介电损耗较大，电磁波的能量容易被吸收，且雷达波信号需进行复杂处理，甚至需要不同频率组合探测等问题均给盐分探测带来较大的困扰。然而如今盐渍土介电模型的发展迅速且较为深入，使该技术反演盐分含量成为可能。为快速准确地获取滴灌棉田土壤水盐信息，本试验以Dobson盐渍土介电模型为理论工具，采用GPR多频天线进行探测，通过AEA法获取土壤视在介电常数后，反演新疆滴灌棉田表层土的盐分含量及分布情况。同时以取样实测盐分含量为基准，对比分析Dobson盐渍土介电模型、BP模型和MLR模型反演盐分含量的效果。

1 材料与方法

1.1 研究区概况

研究区选择在新疆生产建设兵团第八师石河子121团11连（85°33.76′E，44°48.61′N），全连以棉花种植为主，且均采用膜下滴灌技术。该研究区土壤根据新疆盐碱土分类标准，属于氯化物硫酸盐不同程度的盐化土壤，土质属于粉砂壤土，其黏粒（粒径<0.002 mm）质量分数在20.51%～24.32% 之间，砂粒（粒径0.05～2.00 mm）质量分数在27.44%～32.24%之间；平均容重为1.43 g/cm3；孔隙率为43.6%；pH值为7.69[16]。该地区属于温带大陆性气候，年平均蒸发量为1 826 mm，而年平均降雨量仅142 mm，具有典型的干旱半干旱地区特点。

1.2 试验布置与取样

使用加拿大PLUS EKKO PRO 系列探地雷达系统对网格测线进行探测，测线共计22条，每条测线长5 m，间隔50 cm，并在测线上以1 m为间隔布置采样点共36 个，采样深度30 cm，每10 cm一个节点，取3个节点的平均值作为0～30 cm的表征数据。其中，取样和雷达探测总共分为2次进行，时间分别为2020年10月25日和2020年11月5日，期间无降雨情况。为了减少地表非均质性的干扰，对已经翻耕的棉田表面清理及整平后进行雷达测线的探测。

胡庆荣[17]研究发现土壤介电常数是含盐量和含水量两个变量的函数，因此理论上必须利用多频数据组合才能反演出土壤的含盐量。故本文选用中心频率分别为1 000 MHz和250 MHz的天线，根据研究区所调查的介电特性，雷达参数设置见表1。

表1 雷达参数对应表

将取回的试验土样采用烘干法（103～108 ℃，10 h）测定土壤含水率；把烘干的土样碾碎，过2 mm筛子后按1∶5土水比混合，提取上层清液测电导率，利用烘干标定后建立的关系式（0.0080.876，含盐量，g/kg，电导率，s/cm）转换土壤的全盐含量；采用比重计法测定土壤的颗粒含量；利用环刀法测定土壤容重；选用哈希便携式水质检测仪测土壤的pH值。

1.3 提取GPR早期信号振幅包络值

第1个周期内的雷达波一般被称作GPR的早期信号。根据GPR收集的雷达波数据，提取采样位置对应的雷达子波信号数据，并导入至Origin 2017软件中，利用软件中的分析功能，对雷达子波信号数据进行希尔伯特变换，接着对变换后雷达子波信号数据进行的包络，即可获取雷达波早期信号振幅包络值。图1为1/2周期信号振幅及振幅包络值[9,14]。

1.4 GPR振幅包络值与介电常数的关系

Shao等[18]通过试验发现雷达早期信号振幅包络的倒数与介电常数有较好的线性关系，因此可以利用雷达早期信号振幅包络倒数计算地层的土壤视在介电常数。本文通过上述理论及方法，首先获取雷达子波上的早期信号振幅包络值，然后取其倒数，接着分别建立250 MHz和1 000 MHz频率天线雷达早期信号振幅包络值倒数与介电常数的线性关系，如图2所示，最后通过对应的线性关系分别转换两个频率的视在介电常数。

1.5 GPR振幅包络值与土壤电磁参数之间的关系

1.6 Dobson盐渍土介电模型

1.7 盐分含量的反演（Dobson模型）

根据盐渍土介电模型式（3）的转换，可得

式中1、2分别为250 MHz和1 000 MHz的频率，ε1、ε2分别为对应频率的视在介电常数，m是1 000 MHz频率条件下，通过视在介电常数反演的土壤体积含水率，%。

1.8 BP神经网络模型（BP模型）

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，该模型理论成熟、结构简单、计算量小，且无需建立层与层之间的映射关系，仅需调节相邻两层之间的权值和阈值即可获取误差、均方差最小的期望输出值[20]。其中，一个3层的BP网络理论上可逼近任意的非线性映射，因此本文结合Matble2019软件构建一个3层（输入层、隐含层、输出层）的BP神经网络模型，将250 MHz频率天线所测视在介电常数、1 000 MHz频率天线所测视在介电常数、土壤容重、含水率和土壤黏粒含量5个参数设置为BP神经网络的输入层，盐分含量设置为输出层，隐含层的神经元数量则由公式（10）获得[21]。

1.9 多元线性回归模型（MLR模型）

多元线性回归是从多个变量的共同组合中寻找到最优组合来进行模拟和预测的方法，该法反演盐分的重要方法之一，相比只有一个自变量的一元线性回归，无论是预测还是估计都更符合实际[22]。于是，将BP神经网络中的5个参数引入多元线性回归方程中，先对5个参数与盐分含量做相关性分析，然后按照相关性强弱对5个参数赋予不同权重，最后利用SPSS.24建立多元线性回归方程。

2 结果与分析

2.1 雷达波振幅包络值与电磁参数关系

提取100个雷达单道信息的振幅包络，取振幅包络倒数的平均值-1与电导率，然后对不同时窗内的-1和进行相关性分析，计算结果如表2所示。其中，静态电导率由1∶5土水比实测获得。从表2中可以看1 000 MHz频率天线0～10 ns范围内的时窗段，其雷达波振幅与电导率的相关性均大于0.80，且都具有极显著相关性。其中，探测时窗为5～9 ns时雷达波振幅与电导率的相关系数达到0.88。而对于250 MHz频率天线，探测深度虽加深，但雷达波振幅与电导率的相关性随时窗的增大而减小。当探测时窗为1～6 ns时，其相关性系数为0.76，具有极显著相关性。通过不同频率天线的对比，发现1 000 MHz频率天线所测雷达波振幅与电导率的相关性高于250 MHz频率天线。同时，根据不同时窗雷达波振幅包络倒数与电导率比值的显著性变化情况，可知利用AEA法250 MHz和1 000 MHz两种频率天线探测的最大有效深度均约为30 cm，且大于30 cm左右后该方法探测精度明显降低，这与吴志远等[14]采用的200 MHz天线所探测的结果相似。

表2 不同时窗早期雷达信号幅度包络值倒数（A-1）与电导率（σ）相关系数（r）

注：*表示显著相关，**表示极显著相关。

Note: * expresses significant positive correlation, ** expresses very significantly correlated.

2.2 Dobson盐渍土介电模型含水量mv的确定

含水量是Dobson盐渍土介电模型中的重要参数，也是多频天线组合反演盐分含量的关键。为准确估算土壤含水量，利用高频1 000 MHz频率天线AEA法获取的视在介电常数数据和实测含水量数据，通过线性回归的方法拟合了视在介电常数（ε）与实测含水率（m）之间的关系（图3a）。拟合结果表明，对于表层（0～30 cm）土壤，视在介电常数与实测土壤含水量之间存在明显的三次多项式关系。用探地雷达1 000 MHz频率天线AEA法测定的视在介电常数与实测土壤含水量的拟合曲线，其决定系数2为0.97，均方根误差RMSE小于2.0 %，最小相对熵（Minimum Relative Entropy，MER）小于8.0%（图3b），拟合关系式为m=4.57+0.91ε+0.03ε-0.001ε，其形式与Toop公式相似，进一步说明了Toop公式的普遍性。但多项式系数不具有一致性，因此针对不同地域及土质仍需校正视在介电常数与含水率模型中的参数。

2.3 各参数与盐分含量的相关性分析

不同的气候、地形地貌、地下水位和水质均会影响到土壤的盐渍化。本文根据取样所测数据土壤含水量、土壤容重、土壤黏粒含量以及两个不同频率天线获取的视在介电常数与土盐分含量进行相关性分析，5个参数与土壤盐分的Pearson相关系数如表3所示。

表3 各参数与土壤盐分含量的相关系数

根据表3可知，除土壤黏粒含量的相关性仅为0.054外，其他4个参数与土壤盐分均具有一定的相关性。其中，单看各因素，发现4个因素与土壤盐分含量的相关系数并不大，仅有容重的相关系数达到0.05水平上显著。但当两个因素相结合时，其组合因素与土壤盐分含量的相关系数急剧增加，如表2中两个频率介电常数的差值与土壤盐分含量的相关系数高达0.754，显著性检验<0.001。说明影响土壤盐分含量不是单因素，而是多因素共同作用。

因此，为准确反演膜下滴灌棉田表层土壤的盐分含量，根据5个参数相关系数的大小赋予各参数不同的权重，然后建立5个参数与土壤盐分含量的多元线性回归方程

式中表示盐分含量，g/kg，1～5分别代表参数土壤含水率，%、1 000 MHz介电常数、250 MHz介电常数、土壤容重，g/cm3，黏粒含量，%。

2.4 正方形区域盐分含量探测结果对比

利用钻孔取样、Dobson模型、BP模型和MLR模型4种方法2次（2020年10月25日和2020年11月5日）探测正方形区域内盐分含量的分布，其平面分布如图4所示。从图中可以看出4种方法2次探测的盐分含量在测线平面依次增大，第1次探测，4种方法的盐分含量平均值分别为3.09、3.19、3.44和3.48 g/kg；第2次探测，4种方法的盐分含量平均值分别为3.38、3.49、3.61和3.96 g/kg。根据2次盐分含量的探测结果发现2020年10月25日—2020年11月5日期间膜下滴灌棉田表层土壤出现反盐现象。这是由于地表蒸发不能得到有效抑制所致。该时段无降雨情况，且持续恒温，加之地膜的回收，使地表蒸发强烈，盐分随蒸发作用向地表方向运动，进而表现出膜下滴灌棉田表土层盐分含量增加的现象。虽然4种方法所得盐分含量数值上有所不同，但盐分含量的分布规律基本一致，尤其是盐分含量最大区域和最小区域，如图4中4个盐分含量分布图西南角区域的盐分含量明显大于其他区域。这表明4种方法均能有效表征正方形区域盐分含量的分布情况。其中，以实测取样的盐分含量分布图为基准，发现相比其他两个方法，Dobson模型反演的盐分含量分布图效果更好。

2.5 盐分含量反演模型的综合评价分析

通过上述分析结果可知，利用Dobson模型、BP模型和MLR模型3种方法可以反演膜下滴灌棉田表层土壤盐分含量，且3种方法均能有效表征正方形区域盐分含量的分布情况。为评价3种方法反演的精度，将2020年10月25日的数据作为建模集，2020年11月5日的数据作为验证集。建模集和验证集的盐分含量实测值和反演值的比较见图5。

由图5可知，建模集和验证集的2都达到0.70以上，均方根误差在0.313～0.685 g/kg。其中，对于建模集3种方法的决定系数（2）相差不大分别为0.89、0.83和0.79，均方根误差均（RMSE）小于0.60 g/kg，且最小相对熵（MER）都小于20.0%。说明3种模型的建立均能较好的反演盐分含量，且精度能够满足要求，因此可以认为建模集3个模型反演效果相似。但相比其他两种方法，Dobson反演的精度更好，RMSE=0.347 g/kg，MER=11.16%。而对于验证集，发现MLR模型2为0.89，相比建模集增加0.10，且MLR模型的RMSE相比建模集增大0.119 g/kg，说明MEL模型产生了“过拟合”现象，导致精度有所降低。另外，对于BP模型的预测发现2从0.83减小至0.75，RMSE从0.532增大至0.591 g/kg，说明BP模型产生了“欠拟合”现象，导致精度有所降低。仅有Dobson模型相比模建模集的2和RMSE变化幅度不大，其2和RMSE分别为0.91和0.313 g/kg，这说明Dobson模型的拟合效果较好，且反演的精度相比其他两种方法更加可靠。

3 讨 论

基于盐渍土介电模型，结合探地雷达多频天线AEA法可定量反演膜下滴灌棉田表层土壤的盐分含量。前人采用探地雷达多应用于探测土壤的水分含量[23-25]，而本文不仅反演了表层土壤的水分含量，还进一步估算了表层土壤的盐分含量。对于土壤含水量方面，本研究发现采用探地雷达1 000 MHz频率天线建立的m-ε关系式能有效的反演膜下滴灌棉田表层土的水分含量。这与周立刚等[26]基于高频探地雷达测定土壤表层含水量结果相一致。因此在今后使用探地雷达探测表层土壤含水量时可优先选用1 000 MHz频率的天线。而对于土壤盐分含量方面，本研究发现250 MHz频率和1 000 MHz频率天线配合使用，再结合盐渍土介电模型能有效估算出土壤表层盐分含量。胡庆荣[17]虽未采用探地雷达技术，但他结合微波不同频率组合的形式同样反演出表层土壤盐分含量。说明不同频率天线组合条件下结合盐渍土介电模型是反演盐分含量的有效手段之一，今后的研究中可以探讨多种频率组合条件下反演盐分含量的最优频率组合。

表4 基于不同拓扑结构的BP模型

雷磊等[34]率先将盐渍土介电模型引入到新疆干旱区，并研究了盐渍土介电常数的特性，同时验证了模型在该区域的适用性。本文在此基础上将盐渍土介电模型进一步引入到新疆干旱区膜下滴灌棉田中，并根据研究区实际情况，采用取样实测的方式将滴灌棉田中的土壤参数重新输入到该模型中，使该模型在新疆滴灌棉田中得到了实际应用，提高了模型在滴灌棉田中的适用性，减小了在选择模型参数中带来的误差。由于使用盐渍土介电模型反演盐分含量仍处于一个探索阶段，本文反演的精度还有一定的提升空间，提高模型反演精度将成为今后的研究重点。但相比近年来同样处在探索阶段的无人机光谱反演的盐分含量，盐渍土介电模型具有较高的反演精度，如：王丹阳等[32]利用无人机反演的盐分含量其RMSE高达4.960 g/kg。最后，由盐渍土介电模型本身可知视在介电常数是反演盐分含量的关键。本研究采用AEA法的方式获取视在介电常数，虽获取数据方便，但处理数据较为复杂，而Benedetto等[35-36]研究发现频移法能快速、简洁、准确的获取介电常数，该法有效的避免了AEA法数据处理上的困难，极大提高了获取介电常数的效率。因此在今后的的研究中可以考虑频移动法的方式获取视在介电常数。

4 结 论

本文提出了采用探地雷达测量土层视在介电常数定量反演滴灌棉田表层土的盐分含量的新方法，这种方法具有省时省力，具有瞬时测量的优点。经过多个反演模型的比较分析，采用探地雷达250 MHz和1 000 MHz频率天线振幅包络平均值法结合盐渍土介电模型反演盐分含量方法可行，结果可靠，其2为0.91，RMSE为0.313 g/kg；且根据本文结果显示Dobson模型的反演精度最优，建议采用该模型作为反演膜下滴灌棉田土壤盐分的模型。

[1]杨真，王宝山. 中国盐渍土资源现状及改良利用对策[J]. 山东农业科学，2015，47(4)：125-130.

Yang Zhen, Wang Baoshan. Present status of saline soil resources and countermeasures for improvement and utilization in China[J]. Shandong Agricultural Sciences, 2015, 47(4): 125-130. (in Chinese with English abstract)

[2]杨劲松. 中国盐渍土研究的发展历程与展望[J]. 土壤学报，2008，45(5)：837-845.

Yang Jingsong. Development and prospect of the research on salt-affected soils in China[J]. Acta Pedologica Sinica. 2008，45(5): 837-845. (in Chinese with English abstract)

[3]田长彦，周宏飞，刘国庆. 21世纪新疆土壤盐渍化调控与农业持续发展研究建议[J]. 干旱区地理，2000，23(2)：177-181.

Tian Changyan, Zhou Hongfei, Liu Guoqing. The proposal on control of soil salinizing and agricultural sustaining developmentn in 21 century in Xinjiang[J]. Arid Land Geography, 2000，23(2): 177-181. (in Chinese with English abstract)

[4]徐白山，田钢，曾昭发，等. 白城地区盐碱地土壤性质与地质雷达信息应用研究[J]. 水土保持通报，2002，22(2)：9-12.

Xu Baishan, Tian Gang, Zeng Shaofa, et al. Application of GPR information to salinizated soil properties study in baicheng area of Jilin Province[J]. Bulletin of Soil and Water Conservation[J]. 2002, 22(2): 9-12. (in Chinese with English abstract)

[5]徐白山，田钢，曾昭发，等. 白城地区盐碱地分层划界的地质雷达方法研究[J]. 长春科技大学学报，2001，31(4)：408-411.

Xu Baishan, Tian Gang, Zeng Shaofa, et al. Delimitating boundary and interface of saline soil in Baicheng area by using GPR[J]. Journal of Changchun University of Science and Technology, 2001, 31(4): 408-411. (in Chinese with English abstract)

[6]薛建，曾昭发，田钢，等. 探地雷达在吉林西部地区探测土壤碱化层[J]. 物探与化探，2005，29(5)：421-424.

Xue Jian, Zeng Shaofa, Tian Gang, et al. The application of GPR to detecting the saline-alkali layer in west Jilin[J]. Bulletin of Soil and Water Conservation[J]. Geophysical and Geochemical Exploration, 2005, 29(5): 421-424. (in Chinese with English abstract)

[7]曹棋，宋效东，吴华勇，等. 探地雷达地波法测定红壤区土壤水分的参数律定研究[J]. 土壤通报，2020，51(2)：332-342.

Cao Qi, Song Xiaodong, Wu Huayong, et al. Determination of basic parameters of soil moisture by using ground penetrating radar ground wave method in red soil region of south China[J]. Chinese Journal of Soil Science, 2020, 51(2): 332-342. (in Chinese with English abstract)

[8]Pettinelli E, Giuliano V, Barbara D P, et al. Correlation between near-surface electromagnetic soil parameters and early-time GPR signals: An experimental study[J]. Geophysics, 2007, 72(2): A25-A28.

[9]Matteo A D, Pettinelli E, Slob E. Early-time GPR signal attributes to estimate soil dielectric permittivity: A Theoretical Study[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013, 51(3): 1643-1654.

[10]Elena P, Vannaroni G, Barbara D P, et al. Correlation between near-surface electromagnetic soil parameters and early-time GPR signals: An experimental study[J]. Geophysics,2007, 72(2): 25-28.

[11]Comite D, Galli A, Lauro S E, et al. Analysis of GPR early-time signal features for the evaluation of soil permittivity through numerical and experimental surveys[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(1): 178-187.

[12]Algeo J, Dam R L V, Slater L. Early-time GPR: A method to monitor spatial variations in soil water content during irrigation in Clay Soils[J]. Vadose Zone Journal, 2016, 15(11). https://doi. org/10. 2136/vzj2016. 03. 0026.

[13]吴志远，彭苏萍，杜文凤，等. 基于探地雷达波振幅包络平均值确定土壤含水率[J]. 农业工程学报，2015，31(12)：158-164.

Wu Zhiyuan, Peng Suping, Du Wenfeng, et al. Detection of soil water content using ground penetrating radar average envelope amplitude method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(12): 158-164. (in Chinese with English abstract)

[14]吴志远，杜文凤，聂俊丽，等. 基于探地雷达早期信号振幅包络值的黏性土壤含水率探测[J]. 农业工程学报，2019，35(22)：115-121.

Wu Zhiyuan, Du Wenfeng, Nie Junli, et al. Detection of cohesive soil water content based on early signal amplitude envelope of ground penetrating radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 115-121. (in Chinese with English abstract)

[15]崔凡，陈柏平，吴志远，等. 基于探地雷达功率谱和雷达波振幅包络估算砂壤含水率[J]. 农业工程学报，2018，34(7)：121-127.

Cui Fan, Chen Baiping, Wu Zhiyan, et al. Soil moisture estimation based on GPR power spectrum and envelope amplitude in sand loam[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(7): 121-127. (in Chinese with English abstract)

[16]李明思，刘洪光，郑旭荣. 长期膜下滴灌农田土壤盐分时空变化[J]. 农业工程学报，2012，28(22)：82-87.

Li Mingsi, Liu Hongguang, Zheng Xurong. Spatiotemporal variation for soil salinity of field land under long-term mulched drip irrigation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(22): 82-87. (in Chinese with English abstract)

[17]胡庆荣. 含水含盐土壤介电特性实验研究及对雷达图像的响应分析[D]. 北京：中国科学院研究生院，2003.

Hu Qingrong. Studies on Microwave Dielectric Behavior of Moist Salt Soil and Its Effect on Backscattering Coefficients Extracted from Radar Image[D]. Beijing: CAS, 2003. (in Chinese with English abstract)

[18]Shao Y, Hu Q, Guo H, et al. Effect of dielectric properties of moist salinized soils on backscattering coefficients extracted from RADARSAT image[J]. IEEE Transactions on Geoscience & Remote Sensing, 2003, 41(8): 1879-1888.

[19]Hu Q, Shao Y, Guo H. Microwave dielectric behavior of moist salt soil-experimental observations and improved dielectric models[C]// IEEE International Geoscience & Remote Sensing Symposium. IEEE, 2003.

[20]赵学伟，王萍，李新举，等. 基于BP神经网络GPR反演滨海盐渍土含盐量模型构建[J]. 山东农业科学，2018，50(5)：152-155.

Zhao Xuewei, Wang Ping, Li Xinju, et al. Model construction of saline soil salinity inverted by GPR based on BP Neural Network[J]. Shandong Agricultural Sciences, 2018, 50(5): 152-155. (in Chinese with English abstract)

[21]王福林，董志贵，吴志辉，等. 基于BP神经网络的玉米种植密度和施肥量优化[J]. 农业工程学报，2017，33(6)：92-99.

Wang Fulin, Dong Zhigui, Wu Zhihui, et al. Optimization of maize planting density and fertilizer application rate based on BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 92-99. (in Chinese with English abstract)

[22]王明宽，莫宏伟，陈红艳，等. 基于多光谱影像反演土壤盐分的建模方法研究[J]. 土壤通报，2016，47(5)：1036-1041.

Wang Mingkuan, Mo Hongwei, Chen Hongyan, et al. Study on model method of inversion of soil salt based on multispectral image[J]. Chinese Journal of Soil Science, 2016, 47(5): 1036-1041. (in Chinese with English abstract)

[23]Pa Anbazhagan, Macro B, Rao R P, et al. Comparison of soil water content estimation equations using ground penetrating radar-Science Direct[J]. Journal of Hydrology, 2020, 588. https://doi. org/10. 1016/j. jhydrol. 2020. 125039.

[24]Klotzsche A, Jonard F, Looms M C, et al. Measuring soil water content with ground penetrating radar: A Decade of Progress[J]. Vadose Zone Journal, 2018, 17(1). https://doi. org/10. 2136/vzj2018. 03. 0052.

[25]Liu X B, Chen J, Cui X H, et al. Measurement of soil water content using ground-penetrating radar: A review of current methods[J]. International Journal of Digital Earth, 2019,12(1): 95-118.

[26]周立刚，于东升，王玺洋，等. 基于高频探地雷达的土壤表层含水量测定[J]. 土壤学报，2016，53(3)：621-626.

Zhou Ligang, Yu Dongsheng, Wang Yiyang, et al. Determination of top soil water content based on high-frequency ground penetrating radar[J]. Acta Pedologica Sinica, 2016,53(3): 621-626. (in Chinese with English abstract)

[27]陈策，邱元霖，韩佳，等. 解放闸灌域裸土期土壤盐分拟合模型研究[J]. 节水灌溉，2019(10)：103-107，112.

Chen Ce, Qiu Yuanlin, Han Jia, et al. Study on fitting model of soil salt in bare soil period of Jiefangzha irrigation area[J]. Water Saving Irrigation, 2019(10): 103-107，112. (in Chinese with English abstract)

[28]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)

[29]张智韬，魏广飞，姚志华，等. 基于无人机多光谱遥感的土壤含盐量反演模型研究[J]. 农业机械学报，2019，50(12)： 151-160.

Zhang Zhitao, Wei Guangfei, Yao Zhihua, et al. Soil salt inversion model based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(12): 151-160. (in Chinese with English abstract)

[30]Zhao D, Li N, Zare E, et al. Mapping cation exchange capacity using a quasi-3d joint inversion of EM38 and EM31 data[J]. Soil and Tillage Research, 2020, 200: 104618. https://doi. org/10. 1016/j. still. 2020. 104618.

[31]Wu B, Li X, Zhao K, et al. A nondestructive conductivity estimating method for saline-alkali land based on ground penetrating radar[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(4): 2605-2614.

[32]王丹阳，陈红艳，王桂峰，等. 无人机多光谱反演黄河口重度盐渍土盐分的研究[J]. 中国农业科学，2019，52(10)：1698-1709.

Wang Danyang, Chen Hongyan, Wang Guifeng, et al. Salinity inversion of severe saline soil in the yellow River Estuary based on UAV multi-spectra[J]. Scientia Agricultura Sinica, 2019, 52(10): 1698-1709. (in Chinese with English abstract)

[33]姚荣江，杨劲松，邹平，等. 区域土壤水盐空间分布信息的BP神经网络模型研究[J]. 土壤学报，2009，46(5)：788-794.

Yao Rongjiang, Yang Jingsong, Zou Ping, et al. BP neural network model for spatial distribution of regional soil water and salinity[J]. Acta Pedologica Sinica, 2009,46(5): 788-794. (in Chinese with English abstract)

[34]雷磊，塔西甫拉提·特依拜，丁建丽，等. 干旱区盐渍土介电常数特性研究与模型验证[J]. 农业工程学报，2013，29(16) ：125-133.

Lei Lei, Tashpolat·Tiyip, Ding Jianli, et al. Constant characteristic and model verification of saline soil dielectricin arid area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(16): 125-133. (in Chinese with English abstract)

[35]Benedetto A. Water content evaluation in unsaturated soil using GPR signal analysis in the frequency domain[J]. Journal of Applied Geophysics, 2010, 71(1): 26-35.

[36]Benedetto A, Benedetto F. Remote sensing of soil moisture content by GPR signal processing in the frequency domain[J]. IEEE Sensors Journal, 2011, 11(10): 2432-2441.

Estimation of soil salt content in drip irrigation cotton field using GPR multi-frequency antenna amplitude envelope average method

Zhang Jinzhu, Zou Jie, Wang Zhenhua, Zong Rui, Tan Mingdong

(1.,,832000,; 2.,832000,)

The prevention and control of saline soil is of great significance to the sustainable development of agriculture in Xinjiang, and comprehensive knowledge of the Salt content of saline soil is a prerequisite for the prevention and control of salinization, so it is necessary to find an accurate and rapid method to estimate salt content information of saline soil. Ground Penetrating Radar (GPR) is widely used in geophysical and environmental assessment as a non-destructive detection technology. In recent years, this technology focuses on the detection of water content. However, the detection of soil salt is relatively weak due to the large dielectric loss in saline-alkali soil, the easily-absorbed electromagnetic wave energy the complex way to process radar signal, and even the different frequency combinations are needed to test, all of which above bring great troubles to the detection of salt. However, the rapid development of dielectric models in salinized soil makes it possible to use this technique to retrieve salt content. In order to better understand the soil salt content in drip irrigation cotton field, a typical drip irrigation cotton field was selected as the research object to be detected with a Canada's Ekko PRO series GPR multi-frequency antenna (250 MHz and 1 000 MHz). Then, the soil dielectric constant was obtained through radar amplitude envelope Average method (AEA). Soil salt content was estimated by adopting the Dobson saline soil dielectric model (Dobson dielectric model of saline soil, Dobson) as the theoretical tools. Meanwhile, the dielectric constant, soil bulk density, water content, and soil clay content were applied as the input variables of the model; Multiple Linear Regression (MLR) method was used to establish soil salinity inversion model; BP neural network (BP) was employed for simulation and prediction. Finally, the accuracy of salt content inversion by MLR model, BP model and Dobson model was evaluated based on the measured salt content. The results showed that: (l) The effective depth of GPR 250 MHz and 1 000 MHz frequency antenna AEA method was 0-30 cm. (2) The dielectric constant obtained by 1 000 MHz frequency antenna AEA had a good polynomial relationship with the measured water content, and the fitting effect and accuracy of the measured water content and the inverse water content were good (2, RMSE, MER were 0.96, 1.61%, and 7.25%, respectively). (3) Among the three salt inversion models, the inversion accuracy of Dobson salinized soil dielectric model was significantly higher than that of the other two methods, with2and RMSE of 0.91 and 0.313 g/kg respectively. Therefore, it is suitable and reliable to use GPR multi-frequency antenna AEA method to estimate soil salt content in cotton fields under drip irrigation. This method provides a new way to retrieve soil salt content and enriches the methods and means of detecting soil salt content.

soil; salt; drip irrigation under mulch; ground penetrating radar; radar wave amplitude envelope average; BP neural network

张金珠，邹杰，王振华，等. 利用GPR多频天线振幅包络平均值法估算滴灌棉田土壤盐分含量[J]. 农业工程学报，2021，37(8)：99-107.doi：10.11975/j.issn.1002-6819.2021.08.011 http://www.tcsae.org

Zhang Jinzhu, Zou Jie, Wang Zhenhua, et al. Estimation of soil salt content in drip irrigation cotton field using GPR multi-frequency antenna amplitude envelope average method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(8): 99-107. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.08.011 http://www.tcsae.org

2021-01-12

2021-03-15

国家自然科学基金项目（51869027），兵团科技创新团队项目（2019CB004）

张金珠，博士，副教授，研究方向为干旱区节水灌溉理论与技术。Email：xjshzzjz@sina.cn

10.11975/j.issn.1002-6819.2021.08.011

S155.2+93

A

1002-6819(2021)-08-0099-09