绿洲土壤盐分含量高光谱反演建模

摘要：以新疆渭干河-库车河三角洲绿洲为研究区，以实测土壤高光谱数据和土壤盐分作为基础数据，分析多种光谱指数与土壤盐分的相关性，筛选特征波段，使用逐步多元线性回归、单变量回归和主成分回归3种方法构建土壤盐度高光谱监测模型。研究表明，基于逐步多元线性回归方法，以对数二阶微分光谱特征波段所构建的盐渍化遥感监测模型最优，模型的稳定性和预测精度最高，可有效估测土壤含盐量。此项研究成果满足了对干旱区盐渍化监测的需求，为干旱区土壤盐分定量反演提供了可靠的参考。

关键词：土壤盐渍化；高光谱；单变量回归；逐步多元线性回归；主成分分析

中图分类号：S151.9；TP79 文献标识码：A

文章编号：0439-8114（2024）09-0196-08

DOI：10.14088/j.cnki.issn0439-8114.2024.09.033 开放科学（资源服务）标识码（OSID）：

Hyperspectral inversion modeling of salt content in oasis soil

HUANG Shuai， TAN Hong-jing， FU Shang-ke， LI Xiao-hui， WANG Zhi-xin，XING Jian， LYU You-cheng

（School of Geography and Environment， Liaocheng University， Liaocheng 252000，Shandong，China）

Abstract： Taking Weigan River-Kuqa River Delta oasis in Xinjiang as research area， with the measured soil hyperspectral data and soil salinity as foundational data， the correlation of various spectral indices and soil salinity was analyzed， feature bands were selected， and three methods of stepwise multiple linear regression， univariate regression， and principal component regression were used to construct a hyperspectral monitoring model for soil salinity. The research indicated that based on stepwise multiple linear regression， the salinization remote sensing monitoring model utilizing logarithmic second-order differential spectral feature bands was best， with the highest stability and prediction accuracy， which could effectively estimate the soil salt content. The research results met the demand for salinization monitoring in arid regions， and provided a reliable reference for quantitative inversion of soil salinity in arid regions.

Key words： soil salinization； hyperspectral； univariate regression； stepwise multiple linear regression； principal component analysis

土壤盐碱化是全球性的生态难题，尤其在干旱、半干旱地区，可能导致土地退化、生产力降低、作物欠收，威胁生态系统，对区域经济的可持续发展构成威胁［1］。因此，及时准确获取大尺度土壤盐渍化的时空信息对于改善生态环境至关重要［2］。遥感以其具有快速检索、监测面积大的优势，被广泛用于土壤调查研究，可快速获取土壤信息，并对大区域进行连续、实时监测［3］。随着遥感技术的进步，尤其是高光谱传感器提供的精细纳米级光谱分辨率，可以更准确地反映地物光谱的微观特征，获得连续的光谱信息，揭示不同物质成分和结构，实现土壤盐渍化的定量反演［4］。

近年来，学者们使用高光谱技术对土壤含盐量及其他性质进行了许多试验。Ben-Dor等［5］利用步进分析法，基于高光谱数据定量反演土壤水分和含盐量。彭杰等［6］构建3种土壤盐渍化评估模型，结果表明偏最小二乘法得到的模型精度最优。关红等［7］利用实测高光谱数据，采用多元线性回归方法，建立了土壤盐度模型并反演土壤盐分。黄帅等［8］利用对数二阶微分构建的偏最小二乘回归模型，实现土壤盐渍化遥感监测。王明宽等［9］以垦利县为例，通过分析反射率和土壤盐度的相关性，构建多种土壤盐分反演模型。冯娟等［10］建立了综合土壤盐度预测模型，发现相比于其他模型，SVM回归模型更适合估算土壤盐度。Wang等［11］基于实测土壤光谱与盐分数据，经过光谱变换，构建5种机器学习模型实现土壤盐分定量反演。Qian等［12］建立了一个土壤盐分指数与可溶性盐含量之间的线性模型，检测出1 358 nm和2 382 nm波长是监测绿洲土壤盐分的最佳波段。郭昆明等［13］以宁夏平罗县为例，结合土壤与植被高光谱指数，选取土壤盐分敏感波段，利用多元线性回归方法构建高光谱土壤盐度模型，发现实测光谱反射率的对数一阶转换结果与高光谱植被指数结合构建土壤盐分监测模型，模型效果最优，决定系数R2达到最高。穆其尔等［14］通过向非盐渍土中添加钠盐，测定不同盐度土壤的光谱反射率，建立土壤盐度与高光谱指数的反演模型，证明偏最小二乘模型更适宜对土壤盐分的反演。Jiang等［15］选择柴达木盆地的格尔木和河西走廊的高台-明华为研究区域，并使用深度极学习机和正弦余弦算法-埃尔曼来预测土壤盐度。

本研究以渭库绿洲为研究靶区，以高光谱数据和原位土壤盐度作为本底数据，探讨土壤盐度与高光谱指数之间的相关性，构建3种土壤盐分遥感监测模型。首先，对高光谱数据进行数学变换构建不同高光谱指数；然后，分析高光谱指数与土壤盐度的相关性，筛选出对土壤盐渍化响应最敏感的波段；最后，分别构建单变量回归、逐步多元线性回归和主成分回归3种不同的土壤盐渍化估算模型，比较不同模型在高光谱土壤盐渍化定量反演中的适用性，以检验高光谱数据在干旱区监测土壤盐分的潜力，同时提出有效的干旱区土壤盐分监测模型以保障生态安全，符合国家发展所需。

1 研究区概况、数据源和方法

1.1 研究区概况

渭库绿洲位于新疆南部的阿克苏地区，研究区如图1所示，南部为塔里木河，北部为天山山脉南麓，包括库车、新和和沙雅三县，地理坐标为41°08′—41°46′N、82°10′—83°40′E），深居大陆腹地，是典型的大陆性暖温带干旱气候。该区域是中国典型的扇形平原绿洲，属于明显的冲击平原，地势较高，总体呈现北高南低的状态，海拔范围在900～1 076 m［16］。全年降雨稀少，年均降水量不到100 mm，潜在的蒸发量却非常大，每年的平均蒸发量可达 2 356 mm，干燥指数为42∶1［17］。不同程度盐渍地表均生长有盐化草甸芦苇 （Phragimites australis）、柽柳（Tamarix laxa Willd.）、花花柴（Karelina caspica）和盐爪爪（Kalidium gracile）等耐盐植被［18］。

1.2 数据采集与处理

1.2.1 数据采集 鉴于本研究所需，于2020年7月进行了野外实际考察工作。根据地面特征参数，综合植被、土壤等信息，在研究区内确定了34个典型样点，本次样点分布与历次考察范围重合使研究更具稳定性和延续性，根据选取的样点，利用GPS 导航样点位置，以便准确获取雷达后向散射系数，在 30 m×30 m 的范围内地表深度为0～10 cm，以五点梅花状方式进行土壤样品的采集，经风干、除杂、研磨后将土样按水土 5∶1 比例提取浸提液，并采用德国 WTW公司的 Cond7310水质分析仪测定土壤电导率和土壤含盐量［19］。

使用光谱范围为350～2 500 nm的ASD Field Spec Pro FR地物光谱仪测量土样反射光谱，仪器共有2 151个波段。光谱测量需在黑暗的房间内进行，光谱仪提供50 W卤化灯，15°入射角，检测器与样品表面之间的距离为10 cm，光源与土样顶部距离50 cm，170个过筛后的土样被均匀地放置在直径10 cm、深3 cm的培养皿中，表面保持平整［20］。为消除外界干扰，确保测定结果的准确性，对170份土壤样品分别测10次取平均值，得到初始光谱反射率数据。

1.2.2 光谱数据处理 对土壤原始光谱数据进行平滑降噪处理，选取Savitzky-Golay方法，这种方法可有效消除噪音，保留光谱反射率曲线方向，完全再现光谱的反射和吸收特性［21］。为提高光谱反射率和土壤盐度之间的相关性，提高光谱数据质量，减少由于测量设备、监测条件和其他随机因素的差异造成的光谱影响，对土壤原始光谱反射率（REF）进行一阶微分[FDR]、二阶微分[SDR]、倒数[1/R]、倒数一阶微分[1/R′]、倒数二阶微分[1/R″]、对数[lgR]、对数一阶微分[lgR′]、对数二阶微分[lgR″]、倒数对数[lg1/R]、倒数对数一阶微分[lg1/R′]、倒数对数二阶微分[lg1/R″]和平方根[R]、平方根一阶微分[R′]、平方根二阶微分[R″]、立方根[R3]、立方根一阶微分[R3′]、立方根二阶微分[R3″]17种数学转换[22]。

光谱数据微分计算公式：

[R′λi=（Rλi+1-Rλi）/（λi+1-λi） ] （1）

[R″λi=（R′λi+1-R′λi）/ （λi+1-λi） ] （2）

式中，[λi]、[λi+1]为波长；[Rλi+1]、[Rλi]分别为波长在[λi+1]和[λi]处的反射率；[R′λi]为波长[λi]的一阶微分；[R″λi]为波长[λi]的二阶微分。

利用17种转换方法对原始反射率进行转换，得到土壤高光谱指数。将测得的土壤盐度值与上述光谱转换结果进行相关分析，得到各波段与土壤盐度的相关系数r，进而得到对土壤盐度敏感的特征波段。

[rj=i=1nRij-RjSi-Si=1nRij-Rj2i=1nSi-S2] （3）

式中，[rj]为土壤盐度与高光谱指数的相关系数；[j]为波段号；[Rij]为第[i]个土样在第[ j]波段的光谱反射率；[Rj]为[n]个土样在[j]波段的平均数；[Si]为第[i]个土样的土壤盐度；[S]为土样盐度的平均值；[n]为土样个数，本研究中，[n=34]。

1.3 建模方法及评价

数学模型的选取是预测土壤盐分含量的关键，为保证模型的准确性和稳定性，将34个样本分为两部分，25个土样作为模型建立样本，9个土样作为验证样本。为了对比不同方式模拟土壤盐分预测模型的精度与适用性，分别采用单变量回归、逐步多元线性回归、主成分回归 3种方法对土壤盐度的高光谱反演进行建模。

1.3.1 单变量回归模型（UR） 单变量回归是选取与土壤样品含盐量相关系数最高的一个波段进行建模，进一步预测土壤盐度的方法［23］。本研究单变量模型的构建采用指数函数、对数函数、增长函数、复合函数、幂函数、一次函数、二次函数、三次函数与逆函数，选择精度最高模型作为单变量最优模型。

1.3.2 逐步多元线性回归模型（MLSR） MLSR在多元线性回归的基础上进行改进，该方法能进一步优化计算公式，比较各自变量对于因变量预测值的比重，将不重要的变量排除在外，是土壤盐分建模经常采用的方法［24］。逐步多元线性回归是一种选择对因变量有较大影响的自变量进行回归分析的方法，具有双向筛选的特点，即在输入有意义变量的基础上排除了无意义的变量［25］。MLSR尽可能地包括对因变量有明显影响的自变量，模型的拟合效果比一般的多元回归模型要好，在一定条件下模型的可信度高。

1.3.3 主成分回归模型（PCR） 主成分回归是将具有高相关系数的波长变量归纳为一个独立变量来压缩光谱信息，取少部分独立变量构建回归模型的方法［23］。主成分回归可以保留光谱原始信息，诊断变量之间的共线性，同时实现降维［26］。

1.3.4 模型可靠性分析 模型的可靠性由建模与检验的决定系数（R2）和均方根误差（RMSE）来评价，R2越高，模型的可靠性越高；RMSE越小，模型估测能力就越好［27］。

[R2=i=1ny？-y？y-y2i=1ny？-y？2i=1ny-y2] （4）

[RMSE=1ni=1ny？-y2] （5）

式中，[y？]为预测土壤含盐量；[y？]为土壤含盐量均值；[y]为实测土壤含盐量；[y]为实测土壤含盐量均值；[n]为样本数量。

2 结果与分析

2.1 不同盐渍土光谱特性分析

参照王遵亲等［28］的盐渍化土壤分级方法，并根据采样点情况，本研究的土壤盐渍化等级划分标准如表1所示。

图2显示了不同盐度的土壤反射光谱。不同盐度类型的土壤光谱曲线在形态上非常相似，一致性很好。在400～600 nm波段，土壤光谱反射率由高到低依次为中度盐渍土、轻度盐渍土、重度盐渍土、非盐渍土，在600～2 500 nm波段，土壤光谱反射率由高到低依次为重度盐渍土、轻度盐渍土、中度盐渍土、非盐渍土。光谱反射率在400～1 350 nm区间随波长增加而增大，400～600 nm斜率较大，600～1 350 nm斜率较小，在1 350 nm附近达到最高；光谱反射率在1 350～1 420 nm随着波长增加而降低，在1 420 nm附近形成明显吸收谷；在1 450～1 850 nm，光谱反射率曲线斜率变化不大；在1 850～1 920 nm呈单调递减趋势，在1 920 nm附近形成较大吸收谷；在1 920～2 150 nm光谱曲线反射率再次增加，在2 150 nm附近形成了吸收峰；2 220～2 280 nm、2 350～2 400 nm光谱曲线反射率随着波长增加而增大，在2 280 nm与2 400 nm附近形成2个小的吸收峰；2 280～2 350 nm、2 400～2 500 nm光谱反射率随着波长增加而递减。

2.2 筛选特征波段

由于高光谱波段数量众多，建模中使用所有的波段造成数据冗余，使模型预测的准确性降低，所以建模所需波段的选取是至关重要的 ［29］。因此，进一步分析高光谱指数和土壤盐分之间的相关性，相关系数如图3所示，筛选相关性高的波段参与建模。

由图3可知，对光谱原始数据进行数学转换能够更为有效地反映土壤盐度与光谱信息之间的关系。与原始反射率相比，光谱反射率在微分转换后与土壤盐度的相关性明显提高，微分转换后两者存在显著相关关系。原始光谱反射率与土壤盐度之间的相关系数最高为0.46，微分转换后相关性明显升高，部分波段相关系数可达0.7以上，其中，在对原始光谱数据进行一阶微分之后，在1 318 nm处获得了较高的相关系数，相关系数为0.714；经二阶微分处理后的551 nm处，相关系数为0.729，经对数二阶微分转换后的551 nm处，相关系数为0.721，经平方根二阶微分转换后的551 nm处，相关系数为0.726，经立方根二阶微分转换后的551 nm处，相关系数为0.725。上述波段经数学转换后的光谱反射率与土壤盐度相关性显著。

高光谱指数与土壤盐度的相关系数图中，峰值所对应的波段被定义为土壤盐度的特征波段，结果如表2所示。

2.3 土壤盐度光谱预测模型的构建

2.3.1 单变量回归模型的构建 选取各变换形式与土壤含盐量相关性最高的波段，构建单变量回归模型，剔除指数函数、对数函数、复合函数、幂函数等精度较差的模型，选取一次函数、二次函数、三次函数等精度较高的模型，得到土壤光谱变量与盐分含量单变量最优估测模型（表3）。由表3可以看出，经一阶、二阶微分变换建立的函数模型决定系数R2均在0.5左右，与仅经过倒数、对数、平方根等变换，未经微分转换建立的函数模型相比，精度明显提升，在一定程度上能对土壤盐分含量进行预测。

2.3.2 逐步多元线性回归模型的构建 根据相关分析得到的特征光谱波段，针对本研究的高光谱指数分别建立土壤含盐量的逐步多元线性回归模型，结果如表4所示。

由表4可知，经微分转换后的高光谱指数特征波段和土壤盐度的相关性，相比以原始反射率创建的方程拟合精度显著提升，能达到很好的估算效果。经微分变换后所建的模型决定系数均在0.7以上，进行[lgR″]、[R″]、[R3″]变换所建模型的决定系数R2达到0.9以上，RMSE较小，说明模型拟合准确度与可靠性都很高。其中，采用对数二阶微分变换的原始反射率建立的模型效果最佳，该方法的建模R2=0.974，RMSE=1.331；验证R2=0.858，RMSE=4.875，说明可通过土壤高光谱指数对土壤盐度进行预测。

2.3.3 主成分回归模型的构建 根据相关分析得到的特征光谱波段，针对本研究的高光谱指数分别建立土壤含盐量的主成分回归模型［30］，结果如表5所示。

根据表5可得，利用原始光谱反射率和简单数学转换的主成分回归模型拟合效果并不理想，经微分转换后拟合效果大幅提升，且二阶微分转换后构造的模型精度略高于一阶微分转换模型。其中建模精度高于0.7的有2组，一组为平方根二阶微分转换构造的模型，建模精度为0.714，另一组为倒数二阶微分转换建立的模型，建模精度达0.830，两组的均方根误差都在4左右。

2.4 预测模型精度检验

模型可靠性与准确度是模型精度验证的重要指标。利用未建模的9个土壤测量单元测得的原位土壤盐分数据，检验3种预测模型的精确度，结果如图4所示。由图4可知，单变量回归模型（UR）样本点含盐量的拟合优度R2=0.548 1，预测精度不高，尤其是实测含盐量在10～25 g/kg区间，预测值变化较小，与真实值相差较多，拟合效果不佳；逐步多元线性回归模型（SMLR）的预估值与实际测量值大多都集中在对角线上下，拟合优度R2=0.858 2，预估值和实际测量值之间有良好的统一性；主成分回归模型（PCR）中个别点的预测值与测量值有较大偏差，特别是在土壤盐度低的区域，预测准确度低，偏离对角线远，R2=0.775 1，大部分预测值和测量值相差不大。同时对比3种预测模型的预测精度可得出，单变量回归模型相较于另外两种回归方法精度较低，逐步多元线性回归和主成分回归生成的土壤盐分预估模型估算精度均较高，且逐步多元线性回归模型的预测精度高于主成分回归模型，说明利用逐步多元线性回归方法具有较好的预测能力和适用性，可利用该模型实现绿洲土壤盐分的定量反演。

3 小结

土壤盐渍化已经对农业可持续发展和生态安全产生严重的威胁，而干旱区生态环境脆弱，如何准确高效地分析土壤盐度对于评估土壤健康和优化土壤管理尤为重要。本研究利用土壤光谱反射率和实测土壤盐分，探讨土壤盐度与高光谱指数之间的相关性，构建了3种土壤盐分预测模型，主要结论如下。

1）不同盐渍化类型的土壤光谱反射率大体形态相似；在400～600 nm区间，随波长的增加，土壤光谱反射率上升明显；在600～1 350 nm区间，随波长增大土壤光谱反射率整体上有小幅上升；在1 350～ 2 500 nm波段，随波长变长土壤光谱反射率有增有减，没有明显规律性；整体上看在1 420 nm和1 920 nm左右有2处吸收谷。

2）对土壤高光谱指数与盐分含量展开相关性分析，选取特征波段，构建单变量回归、逐步多元线性回归与主成分回归模型，对土壤盐度进行估测，结果表明SDR、[lgR″]以及[1/R″]变换后的高光谱指数特征波段与土壤盐分有明显相关性，可用于构建土壤盐分预测模型。

3）对于土壤盐度的估测，对比3种模型测量值与估测值之间的相关性，结果表明逐步多元线性回归模型的可靠性与准确度最佳，效果最好，R2=0.858 2；其次是主成分回归模型，R2=0.775 1；单变量回归模型预测效果相对较差。

4）逐步多元线性回归模型的预测精度与稳定性高，表明该方法对土壤含盐量预测有一定的适用性，为定量反演绿洲土壤盐渍化提供了借鉴。

参考文献：

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

［2］ 杨劲松，姚荣江，王相平，等. 中国盐渍土研究：历程、现状与展望［J］.土壤学报，2022，59（1）：10-27.

［3］ RANI A， KUMAR N， SINHA N K， et al. Identification of salt-affected soils using remote sensing data through random forest technique： A case study from India［J］. Arabian journal of geosciences，2022，15（5）：381.

［4］ 雷 磊，江红南，阿尔达克·克里木，等. 干旱区盐渍化土壤高光谱遥感信息分析与提取［J］. 干旱区资源与环境，2014，28（3）：112-118.

［5］ BEN-DOR E， PATKIN K， BANIN A， et al. Mapping of several soil properties using DAIS-7915 hyperspectral scanner data-a case study over clayey soils in Israel［J］. International journal of remote sensing，2002，23（6）：1043-1062.

［6］ 彭 杰，刘焕军，史 舟，等.盐渍化土壤光谱特征的区域异质性及盐分反演［J］.农业工程学报，2014，30（17）：167-174.

［7］ 关 红，贾科利，张至楠，等.盐渍化土壤光谱特征分析与建模［J］.国土资源遥感，2015，27（2）：100-104.

［8］ 黄 帅，丁建丽，李 相，等. 土壤盐渍化高光谱特征分析与建模［J］. 土壤通报，2016，47（5）：1042-1048.

［9］ 王明宽，莫宏伟，陈红艳. 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.

［10］ 冯 娟，丁建丽，杨爱霞，等.干旱区土壤盐渍化信息遥感建模［J］.干旱地区农业研究，2018，36（1）：266-273.

［11］ WANG S J， CHEN Y H， WANG M G， et al. Performance comparison of machine learning algorithms for estimating the soil salinity of salt-affected soil using field spectral data［J］. Remote sensing，2019，11（22）：2605.

［12］ QIAN T N， TSUNEKAWA A， PENG F， et al. Derivation of salt content in salinized soil from hyperspectral reflectance data： A case study at Minqin Oasis， Northwest China［J］. Journal of arid land，2019，11（1）：111-122.

［13］ 郭昆明，贾科利，颉耀文. 基于综合高光谱指数的区域土壤盐渍化建模——以平罗县为例［J］. 兰州大学学报（自然科学版），2020，56（5）：623-628.

［14］ 穆其尔，杨 光，陈昊宇，等. 实验室模拟不同盐分土壤的高光谱特性［J］. 东北林业大学学报，2021，49（11）：68-75.

［15］ JIANG X F， DUAN H C， LIAO J， et al. Estimation of soil salinization by machine learning algorithms in different arid regions of Northwest China［J］. Remote sensing，2022，14（2）：347.

［16］ 鲁 力，李 升，高 远，等. 渭-库绿洲土壤盐分空间分布及变异特征［J］. 干旱区资源与环境，2022，36（3）：136-142.

［17］ 阿布都沙拉木·吐鲁甫，买买提·沙吾提，依力亚斯江·努尔麦麦提，等. 渭-库绿洲土地利用/覆被变化与蒸散量时空特征分析［J］. 北京师范大学学报（自然科学版），2018，54（3）：340-347.

［18］ 何珍珍，王宏卫，杨胜天，等.渭干河-库车河绿洲景观生态安全时空分异及格局优化［J］.生态学报，2019，39（15）：5473-5482.

［19］ 鲁如坤. 土壤农业化学分析方法［M］. 北京：中国农业科技出版社，1999.59-65.

［20］ 邓海龙，安 静.红富士苹果叶片全钾含量高光谱预测研究［J］.四川地质学报，2014，34（S1）：108-111.

［21］ 董 瑞，唐庄生，花 蕊，等.基于光谱特征变量的高寒草甸主要毒草分类方法研究［J］.光谱学与光谱分析，2022，42（4）：1076-1082.

［22］ 赵振亮. 基于高光谱数据的盐渍化土壤光谱特征研究及信息提取［D］.乌鲁木齐：新疆大学，2013.

［23］ 肖捷颖，王 燕，张 倩，等. 土壤重金属含量的高光谱遥感反演方法综述［J］. 湖北农业科学，2013，52（6）：1248-1253，1259.

［24］ 章 涛，于 雷.土壤有机质高光谱估算模型研究进展［J］. 湖北农业科学，2017，56（17）：3205-3208，3227.

［25］ 彭 杰，向红英，周 清，等.不同类型土壤全氮含量的高光谱预测研究［J］.中国农学通报，2013，29（9）：105-111.

［26］ 卢艳丽，白由路，杨俐苹，等.基于主成分回归分析的土壤有机质高光谱预测与模型验证［J］.植物营养与肥料学报，2008（6）：1076-1082.

［27］ 关 红，贾科利，张至楠.采用高光谱指数的龟裂碱土盐碱化信息提取与分析［J］.红外与激光工程，2014，43（12）：4153-4158.

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

［29］ 刘 昕，杨 光，陈昊宇，等. 应用光谱反射测定的植物、土壤及混合光谱特性［J］. 东北林业大学学报，2020，48（2）：54-60.

［30］ 张 丽，郝梦洁，鲁新新，等.基于光谱数据的南疆农田土壤有机碳含量估算模型研究［J］.塔里木大学学报，2020，32（4）：49-58.

收稿日期：2023-12-04

基金项目：山东省自然科学基金项目（ZR2021QD112）；聊城大学优秀博士创新基金项目（318052035）

作者简介：黄 帅（1990-），男，山东聊城人，讲师，博士，主要从事干旱区资源环境遥感研究，（电话）15095002020（电子信箱）huangshuai@lcu.edu.cn；通信作者，谭宏婧（2000-），女，内蒙古通辽人，教师，主要从事干旱区资源环境遥感研究，（电话）13190892696（电子信箱）2420385250@qq.com。

黄 帅，谭宏婧，付尚可，等. 绿洲土壤盐分含量高光谱反演建模［J］. 湖北农业科学，2024，63（9）：196-203．