徐夕博，呂明薈，王海會(huì)，周忠科，彭遠(yuǎn)新，顏學(xué)文

（1. 北京師范大學(xué) 地理科學(xué)學(xué)部，北京 100875；2. 棗莊學(xué)院 旅游與資源環(huán)境學(xué)院，山東 棗莊 277160；3. 山東省地下水環(huán)境保護(hù)與修復(fù)工程技術(shù)研究中心，山東 濟(jì)南 250014；4. 山東省地質(zhì)礦產(chǎn)勘查開(kāi)發(fā)局 八〇一水文地質(zhì)工程地質(zhì)大隊(duì)，山東 濟(jì)南 250014）

土壤鹽分含量（Soil salt content，SSC）是土壤的一項(xiàng)重要的理化參數(shù)，對(duì)于維持綠色植物的細(xì)胞物質(zhì)交換具有重要作用。SSC 過(guò)高，會(huì)限制光合作用阻礙作物的正常生長(zhǎng)，進(jìn)而降低糧食產(chǎn)量，對(duì)地表生態(tài)系統(tǒng)和社會(huì)經(jīng)濟(jì)發(fā)展產(chǎn)生負(fù)面影響[1-2]。從全球范圍來(lái)看，約有40%的耕地土壤在鹽化作用脅迫下，表現(xiàn)出不同程度的土壤退化，土壤鹽化的治理和恢復(fù)工作已經(jīng)成為當(dāng)務(wù)之急。而進(jìn)行這一工作的關(guān)鍵前提則是，需要對(duì)治理區(qū)域內(nèi)的SSC 進(jìn)行實(shí)時(shí)準(zhǔn)確識(shí)別和監(jiān)測(cè)。

近年來(lái)，隨著現(xiàn)代遙感信息技術(shù)的發(fā)展，衛(wèi)星遙感影像因其覆蓋范圍大、時(shí)效性強(qiáng)和獲取成本低廉等特點(diǎn)，在資源環(huán)境監(jiān)測(cè)領(lǐng)域的應(yīng)用優(yōu)勢(shì)更加明顯。盧 霞[3]、LIU 等[4]、WANG 等[5]和SRIVASTAVA等[6]在嚴(yán)格控制的實(shí)驗(yàn)室條件下，基于土壤光譜定量分析技術(shù)，確定了SSC 在可見(jiàn)光及近紅外波長(zhǎng)范圍內(nèi)（400～2 500 nm）的響應(yīng)波段，并將其作為輸入自變量構(gòu)建光譜估算模型，完成了SSC 的估算。馮娟等[7]、賈萍萍等[8]、曹雷等[9]、FAN 等[10]和MULLER等[11]進(jìn)一步將衛(wèi)星影像波段反射率和地面實(shí)測(cè)SSC建立回歸聯(lián)系，完成區(qū)域尺度上的SSC估算制圖，為SSC在大范圍上的空間變異監(jiān)測(cè)提供了理論依據(jù)。

但是，土壤鹽分的電磁信號(hào)在產(chǎn)生、反射和傳遞過(guò)程中受到自然環(huán)境諸如大氣、水分和地表特征等多因素的影響，這為準(zhǔn)確建立SSC 信息與衛(wèi)星接收到的反射率信號(hào)之間的映射關(guān)系增加了難度。因此，諸多學(xué)者[4，7，12-13]在進(jìn)行SSC 估算模型構(gòu)建時(shí)多采用以非線性擬合方式為基礎(chǔ)的機(jī)器學(xué)習(xí)方法，例如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)和隨機(jī)森林等。機(jī)器學(xué)習(xí)模型可以通過(guò)增加隱藏層結(jié)構(gòu)、控制參數(shù)和決策樹(shù)數(shù)量等方式，實(shí)現(xiàn)光譜信號(hào)到土壤屬性含量的特征轉(zhuǎn)變，能夠提供相對(duì)較高的精度。但所得估算模型對(duì)真實(shí)地表環(huán)境的模擬過(guò)程中，因受到成土母質(zhì)、人類活動(dòng)和數(shù)據(jù)采集過(guò)程等因素作用下產(chǎn)生的特異性地理標(biāo)簽數(shù)據(jù)的影響，會(huì)導(dǎo)致機(jī)器學(xué)習(xí)模型出現(xiàn)過(guò)擬合和局部極值等問(wèn)題，限制模型性能的提升。針對(duì)這個(gè)問(wèn)題，LIU 等[14]和BAO 等[15]通過(guò)隨機(jī)抽取、光譜特征、土壤類型和含量歐式距離劃分等方式選擇建模樣本集，減弱或避免特異性樣本數(shù)據(jù)的干擾，在保證驗(yàn)證集精度的同時(shí)最大程度提升訓(xùn)練集準(zhǔn)確性。然而上述對(duì)特異樣本數(shù)據(jù)的識(shí)別均是基于土壤屬性的含量特征進(jìn)行的，而地理樣本數(shù)據(jù)除具有描述性的含量特征值外，還具有顯著的空間位置特征信息[16-17]。地理學(xué)第一定律[18]表明，距離越近的地物間空間關(guān)聯(lián)性越強(qiáng)，而特異性數(shù)據(jù)則展現(xiàn)出顯著的非關(guān)聯(lián)性。因此，將空間位置信息引入用于評(píng)估數(shù)據(jù)樣本間空間關(guān)聯(lián)度和最佳訓(xùn)練樣本集的建立，對(duì)于提升SSC 估算模型的計(jì)算效率和精度具有極大的潛力。本試驗(yàn)以萊州灣南岸濱海平原地區(qū)為研究區(qū)，系統(tǒng)采集95 處土壤樣點(diǎn)并獲取同期Sentinel-2 多光譜影像；進(jìn)一步利用隨機(jī)森林變量重要度評(píng)估技術(shù)選擇土壤鹽分的響應(yīng)波段，作為輸入自變量，將測(cè)得SSC作為因變量；最后建立基于空間關(guān)聯(lián)隨機(jī)森林算法的遙感估算模型，實(shí)現(xiàn)區(qū)域尺度上的SSC 遙感定量估算和數(shù)字制圖，以期為區(qū)域的鹽堿治理和資源環(huán)境優(yōu)化提供理論依據(jù)和技術(shù)支持。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)位于萊州灣南岸濱海平原地區(qū)，介于118°44′22″E～118°53′20″E 和37°6′10″N～37°11′33″N，總面積約為87.3 km2（圖1）。研究區(qū)的氣候類型為典型的季風(fēng)區(qū)溫帶大陸性氣候，受海洋環(huán)境影響明顯，干濕季分明。多年平均氣溫和降水量分別為12.7 ℃和608.5 mm，平均高潮位1.75 m。在地質(zhì)構(gòu)造上屬遼冀臺(tái)向斜第四系沉積層，地形則以平原為主，平坦開(kāi)闊。小麥和玉米為主要的種植作物，部分近海區(qū)域以種植耐鹽抗逆境能力強(qiáng)的棉花為主。近些年來(lái)，研究區(qū)港口貿(mào)易繁榮，工農(nóng)業(yè)發(fā)展迅猛。地下水開(kāi)采量隨之增加，引發(fā)海咸水倒灌，土壤表現(xiàn)出輕微的鹽堿化[19]。

圖1 研究區(qū)及采樣點(diǎn)Fig.1 The study area and sampling sites

1.2 樣點(diǎn)數(shù)據(jù)與測(cè)試分析

在綜合考慮土地利用、地質(zhì)地貌和交通可達(dá)性等因素的基礎(chǔ)之上，利用ArcGIS 10.2軟件中的數(shù)字底圖，初步完成95處土壤樣點(diǎn)的預(yù)設(shè)。在實(shí)際采樣過(guò)程中，在預(yù)設(shè)點(diǎn)周邊50 m 內(nèi)，選取合適的區(qū)域進(jìn)行土壤采集，采用手持式GPS 確定并記錄采樣點(diǎn)的真實(shí)地理坐標(biāo)。在采樣時(shí)，土壤樣品的采集采用多點(diǎn)混合法，在樣點(diǎn)位置周邊10 m 范圍內(nèi)，將土壤混合至1 kg 左右，裝入聚乙烯密封袋中進(jìn)行保存并及時(shí)運(yùn)送至實(shí)驗(yàn)室開(kāi)展分析測(cè)試[20]。土壤樣品的采集在裸土期（2019 年1 月7—11 日）內(nèi)完成。在實(shí)驗(yàn)室內(nèi)，首先去除土壤中明顯異質(zhì)體，例如石塊、樹(shù)葉、草根、木棒等；接下來(lái)，土壤在實(shí)驗(yàn)室內(nèi)（25 ℃）進(jìn)行自然風(fēng)干，研磨后過(guò)1 mm 篩，完成測(cè)試前的預(yù)處理；最后，采用質(zhì)量法對(duì)土壤樣品的全鹽含量進(jìn)行測(cè)定，即吸取一定量基質(zhì)水浸出液，蒸干除去有機(jī)質(zhì)后，烘干，稱量測(cè)得SSC[21]。

1.3 影像獲取及預(yù)處理

Sentinel-2B（哨兵二號(hào)）是歐空局在2017 年發(fā)射的一顆地球資源環(huán)境觀測(cè)衛(wèi)星，在晴朗少云的狀態(tài)下，哨兵衛(wèi)星可對(duì)全球?qū)崿F(xiàn)5 d 頻次的重復(fù)觀測(cè)[22]。衛(wèi)星影像按照空間分辨率可分為3 類：10 m（B2、B3、B4 和B8）、20 m（B5、B6、B7、B8a、B11 和B12）和60 m（B1、B9和B10）。在美國(guó)地質(zhì)調(diào)查局網(wǎng)站（https://glovis.usgs.gov）免費(fèi)下載Sentinel-2B 影像一景（生成時(shí)間為2019年1月17日），天氣狀態(tài)為晴朗無(wú)云。對(duì)獲取的影像數(shù)據(jù)進(jìn)行輻射校正、大氣校正和重采樣（10 m）3項(xiàng)預(yù)處理操作，具體在SNAP軟件（已安裝Sen2Cor 插件）中計(jì)算完成[23]。哨兵二號(hào)影像數(shù)據(jù)的B1、B9和B10設(shè)計(jì)用于氣溶膠和大氣特征的檢測(cè)，不參與SSC的反演計(jì)算過(guò)程[24]。

1.4 空間關(guān)聯(lián)隨機(jī)森林模型

空間關(guān)聯(lián)隨機(jī)森林模型是以隨機(jī)森林算法[25]為基礎(chǔ)，在數(shù)據(jù)輸入側(cè)引入空間權(quán)重函數(shù)[26-27]對(duì)樣本數(shù)據(jù)的空間關(guān)聯(lián)度進(jìn)行評(píng)估（公式1 和公式2），在厘清輸入樣本數(shù)據(jù)在局部空間上的關(guān)聯(lián)關(guān)系后，賦以權(quán)值，依據(jù)關(guān)聯(lián)度值大小形成最優(yōu)聚類，以此為樣本輸入完成估算模型訓(xùn)練回歸的一種技術(shù)方法。模型構(gòu)建及實(shí)現(xiàn)流程如圖2所示。

圖2 空間關(guān)聯(lián)隨機(jī)森林模型計(jì)算流程Fig.2 The calculation processes for the spatial random forest model

式中，(μi，vi)表示樣點(diǎn)i的經(jīng)緯度坐標(biāo)，F(xiàn)i(φ)為樣點(diǎn)i位置處的空間權(quán)重高斯函數(shù)，L和δ分別表示樣點(diǎn)i的SSC實(shí)測(cè)值和隨機(jī)誤差項(xiàng)。t值的大小表示樣本數(shù)據(jù)的空間關(guān)聯(lián)度的強(qiáng)弱，數(shù)值越小，樣本數(shù)據(jù)間空間關(guān)聯(lián)度越強(qiáng)，表現(xiàn)出的空間特異程度越低。

空間關(guān)聯(lián)隨機(jī)森林模型有4 個(gè)重要的參數(shù)，分別為輸入變量的重要度值（Variable importance scores，VIS）、決策樹(shù)的數(shù)量（ntree）、分裂點(diǎn)變量的數(shù)量（mtry）和地理信息協(xié)同變量（Xj）。VIS值的大小表示輸入自變量對(duì)因變量影響程度的強(qiáng)弱，數(shù)值越大，自變量對(duì)SSC 的影響越大，相關(guān)性就越強(qiáng)。此外，為提升空間權(quán)重函數(shù)對(duì)樣本數(shù)據(jù)的屬性和空間信息的評(píng)估能力，Xj設(shè)置為典型且易獲取的5 種環(huán)境要素輔助信息，分別為高程、歸一化植被指數(shù)、土壤濕度指數(shù)、地表溫度和距海遠(yuǎn)近。高程數(shù)據(jù)免費(fèi)獲取自地理空間數(shù)據(jù)云網(wǎng)站（http://www.gscloud.cn/），歸一化植被指數(shù)、土壤濕度指數(shù)和地表溫度數(shù)據(jù)的獲取與采樣時(shí)間保持一致，具體求算方法參見(jiàn)文獻(xiàn)[28-29]。距海遠(yuǎn)近為每個(gè)采樣點(diǎn)距離海洋的最近距離，在確定海洋邊界之后在ArcGIS 10.2 軟件的歐氏距離模型中完成計(jì)算。進(jìn)一步的，決策樹(shù)類模型構(gòu)建的核心思想是通過(guò)構(gòu)建若干棵決策樹(shù)進(jìn)行投票匯總最后得出結(jié)果，在決策樹(shù)的各個(gè)節(jié)點(diǎn)上，從M個(gè)特征中選取m個(gè)特征集用作預(yù)測(cè)變量，在節(jié)點(diǎn)的分裂過(guò)程中，逐次選取最優(yōu)的m個(gè)預(yù)測(cè)變量，最后進(jìn)行結(jié)果匯總得出預(yù)測(cè)結(jié)果[30]。根據(jù)多次試驗(yàn)結(jié)果，ntree和mtry在本研究中分別設(shè)置為800和3。模型的實(shí)現(xiàn)和計(jì)算在Python 3.8中編程完成。

1.5 精度評(píng)估

獲取的95個(gè)土壤樣本隨機(jī)劃分為建模集（n=75）和驗(yàn)證集（n=20），建模集樣本用于訓(xùn)練遙感估算模型，而驗(yàn)證集樣本用于估算模型的獨(dú)立驗(yàn)證和評(píng)價(jià)。決定系數(shù)（Coefficient of determination，R2）和均方根誤差（Root mean square error，RMSE）通常作為評(píng)價(jià)模型精度的重要統(tǒng)計(jì)指標(biāo)。R2用來(lái)評(píng)價(jià)自變量對(duì)因變量的信息解釋能力，估算得到的SSC 與實(shí)測(cè)值的差值為RMSE值。所以RMSE值越小，R2值就越大，估算模型的精度和穩(wěn)定性就越好[31]。

2 結(jié)果與分析

2.1 SSC描述性統(tǒng)計(jì)特征

從表1 可以看出，樣品總集的SSC 在0.50～121.79 g/kg，均值為3.39 g/kg，覆蓋范圍較大且不均勻。變異系數(shù)用來(lái)評(píng)估數(shù)據(jù)的波動(dòng)程度，3 個(gè)數(shù)據(jù)集的變異系數(shù)均較大，處于高度變異（＞0.36），表明區(qū)域內(nèi)存在較多鹽分異常值[32]。建模集和驗(yàn)證集的變異系數(shù)也相差較大，但是3個(gè)集合的中值均一致，說(shuō)明特異值的存在并不是普遍現(xiàn)象。此外，樣本數(shù)據(jù)的空間變異會(huì)增加地表模擬模型的訓(xùn)練難度，但是一定程度的數(shù)據(jù)變異性會(huì)對(duì)模型準(zhǔn)確度提升產(chǎn)生積極影響，所以隨機(jī)抽取到的建模集和驗(yàn)證集樣本用于SSC 的遙感建模估算是可靠的[33]。峰度和偏度用于描述數(shù)據(jù)分布的集中和雙尾特性，樣本總集的偏度值較大，表現(xiàn)出正偏，表明外部活動(dòng)已經(jīng)干擾了成土之初土壤鹽分正態(tài)分布狀態(tài)。SSC的描述性統(tǒng)計(jì)特征所表現(xiàn)出的變異性一定程度上也反映了土壤鹽漬化的趨勢(shì)和狀態(tài)。萊州灣南岸濱海平原地區(qū)內(nèi)有大量海咸水賦存在淺層地表，在地下水過(guò)度開(kāi)采、旱季蒸發(fā)強(qiáng)烈以及海咸水倒灌等因素影響下，致使表層SSC 在不斷增加，土壤肥力下降，隨之帶來(lái)一系列的土地環(huán)境退化問(wèn)題，這也是不同土壤樣本集的鹽分含量分布存在偏移的潛在驅(qū)動(dòng)因素[34]。

表1 SSC描述性統(tǒng)計(jì)特征Tab.1 The descriptive statistical characteristics of soil salt content

2.2 SSC的敏感光譜波段

如圖3 所示，B11 的VIS 最高，B12、B2 和B8a 次之（VIS＞10%），其余都比較小，因而B(niǎo)11、B12、B2 和B8a被選為敏感波段用作反演模型的輸入變量。土壤在鹽化過(guò)程中會(huì)產(chǎn)生NaCl、Na2SO4和CaCO3等化合物，這些化學(xué)物質(zhì)與水在鍵態(tài)結(jié)構(gòu)上的結(jié)合引發(fā)的振動(dòng)，會(huì)產(chǎn)生特異性的光譜吸收峰特征[35]。例如，WANG等[36]指出波長(zhǎng)2 200 nm附近是Na2SO4的光譜吸收峰，這與B12 波段的中心波長(zhǎng)位置相一致。此外，KAHAER 等[37]在對(duì)新疆艾比湖流域土壤鹽分的光譜特征進(jìn)行分析時(shí)發(fā)現(xiàn)，SSC 的高度相關(guān)性波段均處在近紅外波段范圍之內(nèi)，包括800～1 000 nm、1 300～1 400 nm、1 500～1 700 nm、1 800～1 900 nm 和2 000～2 100 nm。同樣地，SHRESTHA 等[38]在研究中也得出了衛(wèi)星影像的近紅外范圍內(nèi)波段是表層土壤鹽分高度敏感區(qū)。此外，在藍(lán)光波段（485 nm附近）的波段反射率與SSC 具有顯著的相關(guān)性[39]，WANG 等[5]在進(jìn)行SSC 光譜定量分析時(shí)也發(fā)現(xiàn)，光譜范圍在500 nm 附近存在有SSC 的敏感特征波段。上述研究結(jié)果較好解釋了本研究對(duì)SSC的敏感波段VIS 評(píng)估結(jié)果。因此，將4 個(gè)波段（B11、B12、B2 和B8a）作為土壤鹽分的敏感光譜參數(shù)，用作反演模型構(gòu)建的輸入自變量。

圖3 哨兵影像各個(gè)波段的重要度值Fig.3 The variable importance scores（VIS）of various multispectral bands

2.3 SSC估算模型構(gòu)建與精度對(duì)比

將優(yōu)選得到的光譜波段作為輸入自變量，實(shí)測(cè)SSC 值為因變量，分別建立基于隨機(jī)森林和空間關(guān)聯(lián)隨機(jī)森林算法的SSC 遙感估算模型，結(jié)果如圖4所示?？梢钥闯?，隨機(jī)森林模型的精度評(píng)價(jià)指標(biāo)R2和RMSE分別為0.74 和0.59（圖4a），SSC 估算值和實(shí)測(cè)值出現(xiàn)較大偏差，偏差點(diǎn)較多，模型不能夠進(jìn)行SSC 的準(zhǔn)確估算，需要進(jìn)一步提升。在圖4b 中，基于空間關(guān)聯(lián)隨機(jī)森林算法構(gòu)建的SSC遙感估算模型的估算值和實(shí)測(cè)值數(shù)值比較接近，能夠基本保持在1∶1線附近，但隨著樣點(diǎn)實(shí)測(cè)值不斷變大，與估算值的偏差也開(kāi)始增大?？偟膩?lái)看，利用隨機(jī)森林算法和多光譜影像波段無(wú)法實(shí)現(xiàn)對(duì)萊州灣濱海平原的SSC 的準(zhǔn)確估算，而在采用空間關(guān)聯(lián)隨機(jī)森林算法構(gòu)建模型時(shí)，則能夠較準(zhǔn)確地對(duì)SSC 值進(jìn)行遙感估算。

圖4 SSC估算值與實(shí)測(cè)值對(duì)比散點(diǎn)圖及驗(yàn)證精度Fig.4 The scatter plots of the measured values versus estimated values of soil salt content and the validation accuracy

在不同的空間關(guān)聯(lián)度t值下，建立的空間關(guān)聯(lián)隨機(jī)森林模型的精度變化如圖5 所示?？梢钥闯?，隨著t值的減小，對(duì)數(shù)據(jù)樣本間的空間關(guān)聯(lián)度要求增加，模型的精度逐步提升，當(dāng)t值為1 時(shí)模型的性能最強(qiáng)。其后隨著t值的繼續(xù)降低，樣本總數(shù)量也進(jìn)一步減少，模型得不到充分訓(xùn)練，精度開(kāi)始下降。總體來(lái)看，空間關(guān)聯(lián)隨機(jī)森林模型的建立考慮了地理樣本數(shù)據(jù)的空間信息，提升了對(duì)SSC的估算精度，使模型在區(qū)域土壤信息制圖中的穩(wěn)健性得到增強(qiáng)。

圖5 不同t值下空間關(guān)聯(lián)隨機(jī)森林模型估算精度（n代表輸入樣本總數(shù)）Fig.5 The accuracy of the spatial random forest model based on different t values（n is the number of the calculation samples）

2.4 SSC空間分布反演結(jié)果

為檢驗(yàn)基于空間關(guān)聯(lián)隨機(jī)森林算法構(gòu)建的遙感估算模型的穩(wěn)定性與可靠性，將得到的最優(yōu)估算模型應(yīng)用至整個(gè)研究區(qū)進(jìn)行SSC 的反演及空間制圖。反演的SSC 的空間分布如圖6 所示，整體來(lái)看，SSC 處于0.41～2.00 g/kg，SSC 的高值區(qū)（＞50 g/kg）主要分布在研究區(qū)的西北部和東部部分地區(qū)。此外，研究區(qū)內(nèi)也存在大量塊狀分布的中度土壤鹽化區(qū)域，呈離散狀分布，主要分布于農(nóng)田之中，SSC 處在2～4 g/kg。參照相關(guān)土壤鹽化分級(jí)標(biāo)準(zhǔn)[40]，研究區(qū)大部分屬于輕微水平的土壤鹽化區(qū)域（1 g/kg＜SSC＜2 g/kg），重度的土壤鹽化區(qū)域（SSC＞6 g/kg）存在于西北部和東部部分地區(qū)，但區(qū)域內(nèi)存在的離散狀分布 的 中 度 鹽 化 風(fēng) 險(xiǎn)（2 g/kg≤SSC＜4 g/kg）應(yīng) 引 起重視。

圖6 研究區(qū)SSC分布Fig.6 The spatial distribution of soil salt content of the study area

SSC分布主要受到微地貌、海水入侵、氣候因素的影響。研究區(qū)地處萊州灣南岸沿海地區(qū)，區(qū)域淺層地下海咸水存量豐富，地表蒸發(fā)鹽分結(jié)晶后析出，鹽分晶體析出后在土壤表層聚集，造成部分區(qū)域SSC 不斷升高，在西北部和部分東部區(qū)域尤為顯著；同時(shí)，溫帶大陸性氣候在旱季表現(xiàn)出降水少且蒸發(fā)大的特點(diǎn)，在受到微地貌影響后，導(dǎo)致廣大田塊出現(xiàn)中度土壤鹽化的離散斑塊。

3 結(jié)論與討論

3.1 模型的機(jī)制和特點(diǎn)

本試驗(yàn)結(jié)果表明，空間關(guān)聯(lián)隨機(jī)森林模型在厘清區(qū)域地理環(huán)境中存在的樣本特異性和空間關(guān)聯(lián)性的同時(shí)，利用隨機(jī)森林方法建立起SSC 與影像波段反射率之間的回歸聯(lián)系，估算效果指標(biāo)R2和RMSE達(dá)到0.86 和0.38，能夠較準(zhǔn)確地完成區(qū)域尺度上SSC的遙感估算與數(shù)字制圖。傳統(tǒng)隨機(jī)森林算法通常假設(shè)樣本在空間上是獨(dú)立存在的，通過(guò)不斷改變決策樹(shù)的數(shù)量和節(jié)點(diǎn)數(shù)目擬合這種真實(shí)的地表環(huán)境過(guò)程，進(jìn)而實(shí)現(xiàn)標(biāo)簽值到特征值的信息轉(zhuǎn)換[41]。但很明顯，這種假設(shè)與真實(shí)的地理環(huán)境是存在一定偏差的，因此，直接將隨機(jī)森林模型應(yīng)用至真實(shí)的環(huán)境會(huì)帶來(lái)一定誤差。另外，土壤屬性的含量特征與影像波段反射率之間有著確定的映射關(guān)系，但因受到大氣、水分和地表粗糙度等因素的影響使得這種對(duì)應(yīng)關(guān)系異常復(fù)雜[42]。并且這種函數(shù)關(guān)系在不同的地理空間單元還存在顯著的差異，這種空間維度上的特殊性進(jìn)一步增加了土壤屬性遙感估算與制圖模型的構(gòu)建難度[1，14]。所以本研究在隨機(jī)森林算法中引入空間關(guān)聯(lián)函數(shù)模塊以判斷SSC數(shù)據(jù)樣本間的關(guān)聯(lián)度與異質(zhì)度，聚類形成最優(yōu)的輸入樣本集，得到具有相對(duì)正態(tài)的數(shù)據(jù)集，使接下來(lái)的空間關(guān)聯(lián)隨機(jī)森林模型在訓(xùn)練過(guò)程中可以減少?zèng)Q策樹(shù)和預(yù)測(cè)節(jié)點(diǎn)的選擇，有效提升運(yùn)算效率和精度，模型的穩(wěn)健性得到增強(qiáng)。

3.2 模型的適用性

本研究提出的基于空間關(guān)聯(lián)隨機(jī)森林算法的遙感估算模型，對(duì)于土壤環(huán)境情況復(fù)雜區(qū)域的SSC估算具有明顯的優(yōu)勢(shì)。試驗(yàn)選擇的研究區(qū)地處海陸交接地帶，土壤的鹽化過(guò)程受到海洋和陸地氣候的共同作用，使得土壤鹽化的空間變異十分復(fù)雜。劉文全等[43]和蒙永輝等[44]通過(guò)在萊州灣濱海平原地區(qū)實(shí)地采集土壤樣品，運(yùn)用傳統(tǒng)的地統(tǒng)計(jì)學(xué)和地理加權(quán)回歸等方法，研究了SSC 的空間變異性并繪制出土壤鹽分的空間分布圖，但此種方法的推廣應(yīng)用受到經(jīng)費(fèi)和時(shí)間的極大限制。張麗霞等[45]和曹文濤等[46]利用光譜定量分析技術(shù)和實(shí)測(cè)土壤高光譜數(shù)據(jù)，采用多元回歸模型技術(shù)實(shí)現(xiàn)了萊州灣濱海平原地區(qū)局地尺度上的SSC的定量估算。但是在此特殊的景觀格局下，直接運(yùn)用局地遙感估算模型進(jìn)行SSC的區(qū)域制圖仍有局限。本研究提出的空間關(guān)聯(lián)隨機(jī)森林模型通過(guò)對(duì)輸入樣本集進(jìn)行優(yōu)化選擇，使由此訓(xùn)練得到的估算模型能夠較好地適應(yīng)環(huán)境情況復(fù)雜區(qū)域SSC 的估算，并取得良好的空間估算精度，研究所得結(jié)果可為裸土期耕地SSC 的估算及空間分布監(jiān)測(cè)提供有效的方法支持。