綠洲土壤鹽分含量高光譜反演建模

摘要：以新疆渭干河-庫車河三角洲綠洲為研究區(qū)，以實測土壤高光譜數(shù)據(jù)和土壤鹽分作為基礎數(shù)據(jù)，分析多種光譜指數(shù)與土壤鹽分的相關性，篩選特征波段，使用逐步多元線性回歸、單變量回歸和主成分回歸3種方法構建土壤鹽度高光譜監(jiān)測模型。研究表明，基于逐步多元線性回歸方法，以對數(shù)二階微分光譜特征波段所構建的鹽漬化遙感監(jiān)測模型最優(yōu)，模型的穩(wěn)定性和預測精度最高，可有效估測土壤含鹽量。此項研究成果滿足了對干旱區(qū)鹽漬化監(jiān)測的需求，為干旱區(qū)土壤鹽分定量反演提供了可靠的參考。

關鍵詞：土壤鹽漬化；高光譜；單變量回歸；逐步多元線性回歸；主成分分析

中圖分類號：S151.9；TP79 文獻標識碼：A

文章編號：0439-8114（2024）09-0196-08

DOI：10.14088/j.cnki.issn0439-8114.2024.09.033 開放科學（資源服務）標識碼（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

土壤鹽堿化是全球性的生態(tài)難題，尤其在干旱、半干旱地區(qū)，可能導致土地退化、生產(chǎn)力降低、作物欠收，威脅生態(tài)系統(tǒng)，對區(qū)域經(jīng)濟的可持續(xù)發(fā)展構成威脅［1］。因此，及時準確獲取大尺度土壤鹽漬化的時空信息對于改善生態(tài)環(huán)境至關重要［2］。遙感以其具有快速檢索、監(jiān)測面積大的優(yōu)勢，被廣泛用于土壤調查研究，可快速獲取土壤信息，并對大區(qū)域進行連續(xù)、實時監(jiān)測［3］。隨著遙感技術的進步，尤其是高光譜傳感器提供的精細納米級光譜分辨率，可以更準確地反映地物光譜的微觀特征，獲得連續(xù)的光譜信息，揭示不同物質成分和結構，實現(xiàn)土壤鹽漬化的定量反演［4］。

近年來，學者們使用高光譜技術對土壤含鹽量及其他性質進行了許多試驗。Ben-Dor等［5］利用步進分析法，基于高光譜數(shù)據(jù)定量反演土壤水分和含鹽量。彭杰等［6］構建3種土壤鹽漬化評估模型，結果表明偏最小二乘法得到的模型精度最優(yōu)。關紅等［7］利用實測高光譜數(shù)據(jù)，采用多元線性回歸方法，建立了土壤鹽度模型并反演土壤鹽分。黃帥等［8］利用對數(shù)二階微分構建的偏最小二乘回歸模型，實現(xiàn)土壤鹽漬化遙感監(jiān)測。王明寬等［9］以墾利縣為例，通過分析反射率和土壤鹽度的相關性，構建多種土壤鹽分反演模型。馮娟等［10］建立了綜合土壤鹽度預測模型，發(fā)現(xiàn)相比于其他模型，SVM回歸模型更適合估算土壤鹽度。Wang等［11］基于實測土壤光譜與鹽分數(shù)據(jù)，經(jīng)過光譜變換，構建5種機器學習模型實現(xiàn)土壤鹽分定量反演。Qian等［12］建立了一個土壤鹽分指數(shù)與可溶性鹽含量之間的線性模型，檢測出1 358 nm和2 382 nm波長是監(jiān)測綠洲土壤鹽分的最佳波段。郭昆明等［13］以寧夏平羅縣為例，結合土壤與植被高光譜指數(shù)，選取土壤鹽分敏感波段，利用多元線性回歸方法構建高光譜土壤鹽度模型，發(fā)現(xiàn)實測光譜反射率的對數(shù)一階轉換結果與高光譜植被指數(shù)結合構建土壤鹽分監(jiān)測模型，模型效果最優(yōu)，決定系數(shù)R2達到最高。穆其爾等［14］通過向非鹽漬土中添加鈉鹽，測定不同鹽度土壤的光譜反射率，建立土壤鹽度與高光譜指數(shù)的反演模型，證明偏最小二乘模型更適宜對土壤鹽分的反演。Jiang等［15］選擇柴達木盆地的格爾木和河西走廊的高臺-明華為研究區(qū)域，并使用深度極學習機和正弦余弦算法-埃爾曼來預測土壤鹽度。

本研究以渭庫綠洲為研究靶區(qū)，以高光譜數(shù)據(jù)和原位土壤鹽度作為本底數(shù)據(jù)，探討土壤鹽度與高光譜指數(shù)之間的相關性，構建3種土壤鹽分遙感監(jiān)測模型。首先，對高光譜數(shù)據(jù)進行數(shù)學變換構建不同高光譜指數(shù)；然后，分析高光譜指數(shù)與土壤鹽度的相關性，篩選出對土壤鹽漬化響應最敏感的波段；最后，分別構建單變量回歸、逐步多元線性回歸和主成分回歸3種不同的土壤鹽漬化估算模型，比較不同模型在高光譜土壤鹽漬化定量反演中的適用性，以檢驗高光譜數(shù)據(jù)在干旱區(qū)監(jiān)測土壤鹽分的潛力，同時提出有效的干旱區(qū)土壤鹽分監(jiān)測模型以保障生態(tài)安全，符合國家發(fā)展所需。

1 研究區(qū)概況、數(shù)據(jù)源和方法

1.1 研究區(qū)概況

渭庫綠洲位于新疆南部的阿克蘇地區(qū)，研究區(qū)如圖1所示，南部為塔里木河，北部為天山山脈南麓，包括庫車、新和和沙雅三縣，地理坐標為41°08′—41°46′N、82°10′—83°40′E），深居大陸腹地，是典型的大陸性暖溫帶干旱氣候。該區(qū)域是中國典型的扇形平原綠洲，屬于明顯的沖擊平原，地勢較高，總體呈現(xiàn)北高南低的狀態(tài)，海拔范圍在900～1 076 m［16］。全年降雨稀少，年均降水量不到100 mm，潛在的蒸發(fā)量卻非常大，每年的平均蒸發(fā)量可達 2 356 mm，干燥指數(shù)為42∶1［17］。不同程度鹽漬地表均生長有鹽化草甸蘆葦 （Phragimites australis）、檉柳（Tamarix laxa Willd.）、花花柴（Karelina caspica）和鹽爪爪（Kalidium gracile）等耐鹽植被［18］。

1.2 數(shù)據(jù)采集與處理

1.2.1 數(shù)據(jù)采集 鑒于本研究所需，于2020年7月進行了野外實際考察工作。根據(jù)地面特征參數(shù)，綜合植被、土壤等信息，在研究區(qū)內(nèi)確定了34個典型樣點，本次樣點分布與歷次考察范圍重合使研究更具穩(wěn)定性和延續(xù)性，根據(jù)選取的樣點，利用GPS 導航樣點位置，以便準確獲取雷達后向散射系數(shù)，在 30 m×30 m 的范圍內(nèi)地表深度為0～10 cm，以五點梅花狀方式進行土壤樣品的采集，經(jīng)風干、除雜、研磨后將土樣按水土 5∶1 比例提取浸提液，并采用德國 WTW公司的 Cond7310水質分析儀測定土壤電導率和土壤含鹽量［19］。

使用光譜范圍為350～2 500 nm的ASD Field Spec Pro FR地物光譜儀測量土樣反射光譜，儀器共有2 151個波段。光譜測量需在黑暗的房間內(nèi)進行，光譜儀提供50 W鹵化燈，15°入射角，檢測器與樣品表面之間的距離為10 cm，光源與土樣頂部距離50 cm，170個過篩后的土樣被均勻地放置在直徑10 cm、深3 cm的培養(yǎng)皿中，表面保持平整［20］。為消除外界干擾，確保測定結果的準確性，對170份土壤樣品分別測10次取平均值，得到初始光譜反射率數(shù)據(jù)。

1.2.2 光譜數(shù)據(jù)處理 對土壤原始光譜數(shù)據(jù)進行平滑降噪處理，選取Savitzky-Golay方法，這種方法可有效消除噪音，保留光譜反射率曲線方向，完全再現(xiàn)光譜的反射和吸收特性［21］。為提高光譜反射率和土壤鹽度之間的相關性，提高光譜數(shù)據(jù)質量，減少由于測量設備、監(jiān)測條件和其他隨機因素的差異造成的光譜影響，對土壤原始光譜反射率（REF）進行一階微分[FDR]、二階微分[SDR]、倒數(shù)[1/R]、倒數(shù)一階微分[1/R′]、倒數(shù)二階微分[1/R″]、對數(shù)[lgR]、對數(shù)一階微分[lgR′]、對數(shù)二階微分[lgR″]、倒數(shù)對數(shù)[lg1/R]、倒數(shù)對數(shù)一階微分[lg1/R′]、倒數(shù)對數(shù)二階微分[lg1/R″]和平方根[R]、平方根一階微分[R′]、平方根二階微分[R″]、立方根[R3]、立方根一階微分[R3′]、立方根二階微分[R3″]17種數(shù)學轉換[22]。

光譜數(shù)據(jù)微分計算公式：

[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]為波長；[Rλi+1]、[Rλi]分別為波長在[λi+1]和[λi]處的反射率；[R′λi]為波長[λi]的一階微分；[R″λi]為波長[λi]的二階微分。

利用17種轉換方法對原始反射率進行轉換，得到土壤高光譜指數(shù)。將測得的土壤鹽度值與上述光譜轉換結果進行相關分析，得到各波段與土壤鹽度的相關系數(shù)r，進而得到對土壤鹽度敏感的特征波段。

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

式中，[rj]為土壤鹽度與高光譜指數(shù)的相關系數(shù)；[j]為波段號；[Rij]為第[i]個土樣在第[ j]波段的光譜反射率；[Rj]為[n]個土樣在[j]波段的平均數(shù)；[Si]為第[i]個土樣的土壤鹽度；[S]為土樣鹽度的平均值；[n]為土樣個數(shù)，本研究中，[n=34]。

1.3 建模方法及評價

數(shù)學模型的選取是預測土壤鹽分含量的關鍵，為保證模型的準確性和穩(wěn)定性，將34個樣本分為兩部分，25個土樣作為模型建立樣本，9個土樣作為驗證樣本。為了對比不同方式模擬土壤鹽分預測模型的精度與適用性，分別采用單變量回歸、逐步多元線性回歸、主成分回歸 3種方法對土壤鹽度的高光譜反演進行建模。

1.3.1 單變量回歸模型（UR） 單變量回歸是選取與土壤樣品含鹽量相關系數(shù)最高的一個波段進行建模，進一步預測土壤鹽度的方法［23］。本研究單變量模型的構建采用指數(shù)函數(shù)、對數(shù)函數(shù)、增長函數(shù)、復合函數(shù)、冪函數(shù)、一次函數(shù)、二次函數(shù)、三次函數(shù)與逆函數(shù)，選擇精度最高模型作為單變量最優(yōu)模型。

1.3.2 逐步多元線性回歸模型（MLSR） MLSR在多元線性回歸的基礎上進行改進，該方法能進一步優(yōu)化計算公式，比較各自變量對于因變量預測值的比重，將不重要的變量排除在外，是土壤鹽分建模經(jīng)常采用的方法［24］。逐步多元線性回歸是一種選擇對因變量有較大影響的自變量進行回歸分析的方法，具有雙向篩選的特點，即在輸入有意義變量的基礎上排除了無意義的變量［25］。MLSR盡可能地包括對因變量有明顯影響的自變量，模型的擬合效果比一般的多元回歸模型要好，在一定條件下模型的可信度高。

1.3.3 主成分回歸模型（PCR） 主成分回歸是將具有高相關系數(shù)的波長變量歸納為一個獨立變量來壓縮光譜信息，取少部分獨立變量構建回歸模型的方法［23］。主成分回歸可以保留光譜原始信息，診斷變量之間的共線性，同時實現(xiàn)降維［26］。

1.3.4 模型可靠性分析 模型的可靠性由建模與檢驗的決定系數(shù)（R2）和均方根誤差（RMSE）來評價，R2越高，模型的可靠性越高；RMSE越小，模型估測能力就越好［27］。

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

[RMSE=1ni=1ny？-y2] （5）

式中，[y？]為預測土壤含鹽量；[y？]為土壤含鹽量均值；[y]為實測土壤含鹽量；[y]為實測土壤含鹽量均值；[n]為樣本數(shù)量。

2 結果與分析

2.1 不同鹽漬土光譜特性分析

參照王遵親等［28］的鹽漬化土壤分級方法，并根據(jù)采樣點情況，本研究的土壤鹽漬化等級劃分標準如表1所示。

圖2顯示了不同鹽度的土壤反射光譜。不同鹽度類型的土壤光譜曲線在形態(tài)上非常相似，一致性很好。在400～600 nm波段，土壤光譜反射率由高到低依次為中度鹽漬土、輕度鹽漬土、重度鹽漬土、非鹽漬土，在600～2 500 nm波段，土壤光譜反射率由高到低依次為重度鹽漬土、輕度鹽漬土、中度鹽漬土、非鹽漬土。光譜反射率在400～1 350 nm區(qū)間隨波長增加而增大，400～600 nm斜率較大，600～1 350 nm斜率較小，在1 350 nm附近達到最高；光譜反射率在1 350～1 420 nm隨著波長增加而降低，在1 420 nm附近形成明顯吸收谷；在1 450～1 850 nm，光譜反射率曲線斜率變化不大；在1 850～1 920 nm呈單調遞減趨勢，在1 920 nm附近形成較大吸收谷；在1 920～2 150 nm光譜曲線反射率再次增加，在2 150 nm附近形成了吸收峰；2 220～2 280 nm、2 350～2 400 nm光譜曲線反射率隨著波長增加而增大，在2 280 nm與2 400 nm附近形成2個小的吸收峰；2 280～2 350 nm、2 400～2 500 nm光譜反射率隨著波長增加而遞減。

2.2 篩選特征波段

由于高光譜波段數(shù)量眾多，建模中使用所有的波段造成數(shù)據(jù)冗余，使模型預測的準確性降低，所以建模所需波段的選取是至關重要的 ［29］。因此，進一步分析高光譜指數(shù)和土壤鹽分之間的相關性，相關系數(shù)如圖3所示，篩選相關性高的波段參與建模。

由圖3可知，對光譜原始數(shù)據(jù)進行數(shù)學轉換能夠更為有效地反映土壤鹽度與光譜信息之間的關系。與原始反射率相比，光譜反射率在微分轉換后與土壤鹽度的相關性明顯提高，微分轉換后兩者存在顯著相關關系。原始光譜反射率與土壤鹽度之間的相關系數(shù)最高為0.46，微分轉換后相關性明顯升高，部分波段相關系數(shù)可達0.7以上，其中，在對原始光譜數(shù)據(jù)進行一階微分之后，在1 318 nm處獲得了較高的相關系數(shù)，相關系數(shù)為0.714；經(jīng)二階微分處理后的551 nm處，相關系數(shù)為0.729，經(jīng)對數(shù)二階微分轉換后的551 nm處，相關系數(shù)為0.721，經(jīng)平方根二階微分轉換后的551 nm處，相關系數(shù)為0.726，經(jīng)立方根二階微分轉換后的551 nm處，相關系數(shù)為0.725。上述波段經(jīng)數(shù)學轉換后的光譜反射率與土壤鹽度相關性顯著。

高光譜指數(shù)與土壤鹽度的相關系數(shù)圖中，峰值所對應的波段被定義為土壤鹽度的特征波段，結果如表2所示。

2.3 土壤鹽度光譜預測模型的構建

2.3.1 單變量回歸模型的構建 選取各變換形式與土壤含鹽量相關性最高的波段，構建單變量回歸模型，剔除指數(shù)函數(shù)、對數(shù)函數(shù)、復合函數(shù)、冪函數(shù)等精度較差的模型，選取一次函數(shù)、二次函數(shù)、三次函數(shù)等精度較高的模型，得到土壤光譜變量與鹽分含量單變量最優(yōu)估測模型（表3）。由表3可以看出，經(jīng)一階、二階微分變換建立的函數(shù)模型決定系數(shù)R2均在0.5左右，與僅經(jīng)過倒數(shù)、對數(shù)、平方根等變換，未經(jīng)微分轉換建立的函數(shù)模型相比，精度明顯提升，在一定程度上能對土壤鹽分含量進行預測。

2.3.2 逐步多元線性回歸模型的構建 根據(jù)相關分析得到的特征光譜波段，針對本研究的高光譜指數(shù)分別建立土壤含鹽量的逐步多元線性回歸模型，結果如表4所示。

由表4可知，經(jīng)微分轉換后的高光譜指數(shù)特征波段和土壤鹽度的相關性，相比以原始反射率創(chuàng)建的方程擬合精度顯著提升，能達到很好的估算效果。經(jīng)微分變換后所建的模型決定系數(shù)均在0.7以上，進行[lgR″]、[R″]、[R3″]變換所建模型的決定系數(shù)R2達到0.9以上，RMSE較小，說明模型擬合準確度與可靠性都很高。其中，采用對數(shù)二階微分變換的原始反射率建立的模型效果最佳，該方法的建模R2=0.974，RMSE=1.331；驗證R2=0.858，RMSE=4.875，說明可通過土壤高光譜指數(shù)對土壤鹽度進行預測。

2.3.3 主成分回歸模型的構建 根據(jù)相關分析得到的特征光譜波段，針對本研究的高光譜指數(shù)分別建立土壤含鹽量的主成分回歸模型［30］，結果如表5所示。

根據(jù)表5可得，利用原始光譜反射率和簡單數(shù)學轉換的主成分回歸模型擬合效果并不理想，經(jīng)微分轉換后擬合效果大幅提升，且二階微分轉換后構造的模型精度略高于一階微分轉換模型。其中建模精度高于0.7的有2組，一組為平方根二階微分轉換構造的模型，建模精度為0.714，另一組為倒數(shù)二階微分轉換建立的模型，建模精度達0.830，兩組的均方根誤差都在4左右。

2.4 預測模型精度檢驗

模型可靠性與準確度是模型精度驗證的重要指標。利用未建模的9個土壤測量單元測得的原位土壤鹽分數(shù)據(jù)，檢驗3種預測模型的精確度，結果如圖4所示。由圖4可知，單變量回歸模型（UR）樣本點含鹽量的擬合優(yōu)度R2=0.548 1，預測精度不高，尤其是實測含鹽量在10～25 g/kg區(qū)間，預測值變化較小，與真實值相差較多，擬合效果不佳；逐步多元線性回歸模型（SMLR）的預估值與實際測量值大多都集中在對角線上下，擬合優(yōu)度R2=0.858 2，預估值和實際測量值之間有良好的統(tǒng)一性；主成分回歸模型（PCR）中個別點的預測值與測量值有較大偏差，特別是在土壤鹽度低的區(qū)域，預測準確度低，偏離對角線遠，R2=0.775 1，大部分預測值和測量值相差不大。同時對比3種預測模型的預測精度可得出，單變量回歸模型相較于另外兩種回歸方法精度較低，逐步多元線性回歸和主成分回歸生成的土壤鹽分預估模型估算精度均較高，且逐步多元線性回歸模型的預測精度高于主成分回歸模型，說明利用逐步多元線性回歸方法具有較好的預測能力和適用性，可利用該模型實現(xiàn)綠洲土壤鹽分的定量反演。

3 小結

土壤鹽漬化已經(jīng)對農(nóng)業(yè)可持續(xù)發(fā)展和生態(tài)安全產(chǎn)生嚴重的威脅，而干旱區(qū)生態(tài)環(huán)境脆弱，如何準確高效地分析土壤鹽度對于評估土壤健康和優(yōu)化土壤管理尤為重要。本研究利用土壤光譜反射率和實測土壤鹽分，探討土壤鹽度與高光譜指數(shù)之間的相關性，構建了3種土壤鹽分預測模型，主要結論如下。

1）不同鹽漬化類型的土壤光譜反射率大體形態(tài)相似；在400～600 nm區(qū)間，隨波長的增加，土壤光譜反射率上升明顯；在600～1 350 nm區(qū)間，隨波長增大土壤光譜反射率整體上有小幅上升；在1 350～ 2 500 nm波段，隨波長變長土壤光譜反射率有增有減，沒有明顯規(guī)律性；整體上看在1 420 nm和1 920 nm左右有2處吸收谷。

2）對土壤高光譜指數(shù)與鹽分含量展開相關性分析，選取特征波段，構建單變量回歸、逐步多元線性回歸與主成分回歸模型，對土壤鹽度進行估測，結果表明SDR、[lgR″]以及[1/R″]變換后的高光譜指數(shù)特征波段與土壤鹽分有明顯相關性，可用于構建土壤鹽分預測模型。

3）對于土壤鹽度的估測，對比3種模型測量值與估測值之間的相關性，結果表明逐步多元線性回歸模型的可靠性與準確度最佳，效果最好，R2=0.858 2；其次是主成分回歸模型，R2=0.775 1；單變量回歸模型預測效果相對較差。

4）逐步多元線性回歸模型的預測精度與穩(wěn)定性高，表明該方法對土壤含鹽量預測有一定的適用性，為定量反演綠洲土壤鹽漬化提供了借鑒。

參考文獻：

［1］ 翁永玲，宮 鵬. 土壤鹽漬化遙感應用研究進展［J］. 地理科學， 2006， 26（3）： 369-375.

［2］ 楊勁松，姚榮江，王相平，等. 中國鹽漬土研究：歷程、現(xiàn)狀與展望［J］.土壤學報，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，江紅南，阿爾達克·克里木，等. 干旱區(qū)鹽漬化土壤高光譜遙感信息分析與提?。跩］. 干旱區(qū)資源與環(huán)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，劉煥軍，史 舟，等.鹽漬化土壤光譜特征的區(qū)域異質性及鹽分反演［J］.農(nóng)業(yè)工程學報，2014，30（17）：167-174.

［7］ 關 紅，賈科利，張至楠，等.鹽漬化土壤光譜特征分析與建模［J］.國土資源遙感，2015，27（2）：100-104.

［8］ 黃 帥，丁建麗，李 相，等. 土壤鹽漬化高光譜特征分析與建模［J］. 土壤通報，2016，47（5）：1042-1048.

［9］ 王明寬，莫宏偉，陳紅艷. 基于多光譜影像反演土壤鹽分的建模方法研究［J］. 土壤通報，2016，47（5）：1036-1041.

［10］ 馮 娟，丁建麗，楊愛霞，等.干旱區(qū)土壤鹽漬化信息遙感建模［J］.干旱地區(qū)農(nóng)業(yè)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，賈科利，頡耀文. 基于綜合高光譜指數(shù)的區(qū)域土壤鹽漬化建?！云搅_縣為例［J］. 蘭州大學學報（自然科學版），2020，56（5）：623-628.

［14］ 穆其爾，楊 光，陳昊宇，等. 實驗室模擬不同鹽分土壤的高光譜特性［J］. 東北林業(yè)大學學報，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］ 魯 力，李 升，高 遠，等. 渭-庫綠洲土壤鹽分空間分布及變異特征［J］. 干旱區(qū)資源與環(huán)境，2022，36（3）：136-142.

［17］ 阿布都沙拉木·吐魯甫，買買提·沙吾提，依力亞斯江·努爾麥麥提，等. 渭-庫綠洲土地利用/覆被變化與蒸散量時空特征分析［J］. 北京師范大學學報（自然科學版），2018，54（3）：340-347.

［18］ 何珍珍，王宏衛(wèi)，楊勝天，等.渭干河-庫車河綠洲景觀生態(tài)安全時空分異及格局優(yōu)化［J］.生態(tài)學報，2019，39（15）：5473-5482.

［19］ 魯如坤. 土壤農(nóng)業(yè)化學分析方法［M］. 北京：中國農(nóng)業(yè)科技出版社，1999.59-65.

［20］ 鄧海龍，安 靜.紅富士蘋果葉片全鉀含量高光譜預測研究［J］.四川地質學報，2014，34（S1）：108-111.

［21］ 董 瑞，唐莊生，花 蕊，等.基于光譜特征變量的高寒草甸主要毒草分類方法研究［J］.光譜學與光譜分析，2022，42（4）：1076-1082.

［22］ 趙振亮. 基于高光譜數(shù)據(jù)的鹽漬化土壤光譜特征研究及信息提取［D］.烏魯木齊：新疆大學，2013.

［23］ 肖捷穎，王 燕，張 倩，等. 土壤重金屬含量的高光譜遙感反演方法綜述［J］. 湖北農(nóng)業(yè)科學，2013，52（6）：1248-1253，1259.

［24］ 章 濤，于 雷.土壤有機質高光譜估算模型研究進展［J］. 湖北農(nóng)業(yè)科學，2017，56（17）：3205-3208，3227.

［25］ 彭 杰，向紅英，周 清，等.不同類型土壤全氮含量的高光譜預測研究［J］.中國農(nóng)學通報，2013，29（9）：105-111.

［26］ 盧艷麗，白由路，楊俐蘋，等.基于主成分回歸分析的土壤有機質高光譜預測與模型驗證［J］.植物營養(yǎng)與肥料學報，2008（6）：1076-1082.

［27］ 關 紅，賈科利，張至楠.采用高光譜指數(shù)的龜裂堿土鹽堿化信息提取與分析［J］.紅外與激光工程，2014，43（12）：4153-4158.

［28］ 王遵親，祝壽泉，俞仁培，等. 中國鹽漬土［M］. 北京：科學出版社，1993.

［29］ 劉 昕，楊 光，陳昊宇，等. 應用光譜反射測定的植物、土壤及混合光譜特性［J］. 東北林業(yè)大學學報，2020，48（2）：54-60.

［30］ 張 麗，郝夢潔，魯新新，等.基于光譜數(shù)據(jù)的南疆農(nóng)田土壤有機碳含量估算模型研究［J］.塔里木大學學報，2020，32（4）：49-58.

收稿日期：2023-12-04

基金項目：山東省自然科學基金項目（ZR2021QD112）；聊城大學優(yōu)秀博士創(chuàng)新基金項目（318052035）

作者簡介：黃 帥（1990-），男，山東聊城人，講師，博士，主要從事干旱區(qū)資源環(huán)境遙感研究，（電話）15095002020（電子信箱）huangshuai@lcu.edu.cn；通信作者，譚宏婧（2000-），女，內(nèi)蒙古通遼人，教師，主要從事干旱區(qū)資源環(huán)境遙感研究，（電話）13190892696（電子信箱）2420385250@qq.com。

黃 帥，譚宏婧，付尚可，等. 綠洲土壤鹽分含量高光譜反演建模［J］. 湖北農(nóng)業(yè)科學，2024，63（9）：196-203．