基于光譜變換的高光譜指數土壤鹽分反演模型優選

張賢龍，張 飛,3※，張海威，李 哲，海 清，陳麗華

（1. 新疆大學資源與環境科學學院，烏魯木齊 830046；2. 新疆大學綠洲生態教育部重點實驗室，烏魯木齊 830046；3. 新疆智慧城市與環境建模自治區普通高校重點實驗室，烏魯木齊 830046；4. 中亞地理信息開發利用國家測繪地理信息局工程技術研究中心，烏魯木齊 830002；5. 新疆艾比湖濕地國家級自然保護區管理局，博樂 833400）

0 引 言

土壤鹽漬化已成為全世界共同面臨的全球性生態環境問題，嚴重影響著農業生產[1]。土壤鹽分定量監測是治理和改良土壤鹽漬化的重要手段和依據[2]，傳統土壤鹽分檢測主要通過實地采樣和試驗分析，但這種方法費時費力，難以對大范圍研究區域進行準確和持續性監測[3]。因此，實現對鹽漬土大規模的動態監測，精確估算土壤含鹽量等研究受到了廣大學者的高度關注[4]。

隨著遙感技術的成熟與發展，高光譜數據已能夠準確反映地物光譜的細微特征[5]，變換后的光譜在消除背景和噪聲影響、降低外部環境因子和內部因子的干擾，以及放大和提取光譜吸收特征等方面具有較好的效果，對充分、準確地挖掘光譜信息和構建高精度、穩健度模型具有重要作用[6-7]。彭杰等[8]研究表明，含鹽量與反射率及反射率的一階微分間的相關性要高于電導率與反射率及反射率的一階微分間的相關性；Stevens等[9]結合導數和平滑處理來提高土壤有機質模型的預測精度；Tian等[10]以5 類土壤為研究對象，采用平滑和微分處理光譜數據，發現土壤有機質模型的監測精度可達0.98。

土壤鹽漬化危害在一定程度上會造成植被狀況的改變[11]，植被指數的變化有助于推測土壤鹽漬化的程度和發展趨勢，因而根據植被指數等參量反演土壤鹽分含量是判別鹽漬化程度的重要方法[12]。許多學者直接利用或改進植被指數對土壤鹽分進行高光譜反演：Brunner[13]利用歸一化植被指數評價新疆博斯騰湖地區的土壤鹽漬化狀況；Bouaziz[14]針對巴西東北部土壤鹽化問題，利用MODIS 遙感影像提取影響鹽化的植被指數等光譜參量，經過回歸分析建立了評價半干旱區土壤鹽化的線性波譜分離（linear spectral unmixing，LSU）模型；姚遠等[15]利用11種光譜變換的反射率與EM38數據建立土壤鹽分解譯模型，并選取出與土壤鹽分相關性最好的光譜變換形式及響應波段，最終構建 5種鹽分指數，通過精度檢驗選取最優高光譜指數，以此建立區域土壤鹽漬化監測模型。

綜上，植被指數或光譜變換等方法已分別被用于土壤鹽分反演，將二者結合在一起進行鹽分反演研究較少。本文以艾比湖濕地自然保護區為研究區，利用野外實測表層土壤高光譜數據，結合土壤含鹽量實測數據，分別研究基于高光譜指數和光譜變換的土壤含鹽量反演模型，并進一步地利用最優光譜變換形式下波段反射率構建新的光譜指數，用于建立土壤鹽分估算模型，以提高土壤鹽分反演精度，為土壤鹽分反演提供一種新的思路。

1 材料與方法

1.1 研究區概況

艾比湖濕地自然保護區地處新疆維吾爾族自治區博爾塔拉蒙古自治州境內（43°38′～45°52′N、79°53′～85°02′E），在行政區劃上地跨博州精河縣、博樂市和阿拉山口口岸區，總面積2 670.85 km2[16]。艾比湖地勢低洼，是準噶爾盆地西南緣最低洼地和水鹽匯集中心，是新疆最大的咸水湖[17]。以艾比湖湖體為核心，沿湖濱地帶形成了5 500 km2的濕地。屬于典型的中溫帶干旱大陸氣候，以干旱少雨、氣溫變化劇烈為特點。年均氣溫6.6～7.8 ℃，年降水量為116.0～169.2 mm[18]。濕地保護區內典型的地帶性土壤為灰漠土、灰棕土和風沙土，隱域性土壤為鹽澤土和草甸土，土壤有機質質量分數在0.23%～4.27%之間。研究區鹽土的土壤含水率在6.32%～24.32%；鹽化草甸土的土壤含水率在7.89%～24.16%；風沙土的土壤含水率 6.43%～38.37%；灰棕漠土的土壤含水率在 5.18%～11.0%之間[19]。

1.2 土壤樣品采集及測定

土壤樣品的采集時間為2016年7月15日—8月1日，以 3～10 km采樣點間隔為原則并結合保護區的自然景觀、土壤質地以及道路通達等實際情況，在預先設計的具有典型鹽漬化的土壤采樣點基礎上進行實地考察，去除數據異常后最終保留了32個具有代表性的鹽漬化土壤采樣點（圖1）。采樣時手持GPS在預先設計的采樣點坐標30 m范圍內尋找具有鹽漬化特征的平坦裸地進行土壤采集，以減少地表植被、土壤水分對土壤鹽分測定和光譜測定的影響。

圖1 研究區土壤采樣點及含鹽量分布Fig.1 Distribution of soil sampling points and salinity in study area

根據五點采樣法[20]，在各采樣點30 m×30 m樣方內采樣，采集 5份表層土壤，混合均勻后帶回實驗室內自然風干，磨碎、過2 mm篩后，將樣品細土按土水質量1∶5的比例制成提取液，并用TZS-EC-I土壤鹽分速測儀測定樣品土壤含鹽量。根據新疆水利廳頒發的《新疆縣級鹽堿地改良利用規劃工作大綱》[21]以及野外樣品土壤鹽分的實測狀況，艾比湖濕地自然保護區采樣點土壤鹽分分為6個等級（圖1）：非鹽漬土（＜1 g/kg）、微度鹽漬化（1～＜3 g/kg）、輕度鹽漬化（3～＜6 g/kg）、中度鹽漬化（6～＜10 g/kg）、重度鹽漬化（10～20 g/kg）和鹽漬土（＞20 g/kg）。由于樣本數量較少，按照校正集和驗證集7∶3的比例，從32個代表性土壤樣品中隨機選取22個樣本作為校正集，剩余10個樣本作為驗證集，土壤鹽分的校正集和驗證集的描述性統計性分析如表1所示。

表1 土壤鹽分的描述性統計分析Table 1 Descriptive statistical analysis on soil salinity

土壤光譜反射率測定采用 FieldSpec3型地物光譜儀（美國ASD公司），光譜范圍為350～2 500 nm，野外測量選擇晴朗無風的天氣，測量時間為12:00—16:00，面向太陽，測定之前先進行白板校正，測定時始終保證傳感器探頭位于土面正上方15 cm處[22]。在各采樣點樣方內，對應于 5點采樣位置，測定光譜反射率，每個位置測量2次，最終各采樣點獲得10條土壤光譜曲線。

為了消除野外測量時噪聲對光譜數據的影響，光譜曲線進行均值化、去噪和平滑預處理[23]。1）在 View Specpro軟件中分別對各采樣點的多條土壤光譜曲線進行均值化處理，10條光譜曲線的算術平均值作為該樣點的實際光譜反射率；2）通過在Excel軟件中對野外光譜數據散點圖的分析，對均值處理后的所有光譜曲線統一去除水分吸收帶波段1 340～1 450、1 750～2 020、2 330～2 500 nm；3）在Origin軟件中對光譜曲線進行平滑處理，最終將 3步預處理后的光譜曲線作為備用的土壤光譜特征曲線。另外，為了減少光照、背景噪聲的干擾，突出光譜曲線的混合特征信息，提高光譜靈敏度，在平滑后的原始土壤光譜特征曲線基礎上，對光譜反射率（R）分別進行求一階導Rˊ、二階導數R"、求平方根（R）、平方根的一階導(R)′、平方根的二階導(R)′、倒數（1/R）、倒數的一階導(1/R)′、倒數的二階導(1/R)′、對數 logR、對數的一階導(logR)′、對數的二階導(logR)′、倒數的對數（簡稱對倒數）log(1/R)、對倒數一階導(log(1/R))′、對倒數的二階導(log(1/R))′、去包絡線處理（Rcr）15種常見光譜變換，以選擇最佳的光譜處理方法。

1.3 土壤光譜指數的構建

采樣3種應用廣泛的指數構建土壤光譜指數，包括差值土壤指數（difference soil index，DSI）、簡單比值土壤指數（simple ratio soil index，RSI）和歸一化土壤指數（normalized differential soil index，NDSI），基于土壤R的各植被指數計算公式[24-26]如下：

式中Ri和Rj為350～2 500 nm之間隨機選取第i和j波段的土壤光譜反射率。

1.4 模型評價方法

從模型的穩定性和預測能力 2個方面評價反演模型精度，模型的穩定性用決定系數（R2）檢驗，模型的預測能力用均方根誤差（root mean square error，RMSE）進行評定[27]。R2的取值范圍為0～1，R2越大，說明模型的穩健性越好、估算模型擬合程度越高。RMSE越小，模型預測能力越好，即模擬值和測量值之間的偏差越小[28]。

2 結果與分析

2.1 不同鹽漬化程度土壤的高光譜特征

不同鹽漬化程度的土壤光譜反射率如圖2所示。圖2表明不同鹽漬化水平下，土壤的光譜特征在形態上趨于一致，在350～2 100 nm之間土壤光譜反射率隨波長的增加而增加，其中350～700 nm間的土壤光譜曲線增加迅速，在2 100 nm之后反射率隨波長增加而逐漸減弱。從總體上來看，鹽漬土反射率最高，中重度鹽漬化程度的土壤反射率高于非鹽漬土和輕微度土壤的反射率。

圖2 不同鹽漬化程度土壤的光譜反射率Fig.2 Spectral reflectance of soils with different degree of salinization

2.2 基于光譜數據變換構建土壤鹽分估算模型

將光譜反射率及其15種變換形式與土壤鹽分實測值分別進行偏相關關系分析，以尋找特征波段，結果如圖3所示。

圖3 不同形式變換的光譜反射率及其與土壤含鹽量的相關性分析Fig.3 Correlation analysis on relationship between transformed reflectance and soil salinity

根據圖3中相關分析，選出顯著相關的波段（特征波段）。R′、R″、(1/R)′、(log1/R)′、Rcr、(logR)′這 6 組變換下，顯著相關（P＜0.01）的波段數量較多，而其他變換沒有或者極少存在與土壤鹽分含量顯著相關的特征波段。因此，從以上6種變換中選擇特征波段（表2）。分別用R′、R″、1/R′、(logR)′、(log1/R)′、Rcr的特征波段反射率值與土壤含鹽量實測值進行多元線性回歸，建立不同高光譜變換下的土壤鹽分估算模型，見表2，從R2和RMSE值來看，建模精度相差不大，R2＜0.6。但從模型驗證可知（圖4），R′、(logR)′、(log1/R)′變換下的土壤鹽分估算模型精度較好，R2分別為 0.64、0.59和 0.67，RMSE分別為 2.8、3.0和 2.77 g/kg。總體而言，R′和(log1/R)′的模型精度相對較高。

表2 不同光譜變換下的土壤鹽分特征波段及土壤含鹽量回歸模型Table 2 Characteristic band and regression model of soil salinity under different spectral transformation

圖4 基于光譜變換的土壤鹽分回歸模型驗證Fig.4 Validation of soil salinity regression model based on spectral transformation

2.3 基于光譜指數的土壤鹽分估算模型

在Matlab-R2012a軟件中，將Ri和Rj分別進行光譜指數運算存入二維矩陣數據，然后與土壤鹽分實測值計算相關系數，最終得出基于DSI、RSI和NDSI的高光譜矩陣系數圖，見圖5。基于DSI的高光譜矩陣系數圖中，相關性較高的區域主要在 1 760～1 770 nm和 1 710～1 720 nm，最佳估算參數為（1 760，1 715），最大相關系數為0.56。基于NDSI的高光譜矩陣系數圖與DSI分布大致相似，相關性較高的區域主要在1 760～1 770 nm和1 710～1 720 nm，最佳估算參數為（1 760, 1 713），最大相關系數為 0.58。基于 RSI的高光譜矩陣系數圖中，相關性較高的區域主要在1 760～1 770 nm和1 710～1 720 nm，1 970～1 972 nm和690～720 nm，最佳估算參數為（1 770,1 720），最大相關系數為0.58。

圖5 光譜波段反射率與土壤鹽分的高光譜矩陣系數Fig.5 Hyperspectral matrix coefficients of spectral reflectance and soil salinity

分別建立基于最佳波段組合構建的 3種土壤光譜指數與土壤鹽分之間的線性和二次多項式回歸模型，結果如表3所示。基于RSI的土壤鹽分實測值的二次多項式回歸模型的R2最高（0.60），基于NDSI的二次多項式回歸模型的R2（0.59）次之，RMSE為5.22 g/kg。

表3 基于光譜指數的土壤鹽分線性與二次回歸模型Table 3 Linear and quadratic regression models of soil salinity based on spectral index

將模型反演的土壤鹽分估算值與驗證集土壤鹽分實測值進行比較，如圖6所示，基于DSI指數的線性和二次回歸模型的精度均高于基于其他植被指數的估算模型。總體，基于植被指數的模型精度高于基于光譜變換的模型，但2種方法的模型均有提升空間。

2.4 基于光譜變換的光譜指數構建土壤鹽分反演模型

將光譜變換下土壤鹽分反演精度較高的R′和(log1/R)′的波段反射率與土壤含鹽量實測值建立高光譜矩陣系數圖（如圖 7所示），以通過高精度的光譜變換形式與光譜指數結合得出新的土壤含鹽量高精度估算模型。

圖6 基于光譜指數的土壤鹽分回歸模型精度檢驗Fig.6 Validation of soil salinity regression model based on vegetation index

圖7 光譜變換后反射率與土壤鹽分的高光譜矩陣系數圖Fig.7 Hyperspectral matrix coefficient map of transformed reflectance and soil salinity

由圖7可知，進行R′變換后，基于DSI指數的最大相關系數為0.49，最佳波段組合為（1 578，1 548）；基于 NDSI指數的最高相關系數為 0.52，最佳波段組合為（886，503）；基于RSI指數的最高相關系數為0.54，最佳波段組合為（2 090，1 003）。進行(log1/R)′變換后，基于DSI指數的最大相關系數為0.49，最佳波段組合為（1 578，1 548）；基于NDSI指數的最高相關系數為0.58，最佳波段組合為（1 658，1 137）；基于RSI指數的最高相關系數為0.46，最佳波段組合為（2 310，1 328）。

將圖7獲得的最佳波段組合代入式（1）～式（3）進行光譜指數計算，進而建立基于光譜變換的光譜指數的土壤鹽分估算模型，見表4。由表可知，在(log1/R)′光譜變換下，基于NDSI指數的土壤鹽分估算模型精度最高，R2為0.76，RMSE為 4.28 g/kg；R′光譜變換下各光譜指數的土壤鹽分估算模型精度基本一致，R2均在0.5左右。經驗證（圖8）可知，在(log1/R)′光譜變換下，基于NDSI指數的土壤鹽分估算模型模擬值集中分布在 1∶1線附近，R2可達0.89，RMSE為3.34 g/kg，相對于單一光譜變換或光譜指數構建的模型精度有了明顯的提高，因此(log1/R)′光譜變換下基于NDSI指數的土壤鹽分估算模型用于土壤鹽分反演是可靠的，可用于半干旱地區土壤鹽分定量估算。在光譜指數估算土壤含鹽量研究中，光譜波段反射率與土壤鹽分的高光譜矩陣系數圖是基于去噪后的波段反射率值構建的，雖然水分吸收帶存在大量噪聲，但可能存在與土壤含鹽量最大相關系數的波段。Minasny等[29]利用外部參數正交化方法（external parameter orthogonalisation，EPO）算法對實測的光譜數據進行預處理從而去除水分影響，可以為接下來的工作提供新的思路和進展。

表4 基于光譜變換的光譜指數建立的土壤鹽分估算模型Table 4 Soil salinity model based on spectral index from spectral transformation

圖8 基于光譜變換的光譜指數建立的土壤鹽分估算模型驗證Fig.8 Validation of soil salinity model based on spectral index from spectral transformation

3 結 論

本文以艾比湖濕地自然保護區為研究區，利用野外實測土壤表層高光譜數據，并結合土壤含鹽量實測數據，分別對高光譜波段反射率進行光譜變換或構建高光譜指數，并建立基于光譜變換的高光譜指數，進一步構建土壤鹽分反演模型，結果表明：

1）在 15 種高光譜變換中，R′、R″、(1/R)′、logR′、(log1/R)′等高光譜變換形式與土壤鹽分的相關性較高，特征波段數量較多。基于特征波段建立土壤鹽分反演模型，比較而言，R′和(log1/R)′變換下土壤鹽分估算模型精度較好。

2）建立基于 DSI、RSI和 NDSI的土壤鹽分線性和二次回歸模型，結果表明基于 DSI指數的線性和多項式回歸模型精度均高于基于其他植被指數的模型。

3）利用不同光譜變換下的波段反射率構建光譜指數，得出新的土壤鹽分光譜指數估算模型。模型中以(log1/R)′光譜變換下NDSI指數的土壤鹽分估算模型精度為高，經驗證，模型R2為0.89，RMSE為3.34 g/kg。可見，(log1/R)′光譜變換下基于NDSI指數的土壤鹽分估算模型用于土壤鹽分反演是可靠的，可用于半干旱地區土壤鹽分定量估算。

本研究的土樣采集與光譜測定主要集中在艾比湖濕地自然保護區內，所利用微分變換與光譜指數 2種不同方法構建的土壤含鹽量估算模型能否用于其他地區還有待于進一步研究。

[1] 毛海濤，黃慶豪，龍順江，等. 土壤鹽漬化治理防護毯的研發及試驗[J]. 農業工程學報，2015，31(17): 121－127.Mao Haitao, Huang Qinghao, Long Shunjiang, et al. Design and experiment of protective blanket for soil salinization control[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(17): 121－127. (in Chinese with English abstract)

[2] 阿爾達克?克里木，塔西甫拉提?特依拜，張東，等. 基于高光譜的 ASTER影像土壤鹽分模型校正及驗證[J]. 農業工程學報，2016，32(12): 144－150.Ardak?Kelimu, Tashpolat?Tiyip, Zhang Dong, et al.Calibration and validation of soil salinity estimation model based on measured hyperspectral and Aster image[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 144－150. (in Chinese with English abstract)

[3] 王紅，劉高煥，宮鵬. 利用 Cokriging提高估算土壤鹽離子濃度分布的精度：以黃河三角洲為例[J]. 地理學報，2005，60(3)：511－518.Wang Hong, Liu Gaohuan, Gong Peng. Use of Cokriging to improve estimates of soil salt solute spatial distribution in the Yellow River delta[J]. Acta Geographica Sinica, 2005, 60(3):511－518. (in Chinese with English abstract)

[4] 王敬哲，塔西甫拉提·特依拜，丁建麗，等. 基于分數階微分預處理高光譜數據的荒漠土壤有機碳含量估算[J].農業工程學報，2016，32(21): 161－169.Wang Jingzhe, Tashpolat·Tiyip, Ding Jianli, et al. Estimation of desert soil organic carbon content based on hyperspectral data preprocessing with fractional differential[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 161－169. (in Chinese with English abstract)

[5] 丁建麗，伍漫春，劉海霞，等. 基于綜合高光譜指數的區域土壤鹽漬化監測研究[J]. 光譜學與光譜分析，2012(7)：1918－1922.Ding Jianli, Wu Manchun, Liu Haixia, et al. Study on soil salinization monitoring based on synthetical hyperspectral index[J]. Spectroscopy and Spectral Analysis, 2012(7): 1918－1922. (in Chinese with English abstract)

[6] 王磊，白由路，盧艷麗，等. 光譜數據變換對玉米氮素含量反演精度的影響[J]. 遙感技術與應用，2011，26(2)：220－225.Wang Lei, Bai Jie, Lu Yanli, et al. Effect on retrieval precision for corn N content by spectrum data transformation [J].Remote Sensing Technology and Application, 2011, 26(2):220－225. (in Chinese with English abstract)

[7] Mashimbye Z E. Model-based integrated methods for quantitative estimation of soil salinity from hyperspectral remote sensing data: A case study of selected South African[J].Pedosphere, 2012, 22(5): 640－649.

[8] 彭杰，王家強，向紅英，等. 土壤含鹽量與電導率的高光譜反演精度對比研究[J]. 光譜學與光譜分析，2014，34(2)：510－514.Peng Jie, Wang Jiaqiang, Xiang Hongying, et al. Comparative study on hyperspectral inversion accuracy of soil salt content and electrical conductivity[J]. Spectroscopy and Spectral Analysis, 2014, 34(2): 510－514. (in Chinese with English abstract)

[9] Stevens A. Measuring soil organic carbon in croplands at regional scale using airborne imaging spectroscopy[J].Geoderma, 2010, 158(1): 32－45.

[10] Tian Y, Zhang J, Yao X, et al. Laboratory assessment of three quantitative methods for estimating the organic matter content of soils in China based on visible/near- infrared reflectance spectra[J]. Geoderma, 2013, 202/203(7): 161－170.

[11] 遲春明，王志春. 蘇打鹽漬土草原植被群落分布與土壤理化性質相互關系[J]. 生態學雜志，2013，32(9)：2245－2249.Chi Chunming, Wang Zhichun. Interrelationships between grassland plant community distribution and soil physical and chemical properties in soda-saline soil regions of Songnen Plain, Northeast China[J]. Chinese Journal of Ecology, 2013,32(9): 2245－2249. (in Chinese with English abstract)

[12] 陳紅艷，趙庚星，陳敬春，等. 基于改進植被指數的黃河口區鹽漬土鹽分遙感反演[J]. 農業工程學報，2015，31(5)：107－114.Chen Hongyan, Zhao Gengxing, Chen Jingchun, et al. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 107－114. (in Chinese with English abstract)

[13] Brunner P. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data[J]. International Journal of Remote Sensing, 2007, 28 (15): 3341－3361.

[14] Bouaziz Moncef. Improved remote sensing detection of soil salinity from a semi-arid climate in Northeast Brazil[J].Geoscience, 2011, 343 (11): 795－803.

[15] 姚遠，丁建麗，張芳，等. 基于高光譜指數和電磁感應技術的區域土壤鹽漬化監測模型[J]. 光譜學與光譜分析，2013，33(6)：1658－1664.Yao Yuan, Ding Jianli, Zhang Fang, et al. Research on model of soil salinization monitoring based on hyperspectral index and EM38[J]. Spectroscopy and Spectral Analysis, 2013,33(6): 1658－1664. (in Chinese with English abstract)

[16] 巴依爾. 艾比湖濕地資源評價及保護利用[J]. 中國林業,2011(18)：62－62.

[17] 謝霞，塔西甫拉提·特依拜. 艾比湖地區綠洲化與荒漠化過程時空特征分析[J]. 干旱區資源與環境，2013，27(3)：86－92.Xie Xia, Tashpolat·Tiyip. Spatial-temporal change of oasification and desertification in Ebinur lake region in Xinjiang[J].Journal of Arid Land Resources and Environment,2013,27(3): 86－92. (in Chinese with English abstract)

[18] Liu D, Abuduwaili J, Wang L. Salt dust storm in the Ebinur Lake region: its 50-year dynamic changes and response to climate changes and human activities[J]. Natural Hazards,2015, 77(2): 1069－1080.

[19] Wang X P, Zhang F, Ding J L, et al. Estimation of soil salt content (SSC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR), Northwest China, based on a Bootstrap-BP neural network model and optimal spectral indices[J].Science of the Total Environment, 2017, 615(12): 918.

[20] 權全，解建倉，沈冰，等. 基于實測數據及遙感圖片的土壤采樣方法[J]. 農業工程學報，2010，26(12)：237－241.Quan Quan, Xie Jiancang, Shen Bing, et al. Soil sampling method based on field measurements and remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(12): 237－241. (in Chinese with English abstract)

[21] 新疆維吾爾自治區水利廳. 新疆縣級鹽堿地改良利用規劃工作大綱[R]. 烏魯木齊：新疆維吾爾自治區水利廳，2005.

[22] 劉克，趙文吉，郭逍宇，等. 基于地面實測光譜的濕地植物全氮含量估算研究[J]. 光譜學與光譜分析，2012，32(2)：465－471.Liu Ke, Zhao Wenji, Guo Xiaoyu, et al. Estimation total nitrogen content in wetland vegetation based on measured reflectance spectra[J]. Spectroscopy and Spectral Analysis,2012, 32(2): 465－471. (in Chinese with English abstract)

[23] 王學順，戚大偉，黃安民. 基于小波變換的木材近紅外光譜去噪研究[J]. 光譜學與光譜分析，2009，29(8)：2059－2062.Wang Xueshun, Qi Dawei, Huang Anmin. Study on denoising near infrared spectra of wood based on wavelet transform[J]. Spectroscopy and Spectral Analysis, 2009,29(8): 2059－2062. (in Chinese with English abstract)

[24] 王延倉，顧曉鶴，朱金山，等. 利用反射光譜及模擬多光譜數據定量反演北方潮土有機質含量[J]. 光譜學與光譜分析，2014，34(1)：201－206.Wang Yancang, Gu Xiaohe, Zhu Jinshan, et al. Inversion of organic matter content of the north fluvo-qquic soil based on hyperspectral and multi-spectra[J]. Spectroscopy and Spectral Analysis, 2014, 34(1): 201－206. (in Chinese with English abstract)

[25] Said Nawar. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: A case study from Egypt[J]. Arabian Journal of Geosciences, 2015, 8(7): 5127－5140.

[26] Meng L, Zhou S, Zhang H, et al. Estimating soil salinity in different landscapes of the Yellow River Delta through Landsat OLI/TIRS and ETM+Data[J]. Journal of Coastal Conservation, 2016, 20(4): 271－279.

[27] 彭翔, 胡丹, 曾文治，等. 基于EPO-PLS回歸模型的鹽漬化土壤含水率高光譜反演[J]. 農業工程學報，2016，32(11):167－173.Peng Xiang, Hu Dan, Zeng Wenzhi, et al. Estimating soil moisture from hyperspectra in saline soil based on EPO-PLS regression[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(11): 167－173.

[28] 胡珍珠，潘存德，潘鑫，等. 基于光譜水分指數的核桃葉片含水量估算模型[J]. 林業科學，2016，52(12)：39－49.Hu Zhenzhu, Pan Cunde, Pan Xin. Estimation models for water content of walnut leaves based on spectral moisture index[J]. Scientia Silvae Sinicae, 2016, 52(12): 39－49. (in Chinese with English abstract)

[29] Minasny B, McBratney A B, Bellon-Maurel V, et al.Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon[J].Geoderma, 2011, 167: 118－124.