基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預測

張俊華，賈萍萍，孫 媛，賈科利

基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預測

張俊華1,2，賈萍萍3，孫 媛3，賈科利3※

（1. 寧夏大學環境工程研究院，銀川 750021；2. 寧夏旱區資源評價與環境調控重點實驗室，銀川 750021； 3. 寧夏大學資源環境學院，銀川 750021）

為了利用高光譜技術準確預測不同土層土壤鹽漬化程度，該研究以寧夏銀北地區不同層次土壤為研究對象，以土壤實測光譜數據和室內鹽漬化指標測定數據為基本信息源，系統分析不同類型鹽漬化土壤光譜特征，確定與土壤pH值、電導率（electric conductivity，EC）和可溶性鹽分離子相關性最強的反射率轉換方式，篩選0～5 cm和0～20 cm土層鹽分指標敏感波段，然后建立并驗證不同土層不同土壤鹽分指標的預測模型。結果表明：研究區不同類型、不同鹽漬化程度土壤光譜特征曲線變化趨勢相似，鹽土光譜反射率最高，輕度硫酸鹽型土壤反射率最低。在所有鹽分指標中，單波段反射率與0～5 cm土壤SO42-的相關性最強（相關系數為0.910 4）；反射率與CO32-、HCO3-、Cl-含量相關性不顯著。土壤單波段反射率與0～20 cm土層SO42-的平均相關系數比0～5 cm土層降低了0.232 2，但Cl-、K+、HCO3-和EC的相關系數都有所增大。反射率通過不同方式轉換后，敏感波段與各鹽分的相關性有不同程度的增強，尤其是一階微分和連續統去除后一階微分轉換。在0～5 cm土層反射率經過平滑后一階微分轉換后與土壤pH值、SO42-、K+、Mg2+相關性最強；反射率經平滑后連續統去除一階微分轉換與土壤EC、CO32-、HCO3-、Cl-、Na+、Ca2+的相關性最強。0～20 cm土層中，平滑后連續統去除一階微分與土壤pH值、Cl-相關性最強，平滑后倒數對數一階微分與EC、HCO3-、SO42-、Na+、Ca2+的相關性最強，而平滑后一階微分與CO32-、K+、Mg2+相關性最強。不同土層相同鹽分指標敏感波段不同。利用偏最小二乘回歸建立的預測模型中，0～5 cm和0～20 cm敏感波段對10個鹽分指標預測平均決定系數分別為0.820 8和0.890 7，其中0～5 cm敏感波段對SO42-的預測模型決定系數達0.967 6。采用逐步回歸與偏最小二乘回歸相比模型引入敏感波段減少，但2降低。驗證結果表明模型對0～20 cm土層SO42-和CO32-的預測能力不及0～5 cm；但對其他8個鹽分離子的預測能力明顯高于0～5 cm。研究結果可以為該地區土壤的鹽漬化信息預測及植物格局配置提供科學依據。

土壤；鹽分；光譜分析；土層；高光譜；敏感波段；預測模型

0 引 言

土壤鹽漬化是干旱－半干旱地區常見的土壤退化過程之一。其易削弱土地生產力，造成糧食產量下降，威脅生態安全及社會經濟可持續發展[1-2]。因此，及時、快速、準確獲取土壤鹽漬化信息并進行預測，對鹽漬化土壤治理與防治具有重要意義。

自20世紀80年代以來，高光譜技術在土壤鹽漬化信息預測方面得到廣泛應用，成為診斷和預測土壤鹽漬化信息的有效手段[3-4]。由于野外土壤鹽分組成和表層性狀復雜，有學者在實驗室土壤中人為加入純鹽或混合鹽分來研究其光譜特征，以此診斷鹽漬化類型或預測可溶性鹽分離子濃度。Lv等[5]通過室內實驗研究指出鹽分不同土壤光譜吸收特征不同，相同濃度不同鹽分的土壤吸收規律也不同。Howari等[6]在實驗室測定了定量NaCl、NaHCO3、Na2SO4和CaSO4·H2O的土壤光譜，發現可以診斷出不同鹽分類型的鹽結皮。Jin等[7]研究也表明根據光譜特征可以準確、快速地區分出不同類型和不同濃度鹽分土壤。王海江等[8]研究了干燥過篩后的鹽漬土所構建的離子擬合模型并準確估算了新疆土壤K+、Na+、Ca2+和SO42-的含量。實驗室光譜雖然在很大程度上減弱或消除了天氣條件及周邊環境等對土壤光譜反射率的影響，但經過一系列風干、研磨、測定前平鋪等處理也會改變土壤的水分、表面粗糙度、粒徑分布及鹽分分布等，消弱土壤某種屬性的表現[9]，尤其是表聚性較強的鹽分，所以目前也有很多學者通過土壤野外光譜特征研究土壤鹽分狀況。Srivastava等[10]研究發現在1 390～2 400 nm范圍內光譜反射率與土壤鹽分變化高度相關，模型可以準確預測EC、Na+、Ca2+、Mg2+、Cl?以及鈉離子吸附比（sodium adsorption ratio，SAR）。Peng等[11]指出光譜技術可以準確預測野外土壤全鹽、HCO3-、SO42-、Ca2+、Mg2+、Cl-、Na+，但對K+卻無法準確預測。此外，基于野外可見光－近紅外波段的歸一化光譜指數（normalized spectral indices，NDSI）、土壤光譜質量指數（soil spectral quality index, SSQI）等也可以準確預測除K+和Ca2+外土壤各鹽分指標[12-13]。Zovko等[14]發現意大利Neretva河谷土壤鹽分指數可以準確預測土壤SO42-、Ca2+、陽離子交換量（cationic exchange capacity，CEC）和EC，并指出鹽分指數除了與鹽分含量、pH值有關外，與土壤質地和CEC、碳酸鈣、有機質含量也密切相關[15]。光譜數據常用建模方法有逐步回歸（stepwise regression，SR）、偏最小二乘回歸（partial least squares regression，PLSR）、主成分法、多元自適應回歸法、神經網絡法等[16]。屈永華等[17]利用PLSR建立光譜數據模型對SO42-、K+、Na+、pH值有較高的反演精度，但Peng等[18]指出采用Cubist模型較PLSR模型對EC的預測更準確。可以看出，由于土壤類型、鹽分組成、表面粗糙度及其他理化性狀的不同，根據土壤野外高光譜預測土壤不同鹽分指標的精度差異也較大，同時，同一地區相同土壤采用不同的建模方法，土壤鹽分預測精度也不盡相同。

鹽漬土鹽分運移隨時空變化積鹽、脫鹽過程存在差異，相同地點不同土層鹽漬化程度亦不同。Jiang等[19]指出在新疆干旱－綠洲地區深層土壤鹽分與0～10 cm表層土壤鹽分和土壤光譜反射率間有明顯的相關性。吳亞坤等[20]對不同土層利用多源數據進行模型構建，模型對0～60 cm土層EC的估算精度優于60～120 cm。深入研究發現土壤EC預測精度表現為0～30 cm最低，30～60 cm隨后升高，至60～90 cm逐漸降低，到90～120 cm又有升高的趨勢[21]。寧夏銀川平原北部地區廣泛分布著不同類型的鹽漬化土壤，是當地重要的后備耕地。0～5 cm土層是一般草本植物種子萌發的深度，較輕的土壤鹽分有利于種子萌發[22]，0～20 cm是作物大部分根系生長的深度，良好的土壤環境是根系正常生長的前提。所以在作物種植前了解土層鹽分狀況，可以預判作物能否正常萌發、生長，以便為春耕前土地整理提供決策依據。為了確定高光譜技術能否準確預測土壤這2個土層的鹽漬化程度，不同土層預測精度有何差異，本文以寧夏銀北地區不同鹽漬化程度的0～5 cm和0～20 cm土壤為研究對象，通過野外原位土壤光譜測定，結合樣本實驗室pH值、EC和可溶性鹽分離子測定結果，在篩選出對各鹽分指標敏感的光譜反射率和最佳轉換方式的基礎上，利用PLSR和SR同時建立了0～5 cm和0～20 cm土壤各鹽分指標的預測模型，并對模型進行了驗證，以期為該地區土壤的鹽漬化信息預測及植物格局配置提供科學依據。

1 材料與方法

1.1 研究區概況

試驗地處寧夏銀北地區（106°24′～106°69′ E，38°50′～39°04′ N），位于寧夏賀蘭山東麓洪積扇和平原之間，年降水量約為150～203 mm，年蒸發量1 755.1 mm 以上，因地形低洼，排水條件很差，是一個水分與鹽分匯集的地區，形成了大面積鹽堿土。研究區不同測點各鹽分指標差異很大，但總體上具有較高的pH值、EC，SO42-、Cl-和Na+含量，0～5 cm土層可溶性鹽基離子含量高于0～20 cm，其基本理化性狀如表1所示。

表1 供試土壤基本理化性狀

1.2 光譜數據及其他指標的測定

野外土壤光譜采用美國Spectral Evolution公司的SR-3500地物光譜儀，探測波段為350～2 500 nm，其中350～1 000 nm分辨率3.5 nm，1 000～1 500 nm分辨率為10 nm，1 500～2 100 nm分辨率為7 nm，于2018年4月中旬進行測定。光譜測定時間為10:00～14:00，天氣狀況良好，晴朗無云，風力較小。測定時光譜儀探頭設置在垂直距離土表上方20 cm處。每個樣點重復測定5次，取平均值作為該樣點的光譜反射值，共86個樣品。測定過程中，在每次觀測前進行標準白板校正。光譜測定后在原處采集0～5 cm和0～20 cm土壤樣品，帶回室內測定土壤含水率，風干后測定土壤有機質、全氮、pH值、EC和各水溶性鹽分離子濃度，各指標測定方法見文獻[23]。

1.3 土壤光譜反射率轉換方式

對去噪后的光譜數據進行Savitzky-Golay平滑()、平滑后一階微分()′、平滑后倒數對數一階微分[lg(1/)]′、平滑后連續統去除CR、平滑后連續統去除一階微分(CR)′5種轉換方式。

1.4 不同土層鹽分含量預測模型的建立

將86個樣本分兩部分（按0～20 cm土層劃分鹽分類型，硫酸鹽型10個、硫酸鹽－氯化物型35個、氯化物－硫酸鹽型41個），隨機取56個樣本用于建模，30個樣本用于驗證模型性能。利用敏感光譜反射率，采用PLSR和SR建模預測土壤pH值、EC和鹽分離子含量，選擇決定系數較大且敏感波段較少的方程為預測模型。模型的預測能力用驗證樣本的擬合度2以及總均方根差RMSE來檢驗，擬合度越大，總均方根差越小，模型預測能力越強。

2 結果與分析

2.1 不同類型土壤表層光譜特征差異

為了說明不同類型、不同程度鹽漬化土壤光譜特征，從眾多樣品中選取5個有代表性的土壤（0～5 cm和0～20 cm），其基本理化性狀和光譜特征曲線如表2和圖1所示。供試土壤A1鹽分含量非常高，尤其是SO42-和Na+，屬于典型的硫酸鹽型鹽土；A2為硫酸鹽－氯化物型土壤，pH值較A1高，但EC和可溶性鹽基離子均低于A1；A3和A4都屬于氯化物－硫酸鹽型土壤，A3是典型龜裂堿土，HCO3-含量相對較高；A4表層質地堅硬，表層呈灰色，0～5 cm屬于氯化物－硫酸鹽型，但0～20 cm屬于硫酸鹽－氯化物型土壤；A5為硫酸鹽型輕度鹽漬化土壤，是基本農田。由于采樣在4月中旬，土壤鹽分表聚明顯，0～5 cm各可溶性鹽分離子含量總體上高于0～20 cm，但兩層土壤pH值差異無規律。

表2 典型供試土壤A1～A5基本理化性狀

5種不同類型、不同鹽漬化程度土壤光譜特征曲線變化趨勢相似（圖1），在400～580 nm反射率呈單調上升趨勢，此區間內光譜曲線斜率較大；580～1 350 nm緩慢增加或基本持平；1 350～1 450 nm受土壤水分含量影響反射率不穩定[24]，各土壤反射率增減不一致；1 450～1 800 nm普遍基本持平；1 800～2 030 nm受土壤水分影響出現反射谷[25]，該區域水分對反射率的影響明顯大于1 350～1 450 nm范圍。同為鹽土，硫酸鹽型鹽土A1光譜反射率明顯高于氯化物－硫酸鹽型鹽土A4，說明硫酸鹽型鹽漬化土壤光譜響應相對氯化物－硫酸鹽型更強烈。5個測點中輕度硫酸鹽型土壤A5平均反射率比A1～A4在400～2 450 nm低46.82%、25.91%、16.17%和6.50%。不同鹽漬化程度之間的光譜分離度較好，因此，研究區的鹽漬化土壤對可見光-近紅外波段光譜具有良好的光譜響應特征。

注：A1-A5含義同表2。

2.2 單波段反射率與不同土層鹽分指標相關性分析

利用所有土壤樣品野外高光譜數據分別與各鹽分指標做相關性分析，結果顯示，0～5 cm土層土壤光譜反射率與SO42-、EC、Na+、Ca2+、Mg2+呈顯著（<0.05）正相關關系，其中與SO42-的相關性最強，在整個波段內平均相關系數達到0.766 9，在401.1 nm處達0.910 4；與CO32-、HCO3-、Cl-含量相關性不顯著（圖2）。0～20 cm土層，不同波段反射率與Mg2+、EC、K+呈極顯著正相關關系，與SO42-、Na+、Cl-呈顯著正相關，與pH值、CO32-呈顯著負相關關系。0～20 cm反射率與SO42-的相關系數比0～5 cm土層SO42-平均降低了0.232 2，但與Cl-、K+、HCO3-和EC的平均相關系數分別增大了0.433 1、-0.343 3、0.303 2和0.296 2。紫光能量大，穿透能力強，所以各鹽分指標與紫光波段原始反射率相關性普遍較強。

圖2 單波段反射率與不同土層土壤鹽分指標間的相關系數

2.3 不同轉換方式下光譜反射率與不同土層鹽分指標相關性分析

反射率通過不同方式轉換后可以提高某些波段與土壤鹽分指標間的相關性。反射率經過連續統去除轉換后與各鹽分指標的相關性相對較穩定，()′、[lg(1/)]′和(CR)′ 3種方式轉換后與0～5 cm和0～20 cm鹽分指標間相關性均呈鋸齒狀變化，但最大相關系數（或絕對值）較轉換前有顯著增大。按照紫（400～455 nm）、藍（455～492 nm）、綠（492～577 nm）、黃（577～597 nm）、橙（597～622 nm）、紅（622～780 nm）、近紅外短波（780～1 100 nm）、近紅外長波（1 100～2 500 nm）的劃分，在每一波段范圍內分別篩選出與各鹽分指標相關性最強波段。在0～5 cm土層中，反射率經過一階微分()′轉換后與該層土壤pH值、SO42-、K+、Mg2+相關性最強；反射率經統去除后一階微分(CR)′轉換與土壤EC、CO32-、HCO3-、Cl-、Na+、Ca2+的相關性最強。0～20 cm土層中，(CR)′與pH值、Cl-相關性最強，[lg(1/)]′與EC、HCO3-、SO42-、Na+、Ca2+的相關性最強，而()′與CO32-、K+、Mg2+相關性最強。在上述8個波段范圍內，反射率最佳轉換方式下與土壤鹽分指標間的最大相關系數（或絕對值）所對應的波段即為敏感波段，土壤各鹽分指標與所對應敏感波段的相關系數如表3所示。0～5 cm土層SO42-與各敏感波段對應的相關系數（或絕對值）最大，其絕對值平均值達0.885 8，K+次之，CO32-相關系數（或絕對值）最小；0～20 cm土層K+與各敏感波段間的相關系數（或絕對值）最大，Mg2+次之，CO32-仍最小。0～20 cm土層SO42-與敏感波段間的相關系數的絕對值平均值比0～5 cm土層下降了0.187 5，Ca2+下降了0.113 1，其他鹽分指標均較0～5 cm有不同程度的增大。

2.4 敏感波段對不同土層鹽分指標的預測

根據篩選出的敏感波段，利用PLSR和SR建立基于敏感波段的不同鹽分預測方程（如表4、5所示），各鹽分指標與最敏感單波段反射率相關系數在0.448 4～0.939 4之間，但采用多個敏感波段對各鹽分指數進行擬合后決定系數均有不同程度的提高，尤其是相關系數較小的指數。故采用所有鹽分指數建立的2種回歸方程的2均達到極顯著水平。利用PLSR建立的預測模型中，0～5 cm敏感波段對SO42-的決定系數高達0.967 6（比0～20 cm高0.077 6），其次是HCO3-，對EC的決定系數最低，為0.623 3，但也達到極顯著水平；除SO42-外，預測方程對0～20 cm鹽分指標的決定系數比0～5 cm有明顯增大，其中對pH值、HCO3-、Cl-、K+、Na+和Mg2+的決定系數均大于0.900 0，對CO32-的決定系數最小，為0.759 7。SR結果與PLSR結果相比，敏感波段明顯減少，但2也有不同程度降低，尤其是0～5 cm的pH值、EC和Na+的2降低0.10以上，故該層這3個鹽分指標最終預測方程選擇PLSR方程，其他指標的預測方程則確定為SR方程。

2.5 預測模型的驗證

為了驗證模型的預測效果，利用30個驗證樣本對0～5 cm和0～20 cm土壤鹽分指標預測模型進行驗證（除0～5 cm土壤pH值、EC和Na+采用PLSR方程外，其他指標均采用SR方程）。從圖3可以看出，多個敏感波段利用最佳光譜反射率轉換方式處理后建立的模型均可以準確預測0～5 cm土層pH值、EC和鹽分離子，其中對SO42-的擬合度最大，Na+次之，對EC和pH值的預測精度相對較低。光譜反射率對0～20 cm土層SO42-和CO32-的預測能力較0～5 cm有不同程度降低（圖4），但仍達到顯著水平；對pH值、EC和其他鹽分離子的預測能力明顯高于對0～5 cm各指標的預測，尤其是對pH值和Mg2+的預測擬合度分別增加0.255 5和0.244 1。0～5 cm預測方程的RMSE普遍高于0～20 cm，說明光譜反射率對0～20 cm各指標的預測穩定性比0～5 cm更強。

表3 不同鹽分指標與對應敏感波段范圍反射率的最大相關系數

注：—、*和**分別表示不顯著、在5%和1%水平上的顯著性。

Note: —, * and ** were non-significant, significant at the 0.05 and0.01 probability levels, respectively.

表4 利用PLSR建立的鹽分指標預測方程

表5 利用SR建立的鹽分指標預測方程

注：RMSE單位與各指標相同，下同。=30。除土壤pH值、EC和Na+采用PLSR方程外，其他指標均采用SR方程。

Note: The RMSE unit is the same as each parameter, the same below.=30. Except the soil pH value, EC and Na+adopted the PLSR equation, the other parameters adopted the SR equation.

圖3 0～5 cm土層各鹽分指標預測結果驗證

圖4 0～20 cm土層各鹽分指標預測結果驗證

3 討 論

供試土壤表層光譜特征曲線屬于緩斜型，測點A1屬于典型硫酸鹽型鹽土，測點中心寸草不生，0～5 cm均為白色結晶和粉末狀物質，且含水率高達38.18%，故光譜反射率最高，結論與Jin等[24]、Zhang等[26]研究結果一致。A2為硫酸鹽－氯化物型土壤，其土壤EC和可溶性鹽分離子含量均低于A1，反射率低于A1。A3是典型龜裂堿土，表層略泛白，反射率居中。顏安等[27]指出龜裂狀干鹽殼呈龜裂狀六邊形，地表常見龜裂縫，表面粗糙，異常堅硬，影像上位于淺色紋理處，色調灰白，反射率居中，與本研究結論一致。A4中CO32-和HCO3-含量較高，Na2CO3和NaHCO3在與水結合后釋出CO2致使表層有蜂窩狀外觀，相對較粗糙，故反射率較低。同為鹽土，硫酸鹽型鹽土A1光譜反射率明顯高于氯化物－硫酸鹽型鹽土A4，是因為A1含水率和含鹽量比A4更高，且A4表面相對較粗糙。A5是基本農田，屬于輕度鹽漬化土壤，犁地結束還未進行平整，表面高低不平，所以反射率最低。供試土壤中除了A1樣點SO42-和Na+含量最高外，其他樣點普遍以Cl-最高，但0～5 cm土層單波段反射率與SO42-相關性最強，而與CO32-和HCO3-在可見光和近紅外波段相關性均不顯著，在0～20 cm土層反射率與Mg2+相關性最強，與Ca2+相關性最差。所以土壤表層反射率的高低與含鹽量、含水率、粗糙度及顏色都有密切關系[9,28]。

反射率通過不同方式轉換后，敏感波段與各鹽分的相關性有不同程度的增強，尤其是經過一階微分轉換后與鹽分的相關性增幅最大。因為光譜微分變換在消除漂移基線或是平滑背景的干擾下，可以提供較原光譜精度更高的分辨率和更清晰的光譜輪廓，能夠增強高光譜數據與土壤含鹽量間的相關程度，與相關研究結論相同[29-30]。但不同土層相同鹽分指標所對應的最佳反射率轉換方式和敏感波段不盡相同。本研究結果表明多個敏感波段利用最佳光譜反射率轉換方式處理后建立的模型均可準確預測0～5 cm土層pH值、EC和可溶性鹽分離子，其中對SO42-的擬合度最大，Na+次之，對EC和pH值的預測精度相對較低；對0～20 cm土層pH值、EC和其他鹽分離子的預測能力明顯高于對0～5 cm。紫光能量大，穿透能力強；紅光波段和近紅外波段是有機質、鹽分、粘粒礦物和機械組成的敏感波段，所以不同鹽分指標的敏感波段普遍集中在紫光、紅光和近紅外范圍[28,30-31]。由于選取的敏感波段更多，故2個土層利用PLSR建立的土壤鹽分指標反演模型擬合度較利用SR方法建立的模型更高，但后者各模型運用的敏感波段明顯少于前者，有些鹽分指標如0～5 cm土層的pH值、Na+、Ca2+、SO42-、K+、Mg2+以及0～20 cm土層EC、CO32-和Cl-，其敏感波段只有1～2個，且模型的擬合度也均通過了<0.05顯著性檢驗。寧夏銀北地區土壤Na+、Cl-、SO42-含量較高，因此這3種離子可以得到準確反演[32]；Mg2+和Ca2+雖然含量少，但與土壤顆粒結合后會形成螯合形態或與土壤中的其他離子形成螯合形態或難溶于水的磷酸鹽、硫酸鹽以及硅酸鹽等[33]，所以這些物質也能夠在高光譜上得到明顯響應，與代希君等、王海江的研究結論一致[33,8]。本研究0～5 cm土層10個鹽分指標的平均決定系數（0.820 8）低于0～20 cm土層（0.890 7），這可能與研究區特殊的土壤表面性狀、氣候、植被等自然地理環境密切相關，0～5 cm土層由于鹽分的表聚性pH值及鹽分含量顯著高于0～20 cm土層，但最上層干擾性因素也最大，如土壤表層的蜂窩狀外觀、龜裂堿土的表面不同大小的裂隙、可溶鹽潮解而使土壤顏色變深等原因[34]，直接影響了土壤光譜反射率大小，從而影響光譜信息對鹽分指標的擬合精度；雖然0～20 cm土層鹽分含量相對0～5 cm較低，但土壤性質較穩定，所以整體反演效果更好。不同植物資源耐鹽堿程度不同，對可溶性鹽分基離子的耐受力也不盡相同[35-36]，準確預測土壤中pH值、EC及可溶性鹽分離子的含量，既能夠為該地區土壤的鹽漬化程度提供科學依據，也可以為該地區植物格局配置提供科學依據。

4 結 論

1）0～5 cm土壤光譜反射率與SO42-的相關性最強，與EC、Na+、Ca2+和Mg2+也達顯著正相關關系（< 0.05）。0～20 cm反射率與SO42-的相關系數比0～5 cm土層SO42-明顯降低，但與Cl-、K+、HCO3-和EC的相關系數都有所增大，相關性都達顯著水平（< 0.05）。

2）在0～5 cm土層中，反射率經過一階微分()′轉換后與該層土壤pH值、SO42-、K+、Mg2+相關性最強；反射率經連續統去除后一階微分(CR)′轉換與土壤EC、CO32-、HCO3-、Cl-、Na+、Ca2+的相關性最強。0～20 cm土層中，(CR)′與pH值、Cl-相關性最強，[lg(1/)]′與EC、HCO3-、SO42-、Na+、Ca2+的相關性最強，而()′與CO32-、K+、Mg2+相關性最強。

3）利用PLSR建立的預測模型中，0～5 cm敏感波段對SO42-的決定系數最高，其次是HCO3-，對其他鹽分指標的預測決定系數也達顯著水平；除SO42-外，預測方程對0～20 cm鹽分指標的決定系數比0～5 cm有明顯增大。模型對0～20 cm土層SO42-和CO32-的預測能力不及0～5 cm；但對其他鹽分離子的預測能力明顯高于0～5 cm。

[1] Asfaw E, Suryabhagavan KV, Argaw M. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia[J]. Journal of the Saudi Society of Agricultural Sciences, 2018, 17(3): 250－258.

[2] Sidike A, Zhao S H, Wen Y M. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 156－175.

[3] Muller S J, van Niekerk A. Identification of WorldView-2 spectral and spatial factors in detecting salt accumulation in cultivated fields[J]. Geoderma, 2016, 273: 1－11.

[4] 陳紅艷，趙庚星，李玉環，等. 消除水分因素影響的野外原狀土壤鹽分高光譜建模估測[J]. 農業工程學報，2018，34(12)：119－125. Chen Hongyan, Zhao Gengxing, Li Yuhuan, et al. Modeling and estimation of field undisturbed soil salt based on hyperspectra under removal of moisture factor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12): 119－125 . (in Chinese with English abstract)

[5] Lv Q F, Jiang L S, Ma B, et al. A study on the effect of the salt content on the solidification of sulfate saline soil solidified with an alkali-activated geopolymer[J]. Construction and Building Materials, 2018, 176: 68－74.

[6] Howari F M, Goodell P C, Miyamoto S. Spectral properties of salt crusts formed on saline soils[J]. J. Environ. Qual. , 2002, 31(5): 1453－1461.

[7] Jin P B, Li P H, Wang Q, et al. Developing and applying novel spectral feature parameters for classifying soil salt types in arid land[J]. Ecological Indicators, 2015, 54: 116－123.

[8] 王海江，蔣天池，Yunger J A，等. 基于支持向量機的土壤主要鹽分離子高光譜反演模型[J]. 農業機械學報，2018，49(15)：263－270. Wang Haijiang, Jiang Tianchi, Yunger J A, et al. Hyperspectral inverse model for soil salt ions based on support vector machine in Xinjiang[J]. Transactions of the CSAM. 2018, 49(15): 263－270. (in Chinese with English abstract)

[9] 張俊華，馬天成，賈科利. 典型龜裂堿土土壤光譜特征影響因素研究. 農業工程學報，2014，30(23)：158－165. Zhang Junhua, Ma Tiancheng, Jia Keli. Factors affecting the spectral characteristics of typical takyr solonetzs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 158－165. (in Chinese with English abstract)

[10] Srivastava R, Sethi M, Yadav R K, et al. Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected doil in the indo-gangetic plains of haryana, India[J]. Journal of the Indian Society of Remote Sensing, 2017, 45(2): 307－315.

[11] Peng J, Ji W J, Ma Z Q, et al. Predicting total dissolved salts and soluble ion concentrations in agricultural soils using portable visible near-infrared and mid-infrared spectrometers[J]. Biosystems engineering, 2016, 152: 94－103.

[12] Hendawy S E, Suhaibani N A, Hassan W M, et al. Evaluation of wavelengths and spectral reflectance indices for high through put assessment of growth, water relations and ion contents of wheat irrigated with saline water[J]. Agricultural Water Management, 2019, 212: 358－377.

[13] Paz-Kagan T, Shachak M, Zaady E, et al. A spectral soil quality index (SSQI) for characterizing soil function in areas of changed land use[J]. Geoderma, 2014, 230－231: 171－184.

[14] Zovko M, Romi? D, Colombo C, et al. A geostatistical Vis-NIR spectroscopy index to assess the incipient soil salinization in the Neretva River valley, Croatia[J]. Geoderma, 2018, 332: 60－72.

[15] V?gen T G, Shepherd K D, Walsh M G. Sensing landscape level change in soil fertility following deforestation and conversion in the highlands of Madagascar using Vis-NIR spectroscopy[J]. Geoderma, 2006, 133(3/4): 281－294.

[16] Mohamed E S, Saleh A M, Belal A B, et al. Application of near-infrared reflectance for quantitative assessment of soil properties[J]. The Egyptian Journal of Remote Sensing and Space Sciences, 2018, 21: 1－14.

[17] 屈永華，段小亮，高鴻永，等. 內蒙古河套灌區土壤鹽分光譜定量分析研究[J]. 光譜學與光譜分析，2009，29(5)：1362－1366. Qu Yonghua, Duan Xiaoliang, Gao Hongyong, et al. Quantitative retrieval of soil salinity using hyperspetral data in the region of Inner Mongolia Hetal irrigation district[J]. Spectroscopy and Spectral Analysis, 2009, 29(5): 1362－1366. (in Chinese with English abstract)

[18] Peng J, Biswas A, Jiang Q S, et al. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province, China[J]. Geoderma, 2019, 337: 1309－1319.

[19] Jiang H N, Shu H. Optical remote-sensing data based research on detecting soil salinity at different depth in an arid-area oasis, Xinjiang, China[J]. Earth Science Informatics, 2018, 7: 1－14.

[20] 吳亞坤，楊勁松，李曉明. 基于光譜指數與EM38的土壤鹽分空間變異性研究[J]. 光譜學與光譜分析，2009，29(4)：1023－1027. Wu Yakun, Yang Jinsong, Li Xiaoming. Study on spatial variability of soil salinity based on spectral indices and EM38 readings[J]. Spectroscopy and Spectral Analysis. 2009, 29(4): 1023－1027. (in Chinese with English abstract)

[21] 吳亞坤，劉廣明，楊勁松，等. 基于多源數據的中原黃泛典型區土壤鹽分空間變異分析[J]. 農業工程學報，2015，31(5)：115－120. Wu Yakun, Liu Guangming, Yang Jingsong, et al. Spatial variability of soil salinity based on multi-source data for typical zone of flood area of the Yellow river in central China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 115－120. (in Chinese with English abstract)

[22] 李保國，徐建明譯. 土壤學與生活[M]. 北京：科學出版社，2019. Li Baoguo, Xu Jianming. The nature and properties of soils[M]. Beijing: Science Press, 2019. (in Chinese with English abstract)

[23] 魯如坤. 土壤農業化學分析方法[M]. 北京：中國農業科技出版社，2000.

[24] Jin P B, Li P H, Wang Q, et al. Develiping and applying novel spectral feature parameters for classifying soil salt types in arid land[J]. Ecological Indicators. 2015, 54: 116－123.

[25] 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 optional spectral indices[J]. Science of the Total Environment. 2008, 615: 918－930.

[26] Zhang T T, Qi J G, Gao Y, et al. Detecting soil salinity with MODIS time series VI data[J]. Ecol. Indic. , 2015, 52: 480－489.

[27] 顏安，蔣平安，武紅旗，等. 基于決策樹方法的羅布泊“大耳朵”干鹽湖區鹽殼分類研究[J]. 遙感信息，2009，2：57－63，75. Yan An, Jiang Pingan , Wu Hongqi, et al. A study on salt crust classification based on decision tree technology in Lop Nur “Great Ear” dry salt lake area[J]. Remote Sensing Information, 2009, 2: 57－63, 75. (in Chinese with English abstract)

[28] 彭杰，遲春明，向紅英，等. 基于連續統去除法的土壤鹽分含量反演研究[J]. 土壤學報，2014，51(3)：459－469. Peng Jie, Chi Chunming, Xiang Hongying, et al. Inversion of soil salt content based on continuum-removal method[J]. Acta Pedologica Sinica. 2014, 51(3): 459－469. (in Chinese with English abstract)

[29] 張賢龍，張飛，張海威，等. 基于光譜變換的高光譜指數土壤鹽分反演模型優選[J]. 農業工程學報，2018，34(1)：110－117. Zhang Xianlong, Zhang Fei, Zhang Haiwei, et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 110－117. (in Chinese with English abstract)

[30] 劉煥軍，張柏，張淵智，等. 基于反射光譜特性的土壤分類研究[J]. 光譜學與光譜分析，2008，28(3)：624－628. Liu Huanjun, Zhang Bai, Zhang Yuanzhi, et al. Soil taxonomy on the basis of reflectance spectral characteristics[J]. Spectroscopy and Spectral Analysis. 2008, 28(3): 624－628. (in Chinese with English abstract)

[31] 劉亞秋，陳紅艷，王瑞燕，等. 基于可見/近紅外光譜的黃河口區土壤鹽分及其主要離子的定量分析[J]. 中國農業科學，2016，49(10)：1925－1935. Liu Yaqiu, Chen Hongyan, Wang Ruiyan, et al. Quantitative analysis of soil salt and its main ions based on visible/near infrared spectroscopy in estuary area of Yellow River[J]. Scientia Agricultura Sinica, 2016, 49(10): 1925－1935. (in Chinese with English abstract)

[32] 張俊華，孫媛，賈科利，等. 不同鹽結皮光譜特征及其鹽漬化信息預測研究[J]. 農業機械學報，2018，49(12)：325－333. Zhang Junhua, Sun Yuan, Jia Keli, et al. Spectral characteristics and salinization information prediction of different soil salt crusts in Northern Ningxia Yinchuan[J]. Transactions of the CSAM, 2018, 49(12): 325－333 (in Chinese with English abstract)

[33] 代希君，張艷麗，彭杰，等. 土壤水溶性鹽基離子的高光譜反演模型及驗證[J]. 農業工程學報，2015，31(22)：139－145. Dai Xijun, Zhang Yanli, Peng Jie, et al. Prediction and validation of water-soluble salt ions content using hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 139－145. (in Chinese with English abstract)

[34] 何文壽，劉陽春，何進宇. 寧夏不同類型鹽漬化土壤水溶鹽含量與其電導率的關系[J]. 干旱地區農業研究，2010，28(1)：111－116. He Wenshou, Liu Yangchun, He Jinyu. Relationships between soluble salt content and electrical conductivity for different types of salt-affected soils in Ningxia. Agricultural Research in the Arid Areas. 2010, 28(01): 111－116 (in Chinese with English abstract)

[35] 季洪亮，劉紅麗，路艷. 北方濱海地區鄉土野生鹽堿植物資源調查及分析[J]. 西北林學院學報，2018，33(4)：261－267. Ji Hongliang, Liu Hongli, Lu yan. Investgation and analysis of the wild saline-alkali plants in the coastal area of northern China[J]. Journal of Northwest Forestry University. 2018, 33(4): 261－267. (in Chinese with English abstract)

[36] Müller I S, Gilliham M, Jha D, et al. Shoot Na+exclusion and increased salinity tolerance engineered by cell type-specific alteration of Na+transport in Arabidopsis[J]. Plant Cell, 2009, 21(7): 2163－2178.

Prediction of salinity ion content in different soil layers based on hyperspectral data

Zhang Junhua1,2, Jia Pingping3, Sun Yuan3, Jia Keli3※

(1.,,750021,; 2.,,750021,; 3.,750021,)

Soil salinization is a worldwide environmental problem with severe economic and social consequences. It is necessary to develop a soil-salinity-estimation model to project the spatial distribution of soil salinity. In this study, the spectra characteristics and salinization parameters of the soils in the different layers in northern Ningxia Yinchuan were measured. Based on the soil science and geostatistics methods, the sensitive wavelengths and the best transformation forms of spectral reflectance to salinity parameters (soil pH value, electric conductivity(EC) and salt ions) in 0-5 cm and 0-20 cm were selected respectively, and then the soil salinity parameters monitoring model was established. The results showed that: 1) The variation trend of soil spectral characteristic curves of five different types and different salinization degrees was similar. Saline soil had the highest spectral reflectance, and slightly SO42-type soil had the lowest reflectance. Salinized soils had good spectral response characteristics in visible and near infrared spectra region. The reflectance had the most closely related to the content of SO42-in all salinity parameters (coefficient of correlation was 0.910 4) of 0-5cm layer. There were non-significant relationships between reflectance and the contents of CO32-, HCO3-and Cl-. The average coefficient of correlation of reflectance and SO42-in 0-20 cm layer was decreased 0.232 2 than in 0-5 cm. However, the average coefficient of correlations of reflectance and Cl-, K+, HCO3-, EC were increased 0.433 1, -0.343 3, 0.303 2, 0.296 2, and got significant level. 2) After the spectral reflectance were transformed in different methods, the correlation between the most sensitive wavelengths and each salinity parameters were enhanced to some extent, especially after the ()′ (first order differential conversion) and (CR)′ (the first order differential after continuous removal). In 0-5 cm layer, ()′ was the optimal transformation forms of reflectance for pH value, SO42-, K+, Mg2+, and the (CR)′ was best for EC, CO32-, HCO3-, Cl-, Na+and Ca2+. In 0-20 cm layer, (CR)′ was the optimal index for soil pH value, [lg(1/)]′ was the optimal index for EC, HCO3-, SO42-, Na+, Ca2+were, and ()′ were the best one for CO32-, K+, Mg2+. In addition, there are different sensitive wavelengths in different soil layers about the same salinity parameters. 3) In the models of PLSR (Partial least squares regression), the average determination coefficient (2) between sensitive wavelengths of 10 salinity parameters were 0.820 8 and 0.890 7 in 0-5cm and 0-20 cm soil layer, respectively. The determination coefficient between sensitive reflectance and SO42-was 0.967 6 in 0-5 cm layer, and it was higher 0.077 6 than in 0-20 cm layer. The numbers of sensitive wavelengths reduced and2decreased that used PLSR method to established prediction model than used the SR (step-wised regression) method, but the2of the SR method also got the significant level. The results conformed that the prediction accuracy of models for SO42-, CO32-in 0-20 cm were lower than in 0-5 cm. However, the prediction ability of models for other salinity parameters in 0-20 cm was stronger than in 0-5 cm. The study provide some beneficial references for regional soil salinity prediction and configuration of plant structure.

soils; salts; spectrum analysis; soil layer; hyperspectral; sensitive wavelength; prediction model

2019-01-20

2019-05-13

國家自然科學基金項目（41561078）；寧夏自然科學基金項目（2018AAC03007）

張俊華，博士，研究員，主要從事精準農業與土壤質量提升研究。Email：zhangjunhua728@163.com

賈科利，博士，教授，主要從事遙感和地理信息方面的研究。Email：jiakeli@163.com

10.11975/j.issn.1002-6819.2019.12.013

S127，TP79

A

1002-6819(2019)-12-0106-10

張俊華，賈萍萍，孫 媛，賈科利. 基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預測[J]. 農業工程學報，2019，35(12)：106－115. doi：10.11975/j.issn.1002-6819.2019.12.013 http://www.tcsae.org

Zhang Junhua, Jia Pingping, Sun Yuan, Jia Keli. Prediction of salinity ion content in different soil layers based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 106－115. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.12.013 http://www.tcsae.org