基于多源數據融合的鹽分遙感反演與季節差異性研究

孫亞楠 李仙岳 史海濱 崔佳琪 王維剛 卜鑫宇

(內蒙古農業大學水利與土木建筑工程學院， 呼和浩特 010018)

0 引言

土壤鹽漬化是全球性的生態環境問題，是制約灌區農業可持續發展的主要因素之一。我國鹽漬化土壤分布廣，主要集中在西北、華北、東北及沿海地區，其中陜、甘、寧、青、蒙、新的鹽漬土面積占全國鹽漬化土壤面積的69.03%[1]，僅內蒙古河套灌區中度和重度鹽漬化耕地面積就達1.067×105hm2[2]。因此，區域土壤鹽漬化信息的快速、準確提取和分析對于鹽堿地改良和治理具有重要意義。實地采樣是獲取土壤鹽分信息的傳統方法，但其無法實現對土壤鹽分大范圍、實時動態的監測，而遙感技術以其宏觀、動態、信息豐富等特點，已成為區域土壤鹽分監測的重要手段。

近年來，國內外學者基于Landsat TM[3-4]、ASTER[5]、Landsat-8 OLI[6-7]、Quickbird[8-9]、WorldView-2[10]等多光譜數據源構建了有效的土壤鹽分遙感反演模型。高光譜成像技術具有光譜分辨率高、圖譜合一等優勢，與多光譜遙感相比，更利于地物的精細分類和識別。在基于高光譜技術的土壤鹽分的遙感反演研究中，主要的高光譜數據源有Hyperion[11]、HSI[12]等，但由于目前在軌高光譜衛星較少、空間分辨率較低、不易獲取等因素制約了高光譜成像技術的應用。隨著遙感衛星、傳感器技術的發展及各類民用衛星平臺的應用，農業遙感逐漸由光學資源衛星為主向高光譜、高空間、高時間分辨率的方向發展。如何將高光譜數據與多光譜數據進行融合，從而獲得高空間分辨率、高光譜分辨率的數據已成為現代遙感反演技術研究的熱點。

目前，針對多衛星的數據融合技術已被廣泛研究，如基于Hyperion高光譜與IKONOS多光譜數據[13]、Hyperion高光譜與WorldView-2多光譜數據[14]、HIS高光譜和OLI多光譜數據融合[15]的目標含量的反演研究；基于GF-1 WFV數據與MODIS數據[16]、Landsat數據與MODIS數據[17]的融合算法研究。這些研究均基于多衛星數據融合，而高光譜衛星數據源在特定時間和特定區域不易獲取，故部分學者采用實測ASD(Analytical spectral device)高光譜數據與多光譜數據融合的方法，以提高多光譜數據精度。阿爾達克·克里木等[18]建立了基于重采樣后的高光譜和影像光譜的土壤含鹽量估算模型，并對遙感影像光譜鹽分估算模型進行了校正，結果表明，經ASD重采樣光譜模型校正后的ASTER影像光譜的鹽分估算模型精度R2為0.91，有效地提高了大尺度條件下土壤鹽漬化的反演精度。張飛等[19]依靠光譜數據庫的數據支持，利用寬光譜光學遙感圖像模擬細分光譜光學遙感圖像的研究，實現了由實測端元尺度向多光譜像元尺度的光譜轉換。盡管已有研究對實測高光譜與多光譜數據進行了融合，但均基于單一波段或單一變換建模，未考慮光譜指數與光譜變換方法。另外，灌區春季和秋季土壤表層鹽分積聚程度及植被覆蓋度不同，從而導致相同鹽分條件下光譜存在差異，而現有模型均只采用單季數據源進行鹽分反演訓練和驗證，忽視了不同季節遙感模型的差異性。

本文在對實測高光譜、Landsat-8 OLI多光譜兩種數據源的光譜反射率進行光譜變換的基礎上，選取最優變換下的敏感波段、敏感光譜指數，利用多元逐步回歸的方法篩選與土壤鹽分顯著相關的特征波段及特征光譜指數，分別基于特征波段與特征光譜指數構建春、秋兩季土壤鹽分的實測高光譜反演模型與多光譜反演模型，利用反演模型中最優變量對多光譜反演模型與高光譜反演模型進行融合，并通過高-多光譜融合反演模型對研究區進行土壤鹽分的空間反演，旨在提高Landsat-8 OLI多光譜數據源對研究區不同季節土壤鹽分的反演精度，從而為區域土壤鹽漬化的定量監測提供參考。

1 材料與方法

1.1 研究區概況

研究區位于內蒙古河套灌區永濟灌域，邊界坐標為107°13′～107°42′E，40°36′～41°13′N，南北長60 km，東西寬40 km，總土地面積1.836×105hm2，現灌溉面積約1.122×105hm2，屬于典型的溫帶大陸性干旱、半干旱氣候帶，干旱少雨，蒸發強烈，是典型的“無灌溉則無農業”地區。年均降水量為145 mm，年均蒸發量為2 275 mm，當地土壤鹽漬化問題突出，其中約1/2耕地土壤有不同程度的鹽堿化，土壤中氯化鹽、硫酸鹽和鈉鹽含量較高，鹽分類型復雜，灌區的鹽漬化問題始終限制著灌區農業的可持續發展。

1.2 數據采集與處理

野外采樣選擇在春灌前(2017年4月5—10日和2018年4月6—10日)和秋澆前(2017年9月27日—10月2日和2018年10月2—7日)進行，這兩個時段均是土壤鹽分較大且植被、農作物等影響較小的時段。采樣點通過ArcGIS軟件進行網格布設，實際采樣點根據道路、土壤類型、種植結構等因素進行適度調整，最終有效采樣點為90個，采樣點布設見圖1，具體采樣方法見文獻[20]。

圖1 研究區土壤采樣點分布Fig.1 Distribution of soil sampling points in study area

(1)土壤鹽分測定

為減少植被等因素對采樣的干擾，在預設點周圍半徑30 m范圍內尋找平坦裸地進行采樣，采樣點為15 m×15 m的樣方區，利用五點采樣法在表層(0～20 cm)[18]采集樣本，每個采樣點取5個重復，經自然風干、碾碎過2 mm孔徑篩，按質量比為5∶1的水土比混合后進行各離子含量測定[21]，算出土壤鹽分總量。

(2)光譜采集及處理

選擇晴朗無云天氣，時間為10:00—14：00，在鹽分取樣位置(取樣前)，利用美國地物光譜儀(FieldSpec 4 Hi-Res型，ASD)進行土壤光譜反射率的測定。探頭視場角為25°，測定時保持探頭距離地面1 m[22]，連續測量2次，共獲得10條光譜，取平均值后作為該采樣點的實測高光譜數據[20]。多光譜數據采用Landsat-8 OLI遙感影像數據(30 m分辨率)，行列號為129/31、129/32的兩景遙感影像，下載網址https:∥earthexplorer.us gs.gov/。選擇與土壤及野外實測高光譜采樣時間相近的影像，即選擇2017年3月30日、2017年9月22日、2018年4月2日、2018年10月11日的影像作為Landsat-8 OLI多光譜影像數據源。

為了消除噪聲等對實測高光譜數據的影響，對實測高光譜數據進行一系列的預處理，其中包括均值化、去噪、平滑等，最終得到了土壤實測高光譜特性曲線。利用ENVI 5.3軟件對Landsat-8 OLI遙感影像進行輻射定標、大氣校正、幾何精校正、無縫鑲嵌、裁剪等預處理，通過ArcGIS 10.3軟件提取采樣點對應的多光譜反射率。為了提高光譜的靈敏度，對土壤的光譜反射率進行多種光譜變換，主要包括一階導數R′、二階導數R″、倒數(1/R)、倒數一階導數(1/R)′、倒數二階導數(1/R)″、對數lgR、對數一階導數(lgR)′、對數二階導數(lgR)″、平方根R0.5、平方根一階導數(R0.5)′、平方根二階導數(R0.5)″ 11種光譜變換。

1.3 土壤光譜指數選擇

近年來，利用光譜指數來分析區域土壤鹽漬化信息已逐漸成為研究的熱點[23-25]，其中光譜指數主要分為植被指數、鹽分指數等，由于鹽漬化在一定程度上會造成植被狀況的改變，植被指數的變化有助于推測鹽漬化的發展趨勢[24]，而本文取樣時段為春灌前與秋澆前，時段的特殊性使植被無法間接反映土壤鹽分的狀況，所以本文未將植被指數考慮其中，考慮了幾種可見光及近紅外波段在內的廣泛應用的鹽分指數作為本文土壤鹽分反演模型的主要光譜指數，光譜指數如表1所示。

表1 多光譜光譜指數Tab.1 Spectral indices of multispectral

1.4 數據融合方法及模型評價指標

多元逐步回歸是在模型構建過程中每一步只引入或剔除一個自變量，自變量是否被引入或剔除則取決于F檢驗或校正決定系數，F檢驗的計算式[29]為

(1)

p——敏感波段或敏感光譜指數的數量

n——樣本數量

在顯著性水平α=0.05下，F>Fα說明該回歸方程顯著，否則不顯著，需要重新選取敏感波段進行計算。

假定εi～N(0,σ2)，一元線性回歸可表示為

yi=a+bxi+εi

(2)

式中a、b——常量

εi——隨機變量(隨機擾動項)

采用SPSS 21軟件的多元逐步回歸方法構建土壤鹽分反演模型。其中采用決定系數R2、均方根誤差RMSE[30]兩種評價指標對模型模擬效果進行評價。春、秋兩季模型均采用2017、2018年數據分別作為模型的訓練集與驗證集，且訓練集與驗證集樣本數量均為90個。

2 結果與分析

2.1 不同季節鹽漬化土壤的多光譜與高光譜特征分析

按照《內蒙古河套灌區灌溉排水與鹽堿化防治》[31]劃分標準將鹽漬化土壤劃分為5個等級，并對2017年春、秋兩季不同等級土壤實測高光譜與多光譜進行均值處理，得到春、秋兩季土壤的實測高光譜、多光譜反射率曲線(圖2)，其中高光譜波長范圍為350～2 500 nm，多光譜覆蓋范圍為433～2 300 nm，但高光譜可用波長明顯多于多光譜。土壤鹽分的不同導致土壤的反射率存在差異，但不同鹽漬化的土壤光譜特征在形態上趨于一致，波長在355～1 600 nm之間，春、秋兩季土壤高光譜反射率隨著波長增加而增加，其中在355～885 nm之間增加趨勢最為明顯，在2 100～2 300 nm之間光譜反射率隨著波長的增加而減小，從總體上看，隨著土壤鹽漬化的加重，光譜反射率也隨之增加，即鹽土反射率最大，非鹽化土反射率最小。春、秋兩季土壤多光譜反射率呈先增加后減小的趨勢，減小區間為波段6或波段7之間，除波段5中輕鹽化土的反射率大于非鹽化土的反射率外，光譜反射率隨著土壤鹽漬化的加重而增加，與高光譜特征一致。春季不同鹽漬化程度的土壤反射率均大于秋季，高光譜和多光譜春季平均鹽分反射率比秋季分別高7.52%和40.03%，平均值為23.78%。

總體上，不同鹽漬化程度的高光譜平均反射率明顯大于多光譜反射率，春季高光譜平均反射率比多光譜平均反射率高18.86%，秋季高54.80%，平均值為36.83%。隨著波長的增加，高光譜與多光譜的反射率差值逐漸增大，在春季433～885 nm(波段1～5)范圍內，不同鹽漬化程度的高光譜與多光譜的反射率差異性較小，高光譜平均鹽分反射率比多光譜平均鹽分反射率低0.17%，在1 560～2 300 nm(波段6～7)范圍相差較大，高光譜平均鹽分反射率比多光譜平均鹽分反射率高5.50%(圖2a)。在秋季，高光譜反射率在不同波段均明顯高于多光譜，除845～885 nm(波段5)范圍外，高光譜平均鹽分反射率比多光譜平均鹽分反射率高75.91%(圖2b)?？梢?，春季不同鹽漬化程度土壤的高光譜與多光譜反射率比較相近，由于春季土壤表層鹽分積聚較為明顯，部分形成表層結皮，導致春季的土壤光譜對不同鹽漬化土壤的識別更加準確，而在秋季由于作物收割留下的殘茬及秸稈等殘留物會形成更加復雜的混合像元，從而對分辨率為30 m的Landsat-8 OLI多光譜數據產生一定的影響，導致誤差增大，故秋季多光譜與實測高光譜反射率差異性明顯高于春季。

圖2 春秋兩季不同鹽漬化土壤多光譜與高光譜的反射率對比Fig.2 Comparative analyses of multispectral and hyperspectral reflectivity of different salinized soils in spring and autumn

2.2 不同季節多光譜鹽分反演模型的構建

通過對Landsat-8 OLI多光譜反射率進行11種光譜變換、構建光譜指數，并對各變換的波段、光譜指數與土壤鹽分進行相關性分析(表2)，篩選出土壤鹽分的最優光譜變換形式、敏感波段(P<0.01)、敏感光譜指數(P<0.01)。在春、秋兩季，與土壤鹽分呈顯著相關的變換形式均為R(原始變換)、1/R、lgR和R0.5，除1/R變換外其余3種變換均與土壤鹽分呈正相關。春季中，各變換的波段與鹽分的相關系數均隨波長的增加呈先增大后減小的趨勢(表2)，在波段5處達到峰值，其中在波段6和波段7內各變換與鹽分均無顯著相關性；秋季各變換的相關系數在波段1～4無明顯差異，在波段5處出現明顯的下降趨勢，其中在波段5～7內各變換與鹽分均無顯著相關性。春季多光譜波段、光譜指數的各變換形式與土壤鹽分的相關系數均高于秋季，平均分別高7.78%、22.44%。在春季，R、1/R、R0.5變換的光譜指數S1與S2與鹽分無顯著相關性，其余各變換的各光譜指數與鹽分均呈顯著相關；在秋季，1/R、lgR變換的各光譜指數均與土壤鹽分呈非顯著相關，且R、R0.5變換的3種光譜指數(S1、S2、S3)與土壤鹽分無顯著相關性。在春秋兩季的光譜指數與鹽分的相關性分析中S1、S2與土壤鹽分的相關性較差，說明僅基于藍波段與紅波段的比值指數及歸一化指數的效果較差，不適用于本地區光譜指數的構建。春秋兩季波段、光譜指數的最優變換均為R，而R0.5變換與鹽分的相關性與R變換相差不大，表明在多光譜的光譜分析中無需進行光譜變換。基于R變換的春季多光譜波段、光譜指數與土壤鹽分相關系數絕對值的平均值分別為0.362、0.371，秋季分別為0.367、0.351。

表2 多光譜波段、光譜指數與土壤鹽分的相關性分析Tab.2 Correlation analysis between multispectral bands and spectral indices with soil salinity

注：**表示P<0.01。下同。

對多光譜的敏感波段、敏感光譜指數與土壤鹽分進行多元逐步回歸，建立不同季節特征波段、特征光譜指數的土壤鹽分的多光譜反演模型(表3)。土壤鹽分多光譜反演模型R2平均值為0.410，RMSE平均值為3.64 g/kg。春、秋兩季基于特征光譜指數的多光譜反演模型優于基于特征波段的多光譜反演模型，春秋兩季R2分別提高了32.61%、48.24%，平均提高了40.43%，其中春季模型效果最好，R2為0.492，RMSE為4.20 g/kg。從多光譜回歸模型精度來看，基于特征光譜指數的秋季反演模型R2比春季低5.69%，RMSE比春季低23.57%，表明春季反演模型反演效果優于秋季，可能由于春季土壤表面較秋季土壤鹽分聚積更加明顯，且殘茬較少。

表3 多光譜特征波段、特征光譜指數與土壤鹽分的回歸模型Tab.3 Regression model of soil salinity with multi spectral characteristic bands and characteristic spectral indices

2.3 不同季節高光譜鹽分反演模型的構建

春、秋兩季高光譜反射率R″、(1/R)″、(lgR)″、(R0.5)″4種二階導數變換與土壤鹽分的平均相關系數為0.197，比對應的一階導數變換與鹽分的相關系數平均高24.68%，可見，二階導數變換更適合于土壤鹽分反演模型的構建，這與馮雪力等[32]、孫亞楠等[20]研究結果一致。選取與多光譜波段一致的光譜范圍(波段1～7)，以高光譜反射率與土壤鹽分的相關系數最大和顯著相關的波長數量最多為原則選擇最優變換形式，最終選取了(lgR)″、(1/R)″分別作為2017年春季、秋季的高光譜最優變換形式(圖3)，在最優變換下，春季高光譜顯著波段主要集中在350～900 nm之間(圖3a)，而秋季在350～2 500 nm均有顯著相關波長，但較大值主要出現在500～1 000 nm之間(圖3b)。根據多光譜的波段范圍進一步挑選敏感波長，最終挑選出波長為478、484、479、493、562、592、640、641、846、877 nm作為春季土壤鹽分的敏感波長，波長為487、512、543、544、556、674、677、678、871 nm作為秋季土壤鹽分的敏感波長。

圖3 最優變換下高光譜波長與土壤鹽分的相關性分析Fig.3 Correlation analysis of hyperspectral wavelengths with soil salinity under optimal transformation

利用敏感波長構建土壤鹽分的高光譜光譜指數，并與土壤鹽分進行相關性分析，挑選出敏感光譜指數(表4)，春、秋兩季土壤鹽分的敏感光譜指數數量相同，均為6個，春、秋兩季敏感光譜指數與鹽分的相關系數的絕對值分別在0.434～0.614、0.459～0.562之間，相關系數絕對值的平均值均為0.521。與多光譜光譜指數相比，分別提高了40.43%、48.34%。

表4 高光譜敏感光譜指數構建Tab.4 Construction of hyperspectral sensitive indices

注：*表示P<0.05。

利用多元逐步回歸篩選出高光譜的特征波段、特征光譜指數并構建回歸方程(表5)，實測高光譜反演模型R2在0.496～0.701之間，平均值為0.601，RMSE在2.11～3.23 g/kg之間，平均值為2.60 g/kg，其中基于特征光譜指數的春季高光譜反演模型精度最高，R2為0.701，春、秋兩季基于特征光譜指數的高光譜反演模型R2比基于特征波段的高光譜反演模型平均高30.96%?；谔卣鞴庾V指數的春、秋兩季高光譜反演模型比基于特征光譜指數的多光譜反演模型R2分別提高了42.48%和42.46%，RMSE分別降低了49.76%和11.84%?？梢姡酶吖庾V構建的反演模型精度明顯高于多光譜的反演模型，因為高光譜所采集的數據為純像元，而分辨率為30 m的Landsat-8 OLI采集的數據為混合像元。

表5 高光譜特征波段、特征光譜指數與土壤鹽分的回歸模型Tab.5 Regression model of soil salinity with hyperspectral characteristic bands and characteristic spectral indices

2.4 不同季節高光譜與多光譜數據融合及驗證

在土壤鹽分的多光譜反演模型和高光譜反演模型中，基于特征光譜指數的反演模型精度明顯高于基于特征波段的反演模型精度，R2分別提高了40.43%和30.96%。因此本文利用特征光譜指數實現不同季節實測高光譜和多光譜數據的融合。分別對春、秋兩季高光譜與多光譜的光譜指數進行相關性分析并構建回歸方程(圖4)，春季高光譜與多光譜的光譜指數呈負相關關系(圖4a)，反演模型R2在0.626～0.767之間，平均值為0.688，其中SI2光譜指數擬合精度最高；而秋季卻呈正相關(圖4b)，R2在0.646～0.689之間，平均值為0.673，其中S5光譜指數擬合精度最高。

圖4 春秋兩季土壤鹽分的多光譜特征指數與高光譜特征光譜指數的相關性分析Fig.4 Correlation analysis of characteristic indices between multispectral and hyperspectral with soil salinity in spring and autumn

利用春秋兩季融合的光譜指數進行模型的構建(表6)，春、秋兩季融合反演模型的R2分別為0.665和0.637，平均值為0.651，RMSE分別為2.01、2.86 g/kg，平均值為2.44 g/kg，相比基于光譜指數的春秋兩季多光譜反演模型R2平均提高了36.19%，RMSE平均降低了34.28%，可見利用實測高光譜數據與多光譜數據融合的方法提高多光譜鹽分的反演精度可行。

表6 高-多光譜特征光譜指數與土壤鹽分的回歸模型Tab.6 Regression model of soil salinity with hyper-multispectral spectral characteristic spectral indices

利用2018年數據分別對基于光譜指數的多光譜反演模型、高光譜反演模型、高-多光譜融合反演模型進行驗證(圖5)，驗證集R2平均值為0.600，RMSE平均值為2.96 g/kg，其中高-多光譜融合反演模型R2、RMSE平均值分別為0.635和2.49 g/kg。各模型驗證集R2平均值比訓練集低7.81%，驗證集RMSE平均值比訓練集高21.70%，可見，模型驗證集精度低于訓練集精度。訓練集和驗證集中春季各模型精度高于秋季各模型，其中訓練集R2平均值比秋季提高了6.03%、6.05%和4.40%，驗證集R2平均值提高了19.07%、12.21%和1.75%。在春秋兩季驗證集中，高-多光譜融合反演模型R2比多光譜反演模型分別提高了25.00%和46.28%，平均提高了35.64%，RMSE分別降低了37.88%和45.55%，平均降低了41.72%。可見，高-多光譜融合反演模型精度相對多光譜反演模型提升幅度較大，且秋季尤為明顯。

圖5 基于光譜指數的不同季節土壤鹽分模型的驗證Fig.5 Validation of soil salinity model based on spectral indices of different seasons

2.5 基于高-多光譜數據融合的土壤鹽分空間分布反演

通過對高-多光譜融合反演模型反演值與該區域土壤鹽分的實測值進行比較可知(表7)，各指標的實測值與反演值誤差在3.25%～55.56%之間，其中2017年春秋兩季實測值與反演值之間的誤差平均值為14.51%，2018年春秋兩季實測值與反演值之間的誤差平均值為17.07%。春秋兩季土壤鹽分反演的平均值分別為6.05、5.97 g/kg，其中2017年春秋兩季土壤鹽分反演的平均值與實測值的平均值間的誤差分別為8.99%和10.30%，平均值為9.65%，2018年分別為9.11%、12.25%，平均值為10.68%。按照變異系數等級的劃分可知[33]，除2017年春季鹽分呈中等變異性外，其余時期均為強變異性，其中2017、2018年土壤鹽分反演平均值的變異系數分別為 97.32%和133.16%。

表7 土壤鹽分含量描述性統計分析Tab.7 Descriptive statistical analysis of soil salinity

利用構建的高-多光譜融合模型對2017、2018年永濟灌區春秋土壤鹽分進行反演，得到了區域鹽分分布圖(圖6)，并計算出各鹽分等級的像元和比例(表8)，2017、2018年春季土壤主要為重鹽化土，分別占33.76%和27.14%，2017、2018年秋季土壤主要為中鹽化土，分別占32.21%和40.57%，2018年土壤鹽漬化程度整體上較2017年有所減弱。2017、2018年春季向秋季過渡過程中，部分重鹽化土轉變為中鹽化土或輕鹽化土。灌域鹽分總體由北至南逐漸減小，這與黃權中等[34]研究結果一致。

圖6 2017、2018年春秋兩季土壤鹽分含量反演等級分布Fig.6 Grade distribution maps of soil salinity inversed in spring and autumn of 2017 and 2018

表8 不同土壤鹽分等級的像元及比例Tab.8 Pixel numbers and ratio of different salinity grades

3 討論

通過光譜波段簡單組合的光譜指數，建立與相應地物參量的相關關系，可用于地物參量的定量估算，已成為近年來的研究熱點[35-36]，經光譜變換后構建的光譜指數估算精度更高。王波等[37]發現，利用單一波段對植物進行探測的過程中，光譜信息損失大且對不同植物的辨別精度低，而利用光譜變換后的NDVI和RVI指數則可以提高對灌木植物的辨別精度。尼加提·卡斯木等[38]發現對光譜數據進行適當的數學變換可以優化光譜指數，從而使土壤有機質質量比估算模型精度更高。針對鹽分反演方面，經光譜變換或光譜指數構建的過程中使原始光譜或波段中一些隱藏的信息顯露出來，使其與鹽分的相關性得到提高，從而進一步提高了模型的精度。姚遠等[39]發現利用一階微分變換后的光譜指數與EM38數據構建的土壤鹽漬化監測模型比單純利用鹽分指數的模型精度更高。張賢龍等[23]發現利用經光譜變換的光譜指數構建的模型精度高于基于單一光譜變換和光譜指數的模型。本研究也顯示基于光譜變換和光譜指數構建的鹽分反演模型精度比未經光譜變換或僅利用波段建立的反演模型高。

利用多源數據融合可以提高不同時間和空間尺度數據源的反演精度，而融合數據源構建的模型精度較高是因為不同數據源間的優勢互補，提高了多光譜數據分辨率，并減小了混合像元對模型構建及反演精度的影響，避免了時間的滯后性，所以利用高分辨率數據源融合低分辨率數據源，可提高低分辨率的反演精度，從而降低成本。對于鹽分的數據融合方面，主要是利用高光譜數據源融合多光譜數據源，用于提高多光譜數據源的精度，如厲彥玲等[15]利用HSI高光譜影像與Landsat-8 OLI多光譜影像的融合，使土壤鹽分遙感反演精度得到了顯著提高。但是由于衛星高光譜影像數據源獲取不可控，目前利用實測高光譜數據源融合多光譜數據源是一種常用的方法，如姚遠等[40]利用高光譜與電磁感應技術的結合通過尺度效應對Landsat TM數據進行校正，校正后的模型精度明顯優于基于傳統多光譜遙感方法構建的模型。本研究基于光譜指數實現了實測高光譜與Landsat-8 OLI多光譜影像數據的融合，融合后的模型訓練集、驗證集的R2平均值比基于光譜指數的多光譜模型訓練集、驗證集的R2平均值分別提高36.19%、35.64%，RMSE平均值分別降低34.28%、41.72%，表明利用實測高光譜與Landsat-8 OLI多光譜數據的融合技術對提高多光譜鹽分的反演精度可行且有效。

理論上地表鹽分與光譜間的關系是恒定的，構建的模型可適用于不同時期，大部分學者只考慮了利用同一時期的數據進行建模和驗證[41-42]。但實際上Landsat-8 OLI所獲取的多光譜數據在不同季節存在較大的差異，這是由于Landsat-8 OLI的影像分辨率為30 m，而不同時期在30 m里的地物存在較大的差異。河套灌區每年秋收后會進行翻耕與秋澆，秋澆后翌年地表無覆蓋，且春季土壤表層聚鹽，從而使光譜對鹽漬化土壤的識別更加準確，而秋季土壤表面有作物殘茬及部分秸稈存在，從而使分辨率為30 m的多光譜數據獲得的光譜反射率實際上是土壤與作物殘茬等的混合像元，對于同一鹽分條件下春秋多光譜的反射率會存在較大的差異，故構建的春季反演模型的精度會高于秋季，本研究中，春季的多光譜反演模型精度比秋季的高11.07%，另外，從數據融合也可以看出，秋季高-多光譜融合后的模型精度提高幅度比春季高38.90%。

通過高-多光譜融合后的模型反演圖可知，永濟灌域春秋兩季土壤鹽分在程度上差異較明顯。春季土壤鹽分主要以重鹽化土為主且呈區域分散型斑狀分布，這主要是由于春季土壤狀態較為穩定，經過較長時間的地下水垂向蒸發，致使鹽分表聚加重，土壤表層形成鹽漬結皮，對高光譜的響應較為明顯；而秋季土壤鹽分主要以中鹽化土為主且鹽分由南至北逐漸增加，呈區域零星連片分布，這主要是由于生育期灌溉水與作物生長對鹽分的淋洗與消耗從而對表層土壤結構產生破壞所致。春秋兩季永濟灌域地下水排泄方式除垂向蒸發外，主要還有地下徑流，由于研究區南部地勢較北部高，地下徑流總體由南部向北部排泄，土壤質地也逐漸變細，使之排水不暢，加劇了鹽分逐漸向北部聚集。

4 結論

(1)春季光譜反射率總體比秋季大，且高光譜反射率比多光譜反射率大。春季高光譜和多光譜的平均鹽分反射率分別比秋季高7.52%和40.03%，平均值為23.78%。春季和秋季高光譜平均鹽分反射率比多光譜分別高18.86%和54.80%，平均值為36.83%。

(2)春、秋兩季多光譜的最優變換均為R，高光譜的最優變換分別為 (lgR)″、(1/R)″，春、秋兩季特征光譜指數分別為SI2、SI3、S3與SI2、SI3、S5，3種模型的反演精度春季均高于秋季，其中訓練集的R2平均值比秋季分別提高了6.03%、6.05%和4.40%，驗證集R2平均值分別提高了19.07%、12.21%和1.75%。

(3)基于特征光譜指數的反演模型均優于基于特征波段的反演模型。高光譜的反演模型優于多光譜的反演模型，且基于特征光譜指數的春、秋兩季高光譜反演模型比多光譜反演模型R2分別提高了42.48%和42.46%，RMSE分別降低了49.76%和11.84%。

(4)基于特征光譜指數的高-多光譜融合反演模型精度明顯高于多光譜反演模型，融合反演模型的訓練集、驗證集R2平均值分別為0.651和0.635，RMSE平均值分別為2.44 g/kg和2.49 g/kg，其中高-多光譜融合反演模型訓練集和驗證集的R2平均值比多光譜分別提高了36.19%和35.64%，RMSE平均值分別降低了34.28%和41.72%。

(5)利用高-多光譜融合反演模型反演的2017、2018年灌域平均鹽分含量分別為6.05、5.97 g/kg，與實測鹽分平均相對誤差分別為9.65%和10.68%，平均變異系數分別為97.32%和133.16%。灌域鹽分總體由北至南逐漸減小，春季土壤主要為重鹽化土，秋季土壤主要為中鹽化土。