大田葵花土壤含鹽量無人機遙感反演研究

陳俊英 姚志華 張智韜 魏廣飛 王新濤 韓 佳

(1.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100；2.西北農林科技大學旱區農業水土工程教育部重點實驗室， 陜西楊凌 712100)

0 引言

土壤鹽漬化是全球范圍內的生態問題，多發生于干旱-半干旱地區，是制約區域農業生產發展和導致土地退化的主要因素之一[1-2]。河套灌區是我國重要的糧油作物生產基地[3-4]，同時也是土壤鹽漬化的高發區。已有學者研究發現，不同程度的鹽分脅迫對作物根系的吸水功能會造成一定程度的影響，進而影響作物長勢[5]。因此，研究植被覆蓋狀態下作物根系的土壤鹽分信息，對于評估土壤鹽分對作物生長狀況的影響、采取有效措施增產增收具有極為重要的意義?？ㄊ呛犹坠鄥^典型的油料作物，針對土壤鹽分對葵花生理狀態的影響已有大量的研究[6-8]。這些研究大多是以小區域的田間試驗數據為基礎，難以推廣到大田區域，且這些研究數據獲取的手段相對傳統，獲取方式也比較單一，難以滿足現代化精準農業的客觀要求。無人機遙感作為一種新興的遙感手段，具有獲取信息快、覆蓋面積廣及運行成本低等優勢，近年來在作物系數估算、農田土壤含水率反演以及作物水分脅迫診斷等方面有著廣泛的應用[9-11]。也有學者嘗試將其應用到土壤鹽漬化的研究上，并取得了不錯的成果[12-13]。

已有研究表明，鹽漬化土壤在光譜的可見光和近紅外波段具有明顯的光譜特征[14-15]。文獻[16]通過構建不同的光譜指數來評價植被群落的土壤鹽分，發現受鹽分影響的植被冠層的光譜特征會隨鹽分水平的不同而發生變化。文獻[17]利用衛星多光譜數據，采用不同的變量篩選方法優選變量，研究了我國西北部艾比湖地區的土壤鹽漬化狀況，發現經過變量篩選獲取的反演模型可以有效估算該地區的土壤鹽分。文獻[18]在利用多光譜數據反演黃河三角洲地區的土壤鹽分時發現，構建的模型在不同鹽分水平上估算精度存在差異。針對河套灌區的土壤鹽漬化研究，目前主要的手段是通過地面實地測量的光譜數據[19]或者衛星遙感監測得到的數據[20]、結合土壤樣品的鹽分含量數據進行反演。而利用無人機遙感對植被覆蓋狀態下農田土壤鹽分開展的相關研究則相對較少，針對該地區單一作物葵花不同生育期、不同土層根系土壤鹽分特點的研究也不多見。開展此類相關研究不僅是對不同狀態下葵花農田土壤鹽分特點的初步解析，而且對河套灌區多元化遙感形式下的土壤鹽漬化監測也有一定的積極意義。

在利用遙感數據反演土壤鹽分狀況的研究方法上，一般是通過光譜變換、波段或者指數篩選等方式篩選出對土壤鹽分敏感的相關變量，進而進行模型驗證分析[21-22]。因此，敏感變量的篩選是進行土壤鹽分反演的關鍵。近年來，作為一種應用廣泛的多因素統計方法，灰色評估系統在土壤鹽分的光譜分析中可以更好地對敏感波段或指數進行篩選，因此被越來越多應用到區域土壤鹽漬化的定量分析上[12,23]。機器學習算法在處理復雜的非線性關系問題上具有獨到的優勢，被許多學者應用到了土壤鹽分反演模型的構建，并取得了較好的效果[24-27]。前人研究雖已涉及很多方面，但將灰色關聯和機器學習算法相結合進行農田土壤鹽分反演的研究卻相對不多。

鑒于此，本文通過采集河套灌區大田葵花不同生育期內的無人機遙感影像數據及對應的土壤鹽分數據，以灰色關聯法篩選對鹽分敏感的光譜指數，以不同類型的光譜指數及對應的冠層溫度作為模型輸入變量，利用偏最小二乘回歸、支持向量機、 反向傳播神經網絡和極限學習機等方法構建不同的鹽分反演模型，對比在葵花不同生育期、不同指數類型及不同土壤深度下的模型精度，以期獲得適應于大田葵花土壤含鹽量反演的最優模型，同時也為鹽漬化地區葵花農田土壤鹽分的無人機遙感定量反演提供一定的參考。

1 材料與方法

1.1 研究區及試驗地概況

內蒙古河套灌區位于內蒙古自治區西部，是中國設計灌溉面積最大的灌區，也是中國重要的糧油作物生產基地之一。研究區沙壕渠灌域是內蒙古河套灌區西北部解放閘灌域內部的一個獨立單元，地理位置介于北緯40°52′～41°0′，東經107°5′～107°10′，其形狀近似為一個狹長的倒三角形，南窄北寬，土壤類型以粉壤土、砂壤土和壤土為主。該地區的氣候類型為典型的大陸性干旱-半干旱氣候，冬長夏短，冬季嚴寒少雪，夏季高溫少雨，年均降雨量150 mm，年均蒸發量2 000 mm，年平均氣溫7℃，全年無霜期130～150 d。主要種植農作物為葵花，同時還夾雜種植部分小麥、玉米和西葫蘆等。灌區引水以引黃灌溉為主，全年視來水情況灌水5～8次，年均引黃河水量約12億m3。近年來由于灌區長期高灌低排、灌水利用效率不高和氣候條件的影響，使得該地區面臨著不同程度的次生土壤鹽漬化問題，已經嚴重制約了農業生產的發展。

根據在沙壕渠灌域內實地調研結果，按照土壤鹽漬化的不同程度，選擇了4塊不同鹽漬化梯度的耕地作為試驗地，并依次編號，分別為：1號地(含鹽量0.87～4.66 g/kg)、2號地(含鹽量2.03～7.99 g/kg)、3號地(含鹽量5.05～18.32 g/kg)、4號地(含鹽量18.99～59.99 g/kg)，見圖1。每塊試驗地的面積約為16 hm2，主要種植作物為葵花，4塊地在研究區內呈“T”形分布，可以較好地代表研究區域內大田葵花的鹽漬化分布狀況及特點。

圖1 試驗地示意圖Fig.1 Sketch of location of study area and test site

1.2 試驗數據獲取及預處理

1.2.1無人機遙感平臺及傳感器配置

試驗所用遙感平臺為大疆創新科技有限公司生產的經緯M600型六旋翼無人機，如圖2a所示。該機的最大續航時間40 min，最大起飛質量15.1 kg，最大上升和水平飛行速度分別為5、18 m/s，同時可承受最大8 m/s的風速。其搭載的多光譜傳感器為美國Tetracam公司生產的Micro-MCA型多光譜相機(簡稱MCA)，如圖2b所示。該相機包括中心波長490 nm(藍光)、550 nm(綠光)、680 nm(紅光)、720 nm(紅邊)、800 nm(近紅外)、900 nm(近紅外)6個波段的光譜采集通道，具有質量輕、體積小及遠程觸發等特點，非常適合在中小型無人機上進行搭載及拍攝。熱紅外傳感器為大疆公司生產的禪思XT型熱紅外成像測溫儀，如圖2c所示。該成像儀使用FLIR系統的Tau2機芯，鏡頭焦距為19 mm，分辨率為640像素×512像素，視場角32°(H)×26°(V)，波段范圍7.5～13.5 μm，溫度測量范圍-25～135℃，可以快速實時監測試驗作物的冠層溫度變化情況。

圖2 試驗所用無人機與傳感器配置Fig.2 UAV and sensor configuration used in test

1.2.2野外實測鹽分數據

實測鹽分數據分別于2018年7月15—19日和8月12—16日分兩次采集于河套灌區沙壕渠灌域試驗地，數據采集時間分別為葵花生長階段的現蕾期和開花期，如圖3所示。試驗期間天氣晴朗，一般選取11:00和14:00左右進行無人機的飛行試驗。每塊試驗地均勻布置采樣點15個，以現蕾期采樣點分布為例，如圖4所示。采樣點均選取在有葵花覆蓋的區域內，現蕾期各個采樣點葵花覆蓋度大部分在80%左右，其中3號地葵花長勢最為旺盛，覆蓋度也最高，2號地覆蓋度較3號地略低，但長勢比較均一，而1號地和4號地各個采樣點葵花覆蓋度則存在一定差異，其中最高的可達88%，最低的僅為39%。開花期各個采樣點葵花覆蓋度大部分在90%左右，比現蕾期有所提高，但各個采樣點覆蓋度的具體分布情況與現蕾期基本類似。具體的采樣方式為土鉆取土，采集包含0～20 cm、20～40 cm和40～60 cm 3個不同深度處的土壤樣本約60 g放于鋁盒之中，同時采用手持式GPS儀記錄每個采樣點的位置。

圖3 不同生育期葵花生理狀態示意圖Fig.3 Schematics of physiological status of sunflower in different growth stages

圖4 取樣點分布示意圖Fig.4 Distribution diagrams of sampling points

取回的土樣在實驗室中經自然風干、縮分、研磨和過2 mm樣品篩后，稱取20 g土樣置于250 mL振蕩瓶中，加入100 mL、(20±1)℃的蒸餾水，蓋上瓶蓋，放在往復式水平恒溫振蕩器上，于(20±1)℃振蕩30 min。取下振蕩瓶靜置30 min后，將上清液經定性濾紙過濾，濾液收集于100 mL燒瓶中。配置好的提取液采用電導率儀(雷磁DDS-307A型，上海佑科儀器公司生產)測定其電導率。用水沖洗電極數次，再用待測的提取液沖洗電極，按照電導率儀的使用說明書要求，將溫度校正為(25±1)℃，直接從電導率儀上讀取土壤提取液的電導率(EC1:5,dS/m)，并通過經驗公式換算為土壤含鹽量(SSC，%)[20]。

1.2.3葵花冠層光譜反射率

無人機多光譜影像數據的采集時間與地面數據的采集保持一致。無人機飛行模式為按照提前規劃好的航線區域飛行，拍照模式選定等時間間隔，飛行高度為120 m，多光譜相機鏡頭垂直向下，此時的影像地面分辨率為0.065 m。每次光譜采集前均使用標準白板進行標定，對獲取的單幅6波段遙感影像與對應的GPS數據在pix4Dmapper軟件中完成初步拼接，形成整塊試驗地的多光譜遙感影像。再利用ENVI 5.3軟件將野外實測的采樣點按其GPS經緯度信息導入圖像中，并以采集點為中心裁剪200像素×200像素的單幅遙感影像，如圖5所示。最后，以提取到的該區域內圖像像元的6波段平均灰度除以標準白板的灰度作為該采樣點對應的葵花冠層光譜反射率。

圖5 采樣點多光譜R、G、B波段合成真彩色影像Fig.5 True color images synthesized by multi-spectral R, G and B bands of sampling point

1.2.4葵花冠層溫度

葵花冠層溫度利用與多光譜相機同步掛載飛行的熱紅外成像系統獲得，數據采集時間及方式與多光譜系統保持一致，此時的影像地面分辨率為0.155 m。每次起飛前在試驗區域內放置近似黑體的一盆水，地面利用手持熱紅外測溫儀同步測量水體溫度及采樣點附近葵花葉片溫度，取不同葉片溫度平均值作為取樣點參考溫度以作校準。將獲取的熱紅外遙感影像通過pix4Dmapper軟件進行拼接以及ENVI 5.3軟件進行裁剪之后，導入FLIR Tools(禪思XT熱紅外影像處理軟件)中，如圖6所示。設置輻射率為0.96，將之前獲取的葉片平均溫度和水溫作為參考溫度，通過對比參考溫度和熱紅外圖像上相應像元溫度對紅外溫度圖像進行校準，獲取最終采樣點對應的葵花冠層溫度。

圖6 采樣點熱紅外假彩色影像Fig.6 Thermal infrared false-color image of sampling point

1.3 光譜指數的選取與計算

利用遙感圖像提取到的光譜反射率，可以構建出各種不同的光譜指數。為探究植被指數和鹽分指數在反演大田葵花土壤含鹽量的特點，分別挑選應用廣泛的16種植被指數(歸一化植被指數NDVI-1、歸一化植被指數NDVI-2、差值植被指數DVI-1、差值植被指數DVI-2、比值植被指數SR-1、比值植被指數SR-2、增強型植被指數EVI-1、增強型植被指數EVI-2、大氣阻抗植被指數ARVI-1、大氣阻抗植被指數ARVI-2、冠層鹽度響應植被指數CRSI-1、冠層鹽度響應植被指數CRSI-2、土壤調節植被指數SAVI-1、土壤調節植被指數SAVI-2、修改型土壤調節植被指數MSAVI-1、修改型土壤調節植被指數MSAVI-2)和15種鹽分指數(歸一化鹽分指數NDSI-1、歸一化鹽分指數NDSI-2、鹽分指數SI、鹽分指數SI1、鹽分指數SI2-1、鹽分指數SI2-2、鹽分指數SI3、鹽分指數S1、鹽分指數S2、鹽分指數S3、鹽分指數S5、鹽分指數S6-1、鹽分指數S6-2、鹽分指數SI-T-1、鹽分指數SI-T-2)用于分析，其計算方法見文獻[16,28-38]。

1.4 土壤鹽分反演模型的構建與驗證

將葵花2個生育期內每次獲取的60個樣本隨機分為2組，其中40個用于建模，20個用于驗證。

1.4.1模型構建

基于建模樣本的土壤鹽分數據及無人機遙感系統得到的冠層溫度和優選出的光譜指數參量，分別采用偏最小二乘回歸(PLSR)、支持向量機(SVM)、BP神經網絡(BPNN)以及極限學習機(ELM)構建土壤鹽分反演模型。

運用SPSS 23軟件建立土壤鹽分的偏最小二乘回歸模型。偏最小二乘法是最常用的一種光譜建模方法，相當于主成分分析、多元線性回歸以及典型相關分析的組合，可在一定程度上有效地消除參量之間的多重共線性。支持向量機、BP神經網絡以及極限學習機等機器學習模型分別采用R語言軟件中的e1071、nnet和elmNNRcpp包完成。

1.4.2模型驗證

利用決定系數(Coefficient of determination,R2)、均方根誤差(Root mean square error, RMSE)和一致性相關系數(The concordance correlation coefficient, CC)3個指標對模型的驗證精度進行評估。R2和CC越大、RMSE越小，則說明模型效果越好[39]。

2 結果與分析

2.1 土壤鹽分數據的統計特征分析

將采集的葵花2個生育期內不同土壤深度的采樣點鹽分按等級劃分[20]：非鹽土(含鹽量小于0.2%)、輕度鹽漬化(含鹽量0.2%～0.5%)、重度鹽漬化(含鹽量0.5%～1.0%)和鹽土(含鹽量大于1.0%)，具體的各項參數統計情況如表1所示。

表1 土壤采樣點鹽分的描述性統計分析Tab.1 Descriptive statistical analysis on soil salinity

2.2 葵花冠層溫度與土壤鹽分的相關性分析

將提取到的采樣點葵花冠層溫度與對應的不同深度土壤鹽分進行相關性分析，并繪制出散點圖，結果如圖7所示。從圖7中可以看出，不同生育期、不同土壤深度的葵花冠層溫度與土壤鹽分的相關性均有所差異。但總體而言，隨著土壤鹽度的提高，冠層溫度也在不斷升高，這與文獻[13]的研究結果一致。查皮爾遜(Person)相關系數界值表可得，當n=60時，若0.250<|r|≤0.325，則表示在0.05水平上顯著；若|r|>0.325，則表示在0.01水平上顯著。因此，所選數據均達到了0.05水平上顯著，而在0.01水平上，現蕾期0～20 cm和20～40 cm深度處的數據達到了顯著，40～60 cm深度處數據未達到顯著，而開花期則只有0～20 cm深度處的數據達到顯著，另外2個深度均呈現不顯著。對比可以發現2個生育期葵花在0～20 cm深度處的土壤鹽分與葵花的冠層溫度的相關性均最高，相關系數r分別為0.422和0.404，其他2個深度處的相關性則略低一些。

圖7 冠層溫度與土壤鹽分相關關系Fig.7 Correlation diagrams between canopy temperature and soil salinity

2.3 不同光譜指數與土壤鹽分的灰色關聯分析

利用灰色系統將不同生育期不同土壤深度的16種植被指數和15種鹽分指數分別與對應的土壤含鹽量逐一進行灰色關聯分析，其灰色關聯度及排序情況如表2和表3所示。

2.4 不同光譜指數的篩選結果統計

從表2和表3可以看出，不同生育期、不同深度的植被指數和鹽分指數與土壤含鹽量的關聯度均有所差異，即使是同一種指數類型，利用不同的近紅外波段來構建，其與土壤含鹽量的關聯度也不盡相同。但同一指數類型在不同深度處與土壤含鹽量的關聯度比不同類型指數間的關聯度差異要小，而植被指數與鹽分指數分別與土壤含鹽量的關聯度對比則不是很明顯。本研究在葵花生長的2個生育期內，篩選出不同土壤深度關聯度排序前6的植被指數和鹽分指數作為前2種模型輸入變量，同時篩選出關聯度排序前3的植被指數和鹽分指數組成光譜指數變量作為第3種模型輸入變量。具體的指數篩選結果統計情況如表4所示。

表2 不同生育期植被指數與土壤含鹽量的灰色關聯度統計Tab.2 Gray correlation degree statistics between different vegetation indexes and soil salinity at different growth stages

表3 不同生育期鹽分指數與土壤含鹽量的灰色關聯度統計Tab.3 Gray correlation degree statistics between different salt indexes and soil salinity at different growth stages

表4 不同生育期光譜指數的灰色關聯度分析篩選結果統計Tab.4 Grey correlation analysis and screening results statistics of spectral indexes at different growth stages

2.5 偏最小二乘回歸模型的建立與分析

利用SPSS 23軟件以2.4節篩選得到的光譜指數參量和對應的冠層溫度作為自變量，以土壤含鹽量為因變量，構建基于偏最小二乘回歸的土壤鹽分反演模型，模型效果如表5所示。

表5 基于不同生育期不同深度土壤含鹽量的PLSR模型Tab.5 PLSR regression model based on soil salinity at different depths in different growth stages

從表5可以看出，針對2個生育期數據，基于鹽分指數和光譜指數建立的模型的建模預測效果更優。同時對比發現，0～20 cm和20～40 cm深度處的土壤鹽分模型效果要好于40～60 cm，特別是在開花期。其中在開花期40～60 cm土壤深度處基于植被指數建立的模型效果最差，驗證集R2僅為0.068，驗證集RMSE、CC分別為0.079%和0.255。而現蕾期在此深度處的模型更優，這可能是因為生育期不同，葵花的根系活動范圍也存在差異。

2.6 機器學習模型的建立與分析

2.6.1支持向量機模型

支持向量機模型的建立主要是由R語言軟件中的e1071包實現，利用網格搜索法進行模型參數gamma和成本參數cost的尋優，選定交叉驗證誤差最小的模型參數構建模型作為最終的鹽分反演模型，結果如表6所示。

表6 基于不同生育期不同深度土壤含鹽量的SVM模型Tab.6 SVM regression model based on soil salinity at different depths in different growth stages

從表6可以發現，在所有已構建的土壤鹽分SVM模型中，模型效果最好的是在現蕾期中基于光譜指數建立的0～20 cm深度處的鹽分反演模型，建模集R2和驗證集R2分別為0.739和0.574，驗證集RMSE、CC分別為0.080%和0.711。效果最差的是開花期中基于植被指數建立的40～60 cm深度處的鹽分反演模型，建模集R2和驗證集R2分別為0.397和0.203，驗證集RMSE、CC分別為0.068%和0.008。其余模型的精度差異較小，建模集和驗證集的決定系數均在0.3以上，均方根誤差均在0.2%以下，說明基于支持向量機算法建立的鹽分反演模型整體效果較好。

2.6.2BP神經網絡模型

BPNN是一種按誤差逆傳播算法訓練的多層前饋神經網絡，本研究的BP神經網絡模型同樣采用R語言軟件完成。首先利用 caret 調用 nnet 包訓練單隱含層人工神經網絡，然后利用網格搜索法按照誤差最小的原則進行參數尋優，將選定的模型參數代入模型并輸入相關變量進行模型運算，結果如表7所示。

從表7可以發現，在所有已構建的土壤鹽分BP神經網絡模型中，現蕾期的模型整體效果較好，建模集R2和驗證集R2均達到了0.4以上，驗證集RMSE均位于0.1%以下，CC均位于0.4以上。而在開花期，40～60 cm土壤深度處的模型效果明顯差于其他2個深度處，特別是基于植被指數建立的模型，建模集R2和驗證集R2僅為0.191和0.140，基于鹽分指數和光譜指數建立的模型效果也較差。

表7 基于不同生育期不同深度土壤含鹽量的BPNN模型Tab.7 BPNN regression model based on soil salinity at different depths in different growth stages

2.6.3極限學習機模型

極限學習機是一種單隱含層前饋神經網絡的快速學習算法，它的網絡訓練模型由輸入層、隱含層和輸出層組成，其中隱含層的神經元個數需人為確定。在R語言軟件中，調用elmNNRcpp包輸入訓練樣本，設置tansig為激活函數。隱含層神經元節點數確定方法是通過將節點數量由2調整到100，每一步增加2個，以調節最優隱含層的節點數，每個模型結構重復500次，以減少ELM模型的隨機性，最后由模型輸出層輸出運算結果，結果如表8所示。

表8 基于不同生育期不同深度土壤含鹽量的ELM模型Tab.8 ELM regression model based on soil salinity at different depths in different growth stages

由表8可知，在所有已構建的土壤鹽分極限學習機模型中，0～20 cm和20～40 cm土壤深度處的模型效果優于40～60 cm，但也有例外，如在現蕾期基于植被指數建立的40～60 cm深度處的鹽分模型效果優于其他深度，它的建模集R2和驗證集R2分別為0.432和0.419，驗證集RMSE、CC分別為0.108%和0.626。此外，對比發現，現蕾期的模型效果整體優于開花期，特別是40～60 cm深度處的模型，差異更加明顯。

2.7 模型的綜合評價

本文以通過灰色關聯法篩選得到的不同指數和對應的作物冠層溫度為自變量，以相應的不同深度土壤的含鹽量為因變量，統計2個生育期的數據，利用偏最小二乘回歸、支持向量機、BP神經網絡以及極限學習機等建模方法，共計構建不同類型的土壤鹽分反演模型72個，其模型反演效果統計如表9所示。由于各個模型間的驗證集RMSE差異較小，為了更直觀地觀察各個模型之間的區別，以驗證集R2、CC和RMSE等評價指標為參量，繪制出不同模型的模型評價指標堆積條形圖，如圖8所示，以觀察分析模型反演效果，圖中反演模型PLSR-20表示在0～20 cm深度處的偏最小二乘回歸模型，SVM-20表示在0～20 cm深度處的支持向量機模型，BPNN-20表示在0～20 cm深度處的BP神經網絡模型，ELM-20表示在0～20 cm深度處的極限學習機模型；PLSR-40表示20～40 cm深度處的偏最小二乘回歸模型，SVM-40表示在20～40 cm深度處的支持向量機模型，BPNN-40表示在20～40 cm深度處的BP神經網絡模型，ELM-40表示在20～40 cm深度處的極限學習機模型；PLSR-60表示在40～60 cm深度處的偏最小二乘回歸模型，SVM-60表示在40～60 cm深度處的支持向量機模型，BPNN-60表示在40～60 cm深度處的BP神經網絡模型，ELM-60表示在40～60 cm深度處的極限學習機模型。

圖8 不同土壤鹽分反演模型評價指標堆積條形圖Fig.8 Different soil salinity inversion model evaluation index accumulation bar charts

從表9可以看出，就整體而言，無論是現蕾期還是開花期，所建立的鹽分模型均表現出了良好的反演效果，但對比發現，現蕾期的效果要優于開花期。對比不同指數類型建模發現，基于鹽分指數和光譜指數建立的模型反演效果更好。對比不同的土壤深度建模發現，在0～20 cm和20～40 cm深度處建立的鹽分反演模型反演效果優于40～60 cm深度處的，特別是在開花期，這種情況更加明顯。對比4種建模方法可以看出，基于機器學習方法建立的鹽分反演模型精度更高，而在這3種機器學習模型中，反演效果最好的是ELM模型，SVM模型次之，最差的是BPNN模型。

表9 不同建模類型的鹽分反演模型反演效果統計分析Tab.9 Statistical analysis of inversion effects of salt inversion models of different modeling types

從圖8中可以看出，在開花期的40～60 cm土壤深度處，建立的鹽分反演模型效果明顯差于其他深度，各個條形圖的長度出現較大差異。而在現蕾期基于鹽分指數建立的不同模型反演效果則比較均勻，各個條形圖長度差別不大。通過對現蕾期和開花期的模型整體作對比，也可以看出現蕾期的模型整體反演的效果更好，模型的穩定性也高于開花期。同時還可以看出，大部分模型評價指標堆積條的最長處均集中在0～20 cm和20～40 cm深度處，說明這2個深度更適宜于鹽分的反演。通過觀察還可以發現，即使在同一深度處，由于建模方法的不同，模型的效果也會有很大的差異，這說明建模方法的選取對鹽分模型反演也很重要。

3 討論

無人機遙感有著監測范圍廣、獲取信息快以及工作效率高等優勢，在大面積獲取作物冠層信息方面有著廣泛的應用，也是未來精準農業的發展方向。在葵花生長旺盛的生育期內，土壤中的鹽分高低會改變作物根域的水土環境，進而影響到作物的生長。本文通過提取到不同生育期內葵花的冠層多光譜和熱紅外信息，來對其對應根域不同土壤深度處的含鹽量進行建模反演，取得了較好的反演效果。文獻[40]研究證明土壤鹽分對葵花生長的限制會隨著作物生育階段的增加而減弱，而文獻[41]在沙壕渠試驗站內進行的試驗也得出了葵花不同生育期內對鹽分的敏感性存在顯著差異的結論，本研究發現葵花現蕾期對根系土壤鹽分更為敏感，建模效果也更好，與上述研究結果基本類似。已有研究表明鹽漬農田葵花的最大側根深不到40 cm，且側根密度隨深度的增加而降低[40]。在本研究中，普遍存在0～20 cm和20～40 cm土層深度處的葵花根系對土壤鹽分的敏感程度高于40～60 cm的現象，這說明土壤鹽分對作物生長的影響程度與其根系的延伸程度密切相關。此外，本研究中基于植被指數組構建的鹽分反演模型反演效果相對較差，這可能是由于土壤鹽分對作物最直接的影響就是覆蓋度降低，進而導致各種植被指數的變化，而本研究所選擇的兩個生育期葵花長勢旺盛、覆蓋度較高，因此土壤鹽分對各種植被指數的作用不是特別明顯。

通過添加包含有溫度信息的熱紅外波段數據共同構建鹽分反演模型，可以使模型的整體性能更加完備，已有學者做過類似的探索[13]。本文在模型構建方面采用了傳統的偏最小二乘回歸以及3種機器學習算法，對比發現，鹽分反演的機器學習模型精度高于偏最小二乘回歸模型，這可能是因為鹽漬化農田作物所反映的光譜信息與土壤參數之間的轉換函數是復雜的非線性關系，而機器學習具有自主學習的能力，可以很好地處理這類關系，在反演土壤鹽分方面具有優越性[33]。文獻[26]在利用多光譜和高光譜融合影像反演土壤鹽分時，同樣發現機器學習模型的反演效果明顯優于統計分析模型。在3種機器學習模型中，ELM模型的效果最好，SVM模型次之，BPNN模型最差。這表明極限學習機作為一種改進的神經網絡算法，它的學習速率高、泛化能力強，相比其他2種機器學習方法，更加適合于本研究的土壤鹽分反演。文獻[27]在基于光譜指數與機器學習算法的土壤電導率估算研究中也用到了本文的3種機器學習算法，最后的結果同樣是ELM 模型表現最優，這說明ELM在土壤鹽分的定量研究中擁有廣闊的應用前景。但值得說明的是機器學習方法本身并無優劣之分，究竟哪種機器學習方法更適合于土壤鹽分的反演，目前尚無定論。

然而本研究也存在明顯的不足之處，對于葵花而言，苗期是其生長發育的關鍵時期，此時葵花的根系較淺，不同土層深度的鹽分與植被冠層信息之間的關系也更為復雜，而成熟期的葵花根系活動范圍基本不再變化，此時期內根系土壤鹽分的分布可能會影響到作物的產量。由于試驗條件的限制，本研究只探索了葵花現蕾期和開花期土壤鹽分特點，在苗期和成熟期的結果如何，還有待進一步探索。此外，作物的冠層光譜信息不僅與作物根系土壤鹽分有關，如文獻[42]探究了土壤鹽分與施氮量交互作用對葵花生長的影響，發現在0～20 cm的土層深度中，土壤鹽分在0.5%上下時，會影響到葵花對氮肥的吸收，進而影響作物長勢。文獻[43]的研究則表明在遙感反演土壤鹽分的過程中，不同的土壤水分和鹽分條件下也會呈現出不同的光譜信息，因此，考慮各種因素與土壤鹽分的交互作用對作物冠層光譜信息的影響應該是后續研究的重點。由于取樣深度、數據采集時間、建模和驗證方法以及研究區域地理環境的差異，本文的研究成果是否適用于其他地區葵花的土壤含鹽量反演還有待進一步研究。

4 結論

(1)對比不同生育期、不同土壤深度的鹽分反演模型發現，葵花現蕾期鹽分模型的反演效果整體優于開花期，0～20 cm和20～40 cm土壤深度處的鹽分模型反演效果整體優于40～60 cm深度處。

(2)對比不同指數類型變量組構建的鹽分模型發現，基于鹽分指數和光譜指數變量組、結合冠層溫度構建的鹽分反演模型效果優于基于植被指數組對應的鹽分反演模型。其中基于植被指數組構建的模型反演效果最好的驗證集R2、RMSE和CC分別為0.510、0.097%和0.646，反演效果最差的驗證集R2、RMSE和CC僅分別為0.140、0.071%和0.004。

(3)基于機器學習方法構建的鹽分反演模型效果優于偏最小二乘回歸模型，在所有構建的偏最小二乘回歸模型中，反演效果最好的模型R2、RMSE和CC分別為0.554、0.081%和0.699，對應的機器模型反演效果最好的R2、RMSE和CC分別達到了0.718、0.062%和0.813。在3種機器模型中，ELM模型效果最好，SVM模型次之，最差的是BPNN模型。