基于雷達(dá)遙感的不同深度土壤含鹽量反演模型

張智韜 杜瑜燕 勞聰聰 楊 寧 周永財 楊亞龍

(1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100；2.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室， 陜西楊凌 712100)

0 引言

土壤鹽漬化是灌溉農(nóng)業(yè)生產(chǎn)中的主要環(huán)境問題，不僅影響灌區(qū)土地資源的經(jīng)濟(jì)效益，而且制約當(dāng)?shù)剞r(nóng)業(yè)的發(fā)展[1-2]，因此快速獲取土壤含鹽量信息對指導(dǎo)農(nóng)業(yè)生產(chǎn)具有重要意義。遙感技術(shù)具有快速、無創(chuàng)、宏觀的優(yōu)勢，為監(jiān)測土壤鹽漬化提供了技術(shù)手段[3-4]。

20世紀(jì)70年代，研究者開始利用光學(xué)遙感進(jìn)行土壤鹽漬化的遙感反演[5-7]。EL HARTI等[8]用TM與OLI融合后，在鹽分指數(shù)(SI)的基礎(chǔ)上加入藍(lán)波段，構(gòu)建OLI-SR指數(shù)，提高了塔德拉灌區(qū)的土壤含鹽量反演精度。DOUAOUI等[9]利用Spot2的XS數(shù)據(jù)對阿爾及利亞下謝利夫盆地進(jìn)行了鹽度制圖，實施了針對謝利夫盆地地區(qū)土壤鹽分的時空監(jiān)測。陳紅艷等[10]利用Landsat8 OLI多光譜影像，通過加入短波紅外波段對植被指數(shù)進(jìn)行改進(jìn)，構(gòu)建了土壤含鹽量的支持向量機模型，獲得了較好的土壤鹽分空間分布的反演效果。以上研究都取得了較好的監(jiān)測效果，但主要集中于土壤表層的監(jiān)測，在對土壤含鹽量的反演中存在一定的局限性。

雷達(dá)遙感具有全天時、全天候和一定的穿透能力[11]，彌補了光學(xué)遙感的不足，利用雷達(dá)影像進(jìn)行土壤含鹽量監(jiān)測具有一定的優(yōu)勢[12]。土壤介電常數(shù)是微波輻射理論最重要、最基本的參數(shù)。土壤鹽分的積累會導(dǎo)致土壤介電常數(shù)虛部發(fā)生變化，進(jìn)而引起雷達(dá)后向散射系數(shù)的變化。已有研究表明，土壤介電常數(shù)是影響雷達(dá)影像后向散射系數(shù)的主要因素[13-14]。熊文成等[15]利用IEM后向散射理論分析發(fā)現(xiàn)，干旱期和多雨期后向散射系數(shù)差與介電常數(shù)虛部差值之間具有良好的線性關(guān)系，認(rèn)為雷達(dá)后向散射系數(shù)與土壤含鹽量具有良好的相關(guān)性，這為反演干旱區(qū)土壤含鹽量提供了一定的依據(jù)。何祺勝[16]探討了利用Radarsat雷達(dá)數(shù)據(jù)提取干旱區(qū)土壤鹽漬化信息的方法。依力亞斯江·努爾麥麥提等[17-19]以全極化合成孔徑雷達(dá)數(shù)據(jù)與地面實測0～10 cm深度范圍內(nèi)土壤含鹽量為數(shù)據(jù)源，進(jìn)行了渭干河-庫車河三角洲綠洲土壤含鹽量信息的提取分類研究。郭曉靜[20]對比分析了不同極化組合的Radarsat-2雷達(dá)后向散射系數(shù)與河套灌區(qū)表層0～10 cm深度土壤含鹽量的關(guān)系，得出了提取鹽漬化土壤信息的最佳極化組合方式。劉全明等[21-22]利用Radarsat-2四極化雷達(dá)后向散射系數(shù)建立了內(nèi)蒙古河套灌區(qū)表層0～10 cm深度土壤含鹽量反演的人工智能模型。NURMEMET等[23]以新疆克里亞河地區(qū)為試驗區(qū)，以表層0～20 cm為采樣深度，研究PALSAR合成孔徑雷達(dá)數(shù)據(jù)對土壤鹽漬化的監(jiān)測效果，認(rèn)為支持向量機分類器是基于像素的分類方法的最佳模型。以上研究雖然都建立了較好的監(jiān)測模型，但未分析雷達(dá)遙感對不同深度土壤含鹽量的監(jiān)測效果。

鑒于此，本文以河套灌區(qū)沙壕渠灌域裸土期不同深度的鹽漬化土壤為研究對象，分析Sentinel-1雷達(dá)衛(wèi)星后向散射系數(shù)和多種組合指數(shù)與不同深度土壤含鹽量之間的關(guān)系，構(gòu)建基于不同深度的土壤含鹽量反演模型，為雷達(dá)遙感監(jiān)測不同深度土壤含鹽量提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

試驗在內(nèi)蒙古河套灌區(qū)沙壕渠灌域進(jìn)行(圖1)。沙壕渠總控制灌溉面積占整個解放閘灌區(qū)面積的3.7%，南北長約15 km，東西約4 km，灌區(qū)地勢南高北低，平均海拔在1 034～1 037 m之間。沙壕渠處于中溫帶，受東南暖濕季風(fēng)影響較弱，西北干冷季風(fēng)影響較強，常年寒冷干燥，平均氣溫在7℃左右，年平均降水量140 mm，年平均蒸發(fā)量2 000 mm[24-25]。研究區(qū)主要以引黃河水漫灌為主，還輔以引潛水灌溉，長期不恰當(dāng)?shù)墓喔确绞綄?dǎo)致灌區(qū)出現(xiàn)次生鹽漬化，研究區(qū)南部鹽漬化程度相對較輕，主要種植小麥、玉米；北部鹽漬化程度較重，主要種植耐鹽的向日葵。

圖1 研究區(qū)及采樣點分布Fig.1 Distribution of study area and sampling points

1.2 土壤采樣點設(shè)置與樣本處理

2019年4月12—21日，開展河套灌區(qū)沙壕渠灌域的野外試驗。選取沙壕渠灌域的大片裸露地區(qū)，采用五點法取0～10 cm深度的土層土樣與10～20 cm深度的土層土樣，共設(shè)置100個采樣點，土樣采集并編號后帶回實驗室。每個采樣點通過手持GPS記錄采樣點位置信息及周圍環(huán)境信息，取樣期間天氣干燥，無降水。

將野外收集的土樣經(jīng)自然風(fēng)干后，配置土水質(zhì)量比為1∶5的土壤溶液[24]，經(jīng)攪拌、靜置、沉淀、過濾后，采用電導(dǎo)率儀(DDS-307A型，上海佑科儀器公司)測定土壤溶液電導(dǎo)率，對每個采樣點的5個土樣電導(dǎo)率取平均值作為該樣本樣點處的電導(dǎo)率，并通過經(jīng)驗公式計算土壤含鹽量(SSC)[26]。將100個土壤樣本含鹽量按照鹽堿土分類原則分為4個等級：非鹽漬化(0～0.2%)、輕度鹽漬化(0.2%～0.5%)、重度鹽漬化(0.5%～1.0%)和鹽漬化(>1.0%)，土壤含鹽量的樣本分析結(jié)果如表1所示。其中土壤深度為0～10 cm時非鹽漬化土、輕度鹽漬化土、重度鹽漬化土和鹽漬化土占比分別為65%、24%、8%和3%，且變異系數(shù)為1.072；土壤深度為10～20 cm時非鹽漬化土、輕度鹽漬化土、重度鹽漬化土和鹽漬化土占比分別為64%、27%、6%和3%，變異系數(shù)為0.966。

1.3 數(shù)據(jù)獲取與預(yù)處理

Sentinel-1衛(wèi)星具有雙極化、短重訪周期的特點[27]，可提供河套灌區(qū)區(qū)域連續(xù)的圖像(白天、夜晚和各種天氣)。試驗所用雷達(dá)衛(wèi)星影像是2019年4月12日13:46過境的Sentinel-1，成像時間與地面采樣時間對應(yīng)，SAR影像覆蓋范圍為25 km×25 km，其地面分辨率為5 m×20 m，工作模式為干涉寬幅模式(Interferometric wide swath， IW)，數(shù)據(jù)級別為Level-1，GRDH，包括垂直極化模式VV(Vertical vertical)和交叉極化模式VH(Vertical horizontal)。采用歐空局開發(fā)的SNAP軟件對GRDH數(shù)據(jù)進(jìn)行預(yù)處理，主要包括輻射校正、輻射地形校準(zhǔn)、應(yīng)用散斑過濾器和幾何地形校正等。去噪過程即相干波抑制采用Refined Lee濾波器對原始圖像進(jìn)行濾波，消除了大部分斑點，其中地形校正采用航天飛機雷達(dá)地形測繪使命(Shuttle radar topography mission，SRTM)生成的數(shù)字高程模型。

1.4 指數(shù)建立與灰度關(guān)聯(lián)

1.4.1指數(shù)建立

雷達(dá)后向散射系數(shù)反映地物特征值，經(jīng)過SNAP軟件處理和校正，得到雷達(dá)后向散射系數(shù)影像，把野外采集的點位信息的經(jīng)緯度輸入到雷達(dá)影像中，提取對應(yīng)點的后向散射系數(shù)，本文提取出VV極化與VH極化的雷達(dá)后向散射系數(shù)。有研究指出[20]，對于單極化雷達(dá)影像數(shù)據(jù)，如提取的土壤信息量相對較少，研究的結(jié)果會受到一定的影響，因此可以將雷達(dá)影像的極化方式進(jìn)行組合，從而提高雷達(dá)影像后向散射系數(shù)與土壤含鹽量的相關(guān)性[28-29]。對兩組雷達(dá)后向散射系數(shù)進(jìn)行極化組合變換，以達(dá)到預(yù)測土壤含鹽量的效果[30-31]。構(gòu)建的指數(shù)如表2所示，表中VV表示垂直極化的雷達(dá)后向散射系數(shù)，VH表示水平極化的雷達(dá)后向散射系數(shù)。

表2 極化組合指數(shù)Tab.2 Polarization combination index

1.4.2灰度關(guān)聯(lián)分析

灰色系統(tǒng)理論是一種多因素統(tǒng)計方法[32]，其目的是通過一定的方法原理確定系統(tǒng)中各因素的主要關(guān)系，用灰度關(guān)聯(lián)度刻畫因素間關(guān)系的強弱和次序，找出影響最大的因素[33]。主要計算步驟如下：設(shè)參考序列為x0={x0(t),t=1,2,…,n}，比較序列為xi={xi(t),t=1,2,…,n}，則x0和xi之間的灰度關(guān)聯(lián)度(Gray correlation degree，GCD)計算公式為

(1)

其中

(2)

式中ρ——介于0～1之間的分辨系數(shù)，取0.5

由文獻(xiàn)[34]可知，灰度關(guān)聯(lián)分析中，灰度關(guān)聯(lián)度會受到樣本數(shù)量的影響，本文中兩種深度的土壤含鹽量樣本數(shù)量各為100個，利用兩組后向散射系數(shù)進(jìn)行組合變換后得到20個指數(shù)。故采用0～10 cm深度含鹽量數(shù)據(jù)與10～20 cm深度含鹽量數(shù)據(jù)與構(gòu)建的20個指數(shù)樣本計算灰度關(guān)聯(lián)度，采用灰度關(guān)聯(lián)分析中常用的“均值化”數(shù)據(jù)預(yù)處理方法，消減組合指數(shù)數(shù)據(jù)與土壤含鹽量數(shù)據(jù)之間因量綱不一致而造成的分析誤差，進(jìn)而篩選出與土壤鹽分相關(guān)關(guān)系較好的指數(shù)。

1.5 鹽分反演模型構(gòu)建

1.5.1建模集與驗證集劃分

將0～10 cm和10～20 cm按土壤含鹽量梯度進(jìn)行樣本劃分，每隔2個樣本取出一個作為驗證樣本集，剩余土壤樣本作為建模樣本集。共選取67個樣本作為建模數(shù)據(jù)源，33個樣本作為驗證數(shù)據(jù)源。各深度的土壤總樣本、建模集樣本和驗證集樣本分布如圖2所示。0～10 cm土壤建模集與驗證集樣本分布趨勢與總樣本分布趨勢一致；10～20 cm深度時總樣本、建模集樣本和驗證集樣本分布也一致，說明建模集與驗證集樣本劃分合理。

圖2 樣本分布統(tǒng)計Fig.2 Sample distribution statistics

1.5.2模型構(gòu)建方法

將實測的0～10 cm與10～20 cm土壤含鹽量樣本數(shù)據(jù)各自按含鹽量劃分，隨機選取2/3作為模型輸入數(shù)據(jù)源，剩余的1/3作為模型驗證數(shù)據(jù)源。并分別采用PLSR、QR和SVM 3種回歸方法構(gòu)建基于不同深度的土壤含鹽量反演模型。PLSR建模與分析使用The UnscramblerX 10.4軟件完成，QR與SVM兩種機器學(xué)習(xí)算法均在R3.4.0軟件中完成。使用R3.5.1軟件中的e1071包進(jìn)行SVM分析，設(shè)定核函數(shù)類型為RBF，gamma為0.07，cost為100。

研究方法如圖3所示，雷達(dá)影像數(shù)據(jù)經(jīng)過輻射校正等步驟處理后，結(jié)合地面實際采樣點的經(jīng)緯度信息，提取對應(yīng)采樣點的后向散射系數(shù)并進(jìn)行極化組合；利用灰度關(guān)聯(lián)篩選最優(yōu)組合及部分地面實際采樣點土壤含鹽量數(shù)據(jù)作為模型的輸入數(shù)據(jù)源，剩余土壤含鹽量數(shù)據(jù)作為驗證，得到最優(yōu)的估算模型。

圖3 研究方法流程圖Fig.3 Flow chart of research method

1.5.3模型精度評價

模型的建模和驗證精度評估采用相關(guān)系數(shù)r、決定系數(shù)R2、均方根誤差RMSE。R2越大、RMSE越小說明模型效果越好。

2 結(jié)果與分析

2.1 后向散射系數(shù)與土壤含鹽量的相關(guān)分析

根據(jù)地面采樣點的經(jīng)緯度，提取經(jīng)過SNAP軟件預(yù)處理后的VV和VH兩種極化方式下的雷達(dá)后向散射系數(shù)。將提取的后向散射系數(shù)分別與0～10 cm和10～20 cm兩個深度的土壤含鹽量建立相關(guān)關(guān)系，雷達(dá)后向散射系數(shù)與兩個深度的土壤含鹽量的相關(guān)關(guān)系如表3所示。

表3 不同極化方式的后向散射系數(shù)與土壤含鹽量的相關(guān)系數(shù)Tab.3 Correlation coefficient between backscattering coefficient of different polarization methods and soil salinity

從表3可以看出，雷達(dá)影像中，VH與VV極化方式下的后向散射系數(shù)與土壤含鹽量之間的相關(guān)關(guān)系不是特別好。其中10～20 cm深度的土壤含鹽量與VV極化模式下的后向散射系數(shù)之間的相關(guān)性最好，相關(guān)系數(shù)為0.264，達(dá)到了0.01顯著水平；0～10 cm深度的土壤含鹽量與VV極化模式下的后向散射系數(shù)之間的相關(guān)性較好，相關(guān)系數(shù)為0.235，達(dá)到了0.05顯著水平；而VH極化模式下的后向散射系數(shù)與0～10 cm深度和10～20 cm深度的土壤含鹽量之間的相關(guān)關(guān)系均較差。

圖4 基于不同深度土壤含鹽量的PLSR模型Fig.4 PLSR model based on soil salt content at different depths

2.2 基于灰度分析的極化組合指數(shù)選擇

在采樣點不同深度的條件下，利用灰色系統(tǒng)對構(gòu)建的所有極化組合指數(shù)與土壤含鹽量進(jìn)行灰色關(guān)聯(lián)分析，各極化組合指數(shù)與不同深度的土壤含鹽量(SSC)之間的灰色關(guān)聯(lián)度見表4。

從表4可以看出，同一深度，不同的極化組合指數(shù)與土壤含鹽量SSC的關(guān)聯(lián)度不相同；不同深度，不同的極化組合指數(shù)與土壤含鹽量SSC的關(guān)聯(lián)度也不相同。灰度關(guān)聯(lián)分析是一種多因素統(tǒng)計分析的方法，可通過比較各因素間的關(guān)聯(lián)度而得出系統(tǒng)中因素間的主次關(guān)系，找出影響最大的因素。從表4挑選出關(guān)聯(lián)度排序前10的極化組合指數(shù)進(jìn)行建模分析。

表4 不同深度土壤含鹽量與各指數(shù)的灰色關(guān)聯(lián)度Tab.4 Gray correlation statistics of soil salinity at different depths and each index

2.3 土壤含鹽量模型構(gòu)建

2.3.1基于PLSR的土壤含鹽量模型

綜合比較在0～10 cm和10～20 cm深度時的實測土壤樣本與預(yù)測樣本的擬合曲線，0～10 cm深度時的PLSR擬合曲線更接近于y=x函數(shù)，所以0～10 cm深度時的PLSR模型擬合精度高于10～20 cm。

2.3.2基于QR的土壤含鹽量模型

對于不同深度選定的極化組合指數(shù)建立分位數(shù)回歸模型，通過尋優(yōu)比較選取τ=0.6為最佳分位點。以不同深度下的雷達(dá)后向散射系數(shù)及多個極化組合指數(shù)為自變量，以土壤含鹽量為因變量，運用QR模型中的0.6分位點進(jìn)行不同深度的土壤含鹽量估算，結(jié)果如圖5所示。

圖5 基于不同深度土壤含鹽量的QR模型Fig.5 QR model based on soil salt content at different depths

綜合比較在0～10 cm和10～20 cm深度時的實測土壤樣本與預(yù)測樣本的擬合曲線，0～10 cm時QR模型的擬合曲線更接近y=x函數(shù)分布，0～10 cm深度時的QR模型擬合精度高于10～20 cm。

2.3.3基于SVM的土壤含鹽量模型

以不同深度下的雷達(dá)后向散射系數(shù)和多個極化組合指數(shù)為自變量，以土壤含鹽量為因變量，進(jìn)行支持向量機建模分析。為了克服“離散值多”和“過學(xué)習(xí)”等問題，尋優(yōu)選取參數(shù)gamma為0.007。SVM建模和驗證結(jié)果如圖6所示。

圖6 基于不同深度土壤含鹽量的SVM模型Fig.6 SVM model based on soil salt content at different depths

綜合比較0～10 cm和10～20 cm深度時的實測土壤樣本與預(yù)測樣本的擬合曲線證明，0～10 cm深度時SVM模型的擬合曲線更接近y=x函數(shù)分布，0～10 cm深度時的SVM模型擬合精度高于10～20 cm。

2.4 模型綜合評價

基于不同采樣深度構(gòu)建PLSR模型、QR模型和SVM模型估算土壤含鹽量，對土壤含鹽量預(yù)測值與實測值進(jìn)行殘差分析，結(jié)果如圖7所示。

圖7 基于不同深度的土壤含鹽量估算模型的殘差分布Fig.7 Residual distribution of soil salt content estimation model based on different depths

由圖7可看出，在所有預(yù)測土壤含鹽量的模型中，0～10 cm深度條件下的PLSR模型、QR模型和10～20 cm深度條件下的PLSR模型殘差分布基本一致，殘差范圍跨度大，其中0～10 cm深度條件下的QR模型殘差范圍最廣，說明預(yù)測效果最差。0～10 cm深度條件下的SVM模型殘差最集中并遵循標(biāo)準(zhǔn)正態(tài)分布，范圍最窄，預(yù)測效果最好。這與模型預(yù)測值的擬合曲線結(jié)論一致。

3 結(jié)論

(2)采用3種模型對不同深度土壤含鹽量進(jìn)行反演時，0～10 cm深度反演精度均高于10～20 cm深度的反演精度，其中0～10 cm深度時支持向量機模型是最優(yōu)模型。

(3)0～10 cm深度條件下的支持向量機模型適用于沙壕渠裸土期的土壤含鹽量反演。但是地表粗糙度對雷達(dá)后向散射系數(shù)有一定的影響，會影響雷達(dá)遙感反演土壤含鹽量的預(yù)測精度，這也是今后應(yīng)研究并解決的問題。