1、引言

银川平原是我国西部地区重要的耕地保护资源和灌溉农业区。然而，长期引黄灌溉加之干旱少雨、蒸发强烈等因素导致该区形成了大面积盐碱化土壤，成为制约该地区农业可持续发展的主要问题。土壤含水量、ｐＨ值和含盐量作为盐碱地农业监测的重要指标，在评估土壤墒情、农作物生长状况和产量方面具有指导作用。因此，快速、准确地获取银川平原土壤水盐信息，对实现盐碱地综合治理至关重要。

本研究以银川平原盐碱化农田为对象，基于无人机高光谱数据进行土壤水盐指标的最优光谱变换形式筛选，采用ＣＡＲＳ算法进行建模变量提取，构建偏最小二乘回归（ＰＬＳＲ）、ＲＦ和ＸＧＢ_ｏｏｓｔ模型，最终确定土壤含水量、ｐＨ值和土壤含盐量的最佳反演模型，以期通过无人机高光谱实现盐碱化农田土壤水盐指标估测，为精准农业生产提供理论依据和技术支持。

3、结果与分析

3.5 土壤水盐指标分布反演

选取精度最高的土壤含水量ＸＧＢ_ｏｏｓｔ、ｐＨ⁃ＸＧＢ_ｏｏｓｔ和土壤含盐量⁃ＲＦ模型，利用反距离权重插值法反演土壤水盐指标的空间分布。研究区土壤水盐指标总体上呈现较为显著的空间分布差异，土壤含水量和ｐＨ值实测值与最优反演模型预测值分布趋势较为一致，土壤含盐量反演结果相对较差（图６）。

图６土壤水盐指标的空间分布

4、讨论

4.1 植被冠层光谱对土壤水盐指标的响应

当前基于高光谱技术的土壤指标定量反演研究主要以裸土光谱反射率为数据源，但在农作物生长阶段，植被覆盖使土壤反射率难以直接获取，因此，本研究对不同水分含量和盐碱化程度下的植被冠层光谱响应特征进行探讨具有重要的现实意义。

本研究中，随着盐碱胁迫程度的增加，植被叶片叶绿素含量逐渐降低，反射率在近红外波段具有明显差异。这是由于叶片细胞组织对近红外波段具有强烈的反射作用，当盐碱胁迫影响植物的正常生理机能，干扰叶绿素的生物合成时，叶片可能会枯萎或因缺水而凋谢，从而导致细胞萎缩变化。因此，作物冠层光谱在一定程度上能够反映植物对水分和盐碱胁迫的敏感性。这对了解作物在不同环境胁迫下的生理变化以及实现土壤指标高光谱定量反演具有重要意义。

4.2 基于土壤水盐指标特征的不同光谱变换类型优选

高光谱数据预处理是提升建模精度的重要方法，能够增强有价值的波段信息。选择适当的数学变换方法可以有效地凸显光谱的反射和吸收特性，更好地捕捉土壤特性与光谱之间的关联性。本研究表明，就土壤含水量而言，４ 种光谱变换方法（ＳＮＶ、 ＭＳＣ、ＦＤＲ 和 ＳＤＲ）的效果均低于原始光谱反射率。这可能是因为在数学变换过程中，一些冗余的光谱信息被去除的同时引入了大量的噪声峰，尤其是ＳＮＶ和ＭＳＣ变换可能导致与水分含量相关的光谱信息被忽略。微分变换则能够减弱背景噪声的干扰，且有助于消除基线效应对ｐＨ值估算的影响，因此，本研究中ＦＤＲ为土壤ｐＨ值的最佳光谱变换形式。土壤含盐量与ＭＳＣ的相关性最高，这是因为ＭＳＣ能够基于理想光谱来修正光谱数据的基线平移和偏移现象，能更有效地消除不同盐化程度引起的光谱散射水平差异，进而增强光谱与土壤含盐量之间的相关性。

4.3 基于 ＣＡＲＳ 算法的高光谱特征波长筛选

高光谱数据具有数据量庞大和波段维数高的特点，但由于光谱信息存在冗余和重叠，基于全波段构建的土壤水盐信息反演模型可能会出现不稳定的情况，因此，探寻适宜的敏感光谱变量筛选方法尤为重要。有研究人员基于ＣＡＲＳ算法筛选出与土壤含水量极显著相关的波段，这些波段均位于光谱曲线的水分吸收峰附近，是适用于整体土壤含水量的最优变量集。这与本研究结果基本一致，本研究将不同指标的最优光谱变换形式与ＣＡＲＳ相结合，通过对１５０个波段进行ＣＡＲＳ变量优选，最终确定了１６～１７个特征波段，且均匀分布在可见光和近红外波段范围内。ＣＡＲＳ算法在计算取值过程中采用了交互验证法选出均方根误差值最低的子集，这种方法的特点在于其取值覆盖范围广，因而可以有效地寻找出最优且最具代表性的变量组合。

4.4 不同机器学习建模方法下土壤水盐信息反演模型对比

本研究运用３种机器学习算法对土壤水盐含量进行估算模型的构建，并对模型的精度进行验证。结果表明，土壤含水量和ｐＨ值估算模型的预测能力整体优于含盐量模型。农田为中低产田，且样本 采集时间是夏季，降雨频度较高，导致地表水分对土壤盐分产生了一定的淋洗作用，在这种情况下，土壤水分对冠层光谱反射率的影响大于盐分的影响。此外，ＸＧＢ_ｏｏｓｔ和ＲＦ虽同为多个模型的集成，但它们的核心特点有所不同。ＸＧＢ_ｏｏｓｔ主要关注于降低偏差，其逻辑是串行的；而ＲＦ则采用方式，注重降低方差，其逻辑是并行的 。由于土壤含盐量数据离散程度较高，方差较大，因此，更适合用于ＲＦ模型训练；而ｐＨ值数据波动较小，集中在较小的阈值范围内，这使得ＸＧＢ_ｏｏｓｔ模型在估算该值时表现最佳。ＸＧＢ_ｏｏｓｔ算法能够自动学习数据中的缺失值和异常值，并通过引入正则化项来避免过拟合问题，从而提高模型的泛化能力，因此，对结果具有较强的解释性。

本研究虽然基于植被冠层光谱反射率构建土壤水盐信息模型，但并未考虑植被类型、土壤营养状况等因素对植被冠层光谱的影响。因此，所建立的土 壤水盐信息模型还需进一步验证。在后续研究中，应尝试引入地表温度、高程、水体指数等因子作为建模变量，以便从多个维度解析土壤水盐信息与周边环境之间的响应关系，从而提高现有模型的精度和适用性。

5、结论

随着土壤含水量的增加，植被冠层光谱反射率呈逐渐上升的趋势；冠层光谱反射率与土壤碱化程度、盐化程度均呈反比。土壤含水量、ｐＨ值和土壤含盐量分别以Ｒ、ＦＤＲ和ＭＳＣ为最佳光谱变换类型，对应的ＭＡＣＣ分别为０．７３０、０．４７２ 和０．６５４。结合ＣＡＲＳ算法能有效剔除无关变量，从１５０个光谱波段中优选出１６ ～ １７个特征波段。土壤含水量和ｐＨ值均以ＸＧＢ_ｏｏｓｔ模型表现最佳，Ｒ_ｐ^２分别为０．９２７和 ０．７４３，ＲＰＤ达３．９３和２．４５；基于无人机高光谱遥感和机器学习的土壤水盐信息反演型为最优反演方法，Ｒｐ２和ＲＰＤ分别为０． ４２７和 １．６４。

推荐：

无人机高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。