阿拉善地区土壤盐渍化的遥感反演及分布特征
赵欣悦 , 1 , 2 , 席海洋 , 1 , 赵静 3 , 马克华 3 , 程文举 1 , 2 , 陈雨晴 1 , 2
1.中国科学院西北生态环境资源研究院 中国科学院内陆河流域生态水文重点实验室/阿拉善荒漠生态水文试验研究站，甘肃 兰州 730000
2.中国科学院大学，北京 100049
3.阿拉善盟林业和草原保护站，内蒙古 阿拉善左旗 750300
Inversion and spatial distribution characteristics of soil salinity in Alxa area， China
Zhao Xinyue , 1 , 2 , Xi Haiyang , 1 , Zhao Jing 3 , Ma Kehua 3 , Cheng Wenju 1 , 2 , Chen Yuqing 1 , 2
1.CAS Key Laboratory of Eco-Hydrology of Inland River Basin / Alxa Desert Eco-Hydrology Experimental Research Station，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China
2.University of Chinese Academy of Sciences，Beijing 100049，China
3.Forestry and Grassland Protection Station of Alxa，Alxa Left Banner 750300，Inner Mongolia，China
通讯作者: 席海洋（E-mail： xihy@lzb.ac.cn ）
收稿日期: 2022-04-01
修回日期: 2022-06-10
基金资助:
阿拉善盟自选项目“阿拉善盟国家级公益林监测技术研究与综合效益评估” 内蒙古自治区科技重大专项 . zdzx2018057
Received: 2022-04-01
Revised: 2022-06-10
摘要
土壤盐渍化是威胁干旱区土地的重要环境问题。利用遥感技术对土壤盐渍化进行动态监测，分析土壤盐度水平与空间分布，有利于掌握土壤盐渍化现状，为土地资源可持续利用提供理论依据。现有研究多在田间尺度，随着土壤环境问题涉及的范围越来越大，区域斑块信息的提取已无法满足宏观地模拟和展示整体土壤环境的空间分布。以阿拉善地区为例，结合遥感光谱指数与实测土壤盐分数据，运用偏最小二乘回归（PLSR）方法，构建区域尺度范围的土壤盐渍化反演模型，实现大面积地区土壤盐度的精准模拟和定量监测。结果表明，构建的模型验证精度达到0.8788，达到极显著水平，预测结果与实际情况相符，可以较准确地模拟研究区土壤盐渍化状况。受地形、气候、景观类型、农业活动以及土地管理等因素的综合影响，阿拉善地区约20%的区域土壤呈现出不同程度的盐渍化，其中黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇土壤盐渍化程度最为严重。本研究可为大面积区域土壤盐分状况的快速监测及遥感定量反演提供可行的方法，同时为该区域不同程度盐渍化土壤的治理和土地利用管理提供依据。
关键词：
土壤盐渍化 光谱指数 偏最小二乘回归 盐分反演
Abstract
Soil salinization is an important environmental problem that threatens lands in arid regions. Using remote sensing technology to dynamically monitor soil salinity and analyze the level and spatial distribution of soil salinity is conducive to grasping the current situation of soil salinization， and providing a theoretical basis for the sustainable utilization of land resources. However， most of the existing studies focus on the field scale， with the increasing scale of soil environmental problems， the extraction of regional patch information cannot macroscopically simulate and display the spatial distribution of the overall soil environment. To solve this problem， taking the Alxa area as an example， combined with remote sensing spectral index and measured soil salt data， this paper built soil salinization inversion model at regional scale by using the partial least squares regression （PLSR） method to realize the accurate simulation and quantitative monitoring of soil salinity in a large area. The results show that the verification accuracy of the model reaches 0.8788， reaching a very significant level， and the prediction results are more consistent with the actual situation， which can accurately simulate the soil salinization in the study area. Due to the comprehensive influence of terrain， climate， landscape type， agricultural activities， and land management， about 20% of the regional soil in Alxa shows varying degrees of salinization， and the most serious soil salinization areas are the riparian zone of the lower reaches of Heihe River， the west side of Yabulai Mountain， and the alluvial fan on the west side of Helan Mountain. This study can provide a feasible method for the rapid monitoring and remote sensing quantitative inversion of soil salinity in a large area， and provide a basis for the treatment of different degrees of salinized soil and land use management in this area.
Keywords：
soil salinization spectral index Partial Least Squares Regression salt inversion
本文引用格式
赵欣悦, 席海洋, 赵静, 马克华, 程文举, 陈雨晴. 阿拉善地区土壤盐渍化的遥感反演及分布特征 . 中国沙漠 [J], 2023, 43(1): 27-36 doi:10.7522/j.issn.1000-694X.2022.00070
Zhao Xinyue, Xi Haiyang, Zhao Jing, Ma Kehua, Cheng Wenju, Chen Yuqing. Inversion and spatial distribution characteristics of soil salinity in Alxa area， China . Journal of Desert Research
0 引言
土壤盐渍化是威胁干旱地区土地的重要环境问题，会造成土壤肥力下降，破坏土壤-水-植物系统养分吸收功能，导致作物生产力下降，严重影响干旱区的农业生产和粮食安全［1 ］ 。阿拉善盟位于内蒙古自治区西部，是中国生态环境的重要防线。土壤盐渍化是制约阿拉善生态保护与恢复的重要因素，精准反演和预测阿拉善地区土壤的盐度水平及其空间分布对土壤盐渍化治理和盐碱地综合改良具有重要意义。
近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ 。遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ 。目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平。多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果。其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ 。与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ 。单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ 。大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度。Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高。屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数。张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演。上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化。目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少。
本文以内蒙古阿拉善盟为研究区，基于Landsat 8 OLI传感器数据，结合实测土壤盐分数据和遥感指数，运用PLSR方法，选取最优敏感指数构建土壤盐分反演模型，探讨研究区土壤盐分空间分布特征，以期为大面积干旱区域土壤盐分状况的遥感定量获取及快速监测提供有效可行的方法，为该区域盐渍化土壤治理和土地利用管理提供依据。
1 研究区与研究方法
1.1 研究区概况
阿拉善盟位于37°24′—42°47′N、97°10′—106°53′E，地处内蒙古高原最西端，东抵贺兰山，西至马鬃山，南达腾格里沙漠南缘，北与蒙古国接壤，面积约27万km2 ，海拔900~1 400 m（图1 ）。阿拉善地区属温带大陆性气候，年均气温6~8.5 ℃，降水集中在7—9月，年降水量40~200 mm，蒸发量2 000~4 000 mm，属于典型干旱区域。该区域内的两条主要河流是额济纳河（黑河下游）和黄河。地表覆被以沙漠、戈壁为主，植被稀疏，土壤类型主要有棕钙土、灰漠土等，土质松散，含有较多可溶性盐［19 -20 ］ 。
图1
图1
研究区概况及采样点分布
Fig.1
Study area and distribution of sampling points
1.2 土壤样品采集与测定
本研究建模样本采集于2019年9月。取样时为了充分考虑采样点的代表性，在研究区域选择不同植被类型、不同土壤质地、能够代表各盐度等级的样点进行采样，样方大小为20 m×20 m，采样深度为0~10 cm，采样时在相邻样点周围重复采集5个土壤样品混合，共采集表层土样34份（图1 ）。使用手持GPS仪对每个采样点进行定位，并记录采样点周围植被类型等环境信息。将采集的土壤样品去除杂物后混合均匀装入无菌自封袋内带回实验室，自然风干、磨碎，过2 mm筛后按照土壤农化分析方法［21 ］ ，采用1∶5土水稀释提取法测定土壤SO4 2 - - 、CO3 2 - 3 - + 、Mg2+ 、K+ 、Ca2+ 含量，土壤全盐量为8种离子含量之和。验证样本为采集于2018年9月的34份表层土样，样地布设、样品采集和处理方法同2019年。
1.3 遥感影像处理与光谱指数提取
本研究中遥感数据采用美国地质调查局（USGS，http：//earthexplorer.usgs.gov/ ）提供的Landsat 8 OLI数据。遥感影像获取时间为2018年9月和2019年9月，试验前利用ENVI软件对影像进行辐射定标、大气校正和图像裁剪等预处理。
根据地物光谱特征及其与多光谱遥感影像各波段之间的关系，对某些波段或反射率进行组合计算，可达到凸显目标地物的作用［22 ］ 。多数情况下，因为标准差大，波段之间的相关性较弱，数据的独立性较强，冗余较少，所以从复合波段中得到的信息量更多［23 -24 ］ 。本研究选取现有文献中应用较多的16个具有代表性的盐分指数、水体指数和植被指数（表1 ），反演研究区土壤盐渍化信息。在ENVI软件中根据各光谱指数计算公式进行波段运算，通过地理坐标将生成的光谱指数灰度图与实测土壤盐分点对应起来，在ArcGIS软件中提取各采样点的光谱指数值。
1.4 土壤盐分含量预测模型构建与验证
本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型。模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断。其中R 2 越接近1，RMSE 越接近零，表明模型精度越高。当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ 。R 2 、RMSE 和RPD 的计算公式如下：
R 2 = 1 - ∑ i = 1 n ( y ^ i - y i ) 2 ∑ i = 1 n ( y i - y ¯ ) 2 （1）
R M S E = ∑ i = 1 n ( y ^ i - y i ) 2 n （2）
R P D = S D R M S E （3）
式中：yi 为土壤盐分实测值；y ¯ i y ^ i n 为样本数量；SD 为土壤盐分实测值的标准差。
同时，利用2018年9月获取的土壤盐分实测数据，对最优模型进行验证，由R 2 和RMSE 评价模型的预测能力和普适性。
根据土壤盐渍化分级标准，将土壤分为5个级别。土壤中含盐量<1 g·kg-1 为非盐渍化土、1~3 g·kg-1 为轻度盐渍化土、3~6 g·kg-1 为中度盐渍化土、6~15 g·kg-1 为重度盐渍化土、>15 g·kg-1 为盐土［35 ］ 。
2 结果与分析
2.1 土壤盐分含量
2018年和2019年研究区土壤样本盐分含量分别为0.28~42.47 g·kg-1 和0.24~41.75 g·kg-1 ，平均值分别为2.53 g·kg-1 和2.92 g·kg-1 ，均属于轻度盐渍化土；标准差分别为7.32 g·kg-1 和8.30 g·kg-1 ，变异系数均大于1，土壤样本具有很高的离散性，空间变异性强，存在部分土壤样本盐分含量过高的情况（表2 ）。剔除异常值后最终保留2019年32个土壤盐分数据和2018年33个盐分数据参与模型的构建与验证。
2.2 光谱指数与土壤盐分含量的相关性
在单波段中，可见光与近红外波段的反射率值与土壤盐分含量相关性均较小，仅短波红外SWIR 2 波段的反射率值与盐分含量的相关系数较高，为 -0.442（表3 ）。
多个波段组合成的光谱指标中，SI -T 、SI 4 、NDSI 、NDVI 、DVI 、SAVI 、RVI 和SRSI 等8个指数与盐分极显著相关 （P <0.01），相关系数为0.497~0.799，光谱指数预测土壤盐渍化的能力较强。盐分指数SI 5 与土壤盐分显著相关（P <0.05），其余7个光谱指数与土壤盐分相关性均不显著（图2 ）。根据相关分析结果，本研究选取和土壤盐分相关系数较高的8种光谱指标（SI -T 、SI 4 、NDSI 、NDVI 、DVI 、SAVI 、RVI 、SRSI ）参与预测模型的构建。
图2
图2
土壤盐分含量与光谱指数的相关系数（* P <0.05； ** P <0.01）
Fig.2
Correlation coefficient between soil salt content and spectral index in the study area （* P <0.05； ** P <0.01）
2.3 土壤盐分预测模型构建与研究区土壤盐分反演
PLSR方法通过使用一个多元线性模型，将预测变量（X ）和响应变量（Y ）这两个数据矩阵关联起来，该算法通过选择连续的正交（潜在）因子，使光谱变量（X ）和测量土壤性质（Y ）之间的协方差最大化［14 ］ 。为防止数据拟合不足或过拟合，采用留一交叉验证法对潜在变量LVs 进行优选，决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）用于评估模型的稳定性和预测精度，以确定最佳模型。本研究以2019年9月获取的32个土壤盐分实测点为因变量，与土壤盐分相关系数较高的光谱指标为自变量，构建土壤盐分与各自变量间的PLSR方程。SAVI 对土壤盐分估算的贡献最大，其次是DVI 、NDSI 和NDVI ， SI -T 和SI 4 对土壤盐分估算的贡献最小（图3 ）。由图4 和表4 可以看出，模型建模集的模型R 2 和RMSE 分别为0.9771和0.7172，建模效果较好，因此NDSI 、NDVI 、DVI 等盐度指数和植被指数可用于构建土壤反演模型，且模型精度较高。
图3
图3
含有8个潜在变量的PLSR模型回归系数
Fig.3
Regression coefficients of PLSR model with 8 latent variables
图4
图4
2019年PLSR模型建模集和验证集土壤盐分反演精度
Fig.4
Soil salinity inversion accuracy of PLSR model calibration set and validation set in 2019
为进一步评估模型的稳定性和普适性，将2018年9月遥感影像用模型进行土壤盐分反演，利用2018年9月获取的33个实测土壤盐分数据对模型进行验证。实测土壤盐分与预测值表现出了较好的线性相关，R 2 为0.8788，RMSE 为0.6209（图5 ），说明构建的土壤盐分预测模型拟合精度较高，能够较好地模拟研究区土壤盐渍化状况。
图5
图5
2018年PLSR模型土壤盐分反演精度
Fig.5
Soil salinity inversion accuracy of PLSR model in 2018
将生成的预测模型用于土壤盐分反演，得到2019年研究区土壤盐分空间分布图（图6 ）。阿拉善地区约20%的区域土壤呈现出不同程度的盐渍化，盐渍化土以轻度等级为主，与实测土壤样本盐分含量相符，表明反演结果的正确率较高。统计各盐分等级土壤所占像元，结果表明，不同盐分等级土壤面积由大到小依次为非盐渍化土>轻度盐渍化土>中度盐渍化土>重度盐渍化土>盐土。不同盐渍化程度土壤中，轻度盐渍化土面积最大，为36 641.65 km2 ，占研究区总面积的13.57%，主要分布在额济纳旗西北部马鬃山东侧和阿拉善左旗西南部等区域；中度盐渍化土面积为7 475.73 km2 ，占研究区总面积的2.77%，主要分布在阿拉善左旗南部的北大山和龙首山北侧，以及巴丹吉林沙漠中部及东部区域等；重度盐渍化土面积为4 722.75 km2 ，占研究区总面积的1.75%，主要分布在阿拉善左旗东北部的戈壁和雅布赖山西侧；盐土面积最小，为2 967.78 km2 ，占研究区总面积的1.10%，主要分布在黑河下游及其尾闾湖周围，以及贺兰山西侧等地。
图6
图6
2019年土壤盐分空间分布
Fig.6
Spatial distribution of soil salinity in the study area in 2019
3 讨论
3.1 阿拉善地区土壤盐渍化分布及成因
本研究利用多波段组合而成的光谱指数构建PLSR土壤盐分反演模型，发现以植被为探测盐渍土的间接指标对土壤盐分最为敏感，这与研究选择的数据采集于9月，该时期植被的生物量几乎达到最大有关，这与相关的研究结果相符［36 -37 ］ 。如图6 所示，受盐渍化影响的区域主要分布在研究区东部、西北部戈壁和绿洲区以及南部沙漠边缘，其中黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇，土壤盐渍化最为严重，均达到重度盐渍化水平，这与部分学者对阿拉善地区土壤盐分空间格局的研究结果［38 -39 ］ 基本一致。
盐渍土的形成常常受到区域气候、水文、地形、土壤、植被类型以及人类活动等多种因素综合影响［40 ］ 。阿拉善地区位于中国西北干旱区，降水稀少，研究区内的主要河流以融雪或降水补给为主，为季节性河流，洪水期水流携带的泥沙及化学物质在河流出山口沉积，部分盐分在山前洪积-冲积扇上部积聚。河流流经出山口以后，渗漏补给山前平原的地下水，在冲积扇的扇缘部位形成地下水溢出带，可溶性盐通过地表径流、潜流，最终汇集在河流尾闾部分的湖泊［41 ］ 。另外，河流流到下游，沿途已有大量可溶性盐溶解在河水中，并对河岸周边地下水进行侧渗补给，地下水在流动过程中又不断溶解周围基岩中的盐基离子，提高矿化度，使受影响区域的土壤也具有高盐度。黑河下游绿洲位置最低，成为整个流域的水盐排泄区。土壤盐分也具有明显的离河道越近，土壤盐分含量越高的变化特征。这与区域土壤盐分受地下水位变化的影响有关，离河越近，地下水位越高。黑河分水时期河岸周边地下水位高，强烈的蒸发使土壤及地下水中的可溶性盐发生表聚，从而使土壤的盐分含量也升高。此外，由于黑河上游山地森林、灌丛和草原的大量用水，中游灌溉面积的持续扩大、水利设施的大量修建，干流下游水量减少，尾闾湖泊逐渐萎缩，湖水和地下水矿化度升高，形成部分盐漠，随风沙活动向绿洲扩展。地下水位较高时为活性积盐，地下水位下降到临界深度后，盐分仍残留在土体中，变为残遗积盐［42 ］ 。严格实行计划用水和水量分配制度，合理利用上中下游的水资源，在盐碱地周边实行高效节水灌溉，减少秋季大水漫灌，建设排水措施，是治理该区域土壤盐渍化的重要措施。雅布赖山西侧土壤盐渍化主要与风力堆积的影响有关。阿拉善干旱荒漠区是中国北方沙漠的重要组成部分，沙漠周围分布着大量的基岩山地、戈壁和河湖相沉积物，该地区有剧烈的风沙活动，物理风化作用十分强烈，加上降水稀少、蒸发强烈，含盐的砂土被吹落到山前戈壁和沙漠等地，积聚成新的盐渍土层［43 ］ 。在土壤盐渍化过程中，植物对盐分在土壤中的累积具有指示作用［44 ］ 。阿拉善干旱荒漠区的一些盐生植物如骆驼刺、柽柳 、胡杨等，都具有强大的根系，能从土层深处吸取大量水分和盐分，可以一定程度上减少土壤表层盐分，通过种植可在高盐环境中生存的盐生植物对土壤盐分进行抑制，是盐碱土改良的一种重要措施。贺兰山西侧的冲积扇位于阿拉善左旗，该区域人口密集，人类活动对土壤盐渍化过程的影响较大，主要是由于灌溉不当使土壤盐度增加。河套灌区平均引水量大于排水量，导致地下水位抬升，灌区径流排泄不畅，盐分进出不平衡，灌区总体上处于积盐状态［45 ］ ，土壤次生盐渍化严重。由于土壤中积累的大量盐分随水而动，如果旱季没有及时灌溉淋洗，盐分会影响作物生长导致减产。部分地区由于缺乏淡质灌溉水源而使用矿化水灌溉，也会使土壤盐渍化程度加深。
3.2 土壤盐渍化反演结果的不确定性
多光谱遥感影像中提取的各类指标是构建土壤盐分反演模型的基础，不同盐碱化土壤在光谱反应上有差异，因而选择合适的光谱指数尤为重要。盐渍土的形成受到气候、植被、地形、水文地质等多种因素的影响，仅通过光谱信息模拟土壤的盐渍化程度具有一定程度的不确定性，应选取更多实测数据，如地下水矿化度、地下水位等，作为自变量参与建模，使土壤盐分模拟结果更加准确。土壤盐分预测模型的输入变量是Landsat多光谱遥感数据，预测变量是土壤样本的实测含盐量，Landsat 8数据分辨率与采样样方大小存在差异，且遥感影像与土壤样品的获取时间存在5~20 d的差异，预测结果会产生一定误差。在土壤样品的采集方面，由于研究区地形地貌的限制，土壤样本数量较少，也会对模型的精度造成一定影响。本研究尽管模型反演预测结果的精度较高，但仍存在一定的不确定性，需要在今后研究中进一步完善。
4 结论
本研究以内蒙古阿拉善地区为研究对象，结合土壤盐分实测数据和遥感数据，选取最优敏感指数构建土壤盐分反演模型，模拟研究区土壤盐渍化状况，进而探究了不同盐度等级土壤的分布特征及成因。结果表明：多个波段组合成的光谱指数对研究区土壤盐分更加敏感，利用其构建的偏最小二乘回归模型验证精度为0.8788，达到极显著水平，可以较为准确地进行大面积土壤盐渍化监测。利用模型模拟研究区土壤盐分的空间分布，发现约20%的区域土壤呈现出不同程度的盐渍化，由于研究区气候、水文、地形、土壤、植被类型以及人类活动等多种因素的影响，土壤盐渍化程度最为严重的地区为黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇。本研究可为阿拉善地区不同程度盐渍化土壤的治理和土地利用管理提供依据。
由于区域内土壤盐分状况因不同成土母质、盐分离子组成等因素存在一定的空间差异，构建大面积地区的土壤盐渍化预测模型会存在一定的精度误差，且很难适用于其他区域。因此，在今后的土壤盐渍化研究中，需要充分利用不同时间和空间分辨率的遥感影像，结合土壤质地、地表水和地下水等更多影响盐渍化监测的指标，建立大尺度范围的统一土壤盐渍化反演模型，更精准地实现大面积地区土壤盐渍化的动态监测。
参考文献
View Option
[1]
Metternicht G I Zinck J A Remote sensing of soil salinity：potentials and constraints
［J］.Remote Sensing of Environment ，2003 ，85 （1 ）：1 -20 .
[本文引用: 1]
[2]
Gorji T Sertel E Tanik A Monitoring soil salinity via remote sensing technology under data scarce conditions：a case study from Turkey
［J］.Ecological Indicators ，2017 ，74 ：384 -391 .
[本文引用: 1]
[3]
丁建丽 ，姚远 ，王飞 干旱区土壤盐渍化特征空间建模
［J］.生态学报 ，2014 ，34 （16 ）：4620 -4631 .
[本文引用: 1]
[4]
Mougenot B Pouget M Epema G Remote sensing of salt-affected soils
［J］.Remote Sensing Reviews ，1993 ，7 （3/4 ）：241 -259 .
[本文引用: 1]
[5]
张飞 ，塔西甫拉提·特依拜 ，丁建丽 ，等 渭干河-库车河三角洲绿洲土壤盐渍化现状特征及其与光谱的关系
［J］.环境科学研究 ，2009 ，22 （2 ）：227 -235 .
[本文引用: 1]
[6]
翁永玲 ，戚浩平 ，方洪宾 ，等 基于PLSR方法的青海茶卡-共和盆地土壤盐分高光谱遥感反演
［J］.土壤学报 ，2010 ，47 （6 ）：1255 -1263 .
[本文引用: 1]
[7]
Farifteh J Van der Meer F Atzberger C et al Quantitative analysis of salt-affected soil reflectance spectra：a comparison of two adaptive methods （PLSR and ANN）
［J］.Remote Sensing of Environment ，2007 ，110 （1 ）：59 -78 .
[本文引用: 1]
[8]
扶卿华 ，倪绍祥 ，王世新 ，等 土壤盐分含量的遥感反演研究
［J］.农业工程学报 ，2007 （1 ）：48 -54 .
[本文引用: 1]
[9]
Vermeulen D Van Niekerk A Machine learning performance for predicting soil salinity using different combinations of geomorphometric covariates
［J］.Geoderma ，2017 ，299 ：1 -12 .
[本文引用: 1]
[10]
张智韬 ，魏广飞 ，姚志华 ，等 基于无人机多光谱遥感的土壤含盐量反演模型研究
［J］.农业机械学报 ，2019 ，50 （12 ）：151 -160 .
[本文引用: 1]
[11]
姜红 ，玉素甫江•如素力 ，热伊莱•卡得尔 ，等 基于神经网络模型的干旱区绿洲土壤盐渍化评价分析
［J］.地球信息科学学报 ，2017 ，19 （7 ）：983 -993 .
[本文引用: 1]
[12]
Rodriguez-Galiano V F Chica-Olmo M Abarca-Hernandez F et al Random forest classification of mediterranean land cover using multi-seasonal imagery and multi-seasonal texture
［J］.Remote Sensing of Environment ，2012 ，121 ：93 -107 .
[本文引用: 1]
[13]
王丽爱 ，马昌 ，周旭东 ，等 基于随机森林回归算法的小麦叶片SPAD 值遥感估算
［J］.农业机械学报 ，2015 ，46 （1 ）：259 -265 .
[本文引用: 1]
[14]
Said N Henning B Joachim H et al Modeling and mapping of soil salinity with reflectance spectroscopy and landsat data using two quantitative methods （PLSR and MARS）
［J］.Remote Sensing ，2014 ，6 ：10813 -10834 .
[本文引用: 2]
[15]
Yu H Liu M Du B et al Mapping soil salinity/sodicity by using Landsat OLI imagery and PLSR algorithm over semiarid west Jilin Province，China
［J］.Sensors ，2018 ，18 （4 ）：1 -17 .
[本文引用: 1]
[16]
Fourati H T Bouaziz M Benzina M et al Modeling of soil salinity within a semi-arid region using spectral analysis
［J］.Arabian Journal of Geosciences ，2015 ，8 （12 ）：11175 -11182 .
[本文引用: 2]
[17]
屈永华 ，段小亮 ，高鸿永 ，等 内蒙古河套灌区土壤盐分光谱定量分析研究
［J］.光谱学与光谱分析 ，2009 ，29 （5 ）：1362 -1366 .
[本文引用: 1]
[18]
张子璇 ，宋雨桐 ，张惠中 ，等 水文气候影响下黄河三角洲土壤盐分时空动态
［J］.应用生态学报 ，2021 ，32 （4 ）：1393 -1405 .
[本文引用: 1]
[19]
卢周扬帆 ，许端阳 ，张绪教 ，等 阿拉善干旱荒漠区土地利用变化对生态系统服务的影响
［J］.水土保持研究 ，2019 ，26 （6 ）：296 -302 .
[本文引用: 1]
[20]
万炜 ，颜长珍 阿拉善高原生态环境退化研究进展
［J］.地球环境学报 ，2018 ，9 （2 ）：109 -122 .
[本文引用: 1]
[21]
鲍士旦 土壤农化分析 ［M］.北京 ：中国农业出版社 ，2000 ：178 -199 .
[本文引用: 1]
[22]
杨晓潇 天津市滨海新区土壤盐分反演及土壤质量评价
［D］.北京 ：北京林业大学 ，2019 .
[本文引用: 1]
[23]
Yu H Liu M Du B et al Analysis of salinization dynamics by remote sensing in Hetao Irrigation District of North China
［J］.Agricultural Water Management ，2010 ，97 （12 ）：1952 -1960 .
[本文引用: 1]
[24]
Chavez P S Berlin G L Sowers L B Statistical method for selecting Landsat MSS ratios
［J］.Journal of Applied Photographic Engineering ，1982 ，8 （1 ）：23 -30 .
[本文引用: 1]
[25]
Allbed A Kumar L Aldakheel Y Y Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries：applications in a date palm dominated region
［J］.Geoderma ，2014 ，230/231 （7 ）：1 -8 .
[本文引用: 3]
[26]
Douaoui A E K Nicolas H Walter C Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data
［J］.Geoderma ，2006 ，134 （1/2 ）：217 -230 .
[本文引用: 4]
[27]
Bannari A Guedon A M El-Harti A et al Characterization of slightly and moderately saline and sodic soils in irrigated agricultural land using simulated data of advanced land imaging （EO-1） sensor
［J］.Communications in Soil Science and Plant Analysis ，2008 ，39 （19/20 ）：2795 -2811 .
[本文引用: 1]
[28]
Abbas A Khan S Hussain N et al Characterizing soil salinity in irrigated agriculture using a remote sensing approach
［J］.Physics and Chemistry of the Earth ，2013 ，55/57 ：43 -52 .
[本文引用: 2]
[29]
Khan N M Rastoskuev V V Sato Y et al Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators
［J］.Agricultural Water Management ，2005 ，77 （1/3 ）：96 -109 .
[本文引用: 1]
[30]
Huete A R A soil-adjusted vegetation index （SAVI）
［J］.Remote Sensing of Environment ，1988 ，25 （3 ）：295 -309 .
[本文引用: 1]
[31]
Rouse J W Hass R W Schell J A et al Monitoring the vernal advancement and retrogradation （green wave effect） of natural vegetation
［R］.Greenbelt，MD，USA ：NASA/GSFC Type III ，1974 .
[本文引用: 1]
[32]
Bannari A Morin D Bonn F et al A review of vegetation indices
［J］.Remote Sensing Reviews ，1995 ，13 （1/2 ）：95 -120 .
[本文引用: 2]
[33]
Alhammad M S Glenn E P Detecting date palm trees health and vegetation greenness change on the eastern coast of the United Arab Emirates using SAVI
［J］.International Journal of Remote Sensing ，2008 ，29 （6 ）：1745 -1765 .
[本文引用: 1]
[34]
代希君 ，彭杰 ，张艳丽 ，等 基于光谱分类的土壤盐分含量预测
［J］.土壤学报 ，2016 ，53 （4 ）：909 -918 .
[本文引用: 1]
[35]
杨小虎 ，罗艳琴 ，杨海昌 ，等 玛纳斯河流域绿洲农田土壤盐分反演及空间分布特征
［J］.干旱区资源与环境 ，2021 ，35 （2 ）：156 -161 .
[本文引用: 1]
[36]
Bui E N Henderson B L Vegetation indicators of salinity in northern Queensland
［J］.Austral Ecology ，2003 ，28 （5 ）：539 -552 .
[本文引用: 1]
[37]
邱元霖 ，陈策 ，韩佳 ，等 植被覆盖条件下的解放闸灌域土壤盐分卫星遥感估算模型
［J］.节水灌溉 ，2019 （10 ）：108 -112 .
[本文引用: 1]
[38]
贾艳红 ，赵传燕 ，南忠仁 黑河下游地下水波动带土壤盐分空间变异特征分析
［J］.干旱区地理 ，2008 （3 ）：379 -388 .
[本文引用: 1]
[39]
吴亚坤 ，李金彪 ，高昊辰 ，等 阿拉善左旗土壤盐分空间变异特征研究
［J］.土壤 ，2019 ，51 （5 ）：1030 -1035 .
[本文引用: 1]
[40]
温利强 我国盐渍土的成因及分布特征
［D］.合肥 ：合肥工业大学 ，2010 .
[本文引用: 1]
[41]
王遵亲 ，祝寿泉 ，俞仁培 ，等 中国盐渍土 ［M］.北京 ：科学出版社 ，1993 .
[本文引用: 1]
[42]
肖生春 ，肖洪浪 黑河流域绿洲环境演变因素研究
［J］.中国沙漠 ，2003 ，23 （4 ）：51 -56 .
[本文引用: 1]
[43]
张诚 阿拉善沙漠风积砂重矿物组成及物源分析
［D］.兰州 ：兰州大学 ，2020 .
[本文引用: 1]
[44]
杜秉晨曦 ，程勇翔 ，吴玲 准噶尔盆地植被与土壤盐渍化负关联性变化趋势分析
［J］.生态学报 ，2021 ，41 （23 ）：1 -13 .
[本文引用: 1]
[45]
张义强 ，王瑞萍 ，白巧燕 内蒙古河套灌区土壤盐碱化发展变化及治理效果研究
［J］.灌溉排水学报 ，2018 ，37 （）：118 -122 .
[本文引用: 1]
Remote sensing of soil salinity：potentials and constraints
1
2003
... 土壤盐渍化是威胁干旱地区土地的重要环境问题，会造成土壤肥力下降，破坏土壤-水-植物系统养分吸收功能，导致作物生产力下降，严重影响干旱区的农业生产和粮食安全［1 ］ .阿拉善盟位于内蒙古自治区西部，是中国生态环境的重要防线.土壤盐渍化是制约阿拉善生态保护与恢复的重要因素，精准反演和预测阿拉善地区土壤的盐度水平及其空间分布对土壤盐渍化治理和盐碱地综合改良具有重要意义. ...
Monitoring soil salinity via remote sensing technology under data scarce conditions：a case study from Turkey
1
2017
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
干旱区土壤盐渍化特征空间建模
1
2014
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
Remote sensing of salt-affected soils
1
1993
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
渭干河-库车河三角洲绿洲土壤盐渍化现状特征及其与光谱的关系
1
2009
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
基于PLSR方法的青海茶卡-共和盆地土壤盐分高光谱遥感反演
1
2010
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
Quantitative analysis of salt-affected soil reflectance spectra：a comparison of two adaptive methods （PLSR and ANN）
1
2007
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
土壤盐分含量的遥感反演研究
1
2007
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
Machine learning performance for predicting soil salinity using different combinations of geomorphometric covariates
1
2017
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
基于无人机多光谱遥感的土壤含盐量反演模型研究
1
2019
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
基于神经网络模型的干旱区绿洲土壤盐渍化评价分析
1
2017
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
Random forest classification of mediterranean land cover using multi-seasonal imagery and multi-seasonal texture
1
2012
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
基于随机森林回归算法的小麦叶片SPAD 值遥感估算
1
2015
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
Modeling and mapping of soil salinity with reflectance spectroscopy and landsat data using two quantitative methods （PLSR and MARS）
2
2014
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
... PLSR方法通过使用一个多元线性模型，将预测变量（X ）和响应变量（Y ）这两个数据矩阵关联起来，该算法通过选择连续的正交（潜在）因子，使光谱变量（X ）和测量土壤性质（Y ）之间的协方差最大化［14 ］ .为防止数据拟合不足或过拟合，采用留一交叉验证法对潜在变量LVs 进行优选，决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）用于评估模型的稳定性和预测精度，以确定最佳模型.本研究以2019年9月获取的32个土壤盐分实测点为因变量，与土壤盐分相关系数较高的光谱指标为自变量，构建土壤盐分与各自变量间的PLSR方程.SAVI 对土壤盐分估算的贡献最大，其次是DVI 、NDSI 和NDVI ， SI -T 和SI 4 对土壤盐分估算的贡献最小（图3 ）.由图4 和表4 可以看出，模型建模集的模型R 2 和RMSE 分别为0.9771和0.7172，建模效果较好，因此NDSI 、NDVI 、DVI 等盐度指数和植被指数可用于构建土壤反演模型，且模型精度较高. ...
Mapping soil salinity/sodicity by using Landsat OLI imagery and PLSR algorithm over semiarid west Jilin Province，China
1
2018
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
Modeling of soil salinity within a semi-arid region using spectral analysis
2
2015
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
... ［16 ］使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
内蒙古河套灌区土壤盐分光谱定量分析研究
1
2009
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
水文气候影响下黄河三角洲土壤盐分时空动态
1
2021
... 近年来，遥感技术已被广泛用于评估土壤盐度，其周期短，监测范围大，能够获取多时相、多波段的数据，可以进行大面积的土壤盐渍化动态监测［2 -3 ］ .遥感技术可以通过裸露的土壤直接监测地表盐分的存在，也可以通过受盐分控制或影响的植被类型进行间接监测［4 ］ .目前已有很多学者通过建立光谱数据与实测土壤盐分之间的关系，构建盐分反演模型来预测盐度水平.多元线性回归［5 ］ 、偏最小二乘回归（PLSR）［6 -7 ］ 、BP神经网络［8 ］ 、随机森林（RF）［9 ］ 等模型均在定量反演和预测土壤盐度水平方面表现出较好的效果.其中，多元线性回归模型能够较好地揭示多个自变量与因变量之间的关系，但输入变量间的严重共线性会放大计算误差［10 ］ ；BP神经网络能够很好地解释变量间的非线性关系，但隐含层神经元的设置较为复杂且没有确定的依据，会在很大程度上影响模型的精度［11 ］ ；随机森林（RF）模型具有很好的抗噪声能力，模型精度较高，不容易陷入过度拟合，但在观测值较少的情况下，不能产生较好的分类［12 -13 ］ .与上述模型相比，偏最小二乘回归方法（PLSR）在建模过程中综合了主成分分析、相关分析以及线性回归分析的特点，具有同时包含多个响应变量的能力，可以在一定程度上消除参与预测变量之间的共线性［14 ］ ，且适用于预测点数量多于观测点数量的情况［15 ］ .单个y 变量的PLSR可以模拟土壤中光谱反射率和盐分之间可能存在的线性关系［16 ］ .大量研究表明，利用PLSR法构建土壤盐分反演模型，能够较为准确地模拟和预测土壤盐度.Fourati等［16 ］ 使用土壤电导率测量值与Landsat 8数据，选取不同光谱指数，利用PLSR法建立土壤盐分反演模型，发现短波红外波段在评估和预测突尼斯东南部的土壤盐度上精度最高.屈永华等［17 ］ 利用内蒙古河套灌区土壤地面测量光谱与土壤化学成分数据，建立了土壤盐分与高光谱数据的PLSR模型，发现利用可见光和近红外波段能够较为精确地估算土壤中全盐、pH值、硫酸根等表示盐碱化程度的参数.张子璇等［18 ］ 使用土壤盐分实测数据和Landsat系列数据，运用PLSR法构建土壤盐分定量反演模型，发现选取多个波段组合成的光谱指数建模精度更高，并将其用于黄河三角洲土壤盐分的多年反演.上述研究表明，用PLSR 法对遥感数据与地物特征参数进行回归分析，建立二者之间的回归模型，可用于揭示光谱特征波段与土壤盐分含量的定量关系，较为准确地模拟土壤盐渍化程度，实现快速、宏观、动态地监测土壤盐渍化.目前利用遥感技术构建土壤盐分反演模型的研究很多，但主要以较小的区域为研究对象，将其应用于大面积干旱地区，实现更加宏观的土壤盐度模拟与定量反演，并探讨不同盐度等级土壤分布及成因的研究还较少. ...
阿拉善干旱荒漠区土地利用变化对生态系统服务的影响
1
2019
... 阿拉善盟位于37°24′—42°47′N、97°10′—106°53′E，地处内蒙古高原最西端，东抵贺兰山，西至马鬃山，南达腾格里沙漠南缘，北与蒙古国接壤，面积约27万km2 ，海拔900~1 400 m（图1 ）.阿拉善地区属温带大陆性气候，年均气温6~8.5 ℃，降水集中在7—9月，年降水量40~200 mm，蒸发量2 000~4 000 mm，属于典型干旱区域.该区域内的两条主要河流是额济纳河（黑河下游）和黄河.地表覆被以沙漠、戈壁为主，植被稀疏，土壤类型主要有棕钙土、灰漠土等，土质松散，含有较多可溶性盐［19 -20 ］ . ...
阿拉善高原生态环境退化研究进展
1
2018
... 阿拉善盟位于37°24′—42°47′N、97°10′—106°53′E，地处内蒙古高原最西端，东抵贺兰山，西至马鬃山，南达腾格里沙漠南缘，北与蒙古国接壤，面积约27万km2 ，海拔900~1 400 m（图1 ）.阿拉善地区属温带大陆性气候，年均气温6~8.5 ℃，降水集中在7—9月，年降水量40~200 mm，蒸发量2 000~4 000 mm，属于典型干旱区域.该区域内的两条主要河流是额济纳河（黑河下游）和黄河.地表覆被以沙漠、戈壁为主，植被稀疏，土壤类型主要有棕钙土、灰漠土等，土质松散，含有较多可溶性盐［19 -20 ］ . ...
1
2000
... 本研究建模样本采集于2019年9月.取样时为了充分考虑采样点的代表性，在研究区域选择不同植被类型、不同土壤质地、能够代表各盐度等级的样点进行采样，样方大小为20 m×20 m，采样深度为0~10 cm，采样时在相邻样点周围重复采集5个土壤样品混合，共采集表层土样34份（图1 ）.使用手持GPS仪对每个采样点进行定位，并记录采样点周围植被类型等环境信息.将采集的土壤样品去除杂物后混合均匀装入无菌自封袋内带回实验室，自然风干、磨碎，过2 mm筛后按照土壤农化分析方法［21 ］ ，采用1∶5土水稀释提取法测定土壤SO4 2 - - 、CO3 2 - 3 - + 、Mg2+ 、K+ 、Ca2+ 含量，土壤全盐量为8种离子含量之和.验证样本为采集于2018年9月的34份表层土样，样地布设、样品采集和处理方法同2019年. ...
天津市滨海新区土壤盐分反演及土壤质量评价
1
2019
... 根据地物光谱特征及其与多光谱遥感影像各波段之间的关系，对某些波段或反射率进行组合计算，可达到凸显目标地物的作用［22 ］ .多数情况下，因为标准差大，波段之间的相关性较弱，数据的独立性较强，冗余较少，所以从复合波段中得到的信息量更多［23 -24 ］ .本研究选取现有文献中应用较多的16个具有代表性的盐分指数、水体指数和植被指数（表1 ），反演研究区土壤盐渍化信息.在ENVI软件中根据各光谱指数计算公式进行波段运算，通过地理坐标将生成的光谱指数灰度图与实测土壤盐分点对应起来，在ArcGIS软件中提取各采样点的光谱指数值. ...
Analysis of salinization dynamics by remote sensing in Hetao Irrigation District of North China
1
2010
... 根据地物光谱特征及其与多光谱遥感影像各波段之间的关系，对某些波段或反射率进行组合计算，可达到凸显目标地物的作用［22 ］ .多数情况下，因为标准差大，波段之间的相关性较弱，数据的独立性较强，冗余较少，所以从复合波段中得到的信息量更多［23 -24 ］ .本研究选取现有文献中应用较多的16个具有代表性的盐分指数、水体指数和植被指数（表1 ），反演研究区土壤盐渍化信息.在ENVI软件中根据各光谱指数计算公式进行波段运算，通过地理坐标将生成的光谱指数灰度图与实测土壤盐分点对应起来，在ArcGIS软件中提取各采样点的光谱指数值. ...
Statistical method for selecting Landsat MSS ratios
1
1982
... 根据地物光谱特征及其与多光谱遥感影像各波段之间的关系，对某些波段或反射率进行组合计算，可达到凸显目标地物的作用［22 ］ .多数情况下，因为标准差大，波段之间的相关性较弱，数据的独立性较强，冗余较少，所以从复合波段中得到的信息量更多［23 -24 ］ .本研究选取现有文献中应用较多的16个具有代表性的盐分指数、水体指数和植被指数（表1 ），反演研究区土壤盐渍化信息.在ENVI软件中根据各光谱指数计算公式进行波段运算，通过地理坐标将生成的光谱指数灰度图与实测土壤盐分点对应起来，在ArcGIS软件中提取各采样点的光谱指数值. ...
Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries：applications in a date palm dominated region
3
2014
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
... [
25 ]
盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ] <strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
... [
25 ]
土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ] <strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data
4
2006
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
... [
26 ]
盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ] <strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
... [
26 ]
盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ] <strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
... [
26 ]
盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ] <strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
Characterization of slightly and moderately saline and sodic soils in irrigated agricultural land using simulated data of advanced land imaging （EO-1） sensor
1
2008
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
Characterizing soil salinity in irrigated agriculture using a remote sensing approach
2
2013
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
... [
28 ]
亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ] <strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators
1
2005
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
A soil-adjusted vegetation index （SAVI）
1
1988
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
Monitoring the vernal advancement and retrogradation （green wave effect） of natural vegetation
1
1974
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
A review of vegetation indices
2
1995
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
... [
32 ]
盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ] <strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
Detecting date palm trees health and vegetation greenness change on the eastern coast of the United Arab Emirates using SAVI
1
2008
... Calculation formula of spectral index
Table 1 光谱指数 公式 参考文献 盐分指数 (SI -T ) SI -T =Red /NIR ×100[25 ] 盐分指数 (SI ) SI =B l u e × R e d [25 ] 盐分指数 (SI 1 ) SI1 =G r e e n × R e d [26 ] 盐分指数 (SI 2 ) SI 2 =G r e e n 2 + R e d 2 + N I R 2 [26 ] 盐分指数 (SI 3 ) SI 3 =G r e e n 2 + R e d 2 [26 ] 盐分指数 (SI 4 ) SI 4 =SWIR1 /NIR [26 ] 盐分指数 (SI 5 ) SI 5 = (Red －SWIR1 )/(Red +SWIR1 )[27 ] 盐分指数 (SI 6 ) SI 6 =Blue ×Red /Green [28 ] 盐分指数 (SI 7 ) SI 7 =Red ×NIR /Green [28 ] 亮度指数 (BI ) BI =R e d 2 + N I R 2 [29 ] 归一化盐分指数 (NDSI ) NDSI =(Red -NIR )/(Red +NIR )[25 ] 土壤条件植被指数 (SAVI ) SAVI = (NIR -Red )×1.5/(NIR +Red +0.5)[30 ] 归一化植被指数 (NDVI ) NDVI = (NIR -Red )/(NIR +Red )[31 ] 差值植被指数 (DVI ) DVI =NIR -Red [32 ] 比值植被指数 (RVI ) RVI =NIR /Red [32 ] 盐渍化遥感指数 (SRSI ) SRSI =( N D V I - 1 ) 2 + S I 1 2 [33 ]
<strong>1.4</strong> 土壤盐分含量预测模型构建与验证 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
基于光谱分类的土壤盐分含量预测
1
2016
... 本研究采用Unscrambler9.7软件PLSR模块构建土壤盐分反演模型，将采样点土壤盐分数据作为因变量，与土壤盐分实测值皮尔逊相关系数较高的光谱指标作为自变量作为数据集，由于本研究样本数据量较少，采用交叉验证法选择最优模型.模型的稳定性和预测精度的评价指标采用决定系数（R 2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）来判断.其中R 2 越接近1，RMSE 越接近零，表明模型精度越高.当RPD >3.0时，模型具有极好的预测能力；当2.5<RPD <3.0时，模型具有很好的预测能力；2.0<RPD <2.5时，模型具有较好的预测能力；当1.5<RPD <2.0时，模型预测能力一般［34 ］ .R 2 、RMSE 和RPD 的计算公式如下： ...
玛纳斯河流域绿洲农田土壤盐分反演及空间分布特征
1
2021
... 根据土壤盐渍化分级标准，将土壤分为5个级别.土壤中含盐量<1 g·kg-1 为非盐渍化土、1~3 g·kg-1 为轻度盐渍化土、3~6 g·kg-1 为中度盐渍化土、6~15 g·kg-1 为重度盐渍化土、>15 g·kg-1 为盐土［35 ］ . ...
Vegetation indicators of salinity in northern Queensland
1
2003
... 本研究利用多波段组合而成的光谱指数构建PLSR土壤盐分反演模型，发现以植被为探测盐渍土的间接指标对土壤盐分最为敏感，这与研究选择的数据采集于9月，该时期植被的生物量几乎达到最大有关，这与相关的研究结果相符［36 -37 ］ .如图6 所示，受盐渍化影响的区域主要分布在研究区东部、西北部戈壁和绿洲区以及南部沙漠边缘，其中黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇，土壤盐渍化最为严重，均达到重度盐渍化水平，这与部分学者对阿拉善地区土壤盐分空间格局的研究结果［38 -39 ］ 基本一致. ...
植被覆盖条件下的解放闸灌域土壤盐分卫星遥感估算模型
1
2019
... 本研究利用多波段组合而成的光谱指数构建PLSR土壤盐分反演模型，发现以植被为探测盐渍土的间接指标对土壤盐分最为敏感，这与研究选择的数据采集于9月，该时期植被的生物量几乎达到最大有关，这与相关的研究结果相符［36 -37 ］ .如图6 所示，受盐渍化影响的区域主要分布在研究区东部、西北部戈壁和绿洲区以及南部沙漠边缘，其中黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇，土壤盐渍化最为严重，均达到重度盐渍化水平，这与部分学者对阿拉善地区土壤盐分空间格局的研究结果［38 -39 ］ 基本一致. ...
黑河下游地下水波动带土壤盐分空间变异特征分析
1
2008
... 本研究利用多波段组合而成的光谱指数构建PLSR土壤盐分反演模型，发现以植被为探测盐渍土的间接指标对土壤盐分最为敏感，这与研究选择的数据采集于9月，该时期植被的生物量几乎达到最大有关，这与相关的研究结果相符［36 -37 ］ .如图6 所示，受盐渍化影响的区域主要分布在研究区东部、西北部戈壁和绿洲区以及南部沙漠边缘，其中黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇，土壤盐渍化最为严重，均达到重度盐渍化水平，这与部分学者对阿拉善地区土壤盐分空间格局的研究结果［38 -39 ］ 基本一致. ...
阿拉善左旗土壤盐分空间变异特征研究
1
2019
... 本研究利用多波段组合而成的光谱指数构建PLSR土壤盐分反演模型，发现以植被为探测盐渍土的间接指标对土壤盐分最为敏感，这与研究选择的数据采集于9月，该时期植被的生物量几乎达到最大有关，这与相关的研究结果相符［36 -37 ］ .如图6 所示，受盐渍化影响的区域主要分布在研究区东部、西北部戈壁和绿洲区以及南部沙漠边缘，其中黑河下游河岸带、雅布赖山西侧及贺兰山西侧冲积扇，土壤盐渍化最为严重，均达到重度盐渍化水平，这与部分学者对阿拉善地区土壤盐分空间格局的研究结果［38 -39 ］ 基本一致. ...
我国盐渍土的成因及分布特征
1
2010
... 盐渍土的形成常常受到区域气候、水文、地形、土壤、植被类型以及人类活动等多种因素综合影响［40 ］ .阿拉善地区位于中国西北干旱区，降水稀少，研究区内的主要河流以融雪或降水补给为主，为季节性河流，洪水期水流携带的泥沙及化学物质在河流出山口沉积，部分盐分在山前洪积-冲积扇上部积聚.河流流经出山口以后，渗漏补给山前平原的地下水，在冲积扇的扇缘部位形成地下水溢出带，可溶性盐通过地表径流、潜流，最终汇集在河流尾闾部分的湖泊［41 ］ .另外，河流流到下游，沿途已有大量可溶性盐溶解在河水中，并对河岸周边地下水进行侧渗补给，地下水在流动过程中又不断溶解周围基岩中的盐基离子，提高矿化度，使受影响区域的土壤也具有高盐度.黑河下游绿洲位置最低，成为整个流域的水盐排泄区.土壤盐分也具有明显的离河道越近，土壤盐分含量越高的变化特征.这与区域土壤盐分受地下水位变化的影响有关，离河越近，地下水位越高.黑河分水时期河岸周边地下水位高，强烈的蒸发使土壤及地下水中的可溶性盐发生表聚，从而使土壤的盐分含量也升高.此外，由于黑河上游山地森林、灌丛和草原的大量用水，中游灌溉面积的持续扩大、水利设施的大量修建，干流下游水量减少，尾闾湖泊逐渐萎缩，湖水和地下水矿化度升高，形成部分盐漠，随风沙活动向绿洲扩展.地下水位较高时为活性积盐，地下水位下降到临界深度后，盐分仍残留在土体中，变为残遗积盐［42 ］ .严格实行计划用水和水量分配制度，合理利用上中下游的水资源，在盐碱地周边实行高效节水灌溉，减少秋季大水漫灌，建设排水措施，是治理该区域土壤盐渍化的重要措施.雅布赖山西侧土壤盐渍化主要与风力堆积的影响有关.阿拉善干旱荒漠区是中国北方沙漠的重要组成部分，沙漠周围分布着大量的基岩山地、戈壁和河湖相沉积物，该地区有剧烈的风沙活动，物理风化作用十分强烈，加上降水稀少、蒸发强烈，含盐的砂土被吹落到山前戈壁和沙漠等地，积聚成新的盐渍土层［43 ］ .在土壤盐渍化过程中，植物对盐分在土壤中的累积具有指示作用［44 ］ .阿拉善干旱荒漠区的一些盐生植物如骆驼刺、柽柳 、胡杨等，都具有强大的根系，能从土层深处吸取大量水分和盐分，可以一定程度上减少土壤表层盐分，通过种植可在高盐环境中生存的盐生植物对土壤盐分进行抑制，是盐碱土改良的一种重要措施.贺兰山西侧的冲积扇位于阿拉善左旗，该区域人口密集，人类活动对土壤盐渍化过程的影响较大，主要是由于灌溉不当使土壤盐度增加.河套灌区平均引水量大于排水量，导致地下水位抬升，灌区径流排泄不畅，盐分进出不平衡，灌区总体上处于积盐状态［45 ］ ，土壤次生盐渍化严重.由于土壤中积累的大量盐分随水而动，如果旱季没有及时灌溉淋洗，盐分会影响作物生长导致减产.部分地区由于缺乏淡质灌溉水源而使用矿化水灌溉，也会使土壤盐渍化程度加深. ...
1
1993
... 盐渍土的形成常常受到区域气候、水文、地形、土壤、植被类型以及人类活动等多种因素综合影响［40 ］ .阿拉善地区位于中国西北干旱区，降水稀少，研究区内的主要河流以融雪或降水补给为主，为季节性河流，洪水期水流携带的泥沙及化学物质在河流出山口沉积，部分盐分在山前洪积-冲积扇上部积聚.河流流经出山口以后，渗漏补给山前平原的地下水，在冲积扇的扇缘部位形成地下水溢出带，可溶性盐通过地表径流、潜流，最终汇集在河流尾闾部分的湖泊［41 ］ .另外，河流流到下游，沿途已有大量可溶性盐溶解在河水中，并对河岸周边地下水进行侧渗补给，地下水在流动过程中又不断溶解周围基岩中的盐基离子，提高矿化度，使受影响区域的土壤也具有高盐度.黑河下游绿洲位置最低，成为整个流域的水盐排泄区.土壤盐分也具有明显的离河道越近，土壤盐分含量越高的变化特征.这与区域土壤盐分受地下水位变化的影响有关，离河越近，地下水位越高.黑河分水时期河岸周边地下水位高，强烈的蒸发使土壤及地下水中的可溶性盐发生表聚，从而使土壤的盐分含量也升高.此外，由于黑河上游山地森林、灌丛和草原的大量用水，中游灌溉面积的持续扩大、水利设施的大量修建，干流下游水量减少，尾闾湖泊逐渐萎缩，湖水和地下水矿化度升高，形成部分盐漠，随风沙活动向绿洲扩展.地下水位较高时为活性积盐，地下水位下降到临界深度后，盐分仍残留在土体中，变为残遗积盐［42 ］ .严格实行计划用水和水量分配制度，合理利用上中下游的水资源，在盐碱地周边实行高效节水灌溉，减少秋季大水漫灌，建设排水措施，是治理该区域土壤盐渍化的重要措施.雅布赖山西侧土壤盐渍化主要与风力堆积的影响有关.阿拉善干旱荒漠区是中国北方沙漠的重要组成部分，沙漠周围分布着大量的基岩山地、戈壁和河湖相沉积物，该地区有剧烈的风沙活动，物理风化作用十分强烈，加上降水稀少、蒸发强烈，含盐的砂土被吹落到山前戈壁和沙漠等地，积聚成新的盐渍土层［43 ］ .在土壤盐渍化过程中，植物对盐分在土壤中的累积具有指示作用［44 ］ .阿拉善干旱荒漠区的一些盐生植物如骆驼刺、柽柳 、胡杨等，都具有强大的根系，能从土层深处吸取大量水分和盐分，可以一定程度上减少土壤表层盐分，通过种植可在高盐环境中生存的盐生植物对土壤盐分进行抑制，是盐碱土改良的一种重要措施.贺兰山西侧的冲积扇位于阿拉善左旗，该区域人口密集，人类活动对土壤盐渍化过程的影响较大，主要是由于灌溉不当使土壤盐度增加.河套灌区平均引水量大于排水量，导致地下水位抬升，灌区径流排泄不畅，盐分进出不平衡，灌区总体上处于积盐状态［45 ］ ，土壤次生盐渍化严重.由于土壤中积累的大量盐分随水而动，如果旱季没有及时灌溉淋洗，盐分会影响作物生长导致减产.部分地区由于缺乏淡质灌溉水源而使用矿化水灌溉，也会使土壤盐渍化程度加深. ...
黑河流域绿洲环境演变因素研究
1
2003
... 盐渍土的形成常常受到区域气候、水文、地形、土壤、植被类型以及人类活动等多种因素综合影响［40 ］ .阿拉善地区位于中国西北干旱区，降水稀少，研究区内的主要河流以融雪或降水补给为主，为季节性河流，洪水期水流携带的泥沙及化学物质在河流出山口沉积，部分盐分在山前洪积-冲积扇上部积聚.河流流经出山口以后，渗漏补给山前平原的地下水，在冲积扇的扇缘部位形成地下水溢出带，可溶性盐通过地表径流、潜流，最终汇集在河流尾闾部分的湖泊［41 ］ .另外，河流流到下游，沿途已有大量可溶性盐溶解在河水中，并对河岸周边地下水进行侧渗补给，地下水在流动过程中又不断溶解周围基岩中的盐基离子，提高矿化度，使受影响区域的土壤也具有高盐度.黑河下游绿洲位置最低，成为整个流域的水盐排泄区.土壤盐分也具有明显的离河道越近，土壤盐分含量越高的变化特征.这与区域土壤盐分受地下水位变化的影响有关，离河越近，地下水位越高.黑河分水时期河岸周边地下水位高，强烈的蒸发使土壤及地下水中的可溶性盐发生表聚，从而使土壤的盐分含量也升高.此外，由于黑河上游山地森林、灌丛和草原的大量用水，中游灌溉面积的持续扩大、水利设施的大量修建，干流下游水量减少，尾闾湖泊逐渐萎缩，湖水和地下水矿化度升高，形成部分盐漠，随风沙活动向绿洲扩展.地下水位较高时为活性积盐，地下水位下降到临界深度后，盐分仍残留在土体中，变为残遗积盐［42 ］ .严格实行计划用水和水量分配制度，合理利用上中下游的水资源，在盐碱地周边实行高效节水灌溉，减少秋季大水漫灌，建设排水措施，是治理该区域土壤盐渍化的重要措施.雅布赖山西侧土壤盐渍化主要与风力堆积的影响有关.阿拉善干旱荒漠区是中国北方沙漠的重要组成部分，沙漠周围分布着大量的基岩山地、戈壁和河湖相沉积物，该地区有剧烈的风沙活动，物理风化作用十分强烈，加上降水稀少、蒸发强烈，含盐的砂土被吹落到山前戈壁和沙漠等地，积聚成新的盐渍土层［43 ］ .在土壤盐渍化过程中，植物对盐分在土壤中的累积具有指示作用［44 ］ .阿拉善干旱荒漠区的一些盐生植物如骆驼刺、柽柳 、胡杨等，都具有强大的根系，能从土层深处吸取大量水分和盐分，可以一定程度上减少土壤表层盐分，通过种植可在高盐环境中生存的盐生植物对土壤盐分进行抑制，是盐碱土改良的一种重要措施.贺兰山西侧的冲积扇位于阿拉善左旗，该区域人口密集，人类活动对土壤盐渍化过程的影响较大，主要是由于灌溉不当使土壤盐度增加.河套灌区平均引水量大于排水量，导致地下水位抬升，灌区径流排泄不畅，盐分进出不平衡，灌区总体上处于积盐状态［45 ］ ，土壤次生盐渍化严重.由于土壤中积累的大量盐分随水而动，如果旱季没有及时灌溉淋洗，盐分会影响作物生长导致减产.部分地区由于缺乏淡质灌溉水源而使用矿化水灌溉，也会使土壤盐渍化程度加深. ...
阿拉善沙漠风积砂重矿物组成及物源分析
1
2020
... 盐渍土的形成常常受到区域气候、水文、地形、土壤、植被类型以及人类活动等多种因素综合影响［40 ］ .阿拉善地区位于中国西北干旱区，降水稀少，研究区内的主要河流以融雪或降水补给为主，为季节性河流，洪水期水流携带的泥沙及化学物质在河流出山口沉积，部分盐分在山前洪积-冲积扇上部积聚.河流流经出山口以后，渗漏补给山前平原的地下水，在冲积扇的扇缘部位形成地下水溢出带，可溶性盐通过地表径流、潜流，最终汇集在河流尾闾部分的湖泊［41 ］ .另外，河流流到下游，沿途已有大量可溶性盐溶解在河水中，并对河岸周边地下水进行侧渗补给，地下水在流动过程中又不断溶解周围基岩中的盐基离子，提高矿化度，使受影响区域的土壤也具有高盐度.黑河下游绿洲位置最低，成为整个流域的水盐排泄区.土壤盐分也具有明显的离河道越近，土壤盐分含量越高的变化特征.这与区域土壤盐分受地下水位变化的影响有关，离河越近，地下水位越高.黑河分水时期河岸周边地下水位高，强烈的蒸发使土壤及地下水中的可溶性盐发生表聚，从而使土壤的盐分含量也升高.此外，由于黑河上游山地森林、灌丛和草原的大量用水，中游灌溉面积的持续扩大、水利设施的大量修建，干流下游水量减少，尾闾湖泊逐渐萎缩，湖水和地下水矿化度升高，形成部分盐漠，随风沙活动向绿洲扩展.地下水位较高时为活性积盐，地下水位下降到临界深度后，盐分仍残留在土体中，变为残遗积盐［42 ］ .严格实行计划用水和水量分配制度，合理利用上中下游的水资源，在盐碱地周边实行高效节水灌溉，减少秋季大水漫灌，建设排水措施，是治理该区域土壤盐渍化的重要措施.雅布赖山西侧土壤盐渍化主要与风力堆积的影响有关.阿拉善干旱荒漠区是中国北方沙漠的重要组成部分，沙漠周围分布着大量的基岩山地、戈壁和河湖相沉积物，该地区有剧烈的风沙活动，物理风化作用十分强烈，加上降水稀少、蒸发强烈，含盐的砂土被吹落到山前戈壁和沙漠等地，积聚成新的盐渍土层［43 ］ .在土壤盐渍化过程中，植物对盐分在土壤中的累积具有指示作用［44 ］ .阿拉善干旱荒漠区的一些盐生植物如骆驼刺、柽柳 、胡杨等，都具有强大的根系，能从土层深处吸取大量水分和盐分，可以一定程度上减少土壤表层盐分，通过种植可在高盐环境中生存的盐生植物对土壤盐分进行抑制，是盐碱土改良的一种重要措施.贺兰山西侧的冲积扇位于阿拉善左旗，该区域人口密集，人类活动对土壤盐渍化过程的影响较大，主要是由于灌溉不当使土壤盐度增加.河套灌区平均引水量大于排水量，导致地下水位抬升，灌区径流排泄不畅，盐分进出不平衡，灌区总体上处于积盐状态［45 ］ ，土壤次生盐渍化严重.由于土壤中积累的大量盐分随水而动，如果旱季没有及时灌溉淋洗，盐分会影响作物生长导致减产.部分地区由于缺乏淡质灌溉水源而使用矿化水灌溉，也会使土壤盐渍化程度加深. ...
准噶尔盆地植被与土壤盐渍化负关联性变化趋势分析
1
2021
... 盐渍土的形成常常受到区域气候、水文、地形、土壤、植被类型以及人类活动等多种因素综合影响［40 ］ .阿拉善地区位于中国西北干旱区，降水稀少，研究区内的主要河流以融雪或降水补给为主，为季节性河流，洪水期水流携带的泥沙及化学物质在河流出山口沉积，部分盐分在山前洪积-冲积扇上部积聚.河流流经出山口以后，渗漏补给山前平原的地下水，在冲积扇的扇缘部位形成地下水溢出带，可溶性盐通过地表径流、潜流，最终汇集在河流尾闾部分的湖泊［41 ］ .另外，河流流到下游，沿途已有大量可溶性盐溶解在河水中，并对河岸周边地下水进行侧渗补给，地下水在流动过程中又不断溶解周围基岩中的盐基离子，提高矿化度，使受影响区域的土壤也具有高盐度.黑河下游绿洲位置最低，成为整个流域的水盐排泄区.土壤盐分也具有明显的离河道越近，土壤盐分含量越高的变化特征.这与区域土壤盐分受地下水位变化的影响有关，离河越近，地下水位越高.黑河分水时期河岸周边地下水位高，强烈的蒸发使土壤及地下水中的可溶性盐发生表聚，从而使土壤的盐分含量也升高.此外，由于黑河上游山地森林、灌丛和草原的大量用水，中游灌溉面积的持续扩大、水利设施的大量修建，干流下游水量减少，尾闾湖泊逐渐萎缩，湖水和地下水矿化度升高，形成部分盐漠，随风沙活动向绿洲扩展.地下水位较高时为活性积盐，地下水位下降到临界深度后，盐分仍残留在土体中，变为残遗积盐［42 ］ .严格实行计划用水和水量分配制度，合理利用上中下游的水资源，在盐碱地周边实行高效节水灌溉，减少秋季大水漫灌，建设排水措施，是治理该区域土壤盐渍化的重要措施.雅布赖山西侧土壤盐渍化主要与风力堆积的影响有关.阿拉善干旱荒漠区是中国北方沙漠的重要组成部分，沙漠周围分布着大量的基岩山地、戈壁和河湖相沉积物，该地区有剧烈的风沙活动，物理风化作用十分强烈，加上降水稀少、蒸发强烈，含盐的砂土被吹落到山前戈壁和沙漠等地，积聚成新的盐渍土层［43 ］ .在土壤盐渍化过程中，植物对盐分在土壤中的累积具有指示作用［44 ］ .阿拉善干旱荒漠区的一些盐生植物如骆驼刺、柽柳 、胡杨等，都具有强大的根系，能从土层深处吸取大量水分和盐分，可以一定程度上减少土壤表层盐分，通过种植可在高盐环境中生存的盐生植物对土壤盐分进行抑制，是盐碱土改良的一种重要措施.贺兰山西侧的冲积扇位于阿拉善左旗，该区域人口密集，人类活动对土壤盐渍化过程的影响较大，主要是由于灌溉不当使土壤盐度增加.河套灌区平均引水量大于排水量，导致地下水位抬升，灌区径流排泄不畅，盐分进出不平衡，灌区总体上处于积盐状态［45 ］ ，土壤次生盐渍化严重.由于土壤中积累的大量盐分随水而动，如果旱季没有及时灌溉淋洗，盐分会影响作物生长导致减产.部分地区由于缺乏淡质灌溉水源而使用矿化水灌溉，也会使土壤盐渍化程度加深. ...
内蒙古河套灌区土壤盐碱化发展变化及治理效果研究
1
2018
... 盐渍土的形成常常受到区域气候、水文、地形、土壤、植被类型以及人类活动等多种因素综合影响［40 ］ .阿拉善地区位于中国西北干旱区，降水稀少，研究区内的主要河流以融雪或降水补给为主，为季节性河流，洪水期水流携带的泥沙及化学物质在河流出山口沉积，部分盐分在山前洪积-冲积扇上部积聚.河流流经出山口以后，渗漏补给山前平原的地下水，在冲积扇的扇缘部位形成地下水溢出带，可溶性盐通过地表径流、潜流，最终汇集在河流尾闾部分的湖泊［41 ］ .另外，河流流到下游，沿途已有大量可溶性盐溶解在河水中，并对河岸周边地下水进行侧渗补给，地下水在流动过程中又不断溶解周围基岩中的盐基离子，提高矿化度，使受影响区域的土壤也具有高盐度.黑河下游绿洲位置最低，成为整个流域的水盐排泄区.土壤盐分也具有明显的离河道越近，土壤盐分含量越高的变化特征.这与区域土壤盐分受地下水位变化的影响有关，离河越近，地下水位越高.黑河分水时期河岸周边地下水位高，强烈的蒸发使土壤及地下水中的可溶性盐发生表聚，从而使土壤的盐分含量也升高.此外，由于黑河上游山地森林、灌丛和草原的大量用水，中游灌溉面积的持续扩大、水利设施的大量修建，干流下游水量减少，尾闾湖泊逐渐萎缩，湖水和地下水矿化度升高，形成部分盐漠，随风沙活动向绿洲扩展.地下水位较高时为活性积盐，地下水位下降到临界深度后，盐分仍残留在土体中，变为残遗积盐［42 ］ .严格实行计划用水和水量分配制度，合理利用上中下游的水资源，在盐碱地周边实行高效节水灌溉，减少秋季大水漫灌，建设排水措施，是治理该区域土壤盐渍化的重要措施.雅布赖山西侧土壤盐渍化主要与风力堆积的影响有关.阿拉善干旱荒漠区是中国北方沙漠的重要组成部分，沙漠周围分布着大量的基岩山地、戈壁和河湖相沉积物，该地区有剧烈的风沙活动，物理风化作用十分强烈，加上降水稀少、蒸发强烈，含盐的砂土被吹落到山前戈壁和沙漠等地，积聚成新的盐渍土层［43 ］ .在土壤盐渍化过程中，植物对盐分在土壤中的累积具有指示作用［44 ］ .阿拉善干旱荒漠区的一些盐生植物如骆驼刺、柽柳 、胡杨等，都具有强大的根系，能从土层深处吸取大量水分和盐分，可以一定程度上减少土壤表层盐分，通过种植可在高盐环境中生存的盐生植物对土壤盐分进行抑制，是盐碱土改良的一种重要措施.贺兰山西侧的冲积扇位于阿拉善左旗，该区域人口密集，人类活动对土壤盐渍化过程的影响较大，主要是由于灌溉不当使土壤盐度增加.河套灌区平均引水量大于排水量，导致地下水位抬升，灌区径流排泄不畅，盐分进出不平衡，灌区总体上处于积盐状态［45 ］ ，土壤次生盐渍化严重.由于土壤中积累的大量盐分随水而动，如果旱季没有及时灌溉淋洗，盐分会影响作物生长导致减产.部分地区由于缺乏淡质灌溉水源而使用矿化水灌溉，也会使土壤盐渍化程度加深. ...
甘公网安备 62010202000688号
