侯晨悦，王 勇，李 凡，袁心皓，杨锡震，张智韬，陈俊英，栗现文
冻结状态下盐渍化土壤中水溶性盐基离子含量高光谱反演
侯晨悦，王 勇，李 凡，袁心皓，杨锡震，张智韬，陈俊英，栗现文※
（1. 西北农林科技大学水利与建筑工程学院，杨凌 712100；
2. 西北农林科技大学旱区农业水土工程教育部重点实验室，杨凌 712100）
为探究采用高光谱技术反演冻结状态土壤水溶性盐基离子含量的可行性，该研究针对河套灌区盐渍化土壤，测定土壤在冻结与未冻结状态下的光谱和主要水溶性盐基离子含量（HCO3-、Cl-、CO32-、SO42-、K+、Na+、Ca2+、Mg2+），光谱经标准正态变量变换（standard normal variable，SNV）和变量投影重要性法（variable importance in projection，VIP）筛选出敏感波段后，采用偏最小二乘回归法（partial least squares regression，PLSR）、支持向量机回归法（support vector regression，SVR）和极限学习机法（extreme learning machine，ELM）构建基于特征光谱的土壤离子含量高光谱反演模型，并对比冻结与未冻结状态反演模型的精度。结果表明：在冻结状态下，不同离子的反演精度存在很大差异，其中Cl-和K+的预测精度极高（相对分析误差大于2.5），SO42-、Ca2+和Na+预测精度较好（相对分析误差在2.0～2.5之间），其余离子预测效果较差；
3种回归方法中，ELM模型精度最高，SVM模型次之，PLSR模型最低。冻结和未冻结状态下离子的最优反演模型相同，但冻结状态下Cl-、SO42-、K+和Na+反演精度比未冻结状态高，而Ca2+和Mg2+反演精度比未冻结状态低且Mg2+的反演精度差别最大。各离子最优反演模型与未冻结状态下的相对分析误差相比变化为-34.45%～24.43%。该研究构建的VIP-ELM模型为季节性冻土区盐渍化土壤盐基离子的高光谱监测提供了一种可靠途径。
土壤；
极限学习机法；
盐渍化；
盐基离子；
冻结；
高光谱；
反演模型
中国季节性冻土占全国面积的53.5%，这些地区大部分位于干旱或半干旱地带，由于降水量少，蒸发量高，土壤盐渍化问题较为普遍[1-3]。内蒙古河套灌区是典型的季节性冻土区，其盐渍化土壤广泛存在，制约着当地农业的可持续发展[4-5]。在冻融期（非生育期）土壤水盐会因冻融作用而发生迁移，盐基离子也会随之变化，使土壤表层离子含量增加[6-7]。土壤中盐离子过多不仅影响次年生育期作物的出苗与生长，也会影响土壤质量及环境状况[8]，因此及时、准确地获取冻融期土壤中的盐分信息，监测土壤盐基离子的动态变化，对于治理和改善土壤盐渍化有着重要意义。
目前传统的盐基离子测定方法需要田间采样后在实验室分析，冻融期土壤冻结使取样更为困难，而且不能对农田实现大规模监测。遥感技术的兴起与发展为盐渍化土壤的监测提供了一种便捷高效的方法[9-11]。其中高光谱遥感具有光谱分辨率高、蕴含地物信息丰富等优点，已成为监测土壤盐分信息的重要技术手段[12]，但多集中于非冻融期的土壤盐渍化监测。如王海江等[13]成功建立了基于高光谱的主要盐分离子反演模型，其中Na+和SO42-的预测效果极好，K+和Ca2+的预测效果较好；
WANG等[14]构建基于敏感波段的诊断模型来反演土壤主要水溶性盐基离子，5种离子（Ca2+、Na+、Cl-、Mg2+和SO42-）的相对分析误差（residual predictive deviation，RPD）都在2.5以上，预测效果极好，其余离子预测效果一般或者无法反演。LAO等[15]建立分数阶微分（fractional order derivative，FOD）结合光谱指数的最优组合的高光谱反演模型，预测所有离子的RPD均在1.6以上，都达到或超过了定量预测的精度（RPD=1.4）。
变量投影重要性（variable importance in projection，VIP）作为变量筛选的常用方法，一直被广泛应用于各个领域[16-18]。由于高光谱数据的高维性，进行波段筛选有助于构建稳定性强、鲁棒性好的模型。WANG等[14]利用3种变量筛选方法选取每个离子的敏感波段，在构建的离子反演模型中发现基于VIP法的反演精度最高。亚森江·喀哈尔[19]也发现VIP法在简化模型、提高反演精度上有显著作用。此外，采用不同模型后水溶性盐基离子含量反演精度有所不同，如目前偏最小二乘回归（partial least squares regression，PLSR）模型是高光谱建模中最常用的线性模型，在反演土壤盐分信息中有不错的效果；
机器学习算法作为解决非线性问题的可靠方法，也对反演离子有很好的效果，如支持向量机回归（support vector regression，SVR）模型和极限学习机（extreme learning machine，ELM）模型[20-23]。由于土壤冻结是一种伴随着物理相态转化和化学反应的复杂过程[2]，冻结势必会使土壤反射率发生变化，因此这些筛选方法和模型是否同样适用于冻结状态下的离子反演，对于冻结与未冻结2种状态下的离子反演效果有何不同，目前还鲜有研究。
基于此，本文以河套灌区冻结期典型盐渍化土壤为对象，采集土壤在冻结与未冻结状态下的光谱数据，并测定土壤主要水溶性盐基离子含量，通过VIP法结合PLSR、SVM和ELM 3种方法，建立冻结与未冻结土壤盐基离子预测模型，探究利用高光谱反演土壤在冻结状态下各离子含量的可行性和最优模型，以及土壤状态的改变对离子反演精度的影响，以期为盐渍化土壤在冻结状态下的遥感监测提供一定的理论依据和技术支撑。
1.1 研究区概况
研究区位于内蒙古河套灌区解放闸灌域的沙壕渠灌域（40°52′～41°00′N，107°05′～107°10′E），为典型的温带大陆性气候，夏季高温炎热，冬季寒冷干燥。该地区年降水量约为140 mm，年蒸发量约为2 000 mm，年平均气温约为7 ℃。河套灌区作为中国三大灌区之一，也是典型的季节性冻土区，土壤在11月份开始冻结，到次年5月中旬才能完全解冻，土壤约有180 d处于冻结状态，冻结深度在1.0～1.3 m之间[4]。同时，由于长期的引黄灌溉及降水稀少、蒸发强烈，土壤次生盐渍化较为严重。
1.2 土壤采集与制备
从研究区选取3个盐渍化程度不同的区域，采用五点法收集表层土壤（0～10 cm）后混合均匀，作为区域的代表土样。然后对采集到的3种区域土壤按不同比例混合，共形成117个盐渍化程度不同的土样。在实验室经过风干、磨细、过筛（2 mm）、烘干（105 ℃，8 h）、充分混匀后密封保存，作为未冻结土壤样本进行光谱测定和理化性质测定。未冻结土壤光谱测定后将土样进行冻结处理，在冰箱内-15 ℃冻结12 h[24]，形成冻结土壤用于后续光谱的测定。
1.3 土壤盐分信息测定
按水土比5∶1，取烘干土样20 g于烧杯中，加入100 mL蒸馏水，充分浸泡、振荡后，过滤得到每个土样的浸提液，测定各水溶性盐基离子含量。其中，Na+和K+采用火焰光度法进行测定；
Ca2+和Mg2+采用原子吸收分光光度法；
Cl-采用硝酸银滴定法，SO42-采用EDTA间接测定法；
CO32-和HCO3-采用双指示剂—中和滴定法[25]。
1.4 光谱数据采集
将用于光谱测定的土壤装入直径为10 cm，深度为2 cm的玻璃皿中，通过直尺抹平表面。为提高研究结果适用性，本研究用喷雾器少量多次加入去离子水，按正态分布随机配制各土样含水率（均值为20.80%，方差为0.08），并放置24 h，使其水分与土壤充分混合均匀。土样冻结前，用ASD FieldSpec 3地物光谱仪采集每个土样的光谱信息，波谱范围为350～2 500 nm。为避免其他杂光干扰，测定在暗室中进行，每次采集前均进行白板定标和暗电流去除。室内光源采用50 W的卤素灯，距离土壤表面50 cm，光源入射角为30°，光谱仪探头距离土壤表面15 cm[26]。每个土样进行4个方向的测量（每次以90°转动1次），每个方向测量5次，共计20次，在ViewSpec Pro V6.0.11软件中经算数平均后作为土样在未冻结状态下的光谱信息[27]。采集完成后将所有样品进行冻结处理，再次重复上述采集过程，作为土样在冻结状态下的光谱信息。
1.5 光谱数据预处理及变换
将测得的各土样光谱在ViewSpec Pro V6.0.11软件中进行阶跃点修正（1 000和1 800 nm处），之后剔除掉信噪比较大的2个波段（350～399和2 401～2 500 nm），将剩余的400～2 400 nm的波段在OriginPro 2022软件中进行平滑处理，采用Savitzky-Golay（SG）平滑算法，多项式阶数为2。为减少高光谱数据的冗余度，对400～2 400 nm的波段进行10 nm的重间隔取样，得到由200个波段数组成的新的光谱曲线。
为在一定程度上消除土壤表面颗粒大小、表面散射和光程变化对土壤光谱的影响，更好地分析光谱信息与水溶性盐基离子含量之间的关系[28-29]，对光谱曲线进行了标准正态变量变换（standard normal variable，SNV）处理。
1.6 特征光谱筛选
特征光谱的筛选采用变量投影重要性（variable importance in projection，VIP）法，它是基于偏最小二乘回归法的一种变量筛选方法，通过计算PLSR模型中每个变量的VIP得分，来评估模型中每个变量的重要性，从而实现光谱波段筛选[30]。由于VIP得分的平方平均值等于1，因此通常把VIP>1用作变量选择标准[31]。VIP得分的计算在SIMCA 14.1软件中进行。
1.7 模型建立与精度评价
将各土样水溶性盐基离子的含量从小到大进行排序，每3个中选取中间的一个作为验证集样本，共计39个（33%），剩余样本作为建模集样本，共计78个（67%）。使用PLSR、SVM和ELM 3种模型来建立土壤冻结与未冻结状态的盐基离子含量高光谱反演模型。PLSR模型在The Unscrambler X 10.4软件中完成；
SVM模型和ELM模型在RStudio软件中，分别应用e1071包和elmNNRcpp包进行建模与验证。
通过建模决定系数（R2），验证决定系数（R2），均方根误差（RMSE）和相对分析误差（RPD）来综合评价模型的好坏。R2和R2越接近于1表明模型拟合效果越好；
RMSE越接近0表明模型的预测误差越小；
RPD越大表明模型的预测能力越好，反演精度越高。其中，RPD一般被分为6个等级，当RPD≥2.5和2.0≤RPD＜2.5时，分别表明模型有极好和很好的预测能力；
当1.8≤RPD＜2.0时，表明模型具有定量预测能力；
当1.4≤RPD＜1.8时，表明模型具有一般的定量预测能力；
RPD在1.0≤RPD＜1.4时，表明模型只有区别高低值的能力；
RPD＜1.0时表明模型没有预测能力[32]。
2.1 土壤水溶性盐基离子及光谱变化特征
各离子含量特征如表1所示，Cl-在所有土壤盐离子中占比最大，HCO3-和K+的占比较少。由于CO32-容易与Ca2+和Mg2+在弱碱性溶液中结合形成沉淀，本次土样中并未检测出CO32-的含量。除Mg2+的变异系数在100%以上，为强变异性；
其余离子的变异系数都在10%～100%之间，表现为中等强度变异。
表1 土壤水溶性盐基离子含量描述性统计特征
2种状态下的土壤原始和经SNV处理的平均反射率曲线如图1所示，原始光谱冻结与未冻结状态下的光谱曲线形态相似，存在1 450和1 950 nm 2个吸收谷，但冻结后的土壤平均反射率略高于未冻结状态（图1a）。经SNV处理后，2种状态土壤平均反射率曲线相差变小，反射率整体范围变大、吸收谷更加陡峭；
光谱曲线更加平滑，利于后续模型的构建（图1b）。
注：SNV为标准正态变量变换。
2.2 冻结与未冻结状态的土壤特征光谱筛选
对2种状态下的土壤水溶性盐基离子含量与经SNV变换后的光谱曲线进行VIP分析（图2），依照“VIP>1”的原则，筛选出与水溶性盐基离子敏感的波段，统计结果见表2。
图2 冻结与未冻结状态土壤水溶性盐基离子含量与反射率的变量投影重要性分析曲线
从图2中可以看出，土壤冻结状态对VIP分析曲线形态产生影响，冻结与未冻结2种状态下除HCO3-外，其他离子的VIP分析曲线形态相似，且冻结状态下的各离子曲线重合范围更大，变化范围更小，曲线更加平滑。同时2种状态的VIP分析曲线均在1 400～1 900 nm区间附近剧烈振荡，而冻结状态在400～1 400 nm区间的曲线则较为平缓且无太大变化。
表2 冻结与未冻结状态土壤光谱的敏感波段筛选结果
注：SBN为敏感波段数；
MVIPS为最大变量投影重要性得分；
CMVIPS为MVIPS对应波段。
Note: SBN is sensitive band number; MVIPS is maximum VIP scores; CMVIPS is corresponding bands of MVIPS.
从表2中可以看出，2种状态下各离子的敏感波段数、最大变量投影重要性得分及其区间均有所不同。在冻结状态下，敏感波段数的排序从大到小为HCO3->K+> SO42->Na+>Cl->Ca2+>Mg2+，最大变量投影重要性得分的排序从大到小为Mg2+>HCO3->Cl->SO42->Na+>Ca2+>K+；
在未冻结状态下，敏感波段数的排序从大到小为HCO3->Mg2+>Ca2+>Cl->SO42->K+>Na+，最大变量投影重要性得分的排序从大到小为Cl->Mg2+>SO42->Ca2+>Na+>K+> HCO3-。土壤的冻结改变了原有的敏感波段及VIP得分，Ca2+敏感波段数在2种状态下相同，HCO3-和Mg2+在未冻结状态下的敏感波段多于冻结状态，其余离子则相反。各离子含量按均值从大到小的排序为Cl->Na+> SO42->Mg2+>Ca2+>HCO3->K+，一般含量越少，易使最大VIP得分越小。可能由于反射光谱包含有多种土壤成分信息，离子含量越小，引起的光谱响应越小[13]。对于最大变量投影重要性得分，除HCO3-外，其他各离子均在未冻结状态下更高，且最大得分区间集中在近红外波段附近。
2.3 偏最小二乘回归模型的建立与分析
以土壤水溶性盐基离子含量为因变量，冻结与未冻结状态土壤光谱筛选的敏感波段为自变量，采用全交叉验证方式，建立PLSR模型，建模及验证结果如表3所示。
表3 冻结与未冻结状态土壤水溶性盐基离子含量反演的偏最小二乘回归模型
注：NA表示为模型运行后无法得到R2的值；
R2为建模决定系数，R2为验证决定系数，RMSE为均方根误差，RPD为相对分析误差，下同。
Note: NA is expressed as the value ofR2cannot be obtained after the model runs;R2is determination coefficient of calibration sets;R2is determination coefficient of validation sets;RMSEis root mean square error;RPDis residual predictive deviation, The same below.
结果显示（表3），PLSR模型在2种状态下反演大部分水溶性盐基离子都取得了较好效果，但2种状态下反演离子的精度有所不同。在冻结状态下，除HCO3-和Mg2+，其他离子的建模决定系数R2和验证决定系数R2都在0.81以上，模型拟合效果很好；
其中预测Cl-和K+的RPD都在2.5以上，表明模型具有极强的预测能力；
SO42-、Ca2+和Na+的RPD在2.0～2.5之间，表明模型具有很好的定量预测能力；
Mg2+的RPD为1.067，模型只具备区别高低值的能力；
而HCO3-无法实现对其含量的预测。与未冻结状态下的各离子相比，SO42-、Cl-、K+和Na+在冻结状态下的反演效果更好，其中在模型预测方面，Cl-的精度提高最大，验证决定系数R2从0.839提高到0.902，RMSE从2.682 g/kg降低到2.105 g/kg，RPD从2.290提高到3.078。而Ca2+和Mg2+则表现出在未冻结状态下的反演效果更好，其中Mg2+的精度降低最大，RPD从1.515降低到1.067。
2.4 支持向量机回归模型的建立与分析
同样以土壤盐离子含量为因变量，冻结与未冻结状态的敏感波段为自变量建立SVM模型。采用nu-SVM类型，核函数经过多次试算选择线性linear核函数；
惩罚参数和核参量采用训练集交叉验证，按照均方差最小的原则确定。建模及验证结果如表4所示。
表4 冻结与未冻结状态土壤水溶性盐基离子含量反演的支持向量机回归模型
结果显示（表4），在冻结状态下，Cl-和K+的R2和R2都在0.92以上，RPD分别为3.662和3.302，具有极好的拟合能力和极强的预测能力；
SO42-、Ca2+和Na+的R2和R2都在0.83及以上，RPD在2.0～2.5之间，模型具有很好的拟合和预测能力；
而Mg2+和HCO3-的RPD都小于1，模型无法实现对其含量的预测。冻结状态下相比未冻结状态Na+的R2稍有降低，K+的RMSE无变化，SO42-、Cl-和Na+的RMSE均下降，但R2和RPD则都有不同程度的提高，因此这些离子比未冻结状态有更小的预测误差和更高的反演精度；
Ca2+和Mg2+表现出在未冻结状态下的反演效果更好。而HCO3-在冻结和未冻结状态下的R2仅为0.002和0.024，拟合效果极差，因此没有比较2种状态下的建模效果。
2.5 极限学习机模型的建立与分析
ELM模型的激活函数类型经过多次试算选择purelin函数，最佳隐含神经元个数依据均方差最小原则确定，为减小模型的随机性，每个模型结构重复100次[33]，建模及验证结果如表5所示。
表5 冻结与未冻结状态土壤水溶性盐基离子含量反演的极限学习机模型
结果显示（表5），ELM模型可以很好地反演2种状态下的大部分离子，但精度有所不同。反演冻结状态下的SO42-、Cl-、Ca2+、K+和Na+均有很好的效果，R2和R2均在0.80以上，RPD在2.0以上；
Mg2+的R2为0.607，RPD为1.250，模型仅有区别高低值的能力；
而HCO3-的R2仅为0.043，模型无法实现预测。相比未冻结状态，SO42-、Cl-、K+和Na+的反演精度均有不同程度的提高，其中Cl-提高的精度最大，RPD从2.654提高到3.413。而Ca2+和Mg2+的反演精度有所下降，其中Mg2+降低的精度最大，RPD从1.907降低到1.250。
2.6 最佳反演模型
在冻结状态下，ELM模型相比于PLSR模型提高了各离子的反演精度；
与SVM模型相比，除HCO3-未进行比较，仅有Cl-和K+的拟合精度和预测精度下降，其余离子反演精度提高。未冻结状态下不同模型之间的比较与冻结状态时相似，仅在于模型预测精度的变化幅度不同。综合来看，ELM模型略优于其他2种模型。比较表3、表4和表5发现，不同离子的最佳模型不同，各离子基于最佳模型的验证集实测值和估算值比较如图3所示。
注：SRMSE单位为g·kg-1。左上角数据为离子在冻结状态下的反演效果，右下角数据为离子在未冻结状态下的反演效果。
图3显示，2种状态下选用的最优模型相同，HCO3-、SO42-、Ca2+、Mg2+和Na+5种离子的最优模型为ELM模型，K+和Cl-2种离子的最优模型为SVM模型；
尽管各离子冻结状态最优反演模型与未冻结状态下的RPD相比变化为-34.45%～24.43%，但由于2种状态下经SNV处理后的光谱平均反射率（图1b）相差较小，使大部分模型的反演精度（R2）也相差不大，这表明SNV可能会消除冻结对于土壤光谱的一些影响，未冻结状态下的光谱变换、筛选方法和回归方法，在冻结土壤的盐分信息反演方面也具有适用性。图3中冻结与未冻结状态下各离子依据RPD的大小预测能力排序均为Cl-＞K+＞Ca2+＞Na+＞SO42-＞Mg2+＞HCO3-。在冻结状态下的Cl-、K+、Ca2+、Na+和SO42-5种离子的验证效果较好，数据点大部分都集中在1∶1线附近，RPD在2.0以上，预测能力很好；
Mg2+和HCO3-在验证结果中数据点分散，偏离1∶1线较远，预测能力较差。与未冻结状态相比，冻结状态下除HCO3-、Ca2+和Mg2+3种离子外，其他离子都更加集中于1∶1线附近，预测能力更强。
由于具有成百甚至上千的波段，高光谱遥感存在大量与离子含量无关的冗余信息，而基于VIP法构建的水溶性盐基离子反演模型，在3种回归方法中都表现出良好的效果，进一步验证了其在土壤冻结状态下的适用性。不同离子的反演结果表明，ELM模型表现最佳。许多学者在比较回归方法的研究中也得出了类似结论，例如王海峰[34]使用SVR、ELM、随机森林（random forest，RF）、多元混合回归（cubist）和多元自适应样条回归（multivariate adaptive regression splines，MARS）5种方法建立了土壤盐分离子含量的预测模型，结果表明ELM模型实现了最佳的预测结果；
ZHAO等[35]基于无人机多光谱遥感数据来监测土壤含盐量，发现裸地条件下ELM模型反演效果优于RF、SVM和反向传播神经网络（back propagation neural network，BPNN）模型，这些研究表明ELM模型是一种优秀且适应性广的学习算法，具有泛化能力强和训练速度快等优点[36]。
本文中土壤在冻结状态下除HCO3-和Mg+外，其他离子的反演效果良好，即Cl-和K+的RPD在2.5以上，SO42-、Ca2+和Na+的RPD在2.0～2.5间（图3），表明基于高光谱技术反演冻结状态下土壤水溶性盐基离子，具有较高的可行性。冬季土壤冻结使盐分会向表层积聚，出现春季返盐，加剧土壤次生盐渍化等方面的问题[37]，因此进行冻融期土壤盐基离子的监测，对来年生育期作物生长以及干旱区全年盐渍化信息获取具有重要意义。3种模型下2种状态的反演效果对比均显示，冻结状态对SO42-、Cl-、K+和Na+4种离子反演精度的提高有促进作用；
而对Ca2+和Mg2+2种离子，反演模型RPD均有所下降，这与各离子在冻结时不同的迁移速度相似：Cl-、Na+和SO42-的迁移速度大于Ca2+和Mg2+这2种离子[2]；
其中2种状态下Mg2+的反演精度差别最大，可能由于Mg2+对土壤冻结更加敏感，冻结后使1 500～1 700 nm波段的VIP得分高于其他离子，2 200～2 300 nm波段的VIP得分低于其他离子（图2），在未来研究中需更深入揭示冻融条件下不同离子对光谱特征的响应机理。另一方面，本文是在实验室条件下测定土壤光谱，野外环境中容易受到其他环境因素干扰，如光照、土体杂质以及存在积雪覆盖等，未来应考虑野外原位光谱下是否还能较好地预测盐分信息，为实现田间大面积遥感监测提高支撑。
本文利用变量投影重要性（variable importance in projection，VIP）法结合偏最小二乘回归（partial least squares regression，PLSR）、支持向量机回归（support vector regression，SVM）和极限学习机（extreme learning machine，ELM）3种方法，建立冻结状态下基于高光谱遥感的土壤水溶性盐基离子含量预测模型，并与未冻结状态下的模型对比分析，得出以下主要结论：
1）基于VIP法的高光谱预测模型可有效反演冻结状态下的大部分离子，不同离子的反演精度存在较大差异，其中Cl-和K+的预测精度非常高（相对分析误差大于2.5），SO42-、Ca2+和Na+预测精度较好（相对分析误差在2.0～2.5间），HCO3-和Mg2+预测效果较差。
2）3种模型的反演精度均较好，不同离子适用的最优模型不同，但2种状态下离子的最优模型相同。K+和Cl-的最优模型为SVM模型，其余离子为ELM模型。从预测精度来看，ELM模型最高，SVM模型次之，PLSR模型效果相对较差。
3）土壤冻结状态会影响盐基离子的反演精度，在相同的建模条件下，冻结状态可提升SO42-、Cl-、K+和Na+4种离子的反演效果，而Ca2+和Mg2+2种离子的反演效果则相对降低，其中Mg2+的反演精度差别最大，各离子最优模型与未冻结状态下的相对分析误差相比变化为−34.45%～24.43%。
[1] CHEN H, PENG Z, ZENG W, et al. Salt movement during soil freezing events in Inner Mongolia, China[J]. Journal of coastal research, 2018, 82(Supp. 1): 55-63.
[2] 徐学祖，王家澄，张立新. 冻土物理学[M]. 第二版. 北京：科学出版社，2010.
[3] WU M, WU J, TAN X, et al. Simulation of dynamical interactions between soil freezing/thawing and salinization for improving water management in cold/arid agricultural region[J]. Geoderma, 2019, 338: 325-342.
[4] TAN X, WU J, WU M, et al. Effects of ice cover on soil water, heat, and solute movement: An experimental study[J]. Geoderma, 2021, 403: 115209.
[5] 杜瑞麒，陈俊英，张智韬，等. Sentinel-2多光谱卫星遥感反演植被覆盖下的土壤盐分变化[J]. 农业工程学报，2021，37(17)：107-115.
DU Ruiqi, CHEN Junying, ZHANG Zhitao, et al. Inversing soil salinity under vegetation cover using Sentinel-2 multispectral satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 107-115. (in Chinese with English abstract)
[6] 张殿发，郑琦宏，董志颖. 冻融条件下土壤中水盐运移机理探讨[J]. 水土保持通报，2005，25(6)：14-18.
ZHANG Dianfa, ZHENG Qihong, DONG Zhiying. Mechanism of soil salt-moisture transfer under freeze-thawing condition[J]. Bulletin of Soil and Water Conservation, 2005, 25(6): 14-18. (in Chinese with English abstract)
[7] 刘磊，陈军锋，吕棚棚，等. 冻融作用下地下水浅埋区土壤盐分及离子变化特征[J]. 干旱区研究，2022，39(2)：448-455.
LIU Lei, CHEN Junfeng, LV Pengpeng, et al. Variation in soil salinity and ions in a shallow groundwater area under freeze-thaw[J]. Arid Zone Research, 2022, 39(2): 448-455. (in Chinese with English abstract)
[8] WANG S, CHEN Y, WANG M, et al. SPA-based methods for the quantitative estimation of the soil salt content in saline-alkali land from field spectroscopy data: A case study from the Yellow River irrigation regions[J]. Remote Sensing, 2019, 11(8): 967.
[9] WU D, JIA K, ZHANG X, et al. Remote sensing inversion for simulation of soil salinization based on hyperspectral data and ground analysis in Yinchuan, China[J]. Natural Resources Research, 2021, 30(6): 4641-4656.
[10] SINGH A. Managing the salinization and drainage problems of irrigated areas through remote sensing and GIS techniques[J]. Ecological Indicators, 2018, 89: 584-589.
[11] 杨宁，崔文轩，张智韬，等. 无人机多光谱遥感反演不同深度土壤盐分[J]. 农业工程学报，2020，36(22)：13-21.
YANG Ning, CUI Wenxuan, ZHANG Zhitao, et al. Soil salinity inversion at different depths using improved spectral index with UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 13-21. (in Chinese with English abstract)
[12] WANG L, ZHANG B, SHEN Q, et al. Estimation of soil salt and ion contents based on hyperspectral remote sensing data: A case study of Baidunzi Basin, China[J]. Water, 2021, 13(4): 559.
[13] 王海江，蒋天池，Yunger John A.，等. 基于支持向量机的土壤主要盐分离子高光谱反演模型[J]. 农业机械学报，2018，49(5)：263-270.
WANG Haijiang, JIANG Tianchi, YUNGER JOHN A, et al. Hyperspectral inverse model for soil salt ions based on support vector machine[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 263-270. (in Chinese with English abstract)
[14] WANG H, CHEN Y, ZHANG Z, et al. Quantitatively estimating main soil water-soluble salt ions content based on Visible-near infrared wavelength selected using GC, SR and VIP[J]. PeerJ, 2019, 7(5): e6310.
[15] LAO C, CHEN J, ZHANG Z, et al. Predicting the contents of soil salt and major water-soluble ions with fractional-order derivative spectral indices and variable selection[J]. Computers and Electronics in Agriculture, 2021, 182: 106031.
[16] 王晓宾，马枭，杨蕾，等. 基于PLS-DA拉曼光谱特征提取的中性笔油墨MLP模式识别[J]. 激光与光电子学进展，2021，58(1)：329-335.
WANG Xiaobin, MA Xiao, YANG Lei, et al. Multi-Layer perceptron pattern recognition of handwriting ink based on PLS-DA Raman spectral feature extraction[J]. Laser & Optoelectronics Progress, 2021, 58(1): 329-335. (in Chinese with English abstract)
[17] WEI G, LI Y, ZHANG Z, et al. Estimation of soil salt content by combining UAV-borne multispectral sensor and machine learning algorithms[J]. PeerJ, 2020, 8(2): e9087.
[18] 王耀民，陈皓锐，陈俊英，等. 光谱指数筛选方法与统计回归算法结合的水稻估产模型对比[J]. 农业工程学报，2021，37(21)：208-216.
WANG Yaomin, CHEN Haorui, CHEN Junying, et al. Comparation of rice yield estimation model combining spectral index screening method and statistical regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 208-216. (in Chinese with English abstract)
[19] 亚森江·喀哈尔. 基于优化光谱指数的土壤盐渍化水、盐含量高光谱估算研究：以渭干河—库车河三角绿洲为例[D]. 乌鲁木齐：新疆大学，2019.
YASENJAN·KAHAR. Hyperspectral Estimation of Soil Salt and Moisture Content Based on Optimized Spectral Indices:A Case Study of Weigan-Kuqa River Delta Oasis[D]. Urumqi: Xinjiang University, 2019. (in Chinese with English abstract)
[20] WANG J, LI X. Comparison on quantitative inversion of characteristic ions in salinized soils with hyperspectral based on support vector regression and partial least squares regression[J]. European Journal of Remote Sensing, 2020, 53(1): 340-348.
[21] 劳聪聪. 基于高光谱遥感的盐渍化土壤水盐信息诊断模型研究[D]. 杨凌：西北农林科技大学，2021.
LAO Congcong. Water and Salt Information Diagnostic Model of Salinized Soil Based on Hyperspectral Remote Sensing[D]. Yangling: Northwest A&F University, 2021. (in Chinese with English abstract)
[22] 孙亚楠，李仙岳，史海滨，等. 河套灌区土壤水溶性盐基离子高光谱综合反演模型[J]. 农业机械学报，2019，50(5)：344-355.
SUN Ya’nan, LI Xianyue, SHI Haibin, et al. Hyperspectral integrated inverse model for water-soluble salt ions content in Hetao Irrigation District[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5): 344-355. (in Chinese with English abstract)
[23] 张俊华，贾萍萍，孙媛，等. 基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测[J]. 农业工程学报，2019，35(12)：106-115.
ZHANG Junhua, JIA Pingping, SUN Yuan, et al. Prediction of salinity ion content in different soil layers based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 106-115. (in Chinese with English abstract)
[24] ZHANG Y, YANG J, HUANG Y, et al. Use of freeze-thaw purified saline water to leach and reclaim gypsum-amended saline-alkali soils[J]. Soil Science Society of America Journal, 2019, 83(5): 1333-1342.
[25] 鲍士旦. 土壤农化分析[M]. 第3版. 北京：中国农业出版社，2000.
[26] 洪永胜，于雷，耿雷，等. 应用DS算法消除室内几何测试条件对土壤高光谱数据波动性的影响[J]. 华中师范大学学报：自然科学版，2016，50(2)：303-308.
HONG Yongsheng, YU Lei, GENG Lei, et al. Using Direct Standardization algorithm to eliminate the effect of laboratory geometric parameters on soil hyperspectral data fluctuate characteristic[J]. Journal of Central China Normal University: Natural Science, 2016, 50(2): 303-308. (in Chinese with English abstract)
[27] 王海峰，张智韬，Arnon Karnieli，等. 基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算[J]. 农业工程学报，2018，34(14)：124-131.
WANG Haifeng, ZHANG Zhitao, ARNON Karnieli, et al. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 124-131. (in Chinese with English abstract)
[28] BARNES R J, DHANOA M S, LISTER S J. Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra[J]. Applied Spectroscopy, 1989, 43(5): 772-777.
[29] XIAO Z, LI Y, FENG H. Modeling soil cation concentration and sodium adsorption ratio using observed diffuse reflectance spectra[J]. Canadian Journal of Soil Science, 2016, 96(4): 372-385.
[30] OUSSAMA A, ELABADI F, PLATIKANOV S, et al. Detection of olive oil adulteration using FT-IR spectroscopy and PLS with variable importance of projection (VIP) scores[J]. Journal of the American Oil Chemists" Society, 2012, 89(10): 1807-1812.
[31] CHONG I, JUN C. Performance of some variable selection methods when multicollinearity is present[J]. Chemometrics and Intelligent Laboratory Systems, 2005, 78(1/2): 103-112.
[32] 张智韬，王海峰，Karnieli A，等. 基于岭回归的土壤含水率高光谱反演研究[J]. 农业机械学报，2018，49(5)：240-248.
ZHANG Zhitao, WANG Haifeng, KARNIELI A, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(5): 240-248. (in Chinese with English abstract)
[33] HONG Y, CHEN S, ZHANG Y, et al. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy: Effects of two-dimensional correlation coefficient and extreme learning machine[J]. Science of The Total Environment, 2018, 644: 1232-1243.
[34] 王海峰. 基于高光谱遥感的土壤水盐监测模型研究[D]. 杨凌：西北农林科技大学，2019.
WANG Haifeng. Hyperspectral Remote Sensing Based Models for Soil Moisture and Salinity Prediction[D]. Yangling: Northwest A&F University, 2019. (in Chinese with English abstract)
[35] ZHAO W, ZHOU C, ZHOU C, et al. Soil salinity inversion model of oasis in arid area based on UAV multispectral remote sensing[J]. Remote Sensing, 2022, 14(8): 1804.
[36] DING S, XU X, NIE R. Extreme learning machine and its applications[J]. Neural Computing and Applications, 2014, 25(3): 549-556.
[37] 郝可心，肖辉杰，辛智鸣，等. 河套灌区农田防护林网内土壤季节性冻融过程及水盐运移[J]. 水土保持学报，2022，36(1)：231-237.
HAO Kexin, XIAO Huijie, XIN Zhiming, et al. The seasonal freezing and thawing process of the soil and the characteristics of water and salt transport in the farmland shelter forest net in the Hetao Irrigation District[J]. Journal of Soil and Water Conservation, 2022, 36(1): 231-237. (in Chinese with English abstract)
Hyperspectral inversion of water-soluble salt ion contents in frozen saline soil
HOU Chenyue, WANG Yong, LI Fan, YUAN Xinhao, YANG Xizhen, ZHANG Zhitao, CHEN Junying, LI Xianwen※
(1.712100; 2.712100)
Salinization in frozen soil has posed a serious threat to the emergence and growth of crops in the next growing period. It is of great importance for the accurate detection of the content and composition of soil salt during the freeze-thaw period. Fortunately, the spectral data can be used to monitor the soil salinity during the crop growing period, particularly for the soil under an unfrozen state. However, the monitoring models under the unfrozen state cannot suitable for the frozen soil, due to the variation in the soil reflectance during freezing. In this study, an inversion model was established for the soil water-soluble salt ions in the frozen state using hyperspectral technology. A systematic analysis was made to compare the accuracy of the model in the frozen and unfrozen states. The soil samples were first collected with different salinity gradients from the Jiefangzha Irrigation Area of Hetao Irrigation District in the Inner Mongolia of China. The contents of major water-soluble salt ions (i.e., HCO3-, Cl-, CO32-, SO42-, K+, Na+, Ca2+, and Mg2+) were then measured in the unfrozen soil. The hyperspectral reflectance of soil samples was also measured by the ASD FieldSpec 3 instrument. Secondly, the soil samples were then frozen at -15°C for 12h. After that, the above-mentioned hyperspectral reflectance and ion contents were measured once again after freezing. The raw spectral data was also processed using standard normal variable (SNV) for the subsequent model construction, in order to make the hyperspectral curves smoother. Thirdly, two-thirds of the soil samples were used for the modeling (= 78), while one-third for the validation (= 39). The concentration gradient method was utilized to ensure the statistical characteristics of the modeling and the validation sets resembled that of the whole sample set. At the same time, the sensitive spectral intervals of each water-soluble salt ion were selected using variable importance in projection (VIP). The hyperspectral inversion model was formulated for the major water-soluble salt ions content with the sensitive spectral bands using partial least squares regression (PLSR), support vector regression (SVR), and extreme learning machine (ELM). Finally, the performances of these models were evaluated by the determination coefficient of calibration sets (R2), determination coefficient of prediction sets (R2), root mean square error (RMSE), and residual predictive deviation (RPD). The results showed that the VIP hyperspectral monitoring model managed to invert the most content of the water-soluble salt ions in the frozen soil, but the inversion accuracy of different ions varied greatly. Among them, the prediction accuracies of Cl-and K+were extremely high with an RPD of above 2.5. There was a reasonably good prediction accuracy of SO42-, Ca2+, and Na+(2.0 soils; extreme learning machine; salinization; salt ions; freeze; hyperspectral; inversion model 10.11975/j.issn.1002-6819.202209132 S127; S153.6 A 1002-6819(2023)-01-0100-08 侯晨悦，王勇，李凡，等. 冻结状态下盐渍化土壤中水溶性盐基离子含量高光谱反演[J]. 农业工程学报，2023，39(1)：100-107.doi：10.11975/j.issn.1002-6819.202209132 http://www.tcsae.org HOU Chenyue, WANG Yong, LI Fan, et al. Hyperspectral inversion of water-soluble salt ion contents in frozen saline soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(1): 100-107. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202209132 http://www.tcsae.org 2022-09-16 2022-11-10 国家自然科学基金项目（52279049、52279047） 侯晨悦，研究方向为水资源可持续利用与保护。Email：houchenyue@nwafu.edu.cn 栗现文，博士，副教授，研究方向为干旱区土壤水盐与农业地学。Email：lixianwen@nwafu.edu.cn