土壤盐渍化遥感监测模型构建方法现状与发展趋势

李星佑， 张飞,3， 王筝

(1.新疆大学地理与遥感科学学院，乌鲁木齐 830017；

2.新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830017；

3.新疆大学智慧城市与环境建模自治区普通高校重点实验室，乌鲁木齐 830017)

土壤盐渍化是一个世界性问题，是土壤中盐分积聚形成盐渍土的过程，广泛发生在内陆干旱地区和滨海地区[1-3]。自然或人为过程引起的土壤盐渍化是一种重大的环境灾害[4]，全球主要盐渍化土壤范围约为9.55亿hm2，而次生盐渍化约为0.77亿hm2，其中58%在灌区[5]。土壤盐渍化在不同程度上影响了1/3以上的陆地河流流域[6]。盐渍化的主要负面影响是限制植物的吸水和蒸散，降低土壤肥力，导致农作物减产[7-8]，直接影响人们的生活。因此，土壤盐渍化的动态监测尤为重要。

以往的土壤盐渍化监测体系主要基于人工样点调查，费时费力，难以获取大面积宏观尺度的变化特性[9-11]。尤其在下垫面条件复杂、自然环境恶劣地区，监测站点布设不足，野外考察难度大，传统监测手段更难以满足需求[6,12]。遥感卫星能够对特定区域进行不同尺度上可靠、持续的影像观测，过去10 a间，已经快速发展成为监测土壤盐渍化程度及分布的重要工具[13-15]。单时相的卫星影像可以客观地揭示某一时刻大范围区域内土壤质地空间差异，多时相的卫星影像则可以对同一区域不同时间变化规律进行比较分析[16-17]。近年来，随着对地观测技术的发展，遥感数据的光谱信息逐渐丰富，时空分辨率不断提升，能够实现对地高精度、高重访(高时效)、多尺度、全天候观测，大大提高了遥感监测能力[18-19]。利用多时相遥感影像，能够对不同地区土壤盐渍化参数进行定量反演，实现盐渍化土壤的动态监测和分析[17,20]。

利用遥感数据定量评价土壤盐渍化的核心是找出相关指标的含量与遥感数据之间的关系，因此，利用遥感技术研究土壤盐渍化的目的是建立一个可靠的估算模型[21-22]。土壤盐渍化反演遥感模型的建立需要探求土壤实际含盐量、盐渍化程度以及盐渍土类型与遥感数据不同波段、波段组合及其他遥感参数之间的关系[23-24]，因此需要获取土壤含盐量及实际理化性质的量化数值，利用统计学等方法建立与遥感数据的光谱信息数值之间线性或非线性模型[25-26]，并对模型进行精度验证，精度较高的模型在很大程度上可用于该研究区内土壤盐渍化情况的监测[4,27]。遥感监测模型构建方法在步骤上存在一定的差异，但总体流程是一致的，其目的是为了获取更高精度的反演模型，用以评估区域盐渍化状况[11]。

因此，本文主要针对以下几点内容进行梳理和总结：
①探讨土壤盐渍化遥感研究的热点，论证遥感反演模型构建在该研究领域的重要性；

②总结和梳理土壤盐渍化遥感监测模型构建的一般过程；

③针对当前研究现状，分析土壤盐渍化遥感监测模型构建过程中的局限性并分析未来发展趋势。

为探讨土壤盐渍化遥感监测的研究历程以及当前的研究热点，以“土壤盐渍化”、“遥感”和“模型”作为主题检索词在中国知网(CNKI)进行检索，检索结果包括414篇相关度较高的文献，以“soil salt remote sensing”、“soil salinization remote sensing”和“soil salinity remote sensing”作为主题进行检索，在Web of Science数据库中检索到1 598篇相关文章。对检索结果不同年份发表文章的数量进行总结梳理(图1)，发现国内外土壤盐渍化遥感监测模型构建的相关研究兴起于2000年，在2000年以后相关研究文章的发表数量呈逐年上升趋势，在近5 a内发文数量达到顶峰，土壤盐渍化作为全球性问题受到广泛关注，众多学者开始利用遥感手段对土壤盐渍化情况进行监测，逐步建立盐渍化严重地区的遥感监测模型，并不断提高监测模型的精度，取得了丰富的研究成果，体现了土壤盐渍化遥感监测建模研究作为当前遥感领域的研究热点，对于土壤盐渍化监测与防治具有重要意义。

图1 CNKI和Web of Science数据库中土壤盐渍化遥感相关研究文献数量Fig.1 Literature on soil salinization in CNKI and Web of Science database

利用VOS Viewer1.6.16平台进行分析，得到与土壤盐渍化遥感监测研究相关的CNKI和Web of Science出版物中的关键词密度、网络和标签。由两者关键词密度可知，近年来国内外土壤盐渍化遥感监测研究的热点在于遥感监测模型的建立，热点区域为干旱区，在建模构建过程中越来越多地使用到新型的遥感数据与建模方法，种类多样的多光谱、高光谱、雷达以及无人机遥感数据被应用于土壤盐渍化监测，其中Landsat，MODIS，RADARSAT-2和Sentinel-2遥感影像的使用频次较高，偏最小二乘回归模型、支持向量机(support vector machine, SVM)模型、BP-神经网络模型和特征空间模型为当前研究中使用最广泛的模型构建方法。土壤盐渍化监测模型的建立并结合3S技术制作的土壤盐渍化程度分布专题图实现了区域土壤盐渍化的动态监测与预测，展现了土壤盐渍化与时空分布特征动态变化，对区域内生态环境的改善做出了重要的参考贡献。从Web of Science网络来看，遥感监测模型探讨的热点在于建立实测土壤含盐量与遥感数据光谱信息之间的联系，主要通过对盐渍化土壤遥感影像的光谱分析与指数的构建来获取建模因子，作为模型构建的前提；

与土壤盐渍化联系最紧密的因素是地表水、地下水埋深以及植被覆盖度(fractional vegetation cover, FVC)，不同深度、不同季节土壤含盐量的主导影响因子是不同的；

土壤盐渍化遥感模型构建的目的是实现对区域内土壤盐渍化变化情况以及盐渍化对生态环境造成影响的长期遥感动态监测。CNKI标签则反映了近10 a来相关研究文献热点关键词随时间的变化状况，从一定程度上反映出近期土壤盐渍化遥感监测的研究热点在于新型光谱指数的建立与高光谱和高空间分辨率遥感数据的使用，不同类型的遥感数据的协同使用以及尺度转换方法将为模型构建提供更多的建模因子，新兴的数据挖掘算法等技术将为土壤盐渍化的时空特征变化监测提供新的研究思路。

对比分析CNKI和Web of Science数据库相关文献检索结果，发现Web of Science数据库中关于土壤盐渍化遥感监测方面的相关文章数量多于CNKI，二者文章数量整体呈现上升趋势且变化趋势相似。在这2个数据库中，土壤盐渍化遥感监测模型构建研究领域的热点都在于不断发掘新的数据源与模型构建算法，从而提高反演模型精度，CNKI数据库中更侧重于模型构建方法的研究与创新，使用的建模方法与理论更为丰富，Web of Science数据库中在模型构建基础上更侧重于土壤盐渍化影响因素与动态变化方面的研究。

2.1 实测数据

实测土壤含盐量是遥感监测模型建立的基础，是进行建模因子优选以及模型精度验证的依据，其一般获取方法是野外采集，在样本采集过程中使用全球定位系统(global positioning system,GPS)仪记录土壤坐标位置信息，将野外采集的土壤样本带回实验室进行测定实验。具体采样过程中，需要采集表层及地下不同深度的盐渍土，一般采用多点采样法，将采集到的样品封装后带回实验室，经过风干、研磨、过筛获得盐渍土细土样品，之后配置土壤溶液使用电导率仪测定土壤电导率、pH值及主要离子含量[7]，或采用残渣烘干法获得土壤盐分含量及含水量[9]，也可以使用电磁感应法和接触电极法测定土壤电导率，如土壤传感电磁感应GER3700和FieldSpec FR设备以及EM38来获取表征土壤盐分的数据[28-29]，还有部分学者使用仪器85070E介电常数测量套件测定土壤介电常数来探讨其与土壤含盐量之间的关系[30]。

在土壤样品采集过程中，使用便携式光谱测量仪可获得不同采样点的光谱曲线数据。经常被使用的野外便携式光谱测量仪包括美国SVC HR-768便携式野外光谱仪、美国Unispec-SC(波段为310～1 130 nm)便携式光谱仪[16]、美国ASD公司的ASD Fild Specpro FR光谱仪[31]、科罗拉多州博尔德制造的FieldSpecfiPro光谱测量仪[32]、FieldSpec-4高分辨率光谱辐射计[33]、CI700便携式野外光谱仪[34]和PSR-3500©便携式VisNIR光谱辐射计等设备。

根据野外实际情况以及数据使用的特定需求制定一系列的测定操作规范，获取光谱曲线数据后需要利用光谱仪的后处理软件进行取均值、归一化等处理，通常采用最小二乘拟合的多项式低通平滑Savitzky-Golay 滤波方法对光谱曲线进行平滑处理，以增强光谱的有效性和准确性，最大程度消除噪声。为更好地分析光谱数据与土壤含盐量之间的相关关系，对土壤光谱反射率分别进行倒数、对数、对数倒数和均方根等数学变换，然后再进行一阶、二阶微分变换以消除基线漂移或平滑背景的干扰[35]。一阶、二阶微分方程分别为：

R′λi=(Rλi+1-Rλi-1)/(λi+1-λi-1)，

(1)

R″λi=(R′λi+1-R′λi-1)/(λi+1-λi-1)，

(2)

选择适当的数学方法改变高光谱反射率可以更好地突出光谱的反射和吸收特性，并有助于筛选敏感波段[36]。将反射率、反射率一阶微分变换、反射率二阶微分变换、倒数变换、倒数一阶微分变换、对数变换、对数一阶微分变换、对数倒数变换、对数倒数一阶微分变换、均方根变换和均方根一阶微分变换等数学变换的结果可作为土壤的高光谱指数[37]。分别将不同盐渍化程度的土壤盐分解译数据与去噪后得到的土壤光谱及其变换形式进行相关性分析[31]，选取相关性较高的波段作为土壤含盐量的敏感波段，作为模型构建的因子，即

(3)

2.2 遥感影像数据

近年来，国内外学者研究建立了利用遥感影像反演土壤盐分的有效方法，常用的遥感数据源有Landsat TM、中巴地球资源卫星CBERS，ASTER，EO-1 ALI，Landsat7 ETM+，Landsat8 OLI，Sentinel-2A、高分系列卫星数据、HJ1A-CCD2和IKONOS卫星图像。

高光谱成像技术具有光谱分辨率高、图谱合一的独特优势，众多国内外学者开展了基于高光谱遥感影像的土壤盐分反演。常用的高光谱遥感影像有美国 EO-1卫星的 Hyperion，Terra卫星和Aqua卫星的 MODIS，Tacsat-3的ARTEMIS、欧空局PROBA卫星的CHRIS和中国环境一号卫星A星HJ-1A的高光谱成像仪HSI等。

光学遥感虽然应用广泛、解译方法比较成熟，但受天气与时间的限制比较大。而对于雷达遥感来说，因其具有全天候、全天时、穿透性等特点，可以很好解决以上限制，继而成为获取盐渍化程度及分布信息的有效技术手段[38]。常用的雷达影像数据有全极化 PolSAR 数据、RADARSAT-2数据、探地雷达数据、Sentinel 1和PALSAR 全极化数据等。

近年来，随着遥感技术的不断发展以及无人机技术的日趋成熟，将无人机与遥感传感器结合，形成的无人机遥感监测手段在土壤盐渍化监测领域正在得到越来越广泛的应用。由于无人机遥感相对于近地遥感而言，具有大区域监测的优势，同时相比卫星遥感，影像的分辨率又有所提升，因此是广域范围内低成本监测土壤盐渍化的一种有效手段，在精准遥感监测领域具有较大的应用潜力[39]。目前用于土壤盐渍化遥感监测研究的无人机传感器主要为美国Tetracam公司生产的Micro-MCA多光谱相机[40]以及多光谱相机(ParrotS)[14]等。

2.3 建模因子及优选

预处理后的遥感影像具有丰富的地物光谱信息，这些信息包含在影像不同波段的反射率值中，为建立实测土壤盐分数据与遥感影像光谱信息之间的联系，需要获取采样点空间位置下的遥感影像光谱信息，通常的做法是将采样点的GPS坐标信息导入到遥感影像中，提取这些位置像元点各波段的光谱反射率R，可对其进行倒数1/R、对数lnR、指数eR、幂函数Ra、S曲线函数、一阶微分R′、二阶微分R″和分数阶微分R0.x等数学变换[41-42]。

单个波段所包含的光谱信息是有限的，因此在提取遥感影像的波段光谱反射率后可进行不同波段之间的组合运算，这些指数通常是已有研究得出的先验计算公式(表1)，也可以使用不同的数学运算组合计算得到，包括差异指数(differentation index，DI)、比率指数(ratio index，RI)、归一化差异指数(normalized difference index，NDI)和土壤指数(soil index，SI)的二维波段组合光谱指数，也包括部分三维波段组合指数(three dimensional band combination index，TBI)，通过这些组合可构建功能强大的光谱组合搜索模型[7,43]。计算公式分别为：

表1 建模指数公式Tab.1 Modeling exponential formula

(续表)

DI=Rj-Ri，

(4)

RI=Ri/Rj，

(5)

NDI=(Rj-Ri)/(Rj+Ri)，

(6)

(7)

TBI1=Ri/(Rj+Rk)，

(8)

TBI2=(Ri-Rj)/(Rj-Rk)，

(9)

TBI3=(Ri+Rj)/Rk，

(10)

TBI4=(Ri+Rj)/[(Ri-Rj)-(Rj-Rk)]，

(11)

TBI5=(Ri-Rj)-(Rj-Rk)，

(12)

式中Ri，Rj和Rk分别为从所有波段中选择的任意3个波段的反射率，一阶和二阶微分计算公式与式(1)—(2)相同。

由于土壤盐渍化情况很大程度地受到气候因素、土壤理化性质、地形因素、空间位置和植被因素等环境变量的影响[24]，因此可引入环境变量遥感产品数据参与建模。气候因素包括气温、降水等，土壤理化性质包括土壤质地、地表温度、地下水位、土壤湿度等，植物因素主要以一系列植被指数来表征[29]，这些环境变量因子数据可以通过产品数据或由原始遥感影像通过指数计算获得，空间位置要根据样点坐标数据计算获得[24,56]，地形因素包括数字高程模型(digital elevation model，DEM)数据及其衍生数据，地下水位数据可由测站观测井获得[57]。

提取后的模型构建需要进一步优选，将提取到的各个波段的反射率值、指数计算结果等数值与实测土壤盐分含量进行相关性分析或回归分析，选取相关性较高、回归系数较大的因子作为敏感波段及敏感指数因子参与建模，并解决因子间的共线性问题[20]。在建模前需要将样本点进行分组，建模集与验证集比例通常接近3∶1，便于模型建立后的精度验证。

总之，为建立土壤含盐量与遥感影像之间的联系，实现模型的构建，首先需要获取实测土壤含盐量数据以及遥感影像的光谱信息。实测土壤样品经定位采集、实验室理化测定与分析、数学变换后获得的一系列表征土壤含盐量的数据可作为模型的因变量输入因子，不同来源的遥感数据经预处理、影像融合等操作后提取实测样品空间位置下的像元点属性值，经过一系列数学变换及指数计算可获取极为丰富的建模因子，为探讨不同类型的因子对土壤盐渍化的影响程度以及减少因子间的冗余，需要对建模因子进行分类及优选之后参与建模，还需要预留验证因子集作为模型精度验证的依据。

模型的构建旨在建立土壤盐分含量与建模因子之间的关系，越来越多的模型在盐渍化遥感监测领域得以运用，在土壤盐渍化遥感监测模型构建过程中最常用到以下几种模型。

1)一元线性回归分模型(linear regression model，LR)是原理最简单的建模方法[19]，是根据自变量X和因变量Y的相关关系，建立X与Y的线性回归方程的方法，可以建立土壤盐分含量与某一单一建模因子之间的关系，通常可在SPSS软件中建模，一元线性回归分析法的模型为：

Y=aX+b，

(13)

式中：Y表示土壤含盐量值；
X表示某一建模因子；
a和b分别为公式参数。

2)多元线性回归模型(multiple linear regression model，MLR)是将多个变量进行最优组合来预测因变量，原理简单，应用广泛[2,8-9,17,22,24,40-42,56,58-59]，其公式为：

(14)

式中：b0为常数项；
m为建模因子个数；
bi为第i个因子的偏回归系数；
xi为第i个因子。

3)偏最小二乘回归建模是结合主成分分析与MLR特点的一种新型多元统计数据分析算法，其主要是针对多因变量对多自变量的回归建模，能较好地解决样本个数少于变量个数等问题[60-61]，可用于各变量之间具有多重共线性时，该算法不再直接考虑因变量与自变量的回归建模，而是对变量系统中的信息重新进行综合筛选，从中选取若干对系统具有最佳解释能力的新成分用于回归建模。偏最小二乘回归的基本步骤如下：
首先，分析自变量与因变量之间的关系，要从p个自变量和因变量中分别提取出p个自变量的线性组合以及p个因变量的线性组合，公式为：

t1=e1,1x1+e1,2x2+...+e1,pxp=e1x1，

(15)

v1=v1,1x1+v1,2x2+...+v1,pxp=v1y1，

(16)

式中：e1=(e1,1,e1,2,...,e1,p)为模型效应权重；
v1=(v1,1,v1,2,...,v1,p)为因变量权重。

其次,分别建立p个自变量和因变量对t1的回归方程，如果该方程有较好的精度，则回归方程成立，否则，要对t1分别对自变量和因变量解释后的信息进行再一次提取，直到达到较好的精度为止。

4)BP-神经网络被广泛用于土壤盐分反演中[13,60]，主要由信号的正向传播和误差的反向传播这2个过程组成。正向传播就是按照输入层、隐藏层和输出层的顺序依次输出，若实际输出值与期望输出值相差较大，则开始进行误差的反向传播，其与正向传播的方向刚好相反，就是将输出误差按照输出层、隐藏层和输入层的顺序输出，以此可对各单元的权重进行修正，通过不断修正，减少实际输出值与期望输出值的差距，从而达到预测的目的。

5)SVM方法是一种新近的模式分类方法[62-63]，对于解决小样本、 非线性及高维模式识别等问题具有优越性，它处理的是二元分类模型。二元模型假设一个土壤样本只属于一个类，并且只有2个类(C={c1,c2})。每个有l个类的分类任务都可以使用一对一方法被建模为二进制任务，其中一个训练l(l-1)/2个二进制分类器，每个分类器对应一对类。最后的决策是通过投票的方式做出的，即选择最常被预测的类作为输出,在使用时需要确定核函数和惩罚因子。

6)随机森林是一种新型的分类和预测模型[61],“随机森林”的名称取自“随机”和”“森林”，“随机”包括随机选取训练样本集和随机选取分裂属性集，这使得随机森林具有良好的抗噪能力。“森林”即有许多的决策树，其实这也是随机森林的主要思想-集成思想的体现。随机森林是决策树的组合，每棵决策树都是通过对原始数据集中随机生成新的数据集来训练生成，随机森林决策的结果是多颗决策树的决策结果。

除上述模型外一些新型模型与改进模型也被用于遥感监测模型的构建，如逐步多元回归(stepwise multiple regression analysis，SMR)模型[17,35，64]、岭回归模型(ridge regression，RR)模型[65-66]、普通最小二乘法(ordinary least square，OLS)[67-68]、空间自回归(spatial autore gression，SAR)模型[56]、决策树算法(decision tree algorithm，DTA)[67]、支持向量回归(support vector regression，SVR)模型[12,25,69]、粒子群优化支持向量机(particle swarm optimization support vector machine，PSO-SVM)模型[15,70]、网格搜索支持向量机(grid search support vector machine， GS-SVM)[71]、差分进化支持向量机(differential evolution support vector machine，DE-SVM)模型[15]、卷积神经网络(convolutional neural network，CNN)模型[70]、多元自适应回归样条(multivariate adaptive regression spline,MARS)模型[1,25,72]、人工神经网络(artificial neural network，ANN)模型[7,26]、Bootstrap-BP神经网络模型[43]、极限学习机(extra learning machine，ELM)[61，73]、结构方程模型[74](structural equation model，SEM)、溶质运移模型[28]、地理加权回归(geographically weighted regression，GWR)模型[24,66]、多布森模型(Dobson model)[75]和修正的残差克里金模型[76]等模型。

基于光谱特征空间的方法也可以建立土壤遥感监测模型[77-78]，通过建立影响土壤盐渍化参量的二维或三维空间，可用特征空间中到某一特征点的距离反映盐度，不同区域反映不同程度土壤盐渍化[79]，确定不同参量之间的相互变化趋势，结合实际经验对散点空间图进行分析，利用散点图的空间特征参量建立相应模型。

模型的实现可以使用SPSS、R语言、Matlab和Python等软件实现，具体使用过程中需要调整数据格式及模型参数。模型建立之后需要使用验证集对模型精度进行验证，在预测模型进行精度评价时，通常选取决定系数R2、均方根误差 (root mean square error，RMSE) 、相对分析误差 (relative percent deviation，RPD)和平均绝对误差(mean absolute error，MAE)，其中R2与模型的精度成正比，RMSE和MAE与模型的估算预测能力成反比，且当RPD<1.4，说明模型不可靠，1.4≤RPD≤2 时，说明模型精度一般，RPD>2时，说明模型有较强的预测能力。其计算公式分别为：

(17)

(18)

(19)

(20)

当前研究中MLR以及机器学习算法被广泛应用于土壤盐渍化遥感检测模型的建立，改进的数学模型被不断地运用于该领域的研究，并取得了较高的模型精度，经精度验证对比后的最优模型可用于区域土壤盐渍化专题图制作，制图过程中还需要充分利用制图技术及先验知识来进一步提高专题图精度，为区域盐渍化时空分析及预测提供依据。

4.1 结论

土壤盐渍化遥感监测模型的构建将作为土壤盐渍化遥感监测领域的研究热点，目的是为了获取更高精度的反演模型，用以表征区域内的土壤盐渍化情况，反映土壤盐渍化状况与其影响因素的相互关系。模型的建立通常包括实测土壤盐分数据的获取、遥感影像的获取、建模因子的提取及优选、模型的建立与精度验证等步骤，但不同研究之间存在一定的差异。

土壤实测数据通常采用实地取实验室样化验的方法测定，也可以使用土壤传感电磁感应等测定设备更为快捷的获取，在实际采样过程中还需要根据研究需要测定不同深度下土壤样品的含盐量，根据分析需求测定土壤样品的离子含量、pH、土壤水分等理化性质。当前研究中用到的遥感影像数据主要有Landsat TM，Landsat8 OLI，Sentinel-2A，GF-1，HJ-1A-CCD2和MODIS等，卫星雷达遥感影像以及无人机遥感影像也有所使用，获取到的遥感影像需要经过预处理达到使用要求，通过影像融合、微分变换等手段可获取更多的光谱信息。

建模因子通过提取采样点坐标位置下表征与土壤盐渍化有关因素的遥感影像像元数值以及波段反射率数值获取，参与建模的因子可以是原始或经过数学变换后的波段反射率值，也可以是通过先验指数公式计算得到的指数数值，通过遥感产品数据获得的像元点数值也是建模因子数据的重要来源。用于建模的气候因素、土壤理化性质、地形因素、空间位置和植被因素等因子，可以通过波段计算以及相应的遥感数据获取。在建模过程中，不同因子可根据建模需求划分成不同的集合参与建模。

模型建立的方法主要有线性回归模型以及机器学习模型，为提高模型构建精度需要不断尝试改进后的新型模型算法，模型的构建需要通过不同数学分析软件的相应模块实现。模型的精度受到采样点数目、样品测验精度、遥感影像质量、建模因子的选取以及模型参数的影响，主要以选取R2， RMSE， RPD及MAE来体现和对比模型精度。建模完成后，对不同模型进行对比优选，进行遥感影像反演，制作土壤盐渍化专题地图。大量研究结果表明机器学习模型的建模精度一般要高于线性模型，不同模型精度在不同的实验研究中存在较大差异。

4.2 存在的局限性

土壤盐渍化遥感监测模型的构建作为遥感研究应用的热点领域，国内外众多学者不断利用新的技术手段与研究方法实现了区域内土壤盐渍化的高精度监测，取得了丰富的研究成果，但仍然存在以下问题：

1)模型的适用性为当前研究中存在最主要的问题。研究区盐渍土的理化性质、采样方案的设计、建模因子及建模方法的不同导致了所得模型具有专一性，单篇文章中所得模型可实现以少量的实测采样点数据反映研究区范围内土壤盐渍化情况，但该模型往往不适用于其他研究区或其他季节，因此如何建立普适性较高的模型来实现不同研究区及不同时序土壤盐渍化反演是该研究领域的一大难点。

2)耐盐植物可以在中度或轻度盐渍化土壤条件下生长，植被与裸地的光谱特征存在较大的差异性，因此在建立农田、草地及林地覆被下的土壤盐渍化监测模型时需要考虑区域内的植被覆盖情况，加大了采样方案设计及模型构建的难度，也使得模型对土壤盐渍化的反映能力下降，如何构建精度较高、能准确反映植被覆盖区域的土壤盐渍化模型是该研究领域的一大难点。

3)模型的构建需要选取多种土壤盐渍化影响因子，相应遥感影像及产品数据的空间和时间分辨率存在一定的差异，具体建模过程中通常对影像进行重采样或选择时间相近的影像进行建模，受天气、卫星状况影响，影像会存在缺失及质量问题，当建模因子数量较多时会使误差增大，因此获取时间和空间分辨率一致并保证所有参与建模因子对应的影像质量均达到精度要求是难以实现的。

4.3 发展趋势

遥感技术的不断进步，遥感产品数据的不断丰富将为盐渍化反演模型的建立提供更多的数据选择，更高精度、更多种类的遥感影像可为模型提供更多的建模因子，在未来的研究中需要不断发现可用于土壤盐渍化建模的新型遥感数据，利用这些数据丰富建模因子。此外，多源遥感数据的协同使用如多光谱遥感数据与微波遥感数据的协同使用将有助于地下土壤盐分的估算，无人机因其机动灵活，数据空间分辨率高等特点未来将被广泛运用于土壤盐渍化的监测。

遥感模型的建立需要利用统计学和机器学习中的模型算法，因此不断尝试改进的数学建模方法可以使土壤盐渍化遥感建模领域产生新的发现，不同模型之间的对比以及模型参数的优化改进将不断提高盐渍化遥感监测的精度，专业遥感软件不断升级以及数学分析软件模型构建模块算法的改进与创新也会给土壤盐渍化反演模型建立提供新的方法。

当前研究建立的土壤盐渍化反演遥感模型通常适用于某一特定的研究区域，受到遥感影像数据量、数据精度与建模过程中不同数据间的匹配问题，缺乏能够适应大尺度、长时间跨度使用的遥感监测模型，随着遥感分析云平台的产生与发展，利用Google Earth Engine(GEE)等云平台进行大的空间和时间尺度上的土壤盐渍化遥感反演模型的建立与验证将成为一种未来的发展趋势。盐渍化遥感监测模型与专门的土壤模型以及生态模型相结合将会为土壤盐渍化的动态监测与预测提供新的思路。