基于遺傳算法優(yōu)化ＢＰ神經(jīng)網(wǎng)絡的土壤鹽漬化反演

　　摘要：應用于土壤鹽分含量(SoilSalinityContent，SSC)反演的 BP神經(jīng)網(wǎng)絡(BackPropagationNeuralNetwork，BPNN)較少關注對模型精度影響較大的結構參數(shù)和初始權重的優(yōu)化。該文利用Landsat8OLI、Sentinel1SAR影像數(shù)據(jù)及SRTM 高程數(shù)據(jù)，基于谷歌地球引擎(GEE)平臺構建反演參數(shù)，并建立3種反演模型：先利用遺傳算法(GeneticAlgorithm，GA)同步優(yōu)化輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權重的BPNN(GABP)模型;將變量投影重要性(VariableImportanceinProjection，VIP)算法分割閾值分別設為1和0.5，優(yōu)化出兩組輸入層反演參數(shù)子集并將其分別代入GA優(yōu)化隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權重的BPNN(VIP1GABP、VIP2GABP)模型。在瑪納斯流域和三工河流域各選一靶區(qū)進行SSC反演，對比分析 GABP、VIP1GABP、VIP2GABP模型的反演精度，并統(tǒng)計各類鹽漬土的面積比例，結果表明：1)兩靶區(qū)3組模型反演精度由高到低排序均為 GABP、VIP1GABP、VIP2GABP;2)鹽分指數(shù)和植被指數(shù)在SSC反演中起到重要作用，同一模型篩選的反演參數(shù)存在空間分異性，但高程適用于不同的篩選模型，具有較強的魯棒性;3)兩靶區(qū)3組模型反演的SSC值域范圍與實際采樣點SSC值域范圍的差異均較小，各子區(qū)GABP反演的SSC空間分布地物輪廓最清晰，且地物內SSC的均質性最好;4)瑪納斯靶區(qū)和三工河靶區(qū)面積占比最大的鹽漬土類型分別為鹽漬土和中度鹽漬土。研究結果為構建具有一定推廣性的干旱區(qū)土壤鹽分含量反演模型奠定了基礎。

　　楊練兵; 鄭宏偉; 羅格平; 楊遼， 地理與地理信息科學 發(fā)表時間：2021-04-09 16:56 期刊《地理與地理信息科學》(雙月刊)創(chuàng)刊于1985年，由河北省地理科學研究所主辦。獲獎情況：全國《中文核心期刊要目總覽》核心期刊;河北省第六屆優(yōu)秀科技期刊;中國科技論文統(tǒng)計源期刊。

　　關鍵詞：土壤鹽分含量;BP神經(jīng)網(wǎng)絡;遺傳算法;同步優(yōu)化;反演參數(shù)

　　土壤鹽漬化是土地退化和荒漠化的主要類型之一，其分布范圍廣，危害時間長，嚴重制約著干旱區(qū)農(nóng)業(yè)生產(chǎn)，已成為全球性生態(tài)環(huán)境問題[1]。衛(wèi)星遙感數(shù)據(jù)能宏觀、動態(tài)地監(jiān)測土壤鹽漬化信息[2]，相關研究經(jīng)歷了定性分類和定量反演兩個階段。在定量反演方面，眾多學者對獲得的遙感數(shù)據(jù)和非遙感數(shù)據(jù)進行數(shù)學變換以構建反演參數(shù)，并結合采樣點土壤鹽分含量(SoilSalinityContent，SSC)數(shù)據(jù)建立相應的反演模型，以獲得大范圍的土壤鹽分含量。

　　受自然條件和人類活動方式的影響，土壤鹽漬化成因復雜[3]，光譜波段、植被指數(shù)、鹽分指數(shù)、下墊面參數(shù)、特征空間、地形參數(shù)、物候特征等都被作為反演土壤鹽分含量的參數(shù)[4，5]。相關研究采用多元線性回歸(MLR)、偏最小二乘回歸(PLSR)、地理加權回歸(GWR)、分位數(shù)回歸(QR)等線性模型擬合反演參數(shù)與土壤鹽分含量的關系[6-8]。由于多數(shù)反演參數(shù)與土壤鹽分含量之間存在非線性關系[9]，BP神經(jīng)網(wǎng)絡(BPNN)、支持向量機(SVM)、多元自適應回歸樣條(MARS)、隨機森林(RF)等非線性模型也被用于反演土壤鹽分含量[10-14]。由于部分機器學習算法自身沒有特征優(yōu)選的能力，皮爾森相關分析[15，16]、最佳指數(shù)法[17]、灰色關聯(lián)分析[18]等過濾方法被用于篩選反演參數(shù)子集，這種特征篩選方式減少了信息冗余，但難以獲得最佳反演參數(shù)子集;同時，機器學習模型的參數(shù)影響算法的預測精度、運算速度和穩(wěn)健性，已有研究多通過經(jīng)驗方法選取模型參數(shù)，調參效率低且難以獲得最優(yōu)參數(shù);另外，應用于土壤鹽漬化反演的機器學習模型種類較多，以往多關注不同模型間的對比，對同一模型的優(yōu)化改進較少研究。

　　BPNN具有優(yōu)良的非線性逼近能力，是較早引入土壤鹽漬化反演的機器學習模型[13]，但其預測精度受結構參數(shù)和初始權重的影響[19]。為此，本研究建立3組優(yōu)化模型：先利用遺傳算法(GA)同步優(yōu)化輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權重的BPNN(GABP)模型;將變量投影重要性(VIP)算法分割閾值分別設為1和0.5，優(yōu)化出兩組輸入層反演參數(shù)子集，并將其分別代入 GA 優(yōu)化隱含 層 神 經(jīng) 元 數(shù) 量，再 優(yōu) 化 初 始 權 重 的 BPNN(VIP1GABP、VIP2GABP)模型。在新疆瑪納斯流域和三工河流域各選一靶區(qū)，基于谷歌地球引擎(GEE)平臺構建反演參數(shù)，對比分析兩靶區(qū)3組優(yōu)化模型的反演精度，并統(tǒng)計各類鹽漬土的面積比例，以期為土壤鹽漬化信息的高效獲取提供支持。

　　1 研究區(qū)與數(shù)據(jù)

　　1.1 研究區(qū)概況

　　瑪納斯流域(85°01′～86°32′E，43°27′～45°21′N)位于天山北麓(圖1a)、準噶爾盆地南緣，由瑪納斯河、塔西河、寧家河、金溝河、巴音溝河和大南溝河組成，流域面積為3.35×104 km2，地勢東南高、西北低，高程為256～5242m，有典型的山地—綠洲—荒漠系統(tǒng)。該流域深居內陸干旱區(qū)，氣候干燥，光照充足，年均氣溫5～7℃，年降水量110～200mm，年蒸發(fā)量1500～2000mm[20]，水資源主要來源于冰雪融水和高山降水，農(nóng)業(yè)生產(chǎn)起初的大水漫灌引發(fā)嚴重的土壤鹽漬化問題，改為滴灌后土壤鹽漬化程度有所減輕[21]。

　　三工河流域(87°47′～88°17′E，43°09′～45°29′N)位于天山北麓中段東部(圖1b)、準噶爾盆地南緣，主要由水磨溝河、三工河和四工河組成，流域面積為1.67×103km2，總人口約為11萬人[22]，高程為480～650 m，地 勢 由 東 南 向 西 北 傾 斜。該 流 域 降 水稀少(約220mm/a)，蒸發(fā)量大(約1399mm/a)，年均溫約為7.3℃[23]，以種植業(yè)為主，灌區(qū)水資源主要來源于冰雪融水，地下水礦化度高，地下水位抬升及強烈的蒸發(fā)作用容易導致地表積鹽[24]。

　　1.2 采樣點數(shù)據(jù)

　　2016年7-8月，在瑪納斯流域和三工河流域各選一靶區(qū)，用手持 RTKGPS進行采樣點定位，采樣點考慮不同的植被覆蓋、地貌類型和交通可達性，具有一定的代表性。在兩靶區(qū)環(huán)境因素相似的區(qū)域設置30m×30m樣方，在樣方內按照“五點采樣法”采集土壤樣品，采樣深度為 0～20cm;采集的土壤樣品經(jīng) 過 自 然 風 干、磨 碎、過 篩 后，測 定 八 大 離 子(Ca2+ ，Mg2+ ，K+ ，Na+ ，CO32- ，HCO3- ，Cl- ，SO42- )的含量，對其求和獲得土壤樣品鹽分含量(SSC)，將樣方內土壤樣品的SSC均值作為實際觀測值。針對測量結果中的誤差，基于箱線圖分析用四分位差(IQR)檢測異常值點，最終在瑪納斯和三工河靶區(qū)獲得可用采樣點數(shù)量分別為97個和119個(圖1)。

　　在瑪納斯靶區(qū)和三工河靶區(qū)分別隨機選取總樣本集的26.80%和26.05%(約1/4)作為測試集，其余樣本數(shù)據(jù)作為建模集。由總樣本集、建模集、測試集的描述性統(tǒng)計特征(表1)可知：兩靶區(qū)總樣本集的均值和變異系數(shù)均介于建模集與測試集之間，表明兩靶區(qū)建模集和測試集樣本數(shù)據(jù)的范圍相對一致，一定程度上避免了模型構建和驗證中的偏差估計[25]。假設樣本數(shù)據(jù)能代替總體，按照變異系數(shù)(CV)評價準則[26]，兩靶區(qū)SSC均屬于中等變異;按照新疆鹽堿土標準[27]，從均值看，瑪納斯靶區(qū)和三工河靶區(qū)土壤分別屬于重度鹽漬化和中度鹽漬化。

　　1.3 影像數(shù)據(jù)與反演參數(shù)

　　谷歌地球引擎(GEE)是目前較為成熟的遙感大數(shù)據(jù)分析云平臺[28]，可提供高性能并行計算服務。本研究參考相關文獻，調用 GEE平臺中預處理好的Landsat8OLI影像數(shù)據(jù)(空間分辨率30m)、Sentinel1SAR 影像數(shù)據(jù)(空間分辨率5m×20m)及SRTM 高程數(shù)據(jù)(空間分辨率30m)計算出兩靶區(qū)的52個反演參數(shù)(表2)，并將廣義差分植被指數(shù)(GDVI)、土壤調節(jié)植被指數(shù)(SAVI)、增強植被指數(shù)(EVI)、綠色大氣阻抗指數(shù)(GARI)的反演參數(shù)設為經(jīng)驗值;考慮到Landsat8OLI各波段的分辨率和特性，只選取可能對土壤鹽漬化具有表征能力的可見光、近紅外和短波紅外波段作為反演參數(shù)。由于本研究SSC采樣點數(shù)據(jù)來源于30m×30m樣方，故通過三次卷積內插將反演參數(shù)空間分辨率統(tǒng)一到30m。為接近SSC采樣時間且滿足靶區(qū)范圍內無云的條件，選取瑪納斯靶區(qū)和三工河靶區(qū)成像時間分別為2016年8月4日和8月29日的Landsat8OLI數(shù)據(jù)以及2016年8月2日和8月26日的Sentinel1SAR數(shù)據(jù);SRTM 高程數(shù)據(jù)制作時間為2000年2月。

　　2 研究方法

　　本研究基于BP神經(jīng)網(wǎng)絡(BPNN)，通過遺傳算法(GA)、變量投影重要性(VIP)算法共設計出3組優(yōu)化的BPNN模型，具體研究流程(圖2)為：1)先利用GA同步優(yōu)化輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權重的BPNN(GABP)模型;2)將 VIP算法分割閾值分別設為1和0.5，優(yōu)化出兩組輸入層反演參數(shù)子集，將兩組輸入層反演參數(shù)子集分別代入GA，先優(yōu)化隱含層神經(jīng)元數(shù)量，再優(yōu)化初始權重的BPNN(VIP1GABP、VIP2GABP)模型;3)對兩靶區(qū)3組模型反演SSC的精度、空間分布、篩選的反演參數(shù)進行對比，并統(tǒng)計各類鹽漬土的面積比例。

　　2.1 遺傳算法(GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(GABP)

　　GA是 一 種 模 擬 生 物 進 化 過 程 的 啟 發(fā) 式 算法[40]，其將可能的解轉換為種群中個體的染色體(用二進制、實數(shù)、十進制、格雷、符號等編碼方式以符號串形式表示)，染色體的基因位取值區(qū)間需根據(jù)具體問題設定;GA 有選擇、交叉、變異3種遺傳操作算子，以適應度函數(shù)為評價指標，通過遺傳操作算子不斷更新種群，解碼最終種群中適應度值最高個體的染色體為問題的最優(yōu)解。GABP結構參數(shù)染色體(圖3)中，犻犿(犿=1，…，狀，狀為待篩選反演參數(shù)的數(shù)量)代表輸入層神經(jīng)元的基因位，取值為1(表示對應的反演參數(shù)參與建模)或0(表示反演參數(shù)不參與建模);犺表示隱含層神經(jīng)元數(shù)量的基因位。本研究采用兩階段方式構建 GABP：先用 GA 對BPNN的結構參數(shù)進行優(yōu)化，然后對BPNN 的初始權重進行優(yōu)化。

　　(1)BPNN 結構參數(shù)的優(yōu)化。BPNN 包括輸入層、隱含層、輸出層3層網(wǎng)絡結構[41]，基本組成單位為神經(jīng)元，通過在隱含層和輸出層設置激活函數(shù)解決非線性擬合問題。當BPNN僅含一個隱含層且隱含層神經(jīng)元數(shù)量較多時，其具備很強的函數(shù)逼近或映射能力[42]，故本研究用于SSC預測的BPNN只設一個隱含層(圖4)。本文中BPNN結構參數(shù)為輸入層神經(jīng)元(輸入層反演參數(shù)子集)、隱含層神經(jīng)元數(shù)量和輸出層神經(jīng)元數(shù)量，由于輸出層神經(jīng)元數(shù)量為1，故只需對輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量進行優(yōu)化。BPNN隱含層神經(jīng)元數(shù)量與輸入層神經(jīng)元數(shù)量有關[43]，而 GABP各結構參數(shù)染色體代表的輸入層神經(jīng)元數(shù)量不同，故隱含層神經(jīng)元數(shù)量的基因位取值區(qū)間需動態(tài)更改，研究中依據(jù)經(jīng)驗公式(式(1)-式(3)[43]、式(4)[44])聯(lián)立取最大值和最小值確定。為實現(xiàn)隱含層神經(jīng)元數(shù)量基因位取值區(qū)間的動態(tài)更新，本研究在 GABP中對結構參數(shù)染色體的交叉算子和變異算子進行改進：在結構參數(shù)染色體進行交叉和變異運算時，先對輸入層神經(jīng)元基因進行運算;然后根據(jù)其代表的神經(jīng)元數(shù)量，推導出隱含層神經(jīng)元數(shù)量的基因位取值區(qū)間;最后在該取值區(qū)間中隨機生成一整數(shù)并將其作為隱含層神經(jīng)元數(shù)量的基因位數(shù)值。通過遺傳算子不斷更新BPNN結構參數(shù)種群，解碼最終結構參數(shù)種群中適應度值最高個體的染色體，即可獲得最優(yōu)的結構參數(shù)(圖5)。

　　式中：狆、犿、狀分別為隱含層、輸出層、輸入層的神經(jīng)元數(shù)量;狇用于調整隱含層神經(jīng)元數(shù)量，取值范圍為1～10之間的整數(shù)。

　　(2)BPNN 初始權重的優(yōu)化。初始權重染色體如圖6所示，狑狆(狆=1，…，狇，狇為初始權重數(shù)量)代表初始權重的基因位。確定BPNN最優(yōu)的輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量后，利用 GA 的遺傳算子不斷更新初始權重種群，解碼最終初始權重種群中適應度值最高個體的染色體，即可獲得最優(yōu)的初始權重(圖7)。

　　2.2 變量投影重要性(VIP)算法

　　VIP算法是基于偏最小二乘回歸的特征篩選方法，可評價自變量對因變量集合的解釋能力，公式為：犞犐犘犼= 槡犽/犚犱(犢;狋1，狋2，…，狋犿)∑ 犿犺=1犚犱(犢;狋犺)狑2犺犼 (5)式中：犽為自變量數(shù)量;狋犺 為從自變量集合犡=(狓1，狓2，…，狓犼，…，狓犽)中提取的主成分;犢 為因變量集合;狑犺犼用于衡量自變量狓犼 對狋犺 的邊際貢獻;犚犱(犢;狋犺)為狋犺 對犢的解釋能力，犚犱(犢;狋1，狋2，…，狋犿)為狋1，狋2，…，狋犿 對犢的累積解釋能力。犞犐犘犼 大于1，表示狓犼 對犢非常重要;犞犐犘犼 在0.5～1之間，表示狓犼 對犢 的重要性不明確，需要根據(jù)其他條件進行判斷或增加樣本;犞犐犘犼 小于0.5，表示狓犼 對犢不重要[45]。VIP1GABP和VIP2GABP的建模流程(略)與GABP相似，區(qū)別為：GABP中輸入層反演參數(shù)子集和隱含層神經(jīng)元數(shù)量的優(yōu)化同步進行，而 VIP1GABP和VIP2GABP對這兩者的優(yōu)化是分開進行的。

　　2.3 精度檢驗指標

　　本研究采用均方根誤差(犚犕犛犈)、平均絕對百分誤差(犕犃犘犈)和相對分析誤差預測偏差(犚犘犇)對模型性能進行評價，各指標的計算公式如式(6)-式(8)所示。犚犕犛犈 越 小，表 示 模 型 的 預 測 精 度 越 高;犕犃犘犈越接近于0，表明模型預測的相對誤差越小;犚犘犇<1.4，說明模型不可靠，1.4<犚犘犇<2，說明模型精度一般，犚犘犇>2，說明模型精度較高。

　　式中：狀為樣本數(shù)量;狔犻 為樣本實測值;^狔犻 為樣本預測值;犛犇 為數(shù)據(jù)集的標準差。

　　3 反演參數(shù)篩選及模型參數(shù)設置

　　在兩靶區(qū)以建模集及其對應的反演參數(shù)為數(shù)據(jù)源，基于SIMCA軟件進行VIP分析;根據(jù)犞犐犘 值對解釋變量的重要性意義，設置分割閾值為1和0.5，將犞犐犘 值大于或等于1的反演參數(shù)集記為 A組，大于或等于0.5的記為B組(圖8)。在5%的顯著性水平上，瑪納斯靶區(qū)共有22個反演參數(shù)的犞犐犘 值大于1(包含三工河靶區(qū)犞犐犘 值大于1的反演參數(shù))，13個在0.5～1之間;三工河靶區(qū)反演參數(shù)的犞犐犘 值均大于0.5，13個大于1。

　　本 研 究 采 用 MATLAB 遺 傳 算 法 工 具 箱(GAOT)設計 GA，GA 的編碼方式為實數(shù)編碼，建立優(yōu)化的BPNN模型時，將測試集樣本數(shù)據(jù)平均絕對誤差的倒數(shù)作為 GA 優(yōu)化 BPNN 結構參數(shù)(GA對 VIP1GABP、VIP2GABP優(yōu)化的結構參數(shù)均僅為隱含層神經(jīng)元數(shù)量)和BPNN 初始權重的適應度函數(shù)。兩靶區(qū)3組模型的 BPNN 訓練次數(shù)均設為1000，訓練目標設為0.02，學習速率設為0.03，初始權重基因位取值范圍設為-1～1。為避免各維度數(shù)據(jù)間數(shù)量級的差別，兩靶區(qū)訓練集和測試集及其對應的反演參數(shù)數(shù)值均歸一化至0～1之間。tansig能將數(shù)值映射到-1～1之間，便于BPNN對輸入和輸出數(shù)據(jù)的非線性擬合，logsig能將輸出數(shù)值映射到0～1之間，便于BPNN 后續(xù)的反歸一化處理，故將兩靶區(qū)3組模型的BPNN隱含層神經(jīng)元激活函數(shù)均設為tansig，將BPNN 輸出層神經(jīng)元激活函數(shù)均設為logsig。

　　4 結果分析

　　4.1 模型的預測精度和反演參數(shù)

　　隨著GA優(yōu)化BPNN結構參數(shù)的進化代數(shù)逐步增加，兩靶區(qū)各組模型種群中個體適應度值也逐漸增大，最后趨于穩(wěn)定(圖9);兩靶區(qū)最優(yōu)適應度值從大到小排序分別為 GABP>VIP2GABP>VIP1GABP和 GABP>VIP1GABP>VIP2GABP，可見 VIP1GABP、VIP2GABP最優(yōu)適應度值之間的差值均較小。

　　對兩靶區(qū)各組模型最終結構參數(shù)種群中適應度值最高個體的染色體進行解碼，確定 VIP1GABP、VIP2GABP的隱含層神經(jīng)元數(shù)量及 GABP的輸入層反演參數(shù)子集(C組反演參數(shù))和隱含層神經(jīng)元數(shù)量，兩靶區(qū) VIP分析確定的 A 組、B組反演參數(shù)分別作為 VIP1GABP和 VIP2GABP的輸入層反演參數(shù)子集;之后采用GA對初始權重進行優(yōu)化，建立3組優(yōu)化的 BPNN 模型。由兩靶區(qū)3組模型的SSC反演精度(表3)可以看出：瑪納斯靶區(qū)3組模型建模集間犚犕犛犈、犕犃犘犈 的差異均較小，而測試集間的差異均較大，其中 GABP模型在測試集上的犚犕犛犈 和 犕犃犘犈 均 最 小 (分 別 為 11.56g/kg、32.78%)、犚犘犇 最大(1.64)，表明 GABP模型的反演精度最高;在三工河靶區(qū)，GABP模型的反演精度也 最 高，其 犚犕犛犈、犕犃犘犈、犚犘犇 分 別 為 3.60g/kg、25.21%、1.47。綜上，3組模型反演精度由高至低 依 次 為 GABP、VIP1GABP、VIP2GABP。由 VIP算法原理可知，B組比 A組多出的反演參數(shù)對被解釋變量SSC的重要性不明確，信噪比較小，會造成 VIP2GABP較嚴重的過擬合，一定程度上解釋了兩靶區(qū) VIP1GABP的反演精度均高于 VIP2GABP。GABP同步篩選了反演參數(shù)子集和隱含層神經(jīng)元數(shù)量，考慮了反演參數(shù)之間及反演參數(shù)與反演模型間的相互關系，最終篩選的反演參數(shù)子集與BPNN耦合性高;而 VIP算法雖對反演參數(shù)進行重要性排序，但未考慮參數(shù)間的相互關系及反演SSC的特定建模方法[46]，故兩靶區(qū) GABP的反演精度均高于 VIP1GABP和 VIP2GABP。

　　上文已對 A組、B組反演參數(shù)進行對比分析，且基于 A組反演參數(shù)的模型反演精度更高，故僅需對各靶區(qū) A 組、C組反演參數(shù)進行對比分析(表4)。兩靶區(qū) A 組、C組反演參數(shù)共有43種，鹽分指數(shù)最多(14種)，其次為植被指數(shù)(13種)，說明鹽分指數(shù)和植被指數(shù)在SSC反演中發(fā)揮著重要作用;另外，不同模型篩選的反演參數(shù)差異較大，同一模型篩選的反演參數(shù)存在區(qū)域異質性。瑪納斯靶區(qū) A 組、C組反演參數(shù)數(shù)量均為22，共有的反演參數(shù)為 RVI、S1、Albedo_short、AVI、Elevation、Roughness;三工河靶區(qū) A組、C組反演參數(shù)數(shù)量分別為13、18，共有反演參數(shù)為GARI、S2、S3、S6、Elevation、Swir2。兩靶區(qū) A組、C組共有的反演參數(shù)僅為 Elevation，說明高程參數(shù)不僅適用不同的篩選模型，而且適用不同區(qū)域鹽漬化土壤研究，原因在于：地表徑流為地勢較低的土壤表層帶來鹽分，且地勢較低的地方潛水埋深較淺，潛水更易通過蒸發(fā)作用使地表積鹽[47];同時，高程不易受其他因素影響，且短時間內變化較小。

　　4.2 反演的SSC空間分布及各類鹽漬土面積比例

　　由于本研究僅對土壤進行鹽分反演，故對兩靶區(qū)3組模型反演結果中的水域、建筑用地進行掩膜處理(圖10、圖11)。可以看出，兩靶區(qū)3組模型反演的SSC空間分布存在一定差異，且圖斑的破碎度較大，而SSC值域范圍與實際采樣點SSC值域范圍的差異均較小。瑪納斯靶區(qū)中，GABP 和 VIP2GABP預測的SSC值域范圍(分別為0.20～70.00g/kg、0.18～69.99g/kg)更接近實際采樣點SSC值域范圍(0.18～70.00g/kg)，三工河靶區(qū)中，GABP預測的SSC值域范圍(2.80～26.39g/kg)更接近實際采樣點SSC值域范圍(2.62～26.56g/kg)。

　　土壤屬性的空間分布具有空間自相關和空間分異性[48]。為比較3組模型反演SSC的局部特征，在兩靶區(qū)隨機選取3個子區(qū)進行對比(圖12、圖13)，發(fā)現(xiàn)各子區(qū)3組模型反演的SSC空間分布均存在較大差異(可能與模型篩選的反演參數(shù)有關)，與各模型反演的SSC整體空間分布結果對應;各子區(qū)中GABP反演的各類地物輪廓最清晰，且地物內SSC的均質性也最好。

　　由上述分析可知，GABP反演精度最高，故參照新疆鹽堿土分類標準[27]，基于 GABP 反演的SSC將兩靶區(qū)土壤劃分為5類(圖14，彩圖見附錄3)，并統(tǒng)計各類鹽漬土的面積比例(圖15)。在瑪納斯靶區(qū)，鹽漬土面積占比最高(55.87%)，其次為非鹽漬土(16.60%)，二者多呈塊狀分布，重度鹽漬土、中度鹽漬土、輕度鹽漬土多呈點狀分布。在三工河靶區(qū)，中度鹽漬土面積占比最高(51.02%)，其次為輕度鹽漬土(16.60%)，鹽漬土面積占比最小(1.54%)，各類鹽漬土多呈塊狀分布，鹽漬土、重度鹽漬土主要分布在靶區(qū)北部。從鹽漬土分類結果及各類鹽漬土面積占比看，瑪納斯靶區(qū)土壤鹽漬化程度較三工河靶區(qū)嚴重，這與兩靶區(qū)采樣點SSC的統(tǒng)計結果吻合。

　　5 結論與討論

　　在新疆瑪納斯流域和三工河流域各選一靶區(qū)，基于 Landsat8OLI、Sentinel1SAR 影像數(shù)據(jù)和SRTM 高程數(shù)據(jù)構建反演參數(shù)，通 過 VIP、GA、BPNN建立3組優(yōu)化模型，進行SSC反演并統(tǒng)計各類鹽漬土的面積比例。結論如下：1)模型反演精度由高到低排序為 GABP、VIP1GABP、VIP2GABP，表明同步優(yōu)化反演參數(shù)和模型參數(shù)的特征篩選方式效果最好，這與 Xu等[11]的研究結果相似。2)鹽分指數(shù)和植被指數(shù)在土壤鹽漬化反演中起著重要作用，同一模型篩選的反演參數(shù)存在區(qū)域異質性，但高程適用不同的篩選模型，具有較強的魯棒性，與王飛等[5]的研究結果對應。3)兩靶區(qū)3組模型反演的SSC整體空間分布圖圖斑破碎度均較大，SSC值域范圍與實際采樣點SSC值域范圍的差異均較小;各子區(qū)中3組模型反演的SSC空間分布均存在較大差異，其中GABP反演的SSC空間分布地物輪廓最清晰，且地物內 SSC 的均質性最好，這與朱阿興等[48]的土壤數(shù)字制圖理論相符。4)瑪納斯靶區(qū)土壤鹽漬化程度較三工河靶區(qū)嚴重，兩靶區(qū)面積占比最大的鹽漬土類型分別為鹽漬土和中度鹽漬土。

　　本研究利用GABP進行SSC反演，取得了不錯效果，但GA優(yōu)化的反演參數(shù)子集和模型參數(shù)可能是局部最優(yōu)，今后可借鑒統(tǒng)計學中置信度檢驗的思想，設 定 衡 量 優(yōu) 化 的 參 數(shù) 為 全 局 最 優(yōu) 可 信 度 指標[49，50];研究中將一些反演參數(shù)設為經(jīng)驗值，算法GA、BPNN也有部分參數(shù)是人為設定的，加之本研究沒有兩靶區(qū)實際的土壤鹽分含量分布圖，只能通過測試集數(shù)據(jù)判斷結果優(yōu)劣，具有一定的不確定性;運用 GEE云計算功能提取反演參數(shù)集時，僅考慮VV極化方式的微波物理量，后期可以綜合考慮多種極化方式的微波物理量，采用 Python或JavaScript語言，并移植到 GEE云計算平臺中，進行大范圍智能化的土壤鹽漬化反演研究。