SAR数据在土壤盐渍化监测中的应用研究进展

摘要

土壤盐渍化不仅会造成土地荒漠化等生态问题，而且可能减低耕地数量和质量，对粮食安全构成威胁。快速、准确地获取土壤盐渍化信息对及时有效的土壤治理具有重要意义。

近些年来，微波遥感的发展为大面积快速实现土壤盐渍化监测提供了新的思路，基于合成孔径雷达（Synthetic Aperture Radar，SAR）数据的土壤盐渍化监测成为当前遥感土壤盐渍化研究领域的热点之一。

本文从盐渍化土壤微波散射机理、盐渍化土壤特征参数的构建与提取、盐渍化土壤分类、土壤含盐量反演4个方面总结国内外土壤盐渍化SAR遥感监测的主要进展与标志性成果：

盐渍化土壤微波散射机理的研究明确了土壤含盐量与雷达后向散射系数的相关关系
盐渍化土壤特征参数的构建与提取呈现多元化、综合化变化趋势
盐渍化土壤分类方法从机器学习向深度学习方法转移
土壤含盐量反演从回归分析向结合散射机理的反演方法转化

研究背景

土壤是人类生存、生活的自然资源之一，土壤盐渍化引起的土壤肥力下降、酸碱失衡、土地退化等问题严重影响了可用土地资源的数量和质量。

据统计，我国盐渍土面积占全国可利用土地的4.88%，影响着可持续发展的战略大局和乡村振兴的建设。

因此，快速准确地监测土壤盐渍化的空间分布特征，反演区域内的土壤含盐量，对于土壤盐渍化的管理和利用、防治生态环境进一步恶化、实现农业生产和社会经济可持续发展的综合规划具有重要意义。

研究现状

国际上将雷达数据引入土壤盐渍化监测研究始于1996年，而国内则在2001年开展相关研究。

20世纪末到21世纪初期，微波遥感技术尚未成熟，SAR数据在土壤盐渍化监测研究中的发文数量少。随着相关技术的不断完善，到2017年时，发文量上升幅度明显加快。

在世界范围内，中国是发文量最多的国家，占各国发文量的35.6%，其次是加拿大和印度，都占各国发文量的8%。在国内机构中，新疆大学是发文量最多的机构，迄今为止发文总量达到20篇，占国内各机构发文量的47%。

研究发展阶段

初始发展阶段 (2006年以前)

该阶段尚未有足够的成果和数据来撰写和发表大量论文

逐步发展阶段 (2006-2023年)

理论基础逐渐完善，研究方法逐渐多样化，发文量总体呈现上升趋势

未来趋势

预计SAR数据在土壤盐渍化监测研究将持续增长

图1: 1996-2023年SAR数据在土壤盐渍化监测研究中的逐年发文量及变化趋势

SAR数据在土壤盐渍化监测中的主要研究进展

盐渍化土壤微波散射机理

盐渍化土壤微波散射机理为SAR数据在土壤盐渍化监测研究提供理论依据。本文从后向散射模型、介电常数模型和后向散射系数与土壤含盐量关系3个方面阐述盐渍化土壤微波散射机理。

研究表明，土壤介电常数虚部和实部与后向散射系数都存在正相关关系，后向散射系数都会随着土壤介电常数（实部和虚部）的增加而增大，且介电常数虚部对后向散射系数影响更为明显。

图2: SAR数据在土壤盐渍化监测中的主要应用

主要技术方法

利用后向散射系数与土壤含盐量间相关关系进行SAR数据的土壤盐渍化监测，其主要应用集中在3个方面：

盐渍化土壤特征参数的构建与提取：包括基于纹理的特征参数、基于后向散射系数的特征参数和基于极化目标分解的特征参数
盐渍化土壤分类：从早期的决策树、阈值法发展到现在的机器学习和深度学习方法
土壤含盐量反演：包括基于回归分析的反演、基于机器学习的反演和基于散射模型的反演

图3: SAR数据在土壤盐渍化监测中主要应用及技术方法

盐渍化土壤特征参数的构建与提取

基于纹理的特征参数

图像纹理特征直观反映了图像的视觉特征，SAR数据形成的遥感图像同样能揭示图像中像素的空间变化和统计特性。

常用的方法包括灰度共生矩阵（GLCM）、马尔科夫随机场（MRF）、小波提取等纹理特征提取方法。

基于后向散射系数的特征参数

雷达后向散射系数是最直观的SAR数据特征参数。直接使用雷达后向散射系数可以实现一定程度的土壤盐渍化监测。

通常在多极化后向散射系数基础上，结合由双极化或全极化数据构建的对盐渍化土壤敏感的后向散射特征参数进行土壤盐渍化监测。

基于极化目标分解的特征参数

盐渍化土壤中的盐分会改变土壤介电常数，进而改变雷达波在土壤表面的散射机制。

极化分解技术能有效区分不同的散射机制，如表面散射、双反射散射和体积散射，有助于土壤盐渍化信息提取。

常用于裸露地表下土壤盐渍化监测研究的后向散射模型

类型	名称	优点	缺点
经验/半经验模型	Dubois模型	可同时反演地表参数和土壤含盐量	未考虑粗糙度功率谱，模型适用范围小，不具有普适性
经验/半经验模型	Oh模型	地表粗糙度的适用范围广	L波段以外的适用性待验证
理论模型	IEM模型	地表粗糙度适用范围广，计算速度快	参数难以获取，计算成本高
理论模型	AIEM模型	考虑了地表的多层结构和非均匀性，能更准确地描述复杂地表的散射过程	-

盐渍化土壤分类方法

传统方法

决策树

早期实验中常用于盐渍化土壤的分类，但分类精度不高

阈值法

简单直接的图像分类方法，但不能有效应用于地形复杂的盐渍化土壤地区

现代方法

机器学习

包括支持向量机(SVM)、随机森林(RF)、朴素贝叶斯(NB)等，具有较强的非线性学习能力

深度学习

包括卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GAN)等，具有高效率、高精度的特点

SAR数据在盐渍化土壤分类中常用的机器学习模型

应用场景	所用数据	分类方法	精度
中国新疆于田绿洲	Sentinel-1	RF	总体精度为80.32%，Kappa=0.75
中国渭干河三角洲部分区域	Radarsat-2	SVM	总体精度为88.87%，Kappa=0.86
Ben Tre Province，Vietnam	Sentinel-1	MLP-NN、RBF-NN、GP、SVR、RF	GP分类效果最好：RMSE=2.885 ds/m

存在的问题与挑战

盐渍化土壤微波散射机理

影响微波散射信号反射和传播的因素不仅受限于土壤含盐量、土壤含水量，还受其他因素影响，包括土壤孔隙大小和形态、土壤中的有机质和矿物质、土壤的粗糙度和形态等。

未来研究中，需要综合考虑其他影响因素的去除和土壤含盐量影响弱信号的增强和提取。

特征参数构建与提取

相位特征是一种未被充分利用的特征信息。通过分析SAR图像的相位信息，可以进一步挖掘复后向散射和介电常数的信息。

关于不同数据源和特征之间的关联以及它们对土壤盐渍化信息敏感性的研究相对较少。

分类与反演方法

盐碱地形成原因复杂，类型多样，盐渍化情况时空变异性大，样本数理和质量都无法保证。

需要探索如何将机器/深度学习等分类/反演方法与盐渍化土壤微波散射机理进行有效结合。

结论

本文通过文献计量分析SAR数据在土壤盐渍化监测中的应用研究进展，得到以下结论：

SAR数据在土壤盐渍化监测中的研究处于发展阶段，相关发文量总体呈现上升趋势，预计未来将会有更多文章刊出
国外期刊发文量多于国内期刊，且研究涉及多个学科，专业性强
研究成果主要产出国家为中国、加拿大、印度。国内主要产出机构为新疆大学，内蒙古大学
研究热点主要围绕盐渍化土壤微波散射机理与SAR数据在土壤盐渍化监测中的主要技术方法2个方面

目前，SAR数据在土壤盐渍化监测中的研究已经取得了一些进展。现有研究明确了土壤含盐量与雷达后向散射系数之间存在明显的正相关关系。

未来，为了实现高精度的土壤盐渍化SAR遥感技术监测，还需要去除土壤中的有机质和矿物质、土壤的粗糙度等其他因素对微波信号的影响。此外，如何进一步综合利用多源、多特征数据，分析不同特征及其组合对土壤盐渍化信息的监测效果，也是未来研究的热点及挑战。

* 以上内容由AI自动生成，内容仅供参考。对于因使用本网站以上内容产生的相关后果，本网站不承担任何商业和法律责任。