空间关联随机森林模型结合Sentinel-2影像估算潍北地区裸土期土壤盐分.pdf

第 39 卷第 5 期2023 年 10 月中国环境监测Environmental Monitoring in ChinaVol.39No.5Oct.2023空间关联随机森林模型结合 Sentinel-2 影像估算潍北地区裸土期土壤盐分彭远新1,王泽强1,周忠科1,宋晓宁1,徐夕博21.枣庄学院旅游与资源环境学院,山东 枣庄 2771602.山东师范大学地理与环境学院,山东 济南 250358摘要:土壤盐分含量(SSC)是评价土地退化和肥力水平的重要指标,实现 SSC 状态和空间分异的快速准确监测对区域环境的优化管理极为关键。选取潍北平原为研究区,野外采集 233 处土壤样品并获取同时相 Sentinel-2 多光谱影像,进一步将特征光谱波段和构建的最优光谱指数作为输入自变量,测试得到的 SSC 实测值为因变量,最后将空间关联函数引入到随机森林中去建立基于空间关联随机森林算法的 SSC 遥感估算模型,完成区域尺度上的 SSC 反演估算与空间制图。结果表明:影像的 B3、B8 和 B11 是 SSC 的特征波段,通过波段比值变换能够增强卫星光谱信号对 SSC 的吸收响应,筛选得到的最优光谱指数分别为 RI34(波段 3 和波段 4 的反射率比值)、RI711(波段 7 和波段 11 的反射率比值)、ND611(波段 6和波段 11 的反射率归一化值)和 D45(波段 4 和波段 5 的反射率差值);仅用特征波段或最优光谱指数来构建模型不能取得满意的 SSC 估算精度,空间关联随机森林模型的 SSC 估算精度要高于随机森林模型;在将上述特征波段和最优光谱指数共同输入空间关联随机森林遥感估算模型时,估算精度指标 R2和相对分析误差 RPD 达到 0.89 和 2.04,对比随机森林模型精度分别提升了 28.99%和 53.40%,能够较准确地完成区域 SSC 的估算制图;SSC 在空间分布上中部略高于南部和北部,高值区主要受盐田分布影响。研究构建基于特征波段和最优光谱指数组合输入的空间关联随机森林模型,可为利用卫星遥感数据进行 SSC 的估算制图和区域内土壤环境的监测管理提供技术支持。关键词:土壤盐分;Sentinel-2 影像;空间关联随机森林模型;裸土期;潍北地区中图分类号:X87文献标志码:A文章编号:1002-6002(2023)05-0243-10DOI:10.19316/j.issn.1002-6002.2023.05.25收稿日期:2022-04-15;修订日期:2023-05-12基金项目:环境演变与自然灾害教育部重点实验室开放课题项目(2022-KF-14)第一作者简介:彭远新(1974-),男,山东枣庄人,博士,教授。通讯作者:徐夕博Estimation of Soil Salt Content in Bare Soil Period in Weibei Region Using Spatial Random Forest Model Combined with Sentinel-2 Imagery PENG Yuanxin1,WANG Zeqiang1,ZHOU Zhongke1,SONG Xiaoning1,XU Xibo21.School of Tourism and Resources and Environment,Zaozhuang University,Zaozhuang 277160,China 2.School of Geography and Environment,Shandong Normal University,Jinan 250358,ChinaAbstract:Soil salt content(SSC)is an important indicator for evaluating land degradation and fertility levels,it is critical to the regional environment management through realizing the rapid and accurate monitoring of the content status and spatial variation of SSC.The Weibei Plain was selected as the study area,233 soil samples were collected,and simultaneous Sentinel-2 multispectral images were acquired.Then the sensitive spectral bands and the constructed optimal spectral index were taken as input independent variables,and the measured value of the SSC obtained by the laboratory analysis as the dependent variable;Finally,the spatial correlation function was introduced into the random forest algorithm to establish the SSC remote sensing estimation model.SSC estimation and map were completed at a regional scale.The results showed B3,B8,and B11 were the sensitive bands of SSC,and B11 had the highest importance value of SSC.The spectral signal of SSC could be enhanced by band ratio transformation,and the optimal spectral indices obtained by screening were RI34(reflectance ratio of band 3 and band 4),RI711(reflectance ratio of band 7 and band 11),ND611(reflectance normalization value of band 6 and band 11)and D45(reflectance difference between band 4 and band 5).Only using sensitive bands or optimal spectral indices as inputs to build a model could not achieve satisfactory SSC estimations.The SSC estimation accuracy of the spatial random forest model was higher than that of the random forest model.When the above sensitive bands and the optimal spectral indices were jointly input into the spatial 244 中国环境监测第 39 卷第 5 期2023 年 10 月random forest remote sensing model,the estimation accuracy index R2 and RPD reached 0.89 and 2.04.Compared with the random forest model,the accuracy was increased by 28.99%and 53.40%,respectively.It could accurately complete the SSC estimates and maps at a regional scale.The SSC in the central part was slightly higher than that in the southern and northern parts,and the high-value areas were mainly affected by the saltern.The spatial random forest model based on the combination input of sensitive bands and optimal spectral indices could provide support for the SSC estimation and environmental monitoring at a regional scale.Keywords:soil salt content;Sentinel-2 image;spatial random forest model;bare soil period;Weibei region土壤是地表生物的各项生命活动正常运行的基础,在生态系统的物质转化和能量传递中起到关键的媒介作用1-2。土壤盐分含量(SSC,本文均指质量分数)是评价土壤质量的一项重要指标,其对绿色植物生长异常敏感。土壤在发生盐化后,钠离子会发生富集进而限制植物细胞中的物质交换,导致植物生长受限甚至死亡3-4。在全球变暖和人类活动的作用下,全球范围内约有7%的土地受到不同程度的盐化影响,1/3 的世界耕地存在盐渍化的风险,土壤盐化对干旱区域乃至世界的生态环境安全带来极大的威胁5-6。所以,为实现土壤盐化的风险预警和治理恢复,快速精准地进行区域 SSC 识别与分异状态监测尤为重要。近年来,遥感作为一种新型对地观测技术,因其具有覆盖广、数据更新快和获取成本低等优势,被广泛 用 于 土 壤 制 图 与 环 境 监 测 领 域。彭 杰等7-10在实验室控制条件下利用土壤盐分光谱定量分析技术,分析出 SSC 在 450 680 nm 和短波红外的波谱范围内存在确定的响应波段,并利用其作为模型输入变量完成 SSC 的光谱定量估算,证实 SSC 光谱定量估算方式的可行性。在此基础上,LIU 等11-14分 析 了 卫 星 影 像 波 段 反 射 率(Landsat-5、Landsat-8、Sentinel-2 和 HJ-1 等)与土壤盐分间的相关关系,探寻光谱波段吸收特征与石膏、碳酸钙、硫酸钠等盐分矿物间微妙且稳定的联系性,最后建立遥感估算模型,分析得出区域尺度 SSC 分布规律。盐分在表层土壤中的积累是地貌、降水和人类活动等因素共同作用下的一种综合表现,因而在利用统计模型拟合 SSC 与卫星接收的光谱发射率间的关系时,仅通过简单线性模型是很难取得较高精度的,而基于非线性回归技术的机器学习算法在构建 SSC 遥感估算模型中具有更大的优势。例如,王飞等15-17在卫星遥感数据基础上采用机器学习技术(例如人工神经网络、支持向量机和随机森林等)完成了土壤盐分在区域尺度上的反演制图。通常来说,机器学习过程中通过增多隐藏层数量、增加结构参数设置和决策树节点数目,可以实现对土壤属性到光谱信号间的信息转换。但是,输入样本数据在土壤环境、人类活动和采样过程等因素影响下表现出的特异性和空间非关联性增加了目标地物与光谱特征间映射关系的复杂度,使机器学习模型的泛化能力减弱和出现局部极值问题,限制了估算精度的提升和模型的可应用性。针对此问题,方利民等18-22探索在遥感估算模型构建之前通过预先对样本数据进行随机选择、含量分布、光谱特征和土壤类型划分等方式减弱或消除特异性样本的影响,选取最佳训练样本集,在确保验证集精度的同时有效提升训练效率和准确度。上述研究对特异样本数据的识别均是基于样本的含量特征信息,然而,采集到的地理样本除带有描述统计的含量特征数据,还具有显著的地理位置特征信息23-24。根据地理学第一定律25,地理事物之间距离越近,表现出的空间相关性越强,而特异性地理数据则呈现出弱的地理相关性并在空间上表现出非关联性。所以,在立足于决策树集成学习的随机森林中加入空间关联函数将空间位置信息引入,用以探寻样本数据在连续地理空间上的空间关联度,并完成对空间特异数据的识别和最优训练集的构建,减少样本量和提升计算效率,在区域尺度下的 SSC状态识别与分布规律监测中具有一定的潜力。潍北平原位于莱州湾南岸地区,土壤的母质及发育过程兼具海洋和陆地的特征,因此在此特定景观环境下构建准确高效的盐分估算制图模型,一直是资源环境领域的重点和难点工作。本文选取潍北平原为研究区,野外采集 233 个土壤样本并获取同时相的 Sentinel-2 多光谱影像,分别构建两波段差值、比值、归一值指数、相邻三波段正切指数和单波段共 135 个光谱参量;进一步采用随机森林变量重要度评估技术,选择 SSC 敏感彭远新等:空间关联随机森林模型结合 Sentinel-2 影像估算潍北地区裸土期土壤盐分245 光谱参量为输入自变量,测试得到的盐分含量值为因变量,分别建立基于随机森林和空间关联随机森林算法的遥感估算;最后完成区域尺度下的SSC 含量估算和数字制图,以期为实现土地资源优化管理和土壤环境政策制定提供理论支持和方法依据。1研究方法1.1研究区概况研究区位于莱州湾南岸潍北平原地区(图1),地理坐标为北纬 37824 371636和东经1183740 1184624,占地总面积约为 59.14 km2。作为典型的温带大陆性季风气候区,该地受海洋环境影响明显且干湿季分明。据历史气象资料记录,多年平均气温和降水量分别为 12.7 和 608.5 mm。研究区内整体地形平坦,以平原为主,适合农业种植,主要种植作物类型为玉米和小麦。地质构造上属辽冀台向斜第四系沉积层,当前地质状况较为稳定。因距海较近,地下水受到海咸水入侵,在冬季强烈的蒸发作用下土壤表现为轻微的盐碱化(1 g/kg SSC 2 g/kg)26。注:底图源自山东省地理信息公共服务平台(https:/ 1 270 万山东省区域图,审图号为 GS(2021)3715 号,下载日期为 2021 年 8 月 14 日。下同。图 1研究区及采样点示意图Fig.1The study area and samplings sites1.2样点数据与测试分析在室内首先以 ArcGIS 10.2 软件的数字底图为基础,综合考虑土地利用、水文地质和道路交通可达性等因素,完成 233 处土壤样点的预设。采样过程中,将预设样点周边 10 m 内设定为采样范围,采用多点混合法将土壤综合至 1 kg 左右;其后装入聚乙烯密封袋中,送往实验室待测。同时,采用手持式 GPS 确定并记录采样点的真实地理坐标,采样过程在 2019 年 1 月完成。在实验室内,首先去除土壤中小石块、木棒和草根等明显异质物;接下来,土壤样品在室温条件(25 )下风干并过 1 mm 筛,完成待测前处理;最后,运用质量法测定土壤样品的全盐含量,即吸取一定量基质水浸出液,并蒸干除去有机质,再烘干称量测得全盐量27。1.3影像获取及预处理研究所使用的 Sentinel-2(哨兵二号)多光谱影像数据(2019 年 1 月 17 日)由美国地质调查局网站提供,数据获取条件为晴朗无云天气及地面无明显积雪。下载得到的影像数据为 L1C 级的大气表观反射率产品,在盐分估算中,要将 L1C级数据转换为 L2A 的地表真实反射率产品。需对数据进行辐射校正和大气校正,具体实现过程由欧空局推荐的 SNAP 软件(已安装 Sen2Cor 大气校正插件)完成28。哨兵二号影像数据中的波段 1、波段 9 和波段 10 设计用于大气和水分特征的检测,不能用于土壤盐分含量的反演,因此在接下来的计算过程中将其排除。为确保各个光谱波段与地面信息间的匹配性,所有波段均进行重采样操作(空间分辨率为 10 m)。并且影像与地面采样数据进行地理校正,确保像元偏差不大于0.5 个像元。此外,在土地覆盖以裸地为主,部分存在植被的区域,参照裸土的判别标准(NDVI1.40,图 4(e)。图 4(f)是组合 3 个特征波段和 4 个光谱指数作为输入自变量,得到的空间关联随机森林模型估算效果,土壤盐分实测值与估算值的对比的散点基本在 1 1 线两侧,估算值与实测值偏差较小,反演结果最佳(R2=0.89 和 RPD=2.04);而采用相同输入变量的 RF 估算模型图 4(c),则尚不能准确进行 SSC 的遥感估算。总之,仅用特征波段或最佳光谱指数来构建 SSC 估算模型均不能取得满意精度,空间关联随机森林模型的精度和稳定度要高于随机森林模型,再将特征波段和最佳光谱指数组合,输入到空间关联随机森林算法中去,建立得到的反演模型能够较准确地完成土壤盐分的遥感估算。2.4土壤盐分空间分布以特征波段和光谱指数作为输入自变量的空间关联随机森林模型在不同空间关联度(t)下的精度变化如图 5 所示。当 t 为 4 时,共有 197 个数据样本(n 表示输入样本数)参与估算模型的建立,R2为 0.77;t 继续减少,选取得到的数据样本间的空间关联度增强,t 为 2 时,共有 185 个土壤样本参与模型构建,取得了最高的估算精度(R2=0.89);随着样本空间关联度要求提升,样本量减少,模型逐渐不够完全训练,精度随之下降。图 5不同 t 时空间关联随机森林模型精度Fig.5The performance changes of spatial randomforest model with the different t value为进一步验证构建的土壤盐分反演模型的稳定性和可靠度,将构建得到的最优反演模型推广至整个研究区,计算得到的盐分空间分布如图 6所示。图 6土壤盐分含量分布图Fig.6The spatial distributionof the soil salt contents从图 6 可以看出,土壤盐分含量在中部地区略高于北部和南部地区,盐分含量高值区与盐田的分布位置密切相关。此外,研究区土地利用主要为农用耕地,地质地貌类型也较为单一,土壤盐分含量的变异并没有在大的空间尺度上表现得很明显。但是,SSC 在田块尺度上表现出显著变化,这与当地的微地貌和海水倒灌密切相关。研究区是国内知名的蔬菜生产基地,生产蔬菜的耕地需要进行大量抽水灌溉,地下水储备不足时引发海水倒灌,可溶性盐分运移至表层土壤产生一定程度富集,所以不同田块间的 SSC 存在明显差异。在遥感估算中,地理环境过程时刻在变化,土壤盐分的光谱特征仅强调瞬时信号是远远不够的。下一步要将遥感反演的经验统计模型与土壤盐分动态和环境的交互作用结合起来,从而最大化地减弱水汽、粗糙度和植被残积物对反演的影响,最终建立起稳健的遥感反演模型,实现动态大尺度层面上的土壤属性监测。其次,计算得到的光谱参数的重要度存在一定差异(即光谱参数对SSC 的响应能力不同),但在模型输入中并未考虑不同光谱参数的权重,若能将其对土壤盐分的不同光谱参数的响应强度考虑进估算模型,将有助于选取最佳分裂节点和决策树数目,提升模型的运算精度和效率。最后,混合像元问题是遥感估算中难以忽略的问题12,42。混合像元的存在,会减弱土壤盐分的目标光谱特征,增大信号噪声和模型 误 差。因 此,在 研 究 中 选 用 空 间 分 辨 率(10 m)较高的 Sentinel-2 影像作为数据输入源,土壤样点的采集也均在纯像元中进行,并且影像 250 中国环境监测第 39 卷第 5 期2023 年 10 月处理中掩膜掉道路、植被和建设用地等非裸土区域,以此最小化混合像元对反演结果的影像;并利用光谱指数构建法凸显 SSC 的光谱信息,同时减弱环境弱信号。但是,实现像元解混合采用超高空间分辨率影像可能是解决混合像元问题的最佳方案43-44,在下一步研究中需要参考改进。3结论 1)哨兵影像的 B3、B8 和 B11 是 SSC 的特征光谱波段,B11 对 SSC 的重要度值最高。两两波段间比值变换能够有效综合多个波段的光谱信息,增强卫星光谱信号对 SSC 的响应,最优的光谱指数分别为 RI34、RI711、ND611和 D45。2)空间关联随机森林模型的精度和计算效率优于随机森林遥感估算模型,以 3 个特征波段和 4 个最优光谱指数作为输入自变量时,空间关联随机森林算法支持下的遥感估算模型的精度指标 R2和 RPD 分别达到 0.89 和 2.04,能够较准确地完成 SSC 的反演制图。3)SSC 的空间分布整体上中部略高于南部和北部,高值区主要受中部地区的盐田分布影响;农业活动和微地貌使 SSC 的分布在田块尺度上分异趋势显著,建议采用农业措施、水利措施、生物措施相结合的方式进行土壤盐化治理。参考文献(References):1 PAZ A M,CASTANHEIRA N,FARZAMIAN M,et al.Prediction of Soil Salinity and Sodicity Using Electromagnetic Conductivity ImagingJ.Geoderma,2020,361:114 086.2 吴春生,黄黄翀,刘高焕,等.黄河三角洲土壤含盐量空间预测方法研究J.资源科学,2016,38(4):704-713.WU Chuansheng,HUANG Chong,LIU Gaohuan,et al.Research on Spatial Prediction Method of Soil Salinity in the Yellow River Delta J.Resource Science,2016,38(4):704-713.3 WANG S,CHEN Y,WANG M,et al.Performance Comparison of Machine Learning Algorithms for Estimating the Soil Salinity of Salt-Affected Soil Using Field Spectral Data J.Remote Sensing,2019,11(22):2 605.4 卢晶,张绪教,叶培盛,等.基于 SI-MSAVI 特征空间的河套灌区盐碱化遥感监测研究J.国土资源遥感,2020,32(1):169-175.LU Jing,Zhang Xujiao,YE Peisheng,et al.Research on Remote Sensing Monitoring of Salinization in Hetao Irrigation Area Based on SI-MSAVI Feature SpaceJ.Remote Sensing of Land and Resources,2020,32(1):169-175.5 REN D,WEI B,XU X,et al.Analyzing Spatiotemporal Characteristics of Soil Salinity in Arid Irrigated Agro-Ecosystems Using Integrated ApproachesJ.Geoderma,2019,356:113 935.6 王遵亲,祝寿全,俞仁培,等.中国盐渍土M.北京:科学出版社,1993.7 彭杰,刘焕军,史舟,等.盐渍化土壤光谱特征的区域异质性及盐分反演J.农业工程学报,2014,30(17):167-174.PENG Jie,LIU Huanjun,SHI Zhou,et al.Regional Heterogeneity and Salinity Inversion of Spectral Characteristics of Salinized Soils J.Journal of Agricultural Engineering,2014,30(17):167-174.8 张俊华,孙媛,贾科利,等.不同盐结皮光谱特征及其盐渍化信息预测研究J.农业机械学报,2018,49(12):325-333,370.ZHANG Junhua,SUN Yuan,JIA Keli,et al.Spectral Characteristics of Different Salt Crusts and Prediction of Salinization InformationJ.Journal of Agricultural Machinery,2018,49(12):325-333,370.9 FOURATI H T,BOUAZIZ M,BENZINA M,et al.Detection of Terrain Indices Related to Soil Salinity and Mapping Salt-Affected Soils Using Remote Sensing and Geostatistical Techniques J.Environmental Monitoring and Assessment,2017,189(4):1-11.10WANG 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 RegionsJ.Remote Sensing,2019,11,967.11LIU Y,ZHANG F,WANG C,et al.Estimating the Soil Salinity over Partially Vegetated Surfaces from Multispectral Remote Sensing Image Using Non-Negative Matrix Factorization J.Geoderma,2019,354:113 887.12WANG X,ZHANG F,DING J,et al.Estimation of Soil Salt Content(SSC)in the Ebinur Lake Wetland National Nature Reserve(ELWNNR),Northwest China,Based on A Bootstrap-BP Neural Network Model and Optimal Spectral Indices J.Science of the Total Environment,2018,615:918-930.彭远新等:空间关联随机森林模型结合 Sentinel-2 影像估算潍北地区裸土期土壤盐分251 13刘恩,王军涛,常步辉,等.小开河引黄灌区土壤盐渍化定量遥感反演J.中国农村水利水电,2019(12):20-24.LIU En,WANG Juntao,CHANG Buhui,et al.Quantitative Remote Sensing Inversion of Soil Salinization in Xiaokaihe Yellow River Diversion Irrigation AreaJ.Chinas Rural Water Conservancy and Hydropower,2019(12):20-24.14WNNG J,DING J,YU D,et al.Capability of Sentinel-2 MSI Data for Monitoring and Mapping of Soil Salinity in Dry and Wet Seasons in the Ebinur Lake Region,Xinjiang,China J.Geoderma,2019,353:172-187.15王飞,杨胜天,丁建丽,等.环境敏感变量优选及机器学习算法预测绿洲土壤盐分 J.农业工程学报,2018,34(22):102-110.WANG Fei,YANG Shengtian,DING Jianli,et al.Optimization of Environmentally Sensitive Variables and Machine Learning Algorithm for Predicting Soil Salinity in Oasis J.Journal of Agricultural Engineering,2018,34(22):102-110.16贾萍萍,尚天浩,张俊华,等.利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量J.农业工程学报,2020,36(17):125-134.JIA Pingping,SHANG Tianhao,ZHANG Junhua,et al.Inversion of Soil Salinity in Wet and Dry Seasons in Yinbei Area of Ningxia Using Multi-Source Spectral Information J.Journal of Agricultural Engineering,2020,36(17):125-134.17XU X,CHEN Y,WANG M,et al.Improving Estimates of Soil Salt Content by Using Two-Date Image Spectral Changes in Yinbei,ChinaJ.Remote Sensing,2021,13(20):4 165.18方利民,冯爱明,林敏.可见/近红外光谱快速测定土壤中的有机碳含量和阳离子交换量J.光谱学与光谱分析,2010,30(2):327-330.FANG Limin,FENG Aiming,LIN Min.Rapid Determination of Organic Carbon Content and Cation Exchange Capacity in Soil by Visible/Near Infrared Spectroscopy J.Spectroscopy and Spectral Analysis,2010,30(2):327-330.19LIU X,ZHU A X,YANG L,et al.A Graded Proportion Method of Training Sample Selection for Updating Conventional Soil Maps J.Geoderma,2020,357:113 939.20HEUNG B,BULMER C E,SCHMIDT M G.Predictive Soil Parent Material Mapping at A Regional-Scale:A Random Forest ApproachJ.Geoderma,2014,214:141-154.21GRINAND C,ARROUAYS D,LAROCHE B,et al.Extrapolating Regional Soil Landscapes from An Existing Soil Map:Sampling Intensity,Validation Procedures,and Integration of Spatial Context J.Geoderma,2008,143(1/2):180-190.22BAO Y,MENG X,USTIN S,et al.Vis-SWIR Spectral Prediction Model for Soil Organic Matter with Different Grouping StrategiesJ.Catena,2020,195:104 703.23WADOUX A M J C,BRUS D J,HEUVELINK G B M.Sampling Design Optimization for Soil Mapping with Random Forest J.Geoderma,2019,355:113 913.24LAGACHERIE P,ARROUAYS D,BOURENNANE H,et al.Analysing the Impact of Soil Spatial Sampling on the Performances of Digital Soil Mapping Models and Their Evaluation:A Numerical Experiment on Quantile Random Forest Using Clay Contents Obtained from Vis-NIR-SWIR HyperspectralimageryJ.Geoderma,2020,375:114 503.25TOBLER W R.A Computer Movie Simulating Urban Growth in the Detroit Region J.Economic Geography,1970,46(Supplement 1):234-240.26安德玉,邢前国,赵庚星.基于 HICO 波段的滨海土壤盐分遥感反演研究J.海洋学报,2018,40(6):51-59.AN Deyu,XING Qianguo,ZHAO Gengxing.Hyperspectral Remote Sensing of Soil Salinity for Coastal Saline Soil in the Yellow River Delta Based on HICO BandsJ.Acta Oceanographica,2018,40(6):51-59.27鲁如坤.土壤农业化学分析方法M.北京:中国农业科技出版社,2000.28马国林,丁建丽,韩礼敬,等.基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图J.农业工程学报,2020,36(19):124-131.MA Guolin,DING Jianli,HAN Lijing,et al.Digital Mapping of Wetland Soil Salinization in Arid Area Based on Variable Optimization and Machine Learning J.Journal of Agricultural Engineering,2020,36(19):124-131.29DAVIS E,WANG C,DOW K.Comparing Sentinel-2 MSI and Landsat 8 OLI in Soil Salinity Detection:A Case Study of Agricultural Lands in Coastal North Carolina J.International Journal of Remote Sensing,2019,40(16):6 134-6 153.30高永刚,徐涵秋.基于多源遥感影像的多尺度城市 252 中国环境监测第 39 卷第 5 期2023 年 10 月植被覆盖度估算J.红外与毫米波学报,2017,36(2):225-234.GAO Yonggang,XU Hanqiu.Multi-scale Urban Vegetation Coverage Estimation Based