EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 8: 1893 - 1910

DOI: https://doi.org/10.12082/dqxxkx.2024.240190

遥感科学与应用技术

SAR数据在土壤盐渍化监测中的应用研究进展

  • 刘康怡 , 1, 2 ,
  • 赵振宇 1, 2 ,
  • 李俐 , 1, 2, *
展开
  • 1.中国农业大学土地科学与技术学院，北京 100083
  • 2.农业农村部农业灾害遥感重点实验室，北京 100083
*李 俐（1976— ），女，河南南阳人，博士，副教授，研究方向为微波遥感及其农业应用。E-mail:

刘康怡（2001— ），女，四川乐山人，硕士生，研究方向为盐碱地遥感监测。E-mail:

Copy editor: 黄光玉

收稿日期: 2024-04-07

  修回日期: 2024-05-19

  网络出版日期: 2024-07-24

基金资助

国家自然科学基金项目(42171324)

收起

Research Progress in the Application of SAR Data in Soil Salinity Monitoring

  • LIU Kangyi , 1, 2 ,
  • ZHAO Zhenyu 1, 2 ,
  • LI Li , 1, 2, *
Expand
  • 1. College of Land Science and Technology, China Agricultural University, Beijing 100083, China
  • 2. Key Laboratory of Remote Sensing for Agri-Hazards, Ministry of Agriculture and Rural Affairs, Beijing 100083, China
*LI Li, E-mail:

Received date: 2024-04-07

  Revised date: 2024-05-19

  Online published: 2024-07-24

Supported by

National Natural Science Foundation of China(42171324)

Fold

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： ① 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； ②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； ③ 盐渍化土壤分类方法从机器学习向深度学习方法转移； ④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。同时，本文提出现有研究存在的问题和挑战：土壤含盐量与后向散射系数关系受到多种因素的影响，实现高精度的土壤盐渍化SAR遥感技术监测，还需更深入的机理解析、特征构建和多源数据的融合利用。

关键词： 合成孔径雷达; 土壤盐渍化; 后向散射系数; 土壤介电常数; 监测; 研究进展; 土壤含盐量; 反演

本文引用格式

刘康怡 , 赵振宇 , 李俐 . SAR数据在土壤盐渍化监测中的应用研究进展[J]. 地球信息科学学报, 2024 , 26(8) : 1893 -1910 . DOI: 10.12082/dqxxkx.2024.240190

Abstract

Soil salinization is a significant issue that not only leads to ecological problems like land desertification but also poses a threat to food security by reducing the quantity and quality of arable land. Therefore, it is crucial to rapidly and accurately obtain information about soil salinization for timely and effective soil management. In recent years, the development of microwave remote sensing has provided new methods for large-scale and rapid monitoring of soil salinization, with Synthetic Aperture Radar (SAR) data-based soil salinization monitoring becoming a hotspot in remote sensing research. Recent advancements in SAR remote sensing for soil salinization monitoring can be summarized in four main aspects: (1) Microwave scattering mechanism of saline soil: Research has clarified the correlation between soil salinity and radar backscattering coefficients, providing a basis for estimating soil salinity using SAR data. Understanding the microwave scattering mechanism of saline soil is essential for accurately interpreting SAR data and extracting meaningful information about soil salinization. (2) Construction and extraction of characteristic parameters of saline soil: The construction and extraction of characteristic parameters of saline soil have shown a trend towards diversification and integration. Various parameters, such as backscattering coefficients, polarization ratios, and texture features, are used to characterize the properties of saline soil. By utilizing a combination of these parameters, researchers can obtain a more comprehensive understanding of soil salinization. (3) Classification of saline soil: The classification methods for saline soil have shifted from traditional machine learning to deep learning methods. Deep learning algorithms, such as convolutional neural networks, have shown promising results in accurately classifying saline soil areas. These advanced techniques enable the identification and mapping of different levels of soil salinity, aiding in effective soil management strategies. (4) Inversion of soil salinity: The inversion of soil salinity has transitioned from regression analysis to inversion methods that combine scattering mechanisms. By considering the microwave scattering mechanisms and using multiple data sources, more accurate estimations of soil salinity can be obtained. This approach allows for a better understanding of the spatial distribution and variability of soil salinity, facilitating targeted interventions and management practices. Despite these advancements, there are still challenges and issues in the current research on soil salinization monitoring using SAR remote sensing. Some of these challenges include the influence of multiple factors on the relationship between soil salinity and backscattering coefficients, the need for further analysis of mechanisms, the construction of characteristic parameters, and the fusion of multi-source data for achieving high-precision soil salinization monitoring using SAR remote sensing.

Key words： synthetic aperture radar; soil salinization; backscattering coefficient; dielectric constant; monitoring; research progress; soil salinity; retrieval

1 引言

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[1⇓⇓-4]。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。
较早的土壤盐渍化信息获取方法是盐渍化土壤环境调查研究[5-6]。该方法需要野外定位、土壤采样和化验测试，费时、费力，且所得盐渍化信息只能呈点状分布，代表性较差，无法实现大面积土地动态监测[7⇓⇓⇓⇓-12]。
20世纪70年代兴起的遥感技术由于其信息量大、观测范围广、周期短、速度快、实时性强的优点，为土壤盐渍化监测提供了新的思路[13⇓⇓⇓-17]。
早期利用卫星遥感监测土壤盐渍化的研究主要基于光学遥感数据[18⇓-20]。然而，光学遥感影像易受到云、雨、雾等天气的影响，无法保证数据获取。微波遥感由于其全天时全天候的数据获取优势以及其对土壤介电常数的敏感性为土壤盐渍化遥感监测提供了新的契机[21⇓-23]。
为了探究微波遥感在土壤盐渍化监测中的研究进展，本文分别从CNKI和WOS（Web of Science）中收集国内外相关文献，总结到2023年为止合成孔径雷达（Synthetic Aperture Radar，SAR）数据在土壤盐渍化监测中的常用技术方法，并在此基础上对未来雷达数据在土壤盐渍化监测中的研究方向进行思考探究。

2 研究方法与数据分析

SAR数据在土壤盐渍化监测中的应用主要涉及盐渍化土壤微波散射机理研究和监测方法2个方面，如图1所示。
图1 SAR数据在土壤盐渍化监测中的主要应用

Fig. 1 Application of SAR data in soil salinization monitoring

本文以CNKI系统为国内检索源获取文献数据，WOS系统为国外检索源获取文献数据。在WOS系统高级检索中输入检索式：TS=("soil salinization" OR "soil salinity" OR "salinization of soil" OR "soil salt accumulation" OR "soil saline contamination") AND TS=("synthetic aperture radar" OR "SAR data" OR "Polsar" OR "Sentinel-1")进行检索，时间限定在2023年之前，多次筛选后，共获得87 篇文章。在CNKI系统专业检索中，输入检索式：SU='土壤盐渍化'+'盐碱地'+'盐渍土' AND SU='雷达'+'SAR'+'微波遥感'，时间限定在2023年之前，进行了多次检索和对比筛选，剔除了关键词的近义词、泛义词后共获得52篇文章。
图2中，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，加之世界各国为应对土壤盐渍化签署了一系列改良盐碱土的政策[24]，到2017年时，发文量上升幅度明显加快。考虑政策和发文量增幅明显变化的时间节点，本文将2006年以前划为SAR数据在土壤盐渍化监测研究中的初始发展阶段，该阶段尚未有足够的成果和数据来撰写和发表大量论文；2006—2023年为逐步发展阶段，该阶段理论基础逐渐完善，研究方法逐渐多样化，发文量总体呈现上升趋势，预计未来将持续增长。
图2 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

Fig. 2 The annual publication count and trends of research on soil salinization monitoring with SAR data from 1996 to 2023

在1996—2023年共有60种期刊发表了SAR数据在土壤盐渍化监测研究中的文章，其中国际期刊49种，国内期刊11种，发文量3篇及以上的期刊有 7种，如表1所示。表中英文期刊影响因子来源于2022年期刊引证报告（Journal Citation Report，JCR），中文期刊影响因子来源于2022年CNKI复合影响因子统计，期刊按照发文量多少排列。
表1 SAR数据在土壤盐渍化监测研究中发文量不少于3篇的期刊

Tab. 1 Journals with a minimum of 3 publications on soil salinization monitoring with SAR data

序号 期刊名称 国家 发文量/篇 影响因子
1 REMOTE SESING 瑞士 12 5.00
2 IEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SESING 美国 4 8.20
3 农业工程学报 中国 4 3.76
4 CATENA 荷兰 3 6.20
5 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING 美国 3 5.50
6 INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION 荷兰 3 7.50
7 INTERNATIONAL JOURNAL OF REMOTE SENSING
 英国 3 3.04
SAR数据在土壤盐渍化监测中的研究涉及学科众多，包括遥感技术、土壤学、农学、环境科学、地球物理、地球化学、仪器仪表等方面（图3），且研究方法相对较为专业和独特。这可能导致部分研究成果的引用量相对较低，从而影响了期刊的影响因子。
图3 SAR数据在土壤盐渍化监测研究中涉及的学科统计

Fig. 3 Statistics is involved in the research on soil salinity monitoring using SAR data

对WOS题录数据进行国家层面的发文量（不少于2篇）排名，如图4所示。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%，其次是内蒙古农业大学，总发文7篇，占16%。这些发文的机构多分布在有盐碱地存在的地区。
图4 成果主要产出的国家及国内机构

Fig. 4 The main countries and domestic institutions contributing to researches

利用合作网络共现分析国内外SAR数据在土壤盐渍化监测研究中出现频率不小于2的关键词情况，如图5所示。其中，“electrical conductivity” “soil salinity” “sar data” “machine learning” “scattering model” “backscattering” “regression” “classification”为国外研究中出现频率较高的8个关键词，由此可以推断国外SAR数据在土壤盐渍化监测中的研究主要围绕盐渍化土壤微波散射机理展开，其中利用模型反演土壤含盐量与盐渍化土壤分类为主要应用。相比于国外，国内期刊发表的文章则主要围绕土壤介电常数与微波后向散射关系展开。同时，国内研究还增加了“极化分解”“神经网络”“Radarsat-2”等关键词，说明国内更多地研究了如何具体利用SAR数据的后向散射特征、极化分解特征等特征信息进行土壤盐渍化监测，其中盐渍化土壤分类和土壤含盐量的反演方法涉及机器学习、深度学习。
图5 国内外关于SAR数据在土壤盐渍化监测中的研究热点关系

Fig. 5 The relation chart of researches hotspots at home and abroad

3 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。

3.1 后向散射模型

后向散射模型旨在建立雷达后向散射系数（σ0）与其主要影响参数间的数学表达，其中土壤介电常数为一个重要参数。因此，许多研究者通过实测数据分析或物理机理推导建立了一系列后向散射模型[25-26]。表2展示了裸露地表下常用于土壤盐渍化研究的后向散射模型，包括经验/半经验模型与理论模型。
表2 常用于裸露地表下土壤盐渍化监测研究的后向散射模型

Tab. 2 Backscatter models commonly used for monitoring soil salinization beneath bare soil surfaces

类型 名称 适用范围 优点 缺点 文献
经验/半经验模型 Dubois模型 K·S<2.5，θ>30，MV<35% 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 [27]-[28]
Oh模型 0.1<K·S<6.0， 2.6<K·l<19.7，
0.09<MV<0.31		 地表粗糙度的适用范围广 [29]-[30]
Shi模型 0.2<S<3.6， 2.5<l<35，
2%<MV<50%		 基于IEM模型和实测数据建立，较Oh模型、Dubois模型适用范围广 L波段以外的适用性待验证 [31]
理论模型 IEM模型 0.05λ<S<0.15λ， l>λ，
S/l<0.25		 地表粗糙度适用范围广，计算
速度快		 不适用于地形复杂区域 [32]
AIEM模型 S >0.15λ， l>λ， S/l<0.25 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 参数难以获取，计算成本高 [33]

注：K为空间自由波束； l为相关长度/cm； S为均方根高度/cm； λ为入射波波长/cm； θ为雷达波束的入射角/°； MV为土壤体积含水量。

经验/半经验模型需要基于实测数据，如Oh等[29]在1992年，将不同频率的散射计仪器在各个极化通道下对不同粗糙度的地表进行了多角度观测，明确了后向散射系数与土壤介电常数等参数的函数关系。而后在2002年又将相关长度l考虑进来，进一步完善了Oh模型[30]。理论模型主要基于电磁波辐射传输机理，如Fung等[32]将地表特征和微波辐射场之间的关系表示为一个积分方程，并通过求解这个积分方程来计算辐射散射特性，建立了著名的积分方程模型（Integral Equation Model， IEM）。Wu和Chen在[33]此基础上又提出了改进的IEM模型（Advanced Integral Equation Model， AIEM），使其对裸露地表的微波散射有更好的解释能力。
在此基础上，为明确土壤介电常数实部和虚部对后向散射系数的不同影响，黄帅等[34]将后向散射系数与含水含盐土壤介电常数虚部和实部进行相关性分析：在特定C波段，取相关长度l为10 cm、均方根高度S为0.5 cm，利用AIEM模型模拟4种极化方式（VV、VH、HH、HV）下的后向散射系数与土壤介电常数实部（虚部ε''=2）和虚部（实部ε'=10）的关系。结果表明4种极化方式下，后向散射系数均随介电常数实部、虚部的增加而增大，随虚部的变化更为明显。并且，不同极化情况下，后向散射系数与土壤介电常数虚部间的相关性也不尽相同：在VV极化方式下，当土壤介电常数虚部ε''≤30时，后向散射系数增大速度最快；当ε''>30后，后向散射系数的变化趋缓。在HH极化方式下，后向散射系数随着土壤介电常数虚部的增大基本呈现线性增大的趋势，但总体增长趋势平缓，只有在20≤ε''≤25时，后向散射系数才显著增大。
邵芸等[35]将采样点的土壤介电常数虚部ε''和Radarsat-2影像的后向散射强度值G进行线性拟合，发现两者存在明显的正相关关系，相关系数r为0.66。而土壤介电常数的实部ε'与G的相关系数r仅为0.23。由此可见，土壤介电常数虚部对后向散射强度影响更大。胡庆荣[36]进一步将实测的土壤样品介电常数虚部值与同步过顶的Radarsat-2影像的后向散射系数（σ0）进行相关性分析。以HH极化为例，发现后向散射系数与介电常数虚部的相关系数r为0.7，二者存在显著的正相关关系。
综上所述，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。

3.2 介电常数模型

土壤介电常数模型给出了介电常数与土壤主要物理生化参数，特别是与土壤含水量、土壤含盐量间相关关系。同样可分为经验/半经验模型与理论模型（表3）。经验/半经验模型基于实测数据获得，模型参数简单，计算方便，但不具有普适性。理论模型具有完善的物理概念，普适性高，但模型参数复杂且难以获取，少有研究将其用于模拟土壤介电常数与土壤主要物理生化参数之间的关系。目前，描述土壤含盐量与介电常数关系常用的模型有Dobson模型、普适折射指数混合介电模型（Generalized Refractive Mixing Dielectric Model，GRMDM）。
表3 常用于土壤盐渍化监测研究的介电常数模型

Tab. 3 Commonly used dielectric constant models for soil salinization monitoring research

类型 名称 优点 缺点 文献
经验/半经验模型 Topp模型 参数简单且易获取，应用方便 仅考虑了含水量对土壤介电常数的影响 [37]
Wang模型 不适用于低含水量条件下的模拟且在描述电导率对土壤介电常数虚部的影响上欠佳 [38]
Dobson模型 不适用于低频阶段的模拟 [39]
GRMDM模型 引入折射指数和混合介电常数等参数提高模型精度 参数复杂且难获取 [40]
理论模型 唯象模型 理论完善，普适性高 参数复杂且难获取 [41⇓]-[43]
体积模型
折射模型
去极化模型
为适用于不同土壤含盐量的介电常数模拟，胡庆荣[36]根据实测的土壤样品生物参数以及介电常数值，修改了Dobson模型。但此模型是基于高含水量的土壤样品修改的，具有一定局限性，Wu等[44]针对这一缺陷进行了修正，修正后的模型表达式为：
ε ' = 1 + ρ b ρ S ( ε s a - 1 ) + m v β ' ε s w ' a - m v 1 a
ε ″ = m v β ″ ε s w ″ a 1 a
式中： ε '、 ε ″和分别为土壤介电常数的实部和虚部； ρ b为土壤容重；   ρ s为土壤密度； ε s为土壤基质介电常数； a=0.65； β '为土壤介电常数实部的束缚水修正系数，由土壤质地决定； β ″为土壤介电常数虚部的束缚水修正系数，由土壤质地决定；MV为土壤体积含水量， ε s w ' a和 ε s w ″ a分别为自由水的节点常数虚部和实部，由Debye模型计算得到。
黄帅等[34]以修正的Dobson模型为基础，分析不同雷达频率（0.5 GHz（P波段）、1.5 GHz（L波段）、3.0 GHz（S波段）、5.0 GHz（C波段）、10.0 GHz（X波段）、20.0 GHz（K波段））下土壤介电常数虚部与土壤含盐量间的关系，结果表明，土壤介电常数虚部随着土壤含盐量增多而变大，二者呈线性正相关。以P波段为例分析介电常数虚部和土壤含盐量相关关系变化发现，二者之间的正相干性随着土壤含水量的增加趋于明显，当土壤含水量较小时，土壤介电常数虚部取值较为集中，与土壤含盐量的关系不再明显。
一般来说，土壤含水量变化明显影响土壤介电常数实部取值，土壤含盐量则主要与土壤介电常数虚部变化相关，具体相关关系曲线不尽相同[36]：L、P波段与C波段的土壤介电常数实部差值有 ε p ' - ε C ' > ε L ' - ε C '，其中 ε i '（i=P,C,L）表示i波段下的土壤介电常数实部值，且差值大小与土壤含水量之间具有正相关关系，与土壤含盐量近似无关；土壤介电常数虚部差值同样满足 ε p ″ - ε C ″ > ε L ″ - ε C ″的关系，其中 ε i ″（i=P,C,L）表示i波段下的土壤介电常数虚部值，其变化大小与土壤含盐量之间近似正相关。然而体积含水量的不同，土壤含盐量V与土壤介电常数之间的关系曲线又略有差异。显然，随着土壤含水量的增加，土壤介电常数虚部间的差值与土壤含盐量的正相关关系更加明显。
这些模型及其反映的土壤介电常数与土壤含盐量间相关性是SAR数据进行土壤盐渍化监测的理论基础。

3.3 后向散射系数与土壤含盐量关系

综合后向散射模型和介电常数模型，可以建立后向散射系数与土壤含盐量之间的关系。胡庆荣[36]引入Fresnel反射系数即地物介电常数模 ε = ε ″ 2 + ε ' 2的函数（后向散射系数理论值）和IEM模型，以HH波段为列，取相关长度l=10 cm，均方根离差σ=1 cm，雷达波束的入射角θ=390，分别在0.5 GHz（P波段）、1.2 GHz（L波段）下定性探讨土壤含盐量与微波后向散射系数的关系。发现在P、L波段，后向散射系数与土壤含盐量呈正相关关系，其中后向散射系数变化在P波段更为敏感，而在C波段这种正相关性明显减弱。不同土壤含水量情况下，相干性也不尽相同。
在重盐碱地区，例如吉兰泰地区，模型模拟结果表明土壤的Fresnel反射系数（后向散射系数理论值）与土壤含盐量具有正相关关系，与土壤体积含水量关系不大[36]。这主要是因为重盐碱地区的化学结合水（结晶水）的含量增大，相应减弱了含水量对后向散射系数的影响，同时加强了土壤含盐量与后向散射系数的相关关系。实测数据和Radarsat-2影像后向散射系数相关性分析的结果也进一步说明了土壤后向散射系数与土壤含盐量之间具有良好的正相关关系[36]。随着土壤含盐量的增加，土壤含水量对后向散射系数的影响减小，土壤含盐量对后向散射系数的影响增大。
后向散射系数与土壤含盐量间相关关系的建立为SAR数据在土壤含盐量反演奠定了基础。

4 SAR数据在土壤盐渍化监测中的主要技术方法

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、盐渍化土壤分类、土壤含盐量反演（图6）。
图6 SAR数据在土壤盐渍化监测中主要应用及技术方法

Fig. 6 The main applications and technical methods of soil salinization monitoring with SAR data

4.1 盐渍化土壤特征参数的构建与提取

盐渍化土壤特征参数的构建与提取对定性和定量监测土壤盐渍化情况都至关重要。常用的盐渍化土壤特征可以分为3类：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。

4.1.1 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。因此，SAR数据在土壤盐渍化监测中也常用灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）、马尔科夫随机场（Markov Random Field，MRF）、小波提取等纹理特征提取方法获取盐渍化土壤特征[45⇓-47]。其中，基于灰度共生矩阵的纹理特征提取方法是最常用的方法，如Yin等[48]用灰度共生矩阵处理Sentinel-1图像从而获取10个纹理特征（对比度、相异性、均匀性、能量、平均灰度、最大概率、相关性、熵、方差、均值）用于盐渍化土壤的分类。Taghadosi等[49]则用直方图和灰度共生矩阵获得能量、熵、对比度、相关度、同质性、异质性6种统计量作为模型的输入量之一参与盐渍化土壤分类模型的训练。

4.1.2 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，然而有研究发现使用单极化后向散射系数的监测效果受到一定的限制[50⇓⇓⇓⇓-55]。因此，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（表4）。
表4 应用场景下基于后向散射系数的特征参数

Tab. 4 The characteristic parameters based on backscattering coefficient are applied in the specific scene

类别 特征参数 应用场景 所用数据 所用具体特征 精度
后向散射系数 σ p q 0 Ben Tre province[52] Sentinel-1 σ V V 0、 σ V H 0结合 σ V V 0 / ( σ V V 0 2 + σ V H 0 2 )
特征参数		 r=0.808
RMSE=2.85 g/k
极化比值 σ p q 0 / σ P Q 0
( σ p q 0 n ± σ P Q 0 n ) / σ p q 0 ± 1
σ p q 0 n + σ P Q 0 n σ p q 0 n - σ P Q 0 n ± 1		 吉林省大安市[53] Sentinel-1 σ V V 0 + σ V H 0 σ V V 0 - σ V H 0 R2=0.687 2
RMSE=0.988 g/kg
极化积 σ p q 0 n × σ P Q 0 n 消干河—车河
三角洲绿洲[54]		 Radarsat-2 σ H H 0 ± σ H V 0、 σ H H 0 2 ± σ H V 0 2、 σ H H 0 × σ H V 0结合 σ H H 0 / σ H V 0特征参数 r=0.937，R2=0.858
极化和差 σ p q 0 n ± σ P Q 0 n
极化幂运算 σ p q 0 1 n
( σ p q 0 n ± σ P Q 0 n ) 1 n		 Global[55] Sentinel-1 σ V V 0 2 + σ V H 0 2结合 σ V V 0 / σ V H 0、 σ V V 0 - σ V H 0、 ( σ V V 0 2 - σ V H 0 2 ) / ( σ V V 0 2 + σ V H 0 2 )特征参数及光谱指数、盐分指数 反演精度最高为：
R2=0.87
RMSE=2.7 ds/m

注： σ p q 0 ( p = V ,   H ; q = V ,   H )、 σ P Q 0 ( P = V ,   H ; Q = V ,   H )均表示不同极化方式下的后向散射系数，n表示自然数，在土壤盐渍化研究中， 取值通常为1或2。由于不同应用场景下均使用多个特征一起用于土壤盐渍化的监测，因此此处根据不同应用场景使用的主要特征将其进行归类总结。

不难看出，特定应用场景下，基于后向散射系数的特征参数是在双极化乃至四极化后向散射 基础上引入了基于多极化后向散射和/差、比值 等运算。其中 ( σ p q 0 n ± σ P Q 0 n ) / σ p q 0 ± 1、 ( σ p q 0 n + σ P Q 0 n ) / ( σ p q 0 n - σ P Q 0 n ) ± 1形式的特征参数存在互为倒数的情况，但不同的特征组合强调的信息不同，如 ( σ V H 0 2 - σ V V 0 2 ) / ( σ V H 0 2 + σ V V 0 2 )特征参数，其与 ( σ V H 0 2 + σ V V 0 2 ) / ( σ V H 0 2 - σ V V 0 2 )特征参数互为倒数，都可以用于土壤盐渍化监测，但 ( σ V H 0 2 + σ V V 0 2 ) / ( σ V H 0 2 - σ V V 0 2 )特征参数更强调VH极化和VV极化的相似信息，即 2种极化的协变量特征，而 ( σ V H 0 2 - σ V V 0 2 ) / ( σ V H 0 2 + σ V V 0 2 )特征参数更强调VH极化和VV极化的差异信息，即2种极化的差异特征，因此 ( σ V H 0 2 + σ V V 0 2 ) / ( σ V H 0 2 - σ V V 0 2 )特征参数更适合分析目标散射机制相似的区域，如严重盐渍化土壤，而 ( σ V H 0 2 - σ V V 0 2 ) / ( σ V H 0 2 + σ V V 0 2 )特征参数更适合分析目标散射机制不同的区域，如不同土地覆盖类型。此外，同种类型的特征参数在不同的应用场景或同种应用场景的不同时期精度都不相同。究其原因，是由于地表土壤的电磁波散射特性在不同地区、不同时期存在差异。研究表明， σ H V 0 × σ H H 0特征参数在提取内蒙古河套灌溉区的土壤盐渍化信息时，其精度高于 σ H V 0 - σ H H 0、 σ H V 0 + σ H H 0特征参数[50]，但在冻土时期， ( σ H V 0 2 + σ H H 0 2 ) / ( σ H V 0 2 - σ H H 0 2 )对不同盐渍土有较强的响应性与分离性[56]。而在新疆消干河—车河三角洲绿洲， σ V H 0 2 + σ V V 0特征参数与土壤EC值的相关度高于 σ V H 0 + σ V V 0 、 σ V H 0 2 + σ V V 0 2 、 σ V V 0 2 - σ V H 0 2特征参数[54]。因此，对不同地区、不同时间段的土壤盐渍化信息进行监测，需要对多种特征参数进行对比分析，选择其中敏感性最高的特征参数。

4.1.3 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。因此，极化目标分解特征参数有助于土壤盐渍化信息提取（表5）。
表5 SAR数据在土壤盐渍化监测中常用的极化目标分解方法及特征参数

Tab. 5 Common polarization target decomposition methods and feature parameters used in soil salinity monitoring with SAR data

类别 特征参数 分解方法 应用场景 所用数据 所用具体特征 精度
相干极化
目标分解		 R1、R2、R3 Pauli[61] Keriya Oasis[57] PALSAR-2 φs、 ϵs、Λ1、Λ3、T1、T3 总体分类精度
最高为91.57%，Kappa=0.89
RS、RD、RH Krogager[62]
Ra、Rb、Rc Sinclair[63]
μ1、μ2、μ3 Cameron[64]
αs、ψαs、ψ、τ TVSM[65] Keriya Oasis[58] PALSAR-2 φs、 φv、 ϵv、 ϵh、αs、Λ1、R1、R3、H1、A0、RD、 | δ |、ā结合PH、RVI、SPAN、T33、C11 总体分类精度
最高为84.94%，Kappa=0.8
| δ |、 ω Neumann2[66]
fs、fd、fv Freeman-Durden[67]
T1、T2、T3 Arii3 Component NNED[68]
非相干极化目标分解 φs、 φd、 φv Freeman3[69] Keriya Oasis[59] PALSAR-2 φs、fs、Rb、Λ2 反演精度最高为
R2=0.63
ϵs、 ϵd、 ϵv、 ϵh Yamaguchi4[70]
Λ1、Λ2、Λ3 VanZyl3[71]
H1、ā、A H/A/Alpha[72]
λ1、λ2、λ3 Holm1[73] 新疆干旱地区[60] PALSAR-2 R1、 φs、 φv、H1、A0、Λ1、Λ3、RS、RD、 ω结合T11、C11、C33、PH、PVI、SPAN 总体分类精度
最高为87.57%、Kappa=0.8
B1、B2、E、F Barnes1[74]
H、α、P Cloude[75]
A0、B0、B、C、D、E、F、G、X Huynen[76]

注：特征参数具体含义请对应分解方法参看文献[61]—文献[76]。T1、T3、T11、T33为相干矩阵参数，C11、C33为协方差矩阵参数。雷达植被指数（Radar Vegetation Index，RVI），极化变异指数（Polarization Variability Index，PVI），SPAN为散射总功率。

通常，不同极化分解方法得到的极化分解特征不尽相同。例如，Pauli分解、Krogager分解所得的特征向量可描述为R，Ri（i=1, 2, 3, S, D, H, a, b, c）以表示不同的散射机制或极化目标分解特征参数，具体含义见参考文献，这里不在赘述。此外，还有Yamaguchi3分解、Freeman2、Barnes2分解等极化目标分解方法，其与Yamaguchi4、Freeman3、Barnes1分解原理相同，只是随着应用需求不同分解出其他参数。有研究指出Freeman分解得到的 φv分量与土壤湿度相关，可表示盐分积累导致的含水量变化[69]。Yamaguchi分解在Freeman分解的基础上提出双反射分量 φh，可强调土壤表面和次表面之间的散射，有助于识别土壤盐渍化[70]。H/A/Alpha分解参数组合，可以反映不同程度盐渍化土壤的散射特征差异[77]。具体应用中，研究者通常会选取对实验区盐渍化信息敏感的极化目标分解特征参数，如Abulaiti等[78]从Pauli分解、Cloude分解、Freeman分解、H/A/Alpha分解、Sinclair分解、VanZyl3分解、Yamaguchi4分解的所有特征中选择了对盐渍化土壤敏感的 φd特征（Freeman分解）、Rb特征（Sinclair分解）、Λ2特征（VanZyl3分解）并结合PALSAR-2原始矩阵参数（散射矩阵S、相干矩阵T3、协方差矩阵C3）和 σ V V 0 / ( σ V V 0 + σ V H 0 )特征参数对新疆克里雅绿洲进行盐渍化土壤分类，总体精度最高为91.86%，kappa系数为0.9。Muhetaer等[79]则在Pauli分解、Freeman分解、Cloude分解、Sinclair分解、VanZyl3分解、Yamaguchi4分解的所有特征参数中，利用Boruta模型选择了VanZyl3分解的Λ2特征作为最优特征集与光学遥感指数（NDVI、SAVI、NDSI、SI）相结合，构建光学雷达二维特征指数 N D V I 2 + Λ 2 2、 S A V I 2 + Λ 2 2、 N D S I - 1 2 + Λ 2 2、 S I - 1 2 + Λ 2 2对克里雅洲进行土壤含盐量反演，R2分别为0.656、0.642、0.628、0.631。

4.2 盐渍化土壤分类

SAR数据在土壤盐渍化监测中常见的一种应用方式是盐渍化土壤分类。早期实验中，决策树、阈值法等图像分类方法常用于盐渍化土壤的分类[80-81]，但其分类精度不高，且不能有效应用于地形复杂的盐渍化土壤地区。机器学习由于其强大的非线性学习能力，在图像分类中占领巨大优势。常用的机器学习分类模型包括支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）、朴素贝叶斯（Naive Bayes，NB）、支持向量回归（Support Vector Regression，SVR）、多层感知器神经网络（Multilayer Perceptron Neural Networks，MLP-NN）、径向基函数神经网络（Radial Basis Function Neural Networks，RBF-NN)、最近邻算法（Nearest Neighbors，NN）高斯过程（Gaussian Processes，GP）等[82⇓⇓-85]。其中，常用于盐渍化土壤分类的模型是SVM和RF，如表6所示。
表6 SAR数据在盐渍化土壤分类中常用的机器学习模型

Tab. 6 Common machine learning models used for classification of saline-affected soils with SAR data

应用场景 所用数据 分类方法 所用具体特征 精度
中国新疆于田绿洲[86] Sentinel-1 RF σ V V 0、 σ V H 0、 σ V V 0 2 + σ V H 0 2、 σ V V 0 + σ V H 0 总体精度为80.32%， Kappa=0.75
中国渭干河三角洲
部分区域[87]		 Radarsat-2 SVM Pauli分解的特征参数R1、R2、R3、
H/A/Alpha分解的特征参数H、
ā、A以及颜色波段红、绿、蓝		 总体精度为88.87%， Kappa=0.86
中国渭干河三角洲
部分区域[88]		 Radarsat-2 SVM、SVM-Wishart Freeman3分解的 φs、 φd、 φv的特征参数和H/A/Alpha分解的特征参
数H、ā、A		 SVM总体精度为78.96.%，
SVM-Wishart总体精度为88.00%
Hortobagyi National Park，Europe[89] Sentinel-1 SVR、RF、KNN σ V V 0、 σ V H 0、 σ V V 0 / σ V H 0 KNN模型总体精度为96%，
MPE=0.041
Kairouan,Tunisia[90] ENVISAT/ASAR SVM、RBF(Radial Basis Function) σ V V 0、 σ V H 0、EC (土壤电导率) 分类结果和实际盐碱地分布情况
基本吻合
Ben Tre Province，Vietnam[91]
 Sentinel-1 MLP-NN、RBF-NN、GP、SVR、RF 对比度、相异性、均匀性、能量、
方差、均值、 σ V V 0、 σ V H 0		 GP分类效果最好：RMSE=2.885 ds/m，MAE=1.897 ds/m， r=0.808

注：SVM-Wishart为SVM分类方法与Wishart分类方法相结合的分类方法；径向基函数(Radial Basis Function， RBF)；K近邻算法 (K-Nearest Neighbors，KNN)。

不难看出，利用机器学习进行SAR数据的盐渍化土壤分类核心是将盐渍化土壤特征参数作为分类特征集，参与分类模型的训练。
近几年，由于深度学习高效率、高精度的特点，盐渍化土壤的分类方法从机器学习逐渐转为深度学习。常用的深度学习模型有卷积神经网络（Convolutional Neural Networks，CNN）、循环神经网络（Recurrent Neural Networks，RNN）、生成对抗网络（Generative Adversarial Networks，GAN）[92-93]。其中，卷积神经网络在盐渍化土壤分类中应用最多。如李俐等[94]根据Yamaguchi极化分解原理得到协方差矩阵的6个特征（C11、C12、C13、C22、C23、C33），将其和单次散射值fs、二面角fd、体散射fv、旋状体fc这4个特征值一起，通过卷积神经网络，得到多极化多特征数据集MPMID，进行盐渍化土壤分类，有效提高了样本分布不均情况下的盐渍化土壤分类精度。Abulaiti等[78]利用PALSAR-2数据，从Pauli分解、Cloude分解、Freeman分解、H/A/Alpha分解、Sinclair分解、VanZyl3分解、Yamaguchi4分解的所有特征中选择了对盐渍化土壤敏感的 φd特征（Freeman分解）、Rb特征（Sinclair分解）、Λ2特征（VanZyl3分解）并结合PALSAR-2原始矩阵参数（散射矩阵S、相干矩阵T3、协方差矩阵C3）和 σ V V 0 / ( σ V V 0 + σ V H 0 )特征参数作为分类特征集，比较SVM、RF、DNN这3种分类方法在新疆克里雅绿洲盐渍化土壤的分类精度，发现DNN分类方法总体精度91.86%，高于RF和SVM分类。然而，土壤盐渍化的分类问题涉及多个特征，包括土壤盐分浓度、土壤湿度、土壤质地等。深度学习需要设计适合土壤盐渍化监测的神经网络结构，这需要专业领域知识和大量的实验验证，一定程度上限制了深度学习在盐渍化土壤分类中的应用。但随着盐渍化土壤微波散射机理的完善，深度学习将不断提高盐渍化土壤的分类精度。

4.3 土壤含盐量反演

土壤含盐量反演需要建立土壤含盐量与盐渍化土壤特征参数间的数学关系，进而求解出土壤含盐量的数值。常用的土壤含盐量反演方法可以分为基于回归分析的反演、基于机器学习的反演、基于散射模型的反演3类。
基于回归分析的反演旨在通过样本区土壤含盐量（Y）与盐渍化土壤特征参数X数据，建立回归模型来反演土壤含盐量，其中X可以为盐渍化土壤特征参数（基于纹理、后向散射系数、极化目标分解的特征参数），也可以为盐渍化土壤物理生化参数（PH值、土壤含水量等）。归纳研究中常用的回归分析方法，包括偏最小二乘回归（Partial Least Squares Regression，RLSR）、多元线性回归（Multivariate Linear Regression，MLR）等。例如，再屯古丽·亚库普[95]将X设为全极化（HH、HV、VV、VH）后向散射系数和土壤体积含水量、PH值，利用多元线性回归模型反演于田绿洲土壤含盐量，然而反演精度不高，决定系数R2为0.58。究其原因是因为土壤含盐量与特征参数之间呈现非线性关系，在这种情况下，线性回归模型无法准确地捕捉到非线性关系。
为了解决非线性相关问题，基于机器学习/深度学习的反演方法被应用进来。常见的反演模型有逻辑回归（Logistic Regression，LOR）、随机森林回归（Random Forest Regression，RFR）、支持向量机回归（Support Vector Regression，SVR）、决策树回归（Decision Tree Regression，DTR）、多层感知器回归（Multilayer Perceptron Regression，MPR）、BP神经网络、卷积神经网络、循环神经网络[96⇓-98]。其中，神经网络模型具有较强的非线性拟合能力，在模拟SAR影像与土壤含盐量之间的复杂关系上有一定的优势。除此以外还有随机森林回归模型和支持向量机回归模型常用于反演土壤含盐量。不同的应用场景下，同种模型的反演精度并不相同，如表7所示。
表7 SAR数据在土壤含盐量反演中常用的机器/深度学习模型

Tab. 7 Common machine/deep learning models used in soil salinity inversion studies with SAR data

应用场景 所用数据 反演方法 所用具体特征 精度
中国内蒙古
河套灌区[99]		 Radarsat-2 BP神经网络 非遥感地理因子采样点（大地坐标经度B、纬度L、大地高H）和四极化雷达影像灰度DN值（DNHH、 DNVV、 DNHV、DNVH） 内部检验最大误差-2.58 cmol/kg，最小误差为0。内部检验平均绝对误差值为0.30 cmol/kg，误差小于0.30 cmol/kg的点数占64%
中国吉林省
大安市[100]		 Sentinel-1 LOR、RFR、SVR、DTR、DNN γ V V 0、 γ V H 0、H、ā、A、 γ V V 0 / γ V H 0、 γ V V 0 - γ V H 0、 γ V H 0 / ( γ V V 0 + γ V H 0 )、 ( γ V V 0 2 / γ V H 0 2 )、 ( γ V V 0 2 - γ V H 0 2 ) / ( γ V V 0 2 + γ V H 0 2 ) DNN模型得到RMSE=0.28 ms/cm，MAE=0.21 ms/cm， r=0.74结果，高于
其他模型精度
Aksu district[101] Sentinel-1 PLSR、RF、SVM、DNN σ V V 0、 σ V H 0结合光学遥感指数（ENDVI、GDVI、NLI、CRSI、EVI）、盐分指数以及地形特征 RF模型得到的R2=0.75精度最高
Shahaoqu of Jiefangzha Irrigation Are，China[102] Sentinel-1 BP、SVM、RFR σ V V 0、 σ V H 0结合光学遥感指数NDSI、盐分指数 RF模型得到的R2=0.801，
RMSE=0.686 ms/cm精度最高
Tamil Nadu[103] Sentinel-1 MLR、RF、ER(Exponential Regression) σ V V 0、 σ V H 0、 σ V H 0 + σ V V 0、 σ V V 0 - σ V H 0、 σ V V 0 2 - σ V H 0 2、 σ V V 0 2 - σ V H 0、 σ V V 0 2 + σ V H 0 2 / σ V V 0、 σ V V 0 2 + σ V H 0 2、 σ V V 0 2 - σ V H 0 2 / σ V V 0、 ( σ V V 0 2 + σ V H 0 2 ) / ( σ V V 0 2 - σ V H 0 2 ) ER模型得到反演精度最高，R2=0.75，RMSE=0.47 ds/m

注：增强型归一化植被指数（Enhanced Normalized Difference Vegetation Index，ENDVI）；绿波段差异植被指数（Green Difference Vegetation Index，GDVI）；归一化水体指数（Normalized Difference Water Index，NLI）；作物残留物严重程度指数（Crop Residue Severity Index，CRSI）；增强型植被指数（Enhanced Vegetation Index，EVI）；归一化雪深指数（Normalized Difference Snow Index，NDSI）。

然而，机器学习/深度学习的反演精度依赖于样本的选择，其学习过程是数据的驱动结果，达到一定高度后，模型的反演精度将很难突破，尤其在样本不足或条件变化的情况下,模型的泛化能力更有待验证。相比于数据驱动方法，从盐渍化土壤微波散射机理出发，理解土壤含盐量对微波信号的影响规律，将提供鲁棒性更强的土壤含盐量反演方法。如董显聪[104]将改进的Dobson模型、水云模型、AIEM模型进行耦合，利用逼近式迭代算法来反演土壤含盐量，取P值最小时的土壤含盐量作为该区域的模型反演值，约束方程表达式为：
P = ∑ K = 1 N y k - x ( S a l t K ) 2
式中：N表示样本总数；Xk表示当含盐量为 S a l t k时模拟的后向散射系数； y k表示当前情况下实测的雷达后向散射系数值。模型反演的土壤含盐量与实测土壤含盐量之间的相关系数r为0.72，均方根误差RMSE为0.74 g/kg，表明了模型的可行性。但该模型只适合低植被覆盖的盐渍土区域，适用于其他条件下的土壤含盐量定量反演模型还鲜少被 提出。

5 存在的问题与挑战

微波遥感因其全天时全天候的数据获取优势，弥补了传统光学遥感的缺点，在土壤盐渍化监测研究中潜力较大。在利用SAR数据进行土壤盐渍化监测中，国内外研究人员都取得了一定成果，但仍存在以下问题：
（1）在探究盐渍化土壤微波散射机理方面，现有研究明确显示土壤含盐量与土壤介电常数虚部及后向散射系数都具有良好的正相关关系。然而，后向散射信号和介电常数都是复信号，其虚部的响应转化到后向散射系数幅度信息上并不那么直观。此外，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、土壤含水量对土壤介电常数虚部的影响，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。这些因素使得SAR数据在土壤含盐量估测方面成为一个病态数学问题。另外，农田土壤具有渐变性，这种渐变性将使土壤含盐量对后向散射系数的影响淹没于土壤孔隙度、土壤含水量、土壤粗糙度等土壤理化参数中。因此，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。
（2）在盐渍化土壤特征参数构建与提取方面，除了常用的纹理特征和幅度特征外，相位特征是一种未被充分利用的特征信息。土壤含盐量对后向散射系数的影响主要通过影响土壤介电常数虚部来体现。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，从而更准确地模拟土壤介电常数虚部，提高盐渍化监测精度。此外，极化目标分解得到的特征参数在土壤盐渍化监测中的应用方式较为单一，局限于选用多种极化分解方法得到尽可能多的极化特征参数作为分类特征集进行盐渍化土壤分类。然而，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。因此，未来研究应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。
（3）在盐渍化土壤分类和土壤含盐量反演方面，机器学习或深度学习的精度依赖于样本的选择和数量，然而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，仅仅依靠机器/深度学习难以实现高精度自适应盐渍化监测。未来研究需探索如何将机器/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，综合考虑水盐运移、土壤微观结构和宏观环境影响等复杂因素对微波散射信号的影响，实现大范围高效的土壤盐渍化动态监测。

6 结语

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： ① 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； ② 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； ③ 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； ④ 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。基于此，许多研究开始探索如何利用盐渍化土壤特征参数进行盐渍化土壤分类或者土壤含盐量反演。与此同时，盐渍化土壤分类和土壤含盐量反演的方法也在不断演进：盐渍化土壤分类方法从机器学习向深度学习转移、土壤含盐量反演方法逐渐结合盐渍化土壤微波散射机理。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。通过综合利用不同来源的数据，能更全面地了解土壤盐渍化的空间分布和演变趋势，从而为土壤治理和农业生产提供更有针对性的建议和措施。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
步小敏, 郝琳瑶, 牟臻, 等. 中国东北与西北地区季节冻土中水溶性离子质量分数及土壤盐渍化特征[J]. 兰州大学学报(自然科学版), 2023, 59(3):314-321.

[Bu X M, Hao L Y, Mu Z, et al. Characteristics of mass fractions of water-soluble ions and salinization in seasonally frozen soil of Northeast and Northwest China[J]. Journal of Lanzhou University (Natural Sciences), 2023, 59(3):314-321.] DOI:10.13885/j.issn.0455-2059.2023.03.004

[2]
赵守强, 宋纪斌, 刘春成, 等. 再生水灌溉引发土壤次生盐渍化的研究进展[J]. 灌溉排水学报, 2024, 43(2):47-53.

[Zhao S Q, Song J B, Liu C C, et al. A review on secondary soil salinization caused by reclaimed water irrigation[J]. Journal of Irrigation and Drainage, 2024, 43(2):47-53.] DOI:10.13522/j.cnki.ggps.2023065

[3]
孙盛楠, 严学兵, 尹飞虎. 我国沿海滩涂盐碱地改良与综合利用现状与展望[J]. 中国草地学报, 2024, 46(2):1-13.

[Sun S N, Yan X B, Yin F H. Current situation and prospect of improvement and comprehensive utilization for saline-alkali land of coastal tidal flats in China[J]. Chinese Journal of Grassland, 2024, 46(2):1-13.] DOI:10.16742/j.zgcdxb.20230322

[4]
牛子路, 王磊, 齐拓野, 等. 宁夏红寺堡扬黄灌区土壤盐渍化特征[J]. 干旱区研究, 2023, 40(11):1785-1796.

[Niu Z L, Wang L, Qi T Y, et al. Soil salinization characteristics in irrigation region of Yellow River of Hongsipu, Ningxia[J]. Arid Zone Research, 2023, 40(11):1785-1796.] DOI: 10.13866/j.azr.2023.11.08

[5]
王忠静, 于蘇越, 许兴. 基于文献计量学的土壤盐渍化研究动态定量综述[J]. 清华大学学报(自然科学版), 2024, 64(2):303-317.

[Wang Z J, Yu S Y, Xu X. Quantitative review of soil salinization research dynamics based on bibliometric analysis[J]. Journal of Tsinghua University (Science and Technology), 2024, 64(2):303-317.] DOI:10.16511/j.cnki.qhdxxb.2023.21.021

[6]
张殿发, 郑琦宏. 冻融条件下土壤中水盐运移规律模拟研究[J]. 地理科学进展, 2005, 24(4):46-55.

[Zhang D F, Zheng Q H. Simulation of water-salt movement law under the freeze - thawing condition[J]. Progress in Geography, 2005, 24(4):46-55.] DOI:10.3969/j.issn.1007-6301.2005.04.006

[7]
Schofield R V, Kirkby M J. Application of salinization indicators and initial development of potential global soil salinization scenario under climatic change[J]. Global Biogeochemical Cycles, 2003, 17(3):1078. DOI:10.1029/2002GB001935

[8]
Kotb T H S, Watanabe T, Ogino Y, et al. Soil salinization in the Nile Delta and related policy issues in Egypt[J]. Agricultural Water Management, 2000, 43(2):239-261. DOI: 10.1016/s0378-3774(99)00052-9

[9]
Schofield R, Thomas D S G, Kirkby M J. Causal processes of soil salinization in Tunisia, Spain and Hungary[J]. Land Degradation & Development, 2001, 12(2):163-181. DOI:10.1002/ldr.446

[10]
伊永强, 刁鹏. 新疆五家渠市土壤盐渍化调查与防治研究[J]. 西部探矿工程, 2013, 25(6):182-184,187.

[Yi Y Q, Diao P. Investigation and control of soil salinization in Wujiaqu city, Xinjiang[J]. West-China Exploration Engineering, 2013, 25(6):182-184,187.] DOI:10.3969/j.issn.1004-5716.2013.06.061

[11]
魏云杰, 许模. 新疆土壤盐渍化成因及其防治对策研究[J]. 地球与环境, 2005, 33(S1):593-597.

[Wei Y J, Xu M. Study on the causes of soil salinization in Xinjiang and its control countermeasures[J]. Earth and Environment, 2005, 33(S1):593-597.] DOI:10.3969/j.issn.1672-9250.2005.z1.124

[12]
Cashen G H. Measurements of the electrical capacity and conductivity of soil blocks. (With six text-figures.)[J]. The Journal of Agricultural Science, 1932, 22(1):145-164. DOI:10.1017/s0021859600053168.

[13]
倪萍, 曹园园, 杨建锋, 等. 灌溉方式对石嘴山地区土壤盐渍化程度的影响[J]. 农业科学研究, 2023, 44(4):55-60.

[Ni P, Cao Y Y, Yang J F, et al. Effects of irrigation methods on soil salinization in Shizuishan Area[J]. Journal of Agricultural Sciences, 2023, 44(4):55-60.] DOI:10.13907/j.cnki.nykxyj.2023.04.008

[14]
Aragüés R, Urdanoz V, Çetin M, et al. Soil salinity related to physical soil characteristics and irrigation management in four Mediterranean irrigation districts[J]. Agricultural Water Management, 2011, 98(6):959-966. DOI:10.1016/j.agwat.2011.01.004

[15]
杨培敏. 南疆荒漠盐渍化土壤有机质的原位光谱监测模型研究[D]. 阿拉尔: 塔里木大学, 2023.

[Yang P M. Monitoring Model for in Situ Spectroscopy of Soil Organic Matter in Salinized Desert Soils in Southern Xinjiang, China[D]. Ala'er: Tarim University, 2023.] DOI:10.27708/d.cnki.gtlmd.2023.000462

[16]
Sahbeni G, Ngabire M, Musyimi P K, et al. Challenges and opportunities in remote sensing for soil salinization mapping and monitoring: A review[J]. Remote Sensing, 2023, 15(10):2540. DOI:10.3390/rs15102540

[17]
边慧芹, 王雪梅. 基于多光谱影像的干旱区绿洲耕层土壤盐分估算[J]. 干旱区资源与环境, 2022, 36(5):110-118.

[Bian H Q, Wang X M. Estimation of soil salinity in cultivated layers of oasis in arid areas based on multispectral images[J]. Journal of Arid Land Resources and Environment, 2022, 36(5):110-118.] DOI:10.13448/j.cnki.jalre.2022.126

[18]
刘福全, 杜崇, 韩旭, 等. 基于3S技术的大庆地区土壤盐渍化时空变化分析[J]. 灌溉排水学报, 2022, 41(5):132-138.

[Liu F Q, Du C, Han X, et al. Spatiotemporal variation in soil salinization in Daqing calculated using the 3S technology[J]. Journal of Irrigation and Drainage, 2022, 41(5):132-138.] DOI:10.13522/j.cnki.ggps.2021494

[19]
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 J H, Sun Y, Jia K L, et al. Spectral characteristics and salinization information prediction of different soil salt crusts[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12):325-333,370.] DOI:10.6041/j.issn.1000-1298.2018.12.038

[20]
Safadoust A, Dashtpeyma B, Mosaddeghi M R, et al. Effect of water salinity and sodicity on soil least limiting water range[J]. Soil Science Society of America Journal, 2024, 88(2):371-386. DOI:10.1002/saj2.20635

[21]
Periasamy S, Ravi K P. A novel approach to quantify soil salinity by simulating the dielectric loss of SAR in three-dimensional density space[J]. Remote Sensing of Environment, 2020, 251:112059. DOI:10.1016/j.rse.2020.112059

[22]
Bell D, Menges C, Ahmad W, et al. The application of dielectric retrieval algorithms for mapping soil salinity in a tropical coastal environment using airborne polarimetric SAR[J]. Remote Sensing of Environment, 2001, 75(3):375-384. DOI:10.1016/s0034-4257(00)00180-2

[23]
李彪, 王耀强. 土壤盐渍化雷达反演模拟研究[J]. 干旱区资源与环境, 2015, 29(8):180-184.

[Li B, Wang Y Q. Radar inversion and simulation of salty soil salinization[J]. Journal of Arid Land Resources and Environment, 2015, 29(8):180-184.] DOI:10.13448/j.cnki.jalre.2015.278

[24]
云雪雪, 陈雨生. 国际盐碱地开发动态及其对我国的启示[J]. 国土与自然资源研究, 2020(1):84-87.

[Yun X X, Cheng Y S. International development of saline-alkali land and its enlightenment to China[J]. Territory & Natural Resources Study, 2020(1):84-87.] DOI:10.16202/j.cnki.tnrs.2020.01.020

[25]
Kubicke G, Bourlier C. A fast hybrid method for scattering from a large object with dihedral effects above a large rough surface[J]. IEEE Transactions on Antennas and Propagation, 2011, 59(1):189-198. DOI:10.1109/tap.2010.2090470

[26]
Schröder S, Duparré A, Coriand L, et al. Modeling of light scattering in different regimes of surface roughness[J]. Optics Express, 2011, 19(10):9820-9835. DOI:10.1364/OE.19.009820

PMID

[27]
Dubois P C, Van Zyl J, Engman T. Measuring soil moisture with imaging radars[J]. IEEE transactions on geos- cience and remote sensing, 1995, 33(4):915-926. DOI:10.1109/36.406677

[28]
刘军, 赵少杰, 蒋玲梅, 等. 微波波段土壤的介电常数模型研究进展[J]. 遥感信息, 2015, 30(1):5-13,70.

[Liu J, Zhao S J, Jiang L M, et al. Research progress on dielectric constant model of soil at microwave frequency[J]. Remote Sensing Information, 2015, 30(1):5-13,70.] DOI:10.3969/j.issn.1000-3177.2015.01.002

[29]
Oh Y, Sarabandi K, Ulaby F T. An empirical model and an inversion technique for radar scattering from bare soil surfaces[J]. IEEE transactions on Geoscience and Remote Sensing, 1992, 30(2):370-381. DOI:10.1109/36.134086

[30]
Oh Y, Sarabandi K, Ulaby F T. Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(6):1348-1355. DOI:10.1109/tgrs.2002.800232

[31]
Shi J C, Wang J, Hsu A Y, et al. Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(5):1254-1266. DOI: 10.1109/36.628792

[32]
Fung A K, Li Z, Chen K S. Backscattering from a randomly rough dielectric surface[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2):356-369. DOI: 10.1109/36.134085

[33]
Wu T D, Chen K S. A reappraisal of the validity of the IEM model for backscattering from rough surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4):743-753. DOI:10.1109/TGRS.2003.815405

[34]
黄帅, 丁建丽, 张钧泳, 等. 基于Radarsat-2卫星微波遥感的后向散射系数研究[J]. 光学学报, 2017, 37(9):317-327.

[Huang S, Ding J L, Zhang J Y, et al. Backscattering coefficient research based on microwave remote sensing of radarsat-2 satellite[J]. Acta Optica Sinica, 2017, 37(9):317-327.] DOI:10.3788/aos201737.0929001

[35]
邵芸, 吕远, 董庆, 等. 含水含盐土壤的微波介电特性分析研究[J]. 遥感学报, 2002, 6(6):416-423.

[ Shao Y, Lu Y, Dong Q, et al. Study on soil microwave dielectric characteristic as salinity and water content[J]. Journal of Remote Sensing, 2002, 6(6):416-423.]

[36]
胡庆荣. 含水含盐土壤介电特性实验研究及对雷达图像的响应分析[D]. 北京: 中国科学院研究生院(遥感应用研究所), 2003.

[ Hu Q R. Studies on Microwave Dielectric Behavior of Moist Salt Soil and Its Effect on Backscattering Coefficients Extracted from Radar Image[D]. Beijing: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, 2003.]

[37]
Topp G C, Davis J L, Annan A P. Electromagnetic determination of soil water content: Measurements in coaxial transmission lines[J]. Water Resources Research, 1980, 16(3):574-582. DOI:10.1029/WR016i003p00574

[38]
Wang J R, Schmugge T J. An empirical model for the complex dielectric permittivity of soils as a function of water content[J]. IEEE Transactions on Geoscience and Remote Sensing, 1980, GE-18(4):288-295. DOI:10.1109/tgrs.1980.350304

[39]
Dobson M, Ulaby F, Hallikainen M, et al. Microwave dielectric behavior of wet soil-part II: Dielectric mixing models[J]. IEEE Transactions on Geoscience and Remote Sensing, 1985, 23(1):35-46. DOI:10.1109/TGRS.1985.289498

[40]
Mironov V L, Dobson M C, Kaupp V H, et al. Generalized refractive mixing dielectric model for moist soils[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4):773-785. DOI:10.1109/tgrs.2003.823288

[41]
Loor G. P. de. Dielectric properties of heterogeneous mixtures containing water*[J]. Journal of Microwave Power, 1968, 3(2):67-73. DOI:10.1080/00222739.1968.11688670

[42]
Hilhorst M A, Dirksen C, Kampers F W H, et al. New dielectric mixture equation for porous materials based on depolarization factors[J]. Soil Science Society of America Journal, 2000, 64(5):1581-1587. DOI:10.2136/sssaj2000.6451581x

[43]
Cole K S, Cole R H. Dispersion and absorption in diele- ctrics I. alternating current characteristics[J]. The Journal of Chemical Physics, 1941, 9(4):341-351. DOI:10.1063/1.1750906

[44]
Wu Y R, Wang W Z, Zhao S J, et al. Dielectric properties of saline soils and an improved dielectric model in C-band[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(1):440-452. DOI:10.1109/TGRS.2014.2323424

[45]
Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3(6):610-621. DOI:10.1109/tsmc.1973.4309314

[46]
Geman S, Geman D. Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984, 6(6):721-741. DOI:10.1109/tpami.1984.4767596

PMID

[47]
Donoho D L, Johnstone I M. Ideal spatial adaptation by wavelet shrinkage[J]. Biometrika, 1994, 81(3):425-455. DOI:10.1093/biomet/81.3.425

[48]
Yin H Y, Chen C, He Y J, et al. Synergistic estimation of soil salinity based on Sentinel-1 image texture and Sentinel-2 salinity spectral indices[J]. Journal of Applied Remote Sensing, 2023, 17:018502. DOI:10.1117/1.JRS.17.018502

[49]
Taghadosi M M, Hasanlou M, Eftekhari K. Soil salinity mapping using dual-polarized SAR Sentinel-1 imagery[J]. International Journal of Remote Sensing, 2019, 40(1):237-252. DOI:10.1080/01431161.2018.1512767

[50]
申晓华, 王耀强, 郑磊, 等. Radarsat-2四极化影像在河套灌区土壤含盐量反演中的应用[J]. 湖北农业科学, 2014, 53(15):3533-3535.

[Shen X H, Wang Y Q, Zheng L, et al. Using radarsat-2 four polarization images in salinity inversion of Hetao irrigated soil[J]. Hubei Agricultural Sciences, 2014, 53(15):3533-3535.] DOI:10.14088/j.cnki.issn0439-8114.2014.15.082

[51]
张智韬, 杜瑜燕, 劳聪聪, 等. 基于雷达遥感的不同深度土壤含盐量反演模型[J]. 农业机械学报, 2020, 51(10):243-251.

[Zhang Z T, Du Y Y, Lao C C, et al. Inversion model of soil salt content in different depths based on radar remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(10):243-251.] DOI:10.6041/j.issn.1000-1298.2020.10.027

[52]
Khanh P T, Ngoc T T H, Pramanik S. Evaluation of machine learning models for mapping soil salinity in Ben Tre Province, Vietnam[J]. Multimedia Tools and Applications, 2024: 1-20. DOI:10.1007/s11042-024-18712-z

[53]
马驰. 基于Sentinel-1双极化雷达影像的土壤含盐量反演[J]. 农业工程学报, 2018, 34(2):153-158.

[Ma C. Quantitative retrieval of soil salt content based on Sentinel-1 dual polarization radar image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(2):153-158.] DOI:10.11975/j.issn.1002-6819.2018.02.021

[54]
韦建波. RADARSAT-2数据在干旱区盐渍地信息提取中的应用[D]. 乌鲁木齐: 新疆大学, 2009.

[ Wei J B. Application of Radarsat-2 Data on Soil Salinity Monitoring in Arid Area[D]. Urumqi: Xinjiang University, 2009.]

[55]
Wang N, Chen S C, Huang J Y, et al. Global soil salinity estimation at 10 m using multi-source remote sensing[J]. Journal of Remote Sensing, 2024, 4:130. DOI:10.34133/remotesensing.0130

[56]
李生勇, 霍轶珍, 王海霞. 内蒙古自治区河套灌区冻结期土壤盐分的多极化雷达响应分析[J]. 江苏农业科学, 2016, 44(3):348-352.

[Li S Y, Huo Y Z, Wang H X. Multi-polarization radar response analysis of soil salt in Hetao irrigation area of Inner Mongolia Autonomous Region during freezing period[J]. Jiangsu Agricultural Sciences, 2016, 44(3):348-352.] DOI:10.15889/j.issn.1002-1302.2016.03.098

[57]
Zhao J, Nurmemet I, Muhetaer N, et al. Monitoring soil salinity using machine learning and the polarimetric scattering features of PALSAR-2 data[J]. Sustainability, 2023, 15(9):7452. DOI:10.3390/su15097452

[58]
Nurmemet I, Sagan V, Ding J L, et al. A WFS-SVM model for soil salinity mapping in Keriya oasis, northwestern China using polarimetric decomposition and fully PolSAR data[J]. Remote Sensing, 2018, 10(4):598. DOI:10.3390/rs10040598

[59]
Muhetaer N, Nurmemet I, Abulaiti A, et al. A quantifying approach to soil salinity based on a radar feature space model using ALOS PALSAR-2 data[J]. Remote Sensing, 2022, 14(2):363. DOI:10.3390/rs14020363

[60]
Ilyas Nurmemet, Tashpolat Tiyip, Ding Jianli, Mamat Sawut, Zhang Fei, Sun Qian. Monitoring soil salinization in arid area using PolSAR data and polarimetric decomposition method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(23):145-153. DOI:10.11975/j.issn.1002-6819.015.23.019

[61]
Cloude S R. Group theory and polarisation algebra[J]. Optik (Jena), 1986, 75(1):26-36.

[62]
Krogager E. New decomposition of the radar target scattering matrix[J]. Electronics Letters, 1990,26:1525-1527. DOI:10.1049/el:1990097910.1016/0042-207X(91)91001-5

[63]
Zhang W W, Yin F L, Chai J F, et al. The effect of send/receive dual channel parameters on polarization parameters measurement[J]. Chinese Journal of Electronics, 2017, 26(2):336-344. DOI:10.1049/cje.2017.01.002

[64]
王晶晶, 刘峥, 谢荣, 等. 联合Cameron分解和融合RKELM的全极化HRRP目标识别方法[J]. 雷达学报, 2021, 10(6):944-955.

[Wang J J, Liu Z, Xie R, et al. HRRP target recognition method for full polarimetric radars by combining Cameron decomposition and fusing RKELM[J]. Journal of Radars, 2021, 10(6):944-955.] DOI:10.12000/JR21099

[65]
李能才, 胡粲彬, 王威, 等. SAR图像独立极化方位角整合的极化目标分解法[J]. 测绘学报, 2023, 52(12):2141-2153.

DOI

[Li N C, Hu C B, Wang W, et al. Polarimetric SAR target decomposition method based on independent polarization orientation angle integration[J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(12):2141-2153.] DOI: 10.11947/j.AGCS.2023.20220552

[66]
付海强, 汪长城, 朱建军, 等. Neumann分解理论在极化SAR植被分类中的应用[J]. 武汉大学学报(信息科学版), 2015, 40(5):607-611.

[Fu H Q, Wang C C, Zhu J J, et al. A polarimetric classification method based on Neumann decomposition[J]. Geomatics and Information Science of Wuhan University, 2015, 40(5):607-611.] DOI:10.13203/j.whugis20130372

[67]
Freeman A, Durden S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3):963-973. DOI:10.1109/36.673687

[68]
Hajnsek I, Pottier E, Cloude S R. Inversion of surface parameters from polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4):727-744. DOI:10.1109/tgrs.2003.810702

[69]
Freeman A. Fitting a two-component scattering model to polarimetric SAR data from forests[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(8):2583-2592. DOI:10.1109/tgrs.2007.897929

[70]
Yamaguchi Y, Yajima Y, Yamada H. A four-component decomposition of POLSAR images based on the coherency matrix[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(3):292-296. DOI:10.1109/lgrs.2006.869986

[71]
Van Zyl J J. Application of Cloude's target decomposition theorem to polarimetric imaging radar data[J]. Proceedings of SPIE - The International Society for Optical Engineering, 1993:184-191.DOI:10.1117/12.140615

[72]
Cloude S R, Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2):498-518. DOI:10.1109/36.485127

[73]
Holm W A, Barnes R M. On radar polarization mixed target state decomposition techniques[C]// Proceedings of the 1988 IEEE National Radar Conference. IEEE, 1988: 249-254. DOI:10.1109/NRC.1988.10967

[74]
Touzi R. Target scattering decomposition in terms of roll-invariant target parameters[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(1):73-84. DOI: 10.1109/tgrs.2006.886176

[75]
Cloude S R. Target decomposition theorems in radar scattering[J]. Electronics Letters, 1985, 21:22-24. DOI:10.1049/el:19850018

[76]
Huynen J R. Towards a theory of perception for radar targets[M]// Inverse Methods in Electromagnetic Imaging. Dordrecht: Springer Netherlands, 1985:797-822. DOI:10.1007/978-94-010-9444-3_46

[77]
Gao Y, Liu X Q, Hou W T, et al. Characteristics of saline soil in extremely arid regions: A case study using GF-3 and ALOS-2 quad-pol SAR data in Qinghai, China[J]. Remote Sensing, 2021, 13(3):417. DOI:10.3390/rs13030417

[78]
Abulaiti A, Nurmemet I, Muhetaer N, et al. Monitoring of soil salinization in the Keriya oasis based on deep learning with PALSAR-2 and landsat-8 datasets[J]. Sustainability, 2022, 14(5):2666. DOI:10.3390/su14052666

[79]
Muhetaer N, Nurmemet I, Abulaiti A, et al. An efficient approach for inverting the soil salinity in Keriya oasis, northwestern China, based on the optical-radar feature-space model[J]. Sensors, 2022, 22(19): 7226. DOI:10.3390/s2 2197226

[80]
张慧, 李毅, 邓宏伟, 等. 基于遥感影像的新疆玛纳斯河流域土壤盐渍化分类[J]. 西北农林科技大学学报(自然科学版), 2013, 41(3):153-158.

[Zhang H, Li Y, Deng H W, et al. Soil salinization classification in Manas River Basin of Xinjiang based on remote sensing images[J]. Journal of Northwest A & F University (Natural Science Edition), 2013, 41(3):153-158.] DOI:10.13207/j.cnki.jnwafu.2013.03.014

[81]
朱高飞. 农田盐渍化土壤光谱特征及其遥感反演与分类研究——以昌吉州为例[D]. 乌鲁木齐: 新疆农业大学, 2013.

[ Zhu G F. Spectral Characteristics of Salt-affected Farmland Soil and Its Remote Sensing Inversion and Classification[D]. Urumqi: Xinjiang Agricultural University, 2013.]

[82]
李召桐. 支持向量机发展历程及其应用[J]. 信息系统工程, 2024(3):124-126.

[ Li Z T. Development and application of support vector machine[J]. China CIO News, 2024(3):124-126.]

[83]
潘宇, 李登华, 丁勇. 基于改进随机森林的大坝监测数据质量评价算法[J]. 人民长江, 2024, 55(2):231-237.

[Pan Y, Li D H, Ding Y. Data quality evaluation algorithm on dam monitoring based on improved random forest[J]. Yangtze River, 2024, 55(2):231-237.] DOI:10.16232/j.cnki.1001-4179.2024.02.030

[84]
Agbasi J C, Egbueri J C. Prediction of potentially toxic elements in water resources using MLP-NN, RBF-NN, and ANFIS: A comprehensive review[J]. Environmental Science and Pollution Research, 2024:1-29. DOI:10.1007/s1 1356-024-33350-6

[85]
Seeger M. Gaussian processes for machine learning[J]. International Journal of Neural Systems, 2004, 14(2):69-106. DOI:10.1142/S0129065704001899

PMID

[86]
肖森天, 依力亚斯江·努尔麦麦提, 努尔比耶·穆合塔尔, 等. 基于光学和雷达多源遥感的于田绿洲土壤盐渍化时空分析[J]. 干旱区研究, 2023, 40(1):59-68.

[Xiao S T; Ilyas Nurmemet; Nuerbiye Muhetaer, et al. Spatial and temporal analysis of soil salinity in Yutian Oasis by combined optical and radar multi-source remote sensing[J]. Arid Zone Research, 2023, 40(1):59-68.] DOI:10.13866/j.azr.2023.01.07

[87]
尼格拉·吐尔逊, 依力亚斯江·努尔麦麦提, 王远弘, 等. 基于H/A/α分解全极化合成孔径雷达数据的干旱区土壤盐渍化分类[J]. 江苏农业科学, 2019, 47(22):273-279.

[Nigela Tuerxun, Ilyas Nurmemet, Wang Y H, et al. Classification of soil salinization in arid areas based on H/A/α polarimetric decomposition method of POLSAR data[J]. Jiangsu Agricultural Sciences, 2019, 47(22):273-279.] DOI:10.15889/j.issn.1002-1302.2019.22.064

[88]
冯娟, 丁建丽, 魏雯瑜. 基于雷达数据的区域土壤盐渍化监测[J]. 国土资源遥感, 2019, 31(1):195-203.

[Feng J, Ding J L, Wei W Y. Soil salinization monitoring based on Radar data[J]. Remote Sensing for Land & Resources, 2019, 31(1):195-203.] DOI:10.6046/gtzyyg.2019.01.26

[89]
Sahbeni G. Comparative study of machine-learning-based classifiers for soil salinization prediction using sentinel-1 sar and sentinel-2 msi data[C]// 2022 10th International Conference on Agro-geoinformatics (Agro-Geoinformatics). IEEE, 2022:1-4. DOI:10.1109/Agro-Geoinformatics55649.2022.9858969

[90]
Grissa M, Abdelfattah R, Mercier G, et al. Empirical model for soil salinity mapping from SAR data[C]// 2011 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2011:1099-1102. DOI:10.1109/IGARSS.2011.6049388

[91]
Hoa P, Giang N, Binh N, et al. Soil salinity mapping using SAR sentinel-1 data and advanced machine learning algorithms: A case study at Ben tre province of the Mekong River delta (vietnam)[J]. Remote Sensing, 2019, 11(2):128. DOI:10.3390/rs11020128

[92]
Raiaan M A K, Sakib S, Fahad N M, et al. A systematic review of hyperparameter optimization techniques in Convolutional Neural Networks[J]. Decision Analytics Journal, 2024, 11:100470. DOI:10.1016/j.dajour.2024.100470

[93]
Ghosheh G O, Li J, Zhu T T. A survey of generative adversarial networks for synthesizing structured electronic health records[J]. ACM Computing Surveys, 56(6):147. DOI:10.1145/3636424

[94]
李俐, 张迁迁, 尤淑撑, 等. 基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法: CN109145870B[P]. 2021-06-25.

[ Li L, Zhang Q Q, You S C, et al. Two-stage saline-alkali soil monitoring method based on SAR polarization decomposition and convolution neural network: CN109145870B[P]. 2021-06-25.]

[95]
再屯古丽·亚库普. 基于PALSAR数据极化分解信息的于田绿洲土壤盐渍化信息提取研究[D]. 乌鲁木齐: 新疆大学, 2018.

[ Zaitunguli·Yakup. Extraction of Soil Salinization Information in Yutian Oasis Based on Polarized Decomposition Information of PALSAR Data[D]. Urumqi: Xinjiang University, 2018.]

[96]
LaValley M P. Logistic regression[J]. Circulation, 2008, 117(18):2395-2399. DOI: 10.1161/circulationaha.106.682658.

PMID

[97]
Liu C, Qian Q. Twin proximal support vector regression with heteroscedastic Gaussian noise[J]. Expert Systems with Applications, 2024, 250:123840. DOI: 10.1016/j.eswa.2024.123840.

[98]
Jose A, Almeida de Mendonça J P, Devijver E, et al. Regression tree-based active learning[J]. Data Mining and Knowledge Discovery, 2024, 38(2):420-460. DOI:10.1007/s1061 8-023-00951-7

[99]
刘全明. 含盐土壤盐渍化雷达反演模拟研究[J]. 测绘通报, 2014(9):43-46.

DOI

[Liu Q M. On radar inversion and simulation of salty soil salinization[J]. Bulletin of Surveying and Mapping, 2014(9):43-46.] DOI:10.13474/j.cnki.11-2246.2014.0290

[100]
Zhang Q Q, Li L, Sun R Z, et al. Retrieval of the soil salinity from sentinel-1 dual-polarized SAR data based on deep neural network regression[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 19:4006905. DOI: 10.1109/LGRS.2020.3041059

[101]
Wang N, Xue J, Peng J, et al. Integrating remote sensing and landscape characteristics to estimate soil salinity using machine learning methods: A case study from southern Xinjiang, China[J]. Remote Sensing, 2020, 12(24):4118. DOI:10.3390/rs12244118

[102]
He Y J, Zhang Z T, Xiang R, et al. Monitoring salinity in bare soil based on Sentinel-1/2 image fusion and machine learning[J]. Infrared Physics & Technology, 2023, 131:104656. DOI:10.1016/j.infrared.2023.104656

[103]
Hihi S, Katlane R, Kilani B, et al. Evaluating drought effects on soil: Innovative soil salinity monitoring via SAR data, sentinel-2 imagery, and machine learning algorithms in kerkennah archipelago[J]. Atmosphere, 2023, 14(10):1514. DOI:10.3390/atmos14101514

[104]
董显聪. 植被覆盖下盐渍土含盐量的遥感反演研究[D]. 北京: 中国科学院大学, 2021.

[ Dong X C. Study on remote sensing inversion of salt content in saline soil under vegetation cover[D]. Beijing: University of Chinese Academy of Sciences, 2021.]

Options
文章导航

/

〈 〉