利用GPR多频天线振幅包络平均值法估算滴灌棉田土壤盐分含量

土壤盐渍化问题严重制约着农业经济发展,快速准确地掌握农田土壤的盐渍化信息是盐渍化防治的前提。为准确快速地了解滴灌棉田土壤盐分含量情况,该研究采用探地雷达(Ground Penetrating Radar,GPR)多频天线(250 MHz和1 000 MHz)对典型滴灌棉田土壤进行探测,通过GPR振幅包络平均值法(Average Envelope Amplitude,AEA)获取土壤视在介电常数,以Dobson盐渍土介电模型(Dobson dielectric model of saline soil,Dobson)为理论工具,估算滴灌棉田土壤的盐分含量。同时,将视在介电常数、土壤容重、含水率和土壤黏粒含量5个参数设置为模型输入变量,采用多元线性回归方法(Multiple Linear Regression,MLR),建立膜下滴灌棉田土壤盐分反演模型,并使用BP神经网络(Back Propagation neural network,BP)进行模拟预测。最终,以实测盐分为基准,评价MLR模型、BP模型和Dobson模型反演盐分含量的效果。结果表明:1)探地雷达250 MHz和1 000 MHz频率天线AEA法探测的有效深度均为0～30 cm。2)1 000MHz频率天线AEA法获取的介电常数与实测含水量有较好的多项式关系,且实测含水量和反演含水量拟合效果和精度较好,决定系数R~2为0.96,均方根误差RMSE为1.61%,平均误差率MER为7.25%。3)3种盐分反演模型中,Dobson盐渍土介电模型反演精度明显高于其他2种方法,R~2达到0.91,RMSE为0.313 g/kg。因此,利用GPR多频天线AEA法估算滴灌棉田土壤盐分含量是可行且可靠的。该法为反演土壤盐分含量提供新途径,丰富了盐分含量探测的方法及手段。     

OLI与HSI影像融合的土壤盐分反演模型

土壤盐渍化问题是黄河三角洲地区主要的土地退化问题,借助遥感技术快速、准确地掌握土壤盐渍化信息,对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区,利用超球体色彩空间变换算法,将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合,选择土壤盐分的特征波段,结合土壤盐分的实测数据,建立统计分析模型(多元线性回归、偏最小二乘回归)和机器学习模型(BP神经网络、支持向量机和随机森林),对土壤盐分进行遥感反演。结果表明:OLI影像的统计分析模型和机器学习模型精度均较低,精度最高的随机森林模型相关系数仅为0.570;HSI影像的反演模型精度高于OLI,BP神经网络模型相关系数为0.607;融合影像反演模型精度明显高于HSI影像和OLI影像,土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性,BP神经网络模型、支持向量机模型和随机森林模型的决定系数R~2分别达到0.966、0.821和0.926,模型反演精度较高。研究表明,多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度,机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。     

盐渍化土壤水分微波雷达反演与验证

土壤介电常数是微波遥感进行土壤含水率测量的物理基础,尤其介电常数实部是必须解决的问题,土壤介电特性的研究显得尤为重要。该文目的是试验与评价C波段RADARSAT-2 SAR(synthetic aperture radar)数据模拟土壤介电特性,进而反演土壤水分的性能。以受盐渍化影响较严重的内蒙古河套灌区解放闸灌域为试验区,首先回归分析了介电常数实部与SAR四极化后向散射系数、地表粗糙度的复杂关系,并与Oh经验模型对照,其决定系数R2为0.859 7,模拟精度较高;然后验证常用的2个介电常数模型,Dobson半经验模型、Hallikainen简化实部经验模型模拟的介电常数实部与实测值的决定系数R~2分别为0.935 9、0.869,表明2个模型均能模拟地表土壤水分与介电常数实部的密切关系;最后构建了Dobson模型、Hallikainen简化实部模型反演土壤含水率的模型,并与统计回归模型比照,其模拟数值与土壤实测值的决定系数R2分别为0.803 8、0.737 4、0.842 1,均方根误差RMSE分别为5.2%、5.7%、5%。Dobson模型与统计回归模型反演结果与实地土壤墒情分布较为吻合,具有良好的精度和适用性,从而建立了一个较为完整的土壤介电特性研究体系,为微波遥感监测土壤水分奠定了基础。     

滨海重度盐碱地改良土壤盐渍化动态特征及预测

试验设置了对照处理（CK）、有机肥（OM）、聚丙烯酰胺+有机肥（PAM+OM）、秸秆覆盖+有机肥（SM+OM）、秸秆深埋+有机肥（BS+OM）和生物菌肥+有机肥（BM+OM）6个处理方式来探讨滨海盐碱地不同改良方式对土壤含盐量、pH、钠吸附比（SAR）和碱化度（ESP）的影响,进而识别影响土壤盐渍化程度的主要因子,并构建多元线性回归模型（Multi-linear Regression, MLR）、BP神经网络模型（BP Artificial Neural Network, BP-ANN）和随机森林模型（Random Forest, RF）对滨海重度盐碱地改良背景下的土壤盐渍化参数进行模拟预测。研究结果表明：各改良措施均能有效的降低表层土壤盐渍化水平,其中SM+OM处理对于土壤含盐量的抑制效果最好,而BM+OM处理则对于土壤碱分的抑制效果最好。改良过程中气象条件和土壤性质均对表层土壤盐渍化水平产生了显著影响。在模型预测中,随机森林模型对土壤含盐量、pH、SAR和ESP的综合预测精度明显优于BP神经网络模型和多元线性回归模型,体现在随机森林模型具有较高决定系数（Coefficient of determination, R2）和纳什系数（Nash-sutcliffe efficiency, NSE）和较低的均方根误差（Root mean square error, RMSE）。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息，可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据，并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数，在此基础上引入红边波段建立新的光谱指数，同时使用Elastic-net算法（ENET）对光谱变量进行筛选，并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组；运用BP神经网络（Back Propagation Neural Networks，BPNN）、支持向量机（Support Vector Machine，SVM）和极限学习机（Extreme Learning Machine，ELM）3种机器学习方法，构建作物覆盖下不同土壤深度的土壤盐分反演模型，并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明，使用ENET变量选择方法可以有效筛选出最优光谱变量，且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组；ELM模型反演效果优于SVM模型和BPNN模型，其验证集的决定系数为0.783，均方根误差为0.141，一致性相关系数为0.875；研究区域内，作物覆盖下的土壤盐分最佳反演深度为10～20 cm；在不同土壤深度下，基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实的反映试验区内的盐渍化程度，这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

基于多光谱影像反演土壤盐分的建模方法研究

土壤盐分的定量遥感反演,为快速、准确、全面地监测盐渍化状况提供了可能。本文以黄河三角洲地区垦利县为例,实地调查采集土壤样本,并获取同时相Landsat 8影像,建立土壤盐分遥感反演的BP神经网络、偏最小二乘回归、主成分分析、多元线性回归多种模型,进而进行精度对比分析,评价、优选最佳建模方法,最后,基于最佳模型进行研究区土壤盐分的空间分布反演分析。结果显示:遥感影像的反射率与土壤盐分含量并不是单纯的线性关系,构建的盐分估测模型BP神经网络预测决定系数为0.8467,均方根误差为0.071,明显高于传统线性统计模型,能较好地模拟土壤盐分与光谱数据的关系。该研究既能为盐渍土的治理、利用提供数据支持,又能推动盐渍化区域遥感研究的定量发展。     

基于高光谱的ASTER影像土壤盐分模型校正及验证

快速准确地获取土壤盐分信息是监测和治理土壤盐渍化现象的重要前提.该文以新疆维吾尔自治区典型盐渍化区域——艾比湖流域为研究区,analytical spectral devices(ASD)光谱仪采集的土壤高光谱数据和advanced space borne thermal emission and reflection radiometer(ASTER)影像为数据源,结合实测土壤盐分含量信息,对遥感定量反演土壤盐渍化现象进行研究.再经过光谱反射率数学变换后,结合相关性分析,利用多元回归方法分别建立基于重采样后的高光谱和影像光谱的土壤含盐量估算模型,对遥感影像光谱盐分估算模型进行校正,以提高遥感定量监测盐渍化土壤的精度.结果表明:ASTER影像光谱反射率二阶导数变换和ASD重采样光谱的对数的二阶导数变换所建立的盐分估算模型最佳,决定系数R2分别为0.59和0.82.经ASD重采样光谱模型校正后的ASTER影像光谱的盐分估算模型精度R2为0.91,有效地提高大尺度条件下土壤盐渍化反演精度.研究为大尺度土壤盐分定量遥感监测提供了一种有效方法.     

基于WorldView-2影像的土壤含盐量反演模型

针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力,以盐渍化现象较为明显的新疆克里雅河流域为研究对象,基于WorldView-2影像和实测高光谱数据,利用偏最小二乘回归(partial least squares regression,PLSR)和BP人工神经网络(back propagation artificial neural networks,BP ANN)方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明:1)利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型,其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数R2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337,模型的稳定性和预测能力都优于PLSR模型(R2、RMSE、RPD分别为0.814、1.139、2.007)。2)利用WorldView-2影像提高了土壤含盐量制图的空间分辨率,归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数,一定程度上满足了干旱、半干旱地区的盐渍化监测需求,可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。     

基于高光谱数据的盐荒地和耕地土壤盐分遥感反演优化

盐荒地作为研究区的"临时盐库"，其土壤盐分远高于研究区平均水平，因此探究不同土地利用类型土壤盐分的光谱响应差异以及对盐分遥感模型的影响，是实现不同土地类型土壤盐分反演值更加接近真实值的重要途径。该研究以河套灌区永济灌域为例，针对耕地和盐荒地土壤分别进行原位高光谱测定（FieldSpec 4 Hi-Res，ASD），对光谱数据进行多种光谱变换（基础数学变换、导数变换及光谱指数）后，分别基于特征波长和特征光谱指数构建单一土地类型盐分反演模型（耕地（Agricultural Land，AL）、盐荒地（Salinized Wasteland，SW））和整体盐分反演模型（耕地+盐荒地（Agricultural Land + Salinized Wasteland，AL+SW）），对比分析2种建模方式下的模型精度，提出区域土壤盐分遥感反演的最佳建模方式。结果表明：AL、SW和AL+SW中土壤样本数据的平均含盐量分别为5.09、13.42和7.09 g/kg，且在各等级盐分区间内，SW的光谱反射率均大于AL，其中轻度盐化土、中度盐化土和重度盐化土的光谱反射率平均差值分别为0.040、0.020和0.034；光谱变换和光谱指数均能有效改善不同土地类型中土壤盐分与光谱的相关性。相比基础变换（倒数、对数、根式等），导数变换不仅增大了敏感波长的范围，还使得特定波长处相关系数得到显著提升。不同土地类型中基于特征光谱指数的模型精度均高于基于特征波长的模型；单一土地类型盐渍化反演模型明显提高了区域土壤盐分的反演精度，单一土地类型盐渍化反演模型中（AL、SW模型）各变换下光谱指数模型平均R2相比整体模型（AL+SW模型）由0.50提高到了0.61，其中基础变换、一阶导数和二阶导数模型平均R2相比整体模型分别提高了0.06、0.11和0.17，同时，基于最优光谱指数的单一土地类型盐渍化反演模型平均R2相比整体模型由0.74提高到了0.92。因此，当区域中存在盐分相差较大的多种土地利用类型时，对不同土地利用类型单独构建土壤盐分反演模型能确保反演结果更接近实际情况。     

基于EPO-PLS回归模型的盐渍化土壤含水率高光谱反演

表层土壤含水率对于指导农业灌溉有重要的作用。研究表明,土壤光谱受到土壤水分和盐分的共同影响,但对于盐渍化地区的土壤含水率高光谱反演却很少涉及。该文通过对11组不同含盐量土壤室内蒸发过程连续监测,获取相关反射率光谱和水分、盐分的变化数据,利用外部参数正交化方法(external parameter orthogonalisation,EPO)预处理土壤光谱,滤除盐分(质量比0.1%~5.0%)的影响,建立经过EPO预处理后的偏最小二乘(partial least squares regression after EPO pre-processing,EPO-PLS)土壤水分预测模型。与偏最小二乘(partial least square model,PLS)模型相比,验证样本的决定系数R2和对分析误差RPD(residual predictive deviation)分别从0.722、1.976上升到0.898、3.145;均方根误差RMSE从5.087 g/(100 g)减少到3.237 g/(100 g)。通过EPO算法预处理后的模型性能提升显著,利用该方法能够有效的消除土壤盐分的影响,很好地实现盐渍化地区的水分含量估测。     

利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量

土壤盐渍化是导致全球荒漠化和土壤退化的主要诱因之一。为确定高光谱和多光谱遥感反演干湿季土壤含盐量的最优模型,该研究以宁夏银北平罗县为例,以干季(4月)和湿季(10月)实测高光谱和Landsat 8 OLI多光谱以及干湿两季实测土壤含盐量为基础数据源,利用相关系数法、灰度关联法和逐步回归法筛选敏感光谱数据,分别采用偏最小二乘、支持向量机、岭回归、BP神经网络和地理加权回归建立干湿两季土壤含盐量反演模型。结果表明:1)银北地区土壤盐渍化较为严重,干湿季含盐量均表现为强度变异,且干季变异程度大于湿季;2)在不同土壤含盐量条件下,重采样后的高光谱波段反射率和影像波段反射率具有显著相关性;3)对比相关性分析、灰度关联和逐步回归三组变量筛选方法下各模型R2和RMSE,逐步回归组模型整体效果较好;4)5种土壤含盐量反演模型中地理加权回归模型精度较高,支持向量机算法和BP神经网络算法在基于不同变量组的模型中表现较为接近,岭回归表现最差,偏最小二乘回归模型出现了较严重的"过拟合"现象。局部模型在土壤含盐量反演方面更具优越性。干季以实测灰度关联组-地理加权回归模型效果最佳,其验证决定系数Rp2和相对分析误差RPD分别为0.94和4.49;湿季以影像相关系数组-地理加权回归模型反演效果最好,其验证决定系数Rp2和相对分析误差RPD分别为0.96和4.83。研究结果可为当地及同类地区土壤盐渍化的识别、防治提供理论依据。     

基于改进植被指数的黄河口区盐渍土盐分遥感反演

快速获取土壤盐分的含量、特征及空间分布信息是盐渍土治理、利用的客观需求。该文针对黄河三角洲盐渍土,以垦利县为例,基于Landsat 8 OLI多光谱影像,在传统植被指数的基础上引入短波红外波段进行扩展,提出了改进植被指数;然后基于改进前后对应的植被指数,分别采用多元逐步回归(multivariable linear regression,MLR)、反向传播神经网络(back propagation neural networks,BPNN)和支持向量机(support vector machine,SVM)方法构建土壤盐分含量的遥感反演模型,并进行模型验证、对比和优选;最后基于最佳模型进行研究区土壤盐分含量的空间分布反演和分析。结果显示:相对传统植被指数,扩展后植被指数可增强与土壤盐分的相关性,大幅降低指数间的多重共线性;采用上述3种方法建模,改进后模型的精度比改进前都有提高,验证集决定系数R2提高0.04~0.10,均方根误差RMSE降低0.13~0.73,相对分析误差RPD提高0.25~0.34,改进后模型RPD均大于2.0,普遍达到性能良好;对比3种建模方法,SVM建模精度最高,BPNN模型次之,MLR分析精度最低,最佳模型为基于改进植被指数的土壤盐分含量支持向量机反演模型,建模集R2和RMSE为0.75、3.48,验证集R2、RMSE和RPD为0.78、3.02和2.56,模型较为准确、可靠;基于该模型反演的研究区土壤盐分含量整体较高,盐渍化程度空间分布表现为自西南部农业生产区至东北沿海区域逐渐加重,与实地调查一致。研究表明基于Landsat 8 OLI多光谱影像,引入第7波段对植被指数进行改进,从而构建土壤盐分含量的支持向量机模型,可获得较好的土壤盐分空间分布反演结果。     

Spatial prediction of saline and sodic soils in rice‒shrimp farming land by using integrated artificial neural network/regression model and kriging

In the context of widespread saline and sodic soil, mapping and monitoring spatial distribution of soil salinity and sodicity are important for utilization and management in agriculture lands. In this study, two-stage assessment was proposed to predict spatial distribution of saline and sodic soils. First, artificial neural network (ANN) and multiple linear regressions (MLR) model were used to predict sodium adsorption ratio (SAR) and exchangeable sodium percentage (ESP) based on soil electrical conductivity (EC) and pH. Then, the Kriging interpolation method combined with overlay mapping technique was used to perform saline spatial predictions in the study area. The model accuracy level is evaluated based on coefficient of determination (R²) and root mean square error (RMSE). In the first stage, the values of R² and RMSE of SAR and ESP were 0.94, 0.17 and 0.94, 0.24 for ANN, and 0.35, 0.52 and 0.34, 0.76 for MLR, respectively. Similarly, in the second stage, the RMSE of ANN-Kriging were much closer to 0 and relatively lower than MLR-Kriging and Kriging. The results show that ANN-Kriging can be used to improve the accuracy of mapping and monitoring spatial distribution of saline and sodic soil in areas that develop the rice-shrimp cultivation model.     

Spatial modeling of soil salinity using multiple linear regression,ordinary kriging and artificial neural network methods

Salinity as an important property of soil plays a major role in reducing the fertility in the world. Accurate information about the spatial change of soil salinity is essential for sustainable soil management and utilization in agriculture lands. For this purpose, 150 soil samples were collected from Dashte-e-Tabriz Iran and tested and soil salinity was estimated by land surface parameters including elevation, aspect, length of slope, wetness index, slope and normalized difference vegetation index as basic parameters. In order to model and predict the salinity, ordinary kriging (OK), artificial neural networks (ANN) and multiple linear regressions (MLR) were used. Accuracy of models was evaluated by the coefficient of determination (R²), root mean square error (RMSE) and mean absolute error (MAE). Based on Pearson correlation, elevation, normalized difference vegetation and wetness indices were selected for soil salinity spatial modeling from six land surface parameters. The results showed that the ANN had the lowest RMSE and highest R2. The values of R2, RMSE and MAE were 0.36, 25.89 and 17.06 for regression and 0.56, 17.70 and 13.05 for OK and 0.69, 16.06 and 11.60 for ANN, respectively, which indicated more accuracy of ANN in comparison with MLR and OK.     

基于无人机多光谱影像的土壤盐分反演模型

为探究不同作物覆盖下不同深度的土壤盐分快速反演模型,该研究采集苜蓿、玉米覆盖下0～15、15～30、30～50 cm层深度的土壤盐分含量,基于无人机多光谱影像数据,提取各地块采样点的光谱反射率,在此基础上引入红边波段计算光谱指数作为特征变量,采用支持向量机递归特征消除算法（Support vector machine-Recursive feature elimination,SVM-RFE）以筛选光谱指数及未经过筛选的全指数组作为模型输入组,共构建出36个基于随机森林（Random Forest,RF）、极限学习机（Extreme Learning Machine,ELM）、BP神经网络（Back-Propagation neural network）等机器学习模型,确定出不同作物覆盖下的最佳土壤盐分反演模型。结果表明：SVM-RFE算法筛选光谱指数构建模型精度优于未进行筛选构建的模型。对于苜蓿和玉米覆盖土壤,整体上,RF反演效果优于ELM模型和BPNN模型,反演结果能体现真实土壤盐分含量,在0～15和30～50 cm土层上,RF模型反演效果优于其他模型,苜蓿样地Rp2分别为0.71、0.58,RMSEp分别为0.026、0.033,玉米样地Rp2分别为0.67、0.64,RMSEp分别为0.111、0.094,在15～30 cm土层上ELM反演效果较好,苜蓿样地Rp2为0.58,RMSEp为0.039,玉米样地Rp2为0.68,RMSEp为0.059。0～15 cm是作物覆盖下的土壤含盐量最佳反演深度,验证集平均决定系数R2为0.65,均方根误差RMSE为0.084。研究结果可为土壤盐分的快速反演提供理论依据。     

黄河三角洲柽柳周边土壤钠吸附比分布特征及影响因素分析

  目的  黄河三角洲是极具特色的滨海盐生湿地,为探究该区域关键木本植物柽柳周围土壤钠吸附的特征及其影响因素。  方法  运用同心圆布点采样和相关分析等方法,对黄河三角洲柽柳周边土壤盐分离子、钠吸附比的空间分布及离子相互关系进行了分析。  结果  Cl?和Na+是柽柳周边土壤盐分构成的主要离子。Na+、Cl?和Mg2+在距离柽柳较近的表层土壤中含量较少,其含量随土壤深度增加而上升,呈现底聚现象,在距离柽柳较远的土壤中呈现表聚现象。Ca2+、SO₄2?和K+的表聚现象不受距离柽柳远近的影响。相关分析表明,柽柳周边土壤钠吸附比与Cl?、Na+、K+和Mg2+离子关系密切,与Na+的相关性最强。在0 ~ 40 cm土层中,距离柽柳100 cm以内的钠吸附比远低于150 cm以外区域。钠吸附比的变异系数随土层加深而减小,深层土壤钠吸附比与盐离子的相关性均不显著。  结论  柽柳对钠吸附比的影响在100 cm以内的0 ~ 40 cm土层中更为显著。土壤盐分与钠吸附比的空间分布受柽柳冠幅范围、植物根系吸收、凋落物堆积和降水淋溶等作用的影响。     

地理加权回归模型结合高光谱反演盐生植物叶片盐离子含量

快速、无损地估算盐生植物叶片盐离子含量在植物生长监测、耐盐植物筛选和土壤盐渍化监测等方面有实用价值。该研究以新疆艾比湖保护区内盐生植物为研究对象,通过分析植物叶片盐离子(K~+、Na~+、Ca~(2+)、Mg~(2+))含量与冠层高光谱数据的光谱变换和二维植被指数(比值型植被指数(ratiovegetationindex,RVI)、差值型植被指数(difference vegetation index,DVI)、归一化型植被指数(normalized difference vegetation index,NDVI))的相关性选取特征波段,构建基于地理加权回归模型(geographically weighted regression,GWR)的叶片盐离子含量估算模型,并与BP神经网络模型(back propagation neural network)进行对比,研究基于GWR模型估算干旱区盐生植物叶片盐离子的可行性。结果表明,选取特征波段集中表现在红及短波红外波段:K~+含量在反射率倒数的对数选取的红光区域内波段使用GWR估算效果最佳;Na~+的特征波段在光谱变换下集中于短波红外区域,二维植被指数集中在近红外、短波近红外及黄、橙、红区域,各种波段选取下GWR对Na~+的含量估算均有较好效果,但反射率对数的一阶估算效果最好;Ca~(2+)含量在反射率平方根的一阶微分下选取的短波红外波段通过GWR模型估算效果最好;Mg~(2+)含量在DVI选取的位于红光区域特征波段估算效果最佳,但使用GWR模型对Mg~(2+)的估算精度不及BP模型。分析基于GWR盐离子模型估算模型发现,含量较高的离子估算效果更好,K~+、Na~+的模型精度优于Ca~(2+)、Mg~(2+)。在使用GWR模型估算植物叶片盐离子含量时,特征波段均指向红及短波红外波段,符合植被光谱机理的响应。