查询字段 检索词
  土壤  2019, Vol. 51 Issue (3): 594-601  DOI: 10.13758/j.cnki.tr.2019.03.024
0

引用本文  

尼加提·卡斯木, 师庆东, 郭玉川, 茹克亚·萨吾提, 依力亚斯江·努麦麦提, 米合热古丽·塔什卜拉提. 基于EM38和WorldView-2影像的土壤盐渍化建模研究. 土壤, 2019, 51(3): 594-601.
NIJAT Kasim, SHI Qingdong, GUO Yuchuan, RUKEYA Sawut, ILYAS Nurmemet, MIHRIGUL Tashpolat. Mapping and Modelling of Soil Salinity Using WorldView-2 Data and EM38 in Arid Region of Keriya River, China. Soils, 2019, 51(3): 594-601.

基金项目

国家自然科学基金项目(U1703237)资助

通讯作者

郭玉川, (xjguoyuchuan@126.com)

作者简介

尼加提·卡斯木(1991—),男,维吾尔族,新疆伊宁人,博士研究生,主要研究方向为生态规划与管理。E-mail: NejatKasim@126.com
基于EM38和WorldView-2影像的土壤盐渍化建模研究
尼加提·卡斯木1,2 , 师庆东1,2 , 郭玉川1,2 , 茹克亚·萨吾提1,2 , 依力亚斯江·努麦麦提1,2 , 米合热古丽·塔什卜拉提1,2     
1. 新疆大学资源与环境科学学院,乌鲁木齐 830046;
2. 新疆大学绿洲生态教育部重点实验室,乌鲁木齐 830046
摘要:在干旱半干旱地区,土壤盐渍化是常见的土地退化问题之一。本研究选取于田县克里雅河上游边缘典型盐渍化区域作为研究靶区,通过EM38大地电导率仪实测土壤表观电导率,提取不同系数下的土壤调节植被指数(SAVI),分析了SAVI指数与土壤电导率间的相关性,并利用同时期WorldView-2影像的敏感波段建立了基于高分辨率影像数据的土壤盐渍化偏最小二乘回归(PLSR)模型并进行了精度验证。结果表明:①从遥感影像提取SAVI指数时,在系数(L)调节范围内选取固定系数值,系数值(间隔为0.1)从0.1变化到1.0的过程中,相应提取的SAVI指数与土壤电导率的相关性明显提升,相关性系数(r)从0.30提高到0.50,并通过显著性检验(P < 0.01)。②选取的SAVI1.0、B6、B7、B8四种变量中,以SAVI1.0+B6+B8为变量组合所建立的PLSR模型为最优,该模型较其他变量组合建模的决定系数(Rp2)提高了0.11,因此,在研究区该模型具有更好的预测能力,模型精度为RMSEC=0.77 dS/m、RC2=0.68、RMSEP=0.79 dS/m、RP2=0.66、RPD=2.2。
关键词克里雅河    盐渍化    土壤调节植被指数    EM38    WorldView-2影像    

土壤盐渍化是指土壤底层或地下水的盐分随毛管水上升到地表,水分蒸发后,使盐分积累在表层土壤中的过程,也称盐碱化[1]。土壤盐渍化现象通常发生在降雨量稀少,土壤水分蒸发量较大,地下水位高且可溶性盐分含量较多的干旱、半干早地区,目前已成为全球性环境问题。过度的土壤盐渍化会导致不同程度的土地退化和荒漠化,直接和间接地影响人类社会经济的发展、农业的稳定生产和生态环境的可持续发展。及时监测绿洲地区土壤盐渍化时空分布信息,分析土壤盐渍化程度,对保护该地区生态环境的稳定性、实现农业生产可持续发展起着至关重要的作用[2]

利用遥感技术监测土壤盐渍化始于20世纪70年代。研究初期,利用多波段、多时相的遥感数据对盐渍土和盐生植被进行监测是研究的热点问题[3]。近几十年来,国内外诸多学者对土壤盐渍化的遥感反演研究做出了重要的贡献,呈现了较好的反演结果。Roger等[4]1984年利用光谱反射率研究地物特征,为后续地物特征高光谱遥感反演研究提供了理论基础。Lhissoui等[5]利用Landsat-TM多光谱遥感影像波段与实测电导率数据进行相关性分析,通过半经验模型对土壤盐渍化进行了反演。Nawar等[6]用实测数据与ASTER数据相结合,分别建立了基于偏最小二乘回归(PLSR)和高维数据回归(MARS)的土壤含盐量预测模型,认为MARS模型的预测精度高于PLSR模型。Asfaw等[7]和Gorji等[8]利用Landsat影像提取盐分指数,通过线性回归和指数归回对实测电导率数据与盐分指数进行拟合,选取最优盐分指数进行了土壤盐渍化遥感反演。关元秀等[9]利用实测数据、地物光谱数据和Landsat/TM数据相结合建立地物与影像之间的关系,定量反演了黄河三角洲地区土壤含盐量,并进行了黄河三角洲地区土壤盐渍化分级。姚远[10]通过典型研究区不同盐渍化土壤光谱反射率数据的变换和分析,选择与土壤含盐量响应敏感波段,建立了实测高光谱土壤含盐量反演模型,以校正HSI影像建立的土壤含盐量反演模型。彭杰等[11]通过分析土样的高光谱数据和室内测定的盐分与电导率数据,研究了耕作土壤含盐量与电导率的关系,并比较了含盐量和电导率与不同光谱指标的相关性以及二者高光谱反演的精度。王爽等[12]以实测获取不同程度盐渍化土壤的高光谱反射率及土壤含盐量,从中优选出对不同盐渍化程度土壤最为敏感的光谱波段,结合Landsat-TM多光谱遥感影像构建了最佳土壤盐渍化监测模型,并用此模型实现了大尺度下高精度土壤盐分的定量反演;马驰[13]通过对GF-1遥感影像的反射率及其变换形式与土样含盐量进行相关性分析,获得盐碱的敏感波段,最后以多元逐步回归分析的方法建立了土壤含盐量反演模型,反演了研究区土壤含盐量。上述研究成果为探索地物光谱特征与土壤特性的定量关系开辟了新的方向。

以往估算土壤盐渍化的研究大多利用单个敏感波或敏感光谱指数进行建模,而采用多个敏感波段与敏感光谱指数综合建模的研究相对较少,这可能会造成敏感波段及指数无法充分利用,导致模型精度在一定程度上受到制约。基于此,本研究选取内陆干旱区于田克里雅河流域为研究区,利用353个土壤表观电导率(ECa)为数据源,结合WorldView-2高分辨率遥感影像的敏感波段及提取的土壤调节植被指数(SAVI),分析变量之间的不同组合方式对PLSR模型估算荒漠土壤盐渍化的可能性,并选取最优变量组合方式,以提高干旱区荒漠土壤盐渍化空间高分辨率分布的预测精度,为土壤盐渍化等相关研究及当地精准农业提供科学支持和应用参考。

1 材料与方法 1.1 研究区概况

于田绿洲地处塔克拉玛干沙漠南缘与昆仑山北坡之间的冲积平原(图 1),地理位置81°09′ ~ 82°51′ E,35°14′ ~ 39°29′ N,整个县域东西宽大约为30 ~ 120 km,南北长约为466 km,总面积4.03万km2,下辖19个乡级行政区,总人口为23万[14]。克里雅河流域位于塔克拉玛干沙漠南缘,昆仑山中段北部,受大陆性干旱气候和山盆相间的地貌格局影响,流域中部发育了典型的绿洲-荒漠生态系统[15]。四季分明、昼夜温差大、降水稀少、蒸发量大、春夏多风沙是该流域的显著气候特点,其属于典型的极端干旱区。平原绿洲年降水量仅14 mm左右,蒸发量则高达2 500 mm左右,土地利用方式主要以农业为主,主要农作物为棉花,主要依靠山区冰雪融化水和部分地下水灌溉。地下水包括碱性、弱硬水-极硬水、淡水、弱矿化水和中等矿化水在研究区内均有分布。流域范围内土壤盐渍化和沙漠化现象共存,严重制约着植被生长和绿洲农业的发展,生态十分脆弱[16]

图 1 研究区位置和采样点分布 Fig. 1 Location of study area and sampling sites
1.2 样点布设与数据获取

采样方案涉及数据采集的准确性,是确保研究开展的前提条件。采样前采样时间、方法与规范等因素必须进行详细考虑。本研究EM38数据采集于2014年10月6日,当天天气良好,无风无云。采用2 m × 2 m近似格网系统采集法,目的是和高分辨率影像数据分辨率一致。采样过程中在使用手持GPS仪选定353个点位(图 1)的基础上,获取每个点位的EM38数据,包含垂直模式与水平模式下的两种数据。在测量过程中,EM38电导仪始终沿东西方向放置。EM38电导仪主要是应用电磁感应原理,通过测量原生磁场和诱导出的次生磁场的相对关系来测量大地电导率。分析所采集的原始数据,剔除由于人为因素导致的不合理数据,结合前人研究[17-19]计算采样点的表观电导率(ECa)。数据采集时,在2 m × 2 m网格中采集5个点的数据代表 1个采样点,即每个采样点的ECa为5个点的平均值,以减少测量时人为和自然因素所导致的误差。

1.3 光谱指数与敏感波段提取

本研究选取内陆干旱区于田县克里雅河流域边缘为研究靶区,以购买的WorldView-2高分辨率影像为数据源,大小为2 531 × 2 524像元,获取时间为2014年10月6日。为了建立基于高分辨率多光谱影像的土壤表观电导率预测模型并提高分布分辨率与预测精度,充分利用高分辨率影像数据,对影像进行几何校正,之后利用cost模型进行大气校正,并进行反射率反演等预处理[20]

Dwivedi等[21]通过WorldView-2遥感影像(1、3、5波段)波段组合来提取土壤盐渍化信息,结果显示波段的组合应用到波段转换使得盐渍化信息更加明显,减小了土地利用类型的光谱信息。本研究对采样点范围进行裁剪,利用预处理的遥感影像选取敏感波段,选取的依据是波段反射率与土壤电导率之间的相关性程度,通过显著性检验(P < 0.01)的波段为敏感波段。同时,结合前人对光谱指数与盐渍化的研究,选取可调试系数的光谱指数(SAVI),以解释土壤背景光学特征的变化,修正土壤背景对光谱指数的敏感度。该光谱指数与植被指数(NDVI)相比较,增加了根据实际情况确定的土壤调节系数(L),系数取值范围为0 ~ 1。当L=0时,该调节植被指数表示NDVI[22]。SAVI的计算公式为:

$ {\rm{SAVI}} = ({\rm{NIR}} - {\rm{R}}) \times (1 + L)/({\rm{NIR + R}} + L) $ (1)

式中:NIR是近红外波段;R是红波段;L是随着植被指数变化的参数。

结合SAVI指数的系数取值范围,本研究尝试利用影像提取不同系数下的SAVI指数。当系数值L= 0.1 ~ 1.0,间隔为0.1时,调节植被指数对应为SAVI0.1~1.0。利用ArcGIS软件提取样点对应的10种SAVI0.1~1.0值,通过SPSS软件对不同系数下的光谱指数与土壤电导率进行相关性分析,通过显著性检验(P < 0.01)并相关系数达到最高时,该调节土壤亮度的植被指数为最优光谱指数。

1.4 模型建立与验证

本研究以提取的敏感波段及最佳光谱指数为数据源,利用PLSR建立土壤盐渍化估算模型。通过对比各模型的校正均方根误差(RMSEc)、建模决定系数(Rc2)、预测均方根误差(RMSEp)、预测决定系数(Rp2)、相对分析误差(RPD),筛选出最优模型用以对研究区土壤盐渍化进行遥感反演。R22用以判定模型的稳定程度,越接近于1,模型的稳定性越好;RMSEp用于表征模型的准确性,其值越小表明模型的精度越高。另外,当RPD < 1.4时,模型不可用;RPD≥1.4或<2时,模型估算效果一般,RPD≥2时,模型具有较好的定量预测能力[23]

2 结果与分析 2.1 土壤表观电导率

本研究对野外实测土壤ECa数据进行了统计与分析,并根据实际野外情况对建模数据与验证数据进行了分类。为了使建模集和验证集可以充分反映研究区ECa的实际情况,将353个样本按照ECa值从高到低进行排序,等间隔抽取253个作为建模集与100个作为验证集样本。由采样点ECa的描述性统计特征(表 1)可见,建模集和验证集对应的ECa均值分别为4.57 dS/m和4.69 dS/m,变异系数分别为43.54%和46.90%;研究区所有采样点的ECa平均值为4.60 dS/m,变异系数为44.57%,属中等变异程度(15% < CV < 100%)[24],介于建模集和验证集表观电导率的均值和变异系数之间。

表 1 采样点土壤ECa统计特征(dS/m) Table 1 Statistical characteristics of ECa of sampling sites
2.2 土壤表观电导率与遥感数据的相关性

本研究分析了ECa与不同系数下SAVI指数间的相关性(图 2A)。从图 2A可知,系数L从0.1 ~ 1.0(间隔为0.1)的变化过程中,SAVI指数与ECa的相关性逐渐提升后变为稳定,当L=1.0时,SAVI1.0与ECa之间的相关性达到最高,并通过了显著性检验(P < 0.01),即SAVI1.0为最佳光谱指数。从高分辨率影像选取敏感波段是本研究的重点之一。应用ENVI-5.3软件提取高分辨率影像的可见光以及近红外光共8个对应样点的波段反射率值,与ECa进行Pearson相关分析(图 2B),以选取对土壤盐渍化最佳敏感的波段。研究发现,可见光波段反射率对土壤盐渍化的敏感程度比较弱,近红外波段(B6、B7、B8)反射率与土壤盐渍化之间呈现较好的相关性。

(图中B1~B8表示可见光及近红外光8个波段的反射率) 图 2 特征参数与Eca的相关性分析 Fig. 2 Correlation analysis between characteristic parameters and Eca
2.3 土壤表观电导率的PLSR建模

本研究以克里雅河边缘典型盐渍化区域的ECa、高分辨率影像、提取的最优光谱指数及敏感波段为数据源,利用PLSR建立土壤盐渍化反演模型,建立的8个PLSR模型的建模变量组合、RMSEcRc2、RMSEpRp2、RPD等参数如表 2所示。根据模型的精度参数,对建立的8个模型进行筛选,发现RPD≥2的模型数量为3,分别为SAVI1.0+B6+B7、SAVI1.0+B6+B8、SAVI1.0+B6+B7+B8变量组合建立的PLSR模型,其余模型的RPD<2,对土壤盐渍化的反演能力很弱。利用ECa验证数据集对所建立的模型进行预测精度验证(图 3),对模型的精度参数(RMSEcRc2、RMSEpRp2、RPD)和敏感波段及最优光谱指数不同组合进行综合对比,发现以SAVI1.0+B6+B8为变量组合所建立的模型为最优,该模型的RMSEp=0.79 dS/m、Rp2= 0.66、RPD=2.2;而基于全部参数为变量时,建立的预测模型精度参数略低于最优模型,精度参数分别为RMSEp=0.85 dS/m、Rp2=0.63、RPD=2.0。

表 2 不同变量组合建模精度分析 Table 2 Accuracy assessment for models under different combination of variables

图 3 土壤电导率模型预测值与实测值的验证 Fig. 3 Scatter plots of predicted and measured Ecas
2.4 土壤盐渍化遥感反演及高分辨率制图

土壤盐渍化的高精度遥感反演及高分辨率制图是该研究领域的热点问题之一。土壤盐渍化的空间分布及分布的界限对该研究领域农作物危害的减少具有指导意义。本研究通过上述具有反演能力的PLSR模型,结合高分辨率遥感影像进行土壤盐渍化高分辨率制图(图 4A)。参考Farifteh等[25]对土壤电导率的分类等级规范,本研究区土壤盐渍化等级分为4种类型,分别为ECa= 0 ~ 2 dS/m为轻度盐渍地,ECa=2 ~ 4 dS/m为中度盐渍地,ECa=4 ~ 8 dS/m为盐渍地,ECa≥8 dS/m为重度盐渍地。本研究未涉水体的采样,对高分辨率反演结果图进行处理时,将水体部分ECa赋值为0。结合研究区的高分辨率植被指数空间分布情况,与土壤盐渍化空间分布进行比较,可更好地验证反演模型对土壤盐渍化的识别能力。分析发现,土壤盐渍化主要分布在克里雅河流域边缘及植被覆盖度比较低的区域,植被覆盖度变化与土壤盐渍化程度呈现相反趋势。如ECa>8 dS/m区域范围内,植被覆盖度很低,而ECa值越小的区域范围内,植被覆盖度越高,即植被覆盖越高,盐渍化程度越低。

图 4 土壤盐渍化空间分布和植被指数NDVI空间分布 Fig. 4 Distribution of soil salinity and NDVI
3 结论

1) 从遥感影像提取SAVI指数时,在系数(L)调节范围内选取固定系数值,系数值(间隔为0.1)从0.1 ~ 1.0的过程中,相应提取的SAVI指数与ECa的相关性明显地提升,相关性系数(r)从0.30提高到0.50,并通过显著性检验(P < 0.01)。

2) 选取的SAVI1.0、B6、B7、B8四种变量中,以SAVI1.0+B6+B8为变量组合所建立的PLSR模型为最优,较其他变量组合建模,该模型的决定系数(Rp2)提高了0.11。因此,在研究区该模型具有更好的预测能力,模型精度为RMSEc=0.77 dS/m、RC2=0.68、RMSEP=0.79 dS/m、RP2=0.66、RPD=2.2。

参考文献
[1]
阿斯古丽·木萨, 阿不都拉·阿不力孜, 瓦哈甫·哈力克, 等. 新疆克里雅绿洲土壤盐分、pH和盐基离子空间异质性分析[J]. 土壤, 2017, 49(5): 152-159 (0)
[2]
Sidike A, Zhao S, Wen Y. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 26(2): 156-175 (0)
[3]
翁永玲, 宫鹏. 土壤盐渍化遥感应用研究进展[J]. 地理科学, 2006, 26(3): 369-375 DOI:10.3969/j.issn.1000-0690.2006.03.019 (0)
[4]
Roger N C, Ted L R. Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications[J]. Journal of Geophysical Research: Solid Earth, 1984, 89(B7): 6329-6340 DOI:10.1029/JB089iB07p06329 (0)
[5]
Lhissoui R, Harti A E, Chokmani K. Mapping soil salinity in irrigated land using optical remote sensing data[J]. Eurasian Journal of Soil Science, 2014, 3(2): 82-88 (0)
[6]
Nawar S, Buddenbaum H, Hill J. Digital Mapping of Soil Properties Using Multivariate Statistical Analysis and ASTER Data in an Arid Region[J]. Remote Sensing, 2015, 7(2): 1181-1205 DOI:10.3390/rs70201181 (0)
[7]
Asfaw E, Suryabhagavan K V, Argaw M. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia[J]. Journal of the Saudi Society of Agricultural Sciences, 2016(9): 250-258 (0)
[8]
Gorji T, Tanik A, Sertel E. Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey[J]. Ecological Indicators, 2017, 74: 384-391 DOI:10.1016/j.ecolind.2016.11.043 (0)
[9]
关元秀, 刘高焕, 刘庆生, 等. 黄河三角洲盐碱地遥感调查研究[J]. 遥感学报, 2001, 5(1): 46-52 (0)
[10]
姚远. 基于实测高光谱和电磁感应数据的区域土壤盐渍化遥感监测研究[J]. 光谱学与光谱分析, 2014, 33(7): 1917-1921 DOI:10.3964/j.issn.1000-0593(2014)07-1917-05 (0)
[11]
彭杰, 王家强, 向红英, 等. 土壤含盐量与电导率的高光谱反演精度对比研究[J]. 光谱学与光谱分析, 2014, 34(2): 510-514 DOI:10.3964/j.issn.1000-0593(2014)02-0510-05 (0)
[12]
王爽, 丁建丽, 王璐, 等. 基于地表光谱建模的区域土壤盐渍化遥感监测研究[J]. 干旱区地理, 2016, 39(1): 190-198 (0)
[13]
马驰. 基于GF-1遥感图像土壤含盐量反演研究[J]. 中国农村水利水电, 2017(5): 5-8 DOI:10.3969/j.issn.1007-2284.2017.05.002 (0)
[14]
姜红涛, 塔西甫拉提·特依拜, 买买提·沙吾提, 等. 于田绿洲土壤盐渍化动态变化研究[J]. 土壤通报, 2014, 45(1): 123-129 (0)
[15]
程仲雷, 海米提·依米提. 克里雅河流域水资源承载力初步研究[J]. 安徽农业科学, 2011, 39(35): 21997-21999 DOI:10.3969/j.issn.0517-6611.2011.35.159 (0)
[16]
韩桂红, 塔西甫拉提·特依拜, 买买提沙吾提, 等. 基于典范对应分析的干旱区春季盐渍化特征研究[J]. 土壤学报, 2012, 49(4): 681-687 (0)
[17]
姚荣江, 杨劲松, 邹平, 等. 基于电磁感应仪的田间土壤盐渍度及其空间分布定量评估[J]. 中国农业科学, 2008, 41(2): 460-469 DOI:10.3864/j.issn.0578-1752.2008.02.020 (0)
[18]
姚荣江, 杨劲松, 姜龙. 电磁感应仪用于土壤盐分空间变异及其剖面分布特征研究[J]. 浙江大学学报农业与生命科学版, 2007, 33(2): 207-216 (0)
[19]
刘广明, 杨劲松, 鞠茂森, 等. 电磁感应土地测量技术及其在农业领域的应用[J]. 土壤, 2003, 35(1): 27-29 DOI:10.3321/j.issn:0253-9829.2003.01.007 (0)
[20]
赵莹, 王环, 方圆. 基于WorldView-2的遥感影像预处理[J]. 测绘与空间地理信息, 2014(6): 165-167 DOI:10.3969/j.issn.1672-5867.2014.06.061 (0)
[21]
Dwivedi R S, Rao B R M. The selection of the best possible Landsat TM band combination for delineating salt-affected soils[J]. International Journal of Remote Sensing, 1992, 13(11): 2051-2058 DOI:10.1080/01431169208904252 (0)
[22]
Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote sensing of environment, 1988, 25(3): 295-309 DOI:10.1016/0034-4257(88)90106-X (0)
[23]
屈永华, 段小亮, 高鸿永, 等. 内蒙古河套灌区土壤盐分光谱定量分析研究[J]. 光谱学与光谱分析, 2009, 29(5): 1362-1366 DOI:10.3964/j.issn.1000-0593(2009)05-1362-05 (0)
[24]
Ghulam A Q, Zhu Q L, Abdrahman P. Satellite remote sensing of groundwater: quantitative modelling and uncertainty reduction using 6s atmospheric simulations[J]. International Journal of Remote Sensing, 2004, 25(23): 5509-5524 DOI:10.1080/01431160410001719821 (0)
[25]
Farifteh J, Meer F V D, Atzberger C, et al. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN)[J]. Remote Sensing of Environment, 2007, 110(1): 59-78 DOI:10.1016/j.rse.2007.02.005 (0)
Mapping and Modelling of Soil Salinity Using WorldView-2 Data and EM38 in Arid Region of Keriya River, China
NIJAT Kasim1,2 , SHI Qingdong1,2 , GUO Yuchuan1,2 , RUKEYA Sawut1,2 , ILYAS Nurmemet1,2 , MIHRIGUL Tashpolat1,2     
1. College of Resources and Environmental Sciences, Xinjiang University, Urumqi 830046, China;
2. Key Laboratory of Oasis Ecology Under Ministry of Education, Xinjiang University, Urumqi 830046, China
Abstract: Soil salinity is one of the factors for land degradation, especially in the arid and semi-arid regions. In this paper, the typical salinity region in the upstream margin of Keriya River in Yutian County of Xinjiang was taken as the study object, EM38 sensor was used to in situ measure soil apparent electrical conductivity (ECa), WorldView-2 images were used to extract adjusted soil vegetation index (SAVI) under different conditions, and PLSR model derived from SAVI and ECa was setup to estimate soil salinization. The results showed that the correlation between SAVI and ECa was increased significantly from 0.30 to 0.5 when the adjusted parameter (L) increased from 0.1 to 1.0. The optimal model was established by using the combination of SAVI1.0+B6+B8, its determination coefficient (Rp2) was promoted by 0.11 compared with those of models derived from other variable combination, the validation coefficients were RMSEC=0.77, RC2=0.68, RMSEP=0.79, RP2=0.66, RPD=2.2. Therefore, the model derived from different variable combination can provide a fast and accurate method for monitoring soil salinization.
Key words: Keriya River    Soil salinity    SAVI    EM38    WorldView-2