《Computers and Electronics in Agriculture》：Precision mapping of soil salinity in reclaiming salt-induced wasteland with UAV multispectral images and machine learning
编辑推荐：
本研究通过开发SFE光谱指数并结合环境因子，在陕西洛惠渠灌区采用ELM和RFC算法实现了高精度土壤含盐量估算，并生成了数字地图，验证了SFE指数在复杂盐渍化环境中的有效性。
姚海松|张天斌|陈松岭|匡旭新|程宇|梁青|冯浩|周高峰|Kadambot H.M. Siddique
中国科学院土壤与水资源保护及荒漠化控制国家重点实验室，土壤与水资源保护及生态环境研究中心，教育部，中国陕西省杨凌市712100
摘要
准确及时地识别土壤盐度的空间分布和程度对于盐碱荒地的恢复至关重要。这为快速划定盐斑中心、分区盐渍化区域以及合理规划修复区域提供了决策支持。本研究探讨了从多光谱（MS）波段组合中衍生盐渍化特征增强（SFE）光谱指数来估算中国陕西省洛惠渠灌区田间土壤盐分含量（SSC）的潜力。使用皮尔逊相关系数和变量迭代空间收缩方法（VISSA）分析了SFE指数和传统光谱指数（SIs）对SSC的敏感性。我们在复杂的土壤盐渍化环境下评估了这些指数在幼苗期估算地表SSC的准确性，并分析了不同空间分辨率和采样密度的影响。采用极端学习机（ELM）和随机森林分类器（RFC）反演地表SSC并生成数字土壤盐度图。结果表明，SFE指数（|r| = 0.58）与SSC的相关性优于SIs指数（|r| = 0.26），表明其在地表SSC反演方面表现更优。纳入环境协变量提高了模型的反演准确性和稳定性。样本数据集通过分层抽样分为70%的训练集和30%的测试集。使用SFE指数和SIs以及ELM和RFC算法开发了地表SSC预测模型。ELM_SFE模型（准确率=0.68）和RFC_SIs模型（准确率=0.69）取得了最佳的预测效果。ELM_SFE模型在严重盐碱化荒地中表现最佳，RFC_SFE模型在中度盐碱化荒地中表现最佳。本研究为盐碱荒地恢复中的精准农业管理提供了宝贵的见解。
引言
盐碱化土壤是未来土地开发的关键资源（Yan等人，2024年）。全球约33%的土地表面已经退化（Li等人，2022年）。作为全球普遍存在的土壤退化形式，盐碱化影响了亚洲4.6636亿公顷的表层土壤和3.7768亿公顷的亚表层土壤（Li等人，2025年；Liu等人，2024a年）。中国盐碱化土壤面积约为1亿公顷，其中超过80%尚未得到开发（Xie等人，2021年）。由于其不良的物理化学性质，盐碱化土壤已成为全球农业和粮食安全的关键问题，因为它会引发植物的广泛生理和生化变化（Jat Baloch等人，2023年）。在盐碱荒地恢复过程中研究地表SSC的传输对于开发潜在土地资源和确保粮食安全至关重要。盐碱荒地的恢复涉及大量的盐分传输和地表盐度的空间变异性，这使得创建大尺度数字土壤盐度图变得困难。
传统上，SSC的估算主要依赖于人工采样和地面监测站。人工检测通过结合现场采样和实验室分析提供准确的离散数据。另一种方法是使用便携式电磁感应（EMI）设备进行原位测量，但这会产生不太准确的连续数据（Wang等人，2025b年）。另一方面，遥感技术提供了更大的空间覆盖范围，并能够实现大规模的土壤属性监测。光学遥感图像，如HJ-1（Wang等人，2020年）、Sentinel-2（He等人，2023年）、Landsat-8（El-Rawy等人，2024年）和MODIS（Zare等人，2019年）因其多数据源、丰富的光谱波段和高空间分辨率而广泛用于监测土壤盐碱化。然而，监测站成本高昂且空间覆盖范围有限。人工检测劳动强度大，数据量有限，覆盖范围也有限。此外，卫星遥感受到云层覆盖和固定重访周期等因素的限制，从而降低了其时空分辨率。在这种情况下，无人机（UAV）遥感技术的发展在一定程度上弥补了这些不足。UAV通过提供广泛的覆盖范围、高质量图像和可适应的时空分辨率，改善了土壤盐度监测能力。Sofia等人（2025年）利用基于UAV的多光谱和RGB图像计算植被健康指数以评估干旱胁迫强度。Amarasingam等人（2025年）结合无人机多光谱图像和深度学习算法绘制了农作物害虫侵染图。UAV多光谱技术和机器学习（ML）的整合主要应用于均匀的荒地或田间条件，而在盐碱荒地恢复中的应用仍然相对有限。
土壤盐度与土壤反射率之间存在非线性关系（Wang等人，2025a年），这使得基本的线性回归分析和皮尔逊相关系数方法不足以准确估算盐度。土壤盐度升高通常会导致可见光和近红外（NIR）波段的反射率增加（Ma等人，2025a年）。机器学习算法本质上具有非线性拟合能力（Wan等人，2023年），并包含多种可以解决复杂问题的数学模型。光谱指数是从光谱图像中提取的中间参数，用于解释地表特征。可以直接使用盐度指数估算裸土的盐度，也可以通过植被指数间接评估，通过量化植物表现出的盐胁迫程度（Liu等人，2025年）。常用的土壤盐度估算机器学习模型包括浅层学习、神经网络和集成学习（Lei等人，2023年；Liu等人，2025年）。传统植被指数和盐度指数的发展基于土壤湿度和盐度如何影响光谱响应的研究，研究范围从实验室尺度到卫星尺度（Liu等人，2024a年；Wang等人，2025a年）。在均匀的田间尺度上，这些指数继续表现出优异的估算性能（Ma等人，2025b年）。然而，在盐碱荒地恢复过程中，土壤表面表现出复杂的盐度空间分布和极宽的盐度范围。由于传统光谱指数的相关性降低以及机器学习模型的适用性改变，土壤盐度估算的准确性受到影响（Zhao等人，2025年）。土壤水分和盐分的传输受物理模型控制。可以从预处理后的遥感图像中提取的环境协变量用于估算土壤盐度（Pour Marvi和Moharami，2025年）。改进的光谱指数可以更准确地反映土壤盐度信息（Zhao等人，2025年）。结合环境协变量和改进的光谱指数可以提高预测模型的泛化能力、反演准确性和可解释性（Ma等人，2025a年；Sui等人，2025年）。本研究通过提出基于高光谱最优波段组合算法（OBCA）的盐渍化特征增强光谱指数，解决了盐碱荒地恢复中复杂的地表土壤盐度分布问题。此外，该研究还探讨了不同机器学习方法的适用场景，通过整合环境协变量。
不同模型和指数对地表SSC反演的有效性取决于特定的数据特征，这些特征本质上受到数据获取的空间尺度和成本的限制。本研究旨在：（1）建立新的盐渍化特征增强光谱指数，并基于最优波段组合开发特征指数筛选框架；（2）通过结合环境协变量和机器学习算法提高SSC的预测准确性；（3）生成高分辨率的SSC空间分布图，以便快速识别盐斑中心和盐度等级分类，为反演建模策略提供定制化的指导。
研究区域
2024年11月，在中国陕西省渭南市大荔县（34°54′39″ N, 109°57′56″ E）进行了野外实验（图1）。盐碱化研究区域位于洛惠渠灌区的东部。地形主要为平坦地带，海拔345米，向南有轻微倾斜。该地区年平均降雨量仅为514毫米，主要集中在夏季。年平均气温约为14.4°C。
盐渍化特征增强光谱指数
与传统的光谱指数相比，盐渍化特征增强光谱指数在土壤盐度估算方面表现出更优的性能。当应用于ELM模型时，SFE指数取得了最高的预测准确性。此外，它们在RFC模型中也表现出最大的预测稳定性。SFE指数的一个关键优势是对不同样本大小的鲁棒性。对于相同的模型，使用SFE指数可以获得更好的整体预测准确性。
特征指数优化与增强
特征指数是基于机器学习的反演模型中估算地表SSC的关键组成部分。这些指数是根据定义的公式得出的，用于放大不同波段之间的光谱吸收差异。例如，经典的归一化植被指数（NDVI）是通过利用近红外和红光波段之间的植被吸收对比计算得出的。
结论
本研究成功证明了基于SFE指数和环境协变量的模型在监测盐渍化恢复荒地方面具有很高的适用性，这些荒地的盐度范围非常广泛（1.99–32.09 dS/m），而不适用于非盐碱化耕地和盐度较低的盐碱地（ECe < 2 dS/m）。新型光谱指数SFE与土壤盐度的相关性更高，适用范围也更广。
姚海松：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件、方法论、正式分析、数据管理、概念化。
张天斌：撰写 – 审稿与编辑、监督、资金获取、正式分析。
陈松岭：调查、数据管理。
匡旭新：验证、调查。
程宇：验证、方法论。
梁青：调查、数据管理。
冯浩：撰写 – 审稿与编辑、监督。
周高峰：撰写 –
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
本工作得到了国家重点研发计划（2023YFD2001400）；陕西省重点研发计划（2024NC-YBXM-234）；中国人力资源和社会保障部外国专家计划（H20240239）的支持。
