《Agricultural Water Management》：Out-scaling apparent conductivity from ground acquired electromagnetic induction using satellite reflectance data to assess regional salinity and waterlogging
编辑推荐：
本研究针对恒河-布拉马普特拉河三角洲（CZGBD）约5400万人口面临的土壤盐渍化与渍涝严重威胁粮食安全的问题，开发了一种创新方法。研究人员通过将19次地面电磁感应（EMI）测量的表观电导率（ECa）数据与Sentinel-2卫星10米分辨率反射率数据相结合，构建随机森林模型（RFM），成功预测了2019至2023年间区域尺度上5个级别的ECa（从低到重度），交叉验证精度达66%。所生成的地图可用于指导渍涝缓解（排水系统）投资、优化灌溉网络升级、支持改进耕作系统以减少Rabi季节作物歉收风险，并为供应链投资或管理决策提供信息。
在孟加拉湾沿岸，恒河-布拉马普特拉河三角洲孕育着超过5400万人口，这片广袤的土地是全球最大的三角洲系统，也是重要的农业经济区。然而，在每年11月至次年3月的干季（Rabi季节），土壤盐渍化和渍涝问题如同一对“双生恶魔”，严重制约着农业生产，威胁着当地的粮食安全。盐分随海水倒灌向内陆入侵，同时排水不畅导致田间积水，两者共同作用，使得大片肥沃的土地生产力下降。尽管当地已尝试开发耐盐作物品种、调整耕作日历、实施雨水收集及修复传统潮汐河流管理系统等多种适应性策略，但有效监测和预测土壤盐分动态的工具依然缺乏。面对这片面积约3.74万平方公里的区域，传统的、劳动密集型的现场土壤采样或小范围电磁感应（EMI）调查方法，显然难以满足区域尺度上高效、动态的监测需求。因此，如何利用现代遥感技术，突破地面点状测量的局限，实现对区域盐渍化与渍涝状况的精准、快速评估，成为一个亟待解决的科学问题。为了回答这个问题，一个由澳大利亚联邦科学与工业研究组织（CSIRO）农业与食品部门领衔的国际研究团队，在《Agricultural Water Management》上发表了一项开创性研究。
研究者们开发了一种名为“升尺度外推”的新技术。该方法的核心在于整合了两种不同尺度的数据源：一种是来自地面的高精度测量——利用便携式DualEM1HS仪器在农田中进行19次大面积EMI行走调查，获取土壤表观电导率（ECa），ECa是反映土壤盐分、水分和粘土含量的综合指标；另一种是来自太空的广域观测——利用Sentinel-2卫星提供的10米空间分辨率多光谱反射率数据。研究团队将高空间分辨率（1米）的EMI数据重采样至10米以匹配卫星像元，然后采用K-means聚类分析将连续的ECa值划分为5个类别（从低到严重）。最后，他们以Sentinel-2的原始波段以及计算出的盐分指数（如亮度指数BI、归一化盐分指数NDSI）和植被指数（如归一化植被指数NDVI、增强植被指数EVI）作为预测因子，构建了一个随机森林模型（RFM），用以建立地面ECa类别与卫星光谱特征之间的关联模型，进而将该模型应用于整个三角洲区域，生成了2019至2023年每年Rabi季节的区域ECa等级分布图。模型在预测这5个ECa类别时，交叉验证的总体准确率达到66%，科恩卡帕系数为0.54，表明模型具有合理的预测能力。
研究团队为开展此项研究，综合运用了几项关键技术方法：
- 1.
地面数据采集与处理：使用便携式DualEM1HS电磁感应仪在Rabi季节的农业用地（主要是休耕地，部分有Rabi作物或杂草）进行行走调查，获取四个不同探测深度（0–0.3 m, 0–0.5 m, 0–0.8 m, 0–1.6 m）的ECa数据。数据经过预处理剔除异常值后，采用普通克里金法进行空间插值，生成1米分辨率的ECa图，再重采样平均至10米分辨率以匹配卫星数据。
- 2.
卫星数据预处理与特征提取：从Google Earth Engine获取与EMI调查时间重叠的、中值合成的无云Sentinel-2地表反射率数据。利用欧洲航天局的世界覆盖土地分类图和基于改进归一化差异水体指数的阈值，分别掩蔽了非耕地（树木、红树林、建筑、裸土）和季节性地表水区域。基于Sentinel-2波段计算了三种盐分指数（BI, NDSI, VSSI）和三种植被指数（NDVI, EVI, GVMI）作为额外的预测变量。
- 3.
机器学习建模与评估：采用K-means聚类对重采样后的ECa数据进行无监督分类，确定5个ECa等级。然后使用随机森林分类器，以Sentinel-2波段和衍生的光谱指数为特征，对ECa类别进行建模。模型采用4折交叉验证（70%训练，30%验证）进行训练和评估，使用混淆矩阵和加权Kappa系数来评估分类精度。
研究结果部分展示了从数据处理到模型应用的全链条成果：
3.1. ECa数据采集、处理、空间插值与重采样
研究在CZGBD的19个调查点采集了ECa数据，所有点均位于Gleysols（潜育土）类别的农田上。对地面测量数据进行了普通克里金插值，插值结果与实测值的平均相关系数高达0.90，表明插值精度良好。将1米分辨率的插值数据重采样至10米后，频率分布检验表明数据保持了原有的统计特征。数据分布显示，大部分区域ECa值较低，高值样本相对较少。
3.2. K-means聚类分析
对重采样后的ECa数据（共4789个样本）进行K-means聚类分析，“肘部”法则确定最佳聚类数为5。根据聚类结果并参考西澳大利亚州相关指南，将5个聚类划分为对应的ECa等级：1级（低）、2级（轻度）、3级（中度）、4级（高度）、5级（严重）。
3.3. 基于随机森林的ECa建模
利用随机森林模型，以Sentinel-2的10个波段以及6个盐分和植被指数作为预测变量，对5个ECa类别进行分类。模型验证的总体准确率为66%。变量重要性分析显示，Sentinel-2的红边波段（B5, B6, B7）、蓝光波段（B2）、窄近红外波段（B8A）以及利用短波红外（SWIR1和SWIR2）计算的归一化盐分指数（NDSI）对模型预测贡献最大，这些波段对土壤水分和植被水分含量敏感。
3.4. 空间ECa评估
首先，在调查点尺度上对比了基于实测ECa的分类图、K-means聚类结果和RFM预测结果，显示RFM能够较好地捕捉ECa的空间异质性，尤其是在低度至中度ECa区域。接着，将训练好的RFM应用于整个CZGBD区域，生成了2019年至2023年每年Rabi季节的ECa等级分布图。区域尺度地图显示，高ECa等级区域的空间分布与已知的地貌和水文过程概念模型吻合。例如，地势较低、排水不畅的北部地区（如North 24 Parganas, Jessore, Narail, Gopalganj, Madaripur）以及与主要河流（恒河-布拉马普特拉河）连通性较差的西南部老沉积区（G1, G2, G3区域），更易出现高ECa值。时间序列分析表明，ECa等级存在年际波动，可能与季风降雨、河流流量以及上游取水等水文气候因素有关。例如，西孟加拉邦的站点ECa等级在2019和2020年较高，之后有所下降；而孟加拉国的站点变化模式则更为复杂。
在讨论与结论部分，研究者深入探讨了本研究的价值与意义。他们指出，尽管地面EMI调查劳动密集，但其提供了覆盖范围更广、信息更丰富的ECa数据集，为训练随机森林等机器学习模型奠定了坚实基础。模型66%的总体分类精度在类似研究中属于合理范围，且对中低度ECa区域的预测准确性更高。模型识别出的关键预测因子（红边和短波红外波段）与土壤和植被水分监测的物理机理一致。更重要的是，研究生成的区域ECa动态地图，直观地揭示了盐渍化与渍涝风险的空间分布及其随时间的变化。这些地图与独立的地貌学研究成果（如Allison等人和Passalacqua等人描述的三角洲演化区）高度吻合，高ECa区域集中在排水缓慢的北部洼地、盐碱水产养殖扩张区以及西南部河流活动减弱的老沉积带。这表明ECa分布不仅受土壤本底盐分影响，也与区域水文动态（如河流流量变化、潮汐影响、季风降雨）和人类活动（如灌溉、水产养殖）密切相关。因此，本研究发展的“地面EMI+卫星遥感”升尺度外推方法，成功地将点状的地面测量扩展到区域尺度的连续制图。所生成的年度ECa等级图为决策者提供了强有力的空间化工具。这些信息可以用于：精准定位需要排水系统投资的渍涝区域；优先升级灌溉供水网络以缓解盐分入侵；引导农民选择更适宜的作物种植模式以降低Rabi季节的减产风险；并为相关的农业供应链投资与管理决策提供科学依据。未来，结合更长期的水文气候数据（如季风降雨、河流流量）进行深入分析，将有助于进一步厘清驱动ECa年际波动的关键因素，从而提升对三角洲农业生态系统盐渍化与渍涝风险的预测和管理能力。
