![]()
1、研究背景
土壤盐渍化是土地资源和生态环境的一个潜在风险因素，尤其在干旱地区和沿海地区显得尤为严重。盐渍化会导致土地退化、农作物减产，并威胁粮食安全。基于传统野外调查方式的盐渍化监测方法存在局限性，无法满足大范围、快速和动态的监测需求。随着遥感技术的进步，特别是Sentinel-2卫星遥感数据的使用和机器学习算法的发展，研究者们可以更精确和快速地监测土壤盐渍化。2、创新之处
本研究针对中国的典型内陆干旱和东部沿海盐碱土壤，使用Sentinel-2数据（包括6个波段和27个光谱指数），结合土壤质地、水分含量、温度、降水数据和DEM数据，建立了一个跨区域的干旱-沿海土壤盐渍化监测模型。此外，对比了多种特征变量选择方法和机器学习模型，以提高土壤盐渍化反演的准确性。同时，使用了SHAP方法来增强机器学习模型的可解释性和预测反演能力。3、关键图表
![]()
图1. 土壤盐分含量实测值与预测值的对比散点图（基于最佳的模型策略）
![]()
图2. 基于内陆干旱-东部沿海土壤盐渍化反演模型(PCC-LightGBM)得出的土壤盐渍化状况
4、主要结论
在本研究中，基于VIP变量选择算法的模型在土壤盐渍化反演中表现出较高的精度，无论是在干旱区还是在内陆干旱-东部沿海区域。MAT、剖面曲率和DFI指数对土壤盐渍化反演模型的影响最大。值得注意的是，PCC-LightGBM模型能够同时反演内陆干旱和东部沿海地区的土壤盐分含量。光谱指数是影响干旱和沿海土壤盐渍化反演模型准确性的最关键环境变量。本研究探讨了变量选择和模型组合的重要性，为内陆干旱-东部沿海土壤盐碱化反演提供了有价值的思路。5、发表信息
Jia P, Zhang J,
Liang Y, et al. The inversion of arid-coastal cultivated soil salinity using
explainable machine learning and Sentinel-2[J]. Ecological Indicators, 2024,
166: 112364.
6、声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
