基于多源遥感时空融合技术的干旱棉田土壤盐碱化日尺度动态监测

《International Journal of Applied Earth Observation and Geoinformation》：Daily-scale dynamic monitoring of soil salinization in arid cotton fields based on multi-source remote sensing spatiotemporal fusion

土壤盐渍化威胁干旱区农业可持续性，传统监测方法效率低。本研究开发日尺度土壤盐渍化监测框架，融合5cm无人机多光谱影像与 Plantscope 卫星数据，系统评估STARFM、UBDF、Fit-FC、RERC四算法性能。结果表明RERC融合影像在盐渍化农田空间分辨率达5cm，RMSE 0.024-0.055，SSIM 0.821-0.925，显著优于其他算法。结合随机森林模型，构建的RF-RERC框架在盐渍化农田R2达0.94，接近无人机实测精度。研究揭示高盐渍化农田空间异质性特征，建立日尺度动态监测模型，为精准灌溉和盐碱治理提供决策支持。

　　在干旱地区，土壤盐碱化是一个严重威胁农业可持续发展的环境问题。传统监测方法往往效率低下，单一的遥感平台也面临空间分辨率与时间分辨率之间的固有矛盾。因此，本研究开发了一个全面的每日土壤盐碱度监测框架，系统评估了四种时空融合算法（STARFM、UBDF、Fit-FC 和 RERC），结合了 5 厘米分辨率的无人机（UAV）多光谱影像与每日 Plantscope 卫星数据，用于棉花生长周期中高标准农田和盐碱化农田的盐碱度监测。此外，还对四种机器学习算法（随机森林、极端梯度提升、支持向量回归和人工神经网络）进行了比较评估，以实现盐碱度的反演。研究发现，RERC 在盐碱化农田中的均方根误差（RMSE）为 0.024，而在高标准农田中的 RMSE 为 0.055，结构相似性指数（SSIM）分别为 0.925 和 0.821。最优的随机森林-RERC 框架在棉花开花结铃阶段达到了决定系数（R2）为 0.94，接近实际无人机监测的精度（R2 = 0.95）。生成的每日盐碱度地图成功捕捉了细尺度的时空动态，为干旱农业系统的精准盐碱管理提供了可行的解决方案。

土壤盐碱化在全球干旱和半干旱地区构成了重大环境挑战，对农业可持续发展和粮食安全构成严重威胁。土壤盐碱化不仅影响土壤的物理化学性质和生态系统功能，还导致农业生产力下降和耕地资源流失。在中国，土壤盐碱化影响面积约为 3.6×10? 平方公里，主要集中在新疆、甘肃和黄河三角洲地区。其中，新疆作为中国最大的盐碱化土壤分布区，占全国盐碱化土地的三分之一以上，严重制约了当地农业经济的发展。传统土壤盐碱度监测依赖于田间采样和实验室分析，虽然具有高精度，但时间成本高、费用昂贵，且无法在田间尺度上捕捉盐碱度的时空动态。这些限制在精准农业中尤为突出，因为及时的盐碱度信息对于适应性灌溉管理和产量优化至关重要。

遥感技术通过光谱响应分析，使大规模、低成本的土壤盐碱度监测成为可能。多光谱卫星平台利用盐渍土壤和植被胁迫指标（如 NDVI、SAVI）的差异反射特性，实现区域尺度上的高精度映射，区域尺度映射精度可达 R2 = 0.79。先进的成像方法，包括高光谱传感器捕捉细微的盐渍相关光谱特征、合成孔径雷达实现全天候监测、热红外传感器检测冠层温度变化，逐步提高了检测能力。多时相卫星观测进一步提升了精度，通过捕捉灌溉和降水事件带来的盐碱度动态变化。机器学习与多源遥感特征的结合显著提升了反演性能，随机森林和深度学习架构的 R2 值均超过 0.90。

然而，实际应用中面临空间-时间分辨率的权衡问题：高空间分辨率卫星无法满足快速盐碱度变化的捕捉需求，而高时间分辨率平台则无法解析精准农业所需的田间尺度异质性。无人机遥感技术提供了厘米级的空间分辨率和按需获取能力，成功展示了与机器学习算法结合的高精度盐碱度估计。然而，无人机受限于覆盖范围小、飞行时间短和天气依赖性，难以实现大范围的连续监测。因此，卫星和无人机的互补关系激发了时空融合技术的发展。

时空融合技术通过整合多源遥感数据，生成具有高空间和时间分辨率的产品，以解决这一挑战。融合算法包括基于权重函数的方法（如 STARFM）、基于混合的方法（如 Fit-FC）和基于解混的方法（如 UBDF 和 RERC）。最近的应用表明，这些方法在农业监测中具有显著效果，例如使用 ESTARFM-Sentinel-2 融合进行作物强度映射、基于深度学习的融合用于产量预测，以及在新疆绿洲区使用多种融合算法进行土壤盐碱度估计。尽管时空融合在农业监测方面取得进展，但其在土壤盐碱度评估中的应用仍有限。现有研究通常在同质土地覆盖条件下评估融合算法，未能考虑实际农业景观中异质盐渍梯度和变化植被覆盖的特点。此外，系统性比较融合算法在不同物候期的反演性能，以及在不同植被覆盖条件下融合算法的表现，仍存在明显不足。

本研究通过一个全面的框架，解决了这些局限：（1）在棉花生长季节中，对比分析四种时空融合算法（STARFM、UBDF、Fit-FC、RERC）在高标准农田和盐碱化农田中的表现，整合 5 厘米分辨率的 UAV 多光谱影像与每日 Plantscope 卫星观测数据；（2）系统比较四种机器学习算法（随机森林、XGBoost、SVR、ANN）在融合影像上的盐碱度反演性能；（3）生成能够捕捉细尺度时空动态的每日盐碱度地图。通过建立一个操作性的监测系统，本研究推动了时空融合在土壤盐碱度评估中的应用，同时为干旱农业系统的精准盐碱管理提供了可操作的智能支持。

本研究的区域位于中国新疆维吾尔自治区尉犁县赛里木镇（87°17′42″-87°43′15″E，43°59′25″-44°39′00″N），这一地区具有典型的温带大陆性干旱气候，年均温 7.5°C，年降水量 150 毫米，蒸发量约为 2000 毫米，这种强烈的蒸发作用加剧了土壤盐碱化。土壤主要为砂质壤土（65–75% 的沙含量），排水性能良好但容易受到二次盐渍化的影响，pH 值为 7.8–8.5。自然植被稀疏，主要为耐旱和耐盐植物。当地农业以膜下滴灌技术种植棉花，并结合水肥一体化管理。研究区域包括 5.34 公顷的高标准农田和 3.8 公顷的盐碱化农田。

本研究在棉花生长的四个关键阶段（播种前、现蕾期、开花结铃期和铃开放期）进行了数据采集，涵盖了高标准农田和盐碱化农田。这些阶段代表了不同的土壤-植被比例变化，从而形成了不同的光谱-盐渍关系。为了减少冗余，特征选择过程包括使用皮尔逊相关分析选取与 EC 相关度最高的 95% 的光谱指数，随后通过 Boruta 算法进行最终筛选。随机森林模型随后基于选定的特征进行构建，采用 Bootstrap 重采样和随机特征选择，以确保模型的稳健性和泛化能力。

研究结果表明，RERC 在盐碱化农田中表现出最佳的融合性能，其 RMSE 为 0.024，SSIM 为 0.925，而在高标准农田中 RMSE 为 0.055，SSIM 为 0.821。这表明 RERC 在高盐渍条件下具有更强的光谱一致性。在不同植被覆盖条件下，RERC 能够保持较高的性能，而其他算法如 UBDF 和 Fit-FC 则表现出较大的光谱退化。特别是在棉花开花结铃期，植被覆盖达到高峰，其他算法的盐渍检测能力显著下降，而 RERC 仍能保持 85–93% 的盐渍特征提取能力。研究还发现，RERC 在不同土地利用类型和生长阶段中均表现出优异的融合性能，为高精度动态土壤盐渍监测提供了影像产品。

融合影像的质量直接影响盐渍反演的准确性。本研究发现，基于 RERC 的融合影像能够有效保持盐渍特征，其 R2 值达到 0.94，接近实际无人机的精度（R2 = 0.95）。随机森林模型在融合影像上的表现优于其他机器学习算法，其在棉花开花结铃期的 R2 值为 0.94，而支持向量回归、人工神经网络和 XGBoost 的 R2 值分别为 0.91、0.86 和 0.80。这些结果表明，RERC 融合影像为盐渍反演提供了更可靠的数据支持。

本研究还分析了融合影像的时空动态变化。在盐碱化农田中，盐渍表现出明显的空间异质性，尤其是在棉花开花结铃期，盐渍在北部边缘地区显著累积。而高标准农田的盐渍则相对较低且分布较为均匀，主要集中在轻微到中度盐渍范围内。融合影像捕捉到了这些变化，并为精准农业中的盐渍管理提供了具体的解决方案。通过每日监测，可以及时调整灌溉策略，防止盐渍的进一步积累。

本研究还探讨了不同融合算法在不同土地利用类型和生长阶段中的适用性。RERC 算法在异质地表条件下表现出最佳的性能，能够有效抑制系统误差，保持较高的光谱一致性。STARFM 算法在均匀地表条件下表现良好，但在盐渍化农田中因缺乏细节捕捉能力而性能下降。UBDF 算法在盐渍化农田中表现稳定，但在高标准农田中因植被覆盖变化而性能波动。Fit-FC 算法在多个生长阶段均表现出较差的性能，尤其在棉花开花结铃期，其光谱一致性显著下降。

研究还讨论了不同土地利用类型对盐渍反演模型性能的影响。在高标准农田中，RERC 融合影像能够有效保持盐渍特征，其 R2 值为 0.94，接近实际无人机的精度（R2 = 0.95）。而在盐渍化农田中，其他算法的 R2 值均低于 RERC。这些结果表明，RERC 融合影像在盐渍反演中具有更广泛的应用前景。

本研究的成果表明，基于 RERC 的融合影像能够有效捕捉盐渍的时空动态，为干旱农业系统的精准盐渍管理提供了可靠的数据支持。同时，研究还揭示了不同融合算法在不同土地利用类型和生长阶段中的适用性差异，为未来盐渍监测技术的发展提供了理论依据和实践指导。