应用无人机多模态数据和深度学习技术在小流域尺度上估算土壤盐分含量

《International Soil and Water Conservation Research》：Application of UAV Multimodal Data and Deep Learning for Estimating Soil Salt Content at the Small Catchment Scale

土壤盐渍化问题严重威胁农业生产力，本研究利用无人机多模态数据（光谱、地形、纹理）构建支持向量机（SVM）、随机森林（RF）和深度神经网络（DNN）模型，揭示不同变量组合对土壤盐分（SSC）估算的影响。结果表明：DNN模型结合光谱、地形和纹理特征（Sp+Ter+Tex）表现最佳，R2达0.69，RMSE为0.9%，且地形特征中的CNBL（流域基面）对SSC估算贡献最大，显著优于单一模态数据。空间分布显示，低洼区和湖岸带SSC较高，与地形和水文过程密切相关。研究验证了多源数据融合与深度学习在小型流域尺度土壤盐渍化监测中的有效性。

　　土壤盐碱化是一个全球范围内普遍存在的环境问题，它不仅影响土壤结构和水分保持能力，还导致土地退化和沙漠化。在中国，这一现象尤为突出，尤其是在西北内陆地区，由于高蒸发量、低洼地形和排水不良，土壤盐碱化问题尤为严重。因此，准确和实时监测土壤盐分含量（SSC）对于制定区域性的水土保持策略和提升生态环境质量具有重要意义。然而，传统的卫星遥感技术在高分辨率和短周期数据获取方面存在局限，使得对小流域尺度的土壤盐碱化监测变得困难。近年来，无人驾驶飞行器（UAV）技术因其便携性、高效性和高分辨率的遥感能力，成为解决这一问题的有力工具。

为了更有效地进行土壤盐分含量的估算，本研究利用UAV获取的多模态数据和机器学习框架，探讨了其在典型半干旱区域的应用潜力。多模态数据包括可见光和近红外光谱数据，以及数字表面模型（DSM），这些数据涵盖了光谱、地形和纹理特征。研究还分析了不同特征变量对SSC估算的影响，并比较了支持向量机（SVM）、随机森林（RF）和深度神经网络（DNN）等模型在不同变量组合下的估算能力。结果显示，多模态信息的融合显著提升了不同模型在SSC估算中的准确性。地形和纹理特征作为辅助变量，提供了独特的、互补的信息，尤其是地形特征。在所有变量中，渠道网络基准等级（CNBL）对SSC估算的贡献最大。DNN模型在多模态数据融合的基础上表现出最佳性能，其在SSC估算中的不确定性较低。

通过DNN模型生成的SSC估算图揭示了土壤盐分含量的显著空间变化，特别是在典型内流区的低洼地带和湖泊岸边。这些发现为小流域尺度的盐碱土监测提供了有价值的参考。此外，研究还指出，随着样本数量的增加，模型的准确性有所提高，但同时也面临样本稀疏和高维数据处理的挑战。为了提高模型的稳健性和可靠性，研究采用了10折交叉验证，并通过多次实验优化了模型的结构和参数。

在模型构建过程中，研究考虑了多种变量组合，包括光谱特征（Sp）、地形特征（Ter）和纹理特征（Tex），以及它们的组合。SVM模型虽然在某些情况下表现良好，但其对高维特征空间的依赖性较强，容易受到数据噪声的影响。相比之下，RF模型因其参数设置简单，且对噪声具有较强的鲁棒性，更适合处理高异质性的数据。而DNN模型通过多层神经网络，能够有效地提取多尺度的表面信息，表现出更高的估算能力。然而，DNN模型在处理高维数据时，由于样本稀疏性，其性能并未显著优于RF模型。因此，研究建议在未来工作中增加样本数量，采用更先进的采样策略，以减少SSC估算的不确定性。

研究还探讨了多模态数据融合对SSC估算的影响，特别是在地形特征和纹理特征方面的贡献。地形特征不仅影响水流动态和盐分的迁移过程，还在SSC的分布中起到了关键作用。而纹理特征则通过捕捉土壤表面的细微变化，提供了关于盐分分布的额外信息。这些特征的融合使得模型能够更全面地反映土壤盐分含量的变化情况，从而提高估算的准确性和稳定性。

在实际应用中，土壤盐分含量的估算不仅有助于农业生产的优化，如改进排水系统和灌溉方法，还能为生态环境管理提供重要依据，如制定水土保持策略、完善土壤环境预警系统以及推动区域生态修复。然而，目前的研究仍存在一些局限，例如在沿海湿润地区或植被覆盖较广的区域，多模态数据融合的效果仍需进一步验证。因此，未来的研究应关注更广泛的地理环境，并探索多源遥感数据和地面观测数据的结合，以弥补UAV数据在空间覆盖范围和光谱信息方面的不足。

此外，研究还指出，随着土壤盐碱化的时空变异性日益显著，未来的工作应更加关注多时相数据的采集和应用。不同时间点的数据可以提供时间序列信息，有助于提升模型的估算准确性和稳定性，特别是在考虑土壤盐分的季节性变化时。因此，结合多时相数据和多模态遥感技术，将成为提升土壤盐分含量估算精度的重要方向。

总体而言，本研究通过多模态数据融合和深度学习方法，为小流域尺度的土壤盐分含量估算提供了新的思路和方法。研究结果不仅揭示了不同特征变量对SSC估算的贡献，还为未来的研究指明了方向，即在提高数据质量和模型性能的同时，拓展研究的地理范围和时间维度，以更好地服务于农业生产和生态环境保护。通过本研究的探索，我们有望在未来实现更精准、更全面的土壤盐碱化监测，为相关领域的可持续发展提供科学依据。