融合环境协变量的无人机多光谱遥感土壤盐分估算及精准农田管理研究

针对土壤盐渍化精准监测需求，本研究创新性整合无人机多光谱遥感与环境协变量（SWC、SSR），通过RFE算法筛选最优变量组合，构建SVR_SSC高精度估算模型（R2 > 0.72，RPD > 1.73），揭示了不同裸土期光谱特征差异，为干旱区精准农业提供技术支撑。

　　

土壤盐渍化是全球土地退化的主要元凶之一，尤其在依赖灌溉的干旱区更为严重。位于内蒙古的河套灌区（HID）因依赖黄河水漫灌，年均蒸发量高达2,195 mm而降雨仅169 mm，导致土壤盐分（SSC）不断积聚。传统监测依赖人工采样和地面站，成本高、覆盖窄；卫星遥感又受云层和重访周期限制。如何实现高精度、大范围的实时盐分监测，成为精准农业管理的核心难题。

中国某高校研究团队在《Computers and Electronics in Agriculture》发表的研究，开创性地将无人机多光谱遥感与环境协变量结合，为这一难题提供了解决方案。研究团队于2021年10月和2022年4月在HID的18个裸农田区域同步开展航测与地面采样，获取SSC、土壤含水量（SWC）和土壤表面粗糙度（SSR）数据。通过皮尔逊相关系数和递归特征消除（RFE）算法，筛选出与SSC敏感度最高的11种盐分指数（SIs）、10种植被指数（VIs）及2种环境协变量，并对比了线性回归与随机森林（RFR）、人工神经网络（ANN）、支持向量回归（SVR）等机器学习模型的性能。

关键技术方法
研究采用大疆M300 RTK无人机搭载MicaSense Altum多光谱传感器（波段涵盖490-860 nm），结合地面实测SSC数据（340个样本），通过RFE算法优化变量组合。重点分析蓝光（500 nm）、红光（680 nm）和近红外（900 nm）波段对盐分的响应特征，并首次探讨SSR对光谱反射率的非线性影响。

研究结果

1. 环境协变量与光谱变量的协同效应
SSR与SSC呈现显著负相关（r = -0.58），因翻耕会将高盐表层土掩埋至深层。CRSI、SI1等指数在蓝/红波段表现出最强相关性，而SSR通过改变光散射间接影响光谱反演精度。

2. 裸土期差异对模型的影响
播种前与收获后的土壤光谱对SSC响应不同：后茬期土壤因蒸发强烈导致盐分表聚，使蓝光波段反射率升高12.7%，而前茬期受水分干扰更显著。

3. 机器学习模型对比
SVR_SSC模型以R² 0.72、RMSE 0.15%的精度显著优于线性模型（R² 0.53），其RPD（1.73）和LCCC（0.77）指标证实了实用价值。

结论与意义
该研究首次证实SSR作为环境协变量在盐分反演中的重要性，构建的SVR_SSC模型可生成厘米级盐分分布图。相较于传统方法，无人机多光谱技术将监测成本降低60%，为干旱区灌溉决策和产量预测提供了可推广的技术范式。Weitong Ma等作者强调，未来需进一步研究作物覆盖期环境协变量的动态影响机制。