几内亚比绍红树林沼泽水稻生产区土壤盐渍化诊断技术进展及其机器学习预测模型构建

针对西非几内亚比绍(GB)红树林沼泽水稻生产系统(MSRP)受土壤盐渍化威胁的难题，研究人员通过整合Planet Scope卫星遥感数据与382份土壤样本的ECe （饱和泥浆电导率）数据，开发了基于随机森林(RF)、支持向量机(SVM)和卷积神经网络(CNN)的机器学习模型。研究发现RF模型预测精度最高（R2 =0.80），其中红边波段归一化盐分指数(RNDSI)和土壤粉粒含量是关键预测因子，成功绘制了北部Elalab、中部Enchugal和南部Cafine-Cafal三个典型区域的盐分空间分布图，为气候变局下西非水稻生产的精准管理提供了创新工具。

　　

在气候变化加剧的背景下，西非沿海地区面临日益严重的土壤盐渍化威胁，其中几内亚比绍的红树林沼泽水稻生产系统(MSRP)尤为脆弱。作为当地最重要的粮食作物，水稻产量直接关系着区域粮食安全，但传统盐渍化诊断仅依赖农民经验，缺乏科学量化手段。更严峻的是，随着降雨模式改变，依靠雨水淋洗盐分的传统耕作方式难以为继，亟需开发精准高效的盐分监测技术。这项发表在《Science of Remote Sensing》的研究，由国际团队合作完成，通过创新性地融合遥感技术与机器学习算法，为西非水稻生产提供了首个高精度盐渍化诊断模型。

研究团队采用多学科交叉方法：首先在GB北部、中部和南部典型MSRP区域采集382份0-25cm深度土壤样本，测定EC_1:2.5
后转换为标准EC_e
值；同步获取Planet Scope卫星的8个光谱波段数据，计算11种盐分/植被指数；结合克里金插值生成的土壤质地栅格数据；最终构建RF、SVM和CNN三种机器学习模型，通过MAE、RMSE等7项指标评估性能。特别采用6m半径缓冲区分层采样策略，有效解决了3m×3m像元与田间变异尺度不匹配问题。

研究结果揭示三个重要发现：

1. 土壤盐分与阳离子特征：Elalab站点EC_e
   最高达353.7 dS m^-1
   ，Na⁺
   和Mg²⁺
   是主要致盐离子，浓度分别达173和41 cmol(+) L^-1
   。质地分析显示中细质地（粉壤土）盐分累积最显著，这与该类土壤排水性差、毛细作用强有关。

2. 关键预测因子筛选：通过皮尔逊相关性分析，确定红边波段归一化盐分指数(RNDSI)、归一化盐分指数(NDSI)和归一化水指数(NDWI)与EC_e
   相关性最高（ρ=0.34-0.51），结合粉粒含量栅格构成最优预测组合。排除分析证实，单独使用粘土栅格会导致系统性高估。

3. 模型性能比较：RF模型展现最佳预测能力，训练集R²
   =0.80，MAE=15.41 dS m^-1
   ，RPIQ达2.25；在三个站点的交叉验证中保持稳定性能（ρ=0.84-0.90）。相较之下，SVM存在显著低估（PBIAS=-32.25%），CNN则因数据量限制未能充分发挥深度优势。

这项研究开创性地建立了适用于热带西非的土壤盐渍化诊断框架，其科学价值体现在三方面：技术上，首次验证了RNDSI指数在极高盐度条件（EC_e

100 dS m^-1
）下的适用性；方法学上，开发出融合土壤质地栅格与多光谱指数的混合建模策略；应用层面，成果可直接指导排水设施布局和耐盐品种推广。特别值得注意的是，研究发现农民在极端盐渍环境下仍能维持生产的传统智慧，暗示通过优化雨水管理（如改进田埂和排水阀设计）可进一步提升系统韧性。该模型未来可扩展应用于红树林修复选址，为协调粮食安全与生态保护提供量化工具，对实现联合国SDG2（零饥饿）和SDG13（气候行动）目标具有实践意义。