综述：揭示遥感预测土壤盐分精度的关键驱动因素：一项全球荟萃分析

这篇综述通过全球荟萃分析（2,522篇文献筛选102篇）系统评估了遥感（RS）预测土壤盐分（ECe）精度的关键因素，发现热带季风气候（R2=0.797）、浅层采样（0-5cm，R2=0.707）、无人机（UAV）与光学卫星数据融合（R2=0.840）及XGBoost模型（R2=0.917）表现最优，为优化盐渍化监测提供了数据-模型协同框架。

　　

背景与目标

土壤盐渍化作为全球性环境问题，正严重威胁农业生产力和生态系统健康。尽管遥感技术（RS）已被广泛应用于土壤盐分监测，但其预测精度存在显著波动。本研究通过全球尺度荟萃分析，首次系统解析了影响遥感反演土壤盐分（以电导率EC_e为核心指标）精度的关键驱动因子，旨在为构建优化监测框架提供科学依据。

方法

研究团队从Web of Science数据库（2000-2024年）筛选2,522篇相关文献，最终纳入102项符合严格标准的研究。采用小提琴图和箱线图可视化分析采样深度、气候类型、传感器类型等12个参数与预测精度（R²）的关联，并运用多元统计方法验证其显著性。

核心发现

气候类型的影响：热带季风气候区表现出最高的预测精度（R²=0.797），这与其稳定的水热条件和典型盐分表聚特征密切相关。相比之下，干旱区模型表现波动较大（R²中位数0.532）。

采样深度优化：浅层土壤（0-5cm和0-10cm）采样显著提升模型性能（R²=0.707），证实了盐分在土壤剖面的垂直分异规律。当采样深度超过20cm时，模型精度下降23.6%。

数据融合策略：光学卫星与无人机（UAV）数据协同使用展现出突破性精度（R²=0.840），其中Sentinel-2 MSI与DJI Phantom 4 Multispectral的组合效果最佳。单纯依赖单一卫星数据时，模型稳定性降低31.2%。

分辨率阈值效应：≤1米的空间分辨率显著改善模型鲁棒性（p<0.01），特别是对于斑块状分布的盐渍土。当分辨率劣于10米时，小尺度盐分变异特征捕获率下降至58.3%。

模型算法比较：在评估的7类机器学习模型中，XGBoost以绝对优势领跑（R²=0.917），其集成学习特性有效解决了盐分-光谱响应的非线性关系。传统多元线性回归表现最差（R²=0.412）。

测量方法稳定性：基于实验室电导率（EC_e）的测量数据展现出最小的预测偏差（CV=12.8%），显著优于电磁感应（EM38）等原位测量方法。

环境协变量协同：NDVI、地表温度和土壤质地等协变量的组合使用产生显著协同效应（ΔR²≥0.15），其中黏粒含量与盐分指数的交互项贡献率达19.7%。

实践启示

研究建议建立"天-空-地"一体化监测网络：优先采用UAV高光谱数据（特别是可见-近红外波段）与Sentinel-2时序数据的融合方案；采样设计应聚焦0-10cm土层并确保EC_e实验室标准化测定；推荐使用XGBoost或随机森林等集成算法，必须纳入地形湿度指数、植被胁迫指标等关键环境协变量。值得注意的是，训练样本量存在"边际效应递减"现象——当样本超过800个时，精度提升成本效益比显著降低。

未来展望

该研究为《全球盐渍土治理2030行动计划》提供了关键技术路径，特别强调1米级分辨率无人机遥感与物联网传感网络的结合。下一步需重点突破盐分光谱特征解译、多时相数据同化等瓶颈问题，推动盐渍化监测从"定性评估"向"定量预测"跨越。