机器学习驱动的土壤盐渍化对孙德尔本斯红树林生态系统影响研究及基于自然的可持续解决方案

针对沿海地区土壤盐渍化威胁生态系统韧性这一全球性问题，研究人员创新性地整合HWSD土壤数据库与100个原位盐度数据，构建了融合随机森林(RF)、人工神经网络(ANN)和LASSO-GA-BPNN混合模型的机器学习框架。该研究实现了90%-99%预测精度的季节性盐度动态图谱，为热带红树林生态修复与耐盐作物管理提供了决策支持。

　　

这项开创性研究揭示了气候变化背景下孙德尔本斯(Sundarbans)红树林生态系统面临的土壤盐渍化危机。通过整合世界土壤数据库(HWSD)与2022年采集的100组原位盐度数据，研究团队开发了革命性的机器学习(ML)预测系统。该系统巧妙融合了多时相卫星遥感影像、高精度土壤特性图谱，并创新性地组合了随机森林(RF)、人工神经网络(ANN)以及LASSO-GA-BPNN混合算法等集成模型。

研究亮点在于其突破性地捕捉到盐度胁迫的季相变化规律，在农业区和工业区的预测准确率高达90%-99%。这些动态预测模型为热带红树林在超盐环境下的生理应激反应提供了量化工具，特别是揭示了^Na+/^K+离子失衡对红树植物光合系统的抑制作用。

更重要的是，该研究开创性地提出了基于自然解决方案(NbS)的生态修复策略，包括耐盐作物品种选育、潮汐通道优化等干预措施。这些发现不仅为河口湿地生物多样性保护提供了科学依据，更推动了联合国可持续发展目标(SDGs)框架下的海岸带综合管理实践。