莫桑比克土地覆盖变化与土壤盐渍化：二十年间的反事实分析（2001-2022）

《CATENA》：Land cover change and soil salinization in Mozambique: A counterfactual analysis over two decades (2001?2022)

　　

• 开发了一个多源遥感与机器学习框架 • 量化了过去二十年莫桑比克土壤盐渍化的时空动态 • 识别出盐渍化格局中明显的空间异质性 • 表明城市化加速了盐渍化趋势，而农业扩张则抑制了盐渍化趋势

**引言**

土壤盐渍化是指土壤剖面中可溶性盐分的异常积累，是全球最严重的土地退化形式之一（Zhang et al., 2024）。盐渍土由于盐结皮的形成，通常表现出较高的地表反射率，在光学遥感影像中呈现更亮的特征（Metternicht and Zinck, 2003）。该过程通过复杂的水盐迁移机制改变土壤理化性质和生态功能，通常由多种自然和人为因素驱动，例如蒸发加剧、地下水位上升、灌溉水质差以及海水入侵（Corwin, 2021）。盐分在根区的积累降低了土壤溶液的渗透势，显著损害植物水分吸收能力，从而引发渗透胁迫。同时，Na?、Cl?等离子产生毒害效应，破坏细胞结构和代谢活性，最终导致作物减产甚至土地生产力完全丧失（Munns and Tester, 2008）。在全球尺度上，土壤盐渍化不仅影响农业生产系统，还对区域水循环、生态系统稳定性和碳循环过程产生深远影响。以往研究表明，在气候变化影响下，干旱和半干旱地区的盐渍化土地正在全球范围内扩张（Hassani et al., 2021）。较高的温度增加了蒸散发，加上降水变得更加不稳定，促进了盐分在土壤表层的积累，而海平面上升则使沿海低地面临海水入侵和地下水盐渍化的风险（Werner et al., 2013）。此外，一些人类活动显著改变了水盐平衡，导致土壤盐渍化逐渐从自然过程演变为典型的人地耦合环境问题（Daliakopoulos et al., 2016）。全球研究表明，土壤盐渍化已成为影响农业活动、土壤健康和生态系统稳定的主要土地退化问题之一，其空间分布表现出显著的区域差异，在干旱和半干旱地区的灌溉农田及沿海低地尤为普遍（Shokri et al., 2024）。因此，建立高精度、连续的盐渍化监测系统对于保障粮食安全和生态系统服务功能具有重要意义。

传统的土壤盐渍化分析主要依赖野外采样和理化实验室方法。通过对土壤剖面采样并测量包括电导率（EC）、可溶性盐离子浓度、pH值及交换性钠百分率等关键参数，可以定量评估盐渍化程度（Zhang et al., 2021）。这些方法具有测量精度高、能够解释内在机制的优点，是早期盐渍化研究和土壤质量评价的基本工具（Oster, 1994）。然而，由于空间覆盖有限且采样成本高昂，传统点采样方法难以表征区域尺度上盐度的连续空间异质性（Heuvelink, 2001）。在干旱和半干旱地区，土壤盐分表现出极大的空间变异性，有限的采样数据难以代表真实的盐分格局（Corwin and Lesch, 2005）。此外，由于盐渍化过程具有显著的时态动态性，单次或低频次的采样难以反映盐度的季节变化和长期累积过程，从而限制了对盐渍化演化机制的深入理解（Munns and Tester, 2008）。在典型应用中，实验室测量通常与统计插值方法结合使用（Wang et al., 2020a），但在复杂地形和异质性土地利用条件下，此类方法容易产生显著的不确定性，除非样本数量足够多且具有景观代表性（Lark, 2002）。因此，尽管传统方法在研究土壤盐渍化机制方面仍发挥着不可替代的作用（尤其是作为"地面真值"参考数据来源），但卫星遥感方法正迅速发展成为大规模、长期土壤盐度监测的重要技术手段（Lal, 2015）。

随着Landsat、Sentinel、MODIS等平台的多源遥感存档数据的日益丰富，以及Google Earth Engine（GEE）等云平台技术的进步，土壤盐渍化研究正快速从传统的局部经验模型向区域乃至全球尺度的动态制图转变（Zhang et al., 2024）。与传统地面采样方法相比，利用这些技术体系的方法在空间覆盖、时间连续性和数据一致性方面具有显著优势。遥感方法可以通过光谱、热红外和微波信息间接推断土壤盐度状况，实现大规模动态监测（Zhou et al., 2021）。例如，热红外遥感能够反映地表能量平衡的变化，从而间接表征盐分积累导致的蒸散发异常（Ivushkin et al., 2019）。近年来，机器学习回归方法在盐渍化反演方面展现了显著优势（Li et al., 2024）。随机森林等机器学习算法能够处理高维非线性关系并整合多源环境变量（Wang et al., 2020b），从而提高预测精度和泛化能力（Maxwell et al., 2018）。例如，Ivushkin et al.（2019）基于机器学习和热红外数据构建了全球盐渍化变化地图，实现了跨区域的一致性表征。Hassani et al.（2020）进一步利用长期气候和土壤数据库重建了过去40年全球盐度动态，为分析盐渍化趋势提供了系统框架。与此同时，数字土壤制图（DSM）方法的进步使得土壤性质的精细空间预测成为可能（McBratney et al., 2003）。Poggio et al.（2021）提出的SoilGrids 2.0框架将多源协变量与机器学习模型相结合，在全球尺度上实现了土壤性质的栅格化表征。此外，深度学习方法已逐渐引入遥感反演领域（Tang et al., 2026），通过自动化特征提取增强了复杂地表条件下的分类能力（Zhu et al., 2017）。

土地利用和土地覆盖变化（LULCC）是全球变化研究的关键议题，直接影响生态系统结构、地表能量平衡和水循环（Foley et al., 2005；Li et al., 2026）。全球范围内，城市扩张、农业扩张和生态恢复共同构成LULCC的主要驱动力，且变化的量和类型表现出显著的区域差异（Hansen et al., 2013; Seto et al., 2012）。机器学习也已成为土地覆盖分类的主流工具，Belgiu and Dr?gu?（2016）和Maxwell et al.（2018）指出，随机森林模型在处理高维遥感数据时尤其能实现相对较高的稳定性和精度。此外，多时相分类方法和变化检测技术进一步增强了对土地覆盖进行动态分析的能力，使其能够识别复杂的过渡路径（Kennedy et al., 2010）。在驱动机制方面，土地覆盖变化（LCC）受多种因素影响，包括人口增长、经济发展、政策调整和气候变化。例如，农业扩张往往与粮食需求增长密切相关，而城市扩张则与人口增长和工业发展直接相关（Tilman et al., 2011）。另一方面，生态恢复通常由政策推动和生态工程项目的实施所驱动（Benayas et al., 2009）。

近年来，许多研究关注LCC与土壤盐渍化之间的耦合关系，但总体而言该领域仍处于发展阶段，特别是在机制层面的定量因果分析方面尤为缺乏。LCC通过改变地表能量平衡、地下水埋深、土壤入渗能力和蒸散发过程等方式，影响土壤剖面中盐分的迁移和积累过程（Chen et al., 2021）。然而，这种影响在不同气候带、土地利用类型和水文条件下表现出显著的异质性（Scanlon et al., 2005）。例如，在灌溉农业区，长期灌溉入渗频繁抬升地下水位并增强毛细上升作用，促进盐分在表土层的积累，导致典型的次生盐渍化；而在降水稀少的干旱地区，该过程可能因蒸散发而进一步加剧，从而加速盐分积累（Jobbágy and Jackson, 2004）。在城市化背景下，不透水表面的扩张改变了地表径流路径并降低了土壤蒸散发和入渗能力，扰乱局部水盐循环，导致盐分在局部低洼地带或排水不良区域集中积累（McDonald et al., 2014）。同时，城市基础设施建设可能改变地下水补给路径和排泄条件，从而间接影响浅层地下水中盐分的迁移（Grimm et al., 2008）。在沿海地区，土地开发和水资源开采与海平面上升相结合，可能显著增加海水入侵风险，改变含水层的盐渍化格局，进而影响土壤盐渍化的空间扩张趋势（Ferguson and Gleeson, 2012; Befus et al., 2020）。在区域尺度研究中，Daliakopoulos et al.（2016）指出LCC是欧洲盐渍化风险转移的关键驱动力之一，并强调农业管理实践和土地利用转变对盐分积累具有关键影响。同时，Scanlon et al.（2005）从水文循环视角进一步证明，土地利用变化可以通过改变地下水补给与蒸发之间的平衡来显著影响区域盐分迁移路径。在全球尺度上，Seto et al.（2012）进一步证实了城市扩张与土地退化之间的显著耦合关系，指出在许多快速城市化地区盐渍化问题被低估。此外，Jackson et al.（2005）指出植被结构变化和土地利用转变通过影响耗水量和地下水开采强度，间接调节土壤和地下水系统中盐分的再分配。尽管现有研究已从水文、生态和土地利用等角度阐明了盐渍化的驱动机制，但多数研究仍停留在相关性分析或区域统计层面，缺乏对"土地利用变化、环境背景与盐渍化响应"之间因果链的严格定量表征。特别是在复杂气候条件和多因子耦合下，难以区分不同类型LCC对盐渍化的独立效应。一些LULCC研究已开始引入因果推断框架和匹配方法，以减少混杂变量的干扰并识别土地利用变化对不同环境指标的净效应（Wager and Athey, 2018; Athey and Imbens, 2016），但在盐渍化研究领域这些方法仍未得到充分利用，尚未形成系统化的分析范式。因此，当前研究的关键前沿问题在于如何建立像素尺度的稳健控制体系，并通过整合长期遥感反演结果，定量评估不同LCC情景下的盐渍化趋势。这不仅将深化我们对人类活动影响水盐过程机制的理解，还将为区域土地管理和盐渍化防治提供具有更强因果解释力的科学依据。

基于上述分析，本研究旨在分析莫桑比克——一个土地利用变化迅速且面临土壤盐渍化问题的国家——土壤盐渍化的空间分布和时间趋势，并定量评估LCC对土壤盐渍化的贡献。为此，我们整合了多源遥感数据、气候数据、地形数据、土壤性质数据和土地覆盖数据，反演了2001年至2022年的年度土壤电导率（EC）影像。然后分析了土壤盐渍化的空间分布和时间趋势，并量化了不同类型LCC对土壤盐渍化的影响。本研究聚焦于三个科学问题：（1）莫桑比克土壤盐渍化的当前空间分布如何？（2）过去二十年该国土壤盐渍化出现了哪些趋势？（3）不同类型的LCC如何影响土壤盐渍化？本研究有助于弥补现有盐渍化制图研究中"强调空间分布而忽视因果归因"的不足（Shokri et al., 2024），并为莫桑比克的土地利用规划、沿海农业适应管理和盐渍化风险防控提供科学依据。由于我们开发的方法使用了公开可得的数据，也可能适用于其他面临土壤盐渍化问题的沿海地区。

**研究区简介**

莫桑比克位于非洲东南部，其东部边界沿印度洋和莫桑比克海峡延伸（图1a）。

该国领土呈狭长的南北走向条带状分布（图1b），沿海平原、河口低地和内陆高原共同构成了显著的地形和水文梯度（Azka等，2026年）。该国气候受热带海洋过程及季节性降水的控制，面临着长期的复合气候风险，如模型开发与评估：为评估模型性能，本研究实施了防泄露程序，将样本首先划分为训练子集和独立测试子集。我们首先在包含47个特征变量的训练子集上训练随机森林模型，并根据特征重要性得分对特征进行排序（Feature Importance）。随后，我们选取了20个最重要的变量作为关键预测因子，并将其纳入后续的深入分析和建模过程。这样做是为了土壤电导率反演结果——不同机器学习模型：本研究从47个预选特征变量中选取了前20个最重要的特征作为土壤电导率反演的最终特征集合，以提高模型的可解释性。所有选定的气候变量（PDSI、VS、Tmean、PR、PET、AET、土壤）均出现在前20个特征中，凸显了它们与土壤盐渍化之间的强相关性。在植被指数因子中，GVMI和DVI被选中；从盐度指数因子中，S9、ERSSI、SSSI1、S6、SAIO、S7被选中。土壤盐渍化的时空格局：莫桑比克的土壤盐渍化表现出显著的空间异质性。高EC值区域主要分布在尼亚萨（Niassa）和泰特（Tete）北部地区，该地区毗邻马拉维湖及主要水系，以及马尼卡（Manica）西部省和马普托（Maputo）南部的低洼沿海地区。这表明土壤盐分累积具有明显的水文邻近性和地形控制特征（Metternicht和Zinck，2003年）。遥感结果：结论：本研究以莫桑比克为研究区，整合WoSIS土壤剖面数据、Landsat时间序列遥感影像、TerraClimate气象数据和GLC_FCS30D土地覆盖产品，构建了2001至2022年的年度土壤电导率遥感反演框架。通过整合机器学习模型，本研究定量揭示了盐渍化在空间和时间维度上的变化，并探讨了各因子的影响。CRediT作者贡献声明：李悦：撰写——初稿，数据管理。石梦飞：形式分析。张飞：资金获取，概念化。Brian Alan Johnson：可视化。Gowhar Meraj：撰写——审阅与编辑。Jaime Carlos Macuácua：撰写——审阅与编辑。Pankaj Kumar：验证。柴远芳：资源提供。徐洪涛：可视化。马旭：验证。资金：国家重点研发计划（2024YFE0214000）。利益冲突声明：作者声明不存在利益冲突。致谢：作者感谢编辑和所有审稿人提出的富有洞察力的意见，这些意见帮助完善了本研究。本工作得到国家重点研发计划（2024YFE0214000）的支持。李悦|石梦飞|张飞|Brian Alan Johnson|Gowhar Meraj|Jaime Carlos Macuácua|Pankaj Kumar|柴远芳|徐洪涛|马旭