遥感技术与机器学习在土壤盐分评估中的综合应用：当前方法、进展与未来展望

《Archives of Agronomy and Soil Science》：Integrated use of remote sensing techniques and machine learning in assessing soil salinity: current approaches, methods, and future perspectives

　　

土壤盐渍化在气候变化与人类活动的驱动下，正威胁着全球超过4.12亿公顷土地的粮食安全，因此亟需精准监测手段。传统方法虽准确但成本高昂且耗时。本综述系统梳理了近年来将遥感（RS；无人机、卫星、高光谱）与机器学习（ML；随机森林、SVM、ANN）相结合用于土壤盐分评估的研究进展。遥感提供大尺度时序数据，而机器学习能够捕捉复杂的非线性关系。多传感器融合（如光学-雷达）与集成机器学习可提升精度（R²最高达0.98）。然而，现有方法仍存在局限：依赖表层数据（0–20 cm）、植被光谱干扰、训练样本集偏小以及泛化能力不足。深度学习（DL）架构（如U-Net、FCNN）在特定任务中优于传统机器学习，包括盐分等级的语义分割（精度>90%）与深层电导率（EC）预测（R²最高达0.85）。未来研究须借助深度学习、时间序列分析与近端传感弥合根区盐分监测的缺口。一个融合气候、地形与土壤协变量的数字土壤制图（DSM）框架对于构建稳健、可迁移的模型至关重要。优先开展大尺度验证与标准化方法，将推动盐分评估从制图走向预测性管理，从而支撑可持续农业与土地修复。

引言部分指出，土壤盐渍化是受气候变化与不可持续农业实践加剧的全球性环境挑战，盐渍化土壤威胁农业生产、森林生态系统与人类福祉。联合国粮农组织（FAO）报告全球逾13亿公顷土地受盐分影响，导致水稻、小麦、玉米等主要作物显著减产，且预计到2050年将增加50%。盐渍化成因涉及气候条件、土壤属性、灌溉实践与土地管理等多因素耦合，低质灌溉水会加速盐分累积与土壤退化。次生盐渍化主要与灌溉、土地利用变化及水文条件改变相关，包括灌溉诱导型、旱地型与沿海型（海水入侵与海平面上升驱动）等类型。修复策略包括淋洗、石膏施用、有机改良与盐生植物种植，但其有效性取决于盐分类型与程度、场地土壤条件及经济可行性。

土壤盐分对土壤特性的影响部分阐明，盐渍土以溶解盐浓度升高为特征，包括Ca²⁺、Na⁺、K⁺、Cl^–、Mg²⁺、SO₄^2–、HCO₃^?与CO₃^2–等，电导率（EC）超过4 dS m^?1。过量钠离子通过增加容重、降低渗透性与稳定性损害土壤结构，削弱持水能力与入渗速率。高盐累积抑制硝化细菌生长、微生物呼吸与酶活性，损害土壤生物功能。其形成受灌溉、地下水动态与气候条件影响。

土壤盐分对植物的影响部分指出，盐胁迫通过限制水分吸收、离子毒害、渗透胁迫、养分缺乏与氧化胁迫等多重途径抑制植物生长与发育，降低叶绿素含量与光系统II效率，损害生殖发育，阻滞细胞周期并抑制种子萌发与幼苗发育。离子失衡（尤其Na⁺与Cl^?累积）损害蛋白质结构与代谢，Na⁺替代K⁺干扰酶功能与蛋白质构型。盐分水平依据其对植物的影响进行分类，高盐条件下仅少数耐盐物种可存活。

盐渍土与盐胁迫植物的遥感部分说明，盐渍土光谱反射特征显著区别于其他土壤类型，地表白色盐结晶增加可见光与近红外区域反射率，结合1400 nm、1900 nm与2200 nm处的水分与盐分吸收特征可实现光谱识别。1440、1750、1940与2200 nm处吸收峰指示石膏存在，可见光-近红外光谱（VNIRS）技术可实现富石膏土壤的空间制图。研究展示了风干土壤样品的光谱反射分析及纯盐矿物反射模式，以及盐条件下甘蔗的Vis/NIR光谱反射曲线，550–700 nm处叶绿素吸收导致的反射率下降与700 nm后的反射率升高被用于评估盐分对植物矿质含量的影响。

土壤盐分监测部分强调，电导率（EC）是最广泛使用的盐分指标，传统实验室分析虽准确但费时费力，电磁感应（EMI）与介电传感器等田间技术可快速无损测量但无法直接识别单个盐离子。机器学习（ML）使得从易测物理属性预测土壤离子组成与盐分成为可能。地理信息系统（GIS）与遥感的集成革新了大尺度盐分评估，Landsat、Sentinel与IKONOS等卫星平台结合光谱指数实现快速低成本制图。但遥感仍受限于对特定离子的敏感性不足、探测深度浅（通常0–20 cm）以及根区盐分估算精度下降，密集植被覆盖与滴灌系统亦会遮蔽光谱信号。为此，研究者引入植被胁迫指数、地形与气候协变量以及EMI和低频合成孔径雷达（SAR）等互补传感技术。机器学习算法如随机森林（RF）、支持向量机（SVM）、梯度提升、Cubist、MARS、CART、SGT、LASSO、PLSR与空间回归模型已成功应用于多光谱与环境数据集，其中RF在多项研究中表现突出，但模型性能高度依赖输入变量质量与算法选择，且多数研究聚焦单一离子而非离子比值。

方法论部分阐述，本综述依据PRISMA指南设计，包括识别、筛选、合格性评估与纳入四个核心阶段。检索于2025年3月15日在Scopus、Web of Science与Google Scholar进行，使用英文与土耳其文关键词，构建土壤盐分、遥感与机器学习三个概念模块的布尔组合。初步检索获得458条记录，去除重复后筛选217条标题与摘要，排除48条，全文评估169篇，排除7篇，最终纳入167篇科学文献，并在修订过程中补充5篇涉及多区域可迁移性、稀疏样本建模、特征选择优化与荒漠化-盐渍化耦合的高相关研究。纳入标准要求为同行评议原创研究、以遥感与机器学习联合预测/分类/制图土壤盐分为主要目标、方法透明且全文可获取；排除综述、社论、书籍、学位论文、非同行评议会议论文及仅用传统统计或纯实验室光谱研究。文献发表年份为2001至2025年，重点聚焦2019年后尤其是2020–2024年的研究。

遥感技术部分指出，多光谱与高光谱成像技术因快速、经济、适合大面积应用而广泛用于土壤盐分评估。光学遥感受云覆盖限制，热红外遥感有效评估土壤湿度与植物胁迫，雷达遥感不受天气条件影响且对土壤湿度与地表形变监测有价值，LiDAR生成高分辨率三维数据支持地形建模，EMI测量土壤电导率尤其适用于探测地下盐分与水分变化，光谱辐射计在实验室与田间均能提供高精度结果。这些技术可互补使用以增强空间覆盖、分辨率与诊断精度。卫星与航空数据虽具备广域覆盖与频繁时间更新优势，但面临大气干扰遮蔽盐渍土微弱光谱特征、光学与SAR传感器相对根区穿透深度有限、异质景观光谱混合等盐分特异性挑战，需采用针对盐分的大气校正模型、策略性整合原位EC测量进行校准验证并审慎选择传感器组合。

光谱辐射计用于土壤盐分表征部分介绍，Fu等（2021）在中国阜康地区采用VNIR-SWIR光谱结合Grünwald-Letnikov分数阶导数（FOD）方法预测土壤EC，R-FOD-CC1-CARS-GRNN模型R²为0.77–0.81，FOD方法增强了光谱数据与盐分的相关性但RF模型表现欠佳且区域特定最优分数阶值凸显泛化挑战。Jia等（2022）在中国整合高光谱数据、地形因子与传统盐分指数，采用SNV、Log(1/OR)与FOD预处理，二维相关系数较一维更有效，GBM模型选取13个特征因子解释90%累积重要性，ERT模型模拟R²达0.98、验证R²达0.96，但样本量小且未测试跨区域泛化性。?ini（2014）在土耳其哈兰平原采用VNIRS结合人工神经网络（ANN）预测EC，但训练与测试数据集小且同质限制了泛化性。Bilgili等（2015）在同一地区比较VNIRS与EMI，VNIRS预测EC的R²为0.80–0.91，优于EMI的0.47–0.79，但采样与实验室分析费时费钱且地形、地下水位与农业实践影响盐分分布。

电磁感应（EMI）互补原位技术部分说明，EMI作为广泛使用的地面传感技术可快速采集大范围土壤电导率数据，为遥感产品提供地面真值并支撑卫星/无人机数据混合建模。EM-38测量土壤表观电导率（ECa），对近地表（0–1.5 m）盐分分布制图尤为有效。Yao与Yang（2010）在中国黄河三角洲基于TDS与ECa建立多元线性回归模型并结合GIS与地统计方法制图，指出土壤湿度、质地与密度影响测量精度。Gu等（2023）整合EMI与深度学习（CNN编码器-解码器网络）建模干旱区水盐运移，R²=0.99、RMSE=0.258 mg cm^?3，结合HYDRUS-1D模型提供快速低成本替代方案，但犁底层过不透水时精度下降。Ganjegunte等（2014）在美国得克萨斯州利用EMI结合MLR将ECa转换为ECe与SAR值，提供有效快速低成本制图方法但受土壤湿度、黏粒含量与有机质影响且仅限两个区域。Ding与Yu（2014）在中国新疆渭干河-库车三角洲绿洲结合EM-38与Landsat TM监测季节空间分布，回归克里金（RK）方法预测最准确，但样本量小、Landsat空间分辨率限制与环境因素影响EM-38读数。

低空平台无人机（UAV）遥感应用部分指出，UAV提供灵活低空平台，可搭载多种传感器实现极高空间与时间分辨率，对精准农业与定向土壤监测尤为宝贵。Luo等（2025）在中国干旱半干旱区利用UAV多光谱数据预测大麦植被下不同深度（0–10、10–20、20–30、30–40 cm）土壤盐分，GPR模型在0–10 cm与30–40 cm层精度较高（R²=0.77与0.70），RF在中间层表现最佳，植被覆盖显著影响预测精度。J. Cui等（2023）采用UAV多光谱数据与灰色关联分析（GRA）选择变量，GRA-3-BPNN模型在0–20 cm深度R²=0.77，但20–40 cm性能下降。Zhao等（2022）强调红边波段显著提升盐分预测模型精度，BPNN在植被区R²=0.83。X. Cui等（2023）在内蒙古河套灌区监测向日葵田不同生育期土壤盐分，ANN模型R²=0.64–0.71，叶面积指数（LAI）为最敏感植物参数。Ivushkin等（2019）在荷兰部署搭载高光谱与热红外相机的UAV评估藜麦盐胁迫，发现生理反射指数（PRI）较NDVI与OSAVI等常规宽带指数更能指示盐胁迫下光合效率下降，多传感器数据融合（高光谱、热红外、LiDAR株高）使MLR模型R²达0.64。Liu等（2024）在中国整合UAV高光谱与较粗分辨率多光谱卫星影像，将卫星模型R²从0.63提升至0.78、RMSE从2.255降至2.043，最终盐分分布图精度从75.771%提升至90.774%，DCVW缩放方法精度较高（R²=0.85）。

LiDAR技术在土壤盐分评估中的应用部分介绍，LiDAR基于激光的遥感技术广泛用于分析植被高度、土壤结构、地形与水流动态，其高分辨率三维制图能力对精准农业尤为宝贵。Hladik与Alber（2012）在佐治亚州萨佩洛岛盐沼评估LiDAR衍生数字高程模型（DEM）精度，经物种特异性校正因子修正后平均误差从0.10 m降至0.01 m、RMSE从0.16 m改善至0.10 m，但密集植被区域受限且校正因子缺乏普适性。Liu等（2005）在澳大利亚维多利亚州科兰加米特流域利用高分辨率LiDAR衍生DEM改进盐分风险预测，较Vicmap DEM更准确识别风险区并防止高估，但数据获取成本高、处理复杂且地理范围有限。

雷达遥感部分说明，雷达为主动遥感技术，利用微波信号并测量目标后向散射，可在全天候昼夜工作，对地表粗糙度、植被结构与土壤介电特性敏感，C、L与P波段在穿透深度与空间分辨率间存在权衡。Hoa等（2019）在越南湄公河三角洲利用Sentinel-1 C波段SAR数据经灰度共生矩阵（GLCM）提取纹理特征，高斯过程（GP）模型与野外测量强相关（r=0.80，RMSE=2.885）。Wu等（2019）在伊拉克穆萨伊卜地区结合ALOS L波段与Landsat 5 TM影像，经水体云模型校正植被与水分影响后，雷达后向散射与EC强相关（R²=0.56–0.67），模型精度70.05%。Merembayev等（2022）在哈萨克斯坦南部结合雷达、温度与高程数据，高斯过程分类器性能最佳（Recall=0.60；F1=0.67），SHAP分析识别contrast_vv等雷达衍生特征最具影响力。Muhetaer等（2022a）在中国克里雅绿洲融合Landsat 8光学指数与ALOS PALSAR-2雷达特征构建光学-雷达盐分检测指数（ORSDI），最优ORSDI3与EC的R²=0.65；Muhetaer等（2022b）仅用极化SAR（PolSAR）数据构建雷达盐分检测指数（RSDI），RSDI1的R²=0.63。Tola等（2024）在玻利维亚阿尔蒂普拉诺整合Sentinel-1与Sentinel-2及SRTM地形数据，组合模型预测EC精度最佳（R²=0.76），但雷达数据在翻耕田块因地表粗糙度信号饱和而效果较差。Lasne等（2008）通过实验室实验发现介电常数实部对水分更敏感、虚部对盐分更敏感，VV极化较HH极化对盐分更敏感，但依赖纯NaCl与理想光滑表面限制实际适用性。

卫星光学遥感与集成建模部分指出，Landsat与Sentinel-2等光学卫星因广泛可用、多光谱能力与长历史存档而成为最普遍数据源。Kabiraj等（2023）在印度沿海利用Google Earth Engine（GEE）平台分析Sentinel-2、Landsat 8与Landsat 5影像及地形数据，RF模型2020年制图约134.4 km²盐渍化土地，总体精度93%。Ghazali等（2020）在马来西亚利用Landsat 8衍生土壤盐分指数（SSI）追踪30天干旱期EC从2 dS m^?1增至0.5 dS m^?1（原文如此），归因于高蒸发与降雨缺乏，但30米空间分辨率限制更精细分析。Wang等（2021）利用Sentinel-2 MSI数据与SVM模型预测制图土壤EC，R²=0.88、RMSE=4.89 dS m^?1。Nguyen等（2021）在越南湄公河三角洲融合31个独立变量与原位水盐样本，XGBoost经蚱蜢优化算法（XGR-GOA）优化后性能最佳（R²=0.86，RMSE=0.076，MAE=0.065）。

土壤盐分指数部分说明，NDSI、SI与SSI等指数为利用卫星或航空平台光谱波段数据的数学公式，用于快速估算大面积土壤盐浓度，通常基于可见光（蓝、绿、红）、近红外（NIR）及Sentinel-2红边波段组合。Khan等（2005）使用蓝与红波段乘积平方根（SI1），Douaoui等（2006）采用绿、红与NIR波段平方和（SI3），Wang等（2019）系统测试数十种含红边波段的指数变体。任何指数的性能因波段中心波长、区域土壤属性、植被状态与大气条件而异，不存在普适最优指数，须通过验证研究在本地条件下校准。

机器学习模型部分指出，机器学习是使计算机系统从数据中自动学习并预测模式或事件的统计与算法方法，尤其适用于模式识别、分类、回归与聚类等大数据任务。SVM、ANN与RF在盐分评估中广泛应用，Taghizadeh-Mehrjardi等（2021）证明遥感数据与机器学习结合制图土壤盐分的有效性，Farifteh等（2008）为模型提供盐渍土光谱特征的基础认识。图7基于104篇同行评议文献的方法学分析展示变量使用频率，Na⁺、K⁺与Ca²⁺为最常用离子，因其决定盐分化学特征并支撑EC预测；地形与植被指数作为空间与光谱指标频繁整合，地形控制地表与地下水流动进而影响盐分累积与淋洗带；水分、有机质与pH作为辅助变量使用频率较低但分别影响盐分迁移溶解、离子保持能力与碱化盐分条件。该分布表明盐分建模与EC预测需多变量多源方法。深度学习（DL）代表范式转变，全连接神经网络（FCNN）可同时纳入表层盐分特征、关键环境驱动因子及其时滞效应与非线性响应以预测深层盐分，未来可借助长短期记忆（LSTM）网络等时序DL架构处理极端事件时滞量化与微观尺度因子等挑战，并发展深度融合物理过程理解（如HYDRUS-1D）与数据驱动学习的混合框架以提升泛化性。RapidEye 5米分辨率影像结合光谱指数在区分中度与重度盐分等级方面表现良好，SII指数在分离两类盐分中结果最均衡，NDSI特异地预测重度盐分、NDVI预测中度盐分，U-NET架构因可自动处理光谱及纹理与模式信息而优于SVM等方法，300次迭代后总体精度达93.78%，未来通过迁移学习适配不同区域可建立自动化低成本全球监测系统。

集成遥感与机器学习方法的综合与荟萃分析部分，基于167篇系统综述文献对明确整合RS与ML的研究进行系统综合，代表性研究汇总于表13，通用工作流见图6。定量性能分析显示，所汇总研究报告R²为0.49–0.89、RMSE为0.03–1.83 dS m^?1，方法选择、研究区域与数据质量对结果有决定性影响。多传感器融合系统性优于单源方法，如He等（2024）融合Sentinel-1与Sentinel-2数据RF模型R²=0.80，Das等（2023）利用AVIRIS-NG高光谱数据与集成ML模型R²=0.89。算法性能荟萃综合表明RF最常用（约38%）且表现最稳定，XGBoost在结合土壤温度与水分等辅助变量时R²>0.77；有趣的是，当数据集较小（如203样本）时，Amirgaliyev等（2024）发现简单岭回归优于复杂LightGBM，凸显模型复杂度与数据数量/质量间的平衡。方法学进展方面，高光谱数据与高分辨率SAR数据的使用实现了对盐分光谱与物理特征的更精确捕捉并催生新指数，最成功模型将遥感光谱指数与地形（DEM）、植被指数（NDVI、GNDVI）及土壤属性（水分、温度、离子浓度）结合。Xu等（2020）开发自适应遗传算法（AGA）同时优化SVR特征子集与超参数，在中国新疆三个绿洲R²=0.875–0.955，输入特征从25个减至10–11个，表明特征重要性因区域而异且联合优化对区域特定建模至关重要。Chen等（2022）提出TPE-XGBoost混合模型联合优化超参数与特征选择，应用于四个环境条件迥异的研究区，测试集R²=0.80–0.95，最优特征子集分别为19、11、25与15个，证明不存在普适特征集且需自适应本地校准模型。时间序列分析与空间建模方面，密集卫星影像档案（如Sentinel-2 5天重访）使时间序列分析成为可能，可捕捉灌溉、蒸发与降雨驱动的季节波动，Wang等（2022）利用时间序列Sentinel-2影像结合RF-时序卷积网络建模总盐含量，通过捕捉时间依赖性提升精度。GIS为整合多源地理空间数据提供平台并支持空间回归技术（如回归克里金、地理加权回归），通过纳入空间自相关常优于非空间模型并降低预测误差。Wang等（2023）提出Mixup-LightGBM框架应对稀疏样本条件，通过线性插值生成合成样本并经贝叶斯优化联合优化特征选择与超参数，仅用50%原始样本即达R²=0.88–0.96，在中国新疆玛纳斯河流域（101样本）与渭干河-库车三角洲绿洲（72样本）验证，SHAP分析显示DEM与植被指数（EVI、NDVI）持续重要而区域特定因子差异显著，特征选择将输入维度从62降至11–19且不损失精度。Wang等（2025）开发自动化机器学习框架，通过贝叶斯优化在12种候选算法中同时搜索最优算法、超参数与特征子集，应用于中亚（518样本）与新疆（978样本），分别识别ERT与XGBoost为最佳算法，R²>0.70，结合SHAP交互分析与ForceAtlas2图布局算法可视化37个环境变量间的非线性交互，降水与最低气温为最具影响力因子，并预测1950–2100年SSP2-4.5与SSP5-8.5情景下区域平均盐含量可能分别增加+20.94%（中亚）与+64.76%（新疆）。Song等（2021）开发微波后向散射贡献分解（MBCD）模型从Sentinel-1 C波段SAR数据中分离土壤后向散射与植被贡献，应用于咸海干涸盆地，简单微波后向散射阈值（SMSBT）模型基于土壤后向散射系数分类荒漠化程度，表明土壤盐分与荒漠化在旱地系统中紧密耦合，咸海干涸湖底逾68%（约41,878 km²）受荒漠化影响，当体积土壤含水量低于5%时盐分对后向散射影响可忽略、超过10%时高水分本身即可阻止荒漠化。普遍且关键的方法学局限方面，167篇研究中绝大多数重复以下局限：缺乏泛化性与区域特异性，近92%研究在单一地理区域开发验证模型而未在不同土壤-气候条件下测试，为最严重的方法学弱点；数据采集有限且浅表，样本量小且采样多限于0–20 cm深度而忽视根区以下盐分动态；时间错位与动态性忽视，遥感影像获取日期与野外采样间存在差异且多聚焦单一时间点；计算成本与业务化挑战，Cubist或深度学习等方法制图计算时间可达数百秒，构成大尺度业务化应用的实际障碍。

未来研究框架部分指出，当前文献已在数据融合、RF/XGBoost等稳健算法与多变量方法上达成共识，但泛化性危机仍是领域进步的主要障碍。未来研究须致力于：建立标准化基准与可迁移性研究，创建来自不同大陆与生态系统的标准化开放获取数据集并测试模型可迁移性；过程知情混合建模，从纯数据驱动"黑箱"模型转向结合ML预测能力与盐分运移累积物理模型的"物理知情机器学习"方法；深度剖面与时间序列分析，优先整合垂直盐分剖面与长期遥感时间序列；计算效率与用户友好工具，增加云计算（GEE）与开源软件使用以使方法对田间专家与决策者可及可用。

数字土壤制图（DSM）框架与未来展望部分说明，DSM利用统计或机器学习模型将野外观测与空间详尽协变量关联以预测土壤属性为连续空间变量，为建模土壤盐分等复杂动态现象提供理想结构。SCORPAN模型将土壤属性定义为其他土壤属性（S）、气候（C）、生物（O）、地形（R）、母质（P）、年龄（A）与空间位置（N）的函数，对土壤盐分而言须整合遥感光谱指数（如SI、NDVI）及气候数据、地形湿度指数、地下水位与土地利用历史，以更好表征控制盐分累积与运移的过程。DSM框架下的未来研究方向包括：深度学习用于复杂数据融合，卷积神经网络（CNN）适于从影像提取空间模式与纹理，LSTM等循环架构可利用时间序列卫星数据建模季节与年际盐分动态，混合模型可融合光学、雷达、LiDAR与EMI多源数据；显式建模时间动态，通过GEE等平台整合卫星数据时间序列分析以监测季节波动、灌溉影响与长期盐渍化趋势，契合SCORPAN的年龄与气候因子；借助GIS与云计算实现业务化，GEE等云平台可处理大规模时空数据集并生成用户友好的盐分风险图与管理区划；应对深度挑战，未来须优先发展根区盐分估算策略，包括发展近端传感（如EMI）与表层光谱/热数据间的传递函数、使用遥感表层条件驱动的机理模型（如HYDRUS）以及在配对表层-亚表层数据集上训练深度学习模型；标准化、开放科学与泛化性，需建立涵盖不同生态区与盐分水平的大型标准化公开数据集，推广开源代码、透明方法学与可重复工作流。通过采用战略性结合多源数据融合、先进ML/DL、时间分析与GIS集成的DSM框架，研究可从单纯制图盐分演进为预测其变化并制定针对性、场地特定的管理干预。图8展示104篇文章中遥感传感器类型与机器学习算法分布，光学卫星影像（Sentinel-2、Landsat）为最常见数据源，RF与SVM在本领域占主导。图9可视化模型性能范围及校准与验证阶段差异，校准模型R²较高（0.60–0.98）、RMSE较低（0.03–1.83），验证阶段性能略降（R²：0.55–0.96，RMSE：0.15–2.04），表明模型在其训练数据集上表现更好但应用于独立数据集时泛化性可能降低。图10展示104篇文章的全球分布及基于R²的区域成功率，研究主要集中在中国、美国、伊朗、澳大利亚与中东，颜色越深表示模型精度越高。

性能指标选择与解释部分指出，预测模型定量评估需应用稳健性能指标，指标选择由盐分评估中国有挑战（数据尺度异质性、空间变异及解释力与实用性的双重需求）所引导。误差量级指标方面，RMSE与MAE被普遍报告，RMSE因平方运算对大偏差敏感，适于识别高盐异常或"热点"，MAE提供绝对误差算术平均且受异常值影响较小。拟合优度指标方面，决定系数（R²）评估模型预测因子解释观测盐分方差的比例，但可能因过拟合场地特定条件而虚高，且高R²不保证低绝对预测误差，故须与误差量级指标并列报告。标准化指标方面，残差预测偏差（RPD）与相对均方根误差（RRSE）实现跨研究可比，RPD超过2.0常被视为土壤属性稳健预测性能的标志。相对误差指标方面，平均绝对百分比误差（MAPE）将平均预测误差表示为观测值的百分比，便于跨不同绝对盐分范围沟通模型性能。综上，盐分建模所用指标组合反映学科多维需求，无单一指标可提供完整评估，严谨评估应采用多指标框架，建议研究常规报告至少一种绝对误差指标（RMSE或MAE）、R²与标准化指标（RPD）的组合，以提升研究发现的透明度、可重复性与比较效用。

结论部分归纳：集成方法的有效性方面，遥感/近端传感（光谱、雷达、EMI）与机器学习（主要为RF、SVM、ANN）的协同已被证明对表层（0–20 cm）土壤盐分制图高度有效，研究常报告高精度（R²>0.80），数据融合（如光学-雷达）与集成方法进一步提升预测可靠性。关键方法学优势方面，快速低成本覆盖大面积、利用Sentinel-2等平台丰富光谱-时间数据立方体以及建模复杂非线性关系是该范式的根本优势。持续局限方面，光学方法探测深度浅限制根区评估、模型特异性导致区域间泛化失败、数据质量依赖大气条件与植被覆盖以及常依赖小型局部训练数据集。关键缺口与未来路径方面，须通过整合近端传感（如EMI）、时间数据与过程模型开发深度特定模型以估算根区盐分，采用深度学习架构（如CNN、LSTM）与数字土壤制图框架（如SCORPAN）处理复杂多源数据融合、提升泛化性并生成空间连续预测，优先利用GEE等云平台开展系统时间序列分析以动态监测季节与长期盐分变化，并建设涵盖不同土壤-气候区域的大型多样开放获取数据集以实现稳健模型训练、基准测试与可迁移性。