基于多特征优化方法与SHAP的土壤盐度评估及跨区域验证

《Remote Sensing》：Soil Salinity Assessment and Cross-Regional Validation Based on Multiple Feature Optimization Methods and SHAP Shuaishuai Shi, Yu Wang, Jiawen Wang, Jibang Yang, Zijin Bai and Jie Peng

　　

土壤盐度严重威胁全球生态系统与农业生产，实现精准监测是持续优先的研究方向。当前，如何高效利用多源数据集以提升监测精度，同时最小化计算资源消耗，仍是一项关键挑战。该研究系统评估了多种建模策略，包括全数据集建模、方差膨胀因子（VIF）、Boruta算法、粒子群优化（PSO）、蚁群优化（ACO）以及递归特征消除（RFE），并在不同区域（哈萨克斯坦阿拉木图、中国山东）进行了结果验证。研究人员进一步采用多种算法对结果进行验证，包括线性回归（LR）、偏最小二乘回归（PLSR）、极端梯度提升（XGB）、K近邻（KNN）以及随机森林（RF），通过最优方法反演表层土壤（0–20 cm）电导率（EC）。结果表明，输入特征数量显著影响模型性能：区域尺度特征选择不可或缺，其中RFE表现优于全数据集建模（R²最高提升0.28，RMSE降低2.21 dS m^?1），而VIF表现最差。该方法的迁移性也在阿拉木图和山东得到验证。此外，RF算法在土壤盐度制图中表现优异（总体精度=0.73；Kappa系数=0.65）。RFE与SHAP分析结果共同表明，CRSI、BI和MSAVI2是该研究区估算土壤盐度的关键预测因子。综上所述，该研究通过整合多源遥感数据，强调了特征优化与可解释性在土壤属性制图中的关键重要性。

## 研究背景与问题提出

土壤盐渍化是由过量可溶性盐分引起的重大农业问题，导致土地退化、农业生产力下降、水体污染及生态破坏。据统计，全球约有13.81亿公顷盐渍土，约10.7%的土壤受到盐分影响，且每年以10%的速度递增。在中国新疆地区，干旱气候与独特地理位置使土壤盐渍化问题尤为突出，土地退化与优质水资源稀缺已成为制约绿洲生态系统稳定与可持续发展的主要瓶颈。遥感（RS）技术已广泛应用于土壤盐度监测，其中Sentinel系列卫星成为估算土壤盐渍化的可靠工具：Sentinel-2多光谱影像可构建多种遥感指数，但易受云覆盖影响；Sentinel-1合成孔径雷达（SAR）影像具有全天候穿透能力，提供更稳健的地表反射率数据。整合Sentinel-1/2与数字高程模型（DEM）能显著提升土壤盐度评估精度，但也增加了特征数量，可能引入冗余信息。尽管特征选择算法如RFE、Boruta等已被应用，但部分研究发现过滤特征未必提升模型性能，且缺乏系统性的分析与解释。此外，多数研究忽视数据尺度效应与迁移性，限制了成果的普适性。因此，特征选择在不同尺度遥感数据中的必要性及方法选择仍有待深入探索。Google Earth Engine（GEE）平台极大便利了土壤属性的遥感监测，可直接进行图像处理、特征提取及模型应用，适用于实际业务化运行。基于此，该研究旨在探究区域尺度数据下特征工程的作用，发展利用多源遥感数据快速准确制图土壤盐度分布的实用方法。

## 主要技术方法

该研究整合多源遥感数据，在GEE平台上开展土壤盐度高精度制图。研究样本来源于三个区域：新疆南部孔塔莱牧场（site 1，186个样本，0–20 cm，2021年8月采集）、哈萨克斯坦阿拉木图省（site 2，201个样本，2022年5–7月采集）以及中国山东省（site 3，294个样本，2020年采集，网格采样策略）。遥感数据包括2021年8月Sentinel-1 GRD数据、Sentinel-2数据及SRTM DEM数据，经预处理后在GEE平台提取33个遥感特征。特征优化方法涵盖VIF、Boruta、RFE、PSO和ACO五种。建模算法包括LR、PLSR、XGB、KNN和RF回归模型，以及GTB、CART、RF、SVM、KNN和Naive Bayes分类模型。采用SHAP进行模型可解释性分析，通过可视化决策过程识别关键特征。验证环节采用多模型交叉验证及跨区域数据集（site 2、site 3）迁移验证，模型精度评估指标包括R²、RMSE、LCCC、RPIQ、总体精度和Kappa系数。

## 研究结果

### 土壤样本描述性统计
site 1土壤EC范围为0.08–44.35 dS m^?1，均值11.78 dS m^?1，盐渍化程度极高，包含全部六个等级样本，极端等级样本70个，无盐渍化等级32个。site 2土壤EC范围0.04–13.34 dS m^?1，均值0.97 dS m^?1，盐渍化水平相对较低。site 3平均EC仅1.41 g kg^?1，盐渍化程度最低。site 1数据分布有助于提升模型在极端值区域的拟合能力。

### 相关性分析与特征选择
多光谱特征与EC相关性较好，绝对相关系数普遍高于0.5，而SAR特征相对较弱，VH最大绝对相关系数仅0.28。以0.9为绝对相关系数阈值，遥感特征间存在强多重共线性，多光谱特征与SAR特征均如此。VIF有效降低特征相关性，消除多重共线性特征；Boruta保留的7个特征中，BI与MSAVI2相关系数达0.94，仍存在共线性；PSO和ACO虽显著减少高多重共线性特征，但少数特征绝对相关系数仍高于0.9。

### 特征选择对模型精度的影响
初始采用LR模型检验不同特征优化方法对预测精度的影响。区域数据集无特征选择时，校准集与验证集结果差异大（校准集R²为0.61，验证集R²仅0.42）。VIF虽消除特征共线性，但预测精度未提升，反而较全数据集下降（R²由0.42降至0.33）。Boruta在大幅降低特征共线性同时提升预测精度（R²由0.42提升至0.47，RMSE降低1.03 dS m^?1）。PSO和ACO选择的特征构建LR模型预测精度较高，R²达0.53，RMSE为7.69 dS m^?1，RPIQ为2.27。

SHAP值揭示了特征选择过程的影响机制：全特征构建LR模型时，P6–P8的SHAP值最高，其余特征被完全掩盖（均接近0），表明P6、P7、P8完全主导EC预测过程，但这三个特征与EC最大相关系数仅0.26，关键信息被次要特征遮蔽，导致精度偏低。特征优化消除了单个特征对结果的主导影响，高程、盐度指数、极化组合指数等均发挥一定作用。VIF选择的特征中，SI4、高程和P7对EC预测最重要，但除SI4外（绝对相关系数0.51），其余两个特征与EC相关性低（0.39和0.26），导致LR模型精度不理想。Boruta、ACO和PSO的结果均保留了高相关性特征（如MSAVI2、NDVI和BI），使验证集精度高于全数据集和VIF方法。

RFE分析特征维度影响的结果表明，RFE较无选择 consistently 提升预测精度（所有R² > 0.37），预测集R²最多提升0.14。随着特征数量增加，模型校准集与验证集差异逐渐增大，表明加入多重共线性特征使评估模型逐渐偏离。RFE最优特征数为9，此时校准集与验证集结果最接近（R²分别为0.52和0.51）。CRSI、BI和MSAVI2对盐度预测贡献最显著，平均绝对SHAP值均超过1.5；高程是影响RF模型决策的关键因素，平均绝对SHAP值超过0.6，解释了研究区内高程越高盐度越低的趋势。

多模型稳健性验证显示，不同处理方法的效应因模型而异，但VIF结果始终较差，Boruta和RFE结果较优。与全数据集建模相比，VIF过滤使验证集R²降低0.01–0.22，RMSE增加0.06–1.11 dS m^?1；RFE最大提升验证集R²达0.28，降低RMSE 2.12 dS m^?1，LCCC提升0.20。无特征选择时，PLSR以预测集R² 0.49优于其他两个机器学习模型；特征选择后KNN超越PLSR和XGB，验证集R²达0.66。所有模型中，Boruta和RFE consistently 带来更高预测精度，其次为无特征选择，VIF表现最低。KNN结果中Boruta和RFE均显示欠拟合，而RF使用9个特征时验证集R²达0.51，整体性能更优，故RFE-RF为更适宜的评估方法。

### 土壤盐度定性与定量评估
RFE衍生9个遥感特征的全局Moran's I值分析显示，除IPVI外，其余变量均呈强正空间聚类，值域为0.291（SR）至0.567（DEM）。EC（0.625）和DEM（0.567）Moran's I值最高，表明显著空间聚类；IPVI自相关系数（0.0261）接近零，空间分布近乎随机。

六种分类算法在GEE平台的土壤盐渍化等级分类分析表明，树形算法最可靠。GTB、CART和RF总体精度为0.68–0.72，Kappa系数0.57–0.65；SVM与CART表现相当（总体精度0.69，Kappa系数0.59）；KNN位列第三（总体精度仅0.59，Kappa系数0.48）；Naive Bayes表现最差（总体精度低于0.50）。不同算法定性评估结果空间相似，土壤盐渍化等级受地形和人类活动影响，呈"中部重、南北轻"的空间分布。中部为几乎未受干扰的戈壁，受区域气候影响，表土易见积盐，是绿洲内土壤盐渍化最严重区域。RF不仅在分类精度上表现最优，细节刻画也更佳。

RF算法定量反演研究区土壤EC的结果与定性模式一致，呈"南北低、中部高"的空间趋势，受高程和人类活动影响。中部沙漠戈壁区域盐度显著较高，土壤EC值普遍超过20 dS m^?1；山区和农田区域水平较低，多数像素低于8 dS m^?1；山间凹陷区盐度相对较高，多数像素值高于14 dS m^?1。耐盐植被区存在偏差：实测值多高于12 dS m^?1，而模型识别为强盐渍化等级（4–8 dS m^?1），原因可能是难以进入区域野外采样不足，训练样本不充分。site 1土壤盐度范围为2.72–35.94 dS m^?1，略低于实测值（0.08–44.35 dS m^?1），但在可靠范围内。

预测不确定性空间分布显示，标准差（SD）为0.004–7.033 dS m^?1。高不确定性区域（红色区域）与高土壤盐渍化区域重合，特别是西南部耐盐植被覆盖区。这些区域全年被耐盐绿色植被覆盖，植被遮蔽土壤信息，导致预测低盐度与实际极高盐渍化间存在显著差异。RF模型在训练数据稀疏或土壤-地形相互作用复杂区域表现出更大变异性和更高误差。南部农田作物覆盖区不确定性低（绿色区域），环境条件稳定和密集采样使预测更稳定；北部山区盐渍化水平通常较低，预测误差也持续较低。西南部高盐度与高不确定性的共存表明，模型性能对盐渍土强空间聚类高度敏感，需在这些关键区域进行针对性采样以降低预测变异性。

### 方法论验证
使用site 2土壤EC数据和site 3土壤盐度数据进行迁移验证。site 2采用Mukhamediev等提供的数据集，site 3采用2018–2020年5月中值合成影像计算变量。site 2土壤EC数据模型精度随特征数量变化显著，特征数约100时精度最高，较全数据集预测集R²提升38%（0.24至0.33），RMSE降低6%（0.8 dS m^?1至0.7 dS m^?1）；较VIF选择特征预测集R²提升0.18，RMSE降低0.1 g kg^?1。site 3土壤盐度数据模型性能同样受特征数量强烈影响，约20个特征时结果最优，较全数据集预测集R²提升0.05，RMSE降低0.09 g kg^?1；较VIF选择特征预测集R²提升0.2，RMSE降低0.29 g kg^?1。SHAP汇总图显示，site 2 EC评估中amma_vv_2、green_3和blue_5为最重要特征，原始波段数据对盐度预测贡献显著；site 3植被指数是主要因素，远超单波段，NDVI、NDWI、GDVI、DVI和SI对模型影响显著。

## 讨论与结论

该研究讨论了多源数据整合与特征优化的意义。随着遥感数据源的日益丰富和传感器运行寿命的延长，遥感大数据监测成为研究前沿，但有效利用策略的缺乏制约了精准捕捉土壤盐渍化时空动态的能力。土壤盐度本质上由土壤剖面中盐分积累与淋溶失衡驱动，地下水位、蒸发强度和植被覆盖直接调控盐分迁移分布，土壤质地和有机质含量进一步修饰盐离子的保持与移动。整合多源遥感数据（涵盖土壤、植被和环境变量）不仅是技术选择，更是契合盐渍化机制多因子本质的必要途径。该研究通过VIF和特征选择算法缓解多重共线性，特征选择算法衍生的特征子集具有更优预测性能，并将特征数从33个降至9个，提升了计算效率，确保模型聚焦于盐渍化的因果机制而非虚假相关。RFE-和SHAP分析识别CRSI、BI、MSAVI2及高程为核心预测因子，揭示了盐渍化机制、人类耕作改良与地形之间的关联。研究局限性在于空间尺度对机器学习模型精度影响显著，但该研究聚焦于区域尺度高精度在线制图策略以支持后续软件开发应用，未扩展至国家或全球尺度；且研究仅涵盖两个典型区域，聚焦于表层（0–20 cm）盐度，未来需在全球多样气候、土壤和植被条件下确立策略的普适性。

该研究的主要结论如下：（1）特征选择对提升区域尺度土壤盐度反演至关重要：RFE显著提升模型精度，而VIF方法虽缓解多重共线性，但显著降低精度。阿拉木图与山东之间的跨区域验证确认了该框架的稳健性与跨区域迁移性。（2）RF在盐度制图中优于其他算法，提供可靠精度和高分辨率空间细节。RFE和SHAP分析识别CRSI、BI、MSAVI2和高程为核心预测因子，揭示盐渍化机制、人类耕作改良与地形之间的关联。总体而言，该研究推进了多源遥感集成用于土壤制图的认知，阐明了特征选择在模型性能中的作用，并通过关键预测因子深化了对盐渍化驱动因素的洞察，为区域尺度土壤盐渍化制图探索提供了有价值的方法和技术支撑。未来研究应扩展研究区域以增强框架的适用性。