一种基于人工神经网络(ANN)特征增强的嵌套机器学习方法,用于从Landsat数据中反演土壤盐度
《Agricultural Water Management》:A novel ANN-feature-enhanced nested machine learning method for soil salinity retrieval from Landsat data
【字体:
大
中
小
】
时间:2026年05月07日
来源:Agricultural Water Management 6.5
编辑推荐:
冯全清|詹晨生|史虎|林中华|杜朝阳|曹欣|孟慧敏|张俊哲
中国科学院地理科学与自然资源研究院玉城综合实验站,北京,中国
**摘要**
土壤盐碱化对灌溉地区的农业生产力和粮食安全构成了日益严重的威胁。为了支持这些脆弱地区的可持续土地管理,本研究开发了一种基于人工神经
冯全清|詹晨生|史虎|林中华|杜朝阳|曹欣|孟慧敏|张俊哲
中国科学院地理科学与自然资源研究院玉城综合实验站,北京,中国
**摘要**
土壤盐碱化对灌溉地区的农业生产力和粮食安全构成了日益严重的威胁。为了支持这些脆弱地区的可持续土地管理,本研究开发了一种基于人工神经网络(ANN)的特征增强嵌套机器学习框架,利用Landsat卫星图像对下黄河灌溉区(LYRID)的土壤盐度进行绘制。LYRID是中国最重要的粮食生产区之一。该框架有效利用了ANN的优势来增强特征表示,从而在样本量有限的情况下显著提高了模型精度。使用ANN增强特征构建的支持向量回归模型(AEF_SVR)表现出较高的预测性能(R2 = 0.72 ± 0.05,RMSE = 2.83 ± 0.35 dS/m,MAE = 1.77 ± 0.13 dS/m),明显优于复制特征空间模型和现有的全球土壤盐度测绘产品。盐度测绘结果显示出明显的西南-东北梯度,约41.72%的盐碱化耕地集中在黄河三角洲附近,这可能是受到浅层地下水和海水入侵的影响。同时,几个内陆灌溉区仍存在局部盐碱化风险,突显了该地区土壤盐碱化的空间异质性。这些发现表明,所提出的框架为精确盐度监测和针对性土壤管理提供了一个可靠且可解释的工具,为民用河灌溉区及其他脆弱农业地区的盐碱化控制与可持续灌溉实践提供了科学支持。
**1. 引言**
土壤盐碱化是由于土壤中可溶性盐分持续积累造成的全球性环境问题(Tang等人,2024年)。盐分的积累不仅会破坏土壤结构并扰乱微生态系统,还会抑制作物生长,导致产量减少,从而对农业生产力和粮食安全构成严重威胁(Tarolli等人,2024年)。中国约有四分之一的耕地受到盐碱化的影响,黄淮海平原的半干旱至半湿润区域是该国主要的盐碱土区域之一(Liu和Wang,2021年)。位于该平原内的下黄河灌溉区(LYRID)跨越山东和河南两个农业省份,是中国最大的连续重力灌溉系统,覆盖面积近500万公顷,包括内陆和沿海盐碱土(Yang和Wang,2015年)。作为中国的主要粮食生产区之一(Liu等人,2017年;Shi等人,2017a),准确识别和管理该地区的土壤盐碱化对于确保粮食安全和促进可持续农业发展至关重要。
近年来,通过整合卫星遥感数据、实地测量和机器学习算法,在土壤盐度反演方面取得了重大进展(Elshewy等人,2024年;Jia等人,2024年;Wang等人,2020a年)。像Landsat这样的光学传感器具有中等空间分辨率和高时间频率,为大规模盐度监测提供了有价值的数据集(Bhuyan等人,2023年;Gorji等人,2020年;Thangarasu等人,2025年)。先前的研究表明,从可见光、近红外和短波红外波段获得的光谱指数能够有效表征土壤盐度的空间变化(Wang等人,2022年;Wang等人,2020b年)。机器学习算法,如自适应提升(AdaBoost)、分类提升(CatBoost)和随机森林(RF)以及极端梯度提升(XGBR),已被广泛验证为有效的土壤盐度预测工具(Das等人,2023年;Sarkar等人,2023年;Wang和Sun,2024年;Xiao等人,2023年)。此外,作为机器学习重要分支的人工神经网络(ANN)能够更好地捕捉光谱特征与土壤盐度之间的非线性关系(Farifteh等人,2007年;Jiang等人,2023年;Shahabi等人,2016年;Thangarasu等人,2025年)。尽管取得了这些进展,但在LYRID准确绘制土壤盐度仍具有挑战性。盐碱土的光谱响应具有强烈的区域依赖性(Song等人,2016年;Wang等人,2024年),这限制了现有模型(如Bian等人提出的黄河三角洲特征空间方法)的通用性。此外,像Wang等人(2025年)生产的全球尺度产品需要系统验证,以评估其在区域层面的准确性和适用性。虽然ANN在非线性特征表示方面具有优势,但它们通常需要大规模的数据集来防止过拟合(Cui等人,2023年;Golestani等人,2023年;Guan等人,2013年)。然而,获取足够的土壤盐度实地样本往往很困难,这限制了基于ANN的模型的广泛应用。因此,一个关键的研究问题是如何在样本量有限的情况下充分发挥ANN的潜力,并建立一个适用于LYRID的有效反演框架。
为应对这些挑战,本研究提出了一种基于ANN的特征增强框架,利用Landsat光谱图像作为唯一数据源进行土壤盐度反演。开发了一种创新的嵌套建模架构,将ANN与传统机器学习算法相结合,以探索ANN在增强模型泛化能力方面的潜力。该框架与其他盐度测绘方法进行了系统的比较和评估,以评估其稳健性和适用性。研究结果为LYRID地区的土壤盐度精确监测和针对性管理提供了方法论见解和技术支持。
**2. 材料与方法**
**2.1. 材料**
**2.1.1. 研究区域**
LYRID是中国最大的连续重力灌溉系统,覆盖河南和山东两省的17个城市和86个县,面积约为500万公顷。该地区的耕地面积约为45000平方公里,设计灌溉面积为357.9万公顷,有效灌溉面积为280万公顷。该地区生产的粮食占黄淮海平原总产量的约四分之一。LYRID具有半干旱至半湿润的气候特征,年降水量在400至800毫米之间,主要集中在夏季。年平均气温在13.34°C至15.61°C之间,土壤湿度介于0至276.31×10^-3 m3·m^-3之间。研究区域位于中国主要的盐碱土分布区之一——黄淮海平原的半干旱至半湿润盐碱土区,包括沿海和内陆盐碱土。
**2.1.2. 数据**
**2.1.2.1. 土壤盐度样本采集与预处理**
为了建立土壤盐度模型,2024年11月18日至29日在研究区域的耕地中进行了系统的土壤样本采集。共收集了279个样本,去除异常值后保留了262个有效样本。采样点遍布整个下黄河灌溉区,涵盖了该地区的所有15个大中型灌溉区。这种空间覆盖确保了样本能够代表灌溉系统内的主要耕地环境,并捕捉研究区域内土壤盐度条件的空间变异性。在每个30米×30米的采样网格内随机选择三个采样点,从0–20厘米的土层中采集土壤样本。三个子样本彻底混合形成复合样本,并使用手持GPS设备记录网格中心的地理位置。
土壤盐度含量(SSC)采用重量法测定。具体步骤如下:
(1) 将50克风干的复合土壤(通过2毫米筛网)放入宽口塑料瓶中,加入250毫升无二氧化碳蒸馏水。
(2) 用橡胶塞密封瓶子,在振荡器上摇晃3分钟,然后过滤得到透明滤液。
(3) 将一定量的滤液放入预先称重的瓷蒸发皿中,并在水浴中加热。
(4) 将蒸发皿擦干,放入100–105°C的烤箱中直至达到恒重,然后称量蒸发皿和干燥残渣的质量(m1和m0)。
SSC的计算公式为:
SSC = (m1 ? m0) / m × 1000
其中m1是蒸发皿和残渣的重量(克),m0是蒸发皿的重量(克),m是风干复合样本的重量(克)。
为了便于与使用电导率报告土壤盐度的研究进行比较,随后将SSC值转换为饱和浆液提取物的电导率(ECe),使用以下经验公式(Tao等人,2024年):
ECe = 3.17 × SSC ? 0.31
其中ECe是饱和土壤提取物的电导率(dS/m),SSC是可溶性总盐含量(克/千克)。
根据转换后的ECe值,数据集中的土壤盐度范围从几乎无盐到高度盐碱化不等,反映了灌溉区内耕地的盐碱化环境的异质性。样本中的盐度分布与下黄河流域灌溉农业区的典型特征一致,大多数耕地为非盐碱化或轻度盐碱化,而某些地区存在中度至高度盐碱化。转换后的ECe值统计摘要见表1。
**2.1.2.2. 卫星数据采集与处理**
Landsat传感器具有高空间分辨率和规律的 revisit周期,提供一致、长期的光学遥感数据。Landsat 8和Landsat 9都配备有操作陆地成像仪(OLI)和热红外传感器(TIRS),具有相同的光谱配置和空间分辨率。自Landsat 9于2021年10月投入运行以来,Landsat 8和9的联合运行将同一地点的 revisit间隔缩短至约8天,提高了时间监测能力。本研究使用了Landsat 8/9 OLI的表面反射率产品来获取光谱指数。这些产品的空间分辨率为30米,并使用了土地表面反射率编码(LaSRC,v1.5.0)(Vermote等人,2016年)进行了大气校正。研究中使用的Landsat表面反射率产品均为Tier1级别。数据预处理在Google Earth Engine(GEE)平台上进行。基于实地调查日期,选择了2024年11月18日至29日的图像,以匹配采样周期,具体波段信息见表2。处理包括使用Mask函数(CFMASK)算法(Foga等人,2017年)进行云层屏蔽和图像中值合成。处理后的图像被中值合成,生成单一的复合图像,用于后续的光谱指数计算和分析。
**表2. 本研究中使用的卫星传感器参数**
| 卫星 | 波段 | 波长/带宽(μm) |
| ---- | ------ | -------- |
| Landsat 8/9 | Blue | B2 | 0.452–0.512 |
| | Green | B3 | 0.533–0.590 |
| | Red | B4 | 0.636–0.673 |
| | NIR | B5 | 0.851–0.879 |
| | SWIR1 | B6 | 1.566–1.651 |
| | SWIR2 | B7 | 2.107–2.294 |
| | ST | B10 | 10.60–11.19 |
**2.1.2.3. 土地利用数据**
本研究使用的土地覆盖数据来自中国土地覆盖数据集(CLCD)(https://zenodo.org/records/5816591),空间分辨率为30米。该数据集基于在Google Earth Engine平台上从超过30万张Landsat图像中提取的时空特征,使用随机森林分类器生成,总体准确率约为80%(Yang和Wang,2021年)。为了生成研究区域的耕地盐碱化分布图,排除了非农业土地覆盖类型,包括水体、不透水表面、森林、灌木丛和冰层,仅保留耕地进行分析。
**2.2. 方法论**
**2.2.1. 程序**
本研究提出了一种基于ANN特征增强的土壤盐度定量反演方法,整个过程包括三个主要步骤:数据采集、特征处理以及模型开发和验证(图2)。与传统机器学习方法不同,传统方法直接使用原始光谱指标作为预测模型的输入,而提出的框架采用嵌套学习策略。在该框架中,ANN首先进行非线性表示学习,将原始光谱指标转换为增强的潜在特征。这些ANN增强特征随后作为传统机器学习算法的输入,进行最终的土壤盐度预测。通过将神经网络的非线性特征提取能力与传统机器学习模型的稳健性相结合,这种嵌套结构在样本量有限的情况下提高了预测性能。研究区域的地理位置及采样点的分布。BJL(Bojili)、DG(Dagong)、LJA(Lijiaan)、PL(Penglou)、PQ(Puqingnanxu)、RM(人民胜利渠)、SYZ(Sanyizhai)、TCP(Taochengpu)、WS(Weishan)、XKH(Xiaokaihe)、XZ(Xiezhai)、YT(Yantan)、ZK(Zhaokou)。下载:下载高分辨率图像(738KB)下载:下载全尺寸图像
图2. 提出的土壤盐度测绘框架的工作流程。
步骤1. 数据收集:通过现场采样从研究区域收集土壤样本,并使用重量法测量可溶性盐含量,从而创建一个真实数据集。同时,利用Landsat卫星图像提取与采样点地理坐标对应的原始光谱带和衍生指数。这些指数包括植被指数、盐度指数、土壤指数和与土壤湿度相关的指数,总计41个初始光谱特征(表S1)。鉴于热红外信息对土壤盐度的敏感性(Gao等人,2025年),本研究利用了来自热红外1(TIR1)数据的Landsat地表温度(ST)波段,以提高模型的准确性并评估其进行土壤盐度反演的潜力。ST数据是从Landsat TIR1热红外波段衍生出来的,两者具有相同的光谱波长范围。尽管ST波段代表的是表面温度而非辐射度,但它保留了TIR1中包含的热信息,因此与土壤盐度相关的热响应保持了高度相关性。所有遥感数据预处理和光谱特征计算均在GEE平台上进行,而特征提取则使用现场采样点的GPS坐标在Python环境中完成,形成了完整的卫星数据集。
步骤2. 特征处理:该步骤包括两个核心模块:(1)原始特征选择模块。为了避免特征维度差异对建模过程的影响,首先使用Z-score标准化(公式2)对所有特征进行标准化。然后,使用皮尔逊相关性分析排除与土壤盐度无关的特征,并根据它们的光谱类型(例如,植被指数、盐度指数)对特征进行初步分类。进一步,进行方差膨胀因子(VIF)分析(公式3)以消除每个类别中高相关性特征(VIF > 10)。最后,基于机器学习模型的Shapley加性解释(SHAP)重要性评估,保留 top 10 个关键特征,并对其进行最终VIF筛选,得到6个代表性特征:土壤湿度指数(MSI)、植被指数比(RVI)、盐度指数1(S1)、盐度指数3(S3)、盐度与碱度指数2(SSSI_2)和ST。所有这些特征的VIF值均低于10,表明没有显著的多重共线性问题(图A.1)。(2)ANN特征增强模块。该模块是所提出方法的核心组成部分。基于ANN的特征增强模块使用PyTorch实现。网络架构包括一个对应于所选光谱指标的输入层,随后是三个全连接隐藏层,分别具有288、144和144个神经元。每个隐藏层采用修正线性单元(ReLU)激活函数,以及批量归一化和丢弃(比率 = 0.2),以提高模型泛化能力并减少过拟合。网络使用Adam优化器进行训练,学习率为0.001,损失函数为均方误差(MSE),训练周期为100个周期。训练前,输入光谱特征使用StandardScaler进行标准化。训练完成后,从最终隐藏层提取神经元输出作为ANN增强特征(AEFs)。这些特征表示原始光谱指标的非线性变换,并捕捉光谱变量与土壤盐度之间的潜在关系。提取的AEFs随后进行标准化,并通过前向特征选择程序(图3)进一步精简特征集,以消除冗余变量。然后将得到的最优增强特征子集用作后续机器学习模型的输入,用于土壤盐度反演。
(2)X=x?μσ
其中X表示转换后的光谱特征值,x是给定采样点的原始光谱特征值,μ是数据集的均值,σ是数据集的标准差。
(3)VIFj=11?Rj2
其中VIFj是变量Xj的方差膨胀因子,Rj2是变量Xj相对于其他解释变量的辅助回归模型的决定系数。
下载:下载高分辨率图像(276KB)下载:下载全尺寸图像
图3. 特征处理模块中使用的特征选择策略。AEF_i代表第i个人工神经网络增强特征。
步骤3. 模型开发与验证:为了系统评估不同机器学习算法在研究区域土壤盐度反演中的性能,并验证基于人工神经网络(ANN)的特征增强的有效性,比较和分析了八个广泛使用的机器学习模型:自适应Boosting(AdaBoost)、分类增强(CatBoost)、决策树回归(DTR)、Extra Trees回归(ETR)、梯度增强回归(GBR)、随机森林(RF)、支持向量回归(SVR)和极端梯度增强回归(XGBR)。此外,为了评估嵌套建模策略与独立ANN建模之间的差异,还训练并评估了一个纯ANN模型。使用Shapley加性解释(SHAP)进行特征贡献分析,以提高模型的可解释性。
2.2.2 方法评估
2.2.2.1 基于真实数据的评估
为了评估ANN特征增强的影响和有效性,本研究使用真实土壤样本数据(可溶性盐含量)比较了基于原始光谱特征(Original Feature)和基于ANN增强特征(ANN Enhanced Features, AEF)的建模结果。模型使用5折交叉验证进行验证,其中80%的样本用于训练,20%用于验证,重复此过程五次。使用三个指标评估模型:决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)。这些指标的公式如下(Willmott和Matsuura,2005):
(4)??R2=1?∑i=1n(yi??i)2/∑i=1n(yi??i)2
(5)?RMSE=∑i=1n(yi??i)2/n
(6)?MAE=∑i=1nyi??in
其中n是样本数量,yi是第i个样本的测量土壤盐度,??i是第i个样本的预测土壤盐度。
2.2.2.2 与现有方法的比较
本研究比较了Wang等人(2025年)的土壤盐化制图结果和Bian等人(2021年)在黄河三角洲提出的特征空间模型。为了确保不同盐度指数之间的客观比较,采用了这些研究中相应的分类标准对研究区域的土壤盐度级别进行分类。计算并分析了每个盐度类别的面积比例,以评估各种方法在研究区域的识别差异和适用性。与其他研究的比较进一步验证了所提出方法的稳健性和稳定性。Wang等人(2025年)开发的全球土壤盐度数据集使用饱和土壤提取物的电导率(ECe)作为盐度的定量指标。通常接受的标准阈值ECe > 4 dS/m用于定义盐碱土壤(Kargas等人,2020年;Richards,1954年)。根据先前研究中采用的分类方案(Masoud等人,2019年;Rhoades等人,1999年),本研究将土壤盐度分为五个级别:非盐化(ECe < 4 dS/m)、轻度盐化(4 dS/m ≤ ECe < 12 dS/m)、中度盐化(12 dS/m ≤ ECe < 20 dS/m)、重度盐化(20 dS/m ≤ ECe < 28 dS/m)和极端盐化(ECe ≥ 28 dS/m)。Bian等人(2021年)提出了一个基于特征空间的黄河三角洲土壤盐化反演模型,其实施细节在补充材料中提供。最有效的SI-Albedo特征空间模型(总体准确率超过86%)被应用于研究区域。使用原始论文中的Jenks自然断点分类方法,根据SI-Albedo特征空间值将土壤盐化分为五个级别:非盐化(SI-Albedo < 0.13)、轻度盐化(0.13 ≤ SI-Albedo < 0.17)、中度盐化(0.17 ≤ SI-Albedo < 0.20)、重度盐化(0.20 ≤ SI-Albedo < 0.31)和极端盐化(SI-Albedo ≥ 0.31)。
3. 结果与讨论
3.1 基于原始特征的建模结果与评估
图4显示了SHAP值分析,表明在基于原始光谱特征的建模框架下,MSI在8个机器学习模型中有7个模型的贡献最大,CatBoost模型除外。MSI在SVR模型中的贡献最高,为53.18%。这一结果证实了研究区域内土壤盐度与湿度条件的强相关性,这与“盐分随水分移动”的学术共识一致。它还表明,在原始特征框架下,模型最有效地捕获的光谱信息仍然主要由与湿度相关的盐度信号主导。此外,尽管ST在原始特征中的贡献相对较低,但其VIF值最低(图S1),表明ST携带的信息与其他光谱指数高度互补,为后续特征增强提供了重要基础。
下载:下载高分辨率图像(303KB)下载:下载全尺寸图像
图4. 原始特征的建模参数SHAP值。
基于测量土壤盐度数据和机器学习方法的定量反演模型已成为土壤盐化监测的重要研究方法。例如,Li等人(2023年)在黄河三角洲应用了偏最小二乘回归(PLSR),解决了多重共线性问题,并确定冠层响应盐度指数(CRSI)光谱指数是土壤盐度反演的最重要特征。相比之下,本研究发现湿润胁迫指数在整个LYRID范围内对原始光谱特征的解释能力最强。这一差异与Song等人(2016年)的发现一致,反映了黄河三角洲及更广泛灌溉区域土壤盐度光谱响应机制的区域异质性,间接表明为较小、局部化区域构建的模型在应用于更广泛区域时可能面临适应性挑战。本研究评估了八种机器学习算法。基于原始光谱特征的模型显示出相对较低的反演精度(R2 < 0.3)(图6a),远低于在局部化区域中的模型性能(Li等人,2023年)。这一结果进一步强调了仅依赖传统机器学习和原始光谱特征进行土壤盐度反演的局限性,特别是当样本量有限且研究区域扩大时。先前的研究表明,土壤盐度的光谱响应强烈依赖于区域和环境条件,不同土地表面背景和感测环境下光谱预测器的性能可能会有很大差异(Avdan等人,2022年;Farifteh等人,2007年)。虽然原始光谱特征和传统光谱指数在局部化环境中可能表现良好,但在环境异质性更强、土地表面背景更复杂的较大灌溉区域中,它们的适用性和稳定性通常会降低(Wang等人,2021年)。在像黄河下游灌溉区这样的区域,由于农田盐度表现出明显的空间异质性,仅依靠原始光谱特征很可能无法完全捕捉土壤盐度的空间变异性。这表明需要更具信息量的特征构建策略或整合额外的环境信息来提高区域级别的模型性能(Jia等人,2024年)。
3.2 基于ANN增强特征的建模结果与评估
为了克服使用原始光谱特征解释土壤盐度空间变异性的局限性,本研究提出了一种基于ANN增强特征的建模方法。SHAP分析(图5)显示,ANN增强特征(AEFs)在所有机器学习模型中发挥了关键作用。在所有模型中,前三个增强特征的累计贡献率超过了65%,表明特征增强显著影响了模型预测。这一结果表明模型对AEFs的依赖性更强,进一步证明了通过ANN增强生成的特征具有更高的信息密度和代表性。换句话说,ANN增强过程似乎将最具信息量的盐度相关信号集中在较少数量的高代表性变量中。
在评估的模型中,AEF_SVR模型保留了最多的有效特征,并在预测因子之间表现出相对均衡的贡献模式,而其他几个模型则更依赖于少数几个增强特征。这种差异具有启发性。AEF_SVR模型中更加平衡的贡献模式表明,SVR算法能够更好地利用多个经过人工神经网络(ANN)增强的特征中嵌入的互补信息,而不是过度依赖一小部分变量。相比之下,其他模型中观察到的更强的特征集中度可能表明其鲁棒性降低,或者更倾向于仅拟合最显著的信号。这种差异有助于解释为什么AEF_SVR模型在整体预测性能上取得了最佳结果。使用AEF构建的模型在R2、RMSE和MAE方面显著优于基于原始特征的模型(图6)。不包括异常的DTR模型,基于ANN增强特征的模型在R2上平均提高了178.95%(从0.19提高到0.53),而RMSE和MAE分别降低了26.09%(从4.87 dS/m降低到3.60 dS/m)和12.55%(从2.44 dS/m降低到2.13 dS/m)。这些改进表明,ANN增强的特征捕捉到了原始光谱指标无法有效表示的与盐度相关的变异性。AEF_SVR模型的改进尤为明显,它取得了最高的预测准确性(R2 = 0.72 ± 0.05,RMSE = 2.83 ± 0.35 dS/m,MAE = 1.77 ± 0.13 dS/m)。Jiang等人(2018年)也有类似的发现,他们还表明,当预测空间包含复杂的非线性信息时,SVR在盐度反演中具有优势。AEF_SVR的强劲性能表明,LYRID地区的土壤盐度受到的控制关系不能仅通过传统的光谱指数的直接线性或弱非线性组合来充分捕捉。相反,ANN增强步骤似乎从原始变量中提取了潜在的特征结构,从而提高了模型区分不同盐度条件的能力。从这个意义上说,模型性能的提升不仅应被视为数值上的改进,也应被视为特征增强对于表示区域尺度上灌溉农田复杂且异质性的盐度环境是必要的证据。
下载:下载高清晰度图像(313KB)
下载:下载全尺寸图像
图6. 使用不同机器学习算法在两种建模条件下的模型评估。原始模型是指使用原始光谱特征构建的模型,而AEF模型是指使用人工神经网络增强特征构建的模型。
我们展示了基于AEF的所有八个模型在整个研究区域和子区域内的土壤盐度空间分布结果(图S2)(表S2)。与最优模型AEF_SVR(图S2h)相比,AEF_AdaBoost模型(图S2a)系统性地低估了土壤盐度。这种行为可能与AdaBoost的迭代加权机制有关,该机制会不断增加预测结果不佳的样本的权重,因此更容易受到噪声观测值、异常值或局部非典型样本的影响。先前的研究表明,AdaBoost可能对噪声数据敏感,因为在提升过程中难以学习的样本往往会获得持续的较高权重,这可能会损害模型的鲁棒性和泛化能力(Bootkrajang, Kabán, 2013; Cao et al., 2012)。在本研究中,高盐度区域表现出更强的空间异质性和更复杂的光谱响应。尽管ANN增强特征提高了预测器的信息含量,但它们也可能放大了局部异常模式。在这种条件下,AdaBoost可能学会了相对保守的预测函数,从而未能充分捕捉高盐度区域,最终低估了盐度区域。这一解释进一步得到了土壤盐度建模通常涉及稀疏且分布不均匀样本的事实的支持,在这种情况下,特征复杂性的增加可能会降低预测的稳定性(Chaaou et al., 2025; Wang et al., 2023)。相比之下,AEF_DTR模型(图S2c)表现出明显的过高估计趋势,预测36.24%的区域为盐渍地,并产生了所有模型中估计的最大极端盐渍地面积(967.58平方公里)。这可能归因于单个决策树回归器的高方差和不稳定性。决策树递归地划分预测空间,对训练数据中的局部扰动、极端样本和分裂阈值的小变化非常敏感。Breiman(1996)指出,回归树是不稳定的学习器,即使学习集的微小变化也会导致预测结果的实质性变化。在本研究中,尽管ANN增强特征改善了非线性特征表示,但它们也可能加强了训练样本中的一些局部和非典型的盐度变化。对于对局部模式高度敏感的DTR来说,这种放大可能会引起局部过拟合,并在空间外推过程中产生不切实际的高盐度区域。总的来说,这些对比结果表明,ANN增强特征引入的更高信息密度并不能自动确保稳定的空间解释,在样本稀疏和空间异质性条件下,模型的鲁棒性仍然是盐度制图的关键标准(Wang et al., 2023)。
为了更直观地比较不同机器学习模型在识别典型盐渍化区域的性能,本研究选择了两个具有代表性的子区域进行对比:子区域A位于灌溉区的东北部,靠近黄河三角洲,是典型的沿海盐渍类型,土壤盐度集中且盐渍化水平普遍较高;子区域B位于谢寨和延潭灌溉区,代表内陆盐渍类型,整体盐渍化风险较低,但存在具有典型空间异质性的明显盐渍斑块。
如图7和表S3所示,模型的预测性能在两个子区域之间存在显著差异。在盐渍化空间集中的子区域A中,CatBoost和DTR模型都显著低估了土壤盐度,每个模型都预测超过50%的农田是非盐渍的。这表明这两种模型在保持集中沿海盐渍条件下的高盐度背景方面的能力有限,可能会将高盐度信息压缩到较低的分类中(Prokhorenkova et al., 2018, Yu et al., 2014)。值得注意的是,DTR模型表现出明显的极端预测倾向:虽然低估了整体盐度,但同时大幅高估了极端盐渍地的面积。这表明DTR未能捕捉到连续的盐度梯度,而对局部极端样本反应过度,这与单树模型的不稳定性一致。此外,AdaBoost、CatBoost、GBR和RF模型一致高估了严重盐渍化农田的面积。在子区域B中,如表S4所示,AdaBoost模型大幅高估了轻微盐渍化的面积,使得非盐渍和轻微盐渍农田的比例几乎相同(分别为49.58%和49.35%)。这意味着在斑块状内陆盐渍条件下,非盐渍和轻微盐渍类别之间的过渡区域扩大了,这与AdaBoost对难以学习和噪声样本的敏感性一致(Cao et al., 2012)。CatBoost模型继续显示出低估趋势,预测80.75%的区域是非盐渍的。相比之下,DTR模型严重高估了盐度水平,盐渍农田占面积的38.91%,极端盐渍类别覆盖了877.74平方公里。与子区域A相比,这种偏差更多地表现为斑块状盐渍区域的过度扩展,而不是孤立的极端值,再次反映了单树模型的高方差。总体而言,其余模型产生的结果更为一致,非盐渍农田的比例约为70%,盐渍区域主要以轻微盐渍为主。这些模型之间的空间差异很小,与最优情景相比。总的来说,不应仅通过全局评估指标来判断模型性能,因为可接受的总体准确性仍然可能掩盖了局部不合理的空间预测。因此,在集中沿海盐渍和斑块状内陆盐渍条件下,保持空间上合理的盐度模式的能力同样重要,在这方面AEF_SVR模型表现出最强的鲁棒性。
下载:下载高清晰度图像(2MB)
下载:下载全尺寸图像
图7. 使用人工神经网络增强特征构建的不同机器学习模型预测的子区域A和子区域B的土壤盐度分布。红色框突出显示了表现最好的模型。
3.3. 土壤盐度制图方法的比较
图8比较了三种不同方法在2024年预测研究区域农田土壤盐度的结果。条形图进一步显示了盐渍农田(ECe ≥ 4 dS/m)内不同盐度级别的面积比例(图8d)。这种比较不仅旨在对比三种方法之间的数值差异,还旨在评估它们再现LYRID观察到的盐度梯度和类别结构的能力。
大多数当前使用特征空间模型进行盐渍化识别的研究都集中在黄河三角洲地区(Bian et al., 2021; Guo et al., 2020; Qin and Wang, 2018)。这些方法通过构建与植被覆盖或土壤盐度密切相关的光谱特征空间来分类盐度级别,并根据特征空间内像素的空间分布来划分盐度级别。
基于SI-Albedo特征空间的模型(图8b)显示,研究区域内超过83%的盐渍农田被分类为盐渍地,其中大多数为轻度盐渍(50%),其次是中度盐渍(42%),以及重度盐渍(7%)。没有检测到极端盐渍。与本研究的结果相比,这种方法倾向于系统性地高估研究区域的土壤盐度。正如Song等人(2016)所指出的,地表植被覆盖条件显著影响光谱特征与土壤盐度之间的光谱响应关系,这反过来又影响了模型性能。观察到的差异可能源于特征空间模型中使用的土壤样本来自黄河三角洲,那里的土壤盐度通常较高(Guo et al., 2016, Shi et al., 2017b)。此外,黄河三角洲以盐生植被为主(例如柳树、盐灌木和芦苇)(Xu et al., 2024),而本研究区域的农田主要种植玉米和小麦(Che et al., 2016, Liu et al., 2017)。这种差异表明,特征空间模型更适合识别重度盐渍土壤,而不是非盐渍农田,因此在捕捉研究区域从西南到东北的土壤盐度增加的空间趋势方面效果较差。因此,当该方法超出其原始校准范围时,其适用性受到显著限制。
全球土壤盐度制图工作,例如Hassani等人(2020)和Wang等人(2025)的工作,也涵盖了研究区域。考虑到Wang等人(2025)开发的数据集更新到了2024年,与本研究的采样和研究时期一致,我们采用了他们的2024年全球土壤盐度制图数据 for 区域比较(图8c)。
根据Wang等人(2025)报告的结果,研究区域的土壤ECe值范围从0.65到2.99 dS/m,平均值为1.81 dS/m。这些值低于广泛接受的4 dS/m盐度阈值,这意味着根据他们的数据集,该区域的所有农田都将被分类为非盐渍地(图8d)。这一结论与我们的现场采样观察结果不一致。相比之下,使用ANN增强特征(AEF_SVR)开发的支撑向量回归模型预测,研究区域主要是非盐渍地,85.97%的盐渍农田被分类为轻度盐渍(4 dS/m ≤ ECe < 12 dS/m),7.97%为中度盐渍(12 dS/m ≤ ECe < 20 dS/m),3.12%为重度盐渍(20 dS/m ≤ ECe < 28 dS/m),2.93%为极端盐渍(ECe ≥ 28 dS/m)(图8d)。这种对比表明,Wang等人(2025年)提出的全球尺度框架大大低估了LYRID地区的盐分累积程度,这可能是由于广覆盖产品倾向于牺牲对区域特定盐度梯度的敏感性。总之,与本研究提出的AEF_SVR模型相比,Wang等人(2025年)的全球尺度制图框架在整个研究区域内存在系统性低估,并且无法准确识别盐碱地。从SI-反照率特征空间重构的模型在研究区域的东北部表现相对较好;然而,当应用于黄河三角洲以外的耕地时,它产生了对土壤盐度的明显高估,显示出有限的空间适应性。总体而言,与全球和区域研究的比较表明,当前结果与实地观察更为一致,更能代表该研究区域的盐度梯度和服务结构。与其他两种方法相比,所提出的AEF_SVR模型在空间细节、区域适应性和与实地观察的一致性之间实现了更好的平衡。图9比较了基于不同特征集的SVR模型的土壤盐度空间分布反演结果:(a) 增强了人工神经网络(ANN)特征的AEF_SVR模型;(b) 基于原始光谱特征的SVR模型。条形图进一步比较了盐碱地内不同盐度水平的面积比例(ECe ≥ 4 dS/m)。这种比较旨在评估反演精度的差异,以及两种特征集区分盐碱地内盐度严重程度的能力。
下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像
图9. 两种支持向量回归方法得到的耕地土壤盐度地图的比较:(a) 使用人工神经网络增强特征的模型;(b) 使用原始光谱特征的模型。下方的条形图显示了盐碱地内各盐度类别的预测面积比例。
从整体预测结果来看,两种模型都显示研究区域内非盐碱地(ECe < 4 dS/m)占主导。然而,关键区别在于它们区分盐碱地内盐碱化严重程度的能力。AEF_SVR模型将85.97%的盐碱地识别为轻度盐碱化,7.97%为中度盐碱化,3.12%为重度盐碱化,2.93%为极度盐碱化,表明它能够反映从轻度到极度的盐度连续分布。相比之下,基于原始特征的SVR模型将99.74%的盐碱地识别为轻度盐碱化,而仅有0.26%被识别为中度或重度盐碱化,从而显著低估了盐碱化的空间变化。这一结果表明,原始光谱特征足以在粗略程度上区分盐碱地和非盐碱地,但不足以解决盐碱化土地内部的盐度梯度问题。这种差异在子区域比较中更为明显。在易发生盐碱化的子区域A中,原始SVR模型预测99.75%的面积为轻度盐碱化。而AEF_SVR模型则识别出大量高盐度区域,包括874.36平方公里的中度盐碱化土地、377.18平方公里的重度盐碱化土地和363.38平方公里的极度盐碱化土地。在子区域B中,原始SVR模型认为99.96%的盐碱地属于轻度盐碱化,仅识别出0.20平方公里的中度或重度盐碱化土地。相比之下,AEF_SVR模型预测12.92平方公里的耕地属于中度至极度盐碱化类别,显示出在检测局部盐碱热点方面的显著改进能力。这些子区域结果进一步表明,人工神经网络增强特征的优势不仅限于改善全球统计指标,还在于它们在不同盐碱化背景下保持空间异质性的更强能力。
Zhang等人(2023年)和Zhang等人(2025年)在肯利区的研究表明,不同类型的光谱特征所携带的土壤盐度信息各不相同,特征组合策略对模型性能有显著影响。本研究的结果进一步证实了这一点,因为基于人工神经网络增强特征的模型在反演精度上优于使用原始特征的模型(R2从0.14±0.05提高到0.72±0.05)。同时,基于原始特征的SVR模型严重低估了实际盐碱化的空间变异性,未能有效识别中度至重度盐碱化耕地。因此,在AEF_SVR模型中加入人工神经网络增强特征不仅提高了数值精度,还增强了模型区分不同盐度级别耕地和识别局部盐碱热点的能力。这种比较表明,AEF所携带的土壤盐度信息与原始光谱数据的不同。人工神经网络增强过程不仅仅是简单地扩展了预测因子集,还提供了更密集、更具信息量的特征表示。尽管人工神经网络增强特征(AEFs)缺乏直接的物理可解释性,但它们将多个原始光谱指标整合成了更高密度的表示。特别是,它们似乎保留了来自原始预测因子(如MSI和ST)的有用信息,同时反映了变量之间的关系。这种特征增强机制不仅保留了原始特征中的有效信息,更重要的是揭示了特征之间的潜在协同效应,尤其是ST波段与其他光谱指数(如AEF_10和AEF_6)之间的互补关系(图10),显著提高了模型捕捉复杂盐分分布模式的能力。这可能解释了为什么AEF_SVR模型比仅基于原始光谱特征的SVR模型更能再现真实的盐度梯度。
下载:下载高分辨率图像(118KB)
下载:下载全尺寸图像
图10. 原始光谱特征与增强后的人工神经网络特征之间的标准化敏感性热图。
3.4. 2024年作物非生长季节LYRID地区的土壤盐度空间分布
图11显示了2024年作物非生长季节LYRID地区的土壤盐度空间分布情况。ECe估计结果显示,研究区域内耕地的平均土壤盐度为4.24 dS/m,局部最大值为57.86 dS/m。盐碱地总面积(ECe ≥ 4 dS/m)为12820.35平方公里,占总耕地面积的28.59%。其中,轻度盐碱化占主导,覆盖面积11021.77平方公里,占总受影响面积的85.97%。极度盐碱化耕地(ECe ≥ 28.0 dS/m)面积为375.94平方公里,仅占受影响面积的2.93%。从空间分布来看,土壤盐度从西南向东北呈递增趋势。
下载:下载高分辨率图像(314KB)
下载:下载全尺寸图像
图11. 由最优模型预测的土壤盐度空间分布。
位于黄河三角洲附近的子区域A覆盖约9747.30平方公里的耕地,是研究区域内盐碱化最集中的区域,占总盐碱地面积的41.72%。该地区靠近黄河口,由于海水入侵和地下水矿化作用,耕地土壤盐度通常较高。根据AEF_SVR模型的反演结果,该区域内轻度、中度、重度及极度盐碱化耕地的面积分别为3733.65平方公里、874.36平方公里、377.18平方公里和363.38平方公里,表现出典型的沿海盐分累积特征。
位于谢寨和沿滩灌溉区的子区域B整体盐碱化风险较低,超过74%的耕地为非盐碱化。盐碱化主要是轻度的,但局部盐分累积仍然明显,主要分布在菏泽市黄岗镇附近的张蔡园村以及朱老庄村和后张寨村以北的一些农田地区。在灌溉区尺度上,15个地区的土壤盐度空间异质性明显(图12)。大多数地区以非盐碱化耕地为主。例如,在盘庄(图12d)、三义寨(图12h)、谢寨(图12l)和赵口(图12o)地区,超过80%的耕地被归类为非盐碱化,其中超过95%的盐碱化耕地属于轻度盐碱化类别。其他几个地区,包括大功(图12b)、李家店(图12c)、人民胜利渠(图12g)、陶城铺(图12i)、渭山(图12j)、杏家渡(图12m)和沿滩(图12n),盐碱化程度也较低,盐碱化耕地比例低于30%。在这些地区,盐碱化斑块分散且范围有限,表明盐碱化风险总体较低且空间上较为分散。因此,这些地区可能不需要大规模和高强度的改良措施。相反,采取预防性措施(如维护现有的排水和灌溉条件、在冬小麦播种前加强田间检查以及限制局部盐碱斑块的扩展)可能更为合适。
下载:下载高分辨率图像(779KB)
下载:下载全尺寸图像
图12. 各灌溉区的土壤盐度空间分布:BJL(博吉里)、DG(大功)、LJA(李家店)、PL(彭楼)、PQ(蒲清南北)、RM(人民胜利渠)、SYZ(三义寨)、TCP(陶城铺)、WS(渭山)、XKH(小开河)、XZ(谢寨)、YT(沿滩)、ZK(赵口)。
相比之下,映射模式显示博吉里、蒲清南北和小开河是研究区域内的主要盐碱热点地区。博吉里地区(图12a)有39.36%的盐碱地,其中13.43%被归类为中度至极度盐碱化。这些区域主要集中在沙河以南和Tu的海河以北之间,特别是在豹窝里和子江镇周围。蒲清南北地区(图12f)也有类似的情况,38.94%的耕地为盐碱化,主要分布在区域的北部和南部边缘。小开河地区(图12k)的盐碱化程度最高,盐碱化耕地占其总面积的48.68%。其中88.74%为轻度盐碱化,主要分布在区域的西南部和东北部以及西海水库周围。这些空间模式表明,盐碱化的缓解措施应因地制宜,而不是统一实施。在博吉里地区,应特别关注沙河和Tu的海河之间的走廊地带,尤其是已识别的热点区域。在蒲清南北地区,缓解措施可以优先针对北部和南部边缘。在小开河地区,由于盐碱化既广泛又呈空间聚集,西南部和东北部以及西海水库周围的区域应得到特别关注,尤其是在冬小麦种植期之前,因为地表盐分积累可能会直接影响作物生长。
研究区域内非盐碱化耕地的比例达到71.41%,表明LYRID地区的大部分耕地仍处于相对较低的盐碱化风险中。在15个大型和中型灌溉区中,土壤盐碱化表现出显著的空间异质性。大多数地区的盐碱化风险较低,而某些局部地区仍然面临严重的盐碱化问题。位于研究区域东北部、靠近黄河口的灌溉区(如博吉里、蒲清南北和小开河)受到更严重的盐碱化影响。高地下水位和海水入侵可能是该地区盐碱化的主要原因(Shen等人,2011年;Yu等人,2002年)。虽然沿滩灌溉区的整体盐碱化风险较低,但其东南部仍存在局部盐碱化热点。这些残余的盐碱热点可能继续对农业生产构成局部威胁。作为中国重要的粮食生产区,LYRID地区通常采用冬小麦-夏玉米轮作系统(Luo等人,2018年)。玉米对盐分的敏感性适中,先前的研究表明,当ECe约为1.8 dS/m时,产量开始下降;而当ECe约为5.9 dS/m时,产量损失可能达到约50%(Chen,2024年;Rhoades,1996年)。虽然冬小麦对盐分的耐受性较强,但在发芽和幼苗阶段对盐分非常敏感。在该地区的温带季风气候条件下,这个关键生长时期与寒冷干燥的季节重合,此时盐分会积聚在表层土壤中,可能阻碍作物生长。因此,准确识别耕地的盐度不仅对于评估盐碱化风险很重要,也有助于确定在本地轮作系统中可能限制作物生长和增加生产风险的区域。
这种空间差异化的盐度信息为黄河下游灌溉区的灌溉管理和区域决策提供了有用的基础。在灌溉区层面,盐度地图有助于区分那些仅需要预防性管理就足够缓解问题的区域和那些需要优先干预的区域。对于灌溉管理者来说,这些地图有助于识别出特定于该地区的重点区域,以便进行排水维护、盐分淋溶、田间检查以及其他针对性的农业措施,特别是在盐敏感作物种植之前。在区域层面,这些地图有助于划定优先控制区域,分配缓解资源,并将工程和农业措施集中在盐度约束最严重的地区。因此,除了盐碱化评估本身之外,盐度地图还为LYRID地区的冬小麦-夏玉米轮作制度下的差异化灌溉和盐度管理提供了实际支持。
总之,本研究生成的空间盐度测绘结果为下游黄河灌溉区(LYRID)的灌溉管理提供了重要的实际启示。该模型展示了准确预测土壤盐度空间分布的能力,这可以作为制定针对性灌溉管理策略的基础。鉴于该地区盐度风险的不同,灌溉措施应根据各地区的具体盐碱化程度进行调整。对于盐度风险较低的地区,应保持现有的灌溉管理措施,重点进行常规监测以防止盐分积累;而对于盐碱化风险中等的地区,则可能需要精心调节灌溉量,而不仅仅是简单减少灌溉水流量。黄河流域的研究表明,在适度盐碱化条件下,适当的水文条件下维持或略微增加灌溉量有助于控制盐分积累(Wu等人,2023年)。对于严重盐碱化的区域,特别是那些被识别为高风险区的地区,根据下游黄河灌溉区的历史盐碱化经验,密切监测地下水位(Fan等人,2012年)并实施加强排水措施(Xie等人,2011年)至关重要。这些措施对于减少盐分向上迁移和防止土壤质量进一步恶化至关重要。
这种盐度测绘工具不仅为具体的灌溉策略提供了信息,还支持研究区域内冬小麦-夏玉米轮作系统的差异化盐分管理实践。通过识别不同盐碱化程度的区域,该模型为在水盐压力不断增加的情况下管理水资源和保持土壤健康提供了战略决策的框架。最终,这种方法为可持续灌溉管理奠定了坚实的基础,促进了长期农业生产力,同时减轻了盐碱化的不利影响。
4. 不确定性和方法论限制
尽管所提出的基于人工神经网络(ANN)增强的嵌套学习框架具有令人满意的预测性能,但在解释结果时仍需承认一些不确定性和方法论限制。本研究中使用的遥感数据是通过Google Earth Engine平台获得的Landsat Collection 2 Level-2表面反射率产品。这些产品是通过使用LaSRC算法进行大气校正后的大气顶层反射率数据,该算法考虑了大气气体、气溶胶和水蒸气的影响(Vermote等人,2018年)。虽然表面反射率产品通常比大气顶层反射率更适合定量地表分析,但大气校正过程本身及其依赖的辅助大气信息仍可能引入不确定性,并将误差传递到后续的土壤盐度估算中。此外,Landsat图像的空间分辨率为30米。尽管使用农田掩膜排除了非农田像素,但在异质灌溉农田中仍可能发生混合像素效应,尤其是在田界、裸露土壤、残余植被覆盖和局部盐碱斑块紧密交织的区域,从而影响局部尺度上的盐度反演准确性(Metternicht和Zinck,2003年)。
本研究中的实地采样和遥感反演主要在非生长季节进行。这一时期的地表暴露度相对较高,有利于捕捉土壤盐度的光谱响应,因此为农田盐度测绘提供了合适的时间窗口。然而,建立的模型主要反映了这一特定季节条件下的地表土壤盐度空间分布,并未反映不同季节、灌溉阶段或水热条件下的盐度动态变化。在下游黄河灌溉区,地下水位、地下水矿化程度和区域蒸发蒸腾强度都会对农田表面土壤盐分的积累产生重大影响(Liu等人,2024年;Nachshon,2018年)。由于数据可用性的限制,当前模型未包含与地下水相关的变量,这可能会限制其在某些地区完全捕捉盐分形成机制的能力。未来的研究可以纳入地下水位、地下盐度和相关水文变量,以提高模型解释盐分形成过程及其预测性能的能力。
该模型是使用从下游黄河灌溉区收集的农田土壤样本开发的,并主要用于农田区域的盐度反演。因此,在当前空间范围和样本条件下建立的光谱-盐度关系可能会受到地区土壤背景、气候条件、灌溉制度和耕作方式的差异影响。特别是,不同地理区域或非农田土地利用类型的地表光谱特征及其与土壤盐度的关系可能有所不同。因此,模型的区域适用性应谨慎对待。任何超出研究范围的应用都应基于当地环境条件和农业管理设置进行适当的重新校准和验证。
5. 结论
本研究介绍了一种基于人工神经网络(ANN)的特征增强方法,以改进使用Landsat影像的土壤盐度反演。增强后的特征显著增强了盐敏感光谱信息的表示能力,提高了模型的平均准确率(R2 = 0.19–0.53),同时将均方根误差(RMSE)和平均绝对误差(MAE)分别降低了26.09%和12.55%。尽管表面温度波段不是直接的热红外测量,但其与原始热红外1波段的高度一致性使其能够为ANN增强特征构建做出有意义的贡献。在所有评估的模型中,基于ANN增强的支持向量回归(SVR)框架取得了最高的预测性能(R2 = 0.72 ± 0.05),并可靠地捕捉了区域梯度和局部盐度热点。
与区域特征空间模型和全球盐度产品的比较表明,使用ANN增强特征构建的支持向量回归模型(AEF_SVR)显著提高了预测的可靠性和空间可解释性。特征空间模型倾向于在其校准范围之外高估盐度,而全球产品则在整个研究区域内严重低估了盐度。相比之下,所提出的模型准确捕捉了从西南到东北的盐度梯度,并揭示了局部内陆地区的盐碱化风险。这些结果支持了下游黄河灌溉区的精确盐度监测和针对性管理,证明了基于ANN的特征增强在异质农业区域中的价值。
作者贡献声明:
冯全清:撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据管理、概念化。
詹哲生:撰写——审稿与编辑、监督、资源管理、项目行政、资金获取。
胡实:撰写——审稿与编辑、监督、项目行政、正式分析、概念化。
林忠辉:撰写——审稿与编辑、监督、方法论、概念化。
杜朝阳:撰写——审稿与编辑、监督、项目行政、概念化。
曹欣:撰写——审稿与编辑、可视化、监督、概念化。
孟慧敏:撰写——审稿与编辑、方法论、概念化。
张俊哲:撰写——审稿与编辑。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号