基于时间序列遥感特征增强的土壤盐分预测制图

《Land Degradation & Development》：Mapping Soil Salinity Prediction Enhanced by Time-Series Remote Sensing Features

　　

及时掌握土壤盐分时空动态对于精确制图至关重要。通过时间序列跨度比较，研究人员系统提取并利用源自Sentinel-2和Landsat 8的NDVI（Normalized Difference Vegetation Index，归一化植被指数）和SAVI（Soil Adjusted Vegetation Index，土壤调整植被指数）数据（2019–2023）的时间序列特征（Time-Series Features, TSFs）以提升预测精度。研究人员构建了三个数据集：（i）传统地理因子结合单时相遥感数据，（ii）纳入基于Landsat 8的TSFs（L_TSFs）的数据集，以及（iii）纳入基于Sentinel-2的TSFs（S_TSFs）的数据集。这些数据集结合随机森林回归（Random Forest regression, RFR）和支持向量回归（Support Vector Regression, SVR）模型用于预测土壤盐分。模型评估与制图比较表明，相对于单时相数据，纳入TSFs显著提升了性能，其中生长季TSFs贡献最强。在所有模型中，RF＋S_TSFs组合达到了最高精度（R2＝0.83，RMSE＝0.84 g kg?1）。这些发现凸显了时间序列信息在数字土壤盐分制图中价值，并为支撑精准农业和可持续土地管理提供了一个可扩展、数据丰富的框架。

该研究发表于《Land Degradation 》。研究背景方面，土壤盐渍化作为重大环境胁迫因子，导致土壤结构退化和化学性质恶化，最终引致土壤肥力下降，广泛分布于中国干旱半干旱区及沿海地区，黄河三角洲受海水入侵与咸水地下水积聚影响盐渍化显著，制约农业发展与生态稳定，因此动态监测对精准农田管理、土地资源高效利用及盐渍化治理具重要现实意义。常规数字土壤制图（Digital Soil Mapping, DSM）多依赖单时相或不连续影像光谱指数，而土壤盐渍化本身是动态过程，单时相数据易受瞬时环境因素干扰，且现有研究多聚焦单传感器或最优时间窗识别，鲜见结合传统地理因子与不同传感器时间序列数据提升预测性能。为此，研究人员选取黄河三角洲东营市垦利区、利津县与河口区交界处为核心研究区，整合2019–2023年Sentinel-2与Landsat-8影像提取的年尺度与生长季NDVI和SAVI时间序列统计特征（最大值、均值、中位数）及传统环境协变量，结合田间实测表层0–15 cm土壤电导率（Electrical Conductivity, EC）换算的土壤盐分（Soil Salinity, SS），构建土壤盐渍化反演模型以评估长时间序列遥感数据表征盐渍化水平的能力，实现基于时间序列遥感数据的精确盐渍化反演。

关键主要技术方法包括：研究样本为2023年9月采集的148组表层土壤EC数据与52份土样，源自黄河三角洲核心区空间均匀分布采样点；遥感数据取自GEE平台的Sentinel-2（COPERNICUS/S2_SR_HARMONIZED）与Landsat-8（LANDSAT/LC08/C02/T1_L2）地表反射率数据，经CFMask去云、S–G（Savitsky–Golay）滤波平滑重构时间序列并以±30天中值填补缺失；特征变量含传统地理环境变量（DEM、距海岸线距离DTC、距河流距离DTR、总溶解固体TDS、地表温度LST_max与LST_min）及单时相NDVI、SAVI与时间序列特征（全年度与4–10月生长季的NDVI与SAVI最大值、均值、中位数），经Pearson相关与多重共线性（r>0.9剔除）筛选；预测模型采用RFR（R包randomForest，网格搜索结合k-means空间交叉验证调参ntree、mtry、nodesize）与SVR（R包e1071，径向基核，同法调参cost、gamma、epsilon）；精度评价以8:2空间分层抽样分校正集与验证集，用决定系数R²、均方根误差RMSE及残差Moran's I检验空间自相关性。

研究结果如下：

3.1 Analysis of Soil Salinity and Time-Series Data。148个土壤盐分样本盐分值介于0.58–20.3 g kg^?1，均值3.43 g kg^?1，经对数近似正态后空间分层划分120校正与28验证样本且变异性一致；S–G滤波后最低盐分点NDVI峰值0.7–0.85、谷值0.2–0.35符合植被周期，最高盐分点NDVI峰值不稳且2022年7月达最低，高盐点NDVI谷值降约0.2单位、SAVI谷值降约0.1单位，高盐抑制作物生长致时序曲线不稳定，高盐点植被指数统计值显著低于低盐点，证实时序最大值、均值、中位数可作盐分关联指标。

3.2 Selection of Characteristic Factors for Soil Salinity。单时相植被指数与盐分相关性弱于多数时段，全纳入时序指数致共线性与过拟合，提取统计特征可保留相关性并缓解共线；对比1年、3年、5年时序特征（TSFs）与盐分相关性，均值与中位数随时长（1至5年）增强，最大值波动平稳，选定5年为最优时长；生长季4–10月的NDVI与SAVI统计特征较4–5月或9–10月相关性更强，其中5年4–10月NDVI均值相关系数最高达0.445（p<0.01），故选定2019–2023年4–10月的NDVI与SAVI最大值、均值、中位数为关键物候时序遥感指标；Pearson相关显示29个预测变量显著（p<0.01），所有TSFs均显著但与自身高共线，最终确保变量间r<0.9后入选建模。

3.3 Soil Salinity Prediction Models and Accuracy Validation。单时相模型中SAVI相对重要性最高（RFR 27.31%，SVR 24.29%），优于NDVI；纳入L_TSFs后L_410NDVImean最重要（RFR 29.47%，SVR 26.32%），纳入S_TSFs后S_410NDVImean居首，TSFs重要性超越单时相与传统变量，生长季5年均值的NDVI判别力最强；精度上RF＋S_TSFs的R²=0.83、RMSE=0.84 g kg^?1，较无TSFs的RF模型R²提升0.28，优于RF＋L_TSFs（R²高0.02），因Sentinel-2时空分辨率更高；SVR无TSFs优于RF无TSFs，但有TSFs时RF优于SVR；所有模型残差Moran's I近0、p>0.05、|Z|<1.96，残差空间随机无自相关，TSFs未引入空间偏差，模型稳健。

3.4 Soil Salinity Prediction Results。按氯化物盐土分级（0–1非盐化、1–2轻度、2–4中度、4–6重度、>6盐土）并掩膜建筑水体后制图；整体呈沿河中心低、远离增高，以轻中度为主；含TSFs模型预测盐土面积较单时相增约10%，重度占比下降，卡方检验差异显著（χ²＝26.17，p＜0.001），TSFs减少低盐碱估与高盐低估，RF＋S_TSFs制图最优；RF无TSFs盐土占3.53%、RF＋S_TSFs占12.51%，SVR无TSFs占2.37%、SVR＋S_TSFs占11.01%。

3.5 Spatial Variability Analysis of Soil Salinity。用最优RF＋S_TSFs预测耕地、林地、草地盐分；S_410NDVImean统计值林地最高（均值0.54）、耕地次之（0.45）、草地最低（0.35），与盐分均值反向（草地5.59＞耕地2.68＞林地2.06 g kg^?1）；耕地与林地以轻中度为主（合计87.33%与75.95%），耕地中度主导、林地轻度更多，草地中度34.32%与盐土43.09%占比大且无非盐化；时序NDVI曲线显示非盐化＞轻度＞中度＞重度＞盐土，重度峰值谷值约0.6与0.2，盐土持续最低，长期时序比单时相更稳健表征空间变异。

讨论部分总结：研究人员指出TSFs通过多年度统计平滑短时环境噪声（降水、灌溉、管理波动）与随机年际起伏，提取植被对稳定盐分场的稳态响应，优于单时相受瞬变干扰的因子；传统环境变量因空间变率小贡献较低，但距河与TDS仍因河水补给与地下水矿化参与成盐；本研究创新在于除NDVI外构建SAVI时序以消减低植被覆盖区土壤背景干扰，直接提取显式时序统计特征（年/生长季峰值、均值、中位数）而非仅重构曲线，并系统量化NDVI与SAVI多时序特征在RF与SVR中的贡献，明确生长季特征重要性最高；制图显示含TSFs模型更大比例识别盐土、更小重度占比，沿河低盐远河增高，土地利用与盐分关联为草地盐土多、林地轻度多、耕地中度多，NDVI与盐分负相关问题；局限为低盐水（<1 g kg^?1）预测偏估因1 g kg^?1阈值与植被响应不完全对应，云覆盖与缺口即便平滑仍可扭曲时序，极端天气扰生长周期降稳定性，且缺多时相独立验证（仅2023年9月148样），模型属高精度空间制图工具而非动态监测系统，未来需增补非盐样品、敏感低盐预测因子、跨气候区验证最优时长、融入多时相高频采样与更多优化植被指数特征以提升通用性。

结论部分翻译：本研究利用Sentinel-2和Landsat 8卫星获取的长时间序列NDVI和SAVI植被遥感数据，采用S–G滤波方法对植被时间序列变化曲线进行平滑拟合。通过时间序列跨度比较，确定5年观测期为提取时间序列特征（TSFs）的最优时长，并将其与传统环境变量、气候因子及单时相植被因子进行对比。研究探究了TSFs能否在RFR与SVR模型中获得更高重要性系数从而提升模型预测精度。结果表明，引入TSFs有效提高了反演模型的精度与空间预测能力，同时减少了低含盐土壤的高估与高含盐土壤的低估；此外，变量重要性分析进一步表明，TSFs（特别是生长季提取的TSFs）是该研究区土壤盐渍化反演的关键变量。本研究证明时间序列遥感因子弥补了单时相遥感因子的不足，提升了土壤盐分制图精度，该方法在土壤盐渍化评估的实际应用中展现出较强潜力。未来工作可通过整合更多植被指数、在不同区域验证最优时间窗口，以及纳入多时相野外采样以实现动态时间监测，进一步提升其适应性。