基于注意力机制与轻量级CNN的耕地盐分遥感反演模型：构建、验证与多模型对比分析

《Sustainability》：Remote Sensing Inversion Model of Cultivated Land Salinity Based on Attention Mechanism and Lightweight CNN: Construction, Validation, and Multi-Model Comparative Analysis

　　

土壤盐渍化威胁干旱地区的农业，遥感反演仍面临机理不清和泛化性差的挑战。基于Sentinel-2数据，本研究比较了多种机器学习与深度学习模型对农田土壤盐分含量的反演性能，并引入注意力机制进行优化。主要结论如下：（1）在经典机器学习模型中，随机森林（Random Forest, RF）取得了最高精度（R2 = 0.334），而卷积神经网络（Convolutional Neural Network, CNN）在深度学习中表现更优（R2 = 0.70），适用于盐分类型单一、空间结构清晰且样本覆盖主要环境梯度的建模场景。（2）在多光谱盐分反演问题中，基模型之间的误差互补性较差，导致集成模型无法充分发挥优势。（3）源自近红外、红边和蓝-绿波段的具体指数对硫酸盐型盐分反演表现良好。（4）在甘肃制种玉米产区，约75.47%的农田为非盐碱地，重度盐碱地占1.42%；过去十年内，74.84%的面积盐分含量下降，其中显著下降区域（占9.31%）与连续十年实施工程排盐和微生物肥料管理的区域一致。这表明，在地面样本有限的条件下，结合Sentinel-2光谱信息与中等尺度的局部空间背景，能够增强对相对均质灌区盐分变化的检测能力。

**论文解读：基于注意力机制与轻量级CNN的耕地盐分遥感反演模型构建、验证与多模型对比分析**

**研究背景与问题**

土壤盐渍化是干旱与半干旱地区常见的土地退化形式，严重威胁全球农业生产力与生态稳定性。传统监测方法如野外采样后实验室化学分析、电磁或电阻率探头原位电导率测量以及基于水盐运移过程模型，虽能提供高精度定量结果，但存在耗时费力、难以捕捉大尺度空间异质性、参数敏感等局限。卫星遥感因具有同步、重复、低成本观测的优势，成为农田盐渍化评估与动态监测不可或缺的工具。然而，现有研究在多光谱盐分反演中仍面临关键挑战：不同盐分类型与光谱特征之间的对应关系不稳定，模型泛化能力不足；经典机器学习模型与深度学习模型在不同场景下的适用性差异尚不明确；集成学习策略在盐分反演问题中的有效性未得到充分验证。为此，研究人员在干旱-半干旱过渡带的典型区域（甘肃省临泽县）采集260个农田盐碱土样本，利用Sentinel-2多光谱影像与多种机器学习及深度学习模型进行系统比较，旨在构建并验证一套适用于硫酸盐主导型盐分反演的高效框架。

**研究内容与结论**

研究人员基于Sentinel-2 MSI Level-2A地表反射率数据，保证遥感观测与野外采样时间严格同步（±3天窗），通过双线性插值将所有波段重采样至10米分辨率，并采用2cloudless算法进行云与云阴影掩膜。针对每个采样点，构建3×3、5×5、7×7、9×9像素的矩形邻域窗口，提取各波段有效像元的统计特征，同时通过比值与归一化方法两两组合生成多光谱指数。模型构建采用五折交叉验证，空间分组避免样本空间相关性。评估了随机森林（RF）、XGBoost、CatBoost、深度神经网络（DNN）及多种卷积神经网络（CNN）架构（包括堆叠CNN、轻量级ResNet、ResNet-50、轻量级DenseNet、DenseNet、轻量级EfficientNet、EfficientNet、CBAM-CNN及SE-Final CNN），并引入堆叠集成策略。此外，利用Monte Carlo Dropout进行不确定性估计，采用Sen's斜率与Mann-Kendall检验分析2016–2025年盐分变化趋势。样本来源为甘肃省临泽县农田，盐分类型以硫酸盐为主。

**研究结果**

**3.1 农田盐渍化遥感反演模型构建**

**3.1.1 传统模型构建**：通过五折交叉验证，RF精度最高（R2 = 0.334），其次是XGBoost（R2 = 0.27）和CatBoost（R2 = 0.20），但所有模型R2均低于0.4，且测试集精度高于0.9，表明存在过拟合。RF特征重要性排名显示，前20个特征主要反映作物状态（如红边波段比值指数）和土壤表面亮度/颜色（如蓝-绿波段比值指数），仅少数与盐分/水分直接相关。

**3.1.2 DNN模型构建**：DNN模型在五折交叉验证中R2范围为-0.65至0.03，最优5层模型R2仅0.079，过拟合严重，精度低于传统机器学习模型，表明样本量不足和高光谱共线性限制了DNN的应用。

**3.1.3 CNN模型构建**：多种CNN架构中，ResNet和SE-Final CNN（在CNN末端加入通道注意力模块）精度最高，R2分别达到0.65和0.70。典型CNN架构（如DenseNet、EfficientNet）及其轻量版本精度低于堆叠CNN。在CNN末端加入注意力机制（SE-Final）仅增加约0.002M参数和0.002M MACs，几乎不增加计算负担。5×5卷积窗口（对应50米邻域）表现出最佳性能。

**3.1.4 集成学习网络构建**：堆叠集成模型中，以DNN作为基学习器时精度最高（R2 = 0.269），以XGBoost作为基学习器时最差（R2 = 0.197）。所有集成模型均未超过最优CNN，表明基模型误差互补性不足。

**3.2 研究区耕地土壤盐分反演结果**：利用SE-Final CNN反演2025年10月农田盐分，75.47%为非盐碱地（盐分<0.3%），18.80%为轻度盐碱地（<0.5%），4.19%为中度盐碱地（0.5–0.7%），1.42%为重度盐碱地（>0.7%），重度盐碱地集中在水体及废弃盐碱荒地周边。

**3.3 2016–2025年耕地盐渍化动态变化**：大部分耕地盐分呈下降趋势，沿黑河区域盐分下降速率超过0.14 g/年，低洼湿地下降速率可达1.13 g/年。显著下降区域（z-score > 3.93）主要集中在顾寨村、延安镇，与连续十年实施工程排盐和有机肥管理的区域高度一致。仅南部个别区域盐分上升，与丹霞景区导致耕地减少有关。

**讨论与结论**

讨论部分指出：RF在传统模型中表现最优，但精度置信区间重叠大，不能断言其普遍优势；CNN显著优于RF，表明盐分信息不仅存在于中心像元光谱，还存在于邻域空间结构，50米窗口是本研究区最有效的空间上下文。DNN因样本量小和参数过多而表现不佳。集成学习未能超越CNN，因为多模型受相同输入数据和标签误差影响，预测残差高度相关。红边波段组合的重要性反映了盐分对作物生长的间接影响；蓝-绿波段比值在本研究硫酸盐型盐分条件下表现突出，但不能作为硫酸盐的特异性诊断指标。研究局限性包括：盐渍化类型单一（硫酸盐主导）、样本量较小、仅使用单一卫星数据源，未来需开展多源融合和跨区域验证。

结论部分翻译如下：

（1）在经典机器学习模型中，随机森林算法表现最优（R2_RF = 0.33，R2_XGBoost = 0.27，R2_CATBoost = 0.20）。在深度学习中，CNN模型具有泛化适用性，而DNN精度远不满足实际应用需求（R2_CNN = 0.65，R2_DNN = 0.08）。本研究基于此提出SE-Final CNN网络（R2 = 0.70），有助于高效准确估算土壤盐分。

（2）对于样本有限、盐分类型复杂或需要更强可解释性的区域，树模型（如RF）可作为稳健基线。当盐分相关地表特征具有清晰空间结构、样本能覆盖主要环境梯度且空间验证显示模型泛化能力时，CNN更具优势。

（3）对于集成多模型的盐分反演，以精度最低的模型作为基学习器可获得更稳定性能。但多光谱卫星光谱与盐碱采样数据之间的多样性不足，导致子模型误差相关性高，集成模型无法发挥全部优势。

（4）与其他波段及组合相比，近红外与红边波段的归一化差异指数和比值指数，以及蓝-绿波段比值指数，更有利于反演硫酸盐主导型农田的盐分含量。50米邻域为农田盐分反演提供最有效的空间上下文。

（5）在中国甘肃主要制种玉米产区，75.47%的农田为非盐碱地，1.42%为重度盐碱地，主要分布在水体和盐碱荒地周边。过去十年，该区域74.83%的农田面积盐分含量下降，24.17%上升。显著下降区域（占9.37%）与连续十年实施工程排盐和有机肥管理的区域高度一致。