非生长季地表土壤盐分估算：干旱农业区多源遥感数据与卷积神经网络模型的集成

《Agronomy》：Non-Growing Season Surface Soil Salinity Estimation: Integrating Multi-Source Remote Sensing Data and Convolutional Neural Network Models in Arid Agricultural Areas

　　

土壤盐渍化降低了作物生产力并威胁干旱地区的农业可持续性。因此，可靠的农田土壤盐分估算对于盐渍化监测和土地管理至关重要。在非生长季，有限的作物覆盖增加了土壤表面的暴露。现有研究主要依赖光学指数，尽管合成孔径雷达（SAR）特征和地形变量也已被用于提高估算精度。然而，在农田作物收获后，气候和土壤质地变量尚未被充分考虑。此外，传统机器学习方法难以有效学习多源变量与土壤盐分之间的复杂非线性关系。因此，研究人员提出了一种通过集成多源遥感数据与深度学习模型来估算土壤盐分的方法。研究人员的研究聚焦于中国西北部渭干河-库车河绿洲的非生长季农田。利用哨兵一号（Sentinel-1）和哨兵二号（Sentinel-2）数据以及环境协变量（包括地形、陆地表面温度（LST）和土壤质地）构建了六种变量组合情景。研究人员建立了支持向量回归（SVR）、随机森林（RF）和卷积神经网络（CNN）模型来估算土壤盐分。结果表明：（1）集成光学指数、SAR特征、地形变量、LST和土壤质地获得了最高的估算精度；（2）在50次随机分割实验中，CNN的整体估算性能优于传统机器学习模型（决定系数R² = 0.68，均方根误差RMSE = 1.24 dS/m）；（3）在本研究中，光学指数对SVR和RF模型的贡献最大，而环境变量对CNN模型的贡献最大。本研究提出了一个在非生长季集成多源遥感数据与深度学习模型的土壤盐分估算框架，为干旱区非生长季农田土壤盐分估算提供了新的数据和技术支持。

**论文解读文章**

**研究背景与问题**
土壤盐渍化是干旱区农业面临的严峻挑战，通过蒸发驱动的水分损失和盐分向上迁移，可溶性盐在表层土壤积累，导致作物生产力下降并威胁农业可持续性。全球近20%的耕地和约一半的灌溉农田受盐分积累影响，中国西北部尤为严重，新疆占全国盐渍土面积近三分之一。精准估算农田土壤盐分对盐渍化监测和土地管理至关重要。传统野外采样与实验室分析虽准确但成本高，难以区域连续应用。卫星遥感因提供大范围空间覆盖和时间序列观测，成为监测土壤盐分的有效工具。非生长季作物覆盖稀疏、土壤表面暴露更多，盐分相关光谱响应受作物干扰小，且盐分更易在地表积累，因此被视为遥感估算表层土壤盐分的重要时期。

现有研究主要分为三类：仅使用光学遥感影像、集成光学与雷达数据、以及进一步加入环境变量（如地形）。然而，在农田作物收获后，气候变量（如陆地表面温度LST）和土壤质地变量对盐分迁移积累的影响尚未被充分纳入已有框架。此外，传统机器学习模型（如SVR、RF）通常基于单像素值建模，忽略采样点周围邻域的空间信息，难以有效学习多源变量与土壤盐分间的复杂非线性关系。卷积神经网络（CNN：一种通过局部连接和权重共享学习层次化特征的深度学习模型）能够利用邻域斑块捕获局部空间模式，但在于旱区非生长季农田条件下，其多源数据融合性能尚待验证。

**研究内容与结论**
研究人员聚焦中国西北部渭干河-库车河绿洲（温带大陆性干旱气候，年均降水约50mm，蒸发约2000mm，主要作物为棉花），在2023年11月和2024年11月非生长季采集222个土壤样本（0-10 cm深度），采用分层目的抽样覆盖不同盐渍化等级。利用哨兵一号（Sentinel-1）合成孔径雷达（SAR）影像和哨兵二号（Sentinel-2）光学影像，结合环境协变量（地形：高程、坡度、地形湿度指数TWI；气候：陆地表面温度LST；土壤质地：黏粒、砂粒、粉粒含量），构建六种变量组合情景（S1：仅光学指数；S2：光学+SAR；S3：光学+SAR+地形；S4：S3+土壤质地；S5：S3+气候；S6：全部变量）。分别建立支持向量回归（SVR：采用径向基核函数）、随机森林（RF：300棵决策树）和卷积神经网络（CNN：两层卷积+全局平均池化+全连接层）模型，通过50次随机分割（7:3训练测试比）评估性能，并采用沙普利加法解释（SHAP）分析变量贡献。

结论表明：（1）集成光学指数、SAR特征、地形变量、LST和土壤质地（S6）获得最高估算精度，R²达0.60-0.76，RMSE为1.09-1.42 dS/m；（2）CNN在50次随机分割实验中表现最优（平均R²=0.68，RMSE=1.24 dS/m），显著优于SVR和RF（配对Wilcoxon检验p<0.05）；（3）光学指数对SVR和RF贡献最大（分别占49.7%和58.1%），而环境变量对CNN贡献最大（55.8%），其中LST、高程和黏粒含量在三种模型中均表现较高重要性。该研究提出的框架为非生长季农田土壤盐分估算提供了新方法，发表于《Agronomy》。

**主要关键技术方法**
（不超过250字）
研究人员使用谷歌地球引擎（GEE）获取并预处理Sentinel-1 SAR（双极化VV、VH）和Sentinel-2光学影像，生成中值合成影像，计算19个候选变量（10个盐分指数、6个环境指数、3个SAR特征）。环境协变量包括地形（源自SRTM DEM：高程、坡度、TWI）、气候（MODIS MOD11A1 LST，取采样时段均值）和土壤质地（SoilGrids 2.0：黏粒、砂粒、粉粒含量），所有数据重采样至10m空间分辨率。样本来源：222个土壤样本取自渭干河-库车河绿洲农田，按五点采样法混合，电导率（EC）按1:5土水比测定。变量筛选采用Spearman秩相关（p<0.05）和方差膨胀因子（VIF<10）。模型构建中，SVR和RF用Scikit-learn，CNN用PyTorch（2.4.1），输入为7×7像素邻域的多通道张量，采用早停和AdamW优化器防止过拟合。

**研究结果**

**3.1 土壤电导率统计特征**
通过对222个样本描述性统计，EC值范围0.60-13.21 dS/m，均值3.10 dS/m，中位数2.45 dS/m，标准差2.34 dS/m，变异系数0.75，偏度2.00，表明低盐样本占主导，呈正偏态分布。训练集（155个）和测试集（67个）的分布与总体相似，涵盖非盐渍化到重度盐渍化等级。

**3.2 变量选择**
通过Spearman相关分析，EC与光学指数（如SI、SI1、SI3、Int1、BI）相关性最高（ρ=0.56，p<0.01），SAR特征（VV、NDI、SPAN）显著但相关性较弱。保留16个光学变量和3个SAR特征后，经VIF迭代剔除共线性变量，最终保留7个光学指数（S5、NDSI、ERSSI、MSI2、NDWI、Albedo、CAEX）和2个SAR特征（VV、NDI），加上7个环境协变量，构成六种变量组合（S1-S6含7-16个输入变量）。

**3.3 变量组合对非生长季农田土壤盐分估算的影响**
在测试集上评估六种情景的估算精度。S1（仅光学）R²为0.48-0.53，RPD为1.39-1.47；加入SAR和地形（S2-S3）后精度提升；加入土壤质地（S4）或LST（S5）进一步改善，S5略优于S4；S6（全部变量）达到最高精度：R² 0.60-0.76，RMSE 1.09-1.42 dS/m，MAE 0.82-1.00 dS/m，RPD 1.60-2.06，表明LST和土壤质地提供了互补信息。

**3.4 模型性能与过拟合评估**
在S6情景下进行50次随机分割实验，CNN平均R²（0.68）和RPD（1.81）最高，RMSE（1.24 dS/m）和MAE（0.93 dS/m）最低，整体优于RF（R²=0.60，RMSE=1.31 dS/m）和SVR（R²=0.56，RMSE=1.38 dS/m）。配对Wilcoxon检验显示CNN与RF、SVR在R²、RMSE、RPD上差异显著（p<0.05）。CNN训练损失和验证损失曲线快速下降后稳定，早停在第13轮，无过拟合迹象。残差半变异函数分析显示线性模型拟合最佳（R²=0.233），块金基台比0.825，残差空间依赖性以随机成分为主。

**3.5 多源变量对土壤盐分估算的贡献**
采用SHAP分析三种模型下变量类型的重要性。SVR中光学指数和环变贡献相近（49.7%和44.5%）；RF中光学指数贡献最大（58.1%）；CNN中环境变量贡献最大（55.8%），其次为光学指数（36.1%）和SAR特征（8.1%）。单个变量中，Albedo在SVR、S5在RF、LST在CNN中重要性最高。LST、高程和黏粒在三个模型中均排名靠前，而SAR特征整体贡献较低但在CNN中相对更高。

**3.6 土壤电导率制图**
应用最佳CNN模型（S6）生成空间分布图，非盐渍土占38.54%，轻度盐渍化35.98%，中度18.40%，重度5.84%，极重度1.24%。低盐区主要分布于绿洲西部灌溉农田，高盐区集中于东南部低洼地带，与地形、水文条件（浅层地下水、毛细上升）密切相关，印证了盐分积累的空间异质性。

**讨论与结论**
讨论部分指出：光学指数在非生长季对盐分敏感（低植被覆盖增强光谱对比），SAR特征受土壤水分、介电性质和粗糙度影响（但盐需溶解才影响信号，采样期降水少限制其响应），引入地形、LST和土壤质地进一步改善精度（LST反映蒸发条件，地形调控水分汇聚，土壤质地影响盐分运移）。CNN通过邻域斑块输入自动提取空间特征，更好地捕获局部异质性和多源变量间的复杂关系，优于基于单像素的SVR/RF。SHAP显示环境变量在CNN中贡献更大，因其空间背景信息被卷积有效利用。实际应用中，该框架可为非生长季盐渍化监测提供支撑，但需本地重训练。局限包括高盐样本有限、输入数据分辨率不匹配（原始30m/1km/250m重采样至10m）、SAR信息不全面等，未来需增加高盐样本、采用更精细数据及空间交叉验证。

**结论翻译**
本研究开发了一个基于CNN的框架，用于估算中国西北部渭干河-库车河绿洲非生长季农田的表层土壤盐分。该框架集成了光学指数、SAR特征、地形变量、LST和土壤质地变量。主要结论如下：（1）在六种变量组合中，集成光学指数、SAR特征、地形变量、LST和土壤质地获得了最高的估算精度，表明多源变量可为非生长季土壤盐分估算提供更多互补信息。（2）在S6情景下，经50次随机分割实验，CNN的整体估算性能优于传统机器学习模型（平均R²=0.68，RMSE=1.24 dS/m），表明结合邻域信息的CNN模型在捕获土壤盐分与多源变量间的复杂关系方面具有一定潜力。（3）在本研究中，光学指数对SVR和RF模型的贡献最大，而环境变量对CNN模型的贡献最大；LST、高程和黏粒在三种模型中均表现出较高贡献，而所选SAR特征贡献较低。总体而言，所提出的框架在非生长季土壤盐分估算中具有应用潜力，但本研究展示的潜力需在不同区域的空间独立样本中进一步验证。