黄河三角洲耕地土壤盐分反演：集成多源遥感与环境协变量的特征增强堆叠框架

《CATENA》：Soil salinity inversion in croplands of the Yellow River Delta: a feature-enhanced stacking framework integrating multi-source remote sensing and environmental covariates

　　

• •
  构建了一个特征增强的Stacking框架用于土壤含盐量反演。
• •
  特征增强的收益取决于元学习器的结构。
• •
  海陆位置、光谱响应和土壤质地是关键预测因子。
• •
  该框架增强了复杂海岸含盐量制图中的鲁棒性。

引言

土壤盐渍化是一个全球性的、普遍的且重大的生态与环境问题，严重威胁着耕地质量与安全以及农业可持续发展（Hassani等人，2021；Wang等人，2023b）。目前的估算表明，全球有超过8.33亿公顷的土壤受到不同程度的盐渍化威胁，且受影响面积仍在持续扩大（Negacz等人，2022）。在中国沿海地区，尤其是黄河三角洲地区，土壤盐渍化问题尤为突出。该地区受盐渍化影响的土壤面积达到44.29万公顷，主要以耕地为主，对区域农业生产构成了重大制约（Guo等人，2019）。准确刻画并定量反演土壤含盐量的空间分布已成为土壤盐渍化管理和耕地质量评价的关键科学问题（Corwin和Scudiero，2019；Wang等人，2026）。

现代遥感技术因其高效的数据获取能力和广阔的空间覆盖范围，已成为土壤含盐量反演的重要手段（Ivushkin等人，2019）。目前，多源遥感信息的协同融合——包括光学遥感和微波雷达数据——已成为土壤含盐量反演的重要研究方向。光学遥感通过地表反射特性表征盐分相关信息，而微波雷达则通过散射特性反映土壤结构和水分状况（Wang等人，2022a）。通过建立遥感参数与土壤含盐量之间的定量关系，可实现土壤含盐量的空间反演。先前的研究表明，Sentinel-1雷达与Sentinel-2多光谱数据的融合可以利用微波散射与地表光谱特性的互补优势，从而提升土壤含盐量反演性能（Aihaiti等人，2025；Deng等人，2025）。此外，引入地形、气候、土壤等环境协变量可以提供仅从遥感观测中难以直接获取的环境背景信息，有助于刻画土壤含盐量分布的空间异质性并进一步提升模型精度（Ge等人，2022；Scudiero等人，2015）。然而，随着多源遥感特征和环境协变量的不断引入，输入特征空间呈现出日益高维和非线性的特点，对特征表示和模型泛化能力提出了更大的挑战。

机器学习方法因其强大的非线性建模能力，在土壤含盐量反演中被日益广泛应用（Wadoux等人，2020）。近期的研究逐渐从孤立的算法比较转向建模流程的协同优化，包括特征子集与超参数的联合优化、多区域自适应估算以及稀疏样本条件下的异质性盐分建模（Xu等人，2020；Chen等人，2022；Wang等人，2023a）。这些研究表明，模型性能由算法选择、特征组成、参数配置和样本结构共同决定。同时，土壤含盐量的空间变异性受水文条件、地形位置、土壤特性和人类活动的共同控制，这些因素在不同环境条件下的作用机制和相对贡献可能有所不同（Fan等人，2012；Wang等人，2025）。不同的机器学习模型具有不同的功能表征，在捕捉变量关系、局部样本结构和不同盐分范围方面的能力也存在差异（Reichstein等人，2019）。在环境梯度显著的沿海地区，如黄河三角洲，单个模型的性能可能受其模型结构和特定数据特征的限制。因此，如何有效利用不同模型之间的互补信息，以提升复杂特征空间中的预测稳定性和泛化能力，仍是土壤含盐量建模中的一个重要挑战。

集成学习通过组合多个学习器的多样化预测信息，为提升单个模型的稳定性和泛化能力提供了一种有效途径（Zounemat-Kermani等人，2021；Lei等人，2026）。Stacking是一种典型的异构集成方法，它利用基学习器的折外（OOF）预测构建元特征空间，随后由元学习器学习各模型输出之间的互补关系（Wolpert，1992）。该方法在数字土壤制图和森林地上生物量估算中展现出提升预测性能的潜力（Taghizadeh-Mehrjardi等人，2021；Liu等人，2025）。在标准Stacking中，元学习器通常仅接收基模型的预测值。这些预测值是由原始输入变量通过不同算法映射后生成的低维表示。尽管它们代表了各模型对输入信息的聚合响应，但元学习器无法直接获取相应的遥感特征和环境上下文信息。当不同环境条件下产生相似的基模型预测时，仅由预测值构成的元特征空间可能无法充分表征与不同环境条件相关的误差变异。先前的数字土壤制图研究通过将原始协变量和基模型预测值共同纳入元学习器来扩展元特征空间，并证明了该策略在提升土壤属性预测方面的潜力（Taghizadeh-Mehrjardi等人，2020）。然而，该研究聚焦于土壤有机碳制图，该策略在沿海土壤含盐量反演中的适用性仍有待进一步评估。将多源环境变量引入元特征空间是否能带来稳定的性能提升，以及不同类型的元学习器在利用扩展信息方面的能力是否存在差异，仍是有待解答的问题。

针对上述问题，本研究选取黄河三角洲典型的沿海土壤盐渍化区域——广饶县，开展了基于集成学习的土壤含盐量反演研究。通过将基学习器的折外（OOF）预测和环境变量共同引入元学习阶段，构建了一个特征增强的Stacking框架，并评估了扩展后的元特征空间中不同基学习器和元学习器的适用性。进行了传统Stacking与特征增强Stacking的对照比较，以评估将环境变量纳入元特征空间所带来的额外贡献及其在不同元学习器间的差异。结合独立验证、空间聚类交叉验证和像素级模型不确定性评估，对最优模型的反演精度、空间泛化能力和制图稳定性进行了综合评价，并对研究区的耕地土壤含盐量进行了空间预测。本研究从元特征空间构建和元学习器选择的角度，为复杂沿海环境中多源数据驱动的土壤含盐量反演提供了方法论启示。

章节摘要

研究区

广饶县（118°17′04″～118°57′11″E，36°56′09″～37°21′23″N）位于黄河下游、渤海沿岸，地处黄河三角洲冲积平原腹地（图1）。该县由山东省东营市管辖，总面积为1166平方公里，其中耕地面积为536.67平方公里，占总面积的46.03%。全县地形平坦，平均海拔约2至4米。

土壤含盐量的描述性统计

633个有效土壤样本的统计特征显示，土壤含盐量均值为1.21 g/kg，取值范围为0.45至8.81 g/kg（表5）。变异系数为78.45%，根据Wilding（1985）的分类标准，表明变异程度较强，数据集整体离散度较高。建模集和独立验证集的统计特征高度一致：其土壤含盐量均值分别为1.21和

沿海环境梯度与土壤含盐量的空间分异

RF-MDI与独立验证集置换重要性在识别主要预测因子方面总体一致，Dist_Sea、SI1和Sand在两种度量下均排名靠前。由于RF-MDI可能倾向于具有更多潜在分裂点的变量，且变量间的相关性可能影响重要性的分配，仅依赖其排名可能会高估某些变量的相对贡献（Strobl等人，2007）。在本研究中，两种重要性排名显示出

结论

本研究开发了一个特征增强Stacking框架，融合多源遥感数据、环境协变量和基模型OOF预测值，用于黄河三角洲耕地土壤含盐量反演。与传统Stacking的对比及空间聚类交叉验证表明，扩展元特征空间的收益取决于元学习器，其中一维卷积神经网络（1D-CNN）对组合信息的利用最为有效。变量重要性分析和

CRediT作者贡献声明

刘雪龙：撰写–审阅与编辑，撰写–初稿，可视化，软件，方法学，形式化分析，数据整理，概念构思。陈林遥：撰写–初稿，可视化，形式化分析，数据整理。刘畅乐：调查，数据整理。张灿婷：可视化，概念构思。王红嘉：可视化，数据整理。张婷婷：撰写–审阅与编辑，监督指导，方法学，概念构思。王爱玲：撰写–审阅与编辑

利益冲突声明

作者声明不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家重点研发计划（项目编号：2022YFC3802805）和山东省自然科学基金（项目编号：ZR2025QC396）的资助。

Xuelong Liu|Linyao Chen|Changle Liu|Canting Zhang|Hongjia Wang|Tingting Zhang|Ailing Wang