基于多时相遥感与作物类型协同反演的土壤盐分动态监测新方法

为解决传统土壤盐分监测技术覆盖范围有限、难以规模化应用的难题，来自中国的研究团队创新性地结合多时相Sentinel-2影像与U-net作物分类（向日葵33%、甜菜12%、玉米55%），通过SVR-RFE筛选6个光谱变量（R2=0.994），构建Transformer等模型实现土壤盐含量（SSC）高精度反演（平均R2=0.71），为盐渍化治理提供卫星遥感新范式。

　　土壤盐渍化（Soil salinization）是引发土地退化和生态破坏的"隐形杀手"。传统监测手段犹如"盲人摸象"，而卫星遥感技术却能"俯瞰全局"。这项研究以内蒙古通辽市为试验场，巧妙运用2021-2022年生长季（6-9月）的Sentinel-2影像，先通过深度学习U-net模型给农田"上户口"——准确分类向日葵、甜菜和玉米三大作物，发现玉米地占比过半（55%）。科研人员像"化学家提纯试剂"般用SVR-RFE模型筛选出6个关键光谱指标，其中盐分指数SI6与土壤盐含量（SSC）的"亲密指数"（相关系数）高达0.50，比植被指数（VIs）更"敏感"。在算法竞技场上，Transformer模型凭借多时相数据"记忆优势"，以平均R²0.71的成绩碾压DBO-RF等传统机器学习选手，绘制的盐分反演图与实地调查"对上了暗号"。这项研究如同给地球装了"盐分CT"，为农业与环境管理提供了"太空眼"。