利用Sentinel-2影像估算主要土壤水溶性盐离子含量：结合光谱和纹理特征

《International Soil and Water Conservation Research》：Estimation of major soil water-soluble salt ions from Sentinel-2 imagery: Integrating spectral and texture features

土壤水溶盐离子监测方法研究：基于Sentinel-2影像与GLCM纹理特征的机器学习模型优化

　　
土壤盐渍化作为全球土地资源可持续利用的重要挑战，其精准监测对保障粮食安全和生态安全具有战略意义。中国新疆作为我国盐渍化最严重的区域之一，面临年均蒸发量超过降水量40倍的特殊环境压力，传统土壤采样监测存在时空分辨率不足、成本高昂等问题。本研究创新性地构建了融合多光谱遥感数据与空间纹理特征的智能预测体系，为干旱区土壤盐分动态监测提供了新范式。

研究团队以塔里木盆地阿拉尔灌区为对象，系统解决了三大核心科学问题：其一，如何突破传统光谱特征在复杂盐渍化场景下的表征局限，发现5×5像素的GLCM纹理特征能有效捕捉0-20厘米土层盐分空间异质性，其纹理参数与离子浓度的相关系数达0.2-0.39；其二，构建了包含9类光谱特征（如植被指数NDVI、土壤指数Crsi）和10类GLCM纹理参数（如对比度CON、熵ENT）的复合特征体系，其中Na?的预测模型特征维度达25维，Cl?达19维；其三，通过机器学习模型集的横向比较，确立了随机森林（RF）模型在盐分预测中的主导地位，其R2值最高达0.93，RMSE控制在1.62-5.39 g·kg?1之间。

在技术方法层面，研究创新性地提出了"三步递进式"建模流程：首先通过空间自相关分析确定最优纹理窗口（5×5像素），其次采用Boruta特征筛选算法从87个潜在特征中精准筛选出关键变量（如B2波段对比度CON对Na?的预测贡献度达37%），最后构建多模型评估体系。特别值得关注的是，研究首次揭示了不同盐分离子与遥感特征的差异化响应机制：K?对植被红边指数（S3）敏感度达0.3，而Ca2?对SWIR1的角二阶矩（ASM）响应系数仅为0.18，这种离子特异性响应为精准建模提供了理论依据。

在应用价值方面，研究构建的预测模型在盐渍化动态监测中展现出显著优势。通过Sentinel-2时序数据提取的土壤盐分动态指标（RPD值达3.26），可精准识别出轻度（RPD 1.4-2.0）、中度（2.0-3.0）和重度（>3.0）盐渍化空间分异格局。模型在灌溉区边缘（距水源10公里外）的预测精度（R2=0.79）较中心区（R2=0.93）下降23%，提示需要建立分区预测模型。研究还发现Cl?和SO?2?的浓度空间自相关距离达450米，而Na?的团聚效应使其相关距离扩展至680米，这为后续监测网络的优化布局提供了关键参数。

模型验证部分揭示了机器学习算法的适用边界。虽然RF模型整体表现最优（平均R2=0.83），但在Ca2?预测中GBRT模型表现更佳（R2=0.59 vs 0.57）。这种差异性响应机制可能源于Ca2?与碳酸钙沉淀的空间耦合效应，而GBRT的梯度优化机制对此类非线性关系建模更具优势。研究特别指出，当盐分浓度超过5 g·kg?1时，模型预测误差呈指数级增长，建议建立分级预警机制。

在技术路径优化方面，研究提出了"双尺度特征融合"策略。小尺度（3×3像素）纹理特征（如Mg2?的熵值ENT）对局部盐斑分布敏感，而大尺度（5×5像素）特征（如Na?的对比度CON）更能反映区域盐分运移规律。这种尺度异质性特征在预测SO?2?时展现出协同效应，其联合预测精度比单一尺度模型提升41.7%。研究还建议开发自适应窗口算法，可根据土壤类型动态调整GLCM参数窗口，这已在后续研究中实现技术突破。

值得注意的是，研究发现了传统植被指数在盐渍化监测中的局限性。ENDVI2指数对Na?的预测贡献度达0.39，但对Mg2?的敏感性仅为0.15，这种离子特异性响应要求构建复合植被指数。例如，将NDVI与纹理熵值（ENT）按0.7:0.3权重融合后，对Cl?的预测精度提升27.3%，这为植被指数的优化设计提供了新思路。

在模型泛化能力方面，研究团队通过在地物类型混淆测试中，发现模型在裸土（训练集占比35%）和植被覆盖区（60%）的泛化误差差异达0.21 R2。针对此问题，提出了"双阶段"训练策略：第一阶段用全光谱数据训练基础模型，第二阶段引入地物分类标签进行微调。经测试，该策略使模型在10%地物混淆下的预测误差降低18.6%。

研究的应用验证显示，在阿拉尔灌区已实施盐碱地改良工程区域，模型预测的盐分空间分布与实际治理效果吻合度达82%。通过建立预测-治理反馈机制，指导团队在2024年春季开展的灌溉优化试验中，将地下水位回升速率提高19%，作物产量增加23.6%。特别在盐碱化新发区域（2023年新增盐渍化面积12.7平方公里），模型提前6个月预测到土壤积盐量将突破临界值（5 g·kg?1），为及时干预争取了关键窗口期。

未来研究将聚焦三个方向：1）开发融合多源遥感数据（如Sentinel-1雷达数据）的混合特征提取框架；2）构建基于数字孪生的盐渍化动态模拟系统；3）优化机器学习模型在深层次土壤剖面（>20cm）盐分预测中的应用。这些技术突破将推动盐渍化监测从二维平面评估向三维立体建模转变，为全球干旱区农业可持续发展提供关键技术支撑。

该研究已形成完整的标准化技术流程，包括数据预处理规范（云量<10%）、特征工程手册（推荐使用CON+ENT+AC+DIS四参数组合）、模型评估体系（需同时满足R2>0.75、RMSE<3.5 g·kg?1、RPD>2.0三项指标）。研究建立的预测模型已通过国家农业遥感工程技术研究中心认证，并纳入《新疆盐渍化监测技术规程》（2025版）作为推荐算法。

在方法论层面，研究创新性地将特征重要性分析（Feature Importance Analysis）与空间自相关分析结合，揭示了盐分离子在空间分布上的"核心-边缘"结构特征。例如，Cl?在盐渍化核心区的空间自相关距离仅为120米，但在边缘过渡带扩展至280米。这种空间异质性特征为开发自适应监测模型提供了理论依据。

最后需要强调的是，研究团队在数据同化方面取得突破性进展。通过将地面实测数据与Sentinel-2时序数据融合，构建了误差修正机制，使模型在数据缺失情况下的预测可靠性提升41%。这种"地面-空中"协同监测模式，为解决干旱区盐渍化监测中普遍存在的"数据孤岛"问题提供了可行方案。