基于Sentinel-2和可解释机器学习的河套平原农田土壤盐分和pH反演

　　

摘要： 耕地土壤盐碱化的加剧对农业可持续发展和生态环境构成了重大威胁,土壤含盐量(SSC)和pH值是评估盐碱化程度的关键指标。遥感技术为大范围、高效的土壤盐碱状况监测提供了有力支撑。本研究以河套平原盐碱农田土壤为研究对象,结合实测SSC、pH值和Sentinel-2影像(包括6个波段及24个盐分指数),并引入环境变量、土壤理化属性及合成孔径雷达数据作为建模变量,采用梯度提升机(GBM)进行特征筛选后,基于极端梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)、自适应提升(AdaBoost)、类别提升(CatBoost)、随机森林(RF)和极端随机树(ERT)6种机器学习算法建立SSC和pH值的反演模型,通过夏普利加性解释(SHAP)可视化变量贡献度,并对盐碱化信息空间分布反演制图。结果表明: 研究区土壤盐碱化整体呈轻度至中度,且盐化与碱化存在显著空间异质性。GBM算法通过筛选累积贡献达90%的特征变量,有效降低了模型复杂度,且不同类型变量对盐碱化信息的贡献差异较大。XGBoost和ERT模型分别在SSC和pH值反演中表现最佳,模型验证R²分别为0.925和0.818。SHAP分析显示,盐分指数对SSC和pH值的累计贡献度分别为34.9%和34.2%,位于所有变量之首,其次为土壤理化属性和地形因子,占比为15.7%～23.0%,气候因子和雷达数据的贡献有限,单波段贡献最小。本研究可为类似区域土壤盐碱化信息监测、变量优选及农业改良决策提供参考。