Mapping soil salinization in the Shirvan plain based on Sentinel-2 data

方法

Sentinel-2植被指数、DEM地形指数与SAR，结合CART和XGBoos

发现

在小范围研究区，机器学习与遥感分类对土壤盐渍度评估结果相近。

机会点

可扩展到更大区域验证多源遥感与机器学习模型的可迁移性，并融合时序数据监测盐渍化动态。

本研究利用数字高程模型（DEM）提取的地形指标、SAR以及Sentinel-2生成的植被指数，对位于阿塞拜疆共和国希尔万平原中部和北部的库尔达米尔地区土壤盐渍化进行制图，并评估多源传感器预测土壤盐分的潜力。本文反映了基于遥感技术评估库尔达米尔土壤盐渍化程度的结果。利用Sentinel-2光谱通道数据计算的指数对土壤按盐渍化程度进行分类。基于机器学习和遥感方法的对比分析发现，当研究区未覆盖大面积土地时，二者在土壤盐渍化评估中提供相似的结果。以土壤采样点土壤电导率（EC）值作为目标变量，以最优环境因子作为预测变量，构建了基于分类回归树（CART）和极端梯度提升（XGBoost）的三种土壤盐分反演模型。本研究对于理解土壤盐分动态具有重要意义，并可用于区域层面土地与农业管理的进一步研究。