Integrated use of remote sensing techniques and machine learning in assessing soil salinity: current approaches, methods, and future perspectives

方法

综述UAV/卫星/高光谱遥感与RF、SVM、ANN及深度学习模型融合应用。

发现

多源融合与集成学习精度高，但受表层数据、植被干扰和小样本限制。

机会点

可探索深度学习结合时序与近地传感填补根区盐分监测空白并推动标准化验证。

由气候变化和人类活动驱动的土壤盐渍化威胁着全球超过4.12亿公顷土地的粮食安全，亟需精准监测。传统方法准确但成本高、耗时长。本文综述了将遥感（RS；无人机、卫星、高光谱）与机器学习（ML；随机森林、支持向量机、人工神经网络）相结合用于土壤盐渍化评估的最新进展。遥感提供大尺度时间数据，而机器学习能够捕捉复杂的非线性关系。多传感器融合（如光学—雷达）与集成机器学习提高了精度（R²最高达0.98）。然而仍存在局限：依赖表层数据（0—20 cm）、植被光谱干扰、训练数据集小以及泛化能力差。深度学习（DL）架构（如U-Net、全卷积神经网络）在特定任务上优于传统机器学习，包括盐渍化等级的语义分割（精度>90%）和地下电导率预测（R²最高达0.85）。未来工作必须利用深度学习、时间序列分析和近端传感来弥合根区盐渍化的数据缺口。一个纳入气候、地形和土壤协变量的数字土壤制图框架对于构建稳健、可迁移的模型至关重要。优先开展大尺度验证和标准化方法，将使盐渍化评估从制图转向预测性管理，从而支撑可持续农业与土地修复。