Machine learning-driven mapping of salt-affected soils: integrating laboratory analysis and environmental covariates to establish extent and spatial distribution

方法

250米网格采样分析pH、ECe、ESP、SAR，结合GEE遥感指数，用RF、S

发现

随机森林预测最优（R² 0.83–0.91），三个灌区盐渍土占比分别为10.7%、4.9%、3.4%

机会点

可扩展到更多灌区与多时相遥感，构建盐渍化动态监测与耐盐品种布局决策模型。

理解盐渍化土壤（salt-affected soils, SAS）的空间分布对于维持农业生产力至关重要，然而关于灌溉方案中盐渍化土壤的范围和特征的详细信息仍然有限。本研究通过整合遥感数据和土壤分析数据，评估了三个灌溉方案中盐渍化土壤的范围和类型。采用250 m网格采样方法采集0–30 cm土层土壤样品，分析了土壤pH、饱和浸提液电导率（ECe）和交换性盐基，并计算了交换性钠百分比（ESP）和钠吸附比（SAR）。利用Google Earth Engine（GEE）生成的遥感指数与土壤数据相结合，采用随机森林（RF）、支持向量机（SVM）、梯度提升机（GBM/XGBoost）和人工神经网络（ANN）模型结合k折交叉验证对盐渍化土壤指标进行预测。RF总体上取得了较好的预测性能，R²值范围为0.83至0.91。根据预设阈值，盐渍化土壤分别影响IR1、IR2和IR3的10.7%、4.9%和3.4%。IR1以盐化土壤为主，IR2以盐化-碱化土壤为主，IR3以碱化土壤为主。这些发现凸显了盐渍化土壤的空间变异性以及因地制宜管理的必要性。所生成的图件可指导针对性土壤改良剂的施用，并通过识别需要耐盐品种的区域来支持水稻育种计划。