Synergistic Multi-Source Remote Sensing and Machine Learning for Regional-Scale Soil Salinity Retrieval in the Hyper-Arid Tarim River Basin

方法

147个表层土样电导率测定，结合光学、Sentinel-1 SAR与环境协变量，

发现

随机森林融合全部特征最优（R2=0.73），气候变量贡献最大，盐分空间异质性极强。

机会点

可探索多时相SAR与光学协同、迁移学习提升极端干旱区盐渍化反演精度与泛化能力。

盐碱地因分布广泛、治理困难且对干旱区农业生产和生态安全构成严重威胁，被俗称为“地球的癣”。塔里木河流域是中国西北干旱区盐碱地的主要分布区，因此准确评估该区域盐碱地的分布及盐碱化发育程度，对该区域综合治理和区域生态安全维护具有重要意义。然而，受传统土地调查方法限制，区域盐碱地的分布与特征尚不明确。为此，本研究在塔里木河流域开展野外调查，采集147份表层土壤样品并进行电导率测定，构建了集成遥感技术与机器学习算法的盐碱地反演模型。结果表明，集成全部多源特征的随机森林（Random Forest, RF）模型在土壤盐分反演中表现最优，精度最高（R² = 0.73，RMSE = 3.58 dS m⁻¹，MAE = 1.89 dS m⁻¹），具有更优的稳健性和极值预测能力，而极端梯度提升（Extreme Gradient Boosting, XGBoost）模型则对盐土与非盐土边界的提取形成补充。宏观气候变量（年均温MAT、年均降水MAP）占据主导地位，合计贡献率为33.2%，这与极端干旱区土壤盐分受气候主导控制的规律一致。光学指数、Sentinel-1 SAR（12.0%）及环境协变量等多源协同增强了模型的物理可解释性。空间上，土壤盐分呈现强异质性（CV = 113.04%），集中分布于受人类活动影响的中下游平原和灌区，与低盐度的上游山区形成对比。研究结果表明，融合土地调查、遥感与机器学习可支持极端干旱的塔里木河流域盐碱地范围的筛查级反演，为其系统性改良提供基础。