土壤学报

作者：史泽峰，徐明星，赵成义，焦彩霞，陈桐，曾荣，卢婧，郑光辉

单位：史泽峰，南京信息工程大学地理科学学院, 南京 210044；,徐明星，浙江省地质院国土空间生态修复所, 杭州 310007；,赵成义，南京信息工程大学地理科学学院, 南京 210044；,焦彩霞，南京信息工程大学地理科学学院, 南京 210044；,陈桐，南京信息工程大学地理科学学院, 南京 210044；,曾荣，南京信息工程大学地理科学学院, 南京 210044；,卢婧，江苏省不动产登记中心, 南京 210017；,郑光辉，南京信息工程大学地理科学学院, 南京 210044；001524@nuist.edu.cn,

关键词：盐渍化;成像光谱;机器学习;土壤盐分;光谱指数

基金：国家重点研发计划项目(2023YFE0208100)、国家自然科学基金项目(42371060, 42130405)、自然资源部 2024 年度部省合作项目 (2024ZRBSHZ115)资助

土壤盐渍化严重制约农业可持续发展，精准监测土壤盐分对农业管理和生态保护至关重要。本研究利用无人机成像光谱技术结合机器学习算法，探索滨海地区土壤盐分含量（SSC）的反演与空间制图方法。通过竞争自适应重加权采样（CARS）算法筛选特征波段并计算光谱指数，采用递归特征消除法（RFE）筛选光谱指数，利用偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林回归（RFR）构建6种不同光谱变换的全波段预测模型和利用SVR、RFR、极端梯度提升（XGBoost）和反向传播神经网络（BPNN）构建光谱指数预测模型，并通过精度评估选择最佳模型进行SSC空间制图。结果表明：研究区实测SSC范围为1.23～8.96 g·kg-1，均值为3.12 g·kg-1；全波段模型中，经SG平滑处理的原始光谱的RFR模型精度最高；光谱指数模型中，基于特征选择的XGBoost模型表现最优；反演结果揭示了研究区土壤盐分中低含量广泛分布、高值零散分布的空间特征，XGBoost适合全面预测整体分布，而经SG平滑处理的原始光谱的RFR更适合低盐分情况的分布。本研究创新性地结合了全波段优化光谱指数与传统光谱指数来构建SSC预测模型，为无人机成像光谱技术在田间尺度SSC快速监测提供了范例。

来源：2026年第3期

《土壤学报》期刊编辑部

查看土壤学报杂志2026年第3期