近日，西北农林科技大学水土保持科学与工程学院（水土保持研究所）、中国科学院水利部水土保持研究所、水土保持与荒漠化整治全国重点实验室王飞研究员团队在小流域尺度土壤含盐量估算研究中取得新进展，相关成果以“Application of UAV multimodal data and deep learning for estimating soil salt content at the small catchment scale”为题，在土壤科学领域知名期刊International Soil and Water Conservation Research发表。博士研究生刘佳琳为论文第一作者，王飞研究员为通讯作者。
土壤盐渍化导致土地退化并降低农业生产力。由于盐渍土的高度变异性，在小流域尺度上实时、准确地监测土壤盐度仍然困难，这阻碍了我们对土壤盐渍化空间分布模式的理解。本研究探讨了无人机（UAV）获取的多模态数据和机器学习框架在典型半干旱区土壤盐度中的估算潜力。具体而言，研究从可见光和近红外光谱数据及数字表面模型（DSM）中提取信息作为模型输入，探讨了不同光谱、地形和纹理特征变量组合对土壤盐分含量（SSC）估算的影响，并比较了支持向量机（SVM）、随机森林（RF）和深度神经网络（DNN）模型在不同变量组合下的估算能力。
图1 研究流程图
结果显示，多模态信息的融合显著提高了不同模型对SSC估算的准确性。作为辅助变量的纹理和地形特征提供了独特且互补的信息，尤其是地形变量。发现河道网络基准面（CNBL）是对SSC估算影响最大的特征。使用多模态数据融合的DNN模型在SSC估算中表现最佳，具有较低的不确定性。该模型生成的SSC估算图揭示了土壤盐渍化分布的显著空间变化，特别是在低洼地区和内流区湖岸周围。本研究为小流域尺度盐渍土监测提供了高效可行的方法与数据支撑。
图2 基于多模态数据和深度神经网络模型的SSC空间分布图及其不确定性
该研究得到国家自然科学基金项目（42177344，U2243213）、中国科学院国际伙伴计划（16146kysb20200001）、111计划（B20052）和陕西省农业协同创新与推广联盟科技项目（LMR202102）的资助。
论文链接：https://doi.org/10.1016/j.iswcr.2025.10.001
编辑：王容娜
终审：李小梅
附件下载：
