地面高光谱耦合可解释性集成机器学习的农田土壤含盐量和pH反演
来源：环境科学杂志2026年第1期北京时间：
作者：黄华雨,丁启东,张俊华,周跃辉,潘鑫,贾科利
单位：宁夏大学生态环境学院, 银川 750021,宁夏大学生态环境学院, 银川 750021,宁夏大学生态环境学院, 银川 750021,宁夏大学生态环境学院, 银川 750021,宁夏大学生态环境学院, 银川 750021,宁夏大学地理科学与规划学院, 银川 750021
摘要：土壤盐碱化是制约农业可持续发展的关键因素. 盐碱信息的及时获取对土壤改良与地力长效提升至关重要. 以河套平原地面高光谱和实测土壤含盐量（SSC）及pH值为数据源，对高光谱反射率进行正交信号校正（OSC）变换后，利用竞争性自适应重加权采样（CARS）筛选盐碱信息的特征波段，并引入环境变量和微波遥感数据，基于极端梯度提升（XGBoost）、自适应提升（AdaBoost）和随机森林（RF）等6种集成机器学习算法，构建SSC和pH值的反演模型，并利用夏普利加性解释（SHAP）对模型进行可视化分析. 结果表明：①河套平原农田土壤盐碱化等级整体呈轻、中程度，且盐化和碱化表现出较强的空间异质性. ②OSC变换优化了光谱数据结构，使其在复杂背景下的解析能力显著增强；CARS有效筛选出与盐碱信息相关的特征波段，SSC特征波段包括450、470和600 nm等13个波长，pH特征波段包括680、730和740 nm等15个波长. ③AdaBoost算法对SSC反演表现最优，验证集Rp2、均方根误差（RMSE）和相对分析误差（RPD）分别为0.852、1.352和2.88，而pH值则以XGBoost模型效果最佳，其Rp2、RMSE和RPD分别为0.908、0.151和3.31. ④SHAP分析表明，SSC和pH值的预测模型体现了多因子协同作用. 波段和气候因子为SSC建模的主导因素，累计贡献率达80.8%. 土壤属性（24.88%）对pH值的建模贡献率最高，波段数据贡献率最小，为15.13%，微波遥感数据对盐碱信息建模贡献有限，多源数据组合为土壤盐碱化的精准监测提供了有力支撑. 研究结论有助于推动土地可持续管理和农业高效生产.
关键词：河套平原,地面高光谱,土壤含盐量,竞争性自适应重加权采样（CARS）,环境变量,夏普利加性解释,
