An Interpretable Deep Learning Framework for Spatial Prediction of Soil Salinity Using Multi-Source Remote Sensing and Environmental Data: A Case Study of Cangzhou, Hebei Province, China

土壤盐渍化对沿海和半干旱地区的农业生产力和可持续土地管理构成了重大挑战。沿海农业区域的土壤盐渍化受地表条件、地下水过程、土壤属性和地形特征之间复杂相互作用的控制。准确的空间预测需要将遥感观测与表征这些过程的环境信息相结合。本研究提出了一种多源深度学习框架，该框架将Sentinel-2衍生的光谱指数与环境协变量相结合，用于2024年采样期环境条件下的区域土壤盐渍化空间预测。采用SHapley加法解释（SHAP）方法量化预测框架中环境变量的贡献并提高模型可解释性。开发了一种融合压缩-激励（SE）注意力机制的卷积神经网络（CNN）作为非线性特征表示框架，用于整合异质性预测因子，同时使用冠豪猪优化器（CPO）优化模型超参数。所提出的框架在基准模型中取得了最高的预测性能，R²为0.785，RMSE为0.928，MAE为0.720。将环境协变量与光谱特征相结合进一步提高了预测性能，R²从0.701提升至0.785。结果表明，在类似的沿海农业条件下，将多源环境信息与可解释深度学习相结合用于近地表土壤盐渍化空间预测具有潜力。