Mapping Soil Salinity in Arid Agricultural Regions Using Multi-Source Remote Sensing and a Long-Range Dependency-Enhanced Deep Learning Framework
Mingjie Qian · Liangjun Wang · Peng Wang 等 5 人
提出LRD-Net深度学习框架，融合多源遥感与环境协变量，估算新疆干旱绿洲区土壤盐分。
构建180个样点、25个协变量的数据集，设计含长程依赖增强模块的多尺度网络。
区域分层随机划分下R²达0.905，但空间独立验证R²降至0.739-0.874，跨区域预测更难。
可探索跨区域迁移学习与不确定性量化，提升空间独立场景下盐分制图泛化能力。
方法新颖、数据扎实的遥感土壤盐渍化估算研究，对干旱区盐碱地监测与治理有参考价值，但属细分领域学术进展，公共影响有限。
干旱农业区域土壤盐分估算面临显著的环境异质性和多源变量间复杂依赖关系的挑战。本研究提出了一种长程依赖增强网络（LRD-Net），利用多源遥感与环境协变量对多个农业绿洲区域进行区域尺度土壤盐分估算。研究构建了包含中国新疆三个农业绿洲区域180个野外样本的数据集，并衍生出25个协变量，涵盖光谱、地形、气候和土壤属性数据。LRD-Net由三个阶段组成：基于深度可分离卷积和跨尺度交互的多尺度特征融合骨干网络；具有非对称双分支架构的长程依赖增强模块（LDEM），通过反向对齐和跨方向融合捕获前向与反向感知依赖关系；以及多尺度注意力细化与回归头，用于连续盐分估算。在区域分层随机划分评估下，LRD-Net取得了R²为0.905、RMSE为1.207 g·kg⁻¹、MAE为0.868 g·kg⁻¹的性能。在空间独立性更强的验证下性能有所下降，空间交叉验证R²为0.874，留一区域测试R²范围为0.739至0.801，表明跨空间和地理独立样本的预测比区域分层随机划分评估更具挑战性。所提出的框架有效整合了多源信息并捕获了互补的长程依赖关系，为研究区干旱农业绿洲环境下的区域尺度土壤盐分估算提供了潜在方法，并支持研究区土壤盐渍化监测与可持续土地管理。