多源遥感数据融合与环境变量驱动的盐碱农田土壤含水率反演OA

农田土壤含水率(soil moisture content,SMC)的精准监测是提升灌溉效率、优化农田水分管理并支撑农业可持续发展的关键。针对单一遥感数据源在盐碱农田SMC反演中存在时空覆盖不足与信息维度受限的问题,该研究以河套平原盐碱农田为对象,构建深度学习多源影像融合框架,融合Landsat 9 OLI与Sentinel-2 MSI数据,实现多传感器信息互补与特征增强。在此基础上,耦合光谱指数与环境变量构建综合特征体系,分别采用极端梯度提升(extreme gradient boosting,XGBoost)、随机森林(random forest,RF)和卷积神经网络(convolutional neural network,CNN)建立SMC反演模型,并结合Shapley加性解释(Shapley additive explanations,SHAP)解析变量贡献特征,基于最优模型实现SMC空间制图与面积统计。结果表明:1)多源影像深度融合有效克服了单一传感器数据覆盖与信息不足的问题,兼顾时空连续性与信息丰度,提高裸土期SMC反演的可靠性。2)CNN模型综合性能最佳,决定系数R2=0.798,均方根误差(root mean square error,RMSE)为2.79 g/kg,且模型表现稳定,反演结果显示研究区SMC主要集中在10%~30%。3)SHAP解释表明降雨量为最关键驱动因子,光谱指数累计贡献度最高(46.87%),气候因子次之(27.22%),而单波段、土壤质地与地形因子贡献相对有限。研究表明,将深度学习多源影像融合与环境变量耦合建模相结合,可为盐碱化农田裸土期SMC的大尺度、高效率与可解释监测提供可推广的技术路径与理论支撑。