Método basado en optimización de variables ponderadas para estimar la salinidad del suelo utilizando datos de teledetección de múltiples fuentes: un estudio de caso en el Oasis Weiku, Xinjiang, China

La salinización del suelo es una amenaza global significativa para el desarrollo agrícola sostenible, con la salinidad del suelo sirviendo como un indicador crucial para evaluar la salinización del suelo. La tecnología de teledetección permite la inversión a gran escala de la salinidad del suelo, facilitando el monitoreo y la evaluación de los niveles de salinización del suelo, apoyando así la prevención y gestión de la salinización del suelo. Este estudio emplea datos de teledetección de múltiples fuentes, seleccionando 8 combinaciones de polarización de radar, 10 índices espectrales y 3 factores topográficos para formar un conjunto de datos de variables características. Al aplicar un método de optimización de variables ponderadas normalizadas, se identifican variables características altamente importantes. Los métodos de aprendizaje automático AdaBoost, LightGBM y CatBoost se utilizan luego para desarrollar modelos de inversión de salinidad del suelo y evaluar su rendimiento. Los resultados indican lo siguiente: (1) Hay, en general, una fuerte correlación entre las combinaciones de polarización de radar y los índices de vegetación, y una correlación muy alta entre varios índices de vegetación y el índice de salinidad S3. (2) Las cinco variables características más importantes, en orden de importancia, son Aspecto, VH2, Índice de Humedad de Diferencia Normalizada (NDMI), VH y Índice de Humedad de Vegetación (VMI). (3) El método de puntuación de importancia ponderada normalizada filtra de manera efectiva las variables importantes, reduciendo el número de variables de entrada mientras mejora la precisión de inversión del modelo. (4) Entre los tres modelos de aprendizaje automático, CatBoost tiene el mejor rendimiento en la predicción del contenido de sal en el suelo (SSC). Combinado con las cinco principales variables características, CatBoost logra la mayor precisión de predicción (R2 = 0.831, RMSE = 2.653, MAE = 1.034) en la fase de predicción. Este estudio proporciona información para el desarrollo y la aplicación posteriores de métodos para la inversión colaborativa de la salinidad del suelo utilizando datos de teledetección de múltiples fuentes.