动态学习观测站揭示 Satkhira, 孟加拉的快速盐化进程

土壤盐化是 coastal Bangladesh 农业生产力和当地生计的主要环境挑战。该研究开发了基于机器学习的框架，通过整合现场观测与 Landsat 提取的光谱指数来预测和绘制 Satkhira 地区的土壤盐化分布。本研究使用 2024-2025 年收集的 205 份土壤样本训练 Extreme Gradient Boosting（XGBoost）模型，并通过广义可加模型（GAM）进一步提高预测精度。应用空间交叉验证以减少自相关偏差，使用 bootstrap 重抽样量化预测不确定性。结果显示土壤盐化呈现强烈的空间变异性，南部和中心沿海地区盐度浓度较高，北部内陆地区盐度较低。尤其是植被指数（NDVI）以及盐度相关光谱指标被识别为关键预测因子。2014-2023 年的 10 年窗口峰值暴露图显示，高盐化区域呈循环状态，中部地区的中至高盐度暴露范围持续扩大。不确定性分析表明，沿海地区的变异性更大，组合多年数据集可提高预测稳定性。该提出的方法为土壤盐化的长期监测提供了稳健且可扩展的途径，支持气候适应性农业、土地利用规划以及基于证据的决策在 coastal Bangladesh。