杨 练 兵，郑 宏 伟,4*，罗 格 平,4，杨 辽,4

(1.中国科学院新疆生态与地理研究所荒漠与绿洲国家重点实验室,新疆 乌鲁木齐 830011;2.新疆维吾尔自治区遥感与地理信息系统应用重点实验室,新疆 乌鲁木齐 830011;3.中国科学院大学,北京 100049;4.中国科学院中亚生态与环境研究中心，新疆 乌鲁木齐 830011)

0 引言

土壤盐渍化是土地退化和荒漠化的主要类型之一，其分布范围广，危害时间长，严重制约着干旱区农业生产，已成为全球性生态环境问题[1]。卫星遥感数据能宏观、动态地监测土壤盐渍化信息[2]，相关研究经历了定性分类和定量反演两个阶段。在定量反演方面，众多学者对获得的遥感数据和非遥感数据进行数学变换以构建反演参数，并结合采样点土壤盐分含量(Soil Salinity Content,SSC)数据建立相应的反演模型，以获得大范围的土壤盐分含量。

受自然条件和人类活动方式的影响，土壤盐渍化成因复杂[3]，光谱波段、植被指数、盐分指数、下垫面参数、特征空间、地形参数、物候特征等都被作为反演土壤盐分含量的参数[4，5]。相关研究采用多元线性回归(MLR)、偏最小二乘回归(PLSR)、地理加权回归(GWR)、分位数回归(QR)等线性模型拟合反演参数与土壤盐分含量的关系[6-8]。由于多数反演参数与土壤盐分含量之间存在非线性关系[9]，BP神经网络(BPNN)、支持向量机(SVM)、多元自适应回归样条(MARS)、随机森林(RF)等非线性模型也被用于反演土壤盐分含量[10-14]。由于部分机器学习算法自身没有特征优选的能力，皮尔森相关分析[15，16]、最佳指数法[17]、灰色关联分析[18]等过滤方法被用于筛选反演参数子集，这种特征筛选方式减少了信息冗余，但难以获得最佳反演参数子集；……