中国自然资源航空物探遥感中心薛陈利博士ISPRS最新成果!

近日，意大利帕多瓦大学Earth Surface Processes & Society研究小组（PI: Paolo Tarolli教授）联合中国地质大学（北京）陈建平教授团队在遥感领域国际顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（IF:12.2, Q1）发表了题为“Spatiotemporal CNN Framework for Quantifying Crop-Specific Salinity Damage in Coastal Agriculture”的研究论文。

中国自然资源航空物探遥感中心薛陈利博士为论文第一作者，合作者还包括意大利帕多瓦大学Aurora Ghirardelli博士后研究员、中国地质大学（北京）陈建平教授，意大利帕多瓦大学Paolo Tarolli教授为论文通讯作者。

研究背景

咸水入侵是一种主要发生在河口地区的复杂自然现象，其表现为海水和淡水的混合过程向上游迁移，导致原本的淡水资源被咸水污染。当前，受自然环境及人类活动影响，咸水入侵的范围和程度正随着气候变化和海平面上升日益加剧，全球沿海三角洲农业系统正面临咸水入侵的严重威胁并直接影响了全球粮食安全。据统计，全球近40%的人口居住在距离海岸线100公里范围内，约8700万公顷沿海农田高度易受咸水入侵影响。在欧洲，受气候变化影响，未来近80%的河流夏季径流量预计将减少10-60%，导致极端咸水入侵事件风险增加五倍以上！然而，如何在作物生长的全生命周期内，在区域尺度上准确、及时地刻画咸水入侵对沿海农业的风险，一直是亟待解决的难题。

研究难点

现有方法面临三大困境：

问题一：早期预警识别难。作物冠层会掩盖土壤光谱特征，导致无法在早期阶段发现咸水入侵信号。

问题二：风险客观量化难。传统方法依赖人工设计的多指标体系和权重赋值，主观性强，难以推广应用。

问题三：作物差异解析难。不同作物对咸水入侵的响应有何不同？如何精确测量这些差异？

研究思路

针对上述难题，研究团队以全球咸水入侵热点区域——意大利波河三角洲为例，提出了一种完全由卫星影像和深度学习驱动的作物受损风险评估框架。

🔹首次应用CNN生成作物特异性、月尺度的咸水入侵影响图谱

不同于传统方法主要关注土壤盐度估算且易受早期作物覆盖的影响，我们的模型纳入了土壤–植被盐度等相关指数，可直接在每次卫星重访时量化海水入侵导致作物受损的风险，填补了早期影响定量化的关键空白。

🔹时空卷积神经网络（CNN）捕捉复杂农业景观特征

模型通过3×3滑动窗口处理数据，不仅利用目标像元的长时间序列变化，还捕获周围邻域像元的光谱特征，在咸水入侵最严重的复杂农业景观下仍保持高精度（82.4%-92.5%）。

🔹避免主观判断，实现作物尺度受损风险的精准量化

无需收集难以大量广泛获取的土壤盐度、水文地质等多源数据，仅依靠免费开放的Landsat影像和深度学习模型，即可实现自动化、长时序的作物尺度风险定量预测。

研究意义

本研究首次将CNN应用于沿海农业咸水入侵影响的客观、全生命周期、作物尺度上的高频率制图，为及时保护高风险农田提供了科学依据。

🛠️实际应用价值

✅早期预警：通过监测河流流量，当流量低于预警阈值时，模型可提前预测出潜在高受损农业区域

✅精准识别：识别中度脆弱但早期不易察觉的区域，帮助利益相关者及时采取干预措施

✅科学管理：为不同作物在不同生长期的盐分胁迫程度提供定量评估，支持精准农业管理

该研究获得了“下一代欧盟”国家复苏与韧性计划项目Next-GenerationEU, PNRR (No.CN00000022）、“欧洲地平线”项目Horizon EU (No.101084332）和中国国家留学基金委公派留学项目(No.202306400102）的联合资助。

原文链接：https://doi.org/10.1016/j.isprsjprs.2026.02.027