The study aimed to estimate the properties of the salt-affected soils (SAS) using hyperspectral remote sensing. The study was carried out on typical SAS from 372 locations covering 17 coastal districts from the west coast region of India. The spectral reflectance of processed soil samples was recorded in the wavelength range of 350–2500 nm. The full dataset (n = 372) was split into two as a calibration dataset (n = 260, 70% of full dataset) to develop the model and validation dataset (n = 112, 30% of full dataset) to evaluate the performance of the model independently. The spectral data were calibrated using the laboratory estimated soil properties with five different multivariate techniques (a) Linear – partial component regression (PCR) and partial least square regression (PLSR) and (b) Non-linear– multivariate adaptive regression spline (MARS), random forest (RF) and support vector regression (SVR). In general, the spectral reflectance from the soils decreased with increasing levels of salinity (electrical conductivity, EC). The wavelengths 427, 487, 950, 1414, 1917, 2206, 2380 and 2460 nm showed peculiar absorption characteristics. The study showed significant achievement in predicting soil pH, salinity (EC), bulk density, soil available nitrogen, exchangeable magnesium, soil available zinc, and boron with acceptable to excellent predictions (ratio of performance to deviation ranged 1.48–2.06). Amongst predicted models, SVR, PLSR, and PCR were found to be more robust than MARS and RF. The results of the study indicated that the visible near-infrared spectroscopy has the potential to predict properties of the SAS.

这项研究旨在使用高光谱遥感评估受盐影响的土壤（SAS）的特性。该研究是从372个地点的典型SAS上进行的，该地点覆盖了印度西海岸地区的17个沿海地区。记录在350-2500 nm波长范围内的处理过的土壤样品的光谱反射率。将完整数据集（n = 372）分为两部分作为校准数据集（n = 260，占完整数据集的70％），以开发模型和验证数据集（n = 112，占完整数据集的30％），以评估该模型独立。使用五种不同的多元技术，使用实验室估计的土壤性质对光谱数据进行校准（a）线性-部分分量回归（PCR）和偏最小二乘回归（PLSR），以及（b）非线性-多元自适应回归样条（MARS） ，随机森林（RF）和支持向量回归（SVR）。通常，土壤的光谱反射率随盐度水平（电导率，EC）的增加而降低。波长427、487、950、1414、1917、2206、2380和2460 nm显示出特殊的吸收特性。该研究表明，在预测土壤pH，盐度（EC），容重，土壤有效氮，可交换镁，土壤有效锌和硼方面取得了重大成就，并获得了出色的预测（性能与偏差之比为1.48-2.06）。在预测模型中，发现SVR，PLSR和PCR比MARS和RF更健壮。研究结果表明，可见近红外光谱法有可能预测SAS的特性。土壤的光谱反射率随盐度水平（电导率，EC）的增加而降低。波长427、487、950、1414、1917、2206、2380和2460 nm显示出特殊的吸收特性。该研究表明，在预测土壤pH，盐度（EC），容重，土壤有效氮，可交换镁，土壤有效锌和硼方面取得了重大成就，并获得了出色的预测（性能与偏差之比为1.48-2.06）。在预测模型中，发现SVR，PLSR和PCR比MARS和RF更健壮。研究结果表明，可见近红外光谱法有可能预测SAS的特性。土壤的光谱反射率随盐度水平（电导率，EC）的增加而降低。波长427、487、950、1414、1917、2206、2380和2460 nm显示出特殊的吸收特性。该研究表明，在预测土壤pH，盐度（EC），容重，土壤有效氮，可交换镁，土壤有效锌和硼方面取得了重大成就，并获得了出色的预测（性能与偏差之比为1.48-2.06）。在预测模型中，发现SVR，PLSR和PCR比MARS和RF更健壮。研究结果表明，可见近红外光谱法有可能预测SAS的特性。1414、1917、2206、2380和2460 nm表现出独特的吸收特性。该研究表明，在预测土壤pH，盐度（EC），容重，土壤有效氮，可交换镁，土壤有效锌和硼方面取得了重大成就，并获得了出色的预测（性能与偏差之比为1.48-2.06）。在预测模型中，发现SVR，PLSR和PCR比MARS和RF更健壮。研究结果表明，可见近红外光谱法有可能预测SAS的特性。1414、1917、2206、2380和2460 nm表现出独特的吸收特性。该研究表明，在预测土壤pH，盐度（EC），容重，土壤有效氮，可交换镁，土壤有效锌和硼方面取得了重大成就，并获得了出色的预测（性能与偏差之比为1.48-2.06）。在预测模型中，发现SVR，PLSR和PCR比MARS和RF更健壮。研究结果表明，可见近红外光谱法有可能预测SAS的特性。和硼，可以接受出色的预测（性能与偏差之比范围为1.48-2.06）。在预测模型中，发现SVR，PLSR和PCR比MARS和RF更健壮。研究结果表明，可见近红外光谱法有可能预测SAS的特性。和硼，可以接受出色的预测（性能与偏差之比范围为1.48-2.06）。在预测模型中，发现SVR，PLSR和PCR比MARS和RF更健壮。研究结果表明，可见近红外光谱法有可能预测SAS的特性。