黄河三角洲盐沼受河流补水、潮汐、降水和地下水共同影响，土壤水分与盐度具有显著的非线性和时空波动。传统低频采样难以支撑实时预测和盐渍化预警。研究建立原位物联网监测网络，持续获取土壤体积含水量、盐度和地下水埋深等高频数据。两阶段级联框架先预测土壤水分，再将其作为盐度子模型的重要输入，并比较ANN、SVM、GBDT和RF等算法。
研究结果表明，GBDT的土壤水分预测性能最佳（R² = 0.846），级联GBDT—RF模型则实现了最高的盐度预测精度（R² = 0.875）。SHAP分析表明，地下水埋深是土壤水分的首要正向驱动因素，而土壤含水量是盐度的主要负向驱动因素。当土壤水分接近29%时，盐度对地下水波动的敏感性显著增强，表明地下水作用路径上可能存在不同的盐渍化机制。
土壤水分与盐度两阶段级联机器学习预测流程。第一阶段预测土壤水分，第二阶段将预测水分作为盐度模型输入。
Song, J., & Yi, Y. (2025). Cascaded machine learning of soil moisture and salinity prediction in estuarine wetlands based on in situ internet of things monitoring. Water Resources Research, 61, e2024WR038271. https://doi.org/10.1029/2024WR038271