土壤盐渍化是导致干旱区土壤退化的主要原因之一,严重影响了干旱区水土资源的合理配置与生态系统的健康发展,因此,实现土壤盐渍化的动态、快速和精准监测显得尤为重要。遥感技术在大面积持续观测土壤盐渍化的研究中表现出了巨大潜力,其中光学遥感的应用最为广泛,然而,光学影像的观测容易受到不良天气的影响,微波遥感可以全天候观测的优点弥补了这一不足。最新发射的Sentinel系列卫星提供了大量可免费获取的具有高空间分辨率和时间分辨率的遥感影像数据,为定量评估土壤盐分提供了新的数据源。基于此,本研究以Sentinel-1合成孔径雷达（Synthetic Aperture Radar,SAR）影像的不同极化组合构建雷达指数、以Sentinel-2多光谱传感器（Multi-Spectral Instrument,MSI）影像构建盐度指数、植被指数,辅之以地形衍生变量和土壤含水量耦合机器学习模型,在变量优选的基础上分别构建了基于雷达传感器、光学传感器和多源数据融合的土壤盐分预测模型,并绘制了研究区土壤盐分空间分布特征图,得以下结论:（1）渭-库绿洲土壤盐分随着深度的增加而不断降低且均呈碱性,随着深度的增加由强变异转为了中等变异,土壤含水量也随着深度的增加而增加,此外,通过半方差经典地学统计分析表明,不同深度的土壤盐分变异主要是由结构变异引起的,受短距离误差、实验误差等引起的随机性误差较小,其中,表层土壤盐分与相应的理论半方差模型最为契合（R~2=0.91）。（2）利用Pearson相关性分析优选的盐度指数、植被指数和地形指数辅之以土壤含水量的作为EC的预测因子,构建了基于光学传感器的4种土壤盐分预测模型,其中XGBoost模型的预测精度最好(验证集R~2=0.71,RMSE=9.38 d S m-1,MAE=7.86 d S m-1,RPD=1.85),RF次之(验证集R~2=0.65,RMSE=10.21 d S m-1,MAE=7.90 d S m-1,RPD=1.70),此外,虽然不同指数在模型中的重要性有所不同,但仍由具有相同的次序,即盐度指数最为重要,占比超过了45%,其次为地形指数、植被指数和土壤含水量。（3）以雷达指数、地形指数和土壤含水量3类指数构建的基于雷达传感器的土壤盐分预测模型中,RF估算精度最优(验证集R~2=0.61,RMSE=10.77 d S m-1,MAE=7.37 d S m-1,RPD=1.61),其中地形指数被模型指定为最重要的解释变量,其重要性超过了50%,其次为雷达指数和土壤含水量。（4）相较于单个传感器,多传感器的融合极大的改善了模型的估算精度和稳定性,RF和XGBoost模型都具有极佳的预测精度（RPD>2.0）,相对而言,RF预测精度更优(验证集R~2=0.81,RMSE=7.52 d S m-1,RPD=2.30),其中盐度指数被指定为最重要的解释变量,其重要性超过了40%,而其他类型的指数在不同模型中的可解释性有所不同。（5）不同数据源和模型预测的土壤盐分具有相似的空间分布特征,即土壤盐渍化程度由绿洲内部不断向边缘加重。根据多源数据作为预测因子构建的最佳预测模型（RF）的预测结果,研究区内非盐渍土面积占比仅为16.26%,而重度以上的土壤面积占比超过了60%,土壤盐渍化问题严重。本研究评估了不同类型的传感器及其融合在土壤盐渍化定量监测中的估算精度,并预测了土壤盐分在空间上的分布特征,为区域尺度的土壤盐渍化动态监测奠定了基础,同时也为改善水土资源配置、防止生态环恶化提供了相关的理论支撑。