我可以避免 ML 算法并使用另一种基本原理/算法来实现它吗？

如果你能做到（有或没有 ML），那是因为你可以用你的相机从空中看到一些独特的特征——即是否有叶子颜色和纹理（或土壤颜色）的某种组合) 表示盐度而不是营养含量低或 pH 值错误或太干或太湿或其他什么。

你能看看地面就知道吗？（说真的，我不知道。）在你所在的地区有一些非常聪明的人可以吗？如果是这样，请使用该技能作为起点。

如果人们正在尝试机器学习，那是因为他们尝试了其他技术但运气不佳，或者因为这些技术众所周知但需要太多处理，或者因为机器学习现在非常流行，我们将抛出将任何东西放入 ML 绞肉机，然后找出香肠的味道。

如果您可以通过基于规则的人工智能（即，良好的传统机器视觉）来做到这一点，它就会回到知道要寻找什么签名的问题上。可能是信息不存在于可见光 RGB 图像中。您需要在咸土壤和甜土壤上拥有不同的东西，并且需要在传感器中显示一些东西。如果咸土对 RGB 图像没有任何独特的作用，那么你就很不走运了。

我会挖掘旧论文。也许看看您是否可以从搜索中排除“机器学习”。也许看看你能不能找到一位植物或土壤科学的教授，聊一聊。如果您在美国，请致电您所在州的农业推广办公室——他们可能会直接帮助您，或者将您与上述教授联系起来。如果您不在美国，请查看您所在的国家/地区是否有同等学历。

除了钱，我也不会让任何东西阻止我考虑其他传感器。我怀疑在雷达频率上，导电土壤与低导电土壤的反射不同。用雷达图覆盖 RGB 图像可能会为您提供足够的信息。

蒂姆的回答非常好，作为一个碰巧从事遥感工作的人，我可以非常理解“你目前如何区分它们”的情绪。但是，是的，它通常使用从彩色相机到 SAR 的各种东西来完成。如果使用纯 RGB，最简单的方法是将其转换为 HSL 空间并在那里设计一个度量，好的 ol' 聚类（“naïve”ML）方法仍然可以正常工作。这可能不是最佳选择，但在某种程度上可以作为一种便宜的选择。

土壤盐分最直接的指标之一是~1900-2000nm 光谱反射率（参见例如这篇文章，可在 ResearchGate 上免费获得）。基于无人机的光谱相机（尤其是高光谱相机，因为它们中的大多数要么是扫描的，要么......好吧，不是那么好）的主要挑战是几何校正。尽管如此，对于简单的 DEM，它仍然是常规且成功的，大多数土壤都是这种情况。也许市场上有基于帧的 SWIR 相机，只有那个波段可以解决这个特定的问题，不幸的是，我也不知道这个领域。但这些对你的问题来说是完美的。无论如何，这本身就是一个完整的兔子洞，我建议你找一个遥感实验室，问问他们是否可以帮助你。