(1) El monitoreo de suelos salinizados en tierras salino-álcalis es esencial, requiriendo una inversión de salinidad del suelo a escala regional. Este estudio tiene como objetivo identificar variables sensibles para predecir la conductividad eléctrica (CE) en el suelo, centrándose en métodos efectivos de selección de características. (2) El estudio selecciona sistemáticamente un subconjunto de características de datos de Sentinel-1 C SAR, Sentinel-2 MSI y SRTM DEM. Se emplean varios métodos de selección de características (análisis de correlación, LASSO, RFE y GRA) en 79 variables. Se construyen y comparan modelos de regresión utilizando algoritmos de regresión de bosque aleatorio (RF) y regresión de mínimos cuadrados parciales (PLSR). (3) Los resultados destacan la efectividad del algoritmo RFE en la reducción de la complejidad del modelo. El modelo incorpora factores ambientales significativos como la humedad del suelo, la topografía y la textura del suelo, que juegan un papel importante en la modelización. La combinación del método con RF mejoró la predicción de la salinidad del suelo (R2 = 0.71, RMSE = 1.47, RPD = 1.84). En general, la salinización en los suelos del oasis de Minqin fue evidente, especialmente en las tierras no utilizadas en el borde del oasis. (4) La integración de datos de diferentes fuentes para construir variables de caracterización supera las limitaciones de una única fuente de datos. La selección de variables es un medio efectivo para abordar la redundancia de la información de las variables, proporcionando información sobre la ingeniería de características y la selección de variables para la estimación de la salinidad del suelo en regiones áridas y semiáridas.