Độ nhiễm mặn của đất là một trong những mối đe dọa nghiêm trọng tới môi trường, có tác động tiêu cực đến năng suất cây trồng trong lĩnh vực nông nghiệp. Ước tính độ nhiễm mặn của đất từ dữ liệu viễn thám là một cách tiếp cận thực tế để giám sát mức độ nhiễm mặn của đất lâu dài, hỗ trợ quản lý đất đai và môi trường bền vững. Nghiên cứu này trình bày việc sử dụng dữ liệu Landsat-8 OLI được thu ngày 18/12/2018 để chiết xuất các chỉ số vật lý để ước tính sự biến đổi không gian của độ nhiễm mặn của đất tại các huyện, thị xã ven biển tỉnh Nghệ An. Các mô hình hồi quy tuyến tính đơn biến và đa biến được thực hiện bằng cách sử dụng dữ liệu độ dẫn điện (EC) của đất từ khảo sát thực địa trong khoảng thời gian 25/12/2018 đến 8/1/2019. Mối tương quan giữa các chỉ số khác nhau và dữ liệu thực địa về độ nhiễm mặn của đất được tính toán để tìm ra các chỉ số tương quan cao. Mô hình hồi quy tối ưu được chọn khi xem xét giá trị R2 cao và RMSE nhỏ nhất. Kết quả cho thấy, mô hình hồi quy tuyến tính đa biến có độ chính xác cao với hệ số xác định (R2=0,67) và sai số trung phương (RMSE=1,19).Điều này cho thấy dữ liệu viễn thám có thể được sử dụng một cách hiệu quả để mô hình hóa và lập bản đồ biến đổi không gian của độ nhiễm mặn của đất ở khu vực ven biển.Soil salinity is one of the serious threats to the environment, which has a negative impact on crop yieldsin agriculture. Estimation of soil salinity from remote-sensing data is a practical approach for longtermmonitoring quality of land, which assists the land management and environmental sustainability.This study presents the use of Landsat-8 OLI data which received on December 18 2018 to extractphysical indicators to estimate the spatial variation of salinity of land in coastal districts and towns ofNghe An province. Univariate and multivariate linear regression models were performed by usingelectrical conductivity (EC) of land from the field survey between December 25, 2018 and Januar 8,2018. The correlation between different indicators and field data on soil salinity is calculated to findhigh correlation indexes. The optimal regression model is selected when considering the maximum R2value and the smallest RMSE. The results show that the multivariate linear regression model has highaccuracy with the coefficient of determination (R2=0.67), and the root mean square error(RMSE=1.19). This suggests that remote-sensing data can be used effectively to model and map spatialvariations in soil salinity in coastal areas.