应用案例 | 深度学习+高光谱，打造土壤碳含量智能检测模型

高光谱成像技术在土壤养分监测和土壤碳含量预测中具有广泛应用前景。通过高光谱成像可获取土壤在多个波段下的精细光谱信息，结合可见-近红外（VNIR）数据，可以实现对土壤有机碳含量的无损、快速、高精度估算。此外，结合深度学习与多源数据融合，高光谱技术能够在复杂土壤条件下依然保持较高预测能力，为农业可持续发展和气候变化研究提供强有力的数据支撑和技术保障。

背景：

土壤有机碳（SOC）含量是衡量土壤质量和肥力的重要指标，同时在碳循环和应对气候变化中具有关键作用。传统的SOC测定方法依赖实验室化学分析，虽精度高但费时费力，无法实现大范围快速监测。近年来，可见-近红外（VNIR）光谱和高光谱成像（HSI）技术因其高效、无损和可实时获取大量光谱信息的特点，成为土壤有机碳含量预测的重要工具。然而，单一数据源模型在面对复杂、多样化土壤条件时预测精度受限。为解决这一问题，研究提出了融合VNIR与HSI多源数据的方法，结合深度学习和注意力机制，以提升SOC含量预测模型在不同区域和土壤条件下的适用性和准确性

作者信息：范萍萍，齐鲁工业大学海洋仪器研究所，博士生导师

期刊来源：Chemosphere

研究内容

该论文以提升土壤有机碳（SOC）含量预测精度为目标，围绕VNIR和HSI多源数据融合展开研究。主要内容包括：首先，构建两种基于注意机制的多源数据融合网络模型——多尺度残差多源融合网络（MRMFN）和多尺度残差增强多源融合网络（MRMAFN），用于提取和融合HSI与VNIR数据的空间和光谱特征；其次，将这两种模型应用于三个不同区域样地，建立SOC含量预测模型，并与基于单源VNIR和单源HSI的传统PLSR模型进行对比；*后，评估多源融合模型在不同土壤区域的预测效果，验证其在提升SOC含量预测精度、增强模型稳定性和泛化能力方面的优势，探索高光谱成像和深度学习结合在土壤养分监测中的应用潜力。

实验设计

实验样品取自中国青岛内陆、鳌山湾和胶州湾三个地区的土壤样品。内陆地区土壤样品164份，敖山湾120份，胶州湾134份。每个土壤样品被分成三份，**份使用光谱仪进行近红外采集，**份使用高光谱相机进行HSI采集，*后一份使用实验室化学方法进行土壤碳含量测定。

VNIR采集范围为200 ~ 1100 nm，采样间隔为1 nm，光谱通道数为1044个。由于前后段噪声影响较大，保留了226 ~ 975 nm的光谱数据。

采用江苏双利合谱科技有限公司的GaiaField Pro-V10便携式高光谱相机获取土壤样品的HSI。光谱范围为400 ~ 1000 nm，光谱采样间隔为3.2 nm，内陆湾、鳌山湾、胶州湾的光谱通道数分别为176个、360个和360个。将高光谱相机放置在离土壤样品垂直距离为1 m的三脚架上，建立土壤高光谱采集系统进行拍摄。利用分析软件对高光谱相机采集的土壤样品的HSI进行30 * 30像素的矩形图切割，得到3个样地土壤样品的HSI。

采用实验室化学方法测定土壤碳含量。每个土壤样品取10 g左右，用PerkinElmer 2400元素分析仪测定土壤碳含量。

研究方法

本文提出了两种基于VNIR（可见-近红外）和HSI多源数据的土壤碳含量预测方法，即基于注意机制的多源数据融合网络和基于人工特征的多源数据融合网络。

基于注意机制的多源数据融合网络采用三分支结构，其中两个分支用于提取HSI的空间与光谱特征，另一个分支用于提取VNIR的特征，并通过注意力机制实现多源信息的深度融合。该融合网络由三种核心模块构成，分别是多尺度残差网络（MSRN，图1(a)）、多尺度长短期记忆网络（MSLSTM，图1(b)）和自注意机制网络（Self-attention Network，图1(c)），同时设计了空间自注意模块（其结构如图1(d)所示），以充分挖掘HSI图像中的空间相关性与局部信息。针对土壤碳含量的高精度预测，本文设计了两种**性多源数据融合网络：具有空间和光谱自注意机制的多尺度残差多源数据融合网络（MRMFN）和具有增强型注意机制的多尺度残差多源数据融合网络（MRMAFN）。MRMFN和MRMAFN均通过引入ECA（Efficient Channel Attention）注意模块，在捕捉全局特征的同时强化了通道间重要信息的提取。MRMFN、MRMAFN及ECA模块的整体结构如图2所示。

此外，设计了三种具有人工特征的VNIR和HSI多源数据融合网络用于土壤碳含量预测。它们分别是多特征拼接多源人工特征数据融合网络（MCFNA）、多特征加权相加多源人工特征数据融合网络（MWFNA）和多特征关注多源人工特征数据融合网络（MAFNA）。

以预测集的决定系数（Rp2）、预测集的均方根误差（RMSEP）和相对偏差百分比（RPD）作为衡量模型质量的评价标准。Rp2越接近1，RMSEP越小，RPD越大，模型越好。

图1.多尺度残差网络、多尺度LSTM网络和自注意机制网络的结构

图2.MRMFN、MRMAFN和ECA关注模块的结构

结果

利用MRMFN和MRMAFN融合的VNIR和HSI多源数据建立3个样地的土壤碳含量预测模型，并通过偏*小二乘回归（PLSR）与利用全谱单源数据VNIR和单源数据HSI的土壤碳含量预测结果进行比较。在3个样地中，与单源数据相比，多源数据融合的MRMFN和MRMAFN预测土壤碳含量的精度得到了提高。

采用无信息变量消除法（UVE）、逐次投影法（SPA）、遗传算法（GA）、pearson相关系数法（PCC）、竞争自适应重加权抽样法（CARS）和随机青蛙法（RF）等人工特征提取方法分别提取VNIR和HSI的光谱特征，并利用PLSR建立了3个样地的土壤碳含量模型。与单源数据的土壤碳含量预测结果相比，大多数人工特征方法的预测精度有所提高。

采用人工特征MCFNA、MWFNA和MAFNA的多源数据融合网络，分别以UVE、SPA、GA、PCC、CARS和RF为人工特征，在3个样地建立土壤碳含量模型进行预测。基于多源数据融合的人工特征对3个样地土壤碳含量实测值与预测值的拟合结果如图3所示。MCFNA、MWFNA和MAFNA结合6个人工特征的预测结果均高于各单源数据的人工特征结果。结合注意机制的MAFNA预测准确率*高，其次是加权特征的MWFNA和连接特征的MCFNA。在三种网络的结果中，UVE人工特征组合的预测精度*高。

图3.基于多源数据融合的3个样地土壤碳含量实测值与预测值人工特征拟合结果

结论

本文以内陆、鳌山湾和胶州湾土壤样品的VNIR和HSI多源数据为例，提出了关注机制下的多源数据融合网络和人工特征下的多源数据融合网络，对3个样地的土壤碳含量进行预测。注意机制下的多源数据融合网络包括MRMFN和MRMAFN。具有人工特征的多源数据融合网络包括MCFNA、MWFNA和MAFNA。在关注机制下的多源数据融合网络预测结果中，与单源数据相比，基于MRMFN和MRMAFN的土壤碳含量预测精度有所提高，其中MRMAFN的预测精度*高。在具有人工特征的多源数据融合网络预测结果中，采用MCFNA、MWFNA和MAFNA方法，进一步提高了3个样地土壤碳含量的预测精度。3个样地的碳含量预测精度由高到低依次为MAFNA、MWFNA、MCFNA，结合UVE人工特征预测精度*高。人工特征的多源数据融合网络可以有效提高土壤碳含量的预测精度。与光谱数据和高光谱图像两种单源数据相比，基于多源数据融合网络结合人工特征的内鲁、敖山湾和胶州湾的RPD分别提高了56.81%和149.18%、24.28%和43.96%、31.16%和28.73%。本研究可有效解决VNIR和HSI在土壤碳含量预测中多个特征深度融合的问题，从而提高土壤碳含量预测的准确性和稳定性，促进土壤碳含量预测在VNIR和HSI中的应用和发展，为碳循环和碳汇研究提供技术支持。促进生态系统碳收支更科学的模拟和更准确的预测。