高光譜成像技術(shù)在土壤養(yǎng)分監(jiān)測(cè)和土壤碳含量預(yù)測(cè)中具有廣泛應(yīng)用前景。通過(guò)高光譜成像可獲取土壤在多個(gè)波段下的精細(xì)光譜信息，結(jié)合可見(jiàn)-近紅外（VNIR）數(shù)據(jù)，可以實(shí)現(xiàn)對(duì)土壤有機(jī)碳含量的無(wú)損、快速、高精度估算。此外，結(jié)合深度學(xué)習(xí)與多源數(shù)據(jù)融合，高光譜技術(shù)能夠在復(fù)雜土壤條件下依然保持較高預(yù)測(cè)能力，為農(nóng)業(yè)可持續(xù)發(fā)展和氣候變化研究提供強(qiáng)有力的數(shù)據(jù)支撐和技術(shù)保障。

背景：

土壤有機(jī)碳（SOC）含量是衡量土壤質(zhì)量和肥力的重要指標(biāo)，同時(shí)在碳循環(huán)和應(yīng)對(duì)氣候變化中具有關(guān)鍵作用。傳統(tǒng)的SOC測(cè)定方法依賴實(shí)驗(yàn)室化學(xué)分析，雖精度高但費(fèi)時(shí)費(fèi)力，無(wú)法實(shí)現(xiàn)大范圍快速監(jiān)測(cè)。近年來(lái)，可見(jiàn)-近紅外（VNIR）光譜和高光譜成像（HSI）技術(shù)因其高效、無(wú)損和可實(shí)時(shí)獲取大量光譜信息的特點(diǎn)，成為土壤有機(jī)碳含量預(yù)測(cè)的重要工具。然而，單一數(shù)據(jù)源模型在面對(duì)復(fù)雜、多樣化土壤條件時(shí)預(yù)測(cè)精度受限。為解決這一問(wèn)題，研究提出了融合VNIR與HSI多源數(shù)據(jù)的方法，結(jié)合深度學(xué)習(xí)和注意力機(jī)制，以提升SOC含量預(yù)測(cè)模型在不同區(qū)域和土壤條件下的適用性和準(zhǔn)確性

作者信息：范萍萍，齊魯工業(yè)大學(xué)海洋儀器研究所，博士生導(dǎo)師

期刊來(lái)源：Chemosphere

研究?jī)?nèi)容

該論文以提升土壤有機(jī)碳（SOC）含量預(yù)測(cè)精度為目標(biāo)，圍繞VNIR和HSI多源數(shù)據(jù)融合展開(kāi)研究。主要內(nèi)容包括：首先，構(gòu)建兩種基于注意機(jī)制的多源數(shù)據(jù)融合網(wǎng)絡(luò)模型——多尺度殘差多源融合網(wǎng)絡(luò)（MRMFN）和多尺度殘差增強(qiáng)多源融合網(wǎng)絡(luò)（MRMAFN），用于提取和融合HSI與VNIR數(shù)據(jù)的空間和光譜特征；其次，將這兩種模型應(yīng)用于三個(gè)不同區(qū)域樣地，建立SOC含量預(yù)測(cè)模型，并與基于單源VNIR和單源HSI的傳統(tǒng)PLSR模型進(jìn)行對(duì)比；最后，評(píng)估多源融合模型在不同土壤區(qū)域的預(yù)測(cè)效果，驗(yàn)證其在提升SOC含量預(yù)測(cè)精度、增強(qiáng)模型穩(wěn)定性和泛化能力方面的優(yōu)勢(shì)，探索高光譜成像和深度學(xué)習(xí)結(jié)合在土壤養(yǎng)分監(jiān)測(cè)中的應(yīng)用潛力。

實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)樣品取自中國(guó)青島內(nèi)陸、鰲山灣和膠州灣三個(gè)地區(qū)的土壤樣品。內(nèi)陸地區(qū)土壤樣品164份，敖山灣120份，膠州灣134份。每個(gè)土壤樣品被分成三份，第一份使用光譜儀進(jìn)行近紅外采集，第二份使用高光譜相機(jī)進(jìn)行HSI采集，最后一份使用實(shí)驗(yàn)室化學(xué)方法進(jìn)行土壤碳含量測(cè)定。

VNIR采集范圍為200 ~ 1100 nm，采樣間隔為1 nm，光譜通道數(shù)為1044個(gè)。由于前后段噪聲影響較大，保留了226 ~ 975 nm的光譜數(shù)據(jù)。

采用江蘇雙利合譜科技有限公司的GaiaField Pro-V10便攜式高光譜相機(jī)獲取土壤樣品的HSI。光譜范圍為400 ~ 1000 nm，光譜采樣間隔為3.2 nm，內(nèi)陸灣、鰲山灣、膠州灣的光譜通道數(shù)分別為176個(gè)、360個(gè)和360個(gè)。將高光譜相機(jī)放置在離土壤樣品垂直距離為1 m的三腳架上，建立土壤高光譜采集系統(tǒng)進(jìn)行拍攝。利用分析軟件對(duì)高光譜相機(jī)采集的土壤樣品的HSI進(jìn)行30 * 30像素的矩形圖切割，得到3個(gè)樣地土壤樣品的HSI。

采用實(shí)驗(yàn)室化學(xué)方法測(cè)定土壤碳含量。每個(gè)土壤樣品取10 g左右，用PerkinElmer 2400元素分析儀測(cè)定土壤碳含量。

研究方法

本文提出了兩種基于VNIR（可見(jiàn)-近紅外）和HSI多源數(shù)據(jù)的土壤碳含量預(yù)測(cè)方法，即基于注意機(jī)制的多源數(shù)據(jù)融合網(wǎng)絡(luò)和基于人工特征的多源數(shù)據(jù)融合網(wǎng)絡(luò)。

基于注意機(jī)制的多源數(shù)據(jù)融合網(wǎng)絡(luò)采用三分支結(jié)構(gòu)，其中兩個(gè)分支用于提取HSI的空間與光譜特征，另一個(gè)分支用于提取VNIR的特征，并通過(guò)注意力機(jī)制實(shí)現(xiàn)多源信息的深度融合。該融合網(wǎng)絡(luò)由三種核心模塊構(gòu)成，分別是多尺度殘差網(wǎng)絡(luò)（MSRN，圖1(a)）、多尺度長(zhǎng)短期記憶網(wǎng)絡(luò)（MSLSTM，圖1(b)）和自注意機(jī)制網(wǎng)絡(luò)（Self-attention Network，圖1(c)），同時(shí)設(shè)計(jì)了空間自注意模塊（其結(jié)構(gòu)如圖1(d)所示），以充分挖掘HSI圖像中的空間相關(guān)性與局部信息。針對(duì)土壤碳含量的高精度預(yù)測(cè)，本文設(shè)計(jì)了兩種創(chuàng)新性多源數(shù)據(jù)融合網(wǎng)絡(luò)：具有空間和光譜自注意機(jī)制的多尺度殘差多源數(shù)據(jù)融合網(wǎng)絡(luò)（MRMFN）和具有增強(qiáng)型注意機(jī)制的多尺度殘差多源數(shù)據(jù)融合網(wǎng)絡(luò)（MRMAFN）。MRMFN和MRMAFN均通過(guò)引入ECA（Efficient Channel Attention）注意模塊，在捕捉全局特征的同時(shí)強(qiáng)化了通道間重要信息的提取。MRMFN、MRMAFN及ECA模塊的整體結(jié)構(gòu)如圖2所示。

此外，設(shè)計(jì)了三種具有人工特征的VNIR和HSI多源數(shù)據(jù)融合網(wǎng)絡(luò)用于土壤碳含量預(yù)測(cè)。它們分別是多特征拼接多源人工特征數(shù)據(jù)融合網(wǎng)絡(luò)（MCFNA）、多特征加權(quán)相加多源人工特征數(shù)據(jù)融合網(wǎng)絡(luò)（MWFNA）和多特征關(guān)注多源人工特征數(shù)據(jù)融合網(wǎng)絡(luò)（MAFNA）。

以預(yù)測(cè)集的決定系數(shù)（Rp2）、預(yù)測(cè)集的均方根誤差（RMSEP）和相對(duì)偏差百分比（RPD）作為衡量模型質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)。Rp2越接近1，RMSEP越小，RPD越大，模型越好。

圖1.多尺度殘差網(wǎng)絡(luò)、多尺度LSTM網(wǎng)絡(luò)和自注意機(jī)制網(wǎng)絡(luò)的結(jié)構(gòu)

圖2.MRMFN、MRMAFN和ECA關(guān)注模塊的結(jié)構(gòu)

結(jié)果

利用MRMFN和MRMAFN融合的VNIR和HSI多源數(shù)據(jù)建立3個(gè)樣地的土壤碳含量預(yù)測(cè)模型，并通過(guò)偏最小二乘回歸（PLSR）與利用全譜單源數(shù)據(jù)VNIR和單源數(shù)據(jù)HSI的土壤碳含量預(yù)測(cè)結(jié)果進(jìn)行比較。在3個(gè)樣地中，與單源數(shù)據(jù)相比，多源數(shù)據(jù)融合的MRMFN和MRMAFN預(yù)測(cè)土壤碳含量的精度得到了提高。

采用無(wú)信息變量消除法（UVE）、逐次投影法（SPA）、遺傳算法（GA）、pearson相關(guān)系數(shù)法（PCC）、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)抽樣法（CARS）和隨機(jī)青蛙法（RF）等人工特征提取方法分別提取VNIR和HSI的光譜特征，并利用PLSR建立了3個(gè)樣地的土壤碳含量模型。與單源數(shù)據(jù)的土壤碳含量預(yù)測(cè)結(jié)果相比，大多數(shù)人工特征方法的預(yù)測(cè)精度有所提高。

采用人工特征MCFNA、MWFNA和MAFNA的多源數(shù)據(jù)融合網(wǎng)絡(luò)，分別以UVE、SPA、GA、PCC、CARS和RF為人工特征，在3個(gè)樣地建立土壤碳含量模型進(jìn)行預(yù)測(cè)。基于多源數(shù)據(jù)融合的人工特征對(duì)3個(gè)樣地土壤碳含量實(shí)測(cè)值與預(yù)測(cè)值的擬合結(jié)果如圖3所示。MCFNA、MWFNA和MAFNA結(jié)合6個(gè)人工特征的預(yù)測(cè)結(jié)果均高于各單源數(shù)據(jù)的人工特征結(jié)果。結(jié)合注意機(jī)制的MAFNA預(yù)測(cè)準(zhǔn)確率最高，其次是加權(quán)特征的MWFNA和連接特征的MCFNA。在三種網(wǎng)絡(luò)的結(jié)果中，UVE人工特征組合的預(yù)測(cè)精度最高。

圖3.基于多源數(shù)據(jù)融合的3個(gè)樣地土壤碳含量實(shí)測(cè)值與預(yù)測(cè)值人工特征擬合結(jié)果

結(jié)論

本文以內(nèi)陸、鰲山灣和膠州灣土壤樣品的VNIR和HSI多源數(shù)據(jù)為例，提出了關(guān)注機(jī)制下的多源數(shù)據(jù)融合網(wǎng)絡(luò)和人工特征下的多源數(shù)據(jù)融合網(wǎng)絡(luò)，對(duì)3個(gè)樣地的土壤碳含量進(jìn)行預(yù)測(cè)。注意機(jī)制下的多源數(shù)據(jù)融合網(wǎng)絡(luò)包括MRMFN和MRMAFN。具有人工特征的多源數(shù)據(jù)融合網(wǎng)絡(luò)包括MCFNA、MWFNA和MAFNA。在關(guān)注機(jī)制下的多源數(shù)據(jù)融合網(wǎng)絡(luò)預(yù)測(cè)結(jié)果中，與單源數(shù)據(jù)相比，基于MRMFN和MRMAFN的土壤碳含量預(yù)測(cè)精度有所提高，其中MRMAFN的預(yù)測(cè)精度最高。在具有人工特征的多源數(shù)據(jù)融合網(wǎng)絡(luò)預(yù)測(cè)結(jié)果中，采用MCFNA、MWFNA和MAFNA方法，進(jìn)一步提高了3個(gè)樣地土壤碳含量的預(yù)測(cè)精度。3個(gè)樣地的碳含量預(yù)測(cè)精度由高到低依次為MAFNA、MWFNA、MCFNA，結(jié)合UVE人工特征預(yù)測(cè)精度最高。人工特征的多源數(shù)據(jù)融合網(wǎng)絡(luò)可以有效提高土壤碳含量的預(yù)測(cè)精度。與光譜數(shù)據(jù)和高光譜圖像兩種單源數(shù)據(jù)相比，基于多源數(shù)據(jù)融合網(wǎng)絡(luò)結(jié)合人工特征的內(nèi)魯、敖山灣和膠州灣的RPD分別提高了56.81%和149.18%、24.28%和43.96%、31.16%和28.73%。本研究可有效解決VNIR和HSI在土壤碳含量預(yù)測(cè)中多個(gè)特征深度融合的問(wèn)題，從而提高土壤碳含量預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性，促進(jìn)土壤碳含量預(yù)測(cè)在VNIR和HSI中的應(yīng)用和發(fā)展，為碳循環(huán)和碳匯研究提供技術(shù)支持。促進(jìn)生態(tài)系統(tǒng)碳收支更科學(xué)的模擬和更準(zhǔn)確的預(yù)測(cè)。