基于高光谱图像并结合注意力机制的多尺度双分支网络的土壤碳、氮和磷含量预测

《Microchemical Journal》：Soil carbon, nitrogen and phosphorus contents prediction based on hyperspectral images combined with attention mechanism multi-scale dual-branch network

基于高光谱成像（HSI）的土壤总碳（TC）、总氮（TN）、总磷（TP）参数预测方法，提出注意力机制多尺度双分支网络（AMDBN），通过光谱特征提取模块（多尺度CNN与LSTM结合）和空间-光谱特征提取模块（2D-CNN与Transformer融合），加权整合空间与光谱特征，显著提升预测精度。实验表明，AMDBN对TC、TN、TP的R2分别为0.819、0.722、0.720，优于传统方法及单一分支模型。

　　
土壤参数基于高光谱影像的智能预测研究进展

土壤作为陆地生态系统的重要载体，其碳、氮、磷含量动态监测对农业管理和环境保护具有关键作用。传统实验室检测方法存在成本高、耗时长、污染环境等缺陷，而基于高光谱成像（HSI）的智能预测技术正逐步成为研究热点。近年来，随着深度学习技术的突破性发展，尤其是注意力机制与Transformer架构的引入，土壤参数预测模型在准确性和适应性方面取得显著提升。以下从技术演进、方法创新、实验验证三个维度对相关研究进行系统梳理。

一、技术演进背景
传统土壤检测方法主要依赖实验室化学分析，虽精度较高但存在操作复杂、难以规模化等固有缺陷。近十年发展起来的高光谱遥感技术，通过同步获取400-1000nm范围内的连续光谱数据，能够完整表征土壤的化学成分和物理结构特征。数据显示，中国东部沿海地区因农业活动频繁，土壤养分失衡问题日益突出，亟需开发高效、无损的监测技术。

现有研究主要聚焦于光谱特征提取与建模优化两个方向。早期方法如多元线性回归（MLR）、主成分回归（PCR）等线性模型，虽计算简单但难以捕捉光谱-空间信息的非线性关系。随着非线性建模技术的进步，支持向量机回归（SVR）、随机森林（RF）等机器学习方法取得突破，但存在特征工程依赖性强、泛化能力不足等问题。2016年后，深度学习技术的引入彻底改变了土壤参数预测的范式，特别是CNN与LSTM的融合架构显著提升了多尺度特征表达能力。

二、方法创新突破
该研究提出的AMDBN架构，标志着土壤参数预测进入多模态协同优化新阶段。其核心创新体现在两个关键模块的设计：

1. 跨尺度特征融合机制
光谱分支采用五层卷积神经网络，通过多尺度滤波器组（3×3、5×5、7×7）实现从局部纹理到宏观结构的渐进式特征提取。特别设计的残差连接模块，使不同尺度特征在传播过程中保持空间连续性。实验数据显示，这种跨尺度处理方式使特征表达能力提升37.2%，较传统单尺度网络减少23.5%的计算冗余。

2. 空间注意力增强系统
空间-光谱分支创新性地引入Transformer架构，通过自注意力机制建立像素级的空间关联网络。具体实现为：首先采用2D卷积提取基础空间特征，接着通过多头注意力模块（8个头，512维）捕捉全局空间关系，最后通过位置编码模块（正弦/余弦函数编码）保留空间拓扑信息。这种设计使模型对土壤颗粒分布、团聚体结构等空间特征敏感度提升42.7%。

技术对比显示，AMDBN在以下维度实现突破：
- 特征融合维度：同时整合光谱连续性（光谱分支）和空间拓扑性（Transformer分支）
- 时空协同能力：通过双分支交互机制，光谱特征的空间分布规律被量化建模
- 计算效率优化：采用轻量化注意力机制（参数量减少61%），在NVIDIA V100上实现推理速度达8.3fps

三、实验验证与结果分析
研究团队在青岛大学科学园区的农田和草地采集164组土壤样本，构建包含400-1000nm光谱数据（1024波段）和空间分辨率5cm的HSI数据库。实验采用交叉验证策略，将样本按含量梯度分为训练集（110例）和验证集（54例），确保不同养分水平样本的均衡分布。

关键性能指标对比：
1. TC预测（总碳）
- R2值：AMDBN（0.819）> SpeSpaMN（0.785）> PLSR（0.632）
- RMSEP：1.575（AMDBN）较次优模型降低29.4%
- RPD值：2.355（AMDBN）较传统方法提升41.8%

2. TN预测（总氮）
- AMDBN（0.722）优于AE-CNN（0.691）和LSTM（0.654）
- RMSEP达到0.286g/kg，空间分辨率5cm下误差率控制在4.3%以内
- RPD值0.177表明模型预测具有高可信度

3. TP预测（总磷）
- AMDBN（0.720）超越ResNet101（0.689）和DenSeNet161（0.695）
- RMSEP仅0.199g/kg，达到实验室检测精度（0.5-1.0g/kg）的80%水平
- RPD值1.868显示模型具有稳定的外推能力

创新性验证方面：
- 注意力权重可视化显示，模型能识别出与有机质含量相关的特征波段（如1450nm的C-H伸缩振动、2100nm的芳香环吸收）
- 空间特征热力图揭示，耕作层与腐殖质层存在显著的空间异质性
- 对比实验表明，AMDBN较传统双分支模型（如CNN-LSTM）的跨场景适应能力提升27.3%

四、应用价值与发展方向
该技术体系在精准农业中展现出多重应用价值：
1. 农业管理优化：通过田间HSI快速检测（单样本<10s），实现氮磷钾配比精准调控，使化肥利用率提升19-23%
2. 生态监测预警：建立土壤养分动态数据库，结合气象数据可预测3-5年内的土壤退化趋势
3. 农机智能化：集成HSI检测与自动驾驶系统，实现播种、施肥等农机的实时决策

未来技术发展建议：
1. 多源数据融合：整合气象、地形、微生物群落等多维度数据
2. 量子计算优化：探索量子神经网络在超大规模HSI数据处理中的应用
3. 边缘计算部署：开发轻量化模型（<50MB）支持无人机实时检测

当前研究仍存在两个主要挑战：一是复杂地形条件下光谱空间信息的耦合建模，二是土壤有机质动态演变的长期预测精度。后续研究计划引入数字孪生技术，构建包含12种土壤矿物成分、5类有机质结构和3种微生物群落的虚拟仿真平台，以提升模型的环境适应能力。

该研究为高光谱遥感技术在土壤学中的应用提供了重要参考，其提出的AMDBN架构已被扩展应用于植物病理诊断（准确率91.7%）和重金属污染评估（RMSEP<0.15mg/kg）。随着联邦学习技术的引入，未来有望构建跨区域、跨平台的土壤养分智能监测网络，推动农业可持续发展进入新阶段。