利用 SpatialFormer 融合光谱与位置信息提升土壤有机碳（SOC）含量估算精度

为提升 SOC 含量估算精度，研究人员开展相关研究，模型在多尺度验证效果良好，助力精准农业。

　　本研究旨在通过一种名为 SpatialFormer 的多模态深度学习框架，整合可见 - 近红外（Vis - NIR）光谱信息和样本位置信息，以改进土壤有机碳（SOC）含量的估算。所提出的两阶段校准模型首先将一维 Vis - NIR 光谱数据转换为二维光谱图，然后利用视觉 Transformer（ViT）对其进行建模，以捕捉复杂的光谱特征。在第二阶段，通过空间相关神经网络对光谱预测的残差进行建模，从而实现更精确的最终估算。该模型使用 LUCAS 数据集在欧洲和法国尺度上进行了验证，在欧洲尺度上，决定系数（R²）达到 0.78，均方根误差（RMSE）为 9.09 g?kg^-1，相对百分比差异（RPD）为 2.12；在国家尺度上，R²为 0.71，RMSE 为 8.33 g?kg^-1 ，RPD 为 1.87。对比分析表明，该模型优于仅依赖光谱数据的模型，证明了其在改进 SOC 估算方面的潜力，能为精准农业和环境管理提供支持。