高光譜成像技術在土壤養分監測和土壤碳含量預測中具有廣泛應用前景。通過高光譜成像可獲取土壤在多個波段下的精細光譜信息，結合可見-近紅外（VNIR）數據，可以實現對土壤有機碳含量的無損、快速、高精度估算。此外，結合深度學習與多源數據融合，高光譜技術能夠在復雜土壤條件下依然保持較高預測能力，為農業可持續發展和氣候變化研究提供強有力的數據支撐和技術保障。
背景：
土壤有機碳（SOC）含量是衡量土壤質量和肥力的重要指標，同時在碳循環和應對氣候變化中具有關鍵作用。傳統的SOC測定方法依賴實驗室化學分析，雖精度高但費時費力，無法實現大范圍快速監測。近年來，可見-近紅外（VNIR）光譜和高光譜成像（HSI）技術因其高效、無損和可實時獲取大量光譜信息的特點，成為土壤有機碳含量預測的重要工具。然而，單一數據源模型在面對復雜、多樣化土壤條件時預測精度受限。為解決這一問題，研究提出了融合VNIR與HSI多源數據的方法，結合深度學習和注意力機制，以提升SOC含量預測模型在不同區域和土壤條件下的適用性和準確性
作者信息：范萍萍，齊魯工業大學海洋儀器研究所，博士生導師
期刊來源：Chemosphere
研究內容
該論文以提升土壤有機碳（SOC）含量預測精度為目標，圍繞VNIR和HSI多源數據融合展開研究。主要內容包括：首先，構建兩種基于注意機制的多源數據融合網絡模型——多尺度殘差多源融合網絡（MRMFN）和多尺度殘差增強多源融合網絡（MRMAFN），用于提取和融合HSI與VNIR數據的空間和光譜特征；其次，將這兩種模型應用于三個不同區域樣地，建立SOC含量預測模型，并與基于單源VNIR和單源HSI的傳統PLSR模型進行對比；最后，評估多源融合模型在不同土壤區域的預測效果，驗證其在提升SOC含量預測精度、增強模型穩定性和泛化能力方面的優勢，探索高光譜成像和深度學習結合在土壤養分監測中的應用潛力。
實驗設計
實驗樣品取自中國青島內陸、鰲山灣和膠州灣三個地區的土壤樣品。內陸地區土壤樣品164份，敖山灣120份，膠州灣134份。每個土壤樣品被分成三份，第一份使用光譜儀進行近紅外采集，第二份使用高光譜相機進行HSI采集，最后一份使用實驗室化學方法進行土壤碳含量測定。
VNIR采集范圍為200 ~ 1100 nm，采樣間隔為1 nm，光譜通道數為1044個。由于前后段噪聲影響較大，保留了226 ~ 975 nm的光譜數據。
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，內陸灣、鰲山灣、膠州灣的光譜通道數分別為176個、360個和360個。將高光譜相機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進行拍攝。利用分析軟件對高光譜相機采集的土壤樣品的HSI進行30 * 30像素的矩形圖切割，得到3個樣地土壤樣品的HSI。
采用實驗室化學方法測定土壤碳含量。每個土壤樣品取10 g左右，用PerkinElmer 2400元素分析儀測定土壤碳含量。
研究方法
本文提出了兩種基于VNIR（可見-近紅外）和HSI多源數據的土壤碳含量預測方法，即基于注意機制的多源數據融合網絡和基于人工特征的多源數據融合網絡。
基于注意機制的多源數據融合網絡采用三分支結構，其中兩個分支用于提取HSI的空間與光譜特征，另一個分支用于提取VNIR的特征，并通過注意力機制實現多源信息的深度融合。該融合網絡由三種核心模塊構成，分別是多尺度殘差網絡（MSRN，圖1(a)）、多尺度長短期記憶網絡（MSLSTM，圖1(b)）和自注意機制網絡（Self-attention Network，圖1(c)），同時設計了空間自注意模塊（其結構如圖1(d)所示），以充分挖掘HSI圖像中的空間相關性與局部信息。針對土壤碳含量的高精度預測，本文設計了兩種創新性多源數據融合網絡：具有空間和光譜自注意機制的多尺度殘差多源數據融合網絡（MRMFN）和具有增強型注意機制的多尺度殘差多源數據融合網絡（MRMAFN）。MRMFN和MRMAFN均通過引入ECA（Efficient Channel Attention）注意模塊，在捕捉全局特征的同時強化了通道間重要信息的提取。MRMFN、MRMAFN及ECA模塊的整體結構如圖2所示。
此外，設計了三種具有人工特征的VNIR和HSI多源數據融合網絡用于土壤碳含量預測。它們分別是多特征拼接多源人工特征數據融合網絡（MCFNA）、多特征加權相加多源人工特征數據融合網絡（MWFNA）和多特征關注多源人工特征數據融合網絡（MAFNA）。
以預測集的決定系數（Rp2）、預測集的均方根誤差（RMSEP）和相對偏差百分比（RPD）作為衡量模型質量的評價標準。Rp2越接近1，RMSEP越小，RPD越大，模型越好。
圖1.多尺度殘差網絡、多尺度LSTM網絡和自注意機制網絡的結構
圖2.MRMFN、MRMAFN和ECA關注模塊的結構
結果
利用MRMFN和MRMAFN融合的VNIR和HSI多源數據建立3個樣地的土壤碳含量預測模型，并通過偏最小二乘回歸（PLSR）與利用全譜單源數據VNIR和單源數據HSI的土壤碳含量預測結果進行比較。在3個樣地中，與單源數據相比，多源數據融合的MRMFN和MRMAFN預測土壤碳含量的精度得到了提高。
采用無信息變量消除法（UVE）、逐次投影法（SPA）、遺傳算法（GA）、pearson相關系數法（PCC）、競爭自適應重加權抽樣法（CARS）和隨機青蛙法（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個樣地的土壤碳含量模型。與單源數據的土壤碳含量預測結果相比，大多數人工特征方法的預測精度有所提高。
采用人工特征MCFNA、MWFNA和MAFNA的多源數據融合網絡，分別以UVE、SPA、GA、PCC、CARS和RF為人工特征，在3個樣地建立土壤碳含量模型進行預測。基于多源數據融合的人工特征對3個樣地土壤碳含量實測值與預測值的擬合結果如圖3所示。MCFNA、MWFNA和MAFNA結合6個人工特征的預測結果均高于各單源數據的人工特征結果。結合注意機制的MAFNA預測準確率最高，其次是加權特征的MWFNA和連接特征的MCFNA。在三種網絡的結果中，UVE人工特征組合的預測精度最高。
圖3.基于多源數據融合的3個樣地土壤碳含量實測值與預測值人工特征擬合結果
結論
本文以內陸、鰲山灣和膠州灣土壤樣品的VNIR和HSI多源數據為例，提出了關注機制下的多源數據融合網絡和人工特征下的多源數據融合網絡，對3個樣地的土壤碳含量進行預測。注意機制下的多源數據融合網絡包括MRMFN和MRMAFN。具有人工特征的多源數據融合網絡包括MCFNA、MWFNA和MAFNA。在關注機制下的多源數據融合網絡預測結果中，與單源數據相比，基于MRMFN和MRMAFN的土壤碳含量預測精度有所提高，其中MRMAFN的預測精度最高。在具有人工特征的多源數據融合網絡預測結果中，采用MCFNA、MWFNA和MAFNA方法，進一步提高了3個樣地土壤碳含量的預測精度。3個樣地的碳含量預測精度由高到低依次為MAFNA、MWFNA、MCFNA，結合UVE人工特征預測精度最高。人工特征的多源數據融合網絡可以有效提高土壤碳含量的預測精度。與光譜數據和高光譜圖像兩種單源數據相比，基于多源數據融合網絡結合人工特征的內魯、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在土壤碳含量預測中多個特征深度融合的問題，從而提高土壤碳含量預測的準確性和穩定性，促進土壤碳含量預測在VNIR和HSI中的應用和發展，為碳循環和碳匯研究提供技術支持。促進生態系統碳收支更科學的模擬和更準確的預測。
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服