高光譜成像技術在土壤養(yǎng)分監(jiān)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(shù)據(jù)，可以實現(xiàn)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(shù)據(jù)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(yè)可持續(xù)發(fā)展和氣候變化研究提供強有力的數(shù)據(jù)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(huán)和應對氣候變化中具有關鍵作用。傳統(tǒng)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(xiàn)大范圍快速監(jiān)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(shù)據(jù)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(shù)據(jù)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(qū)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(yè)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(shù)據(jù)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(shù)據(jù)融合網(wǎng)絡模型——多尺度殘差多源融合網(wǎng)絡（MRMFN）和多尺度殘差增強多源融合網(wǎng)絡（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，將這兩種模型應用于三個不同區(qū)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(tǒng)PLSR模型進行對比；最后，評估多源融合模型在不同土壤區(qū)域的預測效果，驗證其在提升SOC含量預測精度、增強模型穩(wěn)定性和泛化能力方面的優(yōu)勢，探索高光譜成像和深度學習結合在土壤養(yǎng)分監(jiān)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(qū)的土壤樣品。內陸地區(qū)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(shù)為1044個。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(shù)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(tǒng)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(shù)據(jù)的土壤碳含量預測方法，即基于注意機制的多源數(shù)據(jù)融合網(wǎng)絡和基于人工特征的多源數(shù)據(jù)融合網(wǎng)絡。
基于注意機制的多源數(shù)據(jù)融合網(wǎng)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(xiàn)多源信息的深度融合。該融合網(wǎng)絡由三種核心模塊構成，分別是多尺度殘差網(wǎng)絡（MSRN，圖1(a)）、多尺度長短期記憶網(wǎng)絡（MSLSTM，圖1(b)）和自注意機制網(wǎng)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(chuàng)新性多源數(shù)據(jù)融合網(wǎng)絡：具有空間和光譜自注意機制的多尺度殘差多源數(shù)據(jù)融合網(wǎng)絡（MRMFN）和具有增強型注意機制的多尺度殘差多源數(shù)據(jù)融合網(wǎng)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(shù)據(jù)融合網(wǎng)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(shù)據(jù)融合網(wǎng)絡（MCFNA）、多特征加權相加多源人工特征數(shù)據(jù)融合網(wǎng)絡（MWFNA）和多特征關注多源人工特征數(shù)據(jù)融合網(wǎng)絡（MAFNA）。
以預測集的決定系數(shù)（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(wǎng)絡、多尺度LSTM網(wǎng)絡和自注意機制網(wǎng)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(shù)據(jù)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(shù)據(jù)VNIR和單源數(shù)據(jù)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(shù)據(jù)相比，多源數(shù)據(jù)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(shù)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(shù)據(jù)的土壤碳含量預測結果相比，大多數(shù)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(shù)據(jù)融合網(wǎng)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(shù)據(jù)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(shù)據(jù)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(wǎng)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(shù)據(jù)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(shù)據(jù)為例，提出了關注機制下的多源數(shù)據(jù)融合網(wǎng)絡和人工特征下的多源數(shù)據(jù)融合網(wǎng)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(shù)據(jù)融合網(wǎng)絡包括MRMFN和MRMAFN。具有人工特征的多源數(shù)據(jù)融合網(wǎng)絡包括MCFNA、MWFNA和MAFNA。在關注機制下的多源數(shù)據(jù)融合網(wǎng)絡預測結果中，與單源數(shù)據(jù)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(shù)據(jù)融合網(wǎng)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(shù)據(jù)融合網(wǎng)絡可以有效提高土壤碳含量的預測精度。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(wěn)定性，促進土壤碳含量預測在VNIR和HSI中的應用和發(fā)展，為碳循環(huán)和碳匯研究提供技術支持。促進生態(tài)系統(tǒng)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(wǎng) GoogleSitemap 管理登陸
在線客服