基于深度学习的地面穿透雷达（GPR）技术用于解释源头山坡地区的土壤厚度

《Geoderma》：Deep Learning-Based GPR interpretation of soil thickness in headwater hillslopes

本文提出了一种结合CNN-Transformer混合架构和优化的信号滤波方法，用于从地探雷达（GPR）数据中自动预测土壤厚度。通过实验验证，该方法在H1和H2区域均表现出高精度（R2最高达0.92），并证实了跨区域迁移学习的有效性。研究结果为复杂地形下的土壤厚度连续映射提供了高效、客观的解决方案，同时展示了该框架在土壤分层和根系检测等扩展应用中的潜力。

　　土壤厚度是影响生态系统水文过程和地貌演变的关键参数，它决定了水的渗透、储存、蒸发以及径流的生成。然而，传统的测量方法如钻孔、挖掘或开挖不仅耗时费力，还可能对地表造成破坏，因此在大规模或远程地形的应用中存在明显的局限性。为了克服这些挑战，本研究提出了一种结合卷积神经网络（CNN）和Transformer架构的深度学习模型，用于从地面穿透雷达（GPR）数据中自动预测土壤厚度。该方法通过优化信号过滤策略，提高了预测的准确性和效率，为复杂地形下的土壤厚度制图提供了新的解决方案。

GPR作为一种非破坏性的地下成像技术，因其对介电差异的敏感性，能够有效检测土壤层、基岩边界和碎石带。在本研究中，GPR数据采集采用了高频率天线（500 MHz）和窄间距采样（0.019 m），以确保高分辨率的数据采集。经过标准化处理后，GPR数据包括去直流漂移、时间零点校正、能量衰减增益调整以及平均轨迹减法，从而减少横向带状伪影和高频噪声。最终的雷达图像采用蓝灰红三色渐变进行可视化，以便于进一步分析。

在本研究中，我们测试了五种常见的信号过滤方法，包括中值滤波、Savitzky-Golay滤波、高斯滤波、移动平均滤波以及无滤波。其中，中值滤波表现最佳，其在预测土壤厚度方面的R2值达到0.92，CCC（一致性相关系数）为0.96，RMSE（均方根误差）接近10厘米。这表明中值滤波在去除异常值和保留信号细节方面具有显著优势。此外，我们还分析了滤波窗口大小和训练轮数对模型性能的影响，发现当滤波窗口在61至101个样本之间时，模型的预测误差最小，同时保持了信号的完整性。而训练轮数超过500轮后，模型的性能趋于稳定，进一步增加训练轮数对预测结果的提升有限。

为了验证模型的泛化能力，我们采用了一个预训练模型，将其应用于另一个独立的山地斜坡H2，而无需重新训练。结果表明，该模型在H2上的表现优于传统机器学习方法，如CNN、MLP、RF和SVM。预训练模型在H2上的R2值为0.80，CCC为0.89，RMSE为11.3厘米，表明其在不同地质环境下的适应性较强。这些结果表明，CNN-Transformer模型在大规模、高分辨率的土壤厚度制图任务中具有显著优势。

尽管CNN-Transformer模型在预测精度上表现出色，但其仍存在一定的局限性。例如，在某些区域，如基岩裂缝引起的高反射信号，模型可能误判为土壤厚度的变化。这种现象表明，虽然深度学习模型能够自动提取地下特征，但在某些特殊地质条件下，仍需结合其他地球物理技术（如电法勘探）进行进一步的验证和优化。此外，手动解释GPR数据时，不同操作者对颜色梯度的感知可能会影响结果的准确性，特别是在反射信号较弱的区域。因此，自动化模型在减少人为偏差方面具有明显优势。

本研究的成果不仅为土壤厚度的高精度制图提供了新的工具，还展示了CNN-Transformer架构在处理复杂地下结构方面的潜力。通过将局部特征提取与全局上下文建模相结合，该模型能够在保持信号细节的同时，有效捕捉地下结构的连续性。此外，预训练模型的引入使得模型能够在新区域快速部署，从而降低了计算成本，提高了工作效率。这些发现对于生态水文建模、地貌学理论和生物地球化学循环的研究具有重要意义。

综上所述，本研究通过开发一种基于CNN-Transformer的深度学习框架，并结合优化的信号过滤策略，实现了对土壤厚度的高效、准确和客观预测。该方法在实际应用中展现出良好的泛化能力和稳定性，特别是在处理大规模和复杂地形数据时。未来的研究可以进一步探索如何在不同土壤类型和地质条件下优化模型参数，并结合多频率GPR数据或其他地球物理技术，以提高模型的适应性和准确性。此外，该方法还可以推广到其他地球物理成像任务，如土壤层界线识别和根系结构分析，为环境科学和地质学研究提供更全面的工具。