用于多深度土壤碳测绘的物理感知神经框架

《IEEE Geoscience and Remote Sensing Letters》：Physics-Aware Neural Framework for Multidepth Soil Carbon Mapping

深度分层土壤有机碳估算的无人机遥感方法研究

　　

摘要：

由于光学测量仅能获取地表数据，而土壤中碳的分布具有垂直层次性，因此对土壤有机碳（SOC）的深度分辨估计仍然具有挑战性。我们提出了一种基于物理原理的无人驾驶飞行器（UAV）框架，该框架结合了多光谱成像（MSI）和高光谱成像（HSI）技术，用于估算不同深度下的SOC浓度。实验在密苏里州的Plantheaven Farms进行，使用了10种高粱基因型，并设置了3次重复实验。特征构建过程将HSI提供的光谱导数与MSI提供的纹理特征相结合，并通过主成分分析（PCA）进行压缩处理。为了实现物理意义上的规律性，我们采用了以下方法：1）使用二阶差分惩罚项来确保数据的垂直平滑性；2）引入剖面积分一致性约束以保持整个剖面的平衡。在本地数据上评估了四种模型配置，其性能逐步提升：仅使用MSI的模型、MSI与HSI结合的模型、添加平滑处理的MSI与HSI结合的模型，以及完全考虑物理约束的MSI与HSI结合的模型。此外，还测试了从开放土壤光谱库（OSSL）中迁移学习的方法以克服数据局限性。在现有数据上，模型的均方根误差（R2）在0–30厘米深度范围内达到了0.72，其中考虑物理约束的模型显著提高了数据的垂直一致性。这种基于物理原理的模型不仅减少了方差，还增强了结果的合理性。在样本内部进行迁移学习时，0–30厘米深度范围内的R2值为0.60；而在90厘米以下深度，由于光学灵敏度降低，模型的解释结果较为保守。探索性基因型分析表明，PI 656?029和PI 656?057品种的表层SOC百分比较高，而PI 276?837和PI 656?044品种的表层SOC百分比较低。

引言

土壤有机碳（SOC）在深度层中的分布对于量化土壤肥力、碳封存能力和气候缓解效果至关重要。传统的取芯分析方法是目前的标准方法，但该方法具有破坏性、耗时且受空间限制，难以大规模应用。遥感技术，尤其是高光谱成像技术，可以实现地表SOC的绘制，但如何将这些信息扩展到地下层仍是一个未解决的问题。