编辑推荐：
在农业生产中，传统土壤采样方法存在诸多弊端，难以满足精准农业需求。研究人员开展 “Mapping of soil sampling sites using terrain and hydrological attributes” 主题研究，提出 DualTrans 模型。结果显示该模型在土壤采样点选择上性能优异，为精准农业提供了高效工具。
在农业领域，土壤采样对于土壤管理和研究土壤健康起着至关重要的作用。然而，传统的土壤采样方法却存在着不少问题。比如，依靠人工选择或基于网格的方法，不仅耗费大量人力、时间和金钱，而且还难以全面捕捉土壤属性的空间变异性，这就导致采样决策往往不够理想。在全球粮食需求不断增长、可耕地面积逐渐减少以及气候变化日益加剧的大背景下，农业生产急需更高效、精准的土壤采样技术，以实现科学的土壤管理，提高农作物产量和质量。
为了解决这些问题，来自国外的研究人员开展了一项关于利用地形和水文属性进行土壤采样点映射的研究。他们提出了一种名为 DualTrans 的新型 CNN - 变压器模型，旨在实现土壤采样点的自动、精准选择。该研究成果发表在《Artificial Intelligence in Agriculture》上，为农业领域带来了新的突破。
研究人员在这项研究中运用了多种关键技术方法。首先，他们收集了美国南达科他州东部 20 个农田的数据，这些数据通过搭载激光雷达（LiDAR）和高精度 GPS 的无人机获取，并结合数字高程模型（DEM）进行分析。然后，利用卷积神经网络（CNN）构建原始特征提取器，通过编码器和解码器结构来提取输入图像的特征。同时，借助自注意力机制开发预测器，以评估特征重要性并生成预测图。此外，还使用随机梯度下降（SGD）和二元交叉熵（BCE）损失对模型进行训练，并通过调整桥接层数量等参数进行消融研究。
研究结果主要从以下几个方面呈现：
- DualTrans 模型性能：DualTrans 模型包含 DualTrans0、DualTrans1 和 DualTrans2 三种变体，且针对每种变体研究了 8 层和 16 层桥接层的情况。研究发现，一般情况下，16 层桥接层的模型性能优于 8 层的。其中，DualTrans1 - B16 表现最为出色，在验证集上的平均 Dice 系数（mDc）达到 80.32%，平均交并比（mIoU）达到 68.63%；在测试集上，mDc 为 80.35%，mIoU 为 69.46% 。通过可视化对比不同模型的预测结果，发现 DualTrans1 - B16 的预测边界与实际情况更为吻合，准确性更高。
- 性能对比：与现有的深度学习土壤采样点选择工具相比，DualTrans 模型在 mIoU 和 mDc 指标上均表现更优。例如，与 Atrous - SegF 模型相比，DualTrans 模型的 mIoU 提高了 21.11%，mDc 提高了 12.42%。而且，DualTrans - B16 模型参数仅为 2149 万个，计算成本为 514.15 GFLOPs，远低于其他模型，在计算效率和性能之间达到了较好的平衡，尽管其推理速度为 0.46 FPS，略低于部分模型，但综合来看仍适用于实际的土壤采样点选择工作。
研究结论和讨论部分表明，DualTrans 模型有效解决了传统土壤采样方法的不足，为土壤采样点选择提供了更精准、高效的工具。该模型利用地形和水文属性，通过深度学习技术实现了采样点的自动选择，在实际应用中具有重要意义。不过，研究也存在一定的局限性，目前模型仅局限于空间预测，所使用的土壤属性类型和范围较为有限。未来研究将聚焦于开发时空深度学习算法，扩大数据集范围，并将该工具推广给农民和科学家，用于土壤处理和研究，以进一步推动精准农业的发展。
