融合残差网络与GAM注意力机制的土壤有机质含量分层预测模型ResHAN-GAM

本研究针对土壤有机质(SOM)含量传统检测方法效率低、精度不足的问题，提出基于分层注意力网络(HAN)的ResHAN-GAM模型。通过结合残差网络(ResNet)、全局注意力机制(GAM)和分数阶微分预处理技术，在东北黑土区及欧洲LUCAS数据集上实现SOM含量高精度预测(验证集R2=0.945，RMSE=0.117%)，为大规模土壤监测提供非破坏性解决方案。

　　

土壤健康是农业可持续发展的基石，而土壤有机质(SOM)作为衡量土壤肥力的核心指标，其含量直接影响作物产量和碳汇功能。传统检测方法如重铬酸钾氧化法虽准确但耗时费力，难以满足大尺度监测需求。近年来，高光谱遥感(HRS)技术因其快速、无损的优势成为研究热点，但现有模型普遍面临光谱噪声干扰、特征提取不充分等挑战。尤其在中国东北黑土区这类关键农业带，亟需建立高精度的SOM预测体系以实现精准农业管理。

针对这一需求，中国科学院长春地理与农业生态研究所的研究团队在《Ecological Informatics》发表论文，创新性地将自然语言处理领域的分层注意力网络(HAN)应用于土壤光谱分析，提出ResHAN-GAM模型。该研究通过分数阶微分(0.2-1.8阶)结合Savitzky-Golay(S-G)平滑和小波包去噪预处理东北黑土区162份样本的350-2500nm光谱数据，采用改进的全局注意力机制(GAM)和残差网络(ResNet)增强特征提取能力，并引入LeakyReLU激活函数和Huber损失函数优化模型性能。

方法学亮点
研究采用ASD FieldSpec3光谱仪采集样本数据，通过Grünwald-Letnikov算法计算分数阶微分，对比8种微分阶数结合两种去噪方法的效果。模型架构上，将原始2000维光谱重构为(None, Length, Num, 1)张量输入分层注意力网络，其中ResNet模块采用gru_size=50的卷积核，GAM机制通过通道-空间双注意力捕捉全局特征，训练过程采用L2正则化(系数0.01)防止过拟合。

关键结果

1. 数据预处理优化：1.2阶微分+S-G平滑组合表现最优，验证集R²达0.945，显著优于传统PLSR模型(R²=0.881)。
2. 模型架构验证：消融实验证实ResNet+GAM组合使R²提升0.122，Huber损失函数较MSE降低验证误差15.6%。
3. 泛化能力测试：在欧洲19,036份LUCAS样本上取得R²=0.92，证明模型跨区域适用性。
4. 效率平衡：20×100分组策略实现训练时间(2.51分钟)与精度(RPD=4.26)的最佳平衡。

理论突破与实践价值
该研究首次将文档分类领域的HAN结构迁移至土壤光谱分析，通过三重创新解决行业痛点：(1)分数阶微分增强350-2500nm波段中C-H、O-H等官能团特征；(2)残差连接缓解深层网络梯度消失，使训练收敛速度提升2.3倍；(3)GAM机制通过压缩比设计将参数量减少40%。在东北黑土区的实证表明，模型对玉米田(3.13-4.15% SOM)和大豆田(2.15-3.22% SOM)均有优异预测性能，其RPD>4的指标远超传统方法(RPD>3即达标)。

这项研究为数字农业提供了可推广的技术范式，其构建的"光谱微分-分层建模-跨域验证"技术路线，不仅适用于SOM监测，还可拓展至土壤重金属、含水量等多参数同步反演。未来通过整合无人机遥感平台，有望实现农田尺度的实时动态监测，为全球土壤保护目标(SDGs 15.3)提供关键技术支撑。