基于多模态视觉Transformer的高分辨率土壤质地制图：德国农业表土颗粒分布预测研究

本研究针对大尺度高分辨率土壤质地制图难题，创新性地提出多模态视觉Transformer架构（MMVT），通过整合Sentinel/Landsat多源卫星数据与地形特征，实现了德国农业表土砂粒、粉粒和黏粒含量的精准预测（最高R2=0.74）。相比传统随机森林（RF）和二维卷积神经网络（2D CNN），该模型在320×320m空间上下文范围内展现出最优性能，为精准农业土壤管理提供了10米级高分辨率解决方案。

　　

土壤作为农业生产的根基，其质地组成直接影响作物产量和环境可持续性。然而传统土壤调查方法成本高昂、覆盖稀疏，难以满足精准农业对高分辨率土壤信息的需求。德国作为欧洲农业大国，其北部冰川沉积区与南部山地形成鲜明土壤质地梯度，但现有国家土壤图（1:1,000,000）分辨率不足，且传统机器学习方法如随机森林（RF）难以捕捉空间上下文特征。针对这一挑战，Lucas Wittstruck团队在《Reproduction and Fertility》发表的研究，开创性地将视觉Transformer（VisT）引入土壤科学领域。

研究团队整合了LUCAS欧盟土壤数据库与德国7个州立机构的3,312个表土样本（0-30cm），构建包含6种模态的遥感数据集：25年多光谱/热红外裸土复合影像（Sentinel-2/Landsat）、10米分辨率SAR后向散射数据（Sentinel-1）、季节性温度场及地形因子（SRTM DEM衍生）。通过改进Vision Transformer的模态分区策略，提出多模态视觉Transformer（MMVT），在保持原始图像空间分割的同时，独立处理各模态特征。

主要技术方法：采用滑动窗口预测策略，对比MMVT与2D CNN、RF模型性能；通过网格搜索优化超参数（MMVT：8层Transformer编码器，8头注意力机制）；评估7种空间上下文尺度（10-640m）；采用多任务学习同步预测砂粒、粉粒、黏粒含量；验证指标包括R²、RMSE和RPIQ（性能四分位间距比）。

4.1 土壤样本特征

整合数据集显示德国农业土壤以粉粒为主（均值46%），砂粒（36%）和黏粒（17%）次之。萨克森-安哈尔特州样本呈现极端质地（砂粒23.1%，粉粒60.5%），而勃兰登堡州样本量最少（17个），反映区域数据不平衡特征。

4.2 裸土复合影像特征

多光谱复合图清晰区分土壤带，如黄土丘陵区暗色调对应低SAR反射率与高温；SAR数据因2014年后覆盖限制，裸土识别率较低；温度场显示北海沿岸低温与内陆高温的梯度差异，暗示土壤热特性与质地的潜在关联。

4.3 模型精度评估

MMVT在320×320m窗口表现最优（砂粒R²=0.74，RMSE=14.78%；粉粒R²=0.73，RMSE=12.36%），较2D CNN提升6%（R²绝对值）。黏粒预测精度较低（R²=0.52）可能与有机质干扰有关。空间上下文实验揭示320m为最优尺度，过小导致特征不足，过大引入噪声。

4.4 土壤质地制图

全国尺度制图成功再现北德砂质土与南德黏壤土的宏观格局，细节上识别出威悉河沿岸黏粒富集区（40-50%）与黄土带高粉粒区（>60%），与德国地质调查局（BGR）参考图高度吻合。

4.5 小尺度制图对比

在不来梅附近试验区，MMVT呈现平滑质地过渡，而RF模型出现场界突变（如黏粒含量骤降20%）。2D CNN虽优于RF，但仍存在斑块化预测，反映卷积核局部感受野的局限性。

该研究证实MMVT通过自注意力机制有效融合多模态遥感特征，突破传统土壤制图的分辨率瓶颈。相较于依赖手工特征的RF和局部感知的CNN，MMVT全局建模能力使其在10米尺度捕捉土壤质地连续变化，为精准施肥、侵蚀防控提供新工具。未来扩展至土壤有机碳（SOC）、pH值等参数预测，将进一步完善数字土壤评估体系。研究创新点在于：首次将模态分区策略引入VisT架构，解决多源遥感数据协同分析难题；建立高分辨率（10m）土壤质地数据库，填补德国现有国家尺度产品的细节空白。