基于图神经网络和遥感数据的森林细粒土壤粒径分布预测模型研究

推荐：本研究针对森林土壤粒径分布(PSDs)预测中样本依赖性强、空间异质性高等问题，创新性地结合地统计学与图神经网络(GNN)，利用LiDAR和Sentinel-2数据构建GeoAI模型。开发的图注意力网络(GAT)在预测<2μm至20-60μm四组细粒土壤PSDs时R2达0.98以上，为森林土壤水文特性评估和碳汇管理提供高精度空间数据支持。

　　

森林土壤作为陆地生态系统的重要组成，其粒径分布(PSDs)直接影响碳封存能力、水文特性和机械稳定性。然而传统预测方法面临两大瓶颈：一是依赖密集采样，在植被茂密的森林中实施困难；二是现有机器学习模型难以捕捉土壤属性的空间依赖性。这导致芬兰等 boreal forest（北方森林）地区的细粒土壤（包括<2μm、2-6μm、6-20μm和20-60μm四个关键组别）分布图谱始终存在精度缺陷。

为突破这些限制，Omid Abdi团队在《The International Journal of Biochemistry》发表研究，开创性地将地理人工智能(GeoAI)与图神经网络(GNN)相结合。研究团队首先通过随机分层采样获取47个林分的330个土壤样本，利用激光衍射法分析PSDs后，采用协同克里金(CoKriging)进行空间插值以扩充训练数据。随后基于树冠分类模型将森林划分为19,500个同质化多边形作为图节点，整合61个LiDAR和Sentinel-2衍生协变量。通过随机森林(RF)筛选出地形(如高程)、植被指数(WDVI)等关键特征后，系统比较了图注意力网络(GAT)、关系图卷积网络(RGCN)等五种GNN架构的性能。

关键技术包含：1) 激光衍射法测定PSDs；2) 协同克里金空间插值；3) PSPNet深度学习模型进行树种分类；4) 基于Optuna框架的超参数优化；5) 多头注意力机制的GAT构建。

研究结果揭示：

1. 1.

   局部预测精度：协同克里金在四组PSDs预测中均方根误差(RMSE)为0.34-2.46，为GNN提供了可靠标注数据。

2. 2.

   协变量重要性：LiDAR衍生的地形变量贡献度最高（42.2-51.7%），Sentinel-2的WDVI植被指数次之。部分依赖图显示高程<120m区域与细颗粒含量呈显著正相关。

3. 3.

   模型性能：GAT以最少训练时间(13.03秒/100轮)实现最优预测，R²达0.98-0.99，较传统CNN模型提升40%以上。RGCN虽精度相当但训练耗时增加28%。

4. 4.

   实地验证：针对真实样本的独立测试中，GAT预测误差(RMSE 0.68-2.82)仍显著低于其他模型，证实其工程实用性。

这项研究的创新价值体现在三方面：首先，建立的图神经网络框架首次实现了森林土壤PSDs的"样本非依赖型"预测，打破了传统方法对密集采样的依赖；其次，多源遥感数据的协同利用为 boreal forest（北方森林）等难以勘察区域提供了经济高效的监测方案；最后，模型输出的高精度PSDs图谱可直接支持土壤压实风险评估、碳储量估算等应用。正如讨论部分强调的，未来通过引入近端土壤传感器数据，可进一步降低CoKriging标注引入的误差，使模型在更广泛地区的推广成为可能。