基于地面机器人高光谱成像与深度学习的多深度土壤水分分类研究

本研究针对精准农业中实时、多深度土壤水分监测的技术瓶颈，创新性地将无人地面车辆(UGV)搭载的高光谱成像与一维卷积神经网络(1D-CNN)相结合。研究团队通过标准正态变换(SNV)和Savitzky-Golay导数滤波等光谱增强技术，在15.2-61.0 cm深度范围内实现了0.67的分类准确率和0.85的AUC值，显著优于传统特征选择方法。该成果为精准灌溉提供了新的技术支撑，对农业水资源管理具有重要实践价值。

　　

随着全球人口增长和气候变化加剧，农业水资源管理面临前所未有的挑战。土壤水分作为作物生长的关键因子，其精确监测对粮食安全至关重要。然而传统测量方法存在破坏性大、时效性差等问题，而无人机和卫星遥感又难以获取深层土壤数据。这一矛盾促使Xiaomo Zhang团队探索新型监测技术——将高光谱成像与深度学习结合，通过地面机器人实现多深度土壤水分的实时分类。

研究采用SPECIM FX10高光谱相机(400-1000 nm)采集北达科他州两个农田不同深度(15.2/30.5/45.7/61.0 cm)的土壤样本数据，通过白板校准和感兴趣区域(ROI)选择构建数据集。关键技术包括：1)随机森林(RF)和偏最小二乘回归(PLSR)特征选择；2)SNV和Savitzky-Golay导数滤波光谱增强；3)1D-CNN模型架构优化；4)SMOTE/ADASYN等类别平衡策略。

土壤水分分布特征分析

通过箱线图揭示两个试验点的水分分布规律：Grand Farm表层(15.2 cm)变异最大(0.01-0.38 g/g)，而North Pierce因覆盖作物呈现更均匀的分布。这为后续模型训练提供了数据特性依据。

特征选择与光谱重要性

RF和PLSR共同识别出500-565 nm(绿光)和750-1000 nm(近红外NIR)为关键波段。其中NIR区与水分吸收特征相关，而绿光区反映土壤物理特性(如黏土含量)，这种多波段协同作用突破了单一水分指标的局限性。

光谱增强技术性能

对比实验显示，SNV联合一阶和二阶Savitzky-Golay滤波的组合方案效果最佳，测试准确率达0.6339。特别在中等湿度(0.2-0.3 g/g)分类中表现突出，证明复合预处理能有效保留细微光谱特征。

类别平衡策略优化

在剔除少量样本后，类别加权法使三分类准确率提升至0.6709(AUC=0.8513)，显著优于SMOTE等过采样方法。这表明针对土壤水分天然不平衡特性，调整损失函数权重比单纯增加少数类样本更有效。

该研究开创性地建立了UGV-高光谱-深度学习的技术闭环，其创新点主要体现在三方面：首先，通过多深度采样解决了现有技术难以获取根系层完整水分信息的难题；其次，开发的光谱增强流水线(SNV+Savitzky-Golay)有效提升了特征质量；最后，优化的类别平衡策略为不平衡农业数据集建模提供了新思路。研究成果发表在《Smart Agricultural Technology》，为发展智能灌溉系统提供了重要技术支撑，未来通过整合SWIR波段和气象数据，有望进一步扩大应用规模。

值得注意的是，虽然特征选择提高了模型可解释性，但全光谱模型仍保持轻微性能优势(约3%)，这提示在计算资源允许时，保留完整光谱信息可能捕获更多土壤物理过程的细微特征。该发现对后续农业传感系统的设计具有重要指导价值。