利用高效的通道注意力增强型CNN-LSTM模型结合LUCAS光谱库进行土壤有机碳预测

《European Journal of Soil Science》：Soil Organic Carbon Prediction Using an Efficient Channel Attention-Enhanced CNN-LSTM Model With LUCAS Spectral Library

土壤有机碳（SOC）预测中可见近红外光谱（Vis-NIR）技术因高效、低成本和非破坏性受到重视。本文提出CNN-LSTM-ECA混合深度学习模型，通过结合卷积神经网络、长短期记忆网络和高效通道注意力机制，显著提升SOC预测精度（R2=0.92，RMSE=25.07 g kg?1），较传统模型CNN和CNN-LSTM分别降低7.15%和10.72%的RMSE，并成功泛化至法国数据集（R2=0.93，RMSE=24.83 g kg?1）。

　　

摘要

可见近红外反射光谱（Vis–NIR）因其快速、经济且非破坏性的特点，在土壤有机碳（SOC）预测中得到了广泛应用。许多土壤光谱库已被用于SOC预测。然而，Vis–NIR光谱数据量的不断增加使其复杂性、高维度和非线性问题更加突出，给传统分析模型带来了重大挑战，尤其是在特征提取、预测准确性和泛化能力方面。为了解决这些问题，我们开发了一种新型的混合深度学习模型，该模型将改进的卷积神经网络（CNN）、长短期记忆（LSTM）网络和高效的通道注意力（ECA）机制相结合，称为CNN-LSTM-ECA模型。该模型使用LUCAS光谱库进行了评估，并将其预测性能与CNN模型和CNN-LSTM模型进行了比较。为了进一步评估模型的预测能力，我们从该库中提取了法国特有的光谱数据进行验证。结果表明，CNN-LSTM-ECA模型在SOC含量预测方面的表现显著优于CNN模型和CNN-LSTM模型。具体而言，该模型在验证数据上的预测准确率为0.92，均方根误差（RMSE）为25.07克/千克，相比CNN模型（RMSE=28.08克/千克）和CNN-LSTM模型（RMSE=27.00克/千克）分别提高了10.72%和7.15%。通过对法国数据集的额外测试，进一步证实了该模型的泛化能力，其在法国数据集上的预测性能保持稳定（R2=0.93，RMSE=24.83克/千克）。这些发现表明，该模型在预测准确性和跨不同数据集的泛化能力方面具有显著优势。本研究说明，CNN-LSTM-ECA模型在SOC预测中显著提高了准确性和泛化能力，为光谱数据分析提供了一种有前景的方法。

利益冲突

作者声明没有利益冲突。