基于遥感的土壤强度表征用于车辆机动性评估：一种近实时方法

《Journal of Terramechanics》：Soil strength characterization using remote sensing for vehicle mobility assessment: a near-real-time approach

　　

# 摘要

土壤表面的快速表征对于军事机动规划至关重要，但传统方法需要现场测量，耗时、昂贵，且在未知地形中存在风险。本研究提出了一种近实时土壤强度表征框架，利用遥感输入数据开发三个模型，以像素级精度预测土壤质地、含水量和锥入指数（CI）。该工作流在密歇根州杰罗姆的邦迪山越野公园的两个地点进行了验证，涵盖两个季节（2024年8月和2025年4月），使用无人机和车载平台，空间分辨率为50厘米。与116个现场测量值相比，CI预测的Spearman相关系数r = 0.81，均方根误差（RMSE）= 60.8 psi，在所有综合指标上均优于当前的基线土壤水分强度预测模型II（SMSP II模型）（r = 0.69，RMSE = 78.2 psi）。改进最显著的是在操作关键边缘范围（100–200 psi）内，准确预测在此区间内决定了通行/禁行（GO/NOGO）机动决策。尽管CI地图提供了土壤承载力的可解释性指标，但本框架生成的土壤质地和含水量预测构成了下一代北约参考机动模型（NG-NRMM）进行随机性机动映射所需的地形输入。

## 1. 引言

车辆通行性是指车辆穿越越野地形而不被滞留的能力。它是地形力学的一个基本问题，也是军事行动、应急响应和自主越野导航中的关键限制因素。通行性评估需要对土壤强度有准确的了解，土壤强度决定了车辆能否承受自身重量并在土壤中保持足够的牵引力而不陷车。在实际操作环境中，这些信息用于生成"通行/禁行"（GO/NOGO）地图并执行动态路径规划，以确保任务成功和车辆安全。土壤强度指标如锥入指数（CI）和等级锥入指数（RCI）常用于评估地形通行性。CI是通过锥入度计获得的穿透阻力的标准化度量（Knight, 1961），而RCI是CI的扩展，考虑了土壤重塑和强度退化，旨在评估反复通过的车辆影响。这些土壤强度指标连同其他地形强度指标（土壤质地、土壤含水量、土地利用等）为机动模型提供输入，如北约参考机动模型（NRMM）（Ahlvin和Haley, 1992），该模型利用CI阈值来估算有效速度，以及下一代NRMM（NG-NRMM），该模型利用强度指标推导土壤剪切和变形参数，用于土壤-车辆相互作用的三维随机模拟（Balling等, 2018; Choi等, 2019）。

尽管这些机动模型具有复杂性，其实用性往往受限于输入土壤数据的可获得性和分辨率。在局部尺度上，土壤强度是土壤质地、含水量、植被覆盖和压实度的复杂函数（Judd, 1961）。具体而言，土壤质地定义了基础强度潜力，而土壤含水量是强度变异的主要驱动因素；然而，CI对含水量的敏感性高度依赖于土壤质地（Kumar等, 2012; Mason和Baylot, 2016）。因此，可靠的通行性评估需要同时、高分辨率地表征质地和含水量。

现有的土壤强度估算框架一般分为三类：半经验模型、基于物理的模型和数据驱动的机器学习（ML）方法。土壤水分强度预测模型II（SMSP II）是一种半经验模型，利用统一土壤分类系统（USCS）各类别中体积土壤含水量与CI之间的指数关系，这些关系是根据在美国各地收集的大量（超过1000个）实验室和现场样本校准的（Stevens等, 2017）。然而，SMSP II系数（Mason和Baylot, 2016, 表1）假设每个类别内的土壤条件是均质的，并且主要来源于美国陆军水利工程实验站（WES）时代的实验室数据和受控场地数据集，这可能会限制其在具有变压实度、结构和有机含量的异质现场条件下的性能（Bullock等, 2024）。相反，表层土壤强度（STRESS）模型采用更基于物理的方法，从土壤质地、密度和含水量估算Mohr-Coulomb剪切参数（凝聚力和摩擦角），然后利用承载力或Bevameter基础公式将其转换为CI（Bindner等, 2020; Pauly等, 2019; Perkins等, 1992）。这两种方法面临的主要挑战是，它们需要以适合实时操作使用的空间分辨率和时间延迟的土壤质地和土壤含水量数据。

**表1. 研究中使用的土壤光谱库数据汇总。**

| USCS土壤类别 | 样本数量 | 训练数据 | 测试/验证数据 |
|---|---|---|---|
| CH | 4055 | 3614 | 441 |
| CL | 13,488 | 12,158 | 1,330 |
| ML | 7410 | 6,678 | 732 |
| SC | 1086 | 985 | 101 |
| SM | 10,289 | 9,248 | 1,040 |
| SP | 2565 | 2,309 | 256 |
| **合计** | **38,893** | **34,992** | **3,900** |

CH：肥黏土；CL：贫黏土；ML：粉土；SC：黏性砂；SM：粉砂；SP：级配不良砂

近年来，基于机器学习和深度学习（DL）的方法也被探索用于建模土壤强度及相关变量。这些建模技术已成功应用于利用光谱反射数据预测土壤质地，具体使用卷积神经网络（CNN）和Swin Transformer将高光谱（HS）特征直接映射为粒径分布（Liu等, 2018; Omondiagbe等, 2023）和USCS类别（Kasaragod等, 2024）。同样，土壤含水量也已利用各种遥感数据进行估算，包括通过ML和DL算法融合热红外影像和多光谱反射率以及多传感器卫星影像（Poehls等, 2025; Singh和Gaurav, 2023; Tahmouresi等, 2024）。ML在预测土壤强度参数方面也已被证明有效，例如利用极端梯度提升（XGB）从现场测量估算内摩擦角，以及利用人工神经网络（ANN）预测锥入阻力（Ullah等, 2025）。此外，无人机（UAV）搭载的高光谱传感器与ML和DL算法的集成已实现了土壤强度的高分辨率制图（Ewing等, 2023）。

利用基于遥感数据的主要优势在于可以获得空间连续图像，可用于生成区域地图，而不同于传统的基于点的测量。然而，当前的基于遥感的ML和DL土壤表征建模方法要么依赖于无法捕捉田间变异的低分辨率卫星影像，要么利用较高延迟的变量，限制了越野机动制图所必需的近实时方法。输入需求与这些输入在操作尺度上的可用性之间的不匹配推动了近实时CI估算遥感框架的发展。

本研究开发并评估了用于近实时土壤强度表征的集成模型链。该框架由三个互联阶段组成：(1)土壤质地分类模型，从高光谱影像中预测USCS类别；(2)土壤含水量模型，从热红外影像估算含水量；(3)土壤强度预测模型，整合前两个阶段的输出来推导CI。每个模型均基于大型数据集进行训练，部署于现场使用遥感数据获取的研究区域，并与现场土壤质地、土壤含水量和CI测量值进行验证。该框架旨在利用多平台（无人机搭载和车载）传感器进行快速、近实时的操作，生成空间分辨率约50厘米的土壤强度地图，这对车辆机动应用具有实际意义。

## 2. 研究区域与数据采集

### 2.1 研究区域

本研究的现场数据收集于密歇根州杰罗姆附近的邦迪山越野公园，距底特律约100公里。该场地面积约350英亩，在2012年之前曾是一个活跃的商用骨料采石场，此后被改建为越野娱乐区（Bundy Hill, 2021）。其采矿历史留下了一片裸露且异质的土壤表面和低矮植被覆盖的景观，这有利于高光谱影像的获取以及以最小的树冠干扰记录土壤光谱响应。该场地同时包含细粒和粗粒表面材料，且在短距离内存在显著的局部变异性，使其非常适合土壤表征和更细空间尺度的土壤强度预测。密歇根州南部的表层地质以更新世冰碛沉积物为主，主要是威斯康星期的冰碛物，包括冰碛垄、冲积砂砾和冰水湖相黏土（Farrand和Bell, 1982）。邦迪山土壤条件的显著空间变异性与此前更新世冰碛沉积环境一致，其中细粒冰碛物材料和较粗的冲积砂可以邻近出现。在公园内选择了两个现场地点（地点A和地点B）进行土壤表征和土壤强度预测（图1）。地点A覆盖约150 × 100米，地点B约60 × 50米。

**图1. 研究区域及邦迪山越野场地内用于本研究的采样位置。**

### 2.2 数据采集

#### 2.2.1 土壤含水量和土壤强度数据采集

土壤含水量和土壤强度使用手持仪器在现场测量。体积土壤含水量使用Stevens HydraGo探针（Stevens, 2018）测量，该探针的有效探测深度为75毫米。土壤强度使用配备30°正圆锥体头的Spectrum FieldScout SC900锥入度计测量。锥入度计在锥体匀速压入土壤的过程中，以25毫米（1英寸）深度增量记录CI值。本研究使用土壤剖面上部150毫米（6英寸）范围内的平均CI值进行分析。土壤含水量和CI测量在相同的采样位置进行。总共在两个地点的不同采样日期收集了116组共址的土壤含水量和CI测量数据。2024年8月26日，在地点A收集了23个测量值，在地点B收集了14个。2025年4月15日，在地点A收集了41个测量值，在地点B收集了38个。在整个综合现场数据集中，体积土壤含水量的平均值为22.9%（SD = 9.7%），CI的平均值为220.9 psi（SD = 113.6 psi）。各地点的土壤含水量和CI分布如图2所示。

**图2. 邦迪山越野场地现场数据采集的土壤含水量和CI数据分布箱线图。**

#### 2.2.2 土壤样本采集

从两个地点采集土壤样本以验证预测的USCS土壤类别。总共采集了19个样本（地点A 8个，地点B 11个），每个位置采集约500克土壤。按照ASTM D422标准（ASTM D422, 2007），使用#200筛（0.075毫米孔径）进行机械筛分分析以确定粒径分布。对于小于0.075毫米的颗粒，使用152H比重计分析估算粉土和黏土分数。所得的砂、粉土和黏土百分比首先分类为美国农业部（USDA）质地类别，然后利用Garcia-Gaines和Frankenstein（2015）提出的映射方案转换为USCS类别。这些土壤类别作为现场参考数据用于评估基于高光谱的土壤质地预测。

#### 2.2.3 遥感数据采集

用于预测土壤质地的高光谱影像由安装在无人机上的Headwall Hyperspec共配准HP可见光和近红外（VNIR）-短波红外（SWIR）传感器（Headwall Photonics, 2024）获取。该传感器使用共配准的互补金属氧化物半导体（CMOS）和制冷汞镉碲（MCT）探测器阵列，分别在VNIR波段（137个波段，400–1000 nm，4.42 nm带宽）和SWIR波段（135个波段，900–2500 nm，11.92 nm带宽）同时记录高光谱影像，每个像素共272个波段。高光谱影像仅在2024年8月的实地活动期间采集。2024年和2025年的分析使用相同的USCS分类图，因为在本研究考虑的时期内，土壤质地被视为静态属性。

用于土壤含水量预测的热红外影像由FLIR A50相机（Teledyne FLIR, 2021）获取，该相机工作在长波红外范围（7.5–13 μm），分辨率为464 × 348像素，温度测量精度为±2°C。FLIR A50（图3a）部署于两个平台：2024年8月26日活动使用无人机（图3b），2025年4月15日活动使用Polaris MRZR地面车辆（图3d）。两种采集模式之间的重要区别在于观测几何。无人机以近天底视角获取热红外影像，而车载系统以斜向前视角度采集影像（图3d）。斜向几何导致传感器远距离处的像元失真较大，但在车载地理参考和重采样至统一50厘米像元网格时对这些效应进行了补偿（图3c和e）。

正射校正程序的详细步骤出于简明的考虑未在此处提供，且不属于本论文的研究范围。热红外图像与田间土壤湿度和锥体贯入阻力（CI）测量同步采集，以最大限度地减少遥感热数据与现场土壤状况之间的时间错配。图3展示了(a)用于机载无人机和车载热数据采集的FLIR A50热传感器；(b)2025年4月15日车载热数据采集；(c)车载传感器获取的热红外图像；(d)2024年8月26日无人机热数据采集；以及(e)无人机载传感器在邦迪山越野场获取的热图像。

两个场地的数字高程模型（DEM）均由无人机搭载RGB相机获取的正射校正光学影像生成。由于不同遥感数据集来自多个传感器、平台和不同日期的采集，在用于CI预测工作流之前，所有遥感产品，包括高光谱（HS）分类输出、热红外衍生土壤湿度（SM）和DEM，均被空间重采样至统一的50厘米网格以标准化输入。

**3. 建模方法**

**3.1. 土壤质地模型**

土壤质地可以有效地从400–2500纳米波长范围的反射光谱中推断得出，该光谱域已被广泛应用于土壤质地建模研究（Omondiagbe等人，2023）。本研究中的土壤质地建模方法基于Kasaragod等人（2024）的框架，该研究使用了两个大型土壤光谱库（SSLs），即开放土壤光谱库（OSSL）（Safanelli等人，2021）和凯洛格土壤光谱库（KSSL）（Soil Survey Staff，2022）。这些库包含实验室测量的土壤反射光谱及其相关土壤特性，如黏土、砂粒和粉砂的百分比，且基本不受影响田间光谱的环境噪声干扰。对于每条光谱，报告的黏土、砂粒和粉砂百分比首先被分配为美国农业部（USDA）土壤质地类别，然后根据Garcia-Gaines和Frankenstein（2015）的映射方案转换为相应的美国统一土壤分类系统（USCS）土壤类别。

Kasaragod等人（2024）使用了两个SSL的预处理吸收光谱，包含从500到2450纳米、以2纳米光谱间隔分布的972个通道，并将其重塑为二维（2D）图像格式（6×6×27）作为三种深度学习架构的输入，分别为VGGnet-16、ResNet-16和Swin Transformer。这些模型将土壤分类为六个USCS类别（CH、CL、ML、SC、SM和SP）。其中，Swin Transformer表现最佳，总体准确率为67%，平均准确率为61%，Cohen's kappa（κ）为0.55，表明观测类别与预测类别之间存在中等一致性。然而，本研究使用的无人机高光谱图像的光谱分辨率（VNIR为4.42纳米，SWIR为11.92纳米）比实验室光谱更粗，因此原始方法需要进行修改。为了适应数据配置的变化并采用先进的预处理技术，对Kasaragod等人（2024）的方法学进行了以下修改。

为了使基于SSL的框架与田间传感器兼容，972通道、2纳米带宽的土壤光谱在去除400–500纳米、1330–1450纳米和1760–1975纳米附近的噪声光谱区域后，被重采样至无人机高光谱系统的波长配置。这使得原始272波段图像立方体变为200个光谱波段。每条重采样后的一维光谱随后使用格拉姆角场（GAF）（Wang和Oates，2015）编码为二维空间，GAF已被证明在保留光谱结构的同时能够提高分类准确率，从而实现高级深度学习算法的应用（Jin等人，2023；Paheding等人，2022）。GAF编码对土壤光谱特别有用，因为局部吸收特征和更宽波段之间的相关性对于识别土壤质地都很重要。为了生成GAF表示，每条光谱首先被归一化至0–1范围，然后转换为极坐标（φ_i，r_i），如公式(1)所示。

其中N=200为保留的光谱波段总数，i为波段索引，x?_i为归一化反射值，φ_i∈[0, π/2]表示反射率的角编码，r_i保留波段顺序（波长位置）。在生成的二维矩阵表示中（公式(2)、(3)），此径向/顺序位置直接由矩阵坐标（i，j）表示，而矩阵单元格的值评估角关系。随后生成两个GAF产品：格拉姆角求和场（GASF）和格拉姆角差分场（GADF），其在位置（i，j）处的矩阵单元值分别按公式(2)、(3)计算。

经过GASF和GADF变换后生成的二维矩阵大小为200×200×2。为降低计算成本，该表示使用分段聚合近似（PAA）技术（Keogh等人，2001）压缩为64×64×2。压缩后的GAF图像作为卷积视觉Transformer（CvT）算法的输入用于分类（Wu等人，2021）。CvT架构将卷积运算（有效提取局部光谱模式）与基于Transformer的自注意力机制（捕获跨波段的长程依赖关系）相结合。这种组合非常适合基于高光谱传感的土壤质地表征，因为局部吸收特征和更广泛的光谱相互作用都影响分类。在初步测试中，当应用于重采样至传感器波段配置的光谱时，CvT架构的表现优于Kasaragod等人（2024）中使用的Swin Transformer。预测土壤质地所采用的总体方法如图4所示。

从SSL中提取的六个USCS土壤类别被分为80%用于训练、10%用于测试、10%用于验证。表1总结了土壤质地建模中各类别样本的数量。土壤质地模型（以下简称ST模型）使用重采样后的SSL、GAF编码和CvT算法进行训练。该模型用于从无人机高光谱图像中预测研究区域的USCS土壤类别（图5）。对于田间应用，首先从无人机高光谱图像中去除噪声波段，保留与训练相同的200波段配置。随后每个像元级光谱被转换为二维GAF图像（GASF和GADF），并作为ST模型的输入，生成研究区域的六类别USCS图，其中六个USCS类别对应Garcia-Gaines和Frankenstein（2015）制定的映射方案。

**3.2. 土壤湿度模型**

土壤湿度使用Kasaragod等人（2026）描述的模型进行估算，以下简称SM模型。该模型的主要目标是使用地表温度作为主要遥感输入来预测土壤湿度，因为热红外数据比微波或高光谱数据更容易进行常规获取。此外，热传感器可安装在多个平台上，包括无人机和地面车辆。SM模型使用国际土壤湿度网络（ISMN）（Dorigo等人，2021）的数据进行训练，具体来自美国气候参考网络（USCRN）站点，这些站点在多个深度记录土壤湿度和土壤温度数据。SM模型最初开发用于预测5、10和20厘米深度的土壤湿度。在本研究中，仅使用了5厘米深度的预测结果。选择5厘米深度是因为它最能代表本研究田间测量所表征的近地表条件。

SM模型的核心要求是其输入（除热红外数据外）应为静态或延迟极低的可用数据，以使模型能够支持近实时的土壤湿度预测。因此，该模型使用USCRN站点的地表温度、来自独立坡度参数高程回归模型（PRISM）数据集的气候变量（降水、平均气温、最小和最大蒸气压差）（PRISM Climate Group，2015）以及来自gridMET的额外气象变量（参考蒸散发、地表向下短波辐射）。地形信息，包括高程和DEM衍生量（即地形起伏指数、地形湿润指数、垂直曲率、水平曲率和坡度长度因子），从美国地质调查局三维高程计划（USGS 3DEP）DEM（U.S. Geological Survey，2022）中获取。土壤质地通过来自概率性土壤调查地理数据库重映射（POLARIS）数据集（Chaney等人，2019）的砂/黏土比来表示，空间分辨率为30米。观测月份（以考虑季节变化）和土壤湿度测量深度（5、10和20厘米）也被纳入为预测因子。这些变量作为XGB模型（Chen和Guestrin，2016）的输入用于预测土壤湿度。

为了考虑前期水气候条件，PRISM和gridMET的气候变量在目标日期前T-1至T-21天的时间窗口内进行聚合。降水在这些窗口内累积，其余气候变量取平均值。对于砂/黏土比，使用POLARIS数据集中5、15和30厘米深度的砂层和黏土层均值。关于SM模型开发和评估的更详细描述见Kasaragod等人（2026）。SM模型测试集性能在三个目标深度（5、15和30厘米）上，Pearson r为0.90至0.94（Spearman秩相关r为0.89至0.94），无偏均方根误差为0.038%至0.047%。在研究场地的应用中，训练期间使用的点状地表温度被替换为无人机和车载FLIR A50传感器采集的热红外数据。其余预测因子使用场地特定数据集生成，包括从无人机正射影像生成的DEM及其衍生量、基于PRISM和gridMET的气候变量（及其聚合形式）以及基于POLARIS的砂/黏土比（仅5厘米深度）。这些输入提供给已训练的XGB（SM）模型以产生田间尺度的空间分布土壤湿度数据，流程总结如图6所示。

**3.3. 土壤强度模型**

土壤强度模型（以下简称SS模型）使用机会着陆场（OLS）项目的数据进行开发，该项目是美国空军研究实验室、美国陆军工程研究与开发中心（ERDC）和波音公司（Barna等人，2008）的合作成果。OLS项目旨在利用遥感、地面状态预测工具和现场测量相结合，评估军事航空运输作业的潜在未整备着陆场。现场数据在包括印第安纳州东南部农村和农业景观以及美国西南部干旱环境在内的美国本土连续区域（CONUS）的多个站点采集，涵盖多个季节以捕捉土壤湿度和土壤强度的季节变化。

在每个OLS站点，在挖掘土壤剖面时从地表和不同深度（25–150、300和600毫米）的地下采集土壤样品。土壤质地通过在ERDC寒冷地区研究与工程实验室（CRREL）土壤实验室使用筛分分析和比重计方法确定，遵循ASTM D421（ASTM D421，2007）、D422（ASTM D422，2007）和D2487（ASTM D2487，2017）标准。然后根据USCS分类系统进行土壤分类。阿特伯格极限，包括液限（LL）、塑限（PL）和塑性指数（PI），遵循ASTM D4318（ASTM D4318，2017）确定。质量法土壤含水率（干重基准）通过遵循ASTM D2216（ASTM D2216，2019）的烘干法确定。土壤强度在田间使用多种仪器测量，包括标准美陆军锥体贯入仪（30°锥角），获取0–150毫米和150–300毫米深度区间的CI值。

虽然OLS数据库不公开分发，但可通过向ERDC CRREL申请获取。编译后的OLS数据库包含USCS分类、重力土壤含水率、液限(LL)、塑限(PL)、塑性指数(PI)和稠度指数(CI)的共定位测量记录。本研究从OLS数据库中提取了四个变量，即USCS分类、重力土壤含水率(以质量百分比表示)、LL和PI，用于预测CI。USCS土壤分类被分为与HS分类框架一致的六个类别(CH、CL、ML、SC、SM、SP)，而MH、OH、OL和PT类被省略(表2)。混合或代表不充分的类别，如CL-ML、SC-SM、SM-SC、SW和GP，根据需要进行合并或排除，以保持一致性。经过分组和删除缺失值记录后，最终数据集包含4607个样本。数据按USCS组、含水率分位数和CI分位数进行分层抽样，分为80%训练集(N=3685)和20%测试集(N=922)，以确保所有主要类别和值范围在两个子集中都有代表性。土壤水分和CI数据按USCS土壤分类的分布如图7(a)所示。总体而言，数据显示了CI与土壤水分之间预期的负相关关系。

表2. 用于SS模型开发的OLS数据汇总。

OLS数据库中的USCS土壤分类 | HS图像中的USCS土壤分类 | 数据点数
CH | CH | 1208
CL | CL | 1450
CL-ML | | 226
ML | ML | 1050
SC | SC | 935
SC-SM | | 24
SM-SC | | 2
SM | SM | 598
SP | SP | 235
SW | | 1
GP | | 37
数据点总数 | | 4607

CH：脂肪粘土，CL：低塑性粘土，CL-ML：粉质粘土，ML：粉土，SC：粘土质砂，SC-SM：含粉土的粘土质砂，SM-SC：含粘土的粉质砂，SM：粉质砂，SF：含细粒物的砂，SP：级配不良砂，SW：级配良好砂，GP：级配不良砾石

图7. 从OLS数据库中提取的USCS土壤分类(a) CI和土壤水分(b) LL和PI的数据分布图。??表示每个USCS类别的样本数，★表示单个USCS类别的中位数。

训练了一个XGB模型，从USCS分类、土壤水分、LL和PI预测CI。XGB是一种集成梯度提升决策树算法，决策树被顺序添加以减少残差，同时保持鲁棒性和计算效率。模型通过关键超参数进行微调，如估计器数量(n_estimators)、最大树深度(max_depth)、学习率(learning_rate)和子样本比例(subsample)。经过超参数调优和交叉验证后，本研究使用的最终配置为：学习率=0.13；max_depth=10；subsample=0.95；colsample_bytree=0.85；colsample_bylevel=0.7；min_child_weight=7，gamma=2.56；reg_alpha=8.9；reg_lambda=5.86。使用xgboost包的Python实现来训练SS模型。

OLS数据库报告的土壤水分以重力含水率(质量百分比)表示，而SM模型预测的是体积含水率(体积百分比)。因此，预测的含水率值在用作SS模型输入前被转换为重力含量。转换使用公式4进行：

(4) 以wt%表示的土壤含水率 = (以vol%表示的土壤含水率 × ρw) / (ρb + 以vol%表示的土壤含水率 × ρw) × 100

其中，ρw是水的密度(1 g/cm3)，ρb是干容重。容重值从POLARIS数据库获取。这些容重值用于将土壤水分从vol%转换为wt%，作为SS模型的输入。

由于LL和PI无法直接从遥感数据中测量，USCS分类条件中位数从OLS训练数据集中计算得出，并根据每个像素预测的USCS分类进行分配(表3)。LL和PI数据按USCS土壤分类的分布如图7(b)所示。对于SP类别，LL和PI在物理上是未定义的，因为非塑性粗粒土不表现出阿太伯界限。这些值在训练、测试和田间验证数据中用NaN(缺失值)表示。XGB算法通过在学习过程中为这些情况学习最优分支方向来处理NaN，确保在预测期间对非塑性类别进行一致处理。

表3. 从OLS训练数据计算的USCS条件中位数。

USCS组 | 中位LL | 中位PI
CH | 67.5 | 37
CL | 31 | 11
ML | 36 | 8
SC | 22 | 8
SM | 23 | 5
SP | NA | NA

CH：脂肪粘土，CL：低塑性粘土，ML：粉土，SC：粘土质砂，SM：粉质砂，SP：级配不良砂；LL：液限；PI：塑性指数；NA：不适用

为了评估SS模型，将其预测结果与SMSP II半经验模型(Sullivan et al., 1997)的预测进行比较，以下简称SMSP II模型，该模型估计CI如公式5所示：

(5) CI = exp[a + b × ln(MC)]

其中，a和b是每个USCS土壤分类特定的经验推导系数，MC是重力土壤含水率。本研究使用的SMSP II系数来自Mason & Baylot (2016, 表1)。SMSP II模型预测的CI值上限设为2068 kPa/~300 psi (Stevens et al., 2017)，对应于标准WES锥入土仪的上测量极限。SS模型和SMSP II模型均使用相同的输入进行评估，即来自ST模型的USCS分类和来自SM模型的重力SM，以便预测性能的差异反映模型结构的差异，而不是输入数据的差异。

3.4. 性能评估

ST模型使用总体准确率(OA)、平均准确率(AA)和κ进行评估。OA是所有样本中正确分类的样本比例。AA是各类别召回率的平均值，提供了一种考虑类别不平衡的性能度量，如本数据集中所示。κ衡量的是在考虑随机分类预期一致性的情况下，预测与观察类别之间的一致性，计算如公式6所示：

(6) κ = (OA - pe) / (1 - pe)

其中pe是在给定观察到的类别比例下随机分类的预期一致性。通常，κ < 0.40被解释为一致性差，0.40到0.60之间的值为中等一致性，大于0.60的值为实质性一致性。

SM和SS模型的预测性能使用Spearman等级相关系数(r)、均方根误差(RMSE)和中位绝对误差(MedAE)进行评估。选择Spearman r是因为它测量预测值与观察值之间的单调关联，并且比Pearson相关对异常值、异方差性和非线性不太敏感，这些对于土壤水分和CI预测都很相关。RMSE提供预测误差平均幅度的度量，对较大偏差敏感。MedAE报告中位绝对误差，比RMSE对异常值更稳健。这些指标共同提供了模型整体预测性能和误差幅度敏感性的平衡视角。为了量化性能指标在整个范围和分层土壤强度区间的不确定性，使用2000次重采样的非参数自助法估计了95%置信区间。在各自区间内对配对的观察-预测对进行有放回抽样，并使用百分位法(2.5%和97.5%)提取经验置信界。

4. 结果

4.1. ST模型性能

ST使用从原始972通道配置(508-2450 nm，间隔为2 nm)重采样到200带配置训练的SSL，以匹配基于无人机的高光谱传感器。训练集和测试集上的模型性能总结见表4。测试集由3900个样本组成，分布在六个USCS类别中，其中CL(n=1330)和SM(n=1040)是最频繁的类别，SC(n=101)代表最少。模型达到了61.31%的OA、52.10%的AA和0.47的κ(表4)，表明预测与观察类别之间存在中等一致性。各类别性能在不同土壤类型间显示显著变化。CL表现出最高的召回率(0.71)，其次是SM(0.66)和SP(0.62)。CH的召回率相对较低(0.34)，其中61%的CH样本被错误分类为CL。ML达到了0.58的召回率，其中显著比例(30%)也被错误分类为CL。SC类别表现最差，召回率最低(0.21)，与CL(0.43)、SM(0.30)以及与CH(0.06)存在频繁的混淆(图8(a))。混淆矩阵清楚地表明，误分类主要集中在土壤质地相邻类别之间，特别是在分隔细粒土的边界处。

表4. ST模型USCS六类预测的性能。

| | N | OA (%) | AA (%) | κ |
|---|---|---|---|---|
| 训练集 | 34,992 | 64.79 | 55.23 | 0.52 |
| 测试集 | 3900 | 61.31 | 52.10 | 0.47 |

OA：总体准确率；AA：平均准确率；κ：Cohen's kappa。

图8. ST模型结果解释(a)解释测试集召回率的混淆矩阵，(b)各类别精确度、召回率和F1，(c)误分类分布，其中点的颜色表示其密度。

精确度值表明CH类别的预测虽然不频繁，但通常是可靠的(0.85)。SM类别显示平衡的精确度(0.66)、召回率(0.66)和F1分数(0.66)，而SP具有最高的F1分数(0.67)和精确度(0.73)。各类别性能(图8(b))反映了类别不平衡和USCS类别边界附近土壤的光谱相似性。三元图(图8(c))中误分类样本的分析证实了分类错误集中在类别边界附近，那里土壤成分重叠。特别是，由于CH-CL边界具有相似的砂和粉砂含量，尽管在粘土含量方面存在差异(粘土含量高于或低于40%)，使其难以区分。同样，SC类别由于样本量少且与CL和SM的成分重叠，粘土分数为20-55%，砂分数为45-80%，与粗-细边界重叠。这些结果与已知的过渡成分土壤的光谱相似性一致(Kasaragod et al., 2024)。

训练好的ST模型被逐像素应用于Site A(图9(a))和Site B(图9(b))的基于无人机的高光谱图像，以预测USCS土壤分类。结果图显示了与场地特征一致的明显空间模式。Site A主要由细粒土主导，主要是CL和ML，有SM、CH和SC类别的斑块，而Site B主要由粗粒土主导，主要是SM和SP，有散落的CL和ML斑块。这些空间模式与Site A粘土丰富表面和Site B裸露砂质和砾石质材料的田间观察一致，反映了异质的采矿后景观。

图9. Bundy Hill越野公园(Jerome, Michigan) (a) Site A和(b) Site B的预测USCS土壤质地分类图。CH(脂肪粘土)、CL(低塑性粘土)、ML(粉土)、SC(粘土质砂)、SM(粉质砂)和SP(级配不良砂)。

预测的USCS土壤分类在收集土壤样本的确切位置提取(图1)。使用两个场地收集的19个土壤样本(8个来自Site A，11个来自Site B)进行田间验证，得出42%的OA(即19个样本中的8个)。观察到的和预测的USCS分类之间的召回率如图10所示。田间收集的土壤样本以粗粒类别(SM和SP)为主，细粒土代表有限，没有CH或ML类别的样本。CL样本被正确分类，而SC样本被错误分类为CL。对于SM类别，预测在SM、CL和SP中分散(各两个)，而SP样本显示中等一致性(11个中有5个被分类为SP，其余为SM或CL)。虽然OA较低(42%)，但考虑到小型且不平衡的验证数据集以及从USDA质地到USCS分类的间接映射(Garcia-Gaines and Frankenstein, 2015)，结果仍然可解释。

图10. 预测与观察USCS土壤分类之间的混淆矩阵。样本数显示在括号中。

4.2. SM模型性能

SM模型应用于2024年8月无人机获取和2025年4月车载平台获取的热成像，用于两个场地。2024年8月的地图(图11(a)和(c))表明相对干燥的条件，两个场地大多数区域的土壤含水率一般低于20%。Site A范围从约3.8%到32.9%，而Site B显示较窄的范围，约6.2%到29.4%。相比之下，2025年4月的地图(图11(b)和(d))显示较湿润的条件，Site A的值从约11.7%到41.2%，Site B从9.8%到41.8%。这些时间差异与季节性变化一致，特别是春季条件含水率增加。

图11.

图11 SM模型预测结果，使用（a）UAV平台上搭载的A场地热成像；（b）车辆平台上搭载的A场地热成像；（c）UAV平台上搭载的B场地热成像；（d）车辆平台上搭载的B场地热成像。土壤含水量的空间分布模式具有连贯性，与地形特征相对应。低洼地带和凹陷区域始终表现出比高地或暴露面更湿润的特征。平滑的空间梯度表明，模型对地表温度和地形变化的响应是有效的，而非受噪声影响。基于车辆的地图（2025年4月；图11(b)和(d)）与基于UAV的地图（2024年8月；图11(a)和(c)）之间的空间纹理存在细微差异，这很可能反映了杆装传感器的斜视几何与UAV nadir（垂直向下）采集方式之间的差异，尽管两者的产品均被重采样至50 cm分辨率。SM模型预测值与116个现场测量值（图1）进行了对比，涵盖两个场地和多个日期（图12）。SM模型实现了0.76的Spearman相关系数（皮尔逊相关系数为0.75），均方根误差（RMSE）为6.01%，中位绝对误差（MedAE）为3.45%。两个场地贡献的样本覆盖了较宽的土壤含水量范围（约5%至45%），且不存在系统性的场地级别偏差。模型在中等土壤含水量范围（15%–30%）表现最佳，RMSE为4.6%，预测值与观测值高度吻合。在低含水量水平（<10%）时，模型倾向于高估，RMSE为6.5%；而在较高含水量水平（>30%）时，模型呈现出低估的倾向，RMSE为7.25%。尽管存在这些偏差，模型仍能捕捉土壤含水量在不同场地和季节间的总体变异性，而未表现出明显的场地特异性偏差。下载：下载高分辨率图像（195KB）下载：下载全尺寸图像图12. 116个现场验证点的预测体积土壤含水量与实测值（%）对比，涵盖A场地（n = 64）和B场地（n = 52），结合了2024年8月26日（n = 37）和2025年4月15日（n = 79）的测量数据。现场测量使用Stevens HydraGo手持式水分探针完成。虚线表示1:1一致线；实红线为最小二乘拟合线。N = 样本数量；r = Spearman r；RMSE = 均方根误差；MedAE = 中位绝对误差。（对于图例中颜色引用的解释，请参阅本文的网页版本。）4.3. SS模型性能使用OLS数据库训练的SS模型在测试集上实现了0.84的Spearman相关系数、66.61 psi的RMSE和24.93 psi的MedAE（图13）。模型性能在不同运营通行性类别中有所变化，包括松软/不可通行（<100 psi）、边缘状态（100–200 psi）、可通行（200–300 psi）和坚实（>300 psi）（表5）。在松软/不可通行范围内，模型实现了r = 0.67，RMSE = 40.8 psi，MedAE = 15.2 psi。在边缘状态下，性能有所下降（r = 0.44；MedAE = 23.4 psi），但RMSE保持相似（40.9 psi）。在可通行范围内，相关性进一步下降（r = 0.32）；而在坚实范围内，模型表现出最高的r值（0.71），但误差较大（RMSE = 152.0 psi，MedAE = 82.6 psi），反映出对高CI值的低估。这一趋势在图13中显而易见，当观测CI超过约300 psi时，拟合线与1:1线产生偏离。下载：下载高分分辨率图像（324KB）下载：下载全尺寸图像图13. SS模型在测试集上的性能（N = 922，20%划分）。点按运营通行性类别着色：松软/不可通行（<100 psi），边缘状态（100–200 psi），可通行（200–300 psi），以及坚实（>300 psi）。虚线表示1:1一致线；实红线为拟合线。N = 样本量；r = Spearman r；RMSE: 均方根误差；MedAE = 中位绝对误差。（对于图例中颜色引用的解释，请参阅本文的网页版本。）表5. SS模型在测试集上的分箱性能。| 类别 | 范围(psi) | N | r | RMSE(psi) | MedAE(psi) || 松软/不可通行 | 0–100 | 268 | 0.67 | 40.8 | 15.2 || 边缘状态 | 100–200 | 381 | 0.44 | 40.9 | 23.4 || 可通行 | 200–300 | 170 | 0.32 | 60.6 | 32.8 || 坚实 | >300 | 103 | 0.71 | 152.0 | 82.6 |N: 样本数量; r: Spearman r; RMSE: 均方根误差; MedAE: 中位绝对误差。随后，SS模型被应用于现场输入数据，即：使用ST模型基于HS图像生成的USCS土壤类别、使用SM模型生成的土壤含水量（利用POLARIS数据集的容重将其转换为重量含水量），以及按类别分配的中位LL和PI值。两个场地的CI地图（图14）显示出清晰的季节趋势。2024年8月的地图（图14(a)和(c)）以坚实和可通行状态为主，这是由于相对干燥的夏季条件所致；而2025年4月的地图（图14(b)和(d)）则呈现出向边缘和松软状态的转变，与观测到的土壤含水量增加一致。模型预测值与116个现场CI测量值（0至6英寸平均值）进行了对比（图15(a)）。SS模型实现了r = 0.81，RMSE = 60.83 psi，MedAE = 24.52 psi。性能在不同通行性分箱中有所差异，在边缘状态范围表现最佳（r = 0.74 [95%置信区间: 0.47, 0.96]，RMSE = 27 psi [95%置信区间: 17.18 psi, 39.8 psi]，MedAE = 9.38 psi [95%置信区间: 2.25 psi, 16.96 psi]）（表6）。模型在较低和较高CI范围内的性能均有所下降，其中坚实类别的相关性最低（r = 0.12 [95%置信区间: ?0.4, 0.54]，RMSE = 90.97 psi [95%置信区间: 54.23 psi, 101.8 psi]，MedAE = 48.71 psi [95%置信区间: 21.89 psi, 71.3 psi]）。下载：下载高分辨率图像（418KB）下载：下载全尺寸图像图14. SS模型预测结果，使用（a）UAV平台上搭载的A场地热成像及基于HS数据预测的USCS地图；（b）车辆平台上搭载的A场地热成像及基于HS数据预测的USCS地图；（c）UAV平台上搭载的B场地热成像及基于HS数据预测的USCS地图；（d）车辆平台上搭载的B场地热成像及基于HS数据预测的USCS地图。CI值分为四个运营通行性类别：<100 psi（松软/不可通行，红色），100–200 psi（边缘状态，橙色），200–300 psi（可通行，浅绿色），以及>300 psi（坚实，深绿色）。（对于图例中颜色引用的解释，请参阅本文的网页版本。）下载：下载高分辨率图像（294KB）下载：下载全尺寸图像图15. 观测CI与预测CI之间的散点图，分别来自（a）SS模型和（b）SMSP II模型，使用来自HS图像和ST模型的USCS土壤类别、来自热成像和SM模型的重量含水量，以及基于USCS条件分配的中位LL和PI值。表6. SS模型与Sullivan模型的分箱统计对比（括号中的值表示95%非参数自助法置信区间）。| 类别 | CI(psi) | N | SS模型 r | SS模型 RMSE(psi) | SS模型 MedAE(psi) | Sullivan模型 r | Sullivan模型 RMSE(psi) | Sullivan模型 MedAE(psi) || 松软/不可通行 | 0–100 | 23 | 0.24 [?0.19, 0.72] | 56.95 [42.71, 77.95] | 18.85 [9.52, 30.44] | 0.02 [?0.5, 0.48] | 132.4 [113.74, 150.9] | 123.83 [91.6, 145] || 边缘状态 | 100–200 | 31 | 0.74 [0.47, 0.96] | 27 [17.18, 39.8] | 9.38 [2.25, 16.96] | 0.52 [0.1, 0.8] | 81.6 [57.9, 102.7] | 30.98 [22.94, 50.17] || 可通行 | 200–300 | 38 | 0.4 [0.1, 0.65] | 59.27 [43.08, 70.92] | 41.56 [18.2, 51.06] | 0.64 [0.36, 0.83] | 26.65 [19.8, 33.34] | 9.63 [5.24, 26.2] || 坚实 | >300 | 24 | 0.12 [?0.4, 0.54] | 90.97 [54.23, 101.8] | 48.71 [21.89, 71.3] | ?0.19 [?0.54, 0.21] | 54.91 [40.73, 69.51] | 40.49 [20.89, 53] |N: 样本数量; r: Spearman r; RMSE: 均方根误差; MedAE: 中位绝对误差。将SS模型在野外数据上的预测结果与SMSP II模型进行比较（使用相同的USCS和重量含水量输入）（图15(b)），结果显示SS模型整体表现更优，实现了更高的相关性（0.81对0.69）和更低的RMSE（60.8对78.18 psi）及MedAE（24.5对37.56 psi）。在松软和边缘状态范围内的改进最为显著（表6）。在松软范围内，SMSP II模型表现较差（r = 0.02），且强烈高估CI值。相比之下，SS模型提供了更为合理的估计值。然而，在可通行范围（200–300 psi）内，Sullivan模型表现出更低的误差，表明其经验关系对于中等强度的土壤仍然有效。两个模型在坚实范围内均表现出局限性，预测精度有所下降。尽管分箱级别的指标突出了在特定强度阈值下的性能，但这些分层子集反映了较小的样本量（四个分箱中n从23到38不等），置信区间较宽（表6）。因此，局部性能指标，特别是在极端范围内（松软/不可通行和坚实分箱），应当谨慎解读。5. 讨论所提出的三模型管线证明了利用UAV搭载的高光谱（HS）和热成像进行近实时土壤强度表征的可行性。通过串联土壤质地分类、体积含水量反演和CI预测，该框架有效地捕捉了不同季节条件下地形通行性的时空变化。尽管单个模型的准确性反映了光谱分辨率与运行速度之间的权衡，但该管线保留了粗粒土（SC、SM、SP）和细粒土（ML、CL、CH）之间的关键区分，后者是土壤强度的主要驱动因素。ST模型的性能反映了分类准确性与运行可行性之间的有意权衡。总体准确率（OA）从67%（Kasaragod等，2024）（使用Swin Transformer在972通道实验室光谱上实现）降至本研究的61%，主要归因于重采样至UAV传感器较粗带宽过程中的光谱分辨率损失（VNIR波段：4.42 nm，SWIR波段：11.92 nm，与原研究的2 nm带宽相比），以及训练数据中固有的类别不平衡。此外，GAF表示的降维（从200×200×2降至64×64×2）是为了确保近实时应用所需的处理速度而实施的。虽然这些步骤引入了轻微的频谱细节损失，但它们使模型可以直接应用于原始UAV HS影像，而无需在现场验证期间进行计算密集型的光谱变换或域自适应。从越野机动性角度来看，ST模型的实际效用更多地取决于对粗粒土（SC、SM、SP）和细粒土（CL、ML、CH）之间的准确区分，而非在所有六个USCS类别上的高召回率。这一区分至关重要，因为粗粒土的强度主要来自内摩擦，而细粒土则以黏聚力为主，并对含水量更为敏感（Mason和Baylot，2016）。ST模型保留了这一关键边界；误分类主要发生在细粒组内部（例如将CH误分为CL），而非跨越粗-细分界线（图8(c)）。由于SM和SP很少被误分类为细粒土，反之亦然，该模型捕捉到了支持可靠CI预测所需的主要物理变异性。使用UAV采集影像对ST模型进行现场验证（图10）突显了与样本分布和USCS类别推导相关的重大不确定性来源。验证数据集（n = 19）不足以稳健地估计每个类别的准确性，尤其是对于CL和SC（各n = 1）。此外，数据集严重偏向粗粒类别，SM和SP占19个样本中的17个。使用概率映射方案（Garcia-Gaines和Frankenstein，2015）从USDA类别推导USCS类别的做法进一步加剧了不确定性，因为对于接近类别边界的土壤会引入误差，由于未明确测量塑性指数。尽管现场OA为42%，但所得分类图仍保持空间连贯性，并维持了粗-细分界。这表明虽然需要一个更大、更均衡的数据集来进行严格的统计准确性评估，但该模型提供了足够的类别分组功能，可以作为后续含水量和强度模型的稳定输入。使用SM模型和现场采集的热成像生成的土壤含水量图（图11）证明，结合热图像与其他相关的静态或低延迟输入，可实现土壤含水量的近实时制图。2024年8月（干燥条件）与2025年4月（湿润条件）之间清晰的季节对比表明，模型捕捉了时间含水量动态，这种动态受降水和蒸散作用驱动。使用PRISM先验气候变量（21天累计）使模型能够捕捉土壤含水量的记忆效应，这对于机动性应用至关重要。基于UAV的（垂直俯视）和基于车辆的（斜视）热数据中土壤含水量的空间模式保持一致，表明模型对传感器几何变化的鲁棒性，并支持了SM模型在不同热数据源之间的可迁移性。尽管SM模型最初是在ISMN站点的点尺度地表温度测量上训练的，但当应用于像素尺度热成像时，仍能产生合理的空间预测。SM模型预测值的RMSE为6.01%（图12），处于现场尺度遥感土壤含水量估计通常报告的范围之内（Gao等，2017；Poehls等，2025）。SM模型在含水量范围的两端表现出系统性偏差，在干燥条件（<10%）下高估，在湿润条件（>30%）下低估。虽然这些偏差影响了准确性，但它们对机动性评估的影响是不对称的。在干燥条件下高估土壤含水量会导致CI的保守估计，即低于实际土壤强度，这在操作上更为安全。

相比之下，在潮湿条件下预测偏低可能导致土壤强度的高估，其风险更大。然而，这种偏差的幅度适中（SM模型对最湿润土壤的预测值仍高于25%），且其对CI预测的影响取决于土壤类型，因为细粒土壤对CI-湿度梯度的敏感性比粗粒土壤更强（Mason和Baylot，2016；Stevens等，2017）。SS模型在综合指标上始终优于SMSP II模型（图15）。在现场验证中，SS模型将RMSE降低了17.4 psi（60.8对78.2），将r从0.69提高到0.81，并将MedAE降低了13.1 psi（24.5对37.6）。SS模型的回归斜率（0.63）显著更接近1:1线，而SMSP II模型的斜率为0.41，表明预测向均值系统性压缩的程度有所减轻。然而，这些改进的实用价值最好通过分箱级别分析（表6）来理解，该分析揭示了机器学习方法在车辆机动性边界处提供了关键优势。

最显著的改进出现在边缘范围（100–200 psi），其中SS模型的误差显著更低（r=0.74，RMSE=27.0 psi），而SMSP II模型的误差较高（r=0.52，RMSE=81.6 psi）。在越野机动性中，该范围代表主要的通行/不通行决策边界。此处的误分类将产生直接的操作后果："误判通行"错误（将边缘地面预测为可通行）存在车辆被困的风险，而"误判不通行"错误（将可通行地面预测为边缘地面）则导致不必要的路线规避和任务时间增加。SS模型在此分箱中的优越判别力表明其在战术路线规划方面具有更高的可靠性。

在软/不可通行范围（<100 psi），SMSP II模型无法捕捉土壤变异性，表现出近乎零的相关性（r=0.02）和较大的正偏差（MedAE=123.8 psi）。这主要是由于其模型截距较高（152.9 psi），迫使几乎所有预测值高于软土阈值。这一局限性与SMSP II模型在受控实验室条件下的校准有关，这些条件往往无法代表Bundy Hill等野外环境中存在的复杂异质性（Bullock等，2024；Sullivan等，1997）。相比之下，SS模型更有效地捕捉了变异性（RMSE=57.0 psi），为不可通行地形的评估提供了更真实的结果。

相反，SMSP II模型在可通行范围（200–300 psi）表现更好，这可能是因为其经验系数对粗粒土壤的摩擦主导行为进行了良好校准。在坚硬范围（>300 psi），两个模型均表现不佳。SMSP II模型在此分箱中较低的RMSE是其内置预测上限（~300 psi）的人为结果，该上限恰好与分箱边界一致。SS模型倾向于低估高CI值，这是基于树的回归器在训练分布偏向中心值时的已知局限性。此外，应注意分箱级别结果受到各分箱内有限样本量的制约（例如，软/不可通行分箱中n=23，坚硬分箱中n=24）。尽管推导出的置信区间确认了模型在边缘和软/不可通行分箱之间存在明显差异，但操作可靠性声明，特别是关于通行/不通行阈值判定的方面，应考虑到在代表性不足的强度等级中更广泛的估计不确定性。

尽管存在上述局限性，该集成工作流生成的CI图在空间和时间上具有一致性。该框架成功捕捉了从2024年8月以可通行条件为主到2025年4月边缘/软土条件的季节性转变（图14）。此外，在不同获取平台（无人机和车载）下对低洼沉积区域中较软土壤的一致性预测表明，该框架对控制场地尺度空间变异的水文梯度作出了适当响应。

本研究结果与Bullock等（2024）的发现一致，后者利用基于物理的STRESS模型预测粗粒土壤的RCI。两项研究均识别出经验SMSP II基线的关键缺陷，特别是其无法捕捉场地尺度土壤强度的高空间异质性。Bullock等（2024）报告STRESS模型将平均相对误差从47.4%（SMSP II）降低至37.5%，这一改善趋势在本研究中得到反映，其中基于机器学习的工作流在操作关键边缘范围（100–200 psi）中显著优于SMSP II模型。Bullock等（2024）依赖于基于地形、植被和土壤的平衡湿度模型（EMT+VS）（Coleman和Niemann，2013）进行土壤湿度预测，并使用实验室测量的土壤组成进行预测，而本框架在以非接触式无人机影像转换感知模态的同时，实现了超越经验基线的类似目标。这代表了操作尺度的重大转变：Bullock等（2024）使用点尺度测量验证了10 m网格，而本研究所提出的工作流则以约50 cm分辨率生成空间连续地图。

该框架有潜力成为NG-NRMM的关键前端。虽然NG-NRMM的主要直接输入是土壤质地和体积含水量（这些也可通过本框架预测），但此处生成的CI预测作为重要的独立验证指标，可确保这些输入的准确性。此外，随着NG-NRMM向基于物理的地形力学转变，通过已建立的经验关系从CI推导凝聚力和内摩擦角等参数的能力（Mason等，2020；Perkins等，1992）使该框架能够支持高分辨率随机机动性建模。通过用连续的、传感器驱动的表征取代稀疏的点状实地调查，该框架有潜力使NG-NRMM在大规模未测绘区域进行战术尺度运行。

除上述个别模型局限性外，这些模型的误差传播也会影响最终的CI预测。工作流中未解决不确定性的主要来源是对CI预测中静态输入数据的依赖。从体积含水量到重量含水量的转换依赖于POLARIS数据集的容重值，这些是深度平均产品，无法捕捉细尺度空间异质性或车辆压实和季节性粘土膨胀引起的时间变化。此外，USCS分类中位数的使用忽略了由粘土矿物学驱动的分类内显著变异性。这些误差通过工作流传播；ST模型中的误分类不仅分配了错误的USCS类别，还触发了不正确的中位液限/塑限分配，从而加剧了最终CI估计的总误差。

构成该框架的三个模型是使用大陆尺度数据集而非特定场地数据训练的。ST模型使用来自OSSL和KSSL数据库的约39,000个实验室光谱开发，涵盖CONUS和其他世界地区的多种土壤环境。SM模型使用跨越美国多个气候和地貌区域的ISMN站点数据训练。SS模型使用在湿润农业区（印第安纳州东南部）和干旱区（美国西南部）收集的OLS现场数据开发。因此，没有模型专门为Bundy Hill校准，所有模型参数均未经重新训练或微调即直接应用。该模型链在Bundy Hill的成功应用表明，该框架可以转移到训练数据所代表的环境条件范围内的地点（主要为无冰、冰川作用、农业和干旱的CONUS景观）。

应承认三个可转移性限制。首先，该框架表现出传感器依赖性。ST模型使用重采样以匹配Headwall VNIR-SWIR传感器光谱配置的光谱进行训练（去除噪声波段后有200个波段）。直接转移到具有不同光谱特性的传感器需要光谱重采样或使用重采样至目标传感器的光谱重新训练。这一局限性源于传感器配置差异，而非底层建模方法。先前的研究已表明，通过光谱协调、领域自适应和迁移学习策略可以实现跨传感器转移（Liu等，2018；Padarian等，2019）。其次，该框架表现出对静态环境数据集的依赖。SM和SS模型依赖于多个CONUS特定辅助产品（例如PRISM、gridMET、POLARIS、USGS 3DEP DEM）。将该框架扩展到美国以外地区需要替换为可比的全球产品（例如用于质地和容重的SoilGrids、ERA5/Landsat衍生的地表温度以及Copernicus DEM）。虽然这些替换是可行的，但在这些数据产品分辨率较粗、校准不佳或存在显著不确定性时，预测精度可能会降低。第三，领域偏移效应可能会降低模型在训练数据库中表示不足的环境中的性能（例如火山灰土壤、高度风化的热带红壤、石膏质或钙板富集表面）。在这些情况下，土壤质地分类中的误差可能会传播至USCS分类准确性以及随后的液限、塑限和最终CI估计中。该框架的一个优点是其模块化架构，使模型链中的各个组件可以独立地重新训练、替换或更新，无需重新设计工作流。然而，在训练数据所代表的训练包络线以外的区域，模型输出应以降低的置信度进行解释，并建议在进行操作使用前，尽可能通过少量现场测量进行验证。

另一个需要考虑的问题是，基于高光谱的土壤质地预测严格来说是土壤表层表征方法，这对该方法施加了物理约束。反射VNIR辐射的有效深度通常为亚毫米量级，意味着ST模型仅表征暴露的土壤表面。相比之下，基于CI的机动性评估反映的是土壤剖面上部150 mm的土壤强度。这种尺度不匹配有三点实际影响。

首先，当薄层表面覆盖物（如干缩壳、有机质丰富层或凋落物层）覆盖在性质不同的矿物基质之上时，预测的USCS类别仅代表暴露的表面材料，而非承载土壤。这种情况可能导致错误的土壤分类，这是场地土壤光谱学的已知局限性，因为光谱特征受有机质、水分、粗糙度和涂层效应的影响。其次，植被覆盖引入冠层干扰和光谱混合，遮挡了VNIR-SWIR光谱中的诊断矿物吸收特征（1450、1950和2200–2350 nm）。在草地、农田和其他植被覆盖环境中，像素级光谱包含植被和土壤混合体的信息，而ST模型是使用暴露土壤的实验室光谱训练的。随着植被覆盖增加和光谱偏离训练域，这可能会影响预测精度。第三，许多自然地貌表现出强烈的垂直分层（例如，砂质表层覆盖在富含粘土的冰水沉积物或有机土壤之上）。在这种情况下，仅表征表面无法检测导致穿透破坏的弱底层。

这些约束定义了该框架的适用范围，而非否定其效用。确实，具有暴露矿物表面的环境——如复垦矿山土地、近期扰动或平整过的表面、耕作或收获后不久的农田、冰川冲积地貌以及干旱和半干旱地区——正是侦察级别、基于遥感评估的机动性评估最具价值的场景，因为在战术分辨率下无法获得详细的机动性地图。Bundy Hill越野场地是有意选择的有利测试场，以评估在表面光谱信息预期最能代表承载材料的条件下可达到的性能。此类最优条件下的现场结果提供了有用的基准，供未来研究评估在更复杂环境条件下（即植被覆盖、有机表层和不均匀表面条件）的性能。

中间缓解策略可以提高适用性，而不必放弃该感知模态。这些策略包括：应用植被掩膜将预测限制在土壤主导的像素上，使用光谱距离度量识别超出检测范围的表面，将高光谱质地估计与浅层地球物理观测或扰动前后（降雨、平整）收集的多时相观测进行融合以揭示地下对比。未来模型开发也可在训练中纳入合成的和实测的土壤-植被混合体，以提高在部分植被覆盖条件下的鲁棒性。在实施此类改进之前，在密集植被覆盖或有机表层覆盖地形中生成的预测应被视为需要地面验证的筛选层，然后才能用于操作机动性评估。

6. 结论

传统的土壤强度表征依赖于稀疏的现场测量，无法捕捉精确车辆路线规划所需的细尺度空间异质性。为此，本研究开发了一条基于遥感的三模型机器学习工作流，将土壤质地分类（CvT）、湿度检索（XGB）和CI预测（XGB）串联起来，生成空间连续的土壤强度地图。

该框架已在邦迪山越野公园进行了两个赛季的验证，生成了分辨率为50厘米的锥入度（CI）地图，其表现始终优于SMSP II基准模型。最关键的是，该模型显著降低了边缘范围（100–200 psi）内的误差，而该范围是GO/NOGO机动性评估的主要决策边界。

本研究的主要贡献体现在三个方面。第一，它展示了从传统基于点的实地调查向遥感空间连续土体强度制图的转变。第二，该集成机器学习框架成功保留了粗糙土与细粒土之间的区分，这对于强度预测至关重要，这一点已在SSL派生的测试集中得到验证。然而，由于研究区域内细粒土样本数量有限，对该能力的野外验证主要局限于粗糙土。第三，该框架在无人机和车载传感器平台上均表现出良好的稳健性，支持其在多种部署配置和作业规模下的适用性。通过最小化模型链中误差的累积，该框架提供了一种在近实时条件下表征地形可通行性的可靠手段，无需同时进行现场测量。

该框架的作战影响在于其与NG-NRMM的直接集成潜力。通过提供空间连续的USCS和含水率地图，该流程可作为NG-NRMM的高分辨率前端，从而实现从确定性到随机性机动建模的转变。这种方法有望支持概率性GO/NOGO分析和随机路径优化，为复杂作战环境中的快速、传感器驱动的机动规划提供可扩展路径。尽管ST、SM和SS模型均展现出稳健性能，但仍需进一步测试和模型优化以使这些发现更具普适性。

作者贡献声明
Anush Kumar Kasaragod：原创初稿撰写、可视化、方法论、形式化分析、数据整理、概念构思。Jobin Thomas：审阅与编辑、验证、方法论、数据整理、概念构思。Thomas Oommen：审阅与编辑、验证、监督、项目管理、资金获取、概念构思。Richard Dobson：审阅与编辑、验证、软件、数据整理。Tulga Ersal：审阅与编辑、验证、数据整理。Jordan Ewing：审阅与编辑、验证。Michael Cole：审阅与编辑、项目管理。Paramsothy Jayakumar：审阅与编辑、项目管理、资金获取。Ryan Williams：审阅与编辑。

Anush Kumar Kasaragod｜Jobin Thomas｜Thomas Oommen｜Richard Dobson｜Tulga Ersal｜Jordan Ewing｜Michael Cole｜Paramsothy Jayakumar｜Ryan Williams