《International Journal of Applied Earth Observation and Geoinformation》:Multi-level wavelet deep learning for soil property prediction based on multi-platform, multi-modal remote sensing data
编辑推荐:
在精准农业中,准确预测田块尺度的土壤属性对维持土壤功能和发展特定地点施肥策略至关重要。无人机高分辨率空间信息与中分辨率卫星观测在空间支持、特征表达和信息密度上存在差异,传统多源土壤制图方法难以协同捕捉田内异质性并保持区域可移植性。针对此,本研究提出了一种将多级小波卷积神经网络与Lasso引导的通道重加权机制相结合的集成框架MW-CNN-L。该框架可有效学习和融合无人机与卫星影像信息,在多模态输入下突出对土壤属性预测至关重要的光谱、纹理和结构特征。研究结果表明,融合无人机的策略相比纯卫星策略,在MW-CNN-L模型下R2平均提升0.05,RPIQ提升0.26,RMSE降低0.98 g kg?1,验证了融合无人机空间信息对农场尺度预测的必要性。模型在区域尺度验证中达到了R2为0.73,RMSE为6.71 g kg?1的表现,显示出合理的跨域可移植性。该研究为通过整合多平台、多模态信息进行土壤制图提供了一个结构化框架,并为跨尺度制图提供了新思路。
“黑土地是耕地中的大熊猫”,我国东北黑土区是重要的粮食生产基地,贡献了全国超过25%的粮食产量。农业生产力的高低,很大程度上取决于土壤质量与健康。土壤中的碱解氮和有机质等基本理化属性,直接影响着养分的有效性、土壤结构和水分保持能力。为了“把黑土地用好、养好”,实现精准的田间管理,我们需要精确、高效地掌握土壤属性的空间分布。传统的土壤采样化验方法虽然准确,但耗时费力、成本高昂,且难以实现大范围的连续监测。
近年来,遥感技术,特别是结合了无人机、卫星和合成孔径雷达的多平台、多模态遥感,展现出巨大潜力。无人机能提供厘米级的高空间分辨率影像,精细捕捉田块内部的土壤变异;哨兵系列卫星则能提供覆盖范围广、重返周期短的多光谱信息;合成孔径雷达对地表粗糙度和地形特征敏感。理想情况下,若能将这些多源信息有效融合,就能兼顾细节与范围,实现从田块到农场甚至区域尺度的高精度土壤属性制图。然而,现实很“骨感”。高分辨率的无人机数据与中分辨率的卫星观测,在空间尺度、特征表达和信息密度上存在根本差异,就像用显微镜和望远镜看同一片风景,难以“对齐”。此外,来自不同传感器的多模态输入往往包含异构甚至冗余的信息,在融合时容易相互干扰,削弱有效信号的提取。现有的预测方法,无论是传统的机器学习还是深度学习模型,在处理这种跨尺度、多源异构数据时,常常力不从心,难以在保留局部细节、耦合跨尺度信息与控制冗余特征之间取得平衡,导致模型的预测精度和跨区域适用性受限。
为了破解这一难题,吉林大学的包一霖、王明常等研究人员在《International Journal of Applied Earth Observation and Geoinformation》上发表了一项研究,提出了一种名为“MW-CNN-L”的创新框架,将多级小波卷积神经网络与Lasso(最小绝对收缩和选择算子)引导的通道重加权机制相结合,专门用于整合多平台、多模态遥感数据进行土壤属性预测。他们的核心目标是:检验这种结构化的小波重加权框架是否能解决无人机-卫星土壤制图中的跨尺度不一致和特征异质性问题。
关键技术方法概览
为开展研究,团队在黑龙江省南部的友谊、856、宝泉岭、七星四个典型国营农场采集了200个表层土壤样品,测定了碱解氮和土壤有机质含量。遥感数据方面,同步获取了无人机多光谱影像、哨兵-2A多光谱影像、哨兵-1雷达数据以及地形数据。所有数据统一重采样至10米空间分辨率格网。研究提取了无人机影像的光谱波段、光谱指数和纹理特征,以及卫星影像的光谱指数、纹理特征和雷达后向散射系数作为模型输入。核心的MW-CNN-L模型架构中,多级小波分解用于实现尺度感知的特征表示,将输入分解为低频背景和高频细节;卷积学习用于提取非线性光谱-纹理模式;Lasso引导的通道重加权则为不同特征通道分配稀疏且可解释的权重,抑制冗余信息。研究设计了两种建模策略进行对比:策略一仅使用卫星数据;策略二融合无人机与卫星数据,以评估无人机信息对提升预测精度的贡献。
研究结果分析
4.2. 模型预测性能比较
研究比较了MW-CNN-L、MW-CNN和CNN三种模型在预测碱解氮和土壤有机质时的性能。结果表明,无论是针对哪种土壤属性,MW-CNN-L模型在各项评价指标上均表现最佳。对于碱解氮,MW-CNN-L的预测R2达到0.67,RMSE为35.20 mg/kg,RPIQ为2.20。对于土壤有机质,其预测R2为0.69,RMSE为8.00 g/kg,RPIQ为2.41。这证明了集成小波分解和Lasso重加权机制的有效性,能够提升模型的预测精度和鲁棒性。
4.3. 不同策略对预测精度的影响
为了厘清无人机衍生信息的具体贡献,研究对比了仅使用卫星数据的策略一和融合无人机与卫星数据的策略二。结果清晰显示,在MW-CNN-L模型框架下,策略二(融合策略)的性能全面优于策略一(纯卫星策略)。对于土壤有机质预测,策略二相比策略一,R2平均提升了0.05,RPIQ提升了0.26,同时RMSE降低了0.98 g/kg。这一结果凸显了在农场尺度的土壤属性预测中,融合高空间分辨率的无人机空间信息具有必要性,它能为模型提供关键的细节特征,显著改善预测效果。
4.4. 模型不确定性分析与特征重要性
通过对100次重复建模结果的集成分析,生成了预测不确定性图。结果显示,MW-CNN-L模型预测的不确定性在空间上分布更为均匀,且整体水平低于对比模型,表明其预测结果更加稳定可靠。同时,通过Lasso引导的通道重加权机制,研究得以量化不同输入特征的重要性。分析发现,对于土壤有机质预测,从无人机影像提取的纹理特征和某些光谱指数表现出较高的重要性;而卫星衍生的光谱指数和雷达后向散射系数也对预测有显著贡献。这为理解模型决策过程和特征响应机制提供了物理可解释性。
4.5. 跨域条件验证与可移植性评估
为了检验模型的泛化能力,研究利用友谊农场2012-2023年期间采集的593个表层土壤样本(经SOC乘以1.724系数转换为SOM估算值)及其对应时期的遥感影像,对训练好的MW-CNN-L模型进行了外部验证。这是一个严格的跨域测试,因为验证数据在采集时间、标签来源甚至部分传感器特性上都与训练集存在差异。初步验证结果显示,模型取得了R2为0.71,RMSE为6.99 g/kg的预测性能。为进一步减小系统偏差,研究引入了一个简单的后校准步骤,仅使用部分外部样本拟合一个线性校正关系。校准后,模型在独立评估子集上的性能进一步提升至R2为0.73,RMSE为6.71 g/kg。这一结果表明,MW-CNN-L框架即使在存在域偏移的条件下,也表现出合理的可移植性,而不仅仅是严格的同条件泛化。
结论与重要意义
本研究成功构建并验证了MW-CNN-L这一集成多级小波卷积神经网络与Lasso引导通道重加权的框架,用于基于多平台、多模态遥感数据的土壤属性预测。主要结论如下:第一,MW-CNN-L框架能有效协同高分辨率无人机数据提供的局部细节与中分辨率卫星数据提供的区域背景信息,显著提升了土壤碱解氮和有机质的预测精度。第二,融合无人机空间信息对于提高农场尺度的土壤属性预测能力至关重要。第三,Lasso引导的通道重加权机制不仅提升了模型鲁棒性,还赋予了模型一定的特征选择与解释能力。第四,在引入后校准后,模型在跨时空域的外部验证中表现出良好的可移植性。
这项研究的重要意义在于,它为解决精准农业和数字土壤制图中的一个核心挑战——即如何有效整合具有不同空间、光谱和物理含义的多源遥感数据——提供了一个结构化的解决方案。MW-CNN-L框架通过小波理论在分离与对齐多尺度特征方面的优势,以及Lasso在稀疏化和特征选择方面的优势,实现了对跨尺度不一致和特征异质性的有效管理。这不仅推动了深度学习在农业遥感领域的应用,也为发展具有更高精度、更好解释性和更强泛化能力的区域尺度土壤属性预测模型提供了新的技术途径和理论参考。该框架有望推广应用于其他与环境变量空间预测相关的领域,为自然资源管理和可持续农业发展提供有力的数据与决策支持。