摘要
将高分辨率高光谱遥感技术与深度生成式人工智能相结合，为在采样条件受限的情况下实现精确的土壤制图提供了一种极具前景的方法。虽然EnMAP卫星能够提供用于绘制土壤特性图的高光谱数据，但其较低的空间分辨率（30米）限制了其在数字土壤制图中的应用。本研究探讨了一种集成框架的潜力，该框架结合了高光谱与多光谱卫星数据融合技术以及深度生成式人工智能，用以实现高分辨率的数字土壤制图。研究从埃及伊斯梅利亚的一个农业农场采集了110份表层土壤样本（0–30厘米深），并对这些样本的土壤有机质、电导率以及有效磷含量进行了分析。通过预处理EnMAP的高光谱图像和SuperDove的多光谱图像，再利用基于1D U-Net的卷积神经网络将二者融合，从而生成了3米分辨率的高光谱图像。此外，还采用了带有梯度惩罚的条件Wasserstein生成对抗网络来生成不同增强程度下的土壤光谱。这些生成的光谱与70%的真实光谱相结合，形成了不同的校准数据集，同时通过过滤来保持光谱的多样性并避免光谱重复。基于最优的混合校准数据集，研究建立了随机森林和卷积神经网络两种预测模型。根据30%的独立预测数据集得出的结果显示，在最高增强水平（5倍）下，GAN–CNN模型的性能优于GAN–RF模型：对于电导率、土壤有机质和有效磷而言，其决定系数分别提升了31.3%、25.8%和9.0%，而均方根误差则分别降低了33.2%、22.1%和8.2%。最终，使用最优的GAN–CNN模型，基于融合后的高分辨率高光谱图像，制作出了3米分辨率的土壤地图。研究结果表明，将高光谱与多光谱数据结合并与深度生成式人工智能相融合，有望克服土壤采样不足的问题，从而推动精准农业领域的数字土壤制图技术发展。
