基于MSF-Transformer的多源遥感协变量在横断山区土壤总氮空间建模中的应用——以中国四川省康定市为例

《Chemical and Biological Technologies in Agriculture》：MSF-Transformer-based spatial modeling of soil total nitrogen in Hengduan Mountains using multi-source remote sensing covariates: a case of Kangding City, Sichuan Province, China

　　

摘要

背景

准确绘制土壤总氮（STN）的空间分布对于有效的氮素管理和精准农业至关重要，尤其是在地形变化极为复杂的高海拔地区，那里的养分分布差异很大。尽管土壤有机碳（SOC）和土壤有机质（SOM）通常与STN存在较强相关性，但直接对STN进行建模仍是合理的，因为它能同时整合有机氮和无机氮，从而更直接地反映植物可利用的氮素。此外，在具有明显垂直气候梯度的高海拔农业生态系统中，STN呈现出独特的空间动态特征，因此需要通过独立建模来研究。不过，使用传统方法捕捉STN的非线性空间依赖关系仍面临挑战。为了解决这一问题，我们以横断山区的康定市为研究对象，该地区地形复杂，使得传统的STN测绘工作尤为困难。我们整合了51种多源辅助变量，包括光谱、地形、气象以及人为因素等，并提出了一种名为MSF-Transformer的新型深度学习框架，用于绘制2022年该地区的STN分布图。

结果

我们系统地评估了传统模型（随机森林、极端梯度提升和多层感知器）。这些模型的表现较为一般，其中性能最好的随机森林模型的R²值为0.764，RMSE值为0.529，MAE值为0.408，而MSF-Transformer在独立测试数据上的表现更为优异。MSF-Transformer由两个关键部分组成：一个多尺度特征融合模块，能够自适应地整合不同类型的输入数据；另一个则是Transformer编码器，用于建模各个样本之间的空间关系。凭借这一设计，MSF-Transformer取得了最高的准确率（R² = 0.780）。2022年的预测STN含量在1.88至5.51克/千克之间（平均值：4.37克/千克），北部和南部地区的数值较高。特征重要性分析表明，STN的分布主要受海拔高度、潜在蒸散量、土壤类型以及距中心的距离等因素影响，且这些因素之间存在非线性响应关系。

结论

研究结果表明，MSF-Transformer模型不仅提升了预测精度，还增强了空间土壤属性测绘的可解释性及泛化能力，为精准农业管理提供了有力的工具。

图形摘要

背景

准确绘制土壤总氮（STN）的空间分布对于有效的氮素管理和精准农业至关重要，尤其是在地形变化极为复杂的高海拔地区，那里的养分分布差异很大。尽管土壤有机碳（SOC）和土壤有机质（SOM）通常与STN存在较强相关性，但直接对STN进行建模仍是合理的，因为它能同时整合有机氮和无机氮，从而更直接地反映植物可利用的氮素。此外，在具有明显垂直气候梯度的高海拔农业生态系统中，STN呈现出独特的空间动态特征，因此需要通过独立建模来研究。不过，使用传统方法捕捉STN的非线性空间依赖关系仍面临挑战。为了解决这一问题，我们以横断山区的康定市为研究对象，该地区地形复杂，使得传统的STN测绘工作尤为困难。我们整合了51种多源辅助变量，包括光谱、地形、气象以及人为因素等，并提出了一种名为MSF-Transformer的新型深度学习框架，用于绘制2022年该地区的STN分布图。

结果

我们系统地评估了传统模型（随机森林、极端梯度提升和多层感知器）。这些模型的表现较为一般，其中性能最好的随机森林模型的R²值为0.764，RMSE值为0.529，MAE值为0.408，而MSF-Transformer在独立测试数据上的表现更为优异。MSF-Transformer由两个关键部分组成：一个多尺度特征融合模块，能够自适应地整合不同类型的输入数据；另一个则是Transformer编码器，用于建模各个样本之间的空间关系。凭借这一设计，MSF-Transformer取得了最高的准确率（R² = 0.780）。2022年的预测STN含量在1.88至5.51克/千克之间（平均值：4.37克/千克），北部和南部地区的数值较高。特征重要性分析表明，STN的分布主要受海拔高度、潜在蒸散量、土壤类型以及距中心的距离等因素影响，且这些因素之间存在非线性响应关系。

结论

研究结果表明，MSF-Transformer模型不仅提升了预测精度，还增强了空间土壤属性测绘的可解释性及泛化能力，为精准农业管理提供了有力的工具。

图形摘要