DA-PAA：一种结合二维编码用于预测土壤养分的谱压缩方法

《Science Progress》：DA-PAA: A spectral compression method combined with two-dimensional encoding for predicting soil nutrient

　　

从可见-近红外（Vis-NIR）光谱快速准确地预测土壤养分对精准农业和土壤质量评估具有重要意义。然而，高光谱维度、冗余信息及弱特征表示常限制现有模型性能。为此，研究人员提出一种动态自适应分段聚合近似（DA-PAA）方法用于光谱压缩与重建。不同于常规固定分段策略，DA-PAA根据局部光谱变化自适应调整分段长度，在降维的同时保留关键特征。压缩后的一维光谱经Gramian角场（GAF）编码转为二维表示，并采用二维卷积神经网络（2D-CNN）进行预测。实验结果表明，该框架在土壤养分估算中表现优越：将光谱维度从4200降至62，显著提升计算效率，同时土壤有机碳和氮预测的判定系数（R2）较基线方法分别提升44.62%和46.77%。结果显示该框架为高维Vis-NIR光谱土壤养分预测提供了高效且有效的解决方案。

研究背景与问题提出

土壤是支撑农业生产、生态调控与陆地生物地球化学循环的基础自然资源，其养分含量直接反映土壤肥力与供给能力。传统实验室理化分析虽准确但耗时费力，难以满足大范围高频监测需求；可见-近红外（Vis-NIR）光谱因快速、低成本、非破坏性和多参数感知能力成为替代方案。但土壤光谱通常含数千个连续波段，存在高维、强共线性与冗余，传统固定分段的分段聚合近似（PAA）会过平滑局部变化而丢失与养分相关的微弱特征；同时土壤养分与光谱响应呈非线性多尺度关系，一维序列模型难以捕捉波段间全局结构依赖。已有研究直接将原始高维光谱做二维编码（如Gramian角场GAF）会带来巨大图像尺寸与计算开销，若前置压缩未保留敏感波长则二维编码优势无法发挥。因此在《Science Progress》发表的该研究由Jiaxin Wan等针对上述问题提出动态自适应分段聚合近似（DA-PAA）与GAF-2D-CNN融合框架。

主要关键技术方法（≤250字）

研究人员选用欧盟联合研究中心LUCAS土壤库中德国3162个表层样（0–20 cm，400–2500 nm，约4200波段），以土壤有机碳（SOC）和氮（N）为目标，按目标值分层8:2划分训练测试集。光谱经Savitzky–Golay平滑与标准正态变量（SNV）变换预处理；DA-PAA以训练集平均谱计算一阶/二阶导曲率信息强度，按信息量与重建误差双阈值自适应分段（全局边界统一至62段）并加权聚合；压缩序列经GAF转为62×62角差矩阵图；以2D-CNN（对照1D-CNN、PLSR及CAE压缩）回归，超参由训练集五折交叉验证确定，测试集仅评估一次。

研究结果

3.1 DA-PAA处理结果分析

研究人员将原始谱、固定段PAA（30/50/100/150段）与DA-PAA（62段）分别接入PLSR。固定PAA在50段时最佳（SOC R²=0.63，N R²=0.61），仍低于原始谱（0.65/0.62）；DA-PAA将维度压至62（保留1.47%），SOC与N的R²达0.71与0.67，较原始谱提升0.06与0.05，RMSE降至28.62与2.32，证明自适应分段在降维同时缓解固定分段信息损失。

3.2 二维编码与建模结果

原始一维谱与其GAF/MTF/STFT二维图分别入1D-CNN与2D-CNN。RAW-1DCNN得SOC R²=0.80、N 0.77；GADF-2DCNN最优（SOC R²=0.88、RMSE=23.92；N R²=0.85、RMSE=2.08），优于MTF与STFT，表明GAF全局角相关矩阵更契合土壤光谱连续结构。

3.3 DA-PAA与二维编码协同性能

DA-PAA压缩序列再经GAF/MTF/STFT编码入2D-CNN，并与卷积自编码器（CAE）对比。DA-PAA-GADF-2DCNN取得SOC R²=0.94、RMSE=21.16、RPD=3.76；N R²=0.91、RMSE=1.82、RPD=3.51，较RAW-PLSR的R²提升44.62%与46.77%，优于CAE（SOC R²=0.88）及其他编码组合，散点贴合参考线，证实“自适应压缩+GAF纹理”协同增效。

讨论与结论翻译

讨论指出，DA-PAA按局部变异动态分段，在吸收峰区细分割、平缓区粗聚合，抑制噪声且保形；GAF将任意波段间角差转为可学习纹理，与DA-PAA输出高兼容。结论部分表明：该框架将Vis-NIR维度由4200降至62，SOC与N的R²达0.94与0.91，RPD均超3，较基线提升44.62%与46.77%；LUCAS中SOC与N右偏分布需在解读时结合目标变量分布。总之，DA-PAA-GADF-2DCNN为高维光谱土壤养分预测提供计算高效且精度优异的方案，适用于大尺度土壤调查与精准农业。