基于解耦并行深度学习的多层级土壤分类研究：以祁连山南部山麓为例

《Land》：A Study on Multi-Tier Categorical Soil Classification Based on Decoupled Parallel Deep Learning: A Case Study in the Southern Foothills of Qilian Mountains

　　# 摘要高精度、多级土壤分类面临若干关键瓶颈，包括传统基于像元的模型忽视空间上下文、多级分类网络中的误差级联传播现象，以及传统几何数据增强对地物理方向各向异性的破坏。为应对这些挑战，本研究提出了一种基于MTSC-ResNet-Trans的多级土壤分类模型，该模型将残差卷积模块与三层Transformer编码器有机耦合，以建模长程空间依赖关系。该框架集成了地理空间安全的数据增强流程，在保留绝对地理坐标拓扑保真度的同时，采用四个解耦的并行多任务分类头，以大幅抑制跨层级误差传播。在祁连山南麓采用18个环境协变量进行评估，在常规随机划分下，该框架在大队级层面的总体准确率达到0.8931。在距离分层空间评估——即分离空间自相关对准确率估计的贡献——中，该框架保持稳健性能，MTSC-ResNet-Trans即使在空间分离距离超过400米时，仍持续优于基于像元的基线模型（随机森林），约高出3.7个百分点。该方案将预测准确率透明地分解为归因于空间邻近性的分量和反映空间邻近性降低后性能的分量。在四个分类层级中，准确率衰减被抑制在5.11%以内。尽管空间块交叉验证表明区域外推准确率较低（OA = 0.7389 ± 0.0671），该解耦并行框架仍为高分辨率区域数字制图提供了有效且稳健的基准。