基于多尺度注意力优化的混合深度学习模型用于干旱绿洲精确土壤盐分制图

《Land》：A Multi-Scale Attention-Based Optimized Hybrid Deep Learning Model for Accurate Soil Salinity Mapping in Arid Oases

　　

干旱绿洲精确的土壤盐渍化监测对农业可持续性和生态安全至关重要。然而，现有的基于深度学习的方法常存在多尺度信息利用不充分和特征交互建模不足的问题，限制了其反演复杂盐分模式的精度。为解决这些局限性，研究人员提出了一种基于多尺度注意力优化的混合深度学习模型，该模型集成了多尺度一维卷积神经网络（1D-CNN）、双向门控循环单元（Bi-GRU）和Transformer机制（称为MS–A–1D-CNN–Bi-GRU–Transformer）。在本研究中，“尺度”指不同1D卷积核大小所形成的感受野尺度。该模型采用多尺度特征提取模块捕获不同尺度的遥感信号，多尺度注意力机制自适应加权最具信息量的特征，以及Bi-GRU–Transformer模块探索复杂的序列和全局特征关系。所提出的框架应用于新疆尉犁县绿洲灌区，使用ZY-1E卫星的高光谱数据、地形指数和光谱衍生变量。该提出的方法在测试集上优于传统1D-CNN、GRU–Transformer等基准模型，决定系数（R²）提高了2.8%（达0.952），均方根误差（RMSE）降低了18.9%（达0.867 g·kg^?1），展示了在脆弱灌溉生态系统中进行精准土地管理和盐分监测的实用价值。

### 论文解读：基于多尺度注意力优化的混合深度学习模型用于干旱绿洲土壤盐分制图

#### 研究背景
土壤盐渍化是全球土地退化的主要挑战之一，对农业生产、生态环境和社会经济发展构成显著压力。干旱绿洲地区，如中国新疆，蒸发强烈、降水稀少，导致土壤表层盐分积累严重。传统基于野外调查和土壤采样的方法直接但耗时、费力、成本高，难以在大型或难以进入的区域实施。遥感技术通过分析地表反射率、地形特征和土地覆盖信息，提供了快速、大范围识别和监测土壤盐分的有力替代方案。特别是融合多源遥感数据（如高光谱影像、数字高程模型（DEM）和光谱指数）已显示出提高监测精度和可靠性的潜力。然而，现有基于深度学习的方法（如单尺度1D-CNN、Transformer等）在处理多尺度空间-光谱信息时存在不足：单尺度特征提取难以全面表征盐渍化特征的复杂性；Transformer虽能捕获全局关系，但无法有效处理数据的序列属性或识别深层特征相关性。因此，需要一种能够综合多尺度特征、自适应加权并建模序列与全局交互的模型，以提升干旱绿洲土壤盐分反演精度。该论文旨在开发一种新型混合深度学习框架，解决上述关键局限性，并发表在《Land》期刊上。

#### 主要研究内容
研究人员以新疆尉犁县绿洲灌区为研究区（样本来源），首先构建了包括ZY-1E卫星高光谱波段、光谱指数和DEM衍生地形指标的多源遥感特征集。然后，提出并实现了MS–A–1D-CNN–Bi-GRU–Transformer模型，该模型集成了多尺度1D-CNN特征提取、多尺度注意力机制和Bi-GRU–Transformer模块。通过对比实验（与随机森林、标准1D-CNN、1D-CNN+多头注意力、GRU–Transformer、SSA–LSTM–Transformer比较）、消融实验和空间可视化，评估了模型的精度、模块贡献和空间一致性。结果表明，该模型在测试集上R²为0.952，RMSE为0.867 g·kg^?1，MAE为0.451 g·kg^?1，MAPE为4.853%，显著优于所有基准模型，并生成与水文-地貌控制相一致的生态合理盐分空间分布图。

#### 关键技术方法
研究人员采用的主要关键技术方法包括：（1）多尺度1D-CNN特征提取模块：使用四个并行卷积分支（核大小分别为1、3、5、7）提取不同感受野尺度的特征；（2）多尺度注意力机制：通过可学习线性变换和Softmax归一化对多尺度特征进行自适应加权，以突出最具信息量的特征；（3）Bi-GRU–Transformer模块：Bi-GRU捕获双向序列依赖，Transformer编码器建模全局特征交互，两者输出拼接后进行回归。模型使用Adam优化器训练，采用早停和丢弃法缓解过拟合。样本队列来源为新疆尉犁县绿洲灌区（132个采样点），数据随机按7:3分割为训练集和测试集，重复3次取平均结果。

#### 研究结果
**5.1 土壤盐分数据分析**
通过统计分析（表2），表层土壤（0–20 cm）盐分变异系数高（全数据集38.6%），呈现显著空间异质性，支持开发多尺度感知模型的需求。

**5.2 多源遥感数据与土壤盐分的相关性**
Pearson相关分析（表4）表明，所有18个遥感预测因子与实测土壤盐分显著相关（p < 0.05）。光谱指数（如归一化盐分指数r = 0.68、变换盐分指数r = 0.62）相关性最强，地形因子（如坡度）也有贡献，验证了多源特征集的有效性。

**5.3 模型评估**
- **5.3.1 算法误差与精度**：提出的模型在训练集和测试集上均获得最低稳态损失（图6）和最高R²（图7）。注意力头消融实验（图8、图9）显示9个头最优。
- **5.3.2 回归性能评估**：定量结果（图10、表5）显示，提出模型R²=0.952、RMSE=0.867 g·kg^?1、MAE=0.451 g·kg^?1、MAPE=4.853%。相比最优基线SSA–LSTM–Transformer，R²提高2.8%，RMSE降低18.9%。

**5.4 反演性能与空间模式的可视化解释**
空间分布图（图12）显示非盐渍土主要分布在高排水高地（占67.70%），盐渍土集中于低洼和排水不良灌区，与水文-地形成因一致。可视化比较（图13）表明，提出模型在非盐渍土比例误差仅3.7%，对稀少但关键的盐渍土类别的误差减少2.06–5.91%（重盐渍土）和5.49–17.42%（盐土）。

**5.5 消融研究：组件贡献拆分**
消融实验（表6）显示：移除多尺度提取和注意力（1D-CNN–Bi-GRU–Transformer）导致RMSE增至0.972 g·kg^?1，确认多尺度推理和动态加权对表征盐分异质性至关重要；移除Bi-GRU–Transformer模块（MS–A–1D-CNN）导致R²降至0.938，突显其捕获序列依赖和全局交互的作用；仅移除多尺度注意力（MS–1D-CNN–Bi-GRU–Transformer）导致性能适度下降。完整模型实现最佳平衡。

**5.6 优化特征提取策略**
卷积核尺度实验（表7）显示，采用四个不同尺度（1、3、5、7）达到最优性能（R²=0.952，RMSE=0.867 g·kg^?1），证实了多尺度设计的必要性。

**5.7 不确定性与局限性**
研究指出，尽管采用丢弃法和早停缓解过拟合，但样本量较小（132个），过拟合风险不能完全排除。此外，温度、降水、地下水等环境因素未被显式纳入模型，未来应集成水文气象和地下水变量以提高泛化能力。

#### 讨论与结论
研究人员提出的MS–A–1D-CNN–Bi-GRU–Transformer模型通过整合多尺度1D-CNN特征提取、多尺度注意力机制和Bi-GRU–Transformer模块，有效克服了现有方法在多尺度特征利用、序列-光谱关系处理和全局交互建模方面的不足。在新疆尉犁县干旱绿洲的实验表明，该模型在数值精度（R²可达0.952，RMSE低至0.867 g·kg^?1）和空间一致性上均优于基准模型，并正确识别了低洼和排水不良区域的盐分热点。消融分析证实各组件协同贡献：多尺度卷积提取层次特征，多尺度注意力重加权并优化特征，Bi-GRU–Transformer建模上下文和全局特征关系。该模型展示了在脆弱灌溉生态系统中进行精准土地管理和盐分监测的实用价值。未来工作将扩展至更广地理区域、集成时间动态，并探索其应用于其他土地退化现象的统一遥感分析框架。