基于文本的生成式深度学习模型用于 VIS-NIR（400-2499 nm）波段的土壤反射率光谱模拟

模拟土壤反射率光谱对于土壤-植物辐射建模和训练机器学习模型极具价值，但由于土壤结构与其成分之间的复杂关系而难以实现。为了解决这个问题，开发了一种完全数据驱动的土壤光学生成模型（SOGM），用于基于土壤属性输入模拟土壤反射率光谱。该模型在包含来自 17 个数据集的近 180,000 个土壤光谱-属性对的大型数据集上进行了训练。它根据描述土壤属性及其值的文本输入生成土壤反射率光谱，而不仅仅是二进制向量格式的数值和标签。该生成模型可以基于不完整的输入属性集模拟输出光谱。SOGM 基于去噪扩散概率模型（DDPM）。还构建了两个额外的子模型来补充 SOGM：一个光谱填充模型，可以为短于全可见光-近红外范围（VIS-NIR；400 至 2499 nm）的光谱填补空白；以及一个湿土壤光谱模型，可以在给定 SOGM 预测的干燥光谱的情况下估计水分对土壤反射率光谱的影响。通过与 Helios 3D 植物建模软件耦合，对 SOGM 进行了放大，从而能够生成模拟土壤和植物场景的合成航空图像。它还可以轻松地与用于遥感研究的土壤-植物辐射模型（如 PROSAIL）集成。SOGM 在未包含在模型训练中的新数据集上的测试结果证明，该模型可以基于可用的属性输入生成合理的土壤反射率光谱。所提出的模型可在以下网址公开获取：https://github.com/GEMINI-Breeding/SOGM_soil_spectra_simulation。