DeepSalt：通过域适应与知识蒸馏桥接实验室光谱与卫星光谱以实现大规模土壤盐度估计
计算机视觉与模式识别
2025-10-28 v1 机器学习
摘要
盐化现象对生态系统和农业构成严重威胁，因为它限制了植物的灌溉能力，从而降低了作物产量。该现象改变了土壤的光谱特性，使盐度与光反射率之间形成可测量的关系，从而实现遥感监测。虽然实验室光谱提供了精确测量，但依赖现场取样，限制了其向区域或全球尺度的可扩展性。相比，红外光谱卫星影像能够实现大范围观测，但缺乏实验仪器的细粒度可解释性。为弥合这一差距，我们提出DeepSalt——一种基于深度学习的光谱迁移框架，利用知识蒸馏和新颖的光谱适应单元（Spectral Adaptation Unit），将实验室光谱中高分辨率的光谱洞察 transferred 到卫星红外光谱感知中。该方法无需大量现场取样，即可实现精准的大规模盐度估计，经过详实的实证基准测试验证。DeepSalt相比无显式域适应的方法实现了显著性能提升，凸显了所提出光谱适应单元和知识蒸馈策略的影响。该模型也能有效地推广至未见的地理区域，解释了相当比例的盐度方差。
引用
@article{arxiv.2510.23124,
title = {DeepSalt: Bridging Laboratory and Satellite Spectra through Domain Adaptation and Knowledge Distillation for Large-Scale Soil Salinity Estimation},
author = {Rupasree Dey and Abdul Matin and Everett Lewark and Tanjim Bin Faruk and Andrei Bachinin and Sam Leuthold and M. Francesca Cotrufo and Shrideep Pallickara and Sangmi Lee Pallickara},
journal= {arXiv preprint arXiv:2510.23124},
year = {2025}
}