利用多模态机器学习对阿拉斯加进行细粒度土壤制图

阿拉斯加的细粒度土壤制图传统上依赖现场勘测和局部仿真，尽管该地区生态重要且拥有广阔永久冻土覆盖，但仍处于发展不足的状态。随着气候变化加剧永久冻土解冻，威胁基础设施稳定性及生态系统服务（如土壤碳储存）。高分辨率土壤图对于表征永久冻土分布、识别脆弱区域及制定适应策略至关重要。我们提出 MISO，一种基于视觉的机器学习模型，用于制作近表层永久冻土和土壤分类的全州细粒度土壤图。该模型集成了地理空间基础模型进行视觉特征提取、隐式神经表示进行连续空间预测，以及对比学习进行多模态对齐和地理位置感知。我们将 MISO 与随机森林 (RF) 进行比较，后者是土壤制图中广泛使用的传统机器学习模型。空间交叉验证和区域分析显示，MISO 在远程、未见位置的泛化能力更强，召回率高于 RF，这对于监测永久冻土解冻及相关环境过程至关重要。这些发现表明了先进机器学习方法在细粒度土壤制图中的潜力，并为永久冻土影响地貌的未来土壤抽样和基础设施规划提供了实用指导。项目将在 https://github.com/knowledge-computing/Peatland-permafrost 发布。