LUCAS-MEGA：用于土壤-环境系统表征学习的大规模多模态数据集

土壤理解是农业、碳循环和环境可持续性的基础，但由于数据碎片化和异构性，进展受限，模型局限于小规模预测设置而无法进行高维表征学习。我们引入LUCAS-MEGA，一个通过系统性数据融合构建的大规模多模态数据集，以LUCAS调查为骨架。该融合数据集包含超过70,000个样本，涵盖超过1,000个特征，涵盖物理、化学、环境、生物和视觉属性，来自68个来源数据集。为实现大规模集成，我们开发了 SoilFuser，一个多智能体、人类在回路中的数据融合管道，对异构数据格式和测量协议进行标准化，解决不一致和无效条目（如单位不一致、码表不匹配和错误值）， incorporates自然语言注释，并将多模态属性和元数据整合到统一、机器学习就绪的特征空间中。 resulting dataset captures key characteristics of real-world soil observations, including multimodality, uneven feature coverage, and heterogeneous uncertainty. 为展示LUCAS-MEGA数据驱动建模的可用性，我们使用基于特征遮蔽的自监督目标对多模态表格变换器(SoilFormer)进行预训练，实现了稳定的训练、强大的预测性能以及支持不确定性感知预测的表征。我们进一步展示，所学表征能够恢复与既定土壤过程一致的关系。LUCAS-MEGA以开放方式发布，并附带可组合、面向智能体的API，支持结构化查询和数据驱动工作流程。