从太空看土壤：迈向鲁棒且可扩展的遥感土壤养分分析
计算机视觉与模式识别
2025-12-11 v1 地球物理
摘要
环境变量日益影响农业决策，然而可获取且可扩展的土壤评估工具仍然有限。本研究提出了一种鲁棒且可扩展的建模系统，用于估算农田土壤属性，包括土壤有机碳(SOC)、全氮(N)、有效磷(P)、交换性钾(K)和pH值，利用遥感数据和环境协变量。该系统采用混合建模方法，结合通过代理和驱动因子间接建模土壤的方法与直接光谱建模。我们通过使用来自辐射传输模型(RTMs)的可解释物理信息协变量以及来自基础模型的复杂非线性嵌入来扩展当前方法。我们在一个覆盖欧洲多样土壤气候区农田土壤的协调数据集上验证了该系统。评估在严格的验证框架下进行，强制空间分块、分层划分以及统计上不同的训练-测试集，这些刻意使评估更具挑战性，并为未见区域产生更现实的误差估计。模型在SOC和N上取得了最高准确率。该性能在未见位置上保持一致，无论是在空间交叉验证还是独立测试集上。SOC获得了MAE为5.12 g/kg和CCC为0.77，N获得了MAE为0.44 g/kg和CCC为0.77。我们还通过共形校准评估不确定性，在目标置信水平下实现了90%的覆盖率。本研究通过应用可扩展的数据驱动土壤分析框架，为农业的数字化进步做出贡献，这些框架可扩展至需要定量土壤评估的相关领域，如碳市场。
引用
@article{arxiv.2512.09576,
title = {Seeing Soil from Space: Towards Robust and Scalable Remote Soil Nutrient Analysis},
author = {David Seu and Nicolas Longepe and Gabriel Cioltea and Erik Maidik and Calin Andrei},
journal= {arXiv preprint arXiv:2512.09576},
year = {2025}
}
备注
23 pages, 13 figures, 13 tables