SoilNet：用于土壤层次分类的多模态多任务模型

近年来，人工智能（AI），特别是基础模型的进展，显著提升了诸多应用领域的技术水平，包括地球科学。然而，一些具体问题尚未受益于这一进步。例如，土壤层次分类仍然具有挑战性，因为其具有多模态和多任务特征，以及复杂的层次结构标签体系。准确的土壤层次分类对于监测土壤状态至关重要。在本工作中，我们提出了\textit{SoilNet}——一个解决这一问题的多模态多任务模型，通过结构化模块化管道实现。与通用AI基础模型不同，我们的方法被设计为本质上透明，遵循人类专家开发的解决这一困难标注任务的任务结构。该方法将图像数据和地理时间元数据整合，首先预测深度标记，将土壤剖面分割为层次候选区域。每个区域由一组特定于层次的形态特征进行特征化。最后，基于多模态拼接特征向量预测层次标签，利用图基表示来考虑土壤层次之间复杂的层次关系。该方法旨在解决复杂的层次分类问题，其中可能的标签数量众多、不平衡且结构复杂。我们在真实世界的土壤剖面数据集上演示了方法的有效性，并进行了全面的用户研究与领域专家合作。我们的实证评估表明，SoilNet可靠地预测出符合实际且准确的土壤层次。用户研究结果表明，SoilNet的预测性能与人类专家相当或更优。所有代码均可在https://github.com/calgo-lab/BGR/上获取。