博文

Soil Systems 基于改进的Mask R-CNN多模态框架的土壤剖面图像土层划分、土类识别与土壤有机质预测研究

已有 600 次阅读 2026-5-8 17:43 |个人分类:学术软文|系统分类:论文交流

作者简介

第一作者

姓名：刘奇机构：安徽理工大学地球与环境学院；中国科学院南京土壤研究所研究方向：土壤大数据

通讯作者

姓名：方国东机构：中国科学院南京土壤研究所；安徽理工大学地球与环境学院研究方向：环境土壤化学

姓名：杨敏机构：生态环境部南京环境科学研究所研究方向：土壤污染评价与修复技术研发和应用

姓名：刘存机构：中国科学院南京土壤研究所研究方向：环境土壤化学

在传统土壤调查中，土壤剖面土层划分、土壤类型识别和土壤有机质测定往往依赖专家经验判断和实验室分析，不仅费时费力，还容易受到主观性影响。针对这一问题，安徽理工大学地球与环境学院和中国科学院南京土壤研究所方国东和王玉军团队联合生态环境部南京环境科学研究所杨敏团队等在Soil Systems期刊发表研究，提出了一种基于改进Mask R-CNN的多模态深度学习框架，可从土壤剖面图像中同步实现土层层位划分、土类识别与土壤有机质预测，为高通量、智能化土壤调查提供了新思路。

研究过程与结果

该研究以安徽省451个土壤调查采样点的高分辨率土壤剖面图像为基础，覆盖10个土类。研究团队首先对土壤剖面进行专家标注，并围绕过渡层位的识别设计了三种标注方案：一是将过渡层归入相邻主层位，二是将过渡层同时归于两个相邻层位，三是将过渡层作为独立层位单独建模。与此同时，研究还通过数据增强与迁移学习缓解小样本数据集带来的泛化不足问题，并在标准Mask R-CNN框架上新增土壤属性分支，实现土类分类与土壤有机质回归预测的联合学习。

结果表明，将过渡层作为独立类别处理的方案表现最好。该方案下，模型在土层划分上的精准率和召回率分别达到0.925和0.933，分割平均精准度达到0.918；在土类识别方面，总体准确率达到0.717；在土壤有机质预测方面，R²达到0.565。相比未进行数据增强的模型，同一方案下精准率从0.627提高到0.925，分割平均精准度从0.525提高到0.918，说明数据增强和迁移学习显著提升了模型对复杂土壤图像的适应能力。

研究还发现，不同土类之间的混淆具有明确的土壤学原因。例如，黄棕壤与黄壤、紫色土与黄棕壤之间，往往因颜色和纹理特征接近而较易误判；而石灰土、砂姜黑土和水稻土由于形态学特征较鲜明，识别效果相对更稳定。对于土壤有机质预测，土壤水分、母质、矿物成分及光照条件都会影响图像颜色表达，从而对模型判断造成干扰。这也提示，未来若融合环境因子、理化性质等辅助变量，模型在土壤有机质等多属性预测上的表现可以进一步提升。

研究总结

本研究将土壤形态特征、土壤分类信息和功能属性预测整合到统一的深度学习流程中，突破了以往单任务土壤图像识别的局限。研究证明，对过渡层进行显式建模不仅能够降低边界模糊带来的不确定性，也能提升土层划分与属性预测的整体稳定性。作者认为，未来还需进一步扩展不同成土区样本，支持更精细的亚层识别、诊断层判别以及更复杂的土壤分类层级表达，从而推动数字土壤调查向更加智能、精准和高效的方向发展。

原文链接：https://www.mdpi.com/2571-8789/10/3/39