基于土壤知识引导的多任务Transformer模型实现土壤-作物性状协同预测与早期预警

《Artificial Intelligence in Agriculture》：Soil knowledge-guided multi-task transformer model for predicting soil properties and crop traits with early warning alerts

本研究针对传统土壤属性预测方法难以捕捉多属性间相互作用及对作物生长影响的问题，提出了一种土壤知识引导的多任务Transformer（KGMT）模型。该模型利用无人机高光谱影像，实现了土壤属性（碱度、盐度、有机质、钾、钠、钙）与作物性状（叶面积指数、地上生物量）的同步精准预测，并构建了土壤早期预警框架，为精准农业提供了创新解决方案。

　　

土壤是农业生产的基础，其物理、化学和生物特性共同决定着土壤健康、肥力和作物生产力。传统上，采用偏最小二乘回归（PLSR）等统计方法预测单一土壤属性，但难以捕捉多属性间的相互作用及其对作物生长的综合影响。同时，现有研究多聚焦于裸土期的土壤属性预测或生长期的作物性状监测，缺乏将两个阶段有机结合的研究。如何利用先进技术实现土壤-作物系统的协同预测与早期预警，成为精准农业领域亟待突破的难题。

针对这一挑战，中国农业大学的研究团队在《Artificial Intelligence in Agriculture》上发表论文，提出了土壤知识引导的多任务Transformer（KGMT）模型。该研究在内蒙古巴彦淖尔市的两个农田开展实验，采集预处理期土壤样本和生殖生长期向日葵作物数据，并利用大疆M350 RTK无人机搭载GaiaSky-mini3-VN高光谱传感器（光谱范围450-950 nm）获取影像数据。

研究人员创新性地构建了两阶段序列框架：KGMT_soil阶段利用卷积神经网络（CNN）骨干编码器和Transformer编码器从原始高光谱图像中同时预测6种土壤属性；KGMT_crop阶段通过注意力特征融合模块将土壤特征作为先验知识指导作物性状预测。模型采用五折交叉验证，以归一化均方根误差（nRMSE）和决定系数（R²）作为评价指标。

关键技术方法包括：（1）基于Transformer的序列建模处理125个光谱波段数据；（2）多任务学习框架同步预测多个目标；（3）跨阶段注意力特征融合机制；（4）最小二乘回归（LSR）构建土壤-作物关系模型；（5）分位数分类法建立四级预警体系。实验区域包含0.31 km²和0.36 km²两个田块，分别采集49和58个土壤样本，以及30和32个作物子区的地上生物量数据。

3.1. 光谱波段的任务特异性重要性

通过分析Transformer编码器的注意力权重发现，不同预测任务关注的光谱波段具有明显特异性。有机质（SOM）在942 nm处出现注意力峰值，钾（K）在906 nm，盐度和碱度分别在886 nm和890 nm。近红外波段（850-950 nm）对大多数土壤属性表现出最高敏感性。

3.2. 盐度和碱度预测

KGMT模型在预测土壤盐度（R²=0.59，nRMSE=0.11）和碱度（R²=0.57，nRMSE=0.14）方面显著优于PLSR模型（盐度：R²=0.47；碱度：R²=0.46）。配对t检验证实了KGMT的改进具有统计学显著性（p<0.01）。

3.3. 土壤养分预测

对于土壤有机质预测，KGMT（R²=0.57）较PLSR（R²=0.40）精度提升显著。钾含量预测的R²从0.52（PLSR）提高至0.60（KGMT）。钠和钙的预测也呈现类似趋势，证明了多任务学习在捕捉复杂光谱关系方面的优势。

3.4. 作物性状预测

KGMT模型在叶面积指数（LAI）和地上生物量（AGB）预测中表现最佳，在两个实验田的R²分别达到0.75和0.82（田块1）、0.72和0.80（田块2）。与多任务（MT）模型和PLSR相比，nRMSE分别降低了20%和27%，展示了土壤知识引导对提升模型泛化能力的重要作用。

3.5. 关键生长因子与土地质量评估

相关分析表明，有机质与作物性状呈显著正相关（0.45-0.67），而钠含量则显示强负相关（-0.57至-0.63）。最小二乘回归建立了土壤属性与作物性状的定量关系，其中冠层覆盖度（CC）的预测精度最高（R²=0.75）。基于此开发的早期预警系统将农田划分为四个风险等级，为差异化土壤管理提供了直观指导。

研究结论表明，KGMT模型通过将土壤知识嵌入深度学习框架，有效解决了土壤-作物系统协同预测的难题。其两阶段设计既利用了多任务学习的优势，又通过序列化避免了负迁移问题。建立的早期预警框架实现了基于预处理期土壤条件的生长季作物表现预测，使农民能够在种植前采取干预措施。这一研究为深度融合域知识与人工智能技术提供了范例，推动了精准农业从单一性状监测向系统化管理的转变。

值得注意的是，模型在极高碱度区域的预测存在一定误差，未来可通过增加极端条件样本或引入额外光谱特征加以改进。尽管当前研究局限于同一作物的两个田块，但KGMT的模块化架构为扩展至多作物、多区域应用奠定了基础。这项研究彰显了先进深度学习技术在农业应用中的价值，为优化土壤条件、促进可持续土地利用提供了技术支撑。