基于U-net及其变体的CT图像，对黄土高原土壤中大孔隙的多尺度定量表征

《Soil and Tillage Research》：Multi-scale quantitative characterization of macropores in Loess Plateau soils from CT images based on U-net and its variants

本研究通过集成高分辨率X射线CT扫描与Res-Attention-U-Net深度学习模型，实现了黄土高原土壤大孔隙的自动分割与多尺度定量分析，揭示了不同植被类型下孔隙结构的差异及其对水分入渗的影响机制。

　　

陈飞|林丹通|王云峰|张宝清

中国西部环境系统重点实验室（教育部），兰州大学地球与环境科学学院，甘肃兰州

摘要

土壤大孔隙作为水和溶质非均匀传输的关键通道，主导着优先流和土壤入渗过程。X射线计算机断层扫描（CT）能够实现无损且高分辨率的大孔隙特征分析，但其定量准确性受到传统阈值方法鲁棒性差以及大型数据集手动勾画耗时的限制。为了克服这些挑战，本研究旨在将深度学习集成到基于CT的分析中，以实现自动化、高精度的大孔隙分割和量化。通过对20个黄土高原土壤样本进行高分辨率CT扫描，训练并验证了一个结合了注意力机制和残差连接的Res-Attention-U-Net模型，以增强特征提取能力。该优化模型被用于土壤大孔隙的重建、可视化及多尺度形态分析。提取的参数包括三维大孔隙度（θMacro-3d）、有效大孔隙度（θMacro_eff-3d）和二维分层大孔隙度（θMacro-2d）。θMacro-3d的范围为4.28%至20.42%，与θMacro-eff-3d显示出近乎完美的相关性，表明大孔隙体积和连通性同步变化。θMacro-3d较高的样本通常具有更强的连通性，这强调了大孔隙网络在增强土壤流体传输中的作用。θMacro-2d揭示了明显的垂直异质性和优先深度分布。三维可视化进一步展示了不同大孔隙度水平样本之间的结构差异，为水和溶质的传输机制提供了见解。在不同植被类型中，草地样本的大孔隙度通常较低，而灌木丛和森林样本的大孔隙度相当。本研究建立了一个可转移的框架，整合了CT成像、深度学习和定量参数分析方法，为理解土壤大孔隙结构如何控制入渗能力和优先流行为提供了方法论创新和水文学见解，特别是在干旱和半干旱环境中。

引言

土壤结构是调节水文过程、气体交换和生物活动的基本属性（Bonetti等人，2021年；Young和Crawford，2004年）。它通过生物物理共同演化和自组织过程形成，形成了具有强烈多尺度异质性和时空变异性的孔隙网络（Helliwell等人，2013年；Lin等人，2022年；Young等人，2001年）。在大孔隙结构中，通常由植物根系或其他生物过程形成的大孔隙作为优先流路径，允许水和溶质快速渗透（Beven和Germann，1982年），并影响地下水补给和养分循环（Hirmas等人，2018年；Jarvis，2007年）。这些功能凸显了大孔隙的水文重要性及其在建模中的必要性。

优先流在干旱和半干旱地区尤为重要，因为它促进了快速入渗，减少了地表径流，并增加了植被可利用的土壤水分（Gimbel等人，2016年；Xue等人，2025年）。湿润-干燥循环和多种生物活动（包括根系生长和动物挖掘）促进了显著的大孔隙发育（Gimbel等人，2016年；Ma等人，2021年）。在黄土高原这一脆弱的生态区内，松散的土壤质地和密集的人类活动（包括耕作和植被恢复）进一步促进了大孔隙的发育（Guan等人，2024年；Wang等人，2020年）。实地研究表明，在不同地点，优先流在总入渗中的比例范围广泛，从11%到90%不等，这取决于土壤、植被和气候条件（Guan等人，2024年；Ma等人，2022年；Wang等人，2024年；Wang等人，2023年；Zhao和Wang，2021年）。因此，确定大孔隙结构的合理性对于提高水文模型预测的准确性至关重要（Fatichi等人，2020年；Jarvis，2007年）。

尽管大孔隙的定量特征分析非常重要，但仍是一个主要挑战（Baveye等人，2010年；Letey，1991年；Luo等人，2010年；Schwenk等人，2023年）。目前学术界缺乏定义大孔隙孔径阈值的统一标准（Baveye等人，2010年），现有研究的阈值范围从>0.3毫米到>3毫米不等（Beven和Germann，1982年；Feng等人，2020年；Naveed等人，2016年；Ringrose-Voase，1996年；Velde等人，1996年；Xiong等人，2022年）。这种不一致性降低了研究之间的可比性，并影响了模型参数化。此外，观测数据集的缺乏以及缺乏有效表示大孔隙特性的方案限制了对优先流机制的理解（Letey，1991年；Taina等人，2008年）。这些限制促使人们需要开发更先进的大孔隙量化方法。

X射线计算机断层扫描（CT）提供了一种无损的三维土壤孔隙网络可视化方法，但CT的准确性在很大程度上依赖于分割方法（Bai等人，2025年；Liu等人，2021年；Pires等人，2020年）。由于土壤孔隙具有分形特性、高度异质性和不清晰的边界以及图像噪声，传统的分割方法难以取得良好效果（Baveye等人，2010年；Iassonov等人，2009年；Song等人，2022年；Young和Crawford，2004年）。基于阈值或形态学的算法由于土壤结构和灰度值的多样性而不适合用于土壤分析（Bai等人，2023年；Ghosh等人，2023年；Taina等人，2008年）。Baveye等人（2010年）通过跨国专家实验表明，土壤CT图像的阈值分割结果存在显著的主观性差异。他们的发现显示，孔隙度评估结果可能相差高达三倍，即使是自动化算法也有15-20%的变化。这些结果突显了传统孔隙量化方法的基本局限性，并强调了需要更鲁棒、智能的分割方法。此外，检测大孔隙更加复杂，缺乏具体标准，主要依赖于视觉检查和主观判断（Baveye等人，2010年；Ghosh等人，2023年；Iassonov等人，2009年；Taina等人，2008年）。尽管手动勾画可以匹配研究者的判断，但它仅适用于小型数据集。随着CT分辨率的提高和图像体积的增加，注释工作变得缓慢、劳动密集且经常不一致（Iassonov等人，2009年；Song等人，2022年）。这些挑战加速了向自动化和智能方法的转变。

深度学习的最新进展提供了有希望的替代方案。U-Net（Ronneberger等人，2015年）及其变体，如Attention（Attention gate）-U-Net（Oktay等人，2018年）和CBAM（Convolutional Block Attention Module）-U-Net（Woo等人，2018年），在医学、材料和地球科学成像中取得了优异的性能，因为它们能够捕捉局部和全局特征（Jin等人，2020年；Li等人，2023年；Liu等人，2024年；Liu等人，2020年；Qu等人，2024年；Wang和Zai，2023年；Wang等人，2022年）。近年来，一些研究初步尝试将深度学习应用于土壤成像分析。例如，Bai等人（2023年）开发了DARM-U-Net，从染色土壤图像中分割出二维优先流路径，实现了高精度。此外，Bai等人（2025年）提出了基于SAM大型模型的Soil-SAM，实现了99.27%的小尺度孔隙分割精度。这些有希望的尝试展示了深度学习在土壤分析中的潜力。然而，捕捉三维大孔隙网络、多尺度异质性和生物扰动特征仍然具有挑战性（Helliwell等人，2013年）。在像黄土高原这样的生态脆弱区域，松散的土壤质地和人类活动导致孔隙结构的动态演变（Guan等人，2024年）。因此，开发能够同时捕捉大孔隙多尺度几何特征的新智能算法已成为提高水文模型预测准确性的关键突破。

本研究的主要目标是建立一种鲁棒且自动化的框架，用于黄土高原土壤大孔隙的多尺度定量特征分析。为此，研究围绕三个具体目标展开：（1）通过整合残差和注意力机制，开发一个优化的Res-Attention-U-Net模型，从而增强特征提取和分割精度；（2）使用优化框架对土壤大孔隙系统进行全面的二维（2D）和三维（3D）定量分析，提取关键结构参数，如3D孔隙度、有效孔隙度和2D分层孔隙度；（3）通过将先进的成像技术与深度学习算法相结合，完善现有的特征分析方法，为未来的优先流建模提供科学基础。

材料与方法

本研究结合了系统采样和深度学习，定量分析了黄土高原黄土土壤的大孔隙结构。一组代表性的CT图像被用来训练深度学习模型，以实现高精度的自动分割。

最佳模型选择

图4和表1总结了土壤大孔隙分割模型的性能，图4展示了ROC曲线和CT图像分割的视觉比较，表1列出了每个模型的定量评估指标。表1中的定量指标是根据模型的原始输出计算得出的，从而反映了深度学习模型本身的性能。为了便于可视化，图4b中的图像经过了后处理，去除了小噪声并进行了填充。

结论

本研究通过将高分辨率CT成像与提出的Res-Attention-U-Net模型相结合，建立了一个鲁棒且自动化的土壤大孔隙特征分析框架。通过引入注意力门和残差模块，这种深度学习方法确保了在复杂土壤矩阵中精确的特征提取和结构连通性，有效克服了传统阈值方法和手动勾画方法中固有的主观性和效率瓶颈。

CRediT作者贡献声明

张宝清：写作 – 审稿与编辑、监督、资金获取、概念构思。王云峰：方法论、研究。林丹通：写作 – 审稿与编辑、监督、资金获取、概念构思。陈飞：写作 – 原始草稿、方法论、研究、概念构思。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了甘肃省科技重大计划项目（26ZDFA002、26ZDFA006）、国家自然科学基金（42571019）、甘肃省自然科学基金（26JRRA066、24JRRA434）、中央高校基本科研业务费（lzujbky-2023-eyt01、lzujbky-2023-ey09）、教育部基础研究学科突破计划（JYB2025XDXM910）以及重点研究等项目的共同支持。