一种针对南非豪登省约翰内斯堡Bezuidenhout Park地区土壤养分预测模型的新方法：注意力时序神经网络（ATNN）

《Scientific Reports》：A novel approach to soil nutrients prediction model for Bezuidenhout Park, Johannesburg, Gauteng Province, South Africa: attention temporal neural networks (ATNN)

　　

摘要

由于机器学习（ML）、大数据和遥感技术的进步，农业行业正在从农业4.0模式向农业5.0模式转型。本研究的目的是介绍并验证一种新型的注意力时序神经网络（ATNN）框架，用于高精度预测土壤养分浓度，并通过约翰内斯堡Bezuidenhout Park地区的实际数字土壤制图（DSM）数据集来展示其实用价值。该框架能够明确建模多源预测因子中的时间和空间依赖性，这些预测因子包括数字高程模型（DEM）、Landsat和Sentinel-2影像的光谱指数以及气象协变量。该方法结合了ATNN的深度特征提取能力与梯度提升回归器（特别是XGBoost）的优势，以实现强大的表格回归分析。实验结果表明，ATNN-XGBoost混合模型表现最佳，显著降低了预测误差，并提高了与实验室测量结果的一致性，例如铝元素的预测误差均方根（RMSE）约为1.98 ppm，平均绝对百分比误差（MAPE）约为2.81%，一致性系数（CCC）约为0.76，决定系数（R2）约为0.69。与随机森林（RF）、梯度提升（GB）和AdaBoost（ADB）等基线模型相比，该方法的养分估算精度大幅提升。本研究的主要贡献有三个方面：（1）开发了一种适用于土壤养分时间序列和空间协变量的紧凑型ATNN架构；（2）提出了一种将基于注意力的特征编码与XGBoost相结合的实用混合策略；（3）在真实的南非DSM数据集上验证了该框架的优越性能。这些进展有助于实现更准确、更及时的肥料管理，为发展更智能、更可持续的精准农业系统提供了可行的路径。