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 | MDPI Soil Systems

本研究针对传统土壤调查中土层划分、土类识别和土壤有机质测定依赖专家经验、费时费力且主观性强的问题，提出了一种基于改进Mask R-CNN的多模态深度学习框架。研究以安徽省451个土壤剖面图像为样本，覆盖10个土类，通过三种过渡层标注方案对比，发现将过渡层作为独立类别处理时模型表现最佳。该方案下，土层划分精准率和召回率分别达0.925和0.933，分割平均精准度为0.918；土类识别准确率达0.717；土壤有机质预测R²为0.565。数据增强和迁移学习显著提升了模型性能，精准率从0.627提升至0.925。研究还分析了不同土类混淆的土壤学原因，并指出未来可融合环境因子等辅助变量进一步提升预测效果。该研究将土壤形态特征、分类信息和属性预测整合到统一流程中，突破了单任务识别的局限。