Lite-HCAR-CNN: A Lightweight Deep Learning Model for Rapid Forest Soil Organic Carbon Estimation from Laboratory Vis-NIR Spectra
Jian Tang · Zubo Meng · Yuanyuan Shi 等 5 人
提出轻量级深度学习模型Lite-HCAR-CNN，用于从实验室可见-近红外光谱快速估算森林土壤有机碳
采用一维卷积、挤压激励、Swish激活及残差密集回归头，结合20nm分箱和SG-
模型在精度与效率间取得平衡，RMSE降低8.4%，参数减少87.9%，推理延迟降低88.6%。
可探索将轻量级模型部署于便携式或机载光谱设备，实现野外实时土壤碳监测，并扩展至其他土壤属性。
提出轻量化深度学习模型，兼顾精度与效率，对森林土壤碳估算有实用价值。
土壤有机碳（SOC）的快速可靠监测对于精准森林管理和土壤生态评估具有重要意义。本研究从中国广西的亚热带人工林和次生林区域采集了853份表层土壤样品，经光谱质量控制和SOC异常值筛选后，保留842份有效样品用于模型构建。实验室获取的可见-近红外光谱采用Savitzky-Golay平滑和标准正态变量校正进行预处理，随后对全光谱、10 nm、20 nm和40 nm分箱、主成分分析及PLS-VIP特征选择进行了降维比较。为提高基于可见-近红外光谱快速估算SOC的计算效率，开发了一种轻量级模型Lite-HCAR-CNN。该模型采用两个核大小为7的一维卷积块、双重挤压-激励通道重标定、Swish激活函数以及紧凑的残差密集回归头。模型评估采用基于SOC分层的五折外交叉验证策略，内验证子集仅用于检查点选择，每个保留的外测试折仅评估一次。在选定的20 nm分箱策略下，Lite-HCAR-CNN实现了平均R²为0.810 ± 0.027，RMSE为4.617 ± 0.373 g/kg。与1D-CNN相比，Lite-HCAR-CNN的RMSE降低了约8.4%；与1D-ResNet18相比，可训练参数减少了87.9%，模型存储大小减少了87.9%，FLOPs减少了96.7%，CPU推理延迟降低了88.6%。进一步开展了分箱比较、核大小和隐藏单元敏感性分析、消融实验、残差诊断及MC Dropout不确定性分析，以阐明模型设计及其可靠性。结果表明，Lite-HCAR-CNN在利用实验室可见-近红外光谱快速估算森林土壤有机碳方面，实现了预测精度与计算效率之间的良好平衡。