A novel local-global dependency deep learning model for soil mapping

程哥的一区文章

“A novel local-global dependency deep learning model for soil mapping” (Li 和 Zhang, 2022, pp. -) (pdf)

研究问题：“工 程 “ discrete” 特征不能反映环境协变量 之间 的相 互作 用或 依赖 关系” (pdf)

预测的对象是土壤质地的预测。属于step1里面的对于变量的选择。

研究方法：

“设 计 了 一 种 协 变 量 重 组 方 法 来 生 成 多 组 输 入 ; 随 后 ， 采 用 长 短 期 记 忆 模 型 (L S TM) 提 取 协 变 量 之 间 的 相 互 依 赖 关 系 。 最 后 ， 使 用 全 连 接 层 生 成 预 测 。” (pdf)

然后根据r的相关性，选择排序最相关的，放进去。这个第一种方法，第二种方法是，最相关的a放最后，与a最相关的放最后第二···。

然后这个再根据相关性，比如协变量B，它的相关性就是BDEAC。将它重组之后的排序BDEAC和原始的的BCEDA进行全链接。进行土壤质地的预测。

研究区域：中国

数据集：“本研究的土壤质地数据来源于第二次全国土壤调查” (Li 和 Zhang, 2022, p. 5) (pdf) 🔤本研究的土壤质地数据来源于第二次全国土壤调查🔤

本文的贡献：

“1.提 出 一种 协变 量 重组 方法 ， 在预 测模 型 中生 成多 组 输入 ，将 最相 关或次级相关的环境协变量放在相邻的位置。

2.采用多个 LST M 模型提取协变量之间的相互依赖关系，反映环境 协变量之间的相互作用，随后使用全连接层 (FCN)建立土壤性质与 环境协变量之间的关系。” (Li 和 Zhang, 2022, p. 4)

“3.进行 profile-to-profile 实验来评估所提出的模型，并将其与基于 RF 和 cnn 的模型在不同土壤深度下进行比较。

4.探 索 所提模型的不同结构对改善土壤纹理预测的影响。” (Li 和 Zhang, 2022, p. 4)

协变量相关性。

“我们假设如果相邻协变量之间不存在相 关 性， 它可能 会在 反向 传播过 程中 面临梯 度消 失问 题，并 进一 步影 响预测性能(Fei和 T an, 2018)。

为了缓解这个问题，提出了第二种重 组方法(称为 LGD-LST M)。我们还将最相关的协变量 (简称 A)放在 了 这个 方法的 最后 一个 维度。

我们 没有选 择第 二个 相关的 协变 量， 而是与 A 计算其他协变量中最相关的一个，并将其放置在倒数第二 个 维度 。依次 类推 其他 协变量 。

通 过这种 方式 ，我 们希望 确保 相邻 的 协 变 量 既具有相关 性，又能缓解 梯度消失问题 。” (Li 和 Zhang, 2022, p. 9)

评估指标：

R2，Rmse，KGE

还做了不确定性分析。

总结：

• 预测的对象是土壤质地的预测。属于landbench里step1里面的对于变量的选择。
• 设 计 了 一 种 协 变 量 重 组 方 法 来 生 成 多 组 输 入 ; 随 后 ， 采 用 长 短 期 记 忆 模 型 (L S TM) 提 取 协 变 量 之 间 的 相 互 依 赖 关 系 。 最 后 ， 使 用 全 连 接 层 生 成 预 测