Адаптация модели глубокого обучения на основе ResNet для прогнозирования химических свойств почв центральной России по данным спектроскопии
https://doi.org/10.55648/1998-6920-2026-20-2-93-106
Аннотация
В данной статье представлена адаптация модели глубокого обучения на основе остаточной нейронной сети ResNet с модулями внимания CBAM для прогнозирования содержания азота, фосфора и калия в почвах центральной России по данным спектроскопии в видимом и ближнем инфракрасном диапазонах. Модель, предобученная на глобальной библиотеке LUCAS, дообучена на локальной выборке из 100 образцов почв Воронежской, Курской, Ростовской областей и Краснодарского края. Применена стратегия частичной заморозки слоев. После дообучения достигнуты коэффициент детерминации 0,91 и относительное отклонение прогноза 3,01 для азота, для фосфора – 0,56 и 2,40 соответственно. Показана возможность использования портативных спектрометров в системах точного земледелия.
Ключевые слова
Об авторах
Илья Евгеньевич Новоселов
Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет»
Россия
Россия
Ольга Евгеньевна Бакланова
Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет»
Россия
Россия
Список литературы
1. Shin, S.K.; Lee, S.J.; Park, J.H. Prediction of Soil Properties Using Vis-NIR Spectroscopy Combined with Machine Learning: A Review. Sensors 2025, 25, 5045. [Электронный ресурс]. DOI: 10.3390/s25165045. URL: https://doi.org/10.3390/s25165045
2. Сироткин, В. В. Изучение почвенных параметров на основе полевых спектрометрических данных / В. В. Сироткин, С. В. Васюков, Б. М. Усманов // Вестник Удмуртского университета. Серия: Биология. Науки о Земле. – 2020. – Т. 30, № 1. – С. 71–82. [Электронный ресурс]. DOI: 10.35634/2412-9518-2020-30-1-71-82. URL: http://doi.org/10.35634/2412-9518-2020-30-1-71-82
3. Viscarra Rossel, R. A. Using data mining to model and interpret soil diffuse reflectance spectra / R. A. Viscarra Rossel, T. Behrens // Geoderma. – 2010. – Vol. 158, No. 1-2. – P. 46–54. [Электронный ресурс]. DOI: 10.1016/j.geoderma.2009.12.025. URL: https://doi.org/10.1016/j.geoderma.2009.12.025
4. de Santana, F.B., de Souza, A.M., Poppi, R.J. Visible and near Infrared Spectroscopy Coupled to Random Forest to Quantify Some Soil Quality Parameters. Spectrochim. Acta Part A Mol. Biomol. Spectrosc., 2018, 191, pp. 454–462. [Электронный ресурс]. DOI: 10.1016/j.saa.2017.10.052. URL: https://doi.org/10.1016/j.saa.2017.10.052
5. Chen, S. Rapid determination of soil classes in soil profiles using vis–NIR spectroscopy and multiple objectives mixed support vector classification / S. Chen, S. Li, W. Ma [et al.] // European Journal of Soil Science. – 2019. – Vol. 70, No. 1. – P. 42–53. [Электронный ресурс]. DOI: 10.1111/ejss.12715. URL: https://doi.org/10.1111/ejss.12715
6. Tóth, G. LUCAS Topsoil Survey. Methodology, data and results / G. Tóth, A. Jones, L. Montanarella (eds.). – Luxembourg: Publications Office of the European Union, 2013. – 141 p. – (EUR 26102). [Электронный ресурс]. DOI: 10.2788/97922. https://doi.org/10.2788/97922
7. Ng, W. Kattenborn, T., Leitloff, J., Schiefer, F., Hinz, S. Review on Convolutional Neural Networks (CNN) in Vegetation Remote Sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173, pp. 24–49. [Электронный ресурс]. DOI: 10.1016/j.isprsjprs.2020.12.010. URL: https://doi.org/10.1016/j.isprsjprs.2020.12.010
8. He, K. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – Las Vegas, NV, USA, 2016. – P. 770–778. [Электронный ресурс]. DOI: 10.48550/arXiv.1512.03385. URL: https://doi.org/10.48550/arXiv.1512.03385
9. Wartini Ng. Convolutional neural network for simultaneous prediction of several soil properties using visible/near-infrared, mid-infrared, and their combined spectra/ Wartini Ng, Budiman Minasny // Geoderma. – 2019. – Vol. 352. – P. 251–267. [Электронный ресурс]. DOI: 1016/j.geoderma.2019.06.016. URL: https://doi.org/10.1016/j.geoderma.2019.06.016
10. Woo, S Woo, S., Park, J., Lee, J.-Y., Kweon, I.S. CBAM: Convolutional Block Attention Module. ArXiv, 2018, art. 1807.06521. [Электронный ресурс]. DOI: 10.48550/arXiv.1807.06521. URL: https://doi.org/10.48550/arXiv.1807.06521
11. Wang, X. Simultaneous estimation of multiple soil properties from vis-NIR spectra using a multi-gate mixture-of-experts with data augmentation / X. Wang, Mei-Wei Zhang, Ya-Nan Zhou [et al.] // Geoderma. – 2024. – Vol. 445. – Article no. 116888. [Электронный ресурс]. DOI: 10.1016/j.geoderma.2024.117127. URL: https://doi.org/10.1016/j.geoderma.2024.117127
12. Zhong, L. Soil properties: Their prediction and feature extraction from the LUCAS spectral library using deep convolutional neural networks / L. Zhong, X. Guo, Z. Xu, M. Ding // Geoderma. – 2021. – Vol. 402. – Article no. 115366. [Электронный ресурс]. DOI: 10.1016/j.geoderma.2021.115366. URL: https://doi.org/10.1016/j.geoderma.2021.115366
13. Новоселов, И. Е. Программная реализация модели глубокого обучения для прогнозирования свойств почвы на основе данных спектроскопии / И. Е. Новоселов, О. Е. Бакланова // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ, управление. – 2025. – № 3. – С. 125–139. [Электронный ресурс]. DOI: 10.18137/RNUV9187.25.03.P.125. URL: https://vestnik-rosnou.ru/сложные-системы-модели-анализ-и-управление-complex-systems-models-analysis-management/2025/3/125?language=en
14. Буряк, Ж. А. Оценка спектрально-отражательных свойств эродированных агропочв Республики Татарстан / Ж. А. Буряк, А. М. Гафуров // Региональные геосистемы. 49, 3 (сен. 2025), 517-532. [Электронный ресурс]. DOI: 10.52575/2712-7443-2025-49-3-517-532. URL: http://doi.org/10.52575/2712-7443-2025-49-3-517-532
15. Горохова, И. Н. Распознавание каменистых, песчаных и карбонатных с поверхности почв на юге приволжской возвышенности (волгоградская область) по космическим снимкам / И. Н. Горохова, Н. Б. Хитров // Почвоведение. 2023, № 11, с. 1340–1356. [Электронный ресурс]. DOI: 10.31857/S0032180X23600609. URL: https://www.elibrary.ru/download/elibrary_54403217_55348489.pdf
Рецензия
Для цитирования:
Новоселов И.Е., Бакланова О.Е. Адаптация модели глубокого обучения на основе ResNet для прогнозирования химических свойств почв центральной России по данным спектроскопии. Вестник СибГУТИ. 2026;20(2):93-106. https://doi.org/10.55648/1998-6920-2026-20-2-93-106
For citation:
Novoselov I.E., Baklanova O.E. Adaptation of a ResNet-based deep learning model for predicting chemical properties of soils in central Russia using spectroscopy data. The Herald of the Siberian State University of Telecommunications and Information Science. 2026;20(2):93-106. (In Russ.) https://doi.org/10.55648/1998-6920-2026-20-2-93-106
Просмотров:
40
JATS XML
Послать статью по эл. почте 
