1. 研究背景
土壤反射光谱是推断土壤属性和陆地表面辐射传输模型的重要参数。传统的基于辐射传输理论的机理模型通常只考虑少数几个土壤属性，而数据驱动的方法则受限于现有数据集的非均匀分布特性，这严重限制了可用于模型校准的数据量。本研究旨在通过开发一个完全数据驱动的生成模型来解决这些限制，该模型能够处理不同格式的属性报告，并在输入属性不完整的情况下生成合理的输出光谱。
2.创新之处
在本研究中，开发了一种基于土壤属性输入模拟土壤反射光谱的土壤光学生成模型（SOGM）。该建模方法与以往方法相比有三个主要的新颖之处。首先，该模型完全以数据驱动为基础，训练于一个包含近18万条土壤光谱及其测量物理属性的大型数据集。其次，它通过基于文本输入的土壤属性及其值来生成土壤反射光谱，而不仅仅依赖于二进制向量格式的数值和标签输入。第三，该模型是生成式的，这意味着它可以基于不完整的输入属性集模拟输出光谱。与预测模型（相同输入得出相同输出）相反，生成模型允许相同（不完整）输入得到不同的输出。这是土壤光学建模中的一个重要特性，因为许多可能影响土壤反射光谱的土壤属性在用于模型训练的可用数据集中可能未被明确列出，或在模型预测应用时用户可能未知全部土壤属性。
SOGM是基于去噪扩散的模型，该模型在基于深度学习的图像生成中较为流行（另外，还创建了两个补充SOGM的子模型：一个光谱填充模型，用于弥补短于完整太阳范围（400至2499 nm）的光谱间隙；以及一个湿土壤光谱模型，用于根据SOGM预测的干土壤光谱估算含水量对土壤反射光谱的影响。
3. 关键图表
图1 根据美国农业部（USDA）土壤分类系统，展示模型训练数据集中土壤样本的粒径（粘土、沙子和淤泥含量）的三角图。每个红点代表一个土壤样本。
表1 用于模型训练的土壤光谱反射数据集列表
图2 光谱填充模型的架构示意图
图3 去噪扩散模型的示意图
图4 光谱去噪过程的示例图
图5 实际光谱与生成光谱的标准差均值
图6 湿土壤光谱模型基于干土壤光谱（黑色虚线）和输入的土壤含水量（SMC）预测的湿土壤反射光谱
图7 真实土壤样本图像与生成图像的RGB值比较
4. 主要结论
本研究提出了一种新的生成式模型SOGM，用于基于不完整的输入物理属性和可变格式生成的土壤反射光谱。该模型能够通过基于文本的生成方法编码大量在线可用的土壤光谱-属性数据，这使其有别于现有模型，克服了数据不兼容的障碍，并能够处理各种土壤属性组合，包括土壤湿度，无需任何额外的模型参数。同时，研究证明了使用数据驱动方法基于多样且不完整的数据集建模土壤反射光谱的可能性。通过在模型训练中未包含的新数据集上测试SOGM，证明了该模型可以根据可用属性输入生成合理的土壤反射光谱，随着输入参数集的增加，生成的土壤反射光谱更加可靠。
5. 发表信息
Lei T, Bailey B N. A text-based, generative deep learning model for soil reflectance spectrum simulation in the solar range (400–2499 nm)[J]. Remote Sensing of Environment, 2025, 318: 114527.https://doi.org/10.1016/j.rse.2024.114527
6．声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
