利用中红外光谱预测不同农业土地利用系统下的土壤健康属性

《Geoderma》:Predicting soil health properties across different agricultural land use systems using mid-infrared spectroscopy

【字体: 大 中 小 】 时间:2026年06月01日 来源:Geoderma 6.6

编辑推荐:

  中红外(MIR)-扩散反射光谱(DRS)结合化学计量学提供了一种快速、经济高效的方法来预测土壤属性,然而其准确性在不同土壤属性和验证方法之间存在差异。本研究使用来自加拿大新斯科舍省八个种植系统的829个样本的MIR光谱(4000–600 cm?1

  
中红外(MIR)-扩散反射光谱(DRS)结合化学计量学提供了一种快速、经济高效的方法来预测土壤属性,然而其准确性在不同土壤属性和验证方法之间存在差异。本研究使用来自加拿大新斯科舍省八个种植系统的829个样本的MIR光谱(4000–600 cm?1),校准并验证了30项土壤健康属性的部分最小二乘回归(PLSR)模型。模型通过80–20 Kennard-Stone(KS)保留验证、留一交叉验证(LOOCV)以及基于种植系统的留组交叉验证(LGOCV)进行评估。采用重复分层蒙特卡罗80–20保留重采样作为敏感性分析,以量化验证指标的不确定性,并使用微观平均和宏观平均以及折级种植系统指标总结LGOCV结果。结果表明,对于土壤pH、总有机碳、总氮、铝、水稳性团聚体(WSA)、砂粒和粉粒,各验证方法均表现出较强的预测性能(RPIQ 2.2–3.7)。相反,黏粒(平均12.0%)被证明难以建模。易变养分组分(铵态氮、硝态氮、总可溶性氮)和Mehlich-3可提取养分(P2O5、K2O、硫、硼、铜、锌)表现出有限的预测性(RPIQ < 2.0)。在所有属性中,验证方法影响准确性,80–20 KS保留和LOOCV通常产生比LGOCV更高的性能。重复分层蒙特卡罗80–20保留重采样显示,对于生物动态性和可提取的养分属性,其性能不确定性大于在MIR光谱中具有稳定特征表示的成分属性,而宏观平均和折级LGOCV揭示了种植系统间预测鲁棒性的不均等。在LGOCV下,下降最大的属性是活性碳、呼吸作用、高压釜-柠檬酸盐可提取(ACE)蛋白、阳离子交换量、总盐基饱和度、和有效水含量。总有机碳、总氮、有机质、砂粒、粉粒、黏粒和pH在从80–20保留到LOOCV再到LGOCV的逐步下降中仍保持较强的预测准确性(RPIQ = 2.2–3.7),而钙和铝在LGOCV下表现出略微更高的性能指标(RPIQ = 2.1–2.8)。这些发现强调了当不考虑种植系统异质性和验证不确定性时,性能可能被高估的风险,展示了基于组和重复重采样验证方法在评估模型鲁棒性方面的价值。
**论文解读:利用中红外光谱预测不同农业土地利用系统下的土壤健康属性**

**研究背景、问题与意义**

土壤健康是可持续农业的基石,旨在评估管理措施对影响作物生产力、生态系统服务和土地资源长期可持续性的一系列土壤属性的作用。然而,传统土壤测试方法耗时耗力、成本高昂,尤其是对于大空间尺度的长期监测,这限制了土壤健康评估的强度和广泛适用性。在加拿大,广袤的土地面积进一步加剧了这一挑战,亟需经济高效的解决方案来支持土壤调查和资源监测。近年来,中红外(Mid-Infrared, MIR)光谱技术作为一种快速、低成本且能同时评估多种土壤属性的高通量工具受到关注,但其预测准确性高度依赖于校准数据集的质量、区域特异性以及验证方法的严谨性。现有研究多采用简单的交叉验证,可能因“数据泄露”而导致模型性能虚高,且缺乏对种植系统异质性影响模型泛化能力的系统评估。为此,研究人员利用加拿大新斯科舍省多样化的种植系统数据集,系统评估了不同验证方法对30项土壤健康属性MIR光谱模型预测性能的影响,旨在确定哪些属性可被可靠预测,并阐明在种植系统异质性下如何解读模型表现。该研究对于推动MIR光谱作为区域土壤健康监测的互补高通量筛选工具具有重要意义,相关成果发表在《Geoderma》期刊。

**主要关键技术方法**

研究采用的主要关键技术方法包括:(1)**中红外光谱采集**:使用配备扩散反射红外傅里叶变换(Diffuse Reflectance Infrared Fourier Transform, DRIFT)附件和高通量测量(High-Throughput, HTS-XT)附件的傅里叶变换红外(Fourier Transform Infrared, FTIR)光谱仪,获取样本在4000–600 cm?1范围内的MIR光谱。(2)**化学计量学建模**:采用部分最小二乘回归(Partial Least Squares Regression, PLSR)建立光谱与土壤属性之间的定量预测模型,并应用一阶导数、向量归一化(Standard Normal Variate, SNV)等预处理组合优化模型。(3)**多种验证方法**:实施了80–20 Kennard-Stone(KS)保留验证、留一交叉验证(Leave One Out Cross Validation, LOOCV)和基于种植系统的留组交叉验证(Leave Group Out Cross Validation, LGOCV),并采用重复分层蒙特卡罗80–20保留重采样(30次迭代)作为敏感性分析,以量化校准-验证分区的相关不确定性。样本来源为2016至2018年间从新斯科舍省117个农业田块采集的829个样本,经筛选后使用691个样本,涵盖8种种植系统。

**研究结果**

**3.1 数据集探索性分析**
通过描述性统计和相关性热图分析发现,新斯科舍省土壤健康数据库中的30项属性表现出显著变异和分布模式。土壤pH呈近中性,有机质和总有机碳呈右偏态,生物指标(活性碳、呼吸作用、ACE蛋白)变异性高且偏度极大。砂粒占主导,黏粒平均仅12.0%。养分有效性(如P2O5、K2O)表现为高变异和右偏分布。相关性分析显示,pH与阳离子交换量(Cation Exchange Capacity, CEC)和盐基饱和度强正相关,与铝强负相关;有机碳与生物指标正相关;WSA与有机碳和有效水含量相关;黏粒与CEC和有机碳中度相关;微量营养元素间相关性较弱。

**3.2 MIR校准模型结果**

**3.2.1 化学性质**
对于pH,所有验证方法均表现良好,RPIQ > 2.2,R2 > 0.71,归因于pH与具有MIR特征峰的有机质、碳酸盐等存在强二次相关。CEC、总盐基饱和度和镁在80–20保留和LOOCV下表现尚可(RPIQ > 2.0),但LGOCV下性能下降,说明简单验证可能高估泛化能力。铝在所有方法下表现优异(RPIQ 2.5–2.9),而钙和钠预测性能较差(RPIQ < 2.0),主要因为Mehlich-3可提取态缺乏直接光谱特征。

**3.2.2 有机质与养分动态**
总有机碳(RPIQ = 3.7)、总氮(RPIQ = 3.2)和有机质在80–20保留下表现最优,归因于MIR区域中C-H、N-H、C=O等特征吸收带。所有碳、氮相关属性在LGOCV下性能均下降(RPIQ降幅20–40%),尤其是活性碳、呼吸作用和ACE蛋白,表明这些属性对验证设计和种植系统异质性高度敏感。铵态氮、硝态氮和总可溶性氮等易变组分在所有方法下预测能力均较差(RPIQ < 2.0)。

**3.2.3 物理与结构性质**
砂粒和粉粒的预测性能在所有方法中均稳定且较强(R2 > 0.74,RPIQ > 2.0),得益于石英和硅酸盐矿物的特征吸收峰。黏粒的R2从0.81(80–20)降至0.65(LGOCV),但RPIQ稳定在1.7–1.9,预测效果有限,可能与数据库黏粒含量低(平均12%)、光谱重叠以及快速质地测定法引入的分析不确定性有关。WSA在LGOCV下RPIQ降至2.5但仍属满意,其预测能力源自对土壤有机质和黏土矿物光谱特征的捕捉。AWC在所有验证方法下预测能力均有限(LGOCV下RPIQ = 1.7)。

**3.2.4 大量与微量营养元素有效性**
除铁(Fe)外,所有Mehlich-3可提取元素(P、K、S、B、Cu、Zn等)的预测性能持续低下(RPIQ < 2.0)。铁因存在特定Fe-O-Fe键特征吸收(~814 cm?1)获得勉强可接受的性能(RPIQ > 2.1)。

**3.2.5 验证方法比较**
整体上,LOOCV和80–20保留产生了相似的性能指标,且普遍优于微平均LGOCV,平均RPIQ提高18.1%。某些生物与物理复杂属性(如活性碳、呼吸作用、ACE蛋白)在LGOCV下RPIQ从满意降至较差。稳定的组成属性虽也下降,但仍保持满意性能。重复蒙特卡罗重采样表明,性能不确定性在生物动态性和可提取养分属性上显著高于稳定属性。折级水平分析还揭示了小种植系统(如葡萄园、果园)中某些属性的极端高或低RPIQ值,提示RPIQ对小样本组内四分位距敏感。

**讨论与结论总结**

讨论部分指出,验证方法的选择显著影响模型性能评估,LGOCV作为考虑种植系统异质性的保守方法,能更真实反映模型泛化能力。数据泄露问题可能导致简单交叉验证的乐观估计。结论部分翻译如下:

本研究证明,MIR光谱结合PLSR等化学计量学技术以及不同验证方法,是预测不同种植系统下土壤多项关键属性的有效工具。预测性能因土壤属性和验证方法而异。模型对土壤pH、总有机碳和总氮在所有验证方法下均达到高精度,这归因于它们在MIR范围内的直接光谱特征或pH与其他光谱活性成分的强二次相关。类似地,镁、铝、WSA以及砂粒和粉粒在所有验证策略下均表现良好。然而,本研究中黏粒含量难以准确建模。易变养分组分(如铵态氮、硝态氮、总可溶性氮)、土壤供氮量、AWC及多数Mehlich-3可提取大量和微量营养元素(磷、钾、硫、硼、铜、锌)的预测能力有限,尤其是在微平均LGOCV方法下,铁是唯一勉强可接受的微量营养元素。

在所有土壤参考属性上,验证方法的选择对准确性指标有可测量的影响。活性碳、呼吸作用、ACE蛋白、CEC、总盐基饱和度和AWC在微平均LGOCV下均产生较低准确性,RPIQ值从满意降至较差。相反,总有机碳、总氮、有机质、砂粒、粉粒和pH尽管略有下降但保留了良好预测能力。钙、铝和黏粒在微平均LGOCV下基本不受影响或略有提升,表明其预测对该验证方法引入的异质性不敏感。重复分层蒙特卡罗重采样进一步表明,验证不确定性依赖于属性,生物动态性和Mehlich-3可提取养分属性的敏感性高于更稳定的属性如pH、总有机碳、总氮、砂粒、粉粒、WSA和铝。宏观平均和折级LGOCV结果还显示,整体样本级性能并不总能反映各种植系统间均匀的预测鲁棒性,尤其是对于较小或更独特的种植系统组。

光谱方法对与MIR活性成分直接相关或通过二次关系强相关的属性(如pH)表现最佳。相反,依赖间接相关性的反映活性、可提取组分或水文行为的属性从该数据集中预测可靠性较低。对于可能对环境或方法更敏感的土壤参考属性,基于MIR的校准模型可能需要更大本地/区域数据集以进一步测试预测可靠性。同时,该特定数据集的相对较小且区域有限的规模可能不足以全面评估或否定MIR光谱的更广泛潜力。通过更大、更多样的训练数据集持续改进校准和建模策略,对于扩展MIR在综合土壤健康监测中的应用至关重要。总体而言,这些发现展示了MIR光谱在快速评估和监测对于可持续土壤管理至关重要的关键土壤健康属性方面的潜力,同时也强调了采用重复重采样和基于组的交叉验证方法以确保在现实管理和环境变异下进行稳健模型评估的重要性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号