《Environmental Technology & Innovation》:Near-Infrared Spectroscopy for Predicting Soil Properties and Fertilizer Recommendations in Korean Cropping Systems
编辑推荐:
近红外(NIR)光谱预测韩国种植系统土壤属性及施肥推荐研究
准确的土壤分析在施肥推荐中起着至关重要的作用。传统的土壤分析方法耗时、需要使用化学试剂,且无法实时提供土壤养分状况。在此背景下,光谱技术提供了一种有前景的替代方案,能够同时评估多种土壤属性。因此,本研
近红外(NIR)光谱预测韩国种植系统土壤属性及施肥推荐研究
准确的土壤分析在施肥推荐中起着至关重要的作用。传统的土壤分析方法耗时、需要使用化学试剂,且无法实时提供土壤养分状况。在此背景下,光谱技术提供了一种有前景的替代方案,能够同时评估多种土壤属性。因此,本研究旨在评估近红外(NIR)光谱预测土壤属性的潜力及其在七种作物施肥推荐中的适用性。研究共收集了来自不同土地利用类型的1167份土壤样本。研究人员采用常规方法对这些样本进行了分析,并利用五种算法构建了NIR预测模型,这五种算法分别是随机森林(Random Forest, RF)、Cubist、偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量机(Support Vector Machine, SVM)和基于记忆的学习(Memory-Based Learning, MBL)。其中,MBL模型在预测土壤属性方面表现优于其他模型。研究结果显示,全氮(Total Nitrogen, TN)(决定系数(R2) = 0.84,均方根误差(Root Mean Square Error, RMSE) = 0.05,相对分析误差(Ratio of Performance to Deviation, RPD) = 2.50,偏差(Bias) = 0.00)、有机质(Organic Matter, OM)(R2= 0.81,RMSE = 9.07,RPD = 2.27,Bias = 0.20)和电导率(Electrical Conductivity, EC)(R2= 0.79,RMSE = 2.05,RPD = 2.27,Bias = 0.12)的预测精度较高;而酸碱度(pH)、有效磷(Available Phosphorus, avl. P)、钾(K)、镁(Mg)和钙(Ca)的预测精度为中等水平(R2< 0.68,RMSE < 310.58,RPD < 1.74,Bias < 0.92)。与湿化学分析结果相比,基于NIR的七种作物平均施肥推荐差异在可接受范围内(氮(N):3.6%,磷(P):7.7%,钾(K):9.7%)。总体而言,本研究证明了NIR作为一种经济高效的可靠土壤评估工具的潜力,能够实现高效的施肥推荐并支持可持续农业。
《Environmental Technology 》论文解读
研究背景与意义
土壤养分是农业生产力的核心要素,然而作物收获、养分淋溶和土壤侵蚀会导致土壤养分流失,迫使农户大量施用有机和无机肥料。过量施肥不仅会损害土壤健康,还会造成水体污染,威胁生态环境与人类健康。韩国拥有约156万公顷农田,每年需分析约60万个土壤样本以支持国家肥料管理。传统的化学分析法虽能提供准确的土壤信息,但存在耗时、依赖昂贵化学试剂、无法实现实时监测等局限,难以满足大规模样本的现代农业需求。尽管可见-近红外(Vis-NIR)光谱技术在土壤评估中已有广泛应用,但基于近红外(NIR)光谱辅助韩国农田作物施肥推荐的研究仍处于空白。因此,研究人员开展了此项研究,旨在通过NIR光谱技术结合机器学习算法,实现韩国农田土壤属性的快速、无损预测,并直接将其应用于七种作物的施肥推荐系统中,以期为韩国农业提供低成本、高效率的精准农业解决方案。
主要关键技术方法
研究人员采集了韩国各地温室、果园、稻田和旱地等不同土地利用类型的1167份土壤样本。采用常规湿化学法测定了pH、OM、TN、avl. P、K、Ca、Mg、EC、阳离子交换量(CEC)和SiO2等属性作为基准数据。使用台式NIR-SpectraStar XT光谱仪在680至2600 nm波长范围内采集光谱数据,并通过Savitzky-Golay平滑和标准正态变量变换(SNV)进行光谱预处理以消除噪声和散射效应。研究人员构建了PLSR、Cubist、SVM、RF和MBL五种机器学习模型,并采用10折交叉验证评估模型性能。最后,基于韩国施肥推荐系统中的特定作物方程,利用NIR预测的土壤属性计算N、P2O5和K2O的施用量,并与常规方法的推荐结果进行对比分析。
研究结果
土壤属性描述性统计
常规实验室分析显示,研究区域内的土壤属性具有广泛的变异性和代表性。OM含量(CN分析仪法)介于0.84至195.5 g kg-1之间,平均值为31.5 g kg-1;TN介于0至0.9%之间,平均值为0.2%;pH介于3.7至8.8之间,平均值为6.5;avl. P范围极广,介于1.8至4868.3 mg kg-1之间,平均值高达558.5 mg kg-1。这些数据表明样本涵盖了从强酸性到中碱性以及不同肥力水平的土壤,为模型的稳健性提供了保障。
光谱相关性与重要波长
研究人员通过主成分分析(PCA)发现,PC1和PC2分别解释了总方差的56.6%和25.1%。不同土地利用类型的光谱特征在PCA得分图上虽有重叠,但稻田样本在PC1负侧高度聚集。载荷图分析识别出约1400 nm和1900 nm处的主导载荷归因于O-H振动和水吸收,约2200 nm处的载荷与粘土矿物相关的Al-OH及其他羟基有关,2300-2400 nm区域则与土壤有机质(SOM)相关的C-H基团有关。热图分析进一步证实了光谱数据与OM、TN、EC和CEC之间存在显著相关性,而与SiO2和pH的相关性较弱。
基于NIR光谱的土壤属性预测性能
在五种机器学习模型中,MBL模型在大多数土壤属性预测中表现最佳。具体而言,TN(R2= 0.84,RMSE = 0.05,RPD = 2.50)、OM(R2= 0.81,RMSE = 9.07,RPD = 2.27)和EC(R2= 0.79,RMSE = 2.05,RPD = 2.27)表现出较强的预测精度。Ca、Mg、P2O5、CEC和K的预测精度为中等水平,而pH和SiO2的预测难度较大,其中SiO2的R2仅为0.22。MBL模型的优越性归因于其局部学习策略,即通过识别光谱相似的邻居为每个预测建立局部校准,有效降低了异质土壤光谱库的变异性。
不同作物的施肥推荐
基于NIR预测属性计算的七种作物施肥推荐量与常规方法的结果高度吻合。N推荐量的平均差异仅为3.6%(约3.14 kg ha-1),其中水稻和苹果的N推荐量完全一致。P2O5和K2O的平均差异分别为7.7%和9.7%。尽管温室作物(西瓜、韩国甜瓜、黄瓜)因基于EC推荐氮肥且K变异较大,导致推荐量差异略高于露天作物,但整体差异均在可接受范围内。Lin's一致性相关系数(LCCC)分析显示,N推荐的LCCC值在0.80至0.88之间,表明两种方法在N推荐上具有良好的一致性。
讨论与结论
研究局限性及未来工作
研究人员指出,当前开发的模型受限于特定的研究区域和数据集,直接应用于其他地理区域可能会因土壤理化性质的差异而导致预测性能下降。此外,施肥推荐是基于韩国的特定系统和七种作物的营养指南,不一定适用于其他国家或韩国其他作物。未来的研究应利用跨地区的独立数据集评估模型的可转移性,探索模型重新校准的策略,并结合更大的光谱库、先进的机器学习算法、超参数优化和集成建模来进一步提高预测精度。
结论
研究表明,NIR光谱技术能够精确预测对施肥推荐至关重要的土壤属性。通过将NIR辅助的化学计量学与MBL等机器学习算法相结合,研究人员成功为七种不同作物开发了施肥推荐方案。该方法得出的推荐值与常规化学方法高度相似,证明了其在农场实时土壤属性分析和肥料管理中的巨大潜力。这不仅有助于节省时间和成本,更为推动可持续农业发展提供了强有力的技术支持。