基于近红外光谱结合易获取理化性质的土壤碱解氮和全氮定量测定

《Infrared Physics & Technology》:Quantitative determinatio n of soil alkali-hydrolyzable nitrogen and total nitrogen based on near-infrared spectroscopy combined with easily accessible physicochemical properties

【字体: 大 中 小 】 时间:2026年09月26日 来源:Infrared Physics & Technology 3.8

编辑推荐:

   摘要 传统化学土壤氮分析方法耗时较长,而近红外光谱技术(NIRS)能够实现快速预测。然而,仅依靠光谱信息可能无法完全捕捉目标性状的变异。本研究以土壤碱解氮(AN)和全氮(TN)为目标,评估了pH值和电导率(EC)作为辅助变量的效果,并比较了它们对AN和TN预测的影响。在经历小

  

摘要
传统化学土壤氮分析方法耗时较长,而近红外光谱技术(NIRS)能够实现快速预测。然而,仅依靠光谱信息可能无法完全捕捉目标性状的变异。本研究以土壤碱解氮(AN)和全氮(TN)为目标,评估了pH值和电导率(EC)作为辅助变量的效果,并比较了它们对AN和TN预测的影响。在经历小波去噪(WD)和移动平均平滑(MA)处理后,分别采用竞争性自适应重加权采样(CARS)和卷积神经网络(CNN)进行光谱变量选择和特征提取。将光谱数据与pH和EC融合,建立了偏最小二乘回归(PLS)、支持向量机(SVM)和极限学习机(ELM)模型。辅助变量融合提高了AN的预测精度,但对TN的提升有限。在独立测试集上,最优的AN模型(pH+EC-CNN-SVM)的确定系数(R2)为0.961,均方根误差(RMSE)为4.923 mg/kg,平均绝对误差(MAE)为3.836 mg/kg,性能偏差比(RPD)为5.087;相对于仅使用光谱的模型,RMSE降低了37.04%。最优的TN模型(EC-CARS-SVM)的R2为0.953,RMSE为0.233 g/kg,MAE为0.180 g/kg,RPD为4.653;RMSE降低了8.98%。综合考虑建模结果、相关性分析、土壤氮特性以及Shapley加性解释(SHAP),辅助变量对AN预测的贡献更大,而TN预测主要仍由光谱信息驱动。本研究的结果为基于NIRS的土壤氮预测中的辅助变量选择和多源信息融合提供了科学依据。

引言
土壤氮是衡量耕地土壤肥力和养分供应能力的关键指标[1]。碱解氮(AN)是指在碱性水解条件下释放并测定的氮含量[2],而全氮(TN)代表土壤中所有形态氮的总量[3]。准确测定AN和TN含量对于评估土壤氮供应能力、指导变量施肥和提高养分利用效率至关重要[4]。虽然传统化学方法能提供可靠的结果,但其样品制备和分析步骤耗时较长,不适合对大量土壤样本进行快速分析[5]。近红外光谱技术(NIRS)作为一种快速无损技术,已被广泛用于土壤氮及其他理化性质的定量预测[6]。

光谱数据通常包含大量变量,相邻波数变量之间往往表现出强烈的共线性,同时还容易受到散射效应、基线漂移和噪声的影响。因此,直接全光谱建模可能会引入冗余变量,降低模型的稳定性和预测精度。相应地,光谱预处理、特征选择和特征提取是土壤近红外光谱建模的重要步骤[7]。竞争性自适应重加权采样(CARS)能够从全光谱中选择与目标变量密切相关且具有信息量的光谱变量,从而减少冗余变量对模型性能的影响[8]。相比之下,卷积神经网络(CNN)能够从连续光谱中提取深层光谱特征,以捕捉复杂的光谱模式。已有研究表明深度学习在土壤光谱建模中具有潜力,但特征选择和提取策略并不普遍适用于所有土壤性质的定量预测[9]。

除光谱信息外,选定的土壤理化性质可以作为额外的模型输入。先前的研究已将多源信息纳入土壤光谱建模中,包括全碳、粒径组成和环境协变量,用于预测土壤有机碳、无机碳及其他理化性质。这些研究为利用非光谱信息辅助光谱建模提供了依据[10]、[11]、[12]。然而,大多数相关工作集中在碳相关性质、粒径信息、环境协变量或多传感器融合方面。对于土壤氮预测而言,pH和电导率(EC)是耕地土壤检测中常用且易于测量的理化性质,具有测量快速和成本低的优势。它们与土壤酸碱条件、可溶性盐和离子状态相关,因此可能与氮转化过程和养分有效性有关[13]、[14]。由于AN和TN反映了土壤氮状况的不同方面,pH和EC所提供的互补信息对这两个目标可能有所不同。然而,目前尚不清楚pH、EC及其联合使用是否能为AN和TN预测提供一致的辅助信息,以及它们的效果在不同光谱特征表示和回归模型中的变化如何。

在本研究中,利用耕地土壤样本开发了基于近红外光谱的AN和TN定量预测模型。首先,使用偏最小二乘回归(PLS)、支持向量机(SVM)和极限学习机(ELM)模型比较了全光谱变量、CARS选择变量和CNN提取光谱特征的预测性能。然后,引入pH、EC及其联合使用,评估辅助理化变量在不同建模路径下的效果。最后,采用Shapley加性解释(SHAP)分析光谱特征和辅助变量对模型预测的贡献。本研究旨在系统评估pH和EC作为辅助变量对AN和TN预测的影响,比较它们对两种氮目标的贡献,并阐明辅助变量融合的目标依赖性作用,从而为基于NIRS的土壤氮预测中的辅助变量选择和多源信息融合提供科学依据。

章节摘要

整体工作流程
本研究的整体工作流程如图1所示。在土壤采样、理化性质测定、光谱采集、预处理、异常值检测和数据集划分之后,全光谱变量作为仅使用光谱的基准,而CARS和CNN分别用于光谱变量选择和光谱特征提取。CARS选择的光谱变量和CNN提取的光谱特征进一步与pH和EC融合,用于PLS、SVM和ELM建模。

理化性质和相关性分析
AN、TN、pH和EC的核密度分布在三江和友谊土壤样本之间表现出明显差异(图3)。AN和TN的分布在两个地区之间重叠有限,表明土壤氮含量具有明显的区域模式。AN的分布范围更宽,表明样本变异性更大,而TN的分布更为集中,表现出更清晰的区域相关模式。pH和EC也呈现出分离趋势,表明不同区域土壤的pH和EC存在差异。

讨论
本研究的结果表明,pH和EC作为辅助变量,在不同程度上提高了AN和TN的近红外光谱预测性能,但提升幅度明显依赖于目标变量。根据相关性分析,pH和EC都与AN和TN存在一定程度的关联。在所纳入模型的辅助变量中,EC与AN的相关性最强,并且在大多数AN模型中提供了相对一致的提升。

结论
本研究系统地比较了将pH和EC纳入近红外光谱模型对土壤AN和TN预测的影响,并分析了这两个辅助变量对两种氮指标预测贡献的差异。对于AN预测,pH和EC的引入带来了明显的提升。pH+EC-CNN-SVM模型在独立测试集上的R2、RMSE、MAE和RPD分别为0.961、4.923 mg/kg、3.836 mg/kg和5.087。

CRediT作者贡献声明
余浩路:写作——审阅与编辑,写作——初稿,可视化,软件。
席桂清:写作——审阅与编辑,监督,资源,方法。
刘晋明:写作——审阅与编辑,监督。
王梦雪:监督,资源。
魏永顺:调查,形式分析,数据管理,概念化。

生成式AI使用声明
本研究的准备过程中未使用任何生成式AI或AI辅助技术。

资金支持
本研究由国家重点研发计划子课题[资助编号2022YFD1500105];以及黑龙江省八一农业大学"三纵"基本培育计划,黑龙江省省属高校[资助编号ZRCPY202016]资助。

利益冲突声明
作者声明他们不存在任何已知的与本文所报告工作有关的竞争经济利益或个人关系。

余浩路|席桂清|刘晋明|王梦雪|魏永顺
黑龙江八一农业大学 信息与电气工程学院,黑龙江省大庆市长风区新风路5号,邮政编码163319,中国
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