基于XRF光谱与局部加权偏最小二乘回归（LWPLSR）的超干旱区土壤性状快速评估方法及其生态意义

本研究创新性地结合中心对数比（CLR）变换与局部加权偏最小二乘回归（LWPLSR）模型，利用便携式X射线荧光光谱（XRF）技术实现了对超干旱地区土壤理化性质的高精度预测。该方法成功解决了传统土壤检测成本高、耗时长的问题，尤其在土壤质地（黏土、粉砂、砂粒）、阳离子交换量（CEC）、交换性钙（CaO）、镁（MgO）、钾（K2O）及无机碳（SIC）等关键指标上表现出优异性能（R2最高达0.96），为大规模土壤快速诊断与生态修复提供了可靠的技术支撑。

　　

1 引言

土壤表征在生态学、农业及林业领域具有核心意义，尤其对退化生态系统的功能理解与恢复策略制定至关重要。然而，传统土壤理化性质测量方法成本高昂、耗时漫长，难以支撑大尺度研究。X射线荧光光谱（XRF）技术虽已广泛应用于土壤变量预测，但在超干旱环境中对土壤质地等关键参数的预测仍存在局限。本研究首次将中心对数比（CLR）变换与局部加权偏最小二乘回归（LWPLSR）相结合，旨在突破超干旱区土壤快速评估的技术瓶颈。

2 材料与方法

2.1 研究区与采样

研究区位于沙特阿拉伯AlUla县，属典型超干旱气候，年均降水量仅15.9–73.7 mm。2019–2024年间共采集579个土壤样本，采样深度为30–40 cm，经混合筛分后用于XRF光谱获取与理化分析。

2.2 土壤理化性质

通过COFRAC认证实验室测定包括质地（黏土、粉砂、砂粒含量）、pH、电导率（EC）、碳酸钙总量（CaCO₃）、交换性养分（K₂O、MgO、CaO、Na₂O）、阳离子交换量（CEC）及有机碳（SOC）、无机碳（SIC）等20余项指标。质地数据作为成分数据进行了CLR变换，其他变量根据分布特征进行对数或平方根转换以降低偏度。

2.3 XRF光谱获取与CLR变换

使用便携式XRF分析仪（Bruker S1 Titan）获取镁至铀元素的原子浓度数据。对未检出元素采用10^-6值替代，低于检测限（LOD）的元素使用构造器提供的限值替换。随后对29种初始筛选元素进行CLR变换，公式为：

clr(x_i) = log(x_i / g(x))

其中g(x)为几何均值。最终基于变异性阈值筛选出18种元素用于主成分分析（PCA），前两个主轴累计解释57%的方差。

2.4 模型构建与评估

采用Kennard-Stone算法将样本划分为80%校准集与20%验证集。LWPLSR模型通过马氏距离选取每个新样本的30个最近邻样本，以指数权重函数构建局部模型。通过6折交叉验证确定最佳潜变量数（1–10）。模型性能采用预测均方根误差（RMSEP）、决定系数（R2）、性能与偏差比（RPD）及性能与四分位距比（RPIQ）评估。RPD>2或RPIQ>1.9视为模型性能良好。

3 结果

3.1 土壤理化性质特征

土壤质地以砂土、砂质壤土和壤质砂土为主（87%），黏土含量中位数仅4.5%。pH范围7.3–10.1，呈中性至强碱性。电导率分布极不均匀（偏度8.9），10%样本属腐蚀性土壤。碳酸钙含量多数低于20%，有机碳与无机碳平均含量分别为0.16%和0.22%。

3.2 XRF数据特征

PCA分析揭示元素组成的三大梯度方向：SiO₂与K₂O/Fe/Zn的负相关（砂质与黏土土壤）、Cu/Ca与Pb的对抗（粉砂与黏土土壤）、Zr与MgO/P/Cr的对比（粉砂与砂质土壤）。

3.3 LWPLSR模型性能

3.3.1 土壤质地预测

黏土、粉砂、砂粒含量的预测R2分别达0.96、0.88、0.93，RPIQ均高于2.0。验证集在USDA质地三角形中仅7个样本出现相邻类别误判，显示极高准确性。

3.3.2 土壤化学变量预测

优异预测（R2>0.8, RPIQ>2）见于CEC（0.93）、交换性CaO（0.89）、MgO（0.86）、K₂O（0.80）、总CaCO₃（0.81）及SIC（0.92）。中等性能见于pH、电阻率及DTPA Fe（RPD>1.4）。磷（Olsen P₂O₅）、交换性Na₂O、EC及微量元素Mn、B预测性能较差。

3.4 方法学比较

CLR变换结合LWPLSR显著提升预测精度。对于质地预测，CLR变换使XRF数据的R2提高0.41（黏土）、0.07（粉砂）、0.21（砂粒）；LWPLSR较全局PLSR使R2从0.55提升至0.96。化学变量预测中，CLR-XRF数据在所有变量上均取得最低RMSEP。

4 讨论

4.1 XRF数据预测土壤变量的潜力

在超干旱环境中，传统XRF与PLSR组合对质地预测失效，而CLR-LWPLSR成功突破此限制。Rb、Zn、Zr等元素作为主要预测因子与既往研究一致，印证了元素-质地关联的普适性。CEC、交换性Ca/Mg/K的高精度预测凸显XRF对元素总量的捕获能力，但可供态养分的预测受限于元素形态转化过程。

4.2 关键原子元素的作用机制

Rb作为质地预测的核心因子证实其与黏土矿物的吸附关联；Ca元素自然成为碳酸盐相关变量的主预测因子；而Al₂O₃对SOC的预测贡献揭示了有机-矿物相互作用的本质。磷预测的失败源于XRF无法区分磷形态，可供态磷与总磷缺乏直接关联。

4.3 CLR与LWPLSR的方法学优势

CLR变换有效解决了成分数据的闭合效应与高浓度元素遮蔽问题，使低浓度元素贡献得以显现。LWPLSR通过局部建模处理非线性关系，同时保持变量重要性（VIP）的可解释性，在性能上媲美随机森林、CNN等黑箱模型，且兼具透明性与准确性。

4.4 局限与展望

研究受限於超干旱区土壤类型单一（以砂质为主），未来需扩展至更多土壤类型验证普适性。XRF技术无法检测原子序数低于镁的元素（如Na、C、B），可通过融合可见-近红外（VNIR）等技术弥补。大规模标定数据集构建仍是推广应用的关键挑战。

5 结论

CLR变换与LWPLSR的组合为XRF土壤快速评估提供了突破性解决方案，尤其在超干旱区土壤质地、CEC、交换性盐基及碳酸盐指标上实现高精度预测。该方法大幅降低土壤分析成本与时间，为大规模土壤监测、生态修复及精准农业提供了技术支撑，对全球干旱化背景下的土壤资源管理具有重要实践意义。