基于AVIRIS-NG机载高光谱与实验室可见近红外光谱的多变量机器学习模型对土壤关键养分预测的对比研究

本研究针对土壤养分快速检测需求，创新性对比了AVIRIS-NG机载高光谱与实验室VIS-NIR光谱在预测SOC、NPK等关键养分的性能。通过PLSR、SVMR、RF和MARS四种多变量模型分析132个土壤样本，发现非线性模型（SVMR/RF）显著提升机载数据预测精度（如SVMR预测K的R2 V =0.78），为大规模精准农业土壤监测提供新范式。

　　

土壤作为农业生产的根基，其关键养分如土壤有机碳(SOC)、氮(N)、磷(P)、钾(K)的含量直接决定作物产量和生态安全。然而传统实验室检测方法成本高、耗时长，难以满足大范围精准农业需求。虽然实验室可见近红外(VIS-NIR)光谱技术已被证明能有效预测土壤属性，但国际范围内利用机载高光谱遥感（如AVIRIS-NG传感器）进行养分预测的研究仍属空白。这一技术缺口使得印度Nagpur地区等重要农业产区面临施肥不精准、环境污染等严峻挑战。

为突破这一瓶颈，印度农业研究理事会等机构的研究团队开展了一项开创性研究，首次系统评估了AVIRIS-NG机载高光谱数据预测土壤养分的可行性。研究采集了132个表层土壤样本（0-0.15米），结合实验室化学分析、FieldSpec4光谱仪和AVIRIS-NG机载数据，采用四种多变量模型（偏最小二乘回归PLSR、支持向量机回归SVMR、随机森林RF、多元自适应回归样条MARS）进行对比分析。

关键技术方法包括：1) 使用FieldSpec4光谱仪获取实验室VIS-NIR光谱（350-2500nm）；2) 整合AVIRIS-NG机载数据（380-2500nm）与Sentinel-2多光谱和数字高程数据；3) 通过R²
、RMSE和RPD等指标评估模型性能；4) 采用空间制图技术可视化预测结果。

【研究结果】
土壤养分分布特征显示：SOC、P、K在验证集中变异系数(CV)均超过35%，呈现高度空间变异性，而N的CV为23.77%属中度变异。这种差异为光谱预测带来挑战。

模型比较表明：非线性模型显著优于线性方法。SVMR在SOC（R²
_V
=0.78实验室/0.72机载）、P（R²
_{V
=0.78/0.64）和K（R²
V
=0.83/0.78）预测中表现最佳；RF则对N预测最优（R²
V
=0.80实验室/0.61机载）。特别值得注意的是，尽管机载数据受大气干扰等因素影响精度略低（如K预测的RPD从2.25降至1.93），但通过先进算法仍能达到与实验室相当的预测水平。}

波长分析揭示：SOC预测与NIR区域羟基、羧基等官能团振动相关；NPK则依赖间接光谱特征，如P与SO₄
^2-
等离子的弱振动关联。这种发现为传感器波段优化提供了理论依据。

【结论与意义】
该研究首次证实AVIRIS-NG机载高光谱结合机器学习可实现大范围土壤养分精准预测，其中SVMR和RF模型展现出卓越的工程应用价值。通过整合Sentinel-2和地形数据生成的预测地图，其不确定性区域占比不足15%，为精准施肥提供了可靠空间决策支持。

这项发表于《European Journal of Agronomy》的成果具有三重突破：1) 技术上，证明了机载光谱经算法优化可逼近实验室精度；2) 方法上，建立了VIS-NIR波段与养分含量的新型关联模型；3) 应用上，为发展中国家农业遥感监测提供了可复制的技术框架。正如作者Joydeep Mukherjee强调的，该研究将推动机载高光谱从科研走向田间管理，对实现联合国可持续发展目标中的"零饥饿"和"负责任的消费生产"具有深远意义。