便携式XRF与Vis-NIR光谱联用预测亚马逊森林土壤化学特性的传感器数据降维研究

本研究针对热带亚马逊森林土壤化学属性快速评估需求，结合便携式X射线荧光光谱(pXRF)和可见-近红外光谱(Vis-NIR)技术，采用随机森林(RF)算法和Boruta/PCA降维方法，成功预测土壤pH、有机质(SOM)和阳离子交换量(CEC)，其中pXRF对pH预测最优(R2=0.92)，传感器数据融合提升SOM预测精度(RPIQ达3.19)，为热带土壤可持续管理提供创新技术方案。

　　

亚马逊热带森林作为地球最大的陆地生态系统，其土壤特性对全球碳循环和生物多样性至关重要。然而，这片神秘土地下的土壤却面临双重挑战：一方面，高度风化的酸性土壤普遍存在养分贫瘠问题；另一方面，传统实验室分析方法效率低下且产生有害废弃物。更棘手的是，现有近端传感器技术在热带森林土壤中的应用效果尚未明确，特别是对关键肥力指标如pH值、有机质含量(SOM)和阳离子交换量(CEC)的预测精度存在显著差异。

针对这些挑战，来自巴西帕拉联邦农村大学等机构的研究团队开展了一项创新研究。他们首次系统评估了便携式X射线荧光光谱(pXRF)和可见-近红外光谱(Vis-NIR)两种传感器在亚马逊森林土壤中的表现，通过机器学习算法和先进的降维技术，建立了高精度的预测模型。这项发表在《Soil Advances》的研究，不仅为热带土壤快速诊断提供了可靠工具，更为生态保护和可持续农业实践奠定了技术基础。

研究方法上，团队采集了帕拉州61个市镇236份表层(0-20cm)和亚表层(80-100cm)土壤样本，涵盖Acrisols等8种土壤类型。采用pXRF测定13种元素总含量，Vis-NIR获取2151个波段光谱数据，通过随机森林(RF)算法结合Boruta特征选择和主成分分析(PCA)两种降维方法，分别构建了单传感器和双传感器融合的预测模型。

3.1 描述性统计揭示了研究土壤的典型热带特征：表层土壤呈现更高有机质(均值12.54 g kg^-1)但更低pH值(均值4.51)，这与有机质分解产生的羧基和酚羟基密切关联。值得注意的是，部分样本pH高达6.94，研究者将其归因于亚马逊黑土(Terra Preta)的特殊成土过程。

3.2 土壤特性预测部分获得突破性发现：对于pH预测，pXRF单独使用即达到R² 0.92的优异表现，这颠覆了传统认知——虽然pH本身没有直接光谱特征，但通过关联Al、Fe等元素含量实现了间接高精度预测。在SOM预测中，传感器融合展现出独特优势，Boruta降维后的联合模型使表层土壤预测RPIQ提升至3.19，关键波长集中在可见光区(358-369nm)，印证了有机质色度特征的重要性。

3.3 数据降维与变量重要性分析中，Boruta算法表现出显著优势。该技术仅保留7-17个关键变量即可维持模型精度，如CEC预测中筛选出的V、Cu等元素，与土壤胶体电荷特性高度吻合。相比之下，PCA虽然将2151个光谱波段压缩至2个主成分，但模型解释性有所降低。

研究结论部分强调了三项重要发现：首先，pXRF在pH预测中的卓越表现使其成为热带土壤快速检测的首选工具；其次，双传感器融合虽能提升部分指标精度，但需权衡设备成本与效益；最后，Boruta算法在保持精度的同时大幅提升计算效率，为大规模土壤普查提供了可行方案。这些成果不仅填补了亚马逊土壤近端传感技术的空白，更开创了"传感器-机器学习"协同分析的新范式。

特别值得关注的是，该研究揭示的元素-有机质关联机制(如Fe、Al氧化物对SOM的稳定作用)为理解热带土壤碳固定提供了新视角。研究者建议，未来可结合无人机平台将这套技术扩展至区域尺度，同时加强光谱数据库建设以提升模型泛化能力。这项研究标志着热带土壤分析从"实验室化学"向"现场智能"的重要转型，对实现联合国可持续发展目标中的土地退化零增长具有深远意义。