基于手持式中红外和近红外光谱的土壤磷吸附容量测定中水分干扰的EPO校正研究

《Geoderma》：Mitigating moisture effects in spectral models for determining soil phosphorus sorption capacity using handheld MIR and NIR

本研究针对土壤水分对光谱模型的干扰问题，开发了外部参数正交化(EPO)算法，用于校正手持式MIR和NIR光谱在预测土壤磷最大吸附容量(Smax)时的水分影响。研究人员通过系统润湿实验构建特定和通用EPO模型，发现在低水分条件下，经特定EPO校正的MIR光谱可实现Smax的近似定量预测(RPIQ=3.22)，为中红外和近红外光谱技术在田间原位土壤磷素管理中的应用提供了重要技术支持。

　　

土壤磷素管理对农业可持续发展和环境保护具有重要意义。传统测定土壤磷吸附容量(S_max)的方法依赖耗时的实验室分析，而光谱技术虽能快速预测土壤属性，但土壤水分会严重干扰中红外(MIR)和近红外(NIR)光谱信号，限制了其在田间原位检测中的应用。特别是在预测与磷吸附相关的土壤属性时，水分引起的谱图变形会显著降低模型精度。

为攻克这一技术瓶颈，研究人员在《Geoderma》上发表了最新研究成果，系统探讨了如何利用外部参数正交化(EPO)算法消除水分对手持式MIR和NIR光谱的干扰，从而实现湿土条件下土壤磷吸附容量的准确预测。

研究团队采用了多技术融合的研究方法：首先使用Agilent手持FTIR、InnoSpectra和NeoSpectra扫描仪分别采集MIR(4000-650 cm^-1)和NIR(900-2550 nm)光谱；通过低层级数据融合策略整合不同NIR设备的光谱数据；基于686个土壤样本的系统润湿实验，开发了针对已知水分条件的特定EPO和适用于未知水分条件的通用EPO模型；采用最小化RMSEP和Wilk's Λ最大化两种方法确定最佳EPO组分数(g)；最后通过34个验证样本在低(20%)、中(40%)、高(60%)三种水分条件下的测试，全面评估了EPO算法在预测S_max、有机质(%OM)和黏土含量(%Clay)方面的性能。

3.1. 干燥土壤S_max预测和分类模型的建立

基于干燥筛分土壤样本，手持MIR光谱结合cubist算法实现了S_max的近似定量预测(R²=0.81，RPIQ=3.26)，而NIR光谱结合SVM算法的预测性能相对较低(R²=0.69)。在土壤磷吸附分类方面，MIR和NIR光谱分别实现了中等以上的分类精度(MCC=0.65和0.63)，为湿土条件下的应用奠定了基础。

3.2. 土壤水分对反射光谱的影响

研究发现水分含量对MIR和NIR光谱均产生显著影响，特别是在高水分条件下(GMC>50%)，强烈的水分吸收导致光谱反射饱和。MIR光谱在水分含量降至36%时开始显现出与干燥土壤相似的光谱特征，而NIR光谱在水分含量低于40%-60%时才能有效检测土壤组分。

3.3. EPO水分校正效果

研究表明，基于最小化RMSEP确定的EPO组分数(g)比Wilk's Λ方法更有效。EPO算法成功识别并消除了与水分相关的光谱区域，如MIR中的3400 cm^-1(H-O-H伸缩振动)和1645 cm^-1(H-O-H弯曲振动)等水分特征峰。

3.4. 特定与通用EPO算法的性能比较

特定EPO在已知水分条件下显著优于通用EPO，特别是在MIR光谱校正方面。经特定EPO校正的湿土MIR光谱在低水分条件下(20%)实现了S_max的可靠预测(R²=0.75，RPIQ=3.22)，而通用EPO的预测精度明显降低。

3.5. 结合EPO的S_max分类模型

在低至中等水分条件下(≤40%)，特定EPO校正的MIR和NIR光谱均可实现SL/SH土壤的有效分类(MCC=0.45和0.42)，为田间土壤磷素管理提供了实用工具。

3.6. 验证结果

验证结果表明，在低水分条件下，特定EPO能有效提高湿土光谱的预测精度，但随着水分含量增加，校正效果逐渐减弱。特别值得注意的是，EPO对%OM的预测改善效果优于%Clay，可能与黏土矿物信号更易受水分干扰有关。

研究结论与讨论部分强调，该研究首次系统评估了EPO算法在消除水分干扰、提高手持MIR和NIR光谱预测土壤磷吸附容量方面的有效性。研究证实，在低水分条件(GMC≤20%)下，结合特定EPO校正的手持MIR光谱可实现S_max的近似定量预测，而中等水分条件(≤40%)下可用于SL/SH土壤分类。这一发现为光谱技术在田间原位土壤检测中的应用提供了重要理论依据和技术支持。

研究的创新性在于开发了针对不同应用场景的EPO校正策略，并系统比较了其在MIR和NIR光谱中的性能差异。此外，研究还发现EPO算法对多种土壤属性(%OM和%Clay)均具有一定的普适性，为多属性同步预测提供了可能。

然而，研究也指出EPO校正效果受水分含量、土壤类型等多种因素影响，在高水分条件下仍存在一定局限性。未来研究需要扩大样本规模，优化润湿协议，并开发基于光谱的土壤水分预测模型，以进一步推进光谱技术在精准农业中的应用。

这项研究为手持光谱设备在田间土壤磷素管理中的实际应用提供了重要技术支撑，对推动农业可持续发展和环境保护具有积极意义。通过优化EPO算法和操作条件，研究人员为克服土壤水分对光谱技术的干扰开辟了新途径，为未来智能农业的发展奠定了坚实基础。