贝叶斯优化动态水分校正技术提升黑土氮素与有机质原位高光谱反演精度

针对高光谱成像(HSI)在湿润黑土中总氮(TN)和有机质(SOM)反演受水分干扰的难题，研究人员提出贝叶斯优化动态水分校正(BO-DMM)算法，通过校准光谱角度使湿润土壤光谱向干燥光谱收缩50%，结合SVM/RF/PLSR模型将TN和SOM预测精度提升15%以上，为无人机载高光谱农田监测提供了创新解决方案。

　　

在精准农业快速发展的今天，土壤养分的高效监测成为实现科学施肥的关键。传统化学检测方法虽准确但耗时费力，而便携式近红外光谱仪和无人机载高光谱成像(HSI)技术的兴起为土壤检测带来了新机遇。然而，富含水分的黑土会因羟基(H-O)键的水分吸收特征与TN、SOM光谱重叠，导致反射率非线性下降，严重干扰检测结果。现有外部参数正交化(EPO)和正交信号校正(OSC)等方法依赖高质量水分梯度矩阵且需手动调参，难以适应田间复杂环境。这一瓶颈严重制约了无人机载高光谱技术在湿润土壤中的实际应用。

针对这一挑战，中国农业科学院等机构的研究团队在《Ecological Informatics》发表研究，创新性地提出贝叶斯优化动态水分校正(BO-DMM)算法。该研究采集黑龙江80公顷黑土区的200个样本，通过建立标准化湿度梯度(6%-24%)数据集，结合奇异值分解(SVD)和主成分分析(PCA)构建动态校正模型，最终集成支持向量机(SVM)、随机森林(RF)和偏最小二乘回归(PLSR)等机器学习算法进行验证。

关键技术包括：1) 使用GaiaField Pro-V10高光谱成像系统(400-1000nm)模拟无人机2米航高采集数据；2) 通过贝叶斯估计融合干燥土壤先验知识优化后验概率；3) 采用光谱角度映射器(SAM)和均方根误差(RMSE)评估校正效果；4) 结合标准正态变量(SNV)预处理增强特征提取。

3.1 不同量化方法比较
通过五折交叉验证显示，BO-DMM-PCA使TN预测的r²
从0.342提升至0.428，SOM预测r²
从0.432提升至0.496。在24%湿度下，校正后光谱角度缩减至未校正状态的50%，显著优于EPO和OSC方法(p<0.005)。

3.2 BO-DMM校正效能
在6%-24%湿度范围内，BO-DMM-PCA使平均光谱相关系数(MSCC)提升至0.9824，RMSE降低35%。特别在低湿度(6%)时，SAM角度从0.0451降至0.0275，证明其抗过拟合能力。

4.1 方法对比
研究发现传统EPO在预测SOM时表现尚可(r²
=0.439)，但对TN信号损失严重。而BO-DMM通过动态调整校正参数，使SVM和RF模型的TN预测误差(MAE)从13.5 mg kg^-1
降至11.9 mg kg^-1
。

4.2 实际意义
该技术突破了高噪声环境下水分校正的瓶颈，为无人机载高光谱的大规模应用奠定基础。研究同时发现，由于SOM在近红外区特征更稳定，其预测精度(r²
=0.785)始终高于TN，而SVM模型因抗噪性强，在湿润条件下表现最优。

这项研究开创性地将贝叶斯优化与动态矩阵校正相结合，不仅解决了黑土区原位检测的难题，其技术框架还可拓展至其他环境干扰因素的校正。随着中国东北黑土保护战略的推进，该成果将为土壤健康监测提供强有力的技术支撑，推动精准农业从实验室走向田间地头的跨越式发展。