基于迁移学习的跨区域土壤全氮激光诱导击穿光谱精准检测方法研究

为解决土壤全氮(TN)跨区域检测中模型泛化能力不足的问题，研究人员开发了融合迁移学习(TL)与激光诱导击穿光谱(LIBS)技术的TransLIBS-CRS模型。通过少量目标域样本微调，显著提升模型跨域预测性能（RV2=0.846，RMSEV=0.814 g/kg），并揭示碳光谱线（193.0/247.8 nm）的关键作用，为大规模土壤TN快速检测提供新方案。

　　

土壤全氮(TN)含量是影响农作物产量和品质的关键指标，但传统检测方法如凯氏定氮法流程繁琐，而激光诱导击穿光谱(LIBS)技术虽能快速无损检测，却因土壤区域差异性导致模型泛化能力受限。例如，北京(BJ)和广州(GZ)土壤光谱特征差异显著，直接应用BJ训练的模型预测GZ样本时准确率骤降。如何通过少量目标区域样本提升跨域预测性能，成为LIBS技术规模化应用的核心挑战。

中国农业科学院等机构的研究团队提出TransLIBS-CRS模型，通过迁移学习(TL)策略将BJ土壤LIBS数据知识迁移至GZ样本，仅需130个GZ样本微调即实现R_V²从0.504提升至0.846。研究还发现碳元素谱线(C I 193.0/247.8 nm)对TN预测具有跨区域稳定性，相关成果发表于《Smart Agricultural Technology》，为精准农业土壤管理提供新工具。

关键技术方法
研究采用标准压片法制备BJ/GZ土壤样本，利用AvaSpec-2048-X光谱仪采集178-1100 nm范围LIBS数据，通过背景阈值过滤和最小-最大归一化预处理。构建5层卷积神经网络(CNN)作为主干模型，采用冻结预训练层+微调全连接层的迁移策略，以平均绝对误差(MAE)为损失函数，结合显著性图谱(Grad-CAM)解析关键光谱特征。

研究结果

3.1 光谱分析
BJ土壤光谱在178-400 nm范围内显示更丰富的钙(Ca)谱线，而GZ光谱强度整体较低，证实区域基质效应是模型跨域性能下降的主因。

3.2 模型性能比较
CNN在BJ数据集上R_V²达0.928，显著优于支持向量回归(SVR)和偏最小二乘回归(PLSR)。验证有效信号筛选使模型RMSE_V降低0.172 g/kg。

3.3 跨区域迁移效果
TransLIBS-CRS仅用130个GZ样本微调，预测性能(R_V²=0.846)远超混合训练策略(0.711)，训练耗时减少69%。

3.4 特征重要性解析
显著性图谱显示C I 247.8 nm和Si I 251.6 nm谱线权重迁移后提升23%，证实碳硅比值对TN预测的普适性。化学计量学验证C/Si比值与TN相关性达0.841。

3.5 关键波段验证
178-400 nm波段建模在GZ上仍保持R_V²=0.781，说明短波区蕴含跨区域可迁移的光谱特征。

结论与意义
该研究首次将深度迁移学习引入LIBS土壤检测领域，突破传统模型地域局限性。通过C/Si相关谱线识别和CNN特征提取，实现"小样本大泛化"的跨域预测，为全国尺度土壤养分快速监测提供方法论支撑。未来可扩展至其他元素检测，推动LIBS技术在智慧农业中的产业化应用。