基于光谱数据驱动与机器学习的干旱农牧区土壤全氮含量高精度反演模型研究

针对西北农牧交错带土壤全氮(TN)快速监测需求，西安理工大学团队集成可见-近红外光谱(Vis-NIR)、竞争性自适应重加权采样(CARS)与梯度提升决策树(GBDT)，构建Log1/R-CARS-GBDT模型（校准集R2=0.92，验证集R2=0.89），为生态脆弱区土壤肥力评估与精准农业提供新技术支撑。

　　

在西北农牧交错带这片生态与农业共生的特殊区域，土壤全氮(TN)含量既是农作物生长的"营养库"，又是生态系统健康的"晴雨表"。然而，传统化学检测方法耗时费力，而现有光谱模型受限于土壤类型差异难以通用。更令人担忧的是，靖边县农田土壤TN平均含量仅0.266 g kg^-1，处于"极度缺乏"水平，这对当地农业可持续发展构成严峻挑战。面对这一困境，西安理工大学水资源研究所团队开展了一项创新研究，其成果发表在《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》上。

研究团队采用ASD FieldSpec 4光谱仪采集靖边县116个农田样本的可见-近红外(Vis-NIR)光谱数据，结合Kjeldahl法测定TN含量。通过六种光谱变换（包括对数倒数Log1/R）提升特征敏感性，运用相关性分析(CA)和竞争性自适应重加权采样(CARS)筛选特征波段，最终构建PLSR、RF和GBDT三种预测模型。

研究区概况与TN含量特征
靖边县位于黄土高原北部(37°45′~38°30′N)，采样区土壤TN含量跨度达0.003-0.781 g kg^-1，呈现显著空间异质性。地形分析显示，黄土丘陵区TN含量普遍高于风沙区，这种分布特征与土地利用方式和植被覆盖度密切相关。

光谱响应机制与特征优化
研究发现土壤反射率随TN含量增加呈递减趋势，但整体仍保持随波长增加而上升的典型曲线。一阶导数变换能有效增强450-600nm和1400-1800nm处的TN特征峰，而CARS算法筛选出的28个特征波段较CA方法减少数据冗余达87%。

模型构建与验证
在六种预处理组合中，Log1/R-CARS-GBDT模型表现最优：校准集R²=0.92、RMSE=1.09 g kg^-1，验证集R²=0.89、RMSE=1.33 g kg^-1。其RPD(2.01)和RPIQ(2.62)指标均超过2.0，满足精准农业需求。对比显示，GBDT在非线性建模上显著优于PLSR，而CARS较CA使模型精度提升23%。

这项研究开创性地建立了适用于西北农牧交错带的光谱-TN定量关系框架。其创新性体现在：首次系统评估该区域农田TN光谱响应机制；证实导数变换与CARS联用可突破传统光谱分析瓶颈；开发的GBDT模型为同类生态区提供普适性方案。该成果不仅填补了干旱区土壤快速诊断技术空白，更为"一带一路"沿线生态脆弱区的土地精准管理提供了可复制的技术范式。未来，通过无人机搭载高光谱传感器，这套方法可实现县域尺度TN分布制图，为退耕还林还草政策效果评估提供科学依据。