基于校正野外光谱与堆叠集成学习的土壤有机质高精度预测模型研究

本研究针对野外可见光-近红外(Vis-NIR)光谱受环境干扰导致土壤有机质(SOM)预测精度低的问题，创新性结合非负矩阵分解(NMF)和广义最小二乘加权(GLSW)光谱校正方法，构建Stacking集成模型。结果表明GLSW校正后模型R2达0.85，较原始光谱提升0.26，为农田精准管理提供可靠技术支撑。

　　

土壤有机质（SOM）作为土壤肥力与碳循环的核心指标，其快速精准监测对农业可持续发展至关重要。传统实验室检测方法耗时耗力，而野外可见光-近红外（Vis-NIR）光谱技术虽能实现快速检测，却易受土壤水分、粗糙度等环境因素干扰，导致预测精度大幅降低。如何有效消除野外环境干扰、建立高鲁棒性预测模型，成为当前土壤光谱学研究的关键瓶颈。

针对这一挑战，陕西师范大学的研究团队在《Geoderma》发表创新性研究，通过结合非负矩阵分解（NMF）和广义最小二乘加权（GLSW）两种光谱校正方法，首次构建了基于Stacking集成学习框架的SOM预测系统。研究采集陕西韩城180个土壤样本，分别获取实验室光谱、野外原始光谱及校正后光谱数据，采用8种机器学习算法（包括SVM、RF、PLSR等）作为基模型，以线性回归（LR）为元模型进行集成预测。

关键技术方法包括：使用FieldSpec4光谱仪获取400-2450 nm波段数据；采用Savitzky-Golay平滑处理原始光谱；通过NMF分解光谱矩阵（最优r=4）和GLSW构建加权矩阵（α=0.0001）进行光谱校正；建立包含5折交叉验证的Stacking模型评估体系。

【光谱校正效果】
对比15个代表性样本发现，GLSW校正后光谱反射率（红色曲线）最接近实验室光谱（黑色），而NMF校正（绿色）仍存在显著差距。参数优化显示GLSW在α=0.0001、K=60时校正效果最佳，NMF则在r=4时获得最高反射率。

【基模型贡献度】
RF和SVM在野外及NMF校正模型中贡献突出（权重>0.28），而Cubist在GLSW和实验室模型中表现最优（权重达0.35）。XgbTree在所有场景下贡献度最低，揭示其对光谱数据适应性较弱的特点。

【模型性能对比】
GLSW-Stacking模型预测精度（R²=0.85，RMSE=3.74 g kg^?1）显著优于NMF模型（R²=0.69），且接近实验室光谱模型（R²=0.89）。单模型中Cubist在GLSW数据表现最佳（R²=0.83），而原始野外光谱模型预测完全失效（R²≤0.40）。

【讨论与意义】
该研究突破性地证实：1）GLSW通过自适应波段加权机制，能有效抑制粘土矿物与水分的交互噪声，其性能超越传统NMF分解；2）Stacking集成策略可整合Cubist、RF等模型的互补优势，使预测误差降低达2.56 g kg^?1；3）建立的光谱-模型协同优化框架，为数字土壤制图提供新范式。研究团队同时指出，未来需在便携设备算力优化、跨区域模型迁移等方面开展深入研究。这项成果不仅推动Vis-NIR光谱技术的田间实用化进程，更为全球土壤健康监测提供创新方法学参考。