可见-近红外光谱技术助力土壤养分分级预测 推动农业可持续发展决策

来自印度卡纳塔克邦的研究团队针对传统土壤养分管理效率低下的问题，采用可见-近红外光谱(Vis-NIR)技术，结合偏最小二乘回归(PLSR)和判别分析(PLS-DA)，对216份土壤样本的11项指标进行分级预测。创新性应用合成少数类过采样技术(SMOTE)解决数据不平衡问题，直接分类法使pH、P2O5等关键指标准确度最高提升至0.84，为精准施肥提供可靠技术支撑。

　　

这项突破性研究揭示了可见光-近红外(Vis-NIR)光谱在土壤健康评估中的强大潜力。科研团队对印度古姆拉帕里流域216份土壤样本展开"光谱体检"，检测涵盖pH值、有机碳(SOC)及氮磷钾(N、P₂O₅、K₂O)等11项关键指标。通过创新组合萨维茨基-戈莱(SG)平滑滤波和标准正态变量(SNV)变换预处理技术，将偏最小二乘回归(PLSR)模型的预测效能提升至pH值R²=0.70的优异水平。

研究团队开创性地对比了两种机器学习策略：基于预测值的间接分类与直接光谱模式识别(PLS-DA)。面对样本分布不均的挑战，采用合成少数类过采样技术(SMOTE)巧妙平衡数据。令人振奋的是，直接分类法展现出显著优势，使铜元素(Cu)识别准确率飙升至0.96，磷(P₂O₅)分类精度达0.84，犹如为土壤装上了"智能光谱诊断仪"。这项技术突破为农田定制"营养套餐"、减少化肥滥用提供了精准决策工具，正在全球可持续农业领域掀起新的技术革命。