基于可见-近红外光谱与迁移学习的土壤全氮反演及可解释性分析

本文系统研究了利用迁移学习（Transfer Learning）结合可见-近红外光谱（Vis-NIR）技术提升土壤全氮（STN）预测精度的创新方法。通过对比多种光谱预处理方法（logR/SNV/MSC）和模型（PLS/RF/ResNet），证实迁移学习驱动的ResNet模型在MSC预处理下表现最优（平均R2从0.51提升至0.70），并结合SHAP可解释性分析揭示了2050、2459 nm等关键波长对STN预测的贡献，为小样本土壤氮素监测提供了高效解决方案。

　　

引言

土壤全氮（STN）作为土壤肥力核心指标，其精准监测对农业管理和生态修复至关重要。传统化学检测方法耗时耗力，而可见-近红外光谱（Vis-NIR）技术凭借非破坏性、高通量优势成为研究热点。然而，光谱数据的高维度特性与模型泛化能力不足制约其应用。迁移学习通过利用大规模源域数据（如欧洲LUCAS数据库）迁移至小样本目标域（中国个旧矿区），为解决这一难题提供了新思路。

材料与方法

研究采用欧洲LUCAS数据集（19,036样本）作为源域，中国云南个旧矿区68份土壤样本作为目标域。光谱数据涵盖400-2500 nm范围，分别通过FOSS XDS和ASD FieldSpec 3采集。对比了四种预处理方法：原始反射率（R）、对数变换（logR）、标准正态变量（SNV）和乘性散射校正（MSC），并构建三类模型：偏最小二乘回归（PLS）、随机森林（RF）和一维残差网络（ResNet）。迁移学习策略中，冻结ResNet的卷积层权重，微调全连接层以适应目标域。模型性能通过R²、均方根误差（RMSE）和性能偏差比（RPD）评估，并采用SHAP值解析波长贡献。

结果

模型性能：迁移学习显著提升ResNet在目标域的预测能力，MSC预处理下R²达0.70（未迁移时为0.51），优于PLS（R²=0.49）和RF（R²=0.39）。源域模型中，ResNet表现稳定（R²≈0.90），而传统模型对预处理更敏感。

关键波长：SHAP分析揭示2050、2459、2149 nm等波段对STN预测贡献显著，与土壤有机质（C-H/N-H键振动）和黏土矿物吸收特征相关。值得注意的是，1470 nm（水分吸收带）虽线性相关性低，但SHAP值较高，反映模型捕捉了非线性关联。

讨论

预处理影响：大样本源域中，ResNet对预处理不敏感；而小样本目标域需依赖MSC校正散射效应以提升精度。

迁移机制：ResNet通过残差结构提取跨域通用光谱特征（如氮相关吸收峰），即使地理差异显著仍能有效迁移。

可解释性：SHAP验证了模型决策的物理依据，如2050 nm与有机氮的关联，增强了深度学习在农业监测中的可信度。

局限与展望

样本量不足可能限制模型区域适应性，未来需扩展目标域数据规模。此外，融合LIME等多元可解释性工具有望进一步破解"黑箱"难题。

结论

该研究证实了迁移学习在STN反演中的突破性价值，尤其为数据稀缺区域提供了高精度（R²提升37%）、可解释的监测方案。光谱-深度学习-迁移学习的三角闭环，标志着土壤氮素监测从"经验驱动"迈向"智能驱动"的新纪元。