基于状态空间模型与近红外光谱校正的复杂果园环境下葡萄生长期智能检测技术研究

针对湿土养分现场快速光学检测中水分差异干扰的难题，研究人员创新性地将NIR光谱检测的土壤水分信息用于校正LIBS指纹谱线（766.49 nm和769.90 nm钾特征线），构建了校正因子与含水量的指数映射模型（y=1.143×e-0.106x和y=1.106×e-0.102x），通过PLSR建立水分预测模型（RC=0.9926，RMSEC=0.84%），最终实现湿土全钾含量的现场快速检测（R2>0.9776，RMSECV<0.051%），为含水差异样本的光学检测提供新范式。

　　

在精准农业领域，土壤养分的快速检测一直是制约科学施肥的关键瓶颈。传统化学分析方法不仅耗时费力，更难以应对田间湿土样本的水分干扰——当激光诱导击穿光谱(LIBS)技术遭遇含水样本时，激光能量会被水分蒸发大量消耗，导致等离子体特性改变，检测结果严重失真。这一难题使得现有LIBS技术不得不依赖耗时的样本干燥预处理，极大限制了其在现场快速检测中的应用。

针对这一挑战，国内西南大学（Southwest University）的研究团队在《Computers and Electronics in Agriculture》发表了一项突破性研究。他们巧妙地将近红外光谱(NIR)与LIBS技术联用，开创性地提出"先测水、再校正"的检测策略：通过NIR快速获取土壤水分数据，进而修正LIBS指纹谱线信号，最终实现了湿土全钾含量的现场精准定量检测。这项研究不仅攻克了水分差异对LIBS检测的干扰难题，更开辟了复杂含水样本光学检测的新路径。

研究团队运用三项核心技术：首先建立LIBS钾特征线（766.49 nm和769.90 nm）校正因子与含水量的指数模型；其次采用偏最小二乘回归(PLSR)构建NIR水分预测模型；最后基于校正后的LIBS数据建立全钾含量预测模型。实验选用三批土壤样本（Ⅰ、Ⅱ、Ⅲ批分别用于建模、验证和实际检测），通过国家标准方法测定水分和全钾参考值。

【Preparation of samples】部分显示，研究通过严格控制的样本制备流程，获得了涵盖1.28%-25.36%含水量范围的湿土样本体系，为模型普适性验证奠定基础。【Measurement】章节揭示，NIR水分检测模型达到R_C=0.9926的优异性能，而基于校正后766.49 nm和769.90 nm谱线建立的钾含量模型，其R²分别高达0.9776和0.9788，交叉验证误差RMSECV低于0.051%，实际湿样检测平均相对误差控制在13.3%左右。

在【Conclusion】部分，作者Bing Lu等强调该研究首次实现了NIR-LIBS联用技术对湿土养分的现场快速光学检测。特别值得注意的是，提出的指数校正模型能有效消除水分对LIBS信号的非线性干扰，这一发现为含水样本的光电检测提供了普适性解决方案。研究获得国家自然科学基金（32301694、62475081）和中央高校基金（SWU-KQ2501D）支持，其技术路线可拓展至其他含水差异样本（如农产品、生物组织）的快速检测领域，对推动精准农业现场检测装备开发具有重要实践意义。