全球-局部模型在萨斯喀彻温省农业土壤FT-NIR光谱预测SOC和TN中的性能评估与优化

推荐：本研究针对近红外光谱(NIR)模型跨区域预测性能不足的问题，创新性应用Global-Local建模方法，结合连续小波变换(CWT)和Cubist回归，在加拿大萨斯喀彻温省6个农业区域1876份土壤样本中优化SOC和TN预测。结果显示Global-Local模型性能显著优于LOSOV（R2提升31%），证实了整合局部样本对提升区域土壤监测精度的关键价值。

　　

土壤有机碳(SOC)和全氮(TN)的快速精准监测是可持续农业和碳汇管理的核心需求。传统化学分析方法虽精确但成本高昂，而近红外光谱(NIR)技术虽高效却面临模型跨区域泛化性差的瓶颈——在萨斯喀彻温省(SK)这种土壤类型多样的农业区，模型预测性能波动尤为显著。

加拿大萨斯喀彻温大学(University of Saskatchewan)土壤科学系的研究团队Gbenga Adejumo等人在《Geoenergy Science and Engineering》发表研究，创新性地将Global-Local建模框架应用于FT-NIR光谱预测。该研究采集6个农业区2086份土壤样本（SOC: n=1876；TN: n=1442），通过连续小波变换(CWT)预处理光谱数据，采用Cubist回归构建模型，并系统比较了LOSOV、Lab、Neighbour等6种建模策略的性能差异。

关键技术包括：1) 基于条件拉丁超立方采样(cLHS)优化样本选择；2) 采用马氏距离和k近邻算法筛选光谱相似样本；3) 多尺度CWT(2-5阶)特征提取；4) 基于随机森林的特征重要性排序；5) 通过5折交叉验证优化Cubist模型参数（委员会数1-20，近邻数0-9）。

研究结果显示：

1. 1.

   基线性能：Site-Specific模型表现最优（SOC的R²=0.71-0.88），显著高于LOSOV模型（R²=0.55-0.76），证实土壤异质性对模型泛化能力的限制。

2. 2.

   特征选择：关键光谱区域集中在1458nm（C-H键）、1870-1890nm（有机质）和2200-2400nm（黏土矿物），与SOC/TN的化学键振动特征高度吻合。

3. 3.

   Global-Local模型：通过整合Lab样本（≤30个）与其k近邻（k=10-150），模型性能较LOSOV提升15-31%，但略逊于传统Spiking方法（因后者训练集变异系数CV达66%）。

4. 4.

   计算效率：模型耗时与样本量强相关（R²=0.97），Spiking方法最耗时（1522样本/1538秒），而Lab模型最快（28样本/210秒）。

讨论指出，Global-Local模型在单地块研究中表现优异（原研究R²提升40%），但应用于多农田区域时，受限于SK土壤光谱库规模（n=1876）和多样性不足（SOC的CV=66%），其优势未能充分显现。研究建议未来应：1) 扩展光谱库地理覆盖；2) 结合地理约束变量；3) 优先用于单地块精准农业而非大区域监测。

该研究为土壤光谱建模提供了方法论创新，证实了适度样本量（30-150）与光谱多样性对模型性能的平衡价值，对发展低成本、高精度的土壤碳氮监测技术具有重要实践意义。