用于估算土壤阿特贝格界限（Atterberg limits）的光谱-电导转移函数

《CATENA》：Spectro-pedotransfer functions for estimating Atterberg limits in soil

本研究采用Boruta特征选择方法，结合土壤属性（砂、有机碳等）和光谱特征（波长1900nm吸收深度），开发了混合谱土转移函数（SPTF）估计阿特伯格极限。通过754个印度不同州的土壤样本验证，SPTF的R2达0.59-0.75，且利用Sentinel-2数据可扩展应用，但需进一步验证。

　　本文探讨了利用土壤光谱特征与传统土壤属性相结合的方法，以快速估算土壤的阿特伯格限（Atterberg limits）。阿特伯格限是土壤工程中的关键属性，包括液限（LL）、塑限（PL）和塑性指数（PI），这些指标对于土壤分类和工程应用至关重要。传统的测量方法如Casagrande装置和锥形穿透法虽然准确，但耗时较长，需要复杂的样品制备和烘干过程。因此，研究人员开始探索间接方法，如土壤传递函数（PTF）和光谱传递函数（STF），以提高估算效率。

本文采用了Boruta特征选择方法，这是一种基于随机森林的特征选择技术，用于识别影响阿特伯格限的关键土壤和光谱特征。通过这种方法，研究人员开发了混合型光谱-土壤传递函数（SPTF），以更高效地估算阿特伯格限。研究团队收集了来自印度五个不同州（阿鲁纳恰尔邦、锡金邦、比哈尔邦、奥里萨邦和拉贾斯坦邦）的754个土壤样本，覆盖了广泛的农业生态条件。这些样本被分析了砂粒含量、黏土含量、土壤有机碳（SOC）含量、pH值、电导率（EC）以及阿特伯格限和可见光至近红外（VNIR）区域的光谱反射率数据（波长范围为350-2500纳米）。

研究结果表明，基于砂粒含量和SOC含量，以及VNIR光谱中1900纳米波长附近的吸收深度（D????）所构建的SPTF模型，在综合数据集上的确定系数（R2）值可达0.59至0.75之间。这些参数可以在实验室条件下快速估算，所需时间不到一小时，因此SPTF模型为估算阿特伯格限提供了一种高效的方法。此外，研究团队还展示了利用Sentinel-2多光谱成像数据计算的归一化烧伤比（NBR2）作为D????的替代指标，用于估算阿特伯格限，其R2值范围为0.56至0.79，但需要大规模验证以确保其准确性。

研究还发现，在高SOC含量的土壤中，黏土含量对阿特伯格限的影响被抑制，这意味着砂粒含量可能是估算阿特伯格限的更好预测因子，尤其是在高碳土壤中。这一发现对土壤分类和工程应用具有重要意义，因为它表明在某些土壤条件下，可以通过减少对黏土含量的依赖，从而提高估算效率。

在文献回顾部分，研究指出尽管过去二十年已有多个研究利用光谱反射率（DRS）方法快速估算阿特伯格限，但大多数研究使用的光谱数据集较小，通常少于500个样本，且覆盖范围有限。相比之下，利用VNIR和短波红外（SWIR）区域构建的光谱模型显示出较高的估算精度，例如Goetz等（2006）利用1800-2400纳米波长范围内的光谱反射率估算液限，其R2值达到0.74；Waruru等（2014）则利用中红外（MIR）光谱估算液限，其R2值高达0.74。Gupta等（2016）进一步结合VNIR和MIR光谱，将估算精度提升至0.77（LL）、0.70（PL）和0.65（PI）。Rehman等（2019）的研究表明，DRS方法在估算精度上与传统方法相当，而非线性模型也被用于提高估算准确性。Salahalden等（2024）则探索了利用Landsat 7和Landsat 8的多光谱成像数据，对伊拉克不同地质构造区域的阿特伯格限进行估算，尽管其模型仅基于52个地表土壤样本。

现有的研究表明，虽然DRS方法在估算阿特伯格限方面具有较高的精度，但用于构建这些模型的光谱数据集往往较小，且局限于特定的地理区域。因此，研究团队认为有必要使用更大规模的光谱数据集，覆盖更多样化的土壤和农业生态条件，以提高模型的泛化能力和准确性。此外，研究还指出，虽然已有研究使用单一光谱特征（如1920纳米附近的吸收峰宽度）来估算土壤属性，但尚未有研究系统地识别出影响阿特伯格限的关键光谱特征。

在研究方法部分，研究团队利用Boruta特征选择方法，从VNIR光谱数据中筛选出与阿特伯格限相关的关键特征。这些特征包括特定波长下的吸收深度和反射率值，以及土壤的基本属性如砂粒含量、黏土含量、SOC含量、pH值和电导率。通过将这些特征组合起来，研究团队构建了SPTF模型，并与其他方法（如PTF和STF）进行了比较。结果显示，SPTF模型在估算精度上优于PTF和STF，特别是在使用多光谱成像数据进行大范围估算时，其表现更为突出。

在数据收集和处理方面，研究团队从印度五个不同州的土壤剖面中采集了754个样本，这些样本分别来自地表（0-20厘米）和地下（20-60厘米）层。数据采集时间为2022年10月8日至18日，覆盖了锡金邦（面积7,096平方公里）和拉贾斯坦邦（面积23,551平方公里）的大部分区域。每个样本都经过标准实验室方法测定其基本土壤属性，并同时记录了其在VNIR区域的光谱反射率数据。这些数据为构建和验证SPTF模型提供了基础。

研究团队还分析了这些样本的基本土壤属性和阿特伯格限之间的关系。例如，锡金邦和拉贾斯坦邦的土壤样本主要为粗质地，其中大部分样本具有较高的砂粒含量。锡金邦的平均砂粒含量为65.2%（变异系数为22%），而拉贾斯坦邦的平均砂粒含量为75.8%（变异系数为13%）。相比之下，奥里萨邦、比哈尔邦和阿鲁纳恰尔邦的土壤样本则显示出较高的黏土含量。这些统计结果表明，不同地区的土壤属性存在显著差异，因此在构建估算模型时需要考虑这些差异。

此外，研究团队还探讨了将多光谱成像数据应用于SPTF模型的可能性。他们认为，通过结合Sentinel-2的多光谱成像数据和基本土壤属性，可以实现对阿特伯格限的连续空间估算。这种方法不仅提高了估算的效率，还为大范围的土壤评估提供了新的思路。然而，目前的研究仍然需要进一步的验证，以确保这种方法在不同地理区域和土壤条件下的适用性。

总的来说，本文通过结合土壤属性和光谱特征，提出了一种新的估算阿特伯格限的方法。研究团队认为，这种方法不仅能够提高估算效率，还能够为土壤分类和工程应用提供更全面的数据支持。未来的研究需要进一步扩大数据集，覆盖更多样化的土壤和农业生态条件，并验证这种方法在不同地理区域的适用性。此外，研究团队还建议开发专门的低成本光谱设备，以促进快速和广泛的土壤评估。这些研究结果对于推动土壤科学和工程应用的发展具有重要意义。