利用MIR（中红外光谱）和pXRF（便携式X射线荧光）传感器融合技术，提高了对选定土壤特性的预测精度

《Journal of Integrative Agriculture》：Improved selected soil properties predictions using MIR and pXRF sensor fusion

本研究评估了MIR和pXRF单独及融合对13种土壤养分预测的准确性，采用DC、LASSO-C、SO-PLS和GRA等融合策略，发现LASSO-C和GRA在有效磷、钾及微量元素预测中表现最佳，MIR适合有机质、氮和钙，pXRF成本效益高，适合钙、铁、锰。融合方法有效提升评估精度，为土壤养分监测提供新方法。

　　

王俊伟|邹琦|袁慧敏

资源与环境科学学院/国家农业科学院绿色发展研究院/教育部植物-土壤相互作用重点实验室/中国农业大学，北京100193，中国

及时准确地评估土壤养分信息对于确保全球粮食安全和可持续农业发展至关重要。本研究评估了中红外（MIR）光谱和便携式X射线荧光（pXRF）光谱在预测选定土壤性质方面的性能，包括单独使用以及结合使用的情况。采用了四种传感器融合策略：直接串联（DC）、利用稳定性竞争自适应加权采样（sCARS）和最小绝对收缩与选择算子（LASSO）算法的特征级融合（sCARS-C和LASSO-C）、通过序列正交偏最小二乘法（SO-PLS）进行的多块融合，以及Granger-Ramanathan模型平均（GRA）方法，以提高13种土壤性质的预测精度。研究结果表明，单独使用MIR或pXRF传感器的模型能够准确估计土壤有机质（SOM）、总氮（TN）、有效磷（AP）、钙（Ca）、铁（Fe）、锰（Mn）和pH值，但在总钾（TK）、镁（Mg）、铜（Cu）、锌（Zn）、有效钾（AK）和总磷（TP）的预测上存在局限性。直接串联模型显著提高了Mg（决定系数Rp2=0.76，均方根误差RMSEp=358.76 mg kg?1，预测偏差RPDp=2.03）和TK（决定系数Rp2=0.75，均方根误差RMSEp=775.96 mg kg?1，预测偏差RPDp=2.00）的预测精度。LASSO-C模型在AP、AK、TP、Zn、Mn和Cu的预测精度上优于直接串联模型，其中AP（决定系数Rp2=0.89，均方根误差RMSEp=21.37 mg kg?1，预测偏差RPDp=3.01）和Zn（决定系数Rp2=0.80，均方根误差RMSEp=9.88 mg kg?1，预测偏差RPDp=2.32）的预测效果最佳。这种提升得益于LASSO算法能够有效从完整的MIR和pXRF光谱中选择关键特征信息。GRA模型在TP、pH、AK和Cu的预测精度上表现最佳，其决定系数分别为0.80、0.82和0.82，均方根误差分别为129.21 mg kg?1、0.13 mg kg?1和3.87 mg kg?1，预测偏差分别为2.23、2.34和1.67。对于单一传感器应用，MIR光谱适用于预测土壤有机质（SOM）、总氮（TN）和钙（Ca）（决定系数Rp2≥0.88，预测偏差RPDp≥2.87），而pXRF在测量钙（Ca）、铁（Fe）和锰（Mn）时更具成本效益（决定系数Rp2≥0.80，预测偏差RPDp≥2.22）。本研究证明了MIR和pXRF传感器融合在提高土壤养分评估精度方面的有效性，尤其是在预测有效养分和微量养分方面。