摘要
土壤颜色成像技术的进步使得基于颜色的土壤有机碳（SOC）预测建模成为田间直接评估的一项有前景的工具。然而，以往的研究仍局限于受控的实验室环境，未考虑田间相关挑战，如光照变化和土壤含水量等因素。本研究提出了一种便携式"田间实验室"成像装置，可在数据采集过程中标准化照明条件，使RGB图像不受外部光照条件影响而保持一致。研究在中国东北黑龙江省黑土区（面积67,747平方公里）采集了441个表土样品，分别针对田间湿润土壤及两种实验室干燥处理（实验室过筛和实验室原状）采集土壤图像。提取一组图像颜色和纹理特征，运用四种算法（偏最小二乘回归、Cubist、随机森林和极端梯度提升）建立并比较SOC预测模型。结果表明，定制设计的装置有效消除了自然光干扰，可在不同天气条件下实现稳定的土壤成像。基于田间的模型始终优于实验室模型，其中Cubist算法在同时使用颜色和纹理特征作为预测变量时达到了最高精度（R2 = 0.72，RMSE = 4.37 g/kg）。田间模型的优异表现揭示了湿润土壤通过增强与色度及色调参数的相关性来强化SOC与颜色之间的关系，而纹理特征则通过引入微观表面粗糙度和土壤团聚模式进一步提升预测效果。最后，我们基于最优建模策略开发了一款Web应用程序工具，表明标准化的原位RGB成像结合纹理增强的建模方法为田间SOC评估提供了一条低成本且易于实现的路径。
亮点
- 土壤成像装置确保了原位图像采集过程中照明条件的标准化。
- 基于湿润田间土壤的颜色SOC模型优于基于实验室干燥土壤的模型。
- 土壤含水量通过色度和色调增强了SOC与颜色之间的关系。
- 将图像纹理特征作为共同预测变量进一步提高了模型性能。
利益冲突声明
作者声明不存在利益冲突。
数据可用性声明
支持本研究结果的数据已在Figshare上公开可用，地址为 https://doi.org/10.6084/m9.figshare.31456027。
