验证感知的可见光-近红外光谱揭示旱地农业土壤中SOC、SIC和石膏预测的目标特异性可迁移性

《Soil Systems》：Validation-Aware VNIR Spectroscopy Reveals Target-Specific Transferability of SOC, SIC, and Gypsum Predictions in Dryland Agricultural Soils

　　

评估了可见光-近红外（VNIR）光谱对采自18个样地、嵌套于6个绿洲站点（涵盖2种绿洲管理系统、3个地形位置和6个土壤深度）的216个样本中土壤有机碳（SOC）、土壤无机碳（SIC）和石膏的预测能力，重点关注验证设计如何影响表观模型精度。采用偏最小二乘回归（PLSR）和随机森林（RF）、单目标和多目标工作流以及全局与分层校准进行比较，验证方案包括样地分组GroupKFold、站点分组GroupKFold、随机KFold和留一交叉验证（LOOCV）。在连续统去除光谱下，RF对SIC的预测优于PLSR，而SOC和石膏的RF优势在样地或站点水平重采样下不稳健。可预测性具有强烈的目标特异性：石膏预测最可靠（R² = 0.78），SOC中等（R² = 0.44），SIC最不可靠（R² = 0.30）。KFold和LOOCV通常比样地分组GroupKFold产生更乐观的估计，使全局模型SIC的R²膨胀0.15–0.20，地形分层模型膨胀高达0.64（跨层合并）。站点分组验证进一步表明空间可迁移性具有强烈的目标特异性：SOC在样地分组和站点分组验证间的性能相似（R²分别为0.41和0.43），石膏性能中度下降（R²从0.78降至0.64），而SIC性能从R² = 0.30急剧下降至?0.28，表明在绿洲水平分组下性能劣于基于均值的预测。因此，VNIR光谱对石膏显示出强潜力，对SOC具有中等效用，但对SIC的可迁移性有限。验证设计以及在何种空间尺度上施加独立性，对于解释旱地监测中土壤光谱性能至关重要。

研究背景方面，干旱和半干旱地区覆盖陆地表面40%以上，具有水分限制、高蒸发需求、稀疏植被和独特土壤生物地球化学循环等特征。在这些系统中，土壤碳不仅以土壤有机碳（SOC）形式存在，还以土壤无机碳（SIC）形式存在，主要为成土和岩生碳酸盐如碳酸钙（CaCO₃）。许多旱地土壤还积累石膏（CaSO₄·2H₂O），特别是在浅层含盐地下水、蒸发浓缩、地形再分配或含石膏母质有利于硫酸盐沉淀的地方。SOC、SIC和石膏是旱地土壤的核心但功能不同的组分。SOC支撑肥力、团聚体形成、养分循环和生物活性；SIC代表主要碳库并贡献土壤缓冲能力；石膏强烈影响土壤结构、持水性、水力行为、盐渍化、结皮和农业适宜性。这些性质的空间分布高度异质，受管理、地形和土壤深度交互控制。快速定量SOC、SIC和石膏对土壤监测、碳储量评估、土地评价和农业管理至关重要，但常规实验室分析劳动密集、破坏性大、成本高且依赖化学试剂，限制了在大型、偏远或资源有限旱地地区的高密度监测。可见光-近红外光谱（VNIR；约400–2500 nm）提供了一种快速、非破坏性和成本效益高的替代方法。以往研究表明VNIR可预测多种土壤的SOC，但性能强烈依赖于SOC范围、矿物学、质地、土地利用、校准设计和光谱预处理。VNIR也已用于估算干旱和半干旱土壤中的碳酸盐和石膏，但石膏研究较少。尽管土壤VNIR光谱学取得了实质性进展，但对结构化旱地农业生态系统中SOC、SIC和石膏的同时预测关注有限，特别是验证设计如何影响模型性能解释。因此，研究人员在突尼斯西南部Djerid地区超干旱农业土壤中评估VNIR光谱对SOC、SIC和石膏的预测能力，样本跨越绿洲管理系统、地形位置和土壤深度。研究提出三个问题：（i）VNIR对SOC、SIC和石膏预测的可迁移性如何，这些目标的可预测性有何差异？（ii）光谱预处理、模型类型和单目标与多目标工作流如何影响预测性能？（iii）随机KFold、LOOCV、样地分组GroupKFold和站点分组GroupKFold在评估模型可迁移性方面差异多大？研究假设预测性能具有强烈的目标特异性，石膏因诊断性水合吸收特征显示最高可预测性，SOC因较宽且部分间接的光谱响应显示中等可预测性，SIC因碳酸盐信号与其他矿物特征重叠及站点特异性碳酸盐再分配而显示较弱可迁移性。还预期预处理和工作流效应具有目标依赖性，连续统去除有利于具有诊断吸收带的性质如石膏，而全光谱方法保留对SOC等较宽光谱响应有用的信息。最后假设GroupKFold比随机KFold或LOOCV产生更保守和现实的性能估计，因为其防止同一样地观测同时出现在校准和验证集中；还预期更严格的绿洲水平分组将揭示更广泛空间尺度上的可迁移性损失。

研究人员开展的研究方面，研究在突尼斯西南部Djerid地区Tozeur、Degache和Nefta绿洲景观中进行，该地区为超干旱，位于Chott El Gharsa和Chott El Djerid之间，年均降水约80 mm，具有高蒸发需求、Chott附近浅层含盐地下水和第四纪石膏富集沉积物。采样设计遵循Allagui等（2026），在Djerid地区选择三个研究区，每个研究区各选一个传统和一个现代绿洲系统。传统绿洲为长期建立、密集种植、结构多样、多层植被且更多依赖有机投入的系统，现代绿洲为较近期建立、规则种植的椰枣系统，作物多样性较低且更多依赖矿物肥料和定期灌溉。为捕捉地形变化，每个绿洲系统内选择一个上坡、一个中坡和一个下坡样地（10 × 10 m）。上坡样地远离Chott边缘、地下水较深，中坡代表过渡条件，下坡靠近超盐Chott边缘、地下水较浅且盐分效应更强。研究跨越三个研究区，每个研究区包括两个对比绿洲管理系统（传统和现代），共六个绿洲站点。每个绿洲内沿地形梯度建立三个样地。实验设计因此包括18个主要采样样地（3个研究区 × 2个绿洲管理系统 × 3个地形位置）。样地间距离约1–3 km，绿洲间距离10–50 km。每个样地内从两个微站点位置采集土壤样本：棕榈冠层下和相邻间隙。每个微站点按六个深度间隔采样：0–5、5–10、10–30、30–60、60–90和90–120 cm。该分层采样设计共产生216个土壤样本（18样地 × 2微站点 × 6土壤深度）。样品风干后过2 mm筛，用于实验室分析和VNIR光谱测量。土壤总碳（STC）、SOC和SIC按Allagui等（2026）描述测定。简要而言，样品105 °C烘干、匀质、研钵粗磨后在球磨机中以25 Hz研磨5 min。STC在未处理细磨土壤上测定。SOC在另一份样品经2 M HCl预处理60 min去除碳酸盐后105 °C烘干测定。碳浓度使用元素分析仪通过ConFlo IV接口与Delta V Advantage同位素比质谱仪联用测定。SIC通过差值计算：SIC = STC ? SOC。石膏（CaSO₄·2H₂O）采用溶解-离子色谱法按Allagui等（2026）定量。50 mg细磨烘干土壤用25 mL超纯水提取18 h，提取液10,000 rpm离心10 min，溶解的Ca²⁺和SO₄^2?通过高性能离子色谱使用Dionex ICS5000系统测定。由于CaSO₄·2H₂O溶解以1:1摩尔比释放Ca²⁺和SO₄^2?，石膏含量由两种离子中较低的摩尔量计算。土壤pH在1:5水土悬液中电位法测定，电导率（EC）在1:5水土提取液中测定。土壤质地采用Kettler等简化沉降法测定。这些辅助变量用于表征数据集和解释光谱模型行为，但未作为VNIR模型的预测变量。VNIR光谱在暗室中使用ASD FieldSpec? 3光谱辐射计采集，覆盖350–2500 nm，350–1000 nm光谱采样间隔1.4 nm，1000–2500 nm为2 nm。样品置于5 cm直径培养皿中约1 cm深并刮平，每个样品记录四次重复光谱，使用带内部光源的标准接触探头，扫描间旋转培养皿90°以减少颗粒取向和表面异质性效应。每个重复光谱由30次内部扫描平均。每个样品的四次重复光谱取平均。光谱以1 nm间隔导出，排除350–400 nm低信噪比区域，保留400–2500 nm的2101个波段。评估三种光谱预测矩阵：原始反射率光谱（RAW）；Savitzky–Golay一阶导数（窗口长度11，多项式阶数3）后接多元散射校正（RAW + SG + MSC）；连续统去除（CR）。比较四种验证策略：样地分组GroupKFold作为主要验证，分组变量为样地（18个水平），同一样地所有样品分配到同一折，18个样地分布到六折，每折保留三个完整样地（36样本），其余15个样地（180样本）形成校准集；站点分组交叉验证通过每折保留一个绿洲的所有三个样地，产生六折，每折180校准和36验证样本；随机五折KFold；留一交叉验证（LOOCV）。所有随机森林模型使用260棵树。PLSR组分通过嵌套交叉验证选择，内折按样地分组。使用R²、RMSE、MAE、偏差、RPD和Lin一致性相关系数（CCC）评估模型性能。所有指标从合并的保留预测计算。为量化非分组验证的乐观性，计算ΔR²。所有光谱预处理、模型拟合、验证、性能评估、波长重要性分析和图表生成在Python 3.14.0中使用自定义脚本实现。

研究结果表明，在土壤性质变异性和光谱结构方面（3.1节），数据集显示SOC、SIC和石膏的显著变异。SOC浓度一般较低，范围0.04–4.20%（均值0.74%），SIC变异范围较窄为0.21–3.80%（均值1.65%），石膏显示最大变异性和强正偏，范围0–69.83%（均值5.95%）。土壤主要为砂质（50–95%；均值77.4%），粉粒（1–25%；均值9.1%）和黏粒（2–38%；均值13.2%）较低。pH范围7.3–8.6（均值7.9），EC范围0.31–3.57 dS m^?1（均值1.50）。SOC在大多数地形-管理组合中随深度强烈下降，表层浓度最高，30 cm以下显著降低。SIC各组间大量重叠，仅下坡有轻微较高浓度趋势。石膏显示最强的环境分化，高浓度主要出现在传统绿洲，特别是下坡位置和60–90及90–120 cm深度间隔。总体而言，深度最强地结构化SOC，而管理和地形位置对石膏更明显；SIC显示相对弱的分类分离。VNIR光谱主成分分析显示管理系统或地形位置间部分但无明显分离，土壤深度形成次要光谱梯度，前两个主成分解释45.6%和17.8%的光谱方差。

在光谱预处理和预测工作流效应方面（3.2节），三种光谱变体显示不同的平均光谱模式。预处理效应在目标性质间差异显著。石膏在三种光谱变体下均可可靠预测，最高样地分组性能由RAW单目标PLSR获得（R² = 0.80，RMSE = 5.61%，RPD = 2.23），CR基RF模型表现接近（单目标和多目标工作流R²均为0.78）。SOC更明显受益于预处理，RAW光谱PLSR达到R² = 0.27–0.36，RF为R² = 0.14–0.19，CR和特别是RAW + SG + MSC提高性能，最高SOC预测由RAW + SG + MSC的多目标RF获得（R² = 0.47，RMSE = 0.52%，RPD = 1.38）。SIC最不可预测且对预处理最敏感，RAW光谱RF模型性能差（R² < 0），RAW + SG + MSC将RF性能提高至R² = 0.27–0.31。多目标建模未提供一致优势，多目标RF对SOC的R²略高于单目标RF，但对SIC在所有三种预处理方法下R²较低，石膏性能基本不变。总体而言，预处理和工作流效应具有目标特异性而非普遍有益。

在全局模型性能和验证效应方面（3.3节），使用CR光谱的全局建模路径下，样地分组GroupKFold验证中RF对所有三个目标性质的R²均高于PLSR。然而，基于样地水平重采样的配对bootstrap比较仅对SIC支持这一优势（ΔR² [RF ? PLSR] = 0.72；95% CI：0.29–1.73），SOC和石膏的相应区间包括零。RF性能石膏最高（R² = 0.78），SOC中等（R² = 0.44），SIC最弱（R² = 0.30），而PLSR对SIC产生负R²值。验证策略强烈影响表观模型性能。对于最佳全局RF模型，SOC的R²从样地分组GroupKFold的0.44增至KFold的0.51和LOOCV的0.50，SIC从0.30增至0.44和0.48，石膏从0.78增至0.88。相对于站点分组GroupKFold验证，非分组验证产生的性能膨胀更大。对于SIC，随机K折交叉验证相对于站点分组验证使全局模型R²增加0.73、管理分层模型增加0.99，而相对于样地分组验证分别增加0.15和0.29。验证效应对SIC尤为显著。地形分层SIC模型中，KFold和LOOCV产生正R²值，而所有三个地形层在样地分组GroupKFold下显示负R²。因此，样地内预测结构未转化为保留样地的可靠预测。站点分组验证揭示空间可迁移性的显著目标特异性差异。SOC性能相对于样地分组验证基本不变（直接RF：R² = 0.41 vs. 0.43），表明在Djerid研究区内绿洲水平分组下SOC性能保持相似。石膏性能在站点分组验证下中度下降，R²从0.78降至0.64，RMSE从5.81%增至7.53%，RPD从2.15降至1.66。相反，SIC性能在站点分组验证下急剧恶化，R²从0.30降至?0.28，CCC从0.47降至?0.10，表明跨绿洲预测可迁移性的实质性损失。

在管理和地形分层效应方面（3.4节），分层效应在目标性质间差异强烈。石膏显示最稳健的性能，管理分层模型在现代绿洲达到R² = 0.82（单目标）和0.80（多目标），传统绿洲R² = 0.83和0.82。地形分层模型对上坡（R² = 0.71–0.72）和下坡（R² = 0.70–0.72）位置保持预测性，但中坡不行（R² = 0.29–0.32）。SOC性能在各子集间变化，传统绿洲子集获得最高R²（单目标和多目标RF均为0.53），中坡子集表现差且不确定性很宽。SIC显示相反响应，最佳样地分组GroupKFold性能由全局RF模型获得（R² = 0.30和0.28），分层通常降低预测性能。因此，分层仅对选定目标-层组合改善或维持预测：对石膏最有效，对SOC在特定子集有益，但未改善可迁移的SIC预测。

在SHAP模型解释方面（3.5节），波长重要性模式在目标性质间不同但SIC和石膏间显示大量重叠。SOC的五个最高排名波长在CR模型中聚集于1842–1848 nm。SIC重要性主要集中在2314–2327 nm，石膏也在2324–2328 nm附近显示强贡献，以及1926和2390 nm附近的额外波长。因此，SOC依赖独特光谱区域，而SIC和石膏部分共享2320–2330 nm附近的波长区域。SIC和石膏之间的重叠与其部分重叠的矿物光谱特征一致，可能贡献于SIC相对于石膏较低的迁移性。

讨论部分总结如下：验证设计决定模型性能解释（4.1节），随机KFold和LOOCV通常比样地分组GroupKFold产生更高的表观可预测性，SIC差异最大，非分组验证允许同一样地样品同时出现在校准和验证子集中，增加了训练和验证数据间的相似性，样地分组GroupKFold通过保留整个样地提供更严格的可迁移性测试，仅依赖KFold或LOOCV会高估模型可迁移性，特别是对SIC。SOC、SIC和石膏的目标特异性可预测性（4.2节）遵循石膏 > SOC > SIC的顺序，石膏因诊断性水合吸收特征和数据集中的宽浓度范围而最可预测，SOC中等可预测性与低SOC浓度和砂质、碱性、超干旱土壤的强矿物背景一致，SIC最不可迁移，其相对窄的浓度范围和管理与地形组间的弱分离进一步限制校准，碳酸盐吸收在VNIR/SWIR区域可与黏土矿物和石膏相关特征重叠。预处理和多目标工作流揭示目标特异性光谱信息（4.3节），没有单一预处理策略对所有目标最优，石膏预测在RAW、RAW + SG + MSC和CR光谱下均稳健，SOC和SIC对预处理更敏感，多目标工作流同样提供目标特异性而非统一益处，SHAP分析支持部分光谱重叠。分层仅在匹配土壤结构时改善预测（4.4节），管理分层维持强石膏性能并支持SOC预测，而地形分层未改善可迁移SIC预测，分层可减少有意义的异质性，但较小的校准子集也可能降低稳健性。对旱地土壤碳和石膏VNIR监测的启示（4.5节），VNIR光谱对旱地土壤监测显示出强烈的目标依赖性潜力，石膏以高精度和良好可迁移性被预测，是最有前景的快速筛查目标，SOC显示中等可预测性可用于识别广泛空间梯度，但低SOC浓度和强矿物背景效应限制精度，SIC仍是最不可迁移的目标，全局RF模型仅达到中等性能且分层未克服这一限制。

研究结论部分翻译如下：VNIR光谱在超干旱农业土壤中显示出明确的目标特异性潜力：石膏被稳健预测，SOC具有中等精度，而SIC在保留样地间、特别是保留绿洲间仍不可迁移。更重要的是，模型性能强烈依赖于验证设计；随机重采样通常比分组验证产生更乐观的模型可迁移性估计。样地和站点水平分组进一步揭示可迁移性具有强烈的目标依赖性：在Djerid研究区内绿洲水平分组下SOC性能保持相似，石膏预测中度下降，而SIC预测在绿洲间迁移下急剧恶化。这些发现强调可靠的土壤光谱应用需要反映预期预测域空间和层次结构的验证方案。对于旱地监测，VNIR似乎已适合快速石膏评估并可能用于SOC筛查，而可迁移的SIC预测将需要更广泛的校准数据集以更好地捕捉碳酸盐变异性、矿物干扰和空间异质性。扩大跨旱地地区的校准并整合光谱互补信息可能是开发更稳健的多性质监测框架的关键。