便携式近红外光谱仪用于沙基果岭总有机质含量的快速测定

《Crop Science》：Organic matter measurements on sand-based putting greens using a portable near-infrared spectrometer

　　

有机质管理在高尔夫球场果岭上至关重要；然而，当前测定有机质的方法需要大量实验室前处理、较高的能量投入和较长的周转时间。本研究的目标是：（1）开发并评估利用便携式近红外（NIR）光谱仪采集光谱来预测沙基果岭总有机质（TOM）含量的近红外光谱模型；（2）比较三种不同样品制备方法下所建NIR模型的性能，以最大化处理效率。样品采集自6个总有机质含量范围较宽的果岭，并分为三个深度层次（0–2、2–4和4–6 cm）。在NIR扫描前，样品依次经过三种制备方法处理：（1）从田间采集后立即用研钵和研杵研磨的新鲜样品；（2）在105°C下干燥48 h的样品；（3）干燥后用球磨仪精细研磨的样品。对于每种制备方法，还评估了每个样品的扫描次数（单次扫描与三次扫描且在扫描间重新混样）。新鲜样品的模型精度最低；然而，在0–2 cm深度，模型达到了r² ≥ 0.88、预测标准误（SEP）≤ 4.42%、偏差（bias）≤ 1.81%。对于新鲜和干燥制备方法，扫描三次后模型精度有所提高。研究结果表明，利用便携式光谱仪开发的NIR模型可以为沙基果岭提供快速的总有机质测定。

研究背景：有机质管理在高尔夫球场果岭上被广泛实施，以维持可打性和草坪草健康。近年来，通过灼烧失重法（LOI）测定总有机质（TOM）的方法日益流行，该测定涵盖草屑层（verdure）、枯草层（thatch）、草垫层（mat）、土壤有机质和根区材料。然而，采用LOI法测定TOM时，高尔夫球场管理者须将样品送至土壤测试实验室，周转时间慢，且并非所有实验室均已采用标准化的TOM测定流程。LOI过程耗时、耗能且样品通量有限。这些限制凸显了建立快速、便携、高效的TOM定量方法的必要性。近红外（NIR）光谱法是一种潜在的快速分析TOM的方法，其原理基于物体分子组成决定其对入射NIR能量的吸收。NIR已用于估算多种材料的化学组成，并在农业其他领域用于预测不同分解阶段土壤和植物凋落物中的碳含量。尽管如此，NIR光谱法在草坪草根区分析中的应用仍然较少。Han等（2012）评估了台式中红外和NIR光谱仪测定果岭多种土壤性质（包括总有机碳）的能力，两种光谱仪对经干燥、研磨和过筛的样品均产生了准确的模型。尽管大量样品前处理在NIR文献中很常见，但这对于快速获得结果并不实际。Couillard等（1997）成功使用台式NIR光谱仪通过扫描新鲜样品在四个垂直深度预测LOI值，但光谱采集需要使用紧定螺钉在每个深度手动定位采样杯，作者指出该过程耗时。NIR技术的最新发展扩大了手持便携式NIR光谱仪的可用性，这些光谱仪相比传统台式光谱仪成本更低，同时仍具有可比的分析性能潜力。因此，本研究的目标是：（1）开发并评估利用便携式NIR光谱仪采集光谱来预测沙基果岭TOM的NIR光谱模型；（2）比较三种样品制备方法（新鲜、干燥和球磨）在三个土壤深度（0–2、2–4和4–6 cm）下所建NIR模型的预测性能。一个补充目标是评估单次扫描与三次扫描（扫描间重新混样）平均光谱所建NIR模型的预测性能。

研究人员开展的研究及结论与意义：研究于2025年5月在北卡罗来纳州罗利市按照美国高尔夫球协会（USGA）建议建造的6个果岭上共采集102个样品，果岭在年龄、草坪草种、品种和管理方案上存在差异。每个果岭随机采集17个完整样品，用直径1.9 cm的土钻取样，每个样品用金属刀片分为三个深度（0–2、2–4和4–6 cm），保持草屑层完整。样品放入标记的Whirl-Pak袋中，立即运至实验室进一步处理。每个样品依次经过三种制备方法处理并扫描：新鲜、干燥和球磨。新鲜制备方法中，处理和扫描在采样当天完成，样品用研钵和研杵手工研磨60 s以均质化草屑层、枯草层、草垫层和根区组分，然后将3–4 g样品装入扫描比色皿并用塞子压缩，使用NeoSpectra光谱仪（Si-Ware Systems）扫描，采集1350–2550 nm波长范围共257个数据点的光谱数据。每次扫描后将样品取出并与剩余1–2 g样品重新混合，用勺刮刀混合约10 s后重新装填比色皿进行后续扫描，每个样品重复三次。新鲜制备方法扫描后，样品放入重力对流烘箱（Isotemp Oven, Fisher Scientific）在105°C下干燥48 h进行干燥制备方法处理，干燥前后称重以确定水分含量，使用相同的NIR光谱仪、光谱采集设置和扫描方案采集干燥样品的光谱。球磨制备方法中，干燥样品单独放入单球轴承罐中，使用球磨仪（Mixer Mill 8000D, SPEX SamplePrep）研磨5 min，使用与前述相同的方案扫描。扫描完成后，样品进行LOI实验室分析，置于标记的坩埚中称重获得初始重量，然后放入马弗炉（Isotemp Muffle Furnace, Thermo Fisher Scientific）在440°C下加热2 h，冷却后称重获得灼烧后重量，从初始重量和灼烧后重量中减去坩埚重量，通过Nelson和Sommers（1996）描述的LOI公式计算TOM。水分和TOM的描述性统计按采样深度在SAS（Version 9.4, SAS Institute）中使用Proc Univariate分析。校准数据集定义为总样品数中随机选择的80%用于开发NIR模型，每个深度和制备方法组合的校准数据集因随机选择过程而不同。模型开发使用R（Posit Software）编写的开源软件流程进行。NIR软件流程包括两个阶段：（1）变换和异常值检测；（2）模型训练、验证、交叉验证和新观测预测。第一阶段对原始光谱（log R^?1）应用13种数学变换以去除与样品粒径相关的漫反射散射并改善后续回归分析，变换包括多元散射校正（MSC）、标准正态变量（SNV）、去趋势（DT）和Savitsky-Golay（SG）二阶导数（二阶多项式拟合），使用5和7两种窗口大小（SG5和SG7），以及变换对（SNV + DT、MSC + DT、SNV + SG、MSC + SG和DT + SG），因此每个制备方法、扫描频率和深度组合共有14个校准数据集（原始光谱加13种数学变换），总计评估252个NIR模型。使用局部异常因子基于20个最近邻过滤 atypical 光谱数据。第二阶段使用无异常值的原始NIR光谱和所有变换的数据库，通过偏最小二乘（PLS）回归拟合光谱数据与实验室值之间的NIR校准。PLS回归是一种多元统计方法，通过提取少量潜变量（也称为成分或因子）将大量预测值（即光谱）与一个或多个响应变量（即TOM）关联。模型性能和参数化使用留一交叉验证评估。理想模型为最大化交叉验证系数（R²_cv）、最小化交叉验证标准误（SECV）且潜变量数量较少的模型。潜变量数量基于一倍标准差方法选择，该方法识别SECV在最小SECV的1个标准误范围内且因子数最低的模型。NIR模型的性能评估使用验证数据集，该数据集由数据集中未纳入校准步骤的剩余20%样品组成。性能评估通过拟合统计量的综合评估按照Castillo, Griggs等（2025）概述的方案进行，拟合统计量包括决定系数（r²）、预测标准误（SEP）、偏差以及NIR预测值与实验室测量值之间预期线性关系的斜率和截距。值得注意的是，果岭草种、品种和根区年龄未纳入分析，扫描数据混合后随机分配至校准（80%数据）和验证数据集（20%数据），为每个制备方法、深度和扫描频率组合生成模型。研究结论：新鲜制备方法在三种制备方法中NIR模型性能最低，但其性能仍足以用于快速TOM分析。0–2 cm深度产生最佳的NIR模型性能，该深度通常是有机质管理中最相关的深度，因其影响表面性能。对新鲜和干燥样品扫描三次通过更好地代表样品异质性和水分改善了NIR模型性能，尽管在某些情况下改善幅度较小。尽管本研究中样品在处理前被运至实验室，但新鲜样品可以很容易地在田间直接处理和扫描，包括在高尔夫球车或卡车后挡板上，这是可能的因为样品在扫描前不需要干燥或大量研磨，且便携式NIR光谱仪紧凑且能够在无外部电源的情况下运行。未来研究应侧重于扩展数据库以纳入TOM含量较低的样品——特别是在0–2 cm深度，并评估使用新鲜样品的NIR光谱法如何支持关于栽培和沙面施肥应用的管理决策。研究意义：本研究表明便携式NIR光谱仪结合适当的模型开发策略可以为沙基果岭提供快速的TOM测定，新鲜样品虽模型精度略低但仍满足快速分析需求，为高尔夫球场有机质管理提供了高效便捷的替代方案。

本研究涉及的关键技术方法包括：（1）样品采集与处理：2025年5月从北卡罗来纳州罗利市6个按USGA建议建造的果岭采集102个样品（每个果岭17个完整样品，土钻直径1.9 cm），分为0–2、2–4和4–6 cm三个深度，样品队列来源涵盖不同年龄、草种、品种和管理方案的果岭（包括Zoysia matrella、Agrostis stolonifera、Cynodon dactylon × C. transvaalensis等），分别进行新鲜、干燥（105°C, 48 h）和球磨（5 min）三种制备；（2）便携式NIR光谱采集：使用NeoSpectra光谱仪（Si-Ware Systems）采集1350–2550 nm范围257个数据点的光谱，评估单次扫描与三次扫描（扫描间重新混样）两种频率；（3）参考值测定：采用灼烧失重法（LOI）在440°C下加热2 h测定TOM；（4）NIR模型开发：使用R语言开源软件流程，对原始光谱（log R^?1）应用13种数学变换（MSC、SNV、DT、SG5、SG7及其组合），使用局部异常因子过滤异常光谱，采用偏最小二乘（PLS）回归建模，留一交叉验证评估，一倍标准差方法选择潜变量数；（5）模型验证：使用剩余20%样品作为验证集，评估r²、SEP、偏差及斜率截距等拟合统计量。

研究结果：

3.1 实验室测定的参考数据：实验室测定的TOM值在0–2 cm深度范围最宽（5.0%–39%），4–6 cm深度范围最窄（0.6%–5.9%），0–2 cm深度TOM含量最高，这与先前研究一致。六个果岭间有机质范围的广泛差异可归因于年龄、物种和维护管理的差异。例如，Champion 2果岭样品TOM值最高，该果岭超过20年历史、无改造历史且自建造以来有机质管理措施极少；相比之下，A-1/A-4匍匐翦股颖果岭TOM值最低，该果岭接受常规比赛使用并有密集的有机质管理方案。所选六个果岭涵盖了广泛的实验室参考值范围，代表了高维护和低维护果岭，从而捕获了NIR模型开发所需的变异性。新鲜样品中水分含量随深度增加而降低，这可能是由于深层TOM含量较低，此外0–2 cm深度新鲜植被的存在可能增加了水分含量。

3.2 样品制备方法对NIRS模型性能的影响：跨制备方法比较，新鲜样品的NIR模型性能下降，表现为较低的r²值和较高的SEP和偏差值。在0–2 cm深度，新鲜、干燥和球磨样品的NIR模型拟合统计量分别为r² ≥ 0.88、SEP ≤ 4.42%、偏差 ≤ 1.81%；r² ≥ 0.91、SEP ≤ 3.76%、偏差 ≤ 1.36%；以及r² ≥ 0.96、SEP ≤ 2.93%、偏差 ≤ 1.64%。干燥和球磨制备方法NIR模型预测性能的改善可能归因于烘箱干燥降低水分含量、较小粒径增强样品均质化以及这些步骤导致的光谱变异性降低。新鲜土壤样品中水分的 presence 会"饱和"NIR光谱，因为土壤水分增加会使1400和1900 nm处的光谱变宽和增强，光谱饱和可能掩盖与不同官能团相关的吸收峰或通过水分与其他组分相互作用改变光谱，此外样品间水分变异性可能导致NIR模型可靠性降低。先前研究也报道了干燥土壤样品NIR模型相对于新鲜样品的性能改善。除干燥外，球磨均质样品 marginally 改善了NIR模型性能，可能归因于降低了土壤粒径异质性。尽管干燥和球磨样品的NIR模型预测性能有所改善，但这些制备方法也需要更多劳动力、专门设备和更大的能量投入。尽管新鲜样品性能较低，但0–2 cm和2–4 cm深度的NIR模型拟合统计量根据Malley等（2004）的指南仍被认为是"成功"或"中等成功"，根据Nduwamungu等（2015）被认为是"非常可靠"或"可靠"。

3.3 采样深度对NIR模型性能的影响：总体而言，在所有制备方法和两种扫描频率下，NIR模型预测TOM的性能随根区深度增加而下降。基于验证拟合统计量，NIR模型在最浅深度（0–2 cm）表现最佳，r²值范围为0.91–0.96；2–4 cm深度表现中等，范围为0.83–0.96；最深深度（4–6 cm）表现最低，范围为0.59–0.78。这些模型性能差异可能反映了较深层较低的TOM含量和较小的实验室参考值范围，以及根区深度间有机质组成的变化。这些发现与Han等（2012）报道的结果一致，他们观察到使用中红外光谱仪预测果岭根区较深部分（3.8–7.6 cm）总有机碳的模型性能下降，而根区上部（0–3.8 cm）模型性能改善。在4–6 cm深度，TOM值范围为0.57%–5.92%，而0–2 cm深度为5.00%–39.04%，2–4 cm深度为0.63%–13.43%，4–6 cm深度平均参考值为1.93%。当有机质含量低于2%时，有机质的光谱特性变得不那么突出，降低了预测性能。此外，砂粒部分产生极差的预测模型行为，归因于砂粒部分主要由石英和二氧化硅组成，缺乏可作为多元校准模型中统计锚点的独特吸收带。与跨所有深度开发的单一NIR模型相比，分层样品并开发深度特异性NIR预测模型在本研究中改善了性能。

3.4 扫描频率对NIR模型性能的影响：三次扫描平均（扫描间重新混样）在所有制备方法下均改善了NIR模型性能，对新鲜制备方法显示出最大益处。在0–2 cm深度，新鲜样品单次扫描的r² = 0.88、SEP = 4.42%、偏差 = 1.05%，而三次扫描将r²提高至0.94、SEP降低至3.5%，尽管偏差略高。干燥制备方法在0–2 cm和2–4 cm深度的模型性能也有所改善。相比之下，球磨样品三次扫描并平均光谱未改善模型性能。例如，0–2 cm深度球磨样品单次扫描的NIR模型性能为r² = 0.96、SEP = 2.80%、偏差 = 1.56%，而三次扫描频率模型精度为r² = 0.97、SEP = 2.93%、偏差 = 1.64%。新鲜和干燥样品三次扫描方法NIR模型性能的改善可能归因于样品的异质性，通过三次扫描并在扫描间重新混样，采集的光谱可能捕获了更具代表性的样品，从而减少子采样误差。新鲜样品中的高水分 combined with 最小研磨带来的增加异质性可能解释了为何三次扫描平均改善了NIR模型性能。

讨论部分总结：本研究评估了便携式NIR光谱仪结合不同样品制备方法、采样深度和扫描频率预测沙基果岭TOM的性能。结果表明，尽管新鲜样品模型精度最低，但仍足以用于快速TOM分析；0–2 cm深度模型性能最佳；三次扫描对新鲜和干燥样品有益。干燥和球磨虽改善模型性能但增加劳动力和设备需求。研究结论翻译：新鲜制备方法在三种制备方法中NIR模型性能最低，但其性能仍足以用于快速TOM分析。0–2 cm深度产生最佳的NIR模型性能，该深度通常是有机质管理中最相关的深度，因其影响表面性能。对新鲜和干燥样品扫描三次通过更好地代表样品异质性和水分改善了NIR模型性能，尽管在某些情况下改善幅度较小。尽管本研究中样品在处理前被运至实验室，但新鲜样品可以很容易地在田间直接处理和扫描，包括在高尔夫球车或卡车后挡板上，这是可能的因为样品在扫描前不需要干燥或大量研磨，且便携式NIR光谱仪紧凑且能够在无外部电源的情况下运行。未来研究应侧重于扩展数据库以纳入TOM含量较低的样品——特别是在0–2 cm深度，并评估使用新鲜样品的NIR光谱法如何支持关于栽培和沙面施肥应用的管理决策。