基于SWIR成像的土壤亚纲判别优于全Vis-NIR-SWIR光谱的机器学习方法

《Remote Sensing》：Soil Suborder Discrimination Using Machine Learning Is Improved by SWIR Imaging Compared with Full VIS–NIR–SWIR Spectra Daiane de Fatima da Silva Haubert, Nicole Ghinzelli Vedana, Weslei Augusto Mendon?a, Karym Mayara de Oliveira, Caio Almeida de Oliveira, Jo?o Vitor Ferreira Gon?alves, José Alexandre M. Demattê, Roney Berti de Oliveira, Amanda Silveira Reis and Marcos Rafael Nanni + 1 author

　　

土壤分类单元（Systema Brasileiro de Classifica??o de Solos, SiBCS）的快速标准化判别仅依赖传统野外描述和实验室分析具有挑战性，尤其在较高采样密度下更是如此。本研究评估了便携式光谱学和高光谱成像是否支持巴西土壤分类系统亚纲（suborder）和成土发生层（pedogenetic horizon）的分类，当表层和底层光谱分别处理时。六块完整土壤单体（0.12 × 1.60 m）采集自巴西南部巴拉那州，分别代表一个有机土（Organossolo, Ooy）、三个砖红壤（Latossolos, LVd、LVd1和LVd2）以及两个淋溶土（Argissolos, PVAd和PVd）。对每个单体，使用非成像VIS-NIR-SWIR光谱辐射计（350–2500 nm）每传感器获取800个光谱，同时从SWIR高光谱影像（1200–2450 nm）中每单体每传感器提取800个光谱。主成分分析（Principal Component Analysis, PCA）用于总结光谱变异性，亚纲监督分类通过k近邻（k-nearest neighbours）、随机森林（Random Forest）、决策树和梯度提升（Gradient Boosting）算法实现（10折交叉验证），而成土发生层分类则采用神经网络（Neural Network）。PCA结果表明，大部分光谱变异由主成分轴捕获，且在SWIR空间中亚纲分离度优于全VIS-NIR-SWIR范围。就亚纲分类而言，底层光谱优于表层光谱，SWIR优于VIS-NIR-SWIR：最高准确率出现在底层SWIR（梯度提升；AUC = 0.99；MCC = 0.95）达0.96，以及表层SWIR（k近邻；AUC = 0.98；MCC = 0.87）达0.89。通过VIS-NIR-SWIR进行剖面内发生层分类，神经网络准确率为0.84–0.97，多数误判发生在相邻发生层之间。总体而言，底层SWIR信息提供了最可靠的分类判别基础，而发生层分类虽可行但反映了剖面内渐变的光谱过渡特征。

本研究旨在解决土壤分类领域的关键技术瓶颈：传统依赖野外形态描述与实验室分析的方法在实现高空间采样密度时面临劳动强度大、标准化程度低及难以空间外推等局限，尤其在热带高度风化土壤中，发生层过渡微妙，观测者间差异显著。与此同时，数字土壤科学的兴起推动了近端传感与高光谱遥感技术的融合应用，但现有研究多聚焦于表层或均质化样品，忽视了巴西土壤分类系统（SiBCS）本质上以剖面为基础、依赖底层诊断特征的核心逻辑。此外，非成像VIS-NIR-SWIR接触式探针光谱与SWIR高光谱成像在完整垂直剖面上的直接对比，以及表层与底层分别处理的分类效果评估，尚缺乏系统验证。基于此，研究人员采集了巴西南部巴拉那州六块完整土壤单体（0.12 m × 1.60 m），涵盖有机土（Ooy）、三个砖红壤（LVd、LVd1、LVd2）及两个淋溶土（PVAd、PVd），通过控制实验条件隔离成土变异，以评估两种传感模态支持SiBCS亚纲及发生层分类的能力。

研究所用关键技术方法包括：光谱数据采集、主成分分析探索性分解、机器学习监督分类及统计性能评估。光谱数据方面，采用FieldSpec 3 Jr光谱辐射计（350–2500 nm）获取非成像VIS-NIR-SWIR反射光谱，每单体800个测点；同时利用HySpex Mjolnir S-620 SWIR相机（970–2500 nm）获取高光谱影像，经影像处理后从每0.10 m深度选取50个感兴趣区（ROI），提取均值光谱（1200–2450 nm），每单体共800个ROI光谱。两类数据均经Savitzky-Golay滤波平滑处理。预处理后的光谱矩阵输入主成分分析，分别对SWIR和VIS-NIR-SWIR的表层/底层数据集进行探索性分析。机器学习部分，亚纲分类采用k近邻、随机森林、决策树和梯度提升算法，通过10折交叉验证评估；发生层分类则采用前馈神经网络。模型性能以准确率、F1分数、ROC曲线下面积（AUC）和马修斯相关系数（MCC）量化；超参数优化在训练集内部嵌套完成，防止信息泄漏。

研究结果部分，土壤基本性质显示六块单体涵盖从极黏重到砂质的广泛质地范围。有机土Ooy黏粒含量75%–80%，土壤有机碳（Soil Organic Carbon, SOC）高达56.0 g dm^?3（Oo层）；砖红壤LVd和LVd1黏粒含量85%–92%，SOC随深度锐减；LVd2全剖面砂质（75%–80%砂粒），SOC低至0.8–1.4 g dm^?3；淋溶土PVAd和PVd表层砂质、底层黏粒富集，呈现清晰质地对比。光谱特征表明，黏质土壤（Ooy、LVd、LVd1）整体反射率较低，砂质土壤（LVd2、PVAd、PVd）反射率较高；~900 nm处铁氧化物吸收特征在高反射率土壤中更清晰，而SWIR窗口（1200–2450 nm）中~2200 nm和~2260 nm的吸收特征分别归因于高岭石（Al–OH）和三水铝石的羟基组合带。主成分分析结果显示，PC1解释了绝大多数方差（SWIR表层97%、底层98%；VIS-NIR-SWIR表层91%、底层92%），且SWIR空间中亚纲分离度明显优于VIS-NIR-SWIR空间；尤其在底层SWIR中，黏质组（Ooy、LVd、LVd1）与砂质组（LVd2、PVAd、PVd）沿PC1清晰分立。

亚纲分类结果中，表层光谱情形下，SWIR输入的k近邻表现最优（准确率0.89，AUC=0.98，MCC=0.87），优于VIS-NIR-SWIR的k近邻（准确率0.86）；底层光谱情形下，SWIR输入的梯度提升达到最高准确率0.96（AUC=0.99，MCC=0.95），显著优于VIS-NIR-SWIR各算法（最高准确率0.87）。混淆矩阵分析表明，误判主要集中于PVAd与PVd之间以及LVd2与PVAd之间，与其相似的光谱反照率行为一致；但SWIR数据有效降低了这些混淆。发生层分类结果显示，VIS-NIR-SWIR光谱结合神经网络在各剖面的准确率为0.84（LVd2）至0.97（LVd1），多数误判发生在相邻发生层之间，如LVd2剖面中Bw2误分为Bw1（22.7%）、PVd剖面中A与AB相互混淆（AB→A达32.0%）、LVd剖面中Bw1与Bw2相互混淆（Bw2→Bw1达16.0%），以及PVAd剖面中Bt1与Bt2的相互误判（17.4%和11.7%）。

讨论部分，研究人员深入解析了光谱表达的成土控制机制。黏质砖红壤中，VIS-NIR波段铁氧化物吸收特征随深度增强，反映了表层有机质掩蔽效应减弱后矿物信号的释放；砂质土壤中石英主导的多重散射机制压缩了类间分离度。主成分分析的单轴主导结构揭示了光谱变异主要由"石英散射-黏土/氧化物吸收"的综合反照率-吸收平衡驱动，而加入VIS-NIR波段反而因引入表层扰动敏感信息（微粗糙度、有机涂层、水分梯度）而降低分离度。底层SWIR分类性能更优的机制在于：底层发生层保存了更稳定的矿物学和质地信号，受表层有机输入、团聚作用和水分动态等瞬态变化影响较小，更能反映黏粒迁移、氧化物累积和矿物转化等长期成土过程。研究同时指出，随机k折交叉验证可能因同一单体光谱被拆分而高估表观性能，未来需采用留一单体验证等更严格策略；此外，石英主导类间的光谱趋同提示，纯光学传感存在分类边界，需结合中红外（MIR）基础振动、便携式X射线荧光（pXRF）元素比或成像纹理结构等补充信息。发生层分类的相邻误判则体现了土壤发生的连续性本质——发生层在描述和分类中是离散的，但控制性质常呈连续深度变化；这启示可将分类框架重构为深度序列分割问题，结合过程先验约束垂直组织，并通过不确定性量化识别过渡带。

研究结论部分指出，完整土壤单体上的光学反射率捕获了SiBCS亚纲和成土发生层之间一致的、深度结构化的光谱对比。平均光谱和PCA联合表明，大多数光谱变异沿主导梯度组织，分离了石英质、高反照率物质与黏土-氧化物富集、强电磁吸收基质，而SWIR域增添了与羟基次级矿物相关的诊断结构。在所评估的分类器中，亚纲判别在基于底层发生层训练时比在表层训练时更可靠，在输入限制为SWIR范围时优于全VIS-NIR-SWIR光谱。剖面内发生层分类通过VIS-NIR-SWIR光谱也可行，神经网络表现最为一致；误判主要发生在紧邻发生层之间，与光谱记录的许多成土过渡的渐进垂直性质一致。总体而言，结果支持将近端光谱学和SWIR高光谱成像作为土壤分类工作流的补充证据层，尤其当目标是利用底层信息和矿物学诊断波长增强分类判别时。将该框架扩展至更广阔景观需要验证设计以测试跨剖面和地点的可转移性，以及不确定性感知预测以识别过渡带和训练域外光谱。对于能够接触暴露底层发生层的操作工作流（如壕沟壁或开挖面），应优先采用SWIR高光谱成像，因其在本研究中始终提供了最可靠的分类判别。