《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Methodological approach for calibration transfer from benchtop to portable SWIR spectrometers: a laboratory-scale study on powdered grapevine leaves
编辑推荐：
针对不同光谱仪器间模型可迁移性差、野外应用受限的难题，本研究提出基于直接标准化(DS)的校准传递策略，将实验室台式高光谱成像(HSI)系统模型成功应用于便携式SWIR光谱仪，实现了对葡萄叶粉末中多元素的精准预测(Fe、Mn、P等)，为农业光谱技术的现场部署提供了可复现的方法框架。
在精准农业和可持续葡萄栽培中，实时监测植物营养状态至关重要——养分失衡会直接影响光合作用、果实品质和抗逆能力。传统实验室分析方法如电感耦合等离子体发射光谱法(ICP-OES)、原子吸收光谱(AAS)等虽精度高，但依赖复杂样品前处理、耗时且难以现场实施。近红外(NIR)和短波红外(SWIR)光谱技术以其快速、无损的优势成为替代方案，尤其是高光谱成像(HSI)可同时获取光谱与空间信息，为作物表型分析带来新机遇。然而，实验室台式HSI系统建立的模型往往无法直接用于田间便携设备，因仪器光学结构、检测器响应和环境条件差异导致光谱偏移，限制了模型的跨平台适用性。这一“校准传递”瓶颈阻碍了光谱技术从实验室走向田间的规模化应用。
为破解这一难题，来自意大利罗马第一大学的研究团队在《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》发表研究，以托斯卡纳地区28个桑娇维塞(Vitis vinifera L. cv. Sangiovese)葡萄园的叶片粉末为对象，系统探索了从台式HSI到便携SWIR光谱仪的校准传递方法学。他们创新性地结合直接标准化(DS)算法与机器学习模型，成功将实验室级光谱模型“移植”至便携设备，实现了对叶片中多种营养元素的定量预测，为农业光谱技术的跨平台一致性提供了可复现的解决方案。
研究团队首先采集了28个葡萄园的叶片样本，经冷冻干燥、液氮研磨后制成<500 μm的均匀粉末，确保光谱数据的代表性；随后利用微束X射线荧光光谱(μ-XRF)测定Ca、K、Fe、Mn等9种元素的浓度作为参考值。光谱数据采集分为两部分：采用Specim SISUChema XL?台式HSI系统(1000–2500 nm)获取实验室光谱，以及NIREOS HERA SWIR便携式HSI系统(1000–1700 nm)获取验证光谱。数据处理阶段，将光谱统一截取至公共波段(1000–1700 nm)，并应用多元散射校正(MSC)、Savitzky-Golay一阶导数等方法消除物理干扰；核心校准传递步骤中，基于主成分分析(PCA)筛选代表样本，通过DS算法建立两台仪器光谱的转换矩阵，将便携设备光谱映射至台式机光谱空间。模型构建方面，采用误差校正输出编码支持向量机(ECOC-SVM)评估分类性能，以及极限梯度提升(XGBoost, XGB)回归模型预测元素浓度，并通过独立验证集检验模型泛化能力。
3.1. XRF结果
μ-XRF分析揭示了不同葡萄园样本的元素含量差异：常量元素Ca、K变化范围最大(Ca约60–84 wt%，K约6–23 wt%)，反映土壤矿质与施肥策略的差异；微量营养素Zn、Cu、Fe也呈现明显空间变异，部分蒙塔尔奇诺产区样本Cu含量较高，可能与土壤特性或人为干预相关。Si在特定区域样本中显著富集，可能对应硅酸盐土壤或干旱适应机制。这些结果为后续光谱-元素关联建模提供了可靠的参考基准。
3.2. PCA结果
PCA分析显示，台式与便携系统在预处理后的光谱数据中均保留了产地相关的聚类特征：前两个主成分累计解释方差分别为84.31%(台式)和61.77%(便携)，关键区分波段集中在1200–1400 nm和1500–1600 nm，对应纤维素、木质素等结构的振动吸收以及矿物相关信号。尽管两系统光谱强度存在仪器相关偏差，但PCA拓扑结构的一致性证明化学组成的光谱响应具有跨平台可捕捉性。
3.3. 校准传递结果
DS校准传递显著降低了仪器间光谱差异——差异度量从0.248降至0.051。校正后的便携系统光谱与台式机参考光谱在形态和强度上高度对齐，关键诊断吸收带(1200–1400 nm, 1500–1600 nm)得到有效还原。无论是否参与DS建模的样本，其光谱均表现出良好的一致性，证实DS可系统性地补偿光学配置与采集几何差异。
3.4. ECOC-SVM结果
未进行DS时，台式机训练的ECOC-SVM模型直接预测便携光谱出现严重偏差，多数像素被错误归类至单一品种；DS校正后，分类敏感度提升至0.615–0.997，特异度达0.921–0.999，像素级分类地图更贴合真实产地分布，仅少数光谱相似产区间存在混淆。这表明DS有效恢复了跨设备的类可分性。
3.5. XGB回归结果
XGB回归模型在校准与交叉验证阶段表现稳定(R2 0.95–0.98)；未做DS时，直接预测便携光谱效果极差(Ca、Fe的R2仅为0.13)。经DS校正后，独立预测集的性能显著改善：Ca、K、S、Fe等高丰度元素预测最佳(R2 0.75–0.84)，Si、Mn居中(R2约0.70)，低浓度元素Cu、Zn因动态范围窄而精度较低(R2 0.56–0.66)。像素级浓度图谱进一步显示，Ca、Fe、P、S等元素预测分布均匀，而Cu、K、Si受样品局部异质性影响波动较大，但仍保持了定性趋势的一致性。
本研究证实，基于DS的校准传递策略能有效弥合台式与便携SWIR光谱仪的系统差异，使实验室开发的HSI模型可迁移至便携设备。ECOC-SVM分类与XGB回归的双重验证表明，该方法不仅提升了跨仪器类别判别准确性，还实现了对葡萄叶中多元素(Ca、K、Fe、Mn等)的半定量预测。虽然低浓度元素的预测精度仍有提升空间，但整体框架解决了光谱模型跨平台应用的“最后一公里”问题，为农业光谱技术的标准化、规模化推广奠定了基础。未来若扩展至鲜叶样本与田间复杂环境，将进一步推动便携式光谱仪在智慧农业中的实用化进程。
