通过将中红外光谱技术与可解释的机器学习相结合来估算土壤有机碳含量

《Results in Chemistry》：Estimating soil organic carbon by integrating mid-infrared spectroscopy with explainable machine learning

　　

主要作者包括：Mira Khatun、Md. Abir Hasan、Md Sadiul Alam Chyon、Rashid Anzoom、Md Wadud Ahmed、Md. Shafiul Azam、S.M. Hasan Sazzad Iqbal、Md. Abdur Rahim、Md. Niaz Imtiaz 和 Md. Toukir Ahmed。

摘要

有机碳是土壤中的一个关键参数，对土壤肥力、结构稳定性、微生物活性以及整体农业生产力有着重要影响。传统的有机碳测量方法通常耗时、劳动强度高且成本昂贵。本研究探讨了将光谱技术与机器学习相结合作为一种无损且高效的替代方法。具体而言，本研究采用了偏最小二乘回归（PLSR）和随机森林（RF）模型，基于600–4000 cm^?1波段的中红外光谱（MIR）数据来预测土壤有机碳（SOC）含量。通过网格搜索（Grid-Search）方法对RF模型进行了超参数优化，最终获得了0.98的决定系数（R²_P）和1.45%的均方根误差（RMSE_P），证明了该模型的高预测精度。此外，还利用了可解释人工智能（XAI）中的Shapley加性解释（SHAP）技术来解释模型结果，并评估了特定波长对预测的贡献。研究结果表明，将可解释的机器学习技术与光谱技术相结合，在农业领域具有很高的实用性和可靠性。