《Environments》：Performance Limits of VNIR Hyperspectral Imaging for Soil Heavy Metals in Camellia oleifera Plantations: A Strict Nested Cross-Validation Benchmark
编辑推荐：
可见–近红外（VNIR）高光谱成像被推崇为土壤重金属监测中替代电感耦合等离子体质谱（ICP-MS）的快速手段，但多数证据依赖于单次划分或非嵌套验证。研究人员针对浙江常山油茶（Camellia oleifera）种植园土壤（n=83；102个波段，约401–10
可见–近红外（VNIR）高光谱成像被推崇为土壤重金属监测中替代电感耦合等离子体质谱（ICP-MS）的快速手段，但多数证据依赖于单次划分或非嵌套验证。研究人员针对浙江常山油茶（Camellia oleifera）种植园土壤（n=83；102个波段，约401–1022 nm；51个建模指标）在严格嵌套交叉验证下基准测试VNIR预测能力，所有插补、缩放、预处理与模型选择均限定于各外层训练折内。研究得出四点发现。其一，当前协议下观测到的最高性能偏差比（RPD）均值为1.13，未达到本研究采用的经验性1.4解释基准，多数折级R2为负值。其二，带压缩激励注意力的1D-CNN较线性基线在10项指标中6项显著更差、无一项更优；非嵌套探索性分析中的增益在控泄漏评估下未持续。其三，将任务重定义为法规风险等级分类亦未恢复操作实用性：Cr和Zn的召回分别仅由2和1个超标样本支撑，无法估计群体筛查灵敏度。其四，基于全数据随机森林的探查性事后SHAP分析将24%的顶级波长归于铁氧化物或有机质参考带，高于5.9%的置换零均值（经验p=0.020，50次置换下最小可达值），该归因识别了可信光谱代理区，但非预测泛化性或因果性的独立证据。此外，22.9%样点超出GB 15618-2018砷风险筛选值。在该数据集与验证设计内，VNIR成像既不支持可靠定量预测，也不支持操作级筛查。
研究背景与问题提出
油茶（Camellia oleifera）是中国南方重要木本油料树种，浙江常山为地理标志产区，其产量与食品安全高度依赖亚热带红壤肥力与化学状态。该类土壤低pH伴生高游离铁氧化物，提升Pb、As、Cd、Hg生物有效性。传统ICP-MS精确但破坏性强、难以 plot 级推广；VNIR（~400–1000 nm）高光谱因非破坏、快速被寄望为补充手段。机理上重金属在VNIR无直接吸收，只能通过铁氧化物、有机质、pH间接共变推断。现有深度学习（1D-CNN带注意力、Transformer–CNN、CNN-LSTM、多任务学习）多在LUCAS等大样本（n>20000）表现良好，但在n<100、单区域、低方差的种植园场景缺乏严格评估；多数文献用单次划分或非嵌套交叉验证，使预处理与模型选择偏倚夸大性能；且实务端点是风险分级而非浓度回归，相关分类研究稀少。研究人员据此在《Environments》发表本研究，提供一套泄漏可控的严格嵌套交叉验证基准，厘清VNIR在小样本红壤场景的真实上限。
主要关键技术方法
研究人员于2026年4–5月浙江常山8年生油茶园采集83个0–20 cm表层复合土样（每点3子样合样），经风干过2 mm筛后部分再磨至100目，ICP-MS（Agilent 7900）获54项参考指标（QA/QC含空白、平行、GBW07404标准物，回收率90–110%）。VNIR反射率由实验室成像系统（SCI-VN100G，约401–1022 nm、102波段）采得，白板暗电流校正后逐样取ROI中位平均。建模前按CV<10%剔除近常量指标（pH、BD、Au），剩51指标，缺失值与低于检测限值用贝叶斯岭迭代插补（外层折内重拟合），偏度>1者做log10变换。严格嵌套协议为外层5重复×5折、内层2–3折选预处理（原始/SG/SNV/SG+SNV/SG+一阶导）×8模型（PLSR三变体/Ridge/ElasticNet/SVR-RBF/RF/XGBoost），1D-CNN-SE以5通道堆叠输入并在外层折内训练；波长选择（CARS/SPA/UVE/Random Frog/RF重要性）同样折内拟合；风险分类采用GB 15618-2018按pH分层阈值分三级，Hg因无超标样本排除；SHAP为全数据随机森林TreeSHAP事后探查，并以50次目标置换建零分布。
研究结果
3.1 土壤指标分布：83样pH 4.39–6.18（均5.12），SOM 8.19–92.5 g/kg；按pH分层阈值22.9%样点As≥40 mg/kg，15.7% Cd超标，证实产区砷富集需跟踪。
3.2 光谱与内在维度：PCA显示102波段前2主成分占97.8%方差，内在维数2–3；波段与焦点指标最大Spearman |ρ|=0.515（Ca@814 nm），Mo、Sb无任何波段|ρ|>0.30，预示间接共变主导。
3.3 严格嵌套回归性能：最高均RPD为Ba 1.127±0.231（PLSR n=3，SG+FD），As 1.068，SOM 1.037，Ca 1.021，均未达1.4；折级R2多负（?0.578至0.070），较非嵌套探索估计降0.10–0.15。
3.4 1D-CNN-SE对比：6/10指标显著劣于线性基线（Ba ΔRPD=?0.659，Ca ?0.647，Pb ?0.265，SOM ?0.240，As ?0.139，Li ?0.092），无一项显著优于；Ca、Ba折级R2降至?9.10与?10.7，表明小样本深度学习过拟合。
3.5 波长选择：Random Frog使SOM R2从0.244升至0.370（RPD 1.153→1.260），UVE将Pb R2从?0.590提至?0.026，但所有方法均未跨过RPD 1.4，仅降噪非破局。
3.6 风险分级分类：Cr（2超标样）平衡准确0.794、召回0.560，Zn（1超标样）0.973/0.700，但支持数过小不能推群体筛查；As（19超标）平衡准确0.463、κ 0.162，Cd 0.482/0.170，Cu 0.469/0.201，近三类随机水平；Mo/Sb/Sn分位数均衡分级κ≤0.106处随机；Pb准确率0.938但高危召回0.280，证明准确率不能代表筛查力。
3.7 探索性SHAP：全数据RF的Top5波长24%落于Fe3+ 440/530/870 nm及有机质550–770 nm带，置换零均值5.9%、95百分位12.0%，经验p=0.020；属模型利用机制带证据，非因果非泛化验证。
讨论与结论翻译
讨论指出严格嵌套较非嵌套降低约0.10–0.20 RPD，足以逆转“CNN有益”误读，与Cawley&Talbot及Vabalas等警示一致；间接Fe–OM耦合限定上限，SHAP+置换零分布可作小样本物理可信度检查但非预测检验；风险重分类未在n=83下 rescue 性能，Cr/Zn高分源于极小支持数，Pb高准确率伴低召回揭示筛查报告须列明超标样本数与平衡指标；局限含单县单作物、非空间分块、缺SWIR（>1400 nm）、焦点指标同数据集选定致条件乐观、CNN超参未内层调优因样本预算不足。
结论（译）：在严格嵌套交叉验证（插补、缩放、预处理、模型选择均限外层训练折）下，常山油茶园VNIR基准得四结论——最高观测均RPD 1.13未达经验1.4且多数折R2非正；1D-CNN-SE无显著优于传统基线且6/10显著更差；法规风险分级未恢复操作效用（Cr/Zn召回仅由2/1超标样支撑）；全数据RF事后SHAP归因24%顶级波长落Fe-OM机制带（p=0.020）但非因果非泛化证。该数据、波段与验证设计内VNIR不支持定量预测亦不支持操作筛查；另22.9%样点As超GB 15618-2018筛选值需靶向复采。未来应预指定指标、扩污染子集、比空间分块与随机嵌套、补基础土壤协变量。
