《Soil Security》：Portable NIR for Soil Property Prediction and Fertility Assessment in Coffee and Cocoa Systems
编辑推荐：
便携式近红外（NIR）光谱技术结合机器学习算法，在秘鲁亚马孙地区咖啡（Coffea arabica L.）和可可（Theobroma cacao L.）生产系统中表现出作为快速补充工具的潜力，可用于预测特定土壤理化性质并辅助初步肥力管理决策。其性能高度依赖于所
便携式近红外（NIR）光谱技术结合机器学习算法，在秘鲁亚马孙地区咖啡（Coffea arabica L.）和可可（Theobroma cacao L.）生产系统中表现出作为快速补充工具的潜力，可用于预测特定土壤理化性质并辅助初步肥力管理决策。其性能高度依赖于所评估的土壤性质、生产系统、光谱预处理方法和预测算法。在咖啡土壤中获得了最可靠的结果，尤其是黏粒（clay）、速效磷（available P）、pH和粉粒（silt）的预测，表明该方法在酸度评估、磷素管理分区、采样分层以及基于质地的管理区初步划分方面具有潜在应用价值。在可可土壤中，预测性能普遍较低，尽管钾（K）取得了最佳结果，但所有评估性质均未达到足以支持独立管理决策的精度。咖啡土壤的强酸性条件与可可土壤的弱碱性、高黏粒含量和低电导率特征形成鲜明对比，证明了开发作物和土壤特异性校准模型的重要性。在咖啡系统中，NIR预测可帮助优先确定需要进行石灰施用评估、磷素管理和差异化土壤管理的区域。在可可系统中，常规实验室分析仍然是核实土壤反应、钾素平衡、养分有效性和黏粒相关养分保持过程的必要手段。总体而言，便携式NIR光谱应作为常规实验室和叶片分析的补充而非替代工具。本研究得出的肥力启示支持土壤筛查、管理区识别和有针对性的实验室确认，但不构成直接的肥料剂量处方。
**便携式近红外光谱在咖啡与可可系统土壤性质预测及肥力评估中的应用**
**1. 研究背景与意义**
土壤是农业生产的基础，其物理、化学和生物学性质直接影响作物生长、生产力以及农业系统的可持续性。在咖啡（Coffea arabica L.）和可可（Theobroma cacao L.）等重要经济多年生作物中，土壤表征对于指导农艺管理和提高作物生产力至关重要。土壤质地、土壤有机质（SOM）、pH和养分有效性等变量能够识别可能限制植物发育和生理性能的土壤障碍因子。然而，传统土壤分析方法依赖专业实验室流程，成本较高、处理时间长，且频繁监测的能力有限。近红外（NIR）光谱技术凭借其快速、无损地生成多种土壤性质信息的能力，成为土壤表征的一种有前景的替代方案。近年来，便携式和小型化NIR光谱仪的进展促进了精准农业中近端土壤传感的广泛应用。其中，NeoSpectra光谱仪因其紧凑的设计、低成本以及在1350–2550 nm范围内获取光谱的能力而受到越来越多的关注。然而，大多数研究是在温带土壤或大型区域土壤光谱库中进行的，便携式NeoSpectra光谱在热带农业生态系统中的应用仍然有限。特别是在秘鲁亚马孙地区的咖啡和可可生产系统中，土壤质地、矿物组成、有机质和管理实践的显著差异可能大幅影响光谱响应和预测精度，相关研究几乎空白。因此，本研究旨在扩展便携式NIR光谱结合多种机器学习算法在高度异质性热带条件下快速土壤评估中的应用，从而支持精准土壤管理策略。
**2. 技术方法**
研究人员在秘鲁亚马孙地区采集了125份土壤样品（咖啡69份、可可56份），采用分层采样设计考虑海拔梯度和农艺管理条件。实验室分析测定了土壤pH、电导率（EC）、质地和养分含量。光谱采集使用便携式ProxiScout by NeoSpectra?光谱仪，光谱范围1350–2550 nm，分辨率16 nm。光谱预处理包括Savitzky–Golay（SG）平滑、一阶（1D）和二阶（2D）导数以及波段深度（BD）变换。预测模型采用随机森林（RF）、支持向量机（SVM）、神经网络（NN）和偏最小二乘回归（PLSR），通过嵌套五折交叉验证评估模型性能。
**3. 研究结果**
**3.1 土壤理化性质特征**
咖啡土壤呈酸性（pH 4.80 ± 0.81），质地为壤土；可可土壤呈弱碱性（pH 8.11 ± 0.47），黏粒含量较高（45.82%）。咖啡土壤EC均值为1.59 dS m?1，明显高于可可土壤（0.144 dS m?1），表明可可土壤无可溶性盐胁迫。咖啡土壤速效磷（22.28 ppm）高于可可土壤（14.39 ppm），而可可土壤钾含量（294.80 ppm）高于咖啡土壤（189.15 ppm）。
**3.2 土壤质地类别分布**
USDA质地三角图显示，咖啡土壤主要集中于壤土（Lo）、黏壤土（ClLo）和砂质黏壤土（SaClLo）类别，表明以中等质地为主。可可土壤则集中于黏土（Cl）、黏壤土（ClLo）和粉砂质黏壤土（SiClLo）等细质地类别，表明较高的黏粒含量和较强的水肥保持能力。
**3.3 短波红外（SWIR）光谱相关性**
可可土壤的光谱曲线离散度较低，吸收特征出现在1400、1900和2200 nm附近，主要与水分、OH基团和黏土矿物有关。咖啡土壤的光谱曲线离散度较大，尤其在1800–2300 nm区间，表明其理化性质具有更高的异质性。一阶导数变换可揭示原始反射光谱中不完全可见的光谱差异。
**3.4 土壤性质与波长的光谱相关性**
SG-0预处理下，咖啡土壤中砂粒、粉粒和黏粒的区分度更高。SG-1和SG-2导数变换增加了曲线变异性，在咖啡土壤中尤为明显。波段深度（BD）变换可识别更结构化的光谱模式，在可可土壤中，pH、P、K和质地组分表现出清晰的变化。
**3.5 NIR反射率与土壤性质的双谱相关性**
Pearson相关热力图揭示，1400和1900 nm附近区域主要与水分吸收带相关，2100–2300 nm区间与有机质官能团和黏土矿物相关。在咖啡土壤中，磷（P）在双谱空间中表现出广泛的正相关；在可可土壤中，P和N的相关模式未转化为稳健的交叉验证预测性能（P: R2CV = 0.248；N: R2CV = 0.117）。
**3.6 光谱模型的预测性能**
在咖啡土壤中，最佳预测性能为黏粒（R2 = 0.775，RPD = 2.276）、P（R2 = 0.772，RPD = 2.037）、pH（R2 = 0.665，RPD = 2.085）和粉粒（R2 = 0.679，RPD = 1.822）。EC、N和K的预测能力有限（RPD < 1.3）。在可可土壤中，K的R2最高（0.454），但所有性质的RPD均低于1.4，表明预测性能总体较低。N、P和K的预测应谨慎解读，因为这些元素在NIR区域没有直接吸收特征，其预测关系可能通过有机质、黏土矿物等光谱活性成分间接建立。
**3.7 基于NIR信息的肥力管理指导**
基于RPDCV阈值的应用等级分类（高≥2.0、中等1.4–2.0、低<1.4），咖啡土壤中pH和P为高应用等级，黏粒为高、粉粒为中等，N和K为低应用等级。可可土壤中所有指标均为低应用等级，表明NIR预测需要实验室或叶片分析确认后才能做出肥力管理决策。
**4. 讨论与结论**
**4.1 讨论**
模型性能差异可用NIR辐射与土壤组分相互作用的物理化学机制解释。土壤质地通过改变光程长度和反射辐射强度影响辐射散射，使质地相关性质（特别是黏粒和粉粒）具有较强的光谱响应。黏土矿物和SOM在SWIR区域具有特征光谱特征，为间接估算多种土壤性质提供了基础。相比之下，N、P、K等养分在NIR区域无直接吸收特征，其预测主要基于与黏土矿物、SOM、水分等的间接关系。可可土壤预测性能较低可能与较窄的响应范围、矿物组成差异以及较小的作物特异性校准数据集有关。没有任何单一算法在所有土壤性质上始终表现最佳，模型性能取决于目标变量。一阶和二阶导数预处理及波段深度变换经常改善预测性能。研究局限性包括：样本量相对较小、未经独立外部数据集验证、光谱测量在干燥和细筛条件下进行，以及缺乏矿物学和阳离子交换信息。
**4.2 结论**
便携式NIR光谱结合机器学习算法在秘鲁亚马孙咖啡和可可生产系统中，作为快速评估选定土壤理化性质和辅助初步肥力管理决策的补充工具显示出潜力。其性能强烈依赖于所评估的土壤性质、生产系统、光谱预处理方法和预测算法。最可靠的结果在咖啡土壤中获得，特别是黏粒、速效磷、pH和粉粒，表明在酸度评估、磷管理分区、采样分层和基于质地的管理区初步划分方面具有应用潜力。在可可土壤中，预测性能较低，尽管钾取得了最佳结果，但所有评估性质均未达到足够精度以支持独立管理决策。咖啡土壤的酸性条件与可可土壤的弱碱性、高黏粒和低电导率条件形成对比，证明了开发作物和土壤特异性校准模型的重要性。总体而言，便携式NIR光谱应作为常规实验室和叶片分析的补充而非替代工具。本研究得出的肥力启示支持土壤筛查、管理区识别和有针对性的实验室确认，但不构成直接的肥料剂量处方。
