揭示便携式X射线荧光光谱（pXRF）与可见光-近红外（Vis-NIR）数据融合及特征选择在农田土壤属性估算中的潜力

《Infrared Physics & Technology》：Revealing the potential of pXRF and Vis-NIR data fusion and feature selection in estimating soil properties of farmland

　　

摘要：对土壤特性的可靠评估对于推进精准农业和环境保护至关重要。然而，全波段光谱数据融合会产生大量冗余和无效信息，这可能损害土壤属性模型的预测可靠性和精确度。本研究采集了60个土壤样本，随后通过融合可见光-近红外（Vis-NIR）光谱和便携式X射线荧光（pXRF）光谱数据，评估了四项关键土壤属性，并使用四种特征选择技术进行模拟，即竞争自适应重加权采样（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）和投影重要性（VIP），以探索不同属性的最相关光谱变量优选方法。本研究提出了一种土壤属性估算技术，通过VPPSO算法优化支持向量机（SVM）参数，建立了速度暂停粒子群优化-支持向量机（VPPSO-SVM）模型。结果表明，采用基于特征选择的策略比使用全光谱范围的模型具有更高的预测精度。四项土壤属性的最优特征选择方法均为VIP算法。VPPSO-SVM估算模型进一步提高了阳离子交换量（CEC）、总氮（TN）、土壤有机质（SOM）和砷（As）的模型精度，R2值分别为0.84、0.90、0.94和0.84。此外，SOM属性的林氏一致性相关系数（LCCC）为0.94。研究结果为高效光谱数据处理系统的开发提供了有力支持，有助于更准确地监测干旱区农田的土壤特性。VPPSO-SVM模型的成功应用证明了其在光谱数据处理和土壤属性监测中的实际可行性，这将促进该技术在未来研究和应用中的广泛采用。

引言：随着全球农业和环境保护需求的不断增长，监测土壤特性对于制定更有效的精准农业种植决策至关重要[1]。传统的土壤特性测量方法严重依赖人工采样，费用高昂、耗时且不适合原位或连续监测应用。相比之下，光谱技术作为一种快速、经济且对样本干扰极小的分析方法，只需少量样本处理即可支持土壤分析，既适用于田间在线模式，也适用于实验室离线模式[2]、[3]、Wang等[4]。近年来，近距土壤传感技术，包括可见光-近红外（Vis-NIR）光谱和便携式X射线荧光（pXRF）光谱，在评估土壤理化及生物学属性方面得到了广泛应用[5]、[6]。例如，Vis-NIR可用于估算土壤有机质（SOM）和土壤有机碳（SOC）[7]、[8]、Zhang等[9]、[10]、总氮（TN）[11]、pH值和阳离子交换量（CEC）[12]。由于操作快速简单，pXRF技术越来越多地被用作测量土壤重金属含量的工具，包括铅（Pb）、铜（Cu）和砷（As）[13]、[14]。然而，单一光谱技术往往存在局限性；Vis-NIR光谱数据受土壤特定因素（包括结构配置和矿物多样性）的显著调制，而pXRF数据难以检测与土壤有机质相关的信息。为解决这些问题，近年来多光谱数据融合在提高估算精度方面受到了越来越多的关注[15]、Shi等[16]。研究结果表明，多传感器融合不仅可以弥补单一技术的不足，还能提供更全面的土壤信息[17]、[18]。Gholizadeh等[19]的研究表明，直接融合会产生大量数据冗余，在使用全光谱带直接融合时，精度反而低于单一传感器数据。为了从土壤高光谱数据中提取必要的潜在信息，消除非信息变量或保留信息变量是构建准确可靠预测模型的关键步骤[20]。有效的特征选择可以精简融合数据集，从而提高模型精度、稳定性和处理速度[21]。目前在光谱分析中常用的特征选择方法包括竞争自适应重加权采样（CARS）、连续投影算法（SPA）、投影重要性（VIP）和无信息变量消除（UVE）。研究表明，CARS方法选择的光谱波段不仅实现了压缩比，将输入特征限制在总光谱变量的6%以内，而且显著降低了土壤高光谱变量的维数和计算复杂度，从而提高了模型的预测精度[22]。为估算SOC，采用56个土壤样本建立了偏最小二乘回归（PLSR）模型，并通过SPA、UVE、CARS及其混合方法进行优化[23]。结果显示，CARS方法优于SPA和UVE方法。CARS特征选择在大陆和国家尺度上改善有限，但在区域尺度上显著提高了模型精度，特别是对于SOC和N的预测[24]。SPA侧重于减少变量间的共线性，能有效选择信息冗余低的特征子集；UVE通过引入随机噪声评估变量稳定性，适用于识别对模型贡献不显著的变量[25]、Liu等[26]。相对于遗传算法（GA）、相关性分析（CA）、SPA、UVE和CARS用于PLSR建模估算SOC精度的比较，研究发现GA和UVE可以提高预测精度。VIP方法采用潜在变量模型综合评估每个光谱波段对响应变量的贡献，在处理高维强共线性光谱数据方面显示出显著优势（Shi等，2023b；Wang等[27]）。这些算法在变量选择原理上各不相同，导致对精度提高和模型结构简化的贡献不一致。先前的研究通常使用全光谱数据或基于单一传感器的单一特征选择方法进行数据提取和建模。有限的研究探讨了特征选择方法对模型精度的影响，特别是在贫瘠土壤的干旱地区，关于数据融合最有效特征选择技术的研究更加缺乏。此外，优化算法是用于寻找给定问题最优解（最优值）的数学工具[28]。传统的支持向量机（SVM）模型在光谱建模中对惩罚参数和核参数高度敏感，其性能严重依赖于参数组合的合理性。为克服手动或经验参数调优的局限性，本文引入了速度暂停粒子群优化（VPPSO）算法对SVM参数进行全局优化。与常规SVM或标准参数搜索方法相比，VPPSO-SVM通过其速度暂停机制增强了参数搜索过程中的全局探索能力。这有效地降低了陷入局部最优的风险，从而提高了模型的稳定性和预测精度。这种数据驱动的参数优化策略为多传感器光谱条件下土壤属性估算提供了更加稳健的建模方法。本研究选择CEC、TN和SOM作为土壤肥力的关键指标，因为它们分别反映了土壤的养分保持能力、氮供应能力和有机碳状态。这些因素对于维持干旱农业系统中的土壤生产力至关重要。此外，选择砷（As）作为代表性潜在有毒元素，因其环境风险及其与农业土壤质量评估的相关性。这四个指标的综合评估能够全面评估干旱农业区域的土壤肥力和环境质量。本研究探讨了如何通过融合Vis-NIR和pXRF光谱数据并结合特征选择来提高土壤属性估算。本研究的具体目标包括：1）比较不同变量选择算法在光谱波段选择上的差异；2）考察在多传感器融合方案下，变量选择方法对四个土壤特征预测精度的影响；3）考察优化模型是否能进一步提高估算精度。本研究实现了对各种土壤特性的快速、精确和经济评估，有助于精准农业和环境保护的变量输入，并能够设计高效的土壤监测和重金属控制策略。

研究区域概况：研究在中国新疆维吾尔自治区伊犁哈萨克自治州的塔城地区和布克赛尔蒙古自治县进行（80°31ˊ-81°43ˊE，43°17ˊ-43°57ˊN）（图1c）。地形从南到北呈多级阶梯状分布，包括南部的山区、山前丘陵、丘陵、中部倾斜平原、北部河流阶地和洪泛平原等多种地貌[29]。该地区以干燥的温带大陆性气候为主。

统计分析：肥力特性CEC、TN和SOM表现出相当大的变异性，对应的变异系数（CV）分别为0.33、0.39和0.47（表1）。重金属元素的变异性相对较低，CV值分别为0.17。其中，SOM的变化范围较大（6.27-62.4 g/kg），而TN的数据分布范围最小（0.04-0.29%）。总体而言，所有属性均呈右偏分布。

土壤属性含量与光谱特征分析：各种土壤属性之间的相关性如图所示。CEC是一项关键的土壤属性，为了解土壤肥力和养分保持能力提供了重要信息。在本研究中，CEC的平均值为12.02 cmol(+) kg?1，而TN和SOM的平均值分别为0.1%和19.91 g/kg，低于其他研究区域的平均值（表1）。例如，Razzaghi等[45]从伊朗、美国德州、古巴和肯尼亚四个不同国家收集了38个土壤样本，报道的平均CEC为22 cmol(+) kg?1。

结论：本研究通过特征选择和数据融合算法结合Vis-NIR和pXRF光谱数据估算了四项土壤属性。结果表明，特征选择通过去除冗余和不必要的数据，大大提高了土壤属性模型的预测精度，且CEC、TN、SOM和As的最优特征优选方法均为VIP。通过结合多传感器数据融合，模型的预测能力可进一步提升[67]。

生成式AI和AI辅助技术在手稿准备过程中的声明：在准备本工作期间，作者使用了ChatGPT-5.2以提高语言质量。使用该工具后，作者对内容进行了审查和编辑，并承担已发表文章内容的全部责任。

作者贡献声明：Gao Susu：撰写原始稿、验证、形式分析、数据管理、概念构思。Li Xiang：撰写审校与编辑、可视化、验证、项目管理、获取资金。Ding Jianli：项目管理、获取资金。Li Bingnan：资源、方法学、调查研究。Ge Xiangyu：监督、资源。Zhu Chuanmei：监督、资源。Wang Jinjie：监督、软件、资源。Zhang Zipeng：监督、软件、资源。

利益冲突声明：作者声明不存在已知的可能影响本研究所报告工作的竞争性财务利益或个人关系。

致谢：本研究得到了国家自然科学基金（42301414）、国家自然科学基金（42501070）、中国博士后科学基金（2023M732959）、技术创新团队（天山创新团队）、干旱区水资源高效利用创新团队（编号：2022TSYCTD0001）、新疆维吾尔自治区天池人才计划（青年博士）人才项目资助。感谢各位编辑和匿名审稿人。

Gao Susu | Li Xiang | Ding Jianli | Li Bingnan | Ge Xiangyu | Zhu Chuanmei | Wang Jinjie | Zhang Zipeng

新疆大学地理与遥感科学学院，乌鲁木齐830017，中国