整合低成本手持式传感器与随机森林机器学习预测巴西荒漠化热点区RUSLE土壤可蚀性因子

《Journal of Soil and Water Conservation》：Integrating low-cost handheld sensor and machine learning to predict RUSLE soil erodibility in a desertification hotspot in Brazil

　　

修正通用土壤流失方程土壤可蚀性因子（K_RUSLE）的制图对于指导巴西东北部Gilbués荒漠化区的保护策略至关重要。然而，周边市政区属于低收入地区，支持常规实验室评估的能力有限，这凸显了对低成本技术的需求。尽管如此，在资源有限的旱地环境中，目前尚无经过验证且经济可行的近地传感替代方案用于K_RUSLE评估。针对这一问题，本研究旨在验证Nix Spectro 2传感器（Nix Sensor Ltd.，加拿大安大略省）结合随机森林回归在Gilbués荒漠化范围内一个微流域中预测K_RUSLE的可行性。研究人员采集了200份复合土壤样本，并使用Nix Spectro 2手持式传感器进行分析。红、绿、蓝（RGB）颜色参数、衍生色度指数（INDICES，色度衍生指数）以及可见光范围反射率（Vis，可见光反射率；400至700 nm）被用作随机森林回归模型的预测变量，随后对K_RUSLE进行地统计制图。研究结果表明，Nix Spectro 2测量数据能够有效整合至随机森林回归中以预测K_RUSLE。训练阶段回归决定系数（R²）大于0.70，性能与四分位距比值（RPIQ，性能四分位距比）大于1.6。此外，研究揭示将RGB、INDICES和Vis组合使用对K_RUSLE制图更为合适。这一性能反映了土壤颜色与影响K_RUSLE的物理化学属性之间存在强关联，这些特征可通过Nix Spectro 2提供的光谱和色度信息间接捕获。该方法为经济落后地区提供了一种可扩展、经济实惠且准确的土壤可蚀性评估手段。

**论文解读**

**研究背景与问题提出**

Gilbués荒漠化区位于巴西东北部Piauí州，面积约6,200 km²，以深层沟蚀（深度可达30 m）和绵延超过6 km的细沟网络为特征，土壤退化程度极为严重。本研究聚焦于该区域内的Piripiri Stream微流域（PSMW），面积319 km²，周长127.2 km。修正通用土壤流失方程（RUSLE）中的土壤可蚀性因子（K_RUSLE）是制定水土保持策略的关键参数，但该因子涉及土壤质地、有机质、结构和渗透性等多重属性的综合作用，传统测定依赖实验室理化分析，成本高昂且耗时。PSMW所属的Monte Alegre do Piauí市人口约10,660人，2021年人均GDP仅为28,073.98巴西雷亚尔，比Piauí州最高排名市低81.35%，也低于巴西全国平均水平33%。在此经济条件下，常规实验室光谱仪（单价超过50,000美元）在操作层面根本无法企及。此前Sousa等人（2023）和Teixeira等人（2024）虽在该区域利用近红外（NIR，近红外光谱）结合偏最小二乘回归（PLSR，偏最小二乘回归）在预测土壤有机碳（SOC，土壤有机碳）储量和土壤可蚀性因子方面取得了进展，但因设备投入门槛过高而难以转化为实际应用。因此，迫切需要一种成本极低、操作简便且经过严格验证的近地传感方案来填补这一空白。Nix Spectro 2手持式可见光传感器（售价约1,199美元、蓝牙连接智能手机、约5秒获取读数）在理论上具备替代潜力，但其在旱地退化环境中预测K_RUSLE的有效性尚未得到系统验证。

**研究目标与意义**

研究人员假设Nix Spectro 2衍生的光谱与颜色信息结合随机森林算法能够间接且准确地预测PSMW地貌背景下的K_RUSLE，并以此为目标开展了验证研究。该研究的核心价值在于：若假设成立，将为全球资源匮乏的干旱退化区提供一套可负担、可扩展且精度可靠的土壤可蚀性空间评估方法，从而突破经济壁垒对水土保持监测的制约。

**关键技术方法概述**

本研究在PSMW内采集200份表层（0–0.10 m）复合扰动土壤样本，采用荷兰不锈钢手钻取样，每份复合样本由围绕地理参考中心点的8个单点样混合而成以降低小尺度异质性噪声。样本量在Chen等人（2021）建议的100个基线基础上翻倍以应对热带异质土壤的高空间变异性。100份样本用于理化表征和模型训练，另100份独立样本仅采集光谱数据用于外部预测。所有样本经风干过2 mm筛后，采用吸管法测定粒径分布、1:2.5土水比pH计法测定pH、Walkley-Black法测定SOC、并按Teixeira等人（2017）方法计算阳离子交换量（CEC，阳离子交换量）。K_RUSLE依据Renard等人（1997）基于几何平均粒径（D_g）的指数经验公式计算。光谱采集使用Nix Spectro 2传感器（配备透明平面适配器和黑色遮光盒消除环境光干扰），每份样本扫描三次取均值，获取RGB值、衍生色度指数（H_RGB即色调、I_RGB即光强度、S_RGB即色度信息）以及400–700 nm范围内31个通道的可见光反射率（Vis），并对Vis数据进行标准正态变量（SNV，标准正态变量）归一化处理。构建七组预测特征集（RGB、INDICES、Vis及其组合），采用随机森林回归建模，经网格搜索和五折交叉验证优化超参数（ntree = 100，mtry = 3，max_depth = 10，min_samples_split = 5），以决定系数（R²）、均方根误差（RMSE，均方根误差）、平均绝对误差（MAE，平均绝对误差）、性能偏差比（RPD，性能偏差比）和性能四分位距比（RPIQ）评估模型性能。最终通过泛克里金法进行地统计建模与空间制图，并生成平方误差图评估预测不确定性。

**研究结果**

*研究区特征*：Nix Spectro 2获取的RGB均值分别为123.7（R）、93.3（G）和74.1（B），与沉积岩母质发育土壤的颜色参数范围一致。I_RGB变异系数仅为12%，反映样本整体亮度较为均一；而H_RGB和S_RGB变异性更大，说明色度指数能够放大仅靠亮度指标无法检测的细微光谱差异，这些差异与SOC空间不连续性和成壤特征密切相关。K_RUSLE值范围为7.0至43.9 × 10^?3 t h MJ^?1 mm^?1，均值15.6，变异系数64.8%，与Simplício等人（2021）在巴西旱地观测的范围（13至53 × 10^?3 t h MJ^?1 mm^?1）一致，高变异性反映出粉砂–砂粒相互作用和局部结构不稳定性对可蚀性的强烈驱动。

*随机森林预测K_RUSLE的性能*：训练阶段，RGB + Vis组合表现最优，R²达0.80，RPD为2.26，RPIQ为1.87，RMSE和MAE最低（分别为3.76和2.58）。所有模型R²均不低于0.7、RPD不低于1.9、RPIQ不低于1.6，按Chang等人（2001）标准达到"良好"至"非常好"的预测能力。然而外部验证阶段表现最佳的却是RGB + INDICES组合（R² = 0.84，RMSE = 5.17），而非训练阶段最优的RGB + Vis。这一训练与验证性能的差异提示：Vis光谱数据虽在校准中捕获了细粒度方差，但可能引入噪声降低了泛化能力；而INDICES作为数学凝练的物理描述符（尤其是I_RGB），在独立样本上泛化更稳健，这与Wadoux（2023）关于数学变换特征可产生更清晰稳定预测的结论一致。

*预测变量相对重要性*：I_RGB在所有预测变量中重要性得分最高，这与基于图像的土壤表征研究中亮度相关指标与可蚀性控制属性保持强关联的发现吻合。H_RGB和S_RGB的重要性得分最低，这可以解释INDICES单独使用时为何未在K_RUSLE预测中发挥主要作用——色调和饱和度类指数对土壤样本特征的差异高度敏感，因而稳定性不足。颜色参数B和G以及430、440、450 nm波长的反射率也呈现较高重要性。430–450 nm波段恰好对应铁氧化物强电子跃迁的光谱区域；铁氧化物常包被黏土颗粒和有机化合物，因此其光谱响应与土壤质地（Coblinski等人，2020）和SOC（Moura-Bueno等人，2020）间接关联。本研究区砂质土壤以高反射率和低吸收组分为特征，即使微小的铁氧化物或SOC增量也会在蓝光波段产生可检测的反射率下降。G波段虽灵敏度不及B波段，但仍对铁氧化物包膜、轻度有机质暗化以及砂粒表面粗糙度有响应。

*观测与预测K_RUSLE对比*：七组特征集预测的K_RUSLE均值在14.4至16.0 × 10^?3 t h MJ^?1 mm^?1之间，标准差介于4.5至6.0，预测变异性略低于观测值，这反映了随机森林等集成树方法固有的平滑效应。Vis和RGB + Vis模型最接近观测均值和变异性，而仅使用RGB或INDICES的模型倾向于低估高K_RUSLE值，表明其在捕获与土壤结构和组成相关的细微反射率差异方面能力有限。

*地统计建模与空间制图*：观测和预测K_RUSLE的半变异函数块基比（C₀/(C₀+C₁)）介于0.19至0.64，属中等至强空间依赖性。观测K_RUSLE以球状模型拟合最佳，空间依赖性最强（比值0.19）。RGB + INDICES + Vis组合模型半变异函数决定系数最高（R² = 0.93），空间制图与已知侵蚀易发区的吻合度最优，平方误差图也显示其残差最小。相比之下，RGB + Vis等较少预测变量组合在异质性高的区域误差浓度更大。空间分布图进一步揭示，K_RUSLE高值热点与I_RGB、G和B的高值区高度重叠，从空间维度验证了这些变量对土壤可蚀性的指示意义。

**讨论总结与研究结论**

本研究验证了在所有七组特征组合下，Nix Spectro 2结合随机森林回归均可有效预测K_RUSLE，其中RGB + Vis在训练阶段表现最优，而RGB + INDICES + Vis在地统计制图的空间一致性和误差控制方面最具优势。Nix Spectro 2并不直接测量构成K_RUSLE方程的土壤属性（如粒径分布、有机质、结构和渗透性），而是通过可见光光谱和颜色参数间接捕获同时控制土壤颜色与可蚀性的同一组分成壤特征——这一间接但物理基础牢固的关系在砂质、低缓冲性土壤中被进一步放大。预测能力最强的变量为I_RGB、G、B以及430–450 nm波段反射率，它们分别关联土壤亮度、铁氧化物包膜和有机质暗化等可蚀性控制因素。

**研究结论**：本研究验证了Nix Spectro 2与随机森林回归相结合作为准确且经济实惠的工具，可用于巴西东北部荒漠化热点区内K_RUSLE的预测与空间制图。在所有七组测试特征组合中验证均取得成功。RGB与Vis的组合被证明是独立样本最可靠的预测变量集，而RGB、INDICES和Vis的整合产生了空间上最为一致的K_RUSLE图。尽管Nix Spectro 2并不直接测量构成K_RUSLE方程的土壤属性，但它捕获的可见光范围光谱和颜色数据可作为同时控制K_RUSLE的土壤组分的替代指标。在本研究中，最具相关性的预测变量为I_RGB、G、B以及430至450 nm之间的反射率信息，因为它们与控制K_RUSLE的土壤特征相关联。Nix Spectro 2所提供的经济性和准确性，加之随机森林回归，使其成为数据稀缺地区特别是经济落后地区的重要替代方案。这一创新方法还可通过实现空间显式的侵蚀风险制图（无需昂贵实验室基础设施）来支持精准保护规划。然而，该模型在土壤类型、矿物组成或土地利用历史截然不同的地区的可迁移性应谨慎评估，并可能需要局部重新校准。未来研究应探索将这些方法与更宽光谱范围（如NIR和短波红外）以及新型机器学习算法相整合，以进一步增强在Gilbués荒漠化区等脆弱景观中的预测能力和空间可迁移性。

**研究局限**：Nix Spectro 2传感器仅工作在可见光范围（400–700 nm），排除了已被证明可改善SOC和黏粒含量等土壤属性预测的NIR和中红外（MIR，中红外）光谱区域。研究仅在单一地理区域开展，模型性能对其他土壤类型和土地利用系统的普适性尚待检验。此外，Nix Spectro 2测量对环境光条件、土壤湿度和表面粗糙度敏感，这些因素虽在本研究中得到控制但未进行系统性变化评估。