《Smart Agricultural Technology》：Real-Time Soil Nutrient Estimation Using Low-Cost NPK Sensors and Soil-aware Machine Learning Calibration
编辑推荐：
为解决低成本电化学土壤传感器受土壤理化性质变异影响而导致的测量不确定性问题，本研究提出了一种土壤感知的机器学习校准框架，用于利用低成本物联网传感平台实时估算土壤大量营养素。该框架将商用7合1电化学NPK传感器与基于ESP32的数据采集系统集成，并采用Multi
为解决低成本电化学土壤传感器受土壤理化性质变异影响而导致的测量不确定性问题，本研究提出了一种土壤感知的机器学习校准框架，用于利用低成本物联网传感平台实时估算土壤大量营养素。该框架将商用7合1电化学NPK传感器与基于ESP32的数据采集系统集成，并采用MultiOutput XGBoost回归模型，将原始传感器测量值与实验室土壤健康卡（Soil Health Card, SHC）参考值进行校准。实验数据集源自印度卡纳塔克邦Dharwad地区高地、中地和低地三个地貌区采集的150份代表性土壤样本，从而纳入了实际农田条件下的自然地貌变异。此外，研究引入了具有物理化学意义的交互特征，以提升校准模型在异质土壤环境中的鲁棒性。在独立测试数据上，校准模型对氮、磷、钾的R2值分别达到0.916、0.887和0.903。研究表明，将pH × EC交互特征纳入模型可显著改善整体校准性能并降低预测误差。研究人员通过五折交叉验证、残差分析、Bland–Altman一致性分析及置信区间估计等多种统计手段，全面验证了所提框架的预测精度与可靠性。该研究为低成本田间传感与标准化实验室土壤测试之间搭建了有效桥梁，为精准农业中的位点特异性施肥管理和可持续农业实践提供了技术支撑。
一、研究背景与科学问题
土壤肥力是可持续农业的关键决定因素，直接影响作物生产力、粮食安全和环境可持续性。氮（N）、磷（P）、钾（K）作为三大主要大量营养素，通过调控叶绿素合成、根系发育、光合作用、酶活化和渗透调节等关键生理过程，直接决定作物生长与产量。然而，高强度耕作方式和不合理施肥已导致许多农业区域土壤退化和养分耗竭，因此及时、准确地评估土壤养分状况成为精准农业实施的必要前提。传统的土壤肥力评估依赖实验室化学分析，例如印度推行的土壤健康卡（Soil Health Card, SHC）计划，虽然能提供高度可靠的养分有效性测量，但存在劳动密集、成本高昂、耗时长等局限，无法满足田间尺度的频繁监测和实时农业决策需求。近年来，物联网（IoT）、嵌入式感知和无线通信技术的进步推动了低成本土壤传感平台的开发，电化学NPK传感器与ESP32等嵌入式控制器结合，能够快速评估氮、磷、钾、pH、电导率（Electrical Conductivity, EC）、水分和温度等多参数。然而，低成本电化学传感器易受土壤质地、含水量、盐度、pH、离子迁移率和电导率等理化变异的影响，导致传感器响应与标准化实验室测量之间存在非线性偏差，直接解释传感器读数往往导致预测精度下降和跨区域迁移性差。机器学习方法虽已被广泛应用于土壤属性预测，但现有研究大多侧重于优化统计性能指标，较少针对低成本传感器与标准化实验室参考值之间的系统性校准开展研究，也缺乏对土壤理化交互作用的显式建模。基于上述挑战，本研究旨在开发一种土壤感知的机器学习校准框架，利用低成本IoT传感平台实现土壤大量营养素的实时、实验室等效估算。
二、研究方法概述
研究人员提出了一种将商用7合1电化学NPK传感器与ESP32数据采集系统相集成的低成本IoT土壤养分采集平台，通过RS485串行通信协议和MAX485收发器实现可靠的数据传输。实验数据集包含从印度卡纳塔克邦Dharwad地区高地、中地和低地三个地貌区采集的150份代表性土壤样本（每区50份），采样深度为0–20 cm，采用之字形采样模式制备复合样本。实验室SHC分析作为参考测量值。研究人员采用MultiOutput XGBoost回归模型，通过Scikit-learn库中的MultiOutputRegressor包装器为氮、磷、钾各构建一个独立的XGBoost回归器，实现多输出同步校准。数据预处理包括单位标准化（传感器mg kg?1转换为实验室kg ha?1，转换系数2.24）、缺失值筛查和异常值处理。数据集按80:20划分为训练集（n=120）和独立测试集（n=30），五折交叉验证仅在训练集上执行。此外，研究构建了pH × EC交互特征以捕捉土壤理化性质对传感器响应的联合影响。
三、主要研究结果
3.1 pH × EC交互特征对校准性能的影响（消融研究）
研究人员通过消融实验对比了基线特征集（原始传感器特征）与引入pH × EC交互特征后的模型性能。结果表明，加入pH × EC交互特征后，R2从0.903提升至0.916，RMSE从8.92降至8.37 kg/ha，MAE从6.51降至6.07 kg/ha，验证了该工程化特征在建模传感器观测与实验室SHC值之间非线性关系时的增量贡献。
3.2 校准性能评估
在独立测试数据集（n=30）上，所提MultiOutput XGBoost模型对氮、磷、钾的预测性能分别为：R2=0.916、RMSE=27.11 kg/ha、MAE=21.32 kg/ha（氮）；R2=0.887、RMSE=4.01 kg/ha、MAE=3.12 kg/ha（磷）；R2=0.903、RMSE=22.84 kg/ha、MAE=17.64 kg/ha（钾）。预测值均紧密分布在1:1参考线附近，表明校准估计与实验室测量之间具有良好一致性。
3.3 对比性能评估
与线性回归（LR）、决策树回归（DTR）、随机森林（RF）和支持向量回归（SVR）的对比表明，所提MultiOutput XGBoost模型在三种营养素的R2指标上均表现最优，平均R2达到0.902，显著优于LR（0.766）、RF（0.881）、SVR（0.877）和DTR（0.841）。
3.4 交叉验证与模型稳定性
五折交叉验证结果显示，氮、磷、钾的R2均值分别为0.916±0.003、0.887±0.003和0.904±0.002，各折之间仅存在微小波动，表明模型对训练和验证子集的选取不高度敏感，具有良好的泛化稳定性。
3.5 统计可靠性评估
基于五折交叉验证结果估计的95%置信区间（采用双侧Student t分布，自由度为4）显示，氮R2的95% CI为0.912–0.919，磷为0.884–0.891，钾为0.901–0.907；RMSE和MAE的置信区间同样较窄，进一步验证了校准框架的统计可靠性。
3.6 残差分析
独立测试集上的残差统计显示，氮、磷、钾的平均残差分别为0.18、?0.05和0.24 kg/ha，均接近零，表明模型不存在明显的系统性偏差。正负残差并存说明没有方向性偏向，验证了校准的一致性。
3.7 Bland–Altman一致性分析
Bland–Altman分析显示，三种营养素的测量差值基本围绕零值分布，95%一致性界限（LoA）内包含了绝大多数观测点，表明校准预测与实验室SHC测量之间具有可接受的一致性，且无一致的过高或过低估计倾向。
3.8 地貌分区性能分析
按高地、中地、低地三个地貌区分别评估，氮的区域R2范围为0.899–0.928，磷为0.871–0.901，钾为0.887–0.914，RMSE和MAE的区域差异较小，表明模型性能不强烈依赖于所调查的地貌区域，在不同地形条件下均能保持一致的预测行为。
四、讨论与结论
讨论部分指出，所提校准框架能够有效补偿电化学传感器测量与实验室SHC值之间的非线性偏差，其中氮的预测精度最高，钾次之，磷相对较低，这可能与磷在土壤中迁移性较低且吸附–解吸行为较强有关。模型优越性可归因于四个因素：梯度提升策略有效捕捉非线性关系；pH × EC交互特征引入额外理化信息；内置正则化和子采样机制降低过拟合；MultiOutputRegressor框架实现多营养素统一校准。与近期研究对比，现有工作多关注土壤属性预测或作物推荐，较少涉及低成本电化学传感器对标准化实验室参考值的校准，本研究的创新性在于将IoT感知、SHC实验室校准、MultiOutput XGBoost回归、工程化理化交互特征和综合统计验证整合于统一框架内。研究也承认若干局限：传感器漂移和长期退化未被定量表征；校准模型仅基于单一地理区域开发；当前仅覆盖N、P、K三种营养素。
研究结论可概括为：本研究提出的机器学习辅助校准框架通过将原始传感器测量值与标准化SHC实验室参考值进行校准，有效提高了低成本电化学土壤传感器的养分估算精度。基于150份来自Dharwad地区三个地貌区的代表性土壤样本的实验验证表明，所提框架实现了可靠的养分估算，校准预测与实验室SHC测量之间具有高度一致性。五折交叉验证、残差分析、Bland–Altman一致性分析和置信区间估计等综合统计验证进一步确认了模型的鲁棒性、稳定性和可靠性。相比传统回归方法，MultiOutput XGBoost框架通过有效建模土壤理化性质间的非线性关系并降低预测误差，持续实现了更优的预测精度。该框架为低成本田间传感与标准化实验室土壤测试之间提供了实用桥梁，支持位点特异性施肥管理、提高养分利用效率、减少不必要的肥料施用，并促进可持续农业实践。未来工作将扩展至多样化的农业气候区域、纳入有机碳和微量元素等更多肥力指标，并引入可解释人工智能（XAI）、云决策支持系统和边缘IoT部署，以实现智能化的实时土壤健康监测和施肥推荐系统。
