阿莱尔斯 - .-“.m

研究论文

利用可见光近红外光谱原位预测麦稻轮作田土壤有机碳含量

戴玲菊 $^{a, b}$ ，薛杰 $^{c}$ ，鲁睿 $^{a}$ ，王 $^{a}$ 政，陈 $^{a, b}$ 忠兴，强毅 ${Yu}^{d}$ ，石周 $^{a}$ ，陈 $^{a, b, *}$ 松超
a 浙江大学环境与资源科学学院，中国 310058
$^{b}$ 浙江大学浙江大学杭州全球科技创新中心，中国杭州 311215
$^{c}$ 浙江大学土地管理系，中国杭州 310058
$^{d}$ 中国农业科学院农业资源与区域规划研究所，中国北京市 100081

H I G H L I G H T S

MBL 模型在预测 SOC 、 POC 和 MAOC 方面表现出最高的准确性。
实验室和原位光谱比 POC 更准确地预测 MAOC。
EPO 算法可以略微增强 SOC 、 POC 和 MAOC 的预测。
在土壤水分低期，原位光谱可以有效预测 SOC 及其组分。

文章信息

处理编辑： Lena Q. 马

技术编辑： Kashif Hayat

关键字：

外部参数正交化

矿物伴生有机碳

分段直接标准化

偏最小二乘回归

校准传输方法

颗粒有机碳
基于记忆的学习
原位光谱

G R A P H ICALABSTRACT

抽象

可见光近红外（VNIR）光谱是估计土壤特性的可靠方法。然而，它在准确预测土壤有机碳（SOC）含量方面的有效性，特别是在小麦-稻轮作田中，仍不确定。在本研究中，我们从中国东南部的麦稻田（ $0 - 20 cm$ ）收集了 202 个样品，并测量了土壤核心垂直表面的原位光谱以及干燥和过筛土壤样品的室内光谱。我们的研究重点是评估三种算法——外部参数正交化（EPO）、直接标准化（DS）和分段直接标准化（PDS），以解决外部因素的影响，特别是土壤水分。为了进行我们的分析，通过 Kennard-Stone 算法将数据集分为校准（141 个样本）和验证（61 个样本）集。使用校准集（转移集）中相应原位和实验室光谱的子集来推导出 EPO、DS 和 PDS 的传递矩阵，从而通过表征原位光谱的差异将原位光谱转换为实验室光谱。四个机器学习模型，包括立体主义、偏最小二乘回归（PLSR）、随机森林（RF）和基于记忆的学习（MBL），用于预测 SOC、颗粒有机碳（POC）和矿物 -

https://doi.org/10.1016/j.seh.2024.100113

2024 年 7 月 6 日接收;2024 年 9 月 23 日以修订版形式收到;接受日期 2024 年 9 月 23 日

2024 年 9 月 28 日在线提供

2949-9194/ © 2024 作者。由 Elsevier B.V. 代表浙江大学和浙江大学出版社有限责任公司出版。这是一篇在 CC BY 许可（http://creativecommons.org/licenses/by/4.0/）下的开放获取文章。

光谱分析
随机森林

基于实验室、原位和校正原位光谱的伴生有机碳（MAOC）含量。结果表明，实验室光谱的性能优于未校正的原位光谱，SOC、POC 和 MAOC 的决定系数（

R^{2}

）分别为

0.91, 0.75

和 0.80。在模型中，MBL 和 PLSR 的平均值

R^{2}

最高，为

0.85 - 0.86

。EPO 略微提高了预测准确性（

R^{2}

SOC 从 0.85 增加到 0.87，POC 从 0.64 增加到 0.69，MAOC 从 0.75 增加到 0.82）。这些有前景的预测精度强调了 VNIR 光谱在中国东南部麦稻田原位预测的潜力，为通过原位光谱预测 SOC 含量提供了见解。

1. 引言

土壤碳封存已被确定为缓解气候变化的可行机制（Chen et al.， 2018）。土壤有机碳（SOC）在养分循环、聚集稳定性和防止侵蚀方面起着至关重要的作用，被认为是土壤退化的指标（Chen et al.， 2022）。因此，考虑到土壤有机碳在提供粮食安全、碳封存和减缓气候变化等生态系统服务方面的重要作用，了解 SOC 的存量对土壤和环境健康至关重要（Cotrufo 等，2019）。

全球变暖引起的土壤温度升高可能会加速 SOC 分解速率（Li et al.， 2024）。不同 SOC 组分对气候变暖的响应可能会有所不同，从而影响 SOC 对气候变化响应的大小和方向（Lavallee et al.， 2020）。为了更好地了解 SOC 的形成机制及其对气候变化和人类活动的响应，已经提出了各种 SOC 分馏方法来更深入地研究 SOC 的复杂性（Lavallee et al.， 2020）。在这些方法中，将 SOC 池直接划分为颗粒有机碳（POC）和矿物相关有机碳（MAOC）的概念方法有助于理解和预测不同生态系统和时间尺度的 SOC 变化和动态（Lavallee et al.， 2020）。POC 的主要化学成分是植物来源和真菌来源，相对更容易受到气候变化的影响。另一方面，MAOC 由有机物质的单分子或微观碎片组成，受到与土壤矿物质结合的保护，并且具有高养分密度（Wieder et al.， 2015）。因此，必须分别量化 POC 和 MAOC，以评估 SOC 对自然和人为干扰的恢复力及其土壤碳封存的潜力。

漫反射光谱通过识别化学键吸收的特定波长来帮助理解土壤化学，并成功预测了 SOC 分数和其他重要的土壤特性（Viscarra Rossel et al.， 2017）。不同传感器的光谱范围会影响预测土壤特性的准确性。中红外光谱法（MIR;2500-25000 nm）提供了更全面的信息（Silvero等人，2020 年），而可见光和近红外（VNIR;350-2500 nm）光谱似乎对某些特性更有效，例如生物学特性或与阳离子交换相关的特性（Soriano-Disla等人，2014 年）。一般来说，实验室光谱学往往比原位光谱学产生更好的预测，主要是由于物理结构和水分对光扩散的影响有限（Roudier等人，2017 年;Minasny等人，2011 年）。粒度和表面粗糙度都会影响光谱学的准确性。对于原位 VNIR 光谱，土壤水分的增加会降低整体反射率，在 1400 和 1900 nm 处观察到明显的吸收特征（Roudier等人，2017 年），而整体 MIR 光谱受到非线性影响，这在很大程度上掩盖了光谱特征的提取并导致准确性损失（Silvero等人，2020 年）。此外，随着对土壤健康监测和可持续土地管理的需求不断增加，快速检测原位条件的土壤信息变得至关重要。与 MIR 相比，VNIR 光谱因其便携性和原位应用的快速无损测量能力而具有潜力（Soriano-Disla et al.， 2014）。因此，本研究选择 VNIR 作为主要的光谱技术。

为了提高便携式光谱仪测量的准确性和预测模型的可靠性，考虑土壤水分和物理结构对土壤原位光谱的影响至关重要。为了解决外部环境因素造成的精度损失，已经开发了几种方法：外部参数正交化（EPO）、直接标准化（DS）和分段直接标准化（PDS）。Minasny 等人（2011 年）使用 EPO 消除了土壤水分对湿土壤光谱的影响，同时用 VNIR 光谱预测 SOC 含量。EPO 算法将所有土壤光谱投影到不需要的变化空间。一些研究表明，EPO 是消除土壤水分影响的最有效方法（Roudier 等，2017）。然而，DS 和 PDS 被提议通过标准化仪器漂移和校正外部因素（如土壤含水量）的影响来传输光谱（Ji et al.， 2015）。DS 技术计算两个光谱数据集之间的差分矩阵，以识别由于测量条件变化而引入的误差，而 PDS 在主光谱和从光谱的反射率之间建立线性关系（Ji et al.， 2015）。Ji et al. （2015）使用近端感知的 VNIR 光谱来预测 SOC，PDS 和 DS 都导致了相当大的改进，

R^{2}

值分别从 0.03 增加到 0.71 和 0.60。Roudier 等人（2017 年）进行了一项研究，比较了 EPO 和 DS 在使用 VNIR 光谱估计 SOC 方面的预测能力。他们报告说，两种方法在大尺寸转移数据集上表现出相似的性能，但对于少量转移样本，EPO 的性能优于 DS。这些方法在提高湿土壤光谱模型的性能方面显示出巨大的潜力，这与以前主要关注 SOC 的研究不同。此外，这三种方法都需要一个准确表示整个实验数据集的样品子集，以测量原位和实验室条件之间的光谱响应差异。因此，这些方法在预测 SOC 分数方面的有效性值得进一步探索。

不同的机器学习模型会影响 VNIR 预测土壤信息的准确性。常见的算法，如立体主义（Chen等人，2021 年;Viscarra Rossel et al.， 2017）、偏最小二乘回归（PLSR， Chen et al.， 2013）和随机森林（RF， Douglas et al.， 2018），以及基于记忆的学习（MBL）等局部模型，在预测 POC 和 MAOC 方面表现出显著的性能（Wang et al.， 2024;Dai et al.， 2025）。Cho 等人（2017 年）通过 PLSR 模型比较了实验室和原位 VNIR 光谱，以估计美国现场尺度的 POC，分别达到

R^{2}

0.78 和 0.70 的值。Viscarra Rossel et al. （2017）在澳大利亚使用立体主义在全国范围内应用原位 VNIR 光谱预测 SOC 和 POC，

R^{2}

值分别为 0.83 和 0.74。Sanderman 等人（2021 年）使用实验室 MIR 光谱的 PLSR 和 MBL 预测了北美的 MAOC，分别达到

R^{2}

0.82 和 0.88。然而，很少有研究同时比较土壤光谱法对 POC 和 MAOC 的预测准确性（表 S1）。因此，用于估计 SOC 分数（即 POC 和 MAOC）的实验室和原位 VNIR 光谱的比较仍有待验证。

考虑到 cubist、PLSR 和 RF 在预测土壤信息方面的广泛应用，以及 MBL 在处理复杂和动态数据集方面的灵活性，本研究选择了这四种模型来预测 SOC 分数。本研究的目标有三个：（1）比较四种模型使用实验室和原位 VNIR 光谱预测 POC 和 MAOC 的准确性;（2）评估

三种算法（例如 EPO、DS、PDS）校正了 POC 和 MAOC 预测对原位光谱的外部影响;（3）评估转移子集大小对预测结果的影响。本研究的结果将提高我们对原位光谱测量与 SOC 分数预测精度之间权衡的理解，从而为更深入地理解气候变化下的 SOC 动态提供数据支持。

2. 材料和方法

2.1. 研究区域和土壤数据

西塘镇位于中国浙江省东北部（

N 30^{\circ} 30^{'} 00^{''} - 31^{\circ} 00^{'} 00^{''}

， E

120^{\circ} 30^{'} 00^{''} - 121^{\circ} 00^{'} 00^{''}

），占地面积广阔（

83.61 {km}^{2}

图 1）。该镇位于太湖流域的杭嘉湖平原，地势低洼，由东南向西北缓缓倾斜，平均海拔 3.67 m（参考吴淞基准面）。西塘属亚热带季风气候，年平均气温 15 至

18^{\circ} C

，年平均日照时数 1978 h，年平均降水量 1100 至 2000 毫米。最冷和最热的月份是 1 月和 7 月，而雨季高峰期是 5 月和 6 月。西塘的土地利用类型以小麦田为主，集约化耕作历史悠久。主要的种植系统是小麦-稻双季制，典型的耕作深度为 20 厘米，土壤深度为 120 至 180 厘米。秸秆掺入在该地区得到了很好的实践，以提高土壤肥力。该地区主要以小麦-稻土为特色，根据世界参考基（htt ps://soilgrids.org/，Poggio 等人，2021 年）分为 Alisols 或 Fluvisols。研究中的土壤质地

面积各不相同，包括粉质壤土和粉砂粘土壤土，母质主要由湖泊和海洋沉积物组成。

在本研究中，我们主要采用网格采样（ 250 m ），所有采样点均位于 2021 年农田建设良好的农田，涉及基础设施建设改善（如地块整理、灌溉、排水和田间道路）和土壤肥力提升。使用螺旋钻收集土壤样本，并通过便携式 Garmin GPSmap 669s 高精度手持式 GPS（Garmin Ltd.，堪萨斯州，美国）记录它们的地理坐标。每个样品由大约 2 kg 表土（

0 - 20 cm

）组成，来自在一个

10 - m

半径内精心收集的五个离散子样品。从表面去除草和植物碎片后，将样品放入贴有标签的密封塑料袋中。总体而言，在 2023 年 5 月至 6 月的小麦收获后收集了 202 份土壤样本。土壤样品的体积水分含量约为 8-20%，通过 Fieldscout TDR 350 土壤水分仪（Spectrum Technologies Inc，美国德克萨斯州）测量。为了进一步进行实验室分析和光谱测量，所有样品都经过风干和研磨，以通过 2 毫米的网筛。

2.2. 光谱测量和预处理

螺旋钻后直接从土壤芯的垂直表面收集原位光谱测量值。将每个子样品的垂直表面擦平，并使用 ASD FieldSpec 4 VNIR 光谱仪（Malvern Panalytical Ltd，Malvern，UK）在三个位置采集光谱反射率。该光谱仪配备了一个高强度接触式探头和一个用于 350-2500 nm 范围内的白色参考的 Spectralon 面板（Malvern Panalytical Ltd，Malvern，UK）

图 1.西塘镇研究区域及采样点位置。红色三角形表示 141 个校准样品，绿色三角形表示 61 个验证样品。

- 通讯作者。浙江大学环境与资源科学学院，中国杭州 310058.
电子邮件地址：chensongchao@zju.edu.cn （S. Chen）。