史舟教授团队在Soil & Environmental Health（SEH，《土壤与环境健康》）期刊发表题为“基于原位可见-近红外光谱的小麦-水稻轮作农田土壤有机碳组分预测（In-situ prediction of soil organic carbon contents in wheat-rice rotation fields via visible near-infrared spectroscopy; 2024，2(4): 100113）”的研究论文。
土壤有机碳（SOC）在养分循环、土壤团聚体稳定性和防止侵蚀方面发挥着关键作用，并被视为土壤退化的指标。全球变暖导致的土壤温度升高会加速SOC分解速率，然而不同SOC组分对气候变暖的不同响应会影响SOC对气候变化的变化幅度和方向。颗粒有机碳（POC）和矿物结合有机碳（MAOC）是SOC的重要功能性组分，具有不同的周转和稳定性特征。快速、准确、经济地测定SOC及其组分，有助于更好理解SOC的形成机制及其对气候变化和人类活动的响应。随着对土壤健康监测和可持续土地管理需求的日益增加，快速检测原位条件下的土壤信息变得至关重要。可见-近红外光谱（VNIR）因其便携性和快速无损测量能力而具有应用潜力。此外，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，一些方法被用于校正土壤水分和物理结构对土壤原位光谱的影响，例如外部参数正交化（EPO）、直接标准化（DS）和分段直接标准化（PDS）。本研究旨在揭示VNIR原位预测区域尺度上SOC组分的精度，以及提升VNIR在原位条件下SOC组分含量估算的准确性和可靠性，为更深入地了解人类管理和气候变化共同作用下SOC组分动态演变预测提供数据支撑。
本研究采集中国浙江嘉善高标准农田202个表层（0~20cm）土壤样本，分别进行了原位土壤光谱测定和土壤样本干燥后的实验室土壤光谱测定。研究利用VNIR土壤原位和实验室光谱，结合Cubist、偏最小二乘回归（PLSR）、随机森林（RF）、基于记忆的学习算法（MBL）等四种机器学习模型，并分别构建土壤有机碳及其组分预测模型。结果显示，与Cubist和RF相比，当PLSR和MBL与实验室或未校正的原位光谱相结合时，可以以更高的平均精度预测SOC及其分数。此外，RF模型的预测精度不稳定，波动较大。使用MBL对SOC、POC和MAOC的实验室光谱的最高预测精度分别达到R2为0.91、0.75和0.80，原位光谱达到R2为0.85、0.64、0.79。
图1 基于MBL对土壤有机碳（SOC）、颗粒有机碳（POC）和矿物相关有机碳（MAOC）的最高预测精度，（a）（b）（c）用于实验室光谱，（d）（e）（f）用于现场光谱。
进一步，结合EPO、DS和PDS算法以纠正原位光谱外部因素的干扰。EPO提高了SOC（R2从0.85到0.87）和MAOC（R2从0.79到0.82）的预测准确性，而DS提高了POC的预测准确性（R2从0.64到0.71）。然而，与未校正的光谱相比，PDS的精度提高并不显著。虽然三种算法校正后的光谱精度有所提高，但与未校正的原位光谱相比，增强并不显著。变量重要性（VIP）可以识别对预测土壤成分敏感的关键光谱波段，结果表明SOC和MAOC在约1400和1900 nm处存在明显的关键光谱波段，而POC则没有这些波段。校正外部因素后的POC预测准确性没有显著提高，这可能是由于该区域缺少关键光谱波段，导致预测中的关键信息丢失。SOC和MAOC在2100 nm处显示出重要光谱波段，而POC则不存在。2000nm以上的光谱波段对应于粘土矿物和有机物的分子作用，来自该波段的光谱数据可以帮助更好预测SOC和MAOC。
图2 机器学习结合去除外部因素影响算法预测SOC（a）、POC（b）和MAOC（c）获得的决定系数（R2）和均方根误差（RMSE）结果
该研究对中国农田表层土壤有机碳组分的原位预测结果进行了分析，研究结果为快速评估农业区土壤健康状况提供了数据支撑。同时，本研究利用VNIR光谱结合三种校正算法，虽然对SOC组分预测精度提升不显著，但是强调了原位光谱技术在预测中国东南部小麦-水稻轮作农田土壤中SOC组分的可行性，并为土壤管理实践和碳循环研究提供了强有力的科学支持。
本研究得到了国家重点研发计划（2022YFB3903505、2022YFB3901503）和国家自然科学基金（42201054）的支持。我们还要感谢所有参与实地考察和光谱测量的同事。
原文链接：https://doi.org/10.1016/j.seh.2024.100113