利用Vis-NIR光谱和PLSR模型预测欧洲农田土壤中的碳和氮含量：光谱分辨率及环境变量的影响

《Computers and Electronics in Agriculture》：Prediction of European cropland soil carbon and nitrogen using Vis-NIR spectroscopy with PLSR: Effects of spectral resolution and environmental variables

本研究利用8941份欧洲农田土壤样本，探讨光谱分辨率与环境变量对Vis-NIR光谱预测土壤有机碳、碳酸盐及氮含量的影响。结果表明，高分辨率（≤10 nm）结合气候和地形变量可提升预测精度，而低分辨率（≥100 nm）时环境变量可能降低精度，光谱分辨率存在最佳阈值。

　　

卢启凯|张亮

湖北大学资源与环境科学学院，武汉430062，中国

摘要

量化农田中的土壤碳和氮含量对于可持续农业和土壤健康至关重要。可见光和近红外（Vis-NIR）光谱技术已成为一种快速且经济高效的工具，用于预测这些土壤特性。然而，Vis-NIR光谱的分析性能在很大程度上取决于其光谱分辨率。此外，控制土壤形成的环境因素显著影响土壤特性的空间变异性。因此，本研究探讨了光谱分辨率和环境变量对使用Vis-NIR光谱预测欧洲农田中土壤有机碳（OC）、碳酸盐和氮含量的影响。原始的Vis-NIR光谱通过光谱重采样方法被降级为不同的光谱分辨率。研究还纳入了气候和地形变量以预测土壤特性。同时，采用偏最小二乘回归（PLSR）来建模土壤特性与光谱之间的关系。实验中使用了从欧洲农田收集的8,941个农田土壤样本。结果表明，高光谱分辨率（≤10 nm）的Vis-NIR光谱能够提供统计上一致的土壤特性预测结果；而低光谱分辨率则降低了预测准确性。环境变量对土壤特性预测的影响与Vis-NIR光谱的光谱分辨率有关。在高光谱分辨率下，结合Vis-NIR光谱和气候变量可以更准确地预测土壤有机碳和氮含量。当Vis-NIR光谱与气候和地形变量结合使用时，可以获得最佳的碳酸盐预测结果。在低光谱分辨率（≥100 nm）下，与仅使用光谱数据的模型相比，纳入环境变量会降低预测准确性。

引言

作为农业生态系统的基本组成部分，土壤是作物生产的重要自然资源（Amundson等人，2015；Qiao等人，2022；Atanasov，2023）。土壤中的碳和氮调节养分动态和土壤生物活性，从而决定了土壤健康和农业可持续性（Zheng等人，2021；Ma等人，2023）。因此，定量评估农田土壤中的碳和氮含量对于推进可持续农业和确保粮食安全至关重要。实验室化学分析方法已被广泛用于土壤特征描述。为了确定土壤特性，通常通过野外采样并在实验室进行分析。然而，高昂的成本和时间要求限制了实验室分析在大规模土壤特性估算中的应用（Diaz-Gonzalez等人，2022；Zhou等人，2024）。

如今，由于可见光和近红外（Vis-NIR）光谱能够捕捉土壤成分的细微变化，并提供快速、无损且经济高效的测量方法，因此被用于土壤特性分析（Liu等人，2020；Saidi等人，2025）。同时，机器学习方法也被用来建模土壤特性与光谱之间的数学关系，以估算土壤有机碳（OC）（Peng等人，2014；Nawar和Mouazen，2019；Rahman等人，2025）、碳酸钙（Qi等人，2021）、氮（Shi等人，2013；Fu等人，2025）、质地（Hobley和Prater，2019；Zhang等人，2024）以及水分（Chen等人，2021；Zhou等人，2024；Atanasov，2024）。特别是偏最小二乘回归（PLSR）是一种广泛使用的方法，因为它能够处理具有数千个波段的Vis-NIR光谱中的多重共线性问题（Ostovari等人，2018；Ahmadi等人，2021）。作为一种多变量统计方法，PLSR结合了降维和回归分析，以应对高维数据中的挑战，如多重共线性和复杂的变量关系。Nocita等人（2014）使用Vis-NIR光谱和PLSR预测矿物和有机土壤OC含量。Milo?等人（2022）结合Vis-NIR预处理技术和PLSR估算土壤OC、阳离子交换容量和粘土含量，并分析了波长选择对预测性能的影响。Nawar等人（2023）使用带有变量选择的Vis-NIR光谱和PLSR估算干旱农业土壤中的潜在有毒元素。Abrantes等人（2023）采用随机变量选择技术和PLSR预测河流流域土壤中的金属含量。

越来越多的研究关注光谱分辨率对Vis-NIR光谱土壤特性预测的影响。尽管具有高光谱分辨率的密集光谱带的高光谱配置提供了有前景的分析能力，但相邻波长之间存在大量信息重叠，导致强烈的波段间自相关和潜在的数据冗余（Guo等人，2024）。为了提高光谱分析的计算效率，可以通过减少光谱带和调整分辨率来降低光谱配置的复杂度。Adeline等人（2017）使用PLSR估算土壤特性，并测试了具有八种不同光谱分辨率的实验室Vis-NIR光谱的预测能力。Zhang等人（2021）分析了光谱降级对盐渍土中有机质估算的影响，从初始光谱构建了六种降级光谱配置。Yu等人（2023a）为特征波长分配了适当的光谱分辨率，并评估了光谱分辨率对估算土壤特性的影响。Yu等人（2023b）评估了光谱分辨率和信噪比对土壤有机质含量预测的影响。

此外，深入理解土壤特性需要了解其形成过程。土壤形成过程复杂，受到气候和地形等环境因素的深刻影响。环境因素通过调节水热条件、物质传输和生物活动来控制土壤的物理、化学和生物特性（Brevik，2013）。具体而言，高温加速有机质分解，而低温促进碳封存（Kirschbaum，1995；Conant等人，2011；Zhang等人，2011）。强降水会导致淋溶、酸化和侵蚀，而干旱则导致盐分积累（Liu等人，2015；Corwin，2021）。土壤特性的垂直分带受海拔梯度的驱动，这通过不同的温度和降水量变化实现（Griffiths等人，2009；Sun等人，2015）。坡度和朝向通过侵蚀-沉积过程和微气候差异影响土壤的化学和生物化学特性（Sidari等人，2008；Zhu等人，2019）。山脊和山谷调节水文连通性和氧化还原条件，从而影响有机质分解和养分循环。地形变化导致土壤特性的显著空间异质性（Chen等人，2016）。鉴于气候因素在塑造土壤特性中的基础作用，将这些因素整合到Vis-NIR光谱预测模型中已成为一种有前景的策略。Salehi-Varnousfaderani等人（2022）结合Vis-NIR光谱和地形数据，在伊朗山区流域尺度上预测土壤侵蚀性，基于120个收集的土壤样本。Wang等人（2022）使用Vis-NIR光谱和环境变量估算土壤有机质，基于从Werigan-Kuqa绿洲收集的249个土壤样本。Zhu等人（2024）使用PLSR模型基于114个土壤样本预测土壤OC和氮含量，同时考虑了Vis-NIR光谱、地形属性和植被强度。尽管这些研究表明纳入环境因素可以提高土壤特性预测的准确性，但其适用性仍受限于局部地理覆盖范围和样本量较小。

为局部区域开发的预测模型通常表现良好，因为局部采样的土壤具有均匀的物理化学特性（Liu等人，2019）。相比之下，由于土壤特性的显著空间异质性，分析广泛地区的土壤仍然具有挑战性。关键的是，Vis-NIR光谱分辨率和环境变量在大陆尺度上对土壤特性估算的协同效应尚未得到系统探索。在这种情况下，本研究进行了大陆尺度分析，以量化光谱分辨率和环境变量对使用Vis-NIR光谱预测欧洲农田土壤碳和氮含量的影响。作为一种强大且计算效率高的线性模型，PLSR被用来挖掘土壤特性与Vis-NIR光谱之间的关系。应用了三种光谱重采样策略来降级原始光谱，生成了一系列具有不同降低光谱分辨率的数据集。随后，将气候和地形变量作为Vis-NIR光谱的补充信息。分析使用了具有物理化学特性的欧洲农田土壤样本以及来自土地利用和覆盖面积框架调查（LUCAS）表土数据库的Vis-NIR光谱。本研究的主要目标是：（1）比较不同光谱分辨率下Vis-NIR光谱的预测性能；（2）研究气候和地形变量对农田土壤碳和氮预测的影响；（3）分析光谱分辨率和环境变量的协同效应，以确定数据整合的分辨率依赖阈值。预期这些见解将提供一个实用的决策框架，指导在传感器成本和辅助数据收集之间的最佳权衡，以提高全球尺度土壤监测的准确性和成本效益。

部分内容

农田土壤样本

本研究使用了来自LUCAS 2015表土数据库的8941个农田土壤样本。这个泛欧洲标准化数据集是通过统一的野外和实验室协议生成的，能够一致地表征大陆尺度的土壤特性（Orgiazzi等人，2018）。图1显示了欧洲农田土壤采样的空间分布。每个土壤样本代表一个独特且独立的地理位置，确保了统计

土壤特性的描述性统计

表2报告了农田土壤样本中OC、碳酸盐和氮含量的描述性统计信息，包括范围、平均值、中位数、变异系数（CV）、第一四分位数（Q1）和第三四分位数（Q3）。土壤OC、碳酸盐和氮的平均值分别为17.62 g/kg、84.86 g/kg和1.85 g/kg，均高于它们的中位数。这些土壤特性的CV范围在0.70到1.86之间。

结合气候变量的Vis-NIR光谱预测

气候变量的效用取决于光谱分辨率。在高分辨率下，它们显著提高了预测准确性，尤其是在预测土壤氮含量方面；但在低分辨率下则会产生不利影响。使用原始Vis-NIR光谱和气候变量训练的PLSR的预测性能在表3中报告。当Vis-NIR光谱与气候变量结合时，观察到预测性能有所改善。特别是，气候变量的纳入

结论

本研究探讨了光谱分辨率和环境变量对使用Vis-NIR光谱和PLSR预测农田土壤碳和氮含量的影响。具体来说，应用了三种光谱重采样方法生成了具有不同光谱分辨率的Vis-NIR光谱。气候和地形变量被用来补充Vis-NIR光谱。同时，利用了包含8941个农田土壤样本的庞大泛欧洲数据集，实现了稳健的大陆尺度分析

CRediT作者贡献声明

卢启凯：撰写——初稿、可视化、验证、软件、资源、方法论、调查、正式分析、概念化。张亮：撰写——审阅与编辑、调查、资金获取、正式分析。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了中国国家铁路集团有限公司科技研发计划（Grant L2023G016）和自然资源部南方丘陵地区自然资源监测与监管重点实验室开放基金（Grant NRMSSHR2023Y04）的支持。