利用大型土壤光谱库对几种具有重要农学意义的土壤特性进行传感器/不可知的田间条件预测

摘要：

改善全球农业土壤中土壤有机碳封存和总体土壤健康状况的全球压力使人们要求改进实践，以推动土壤自然资本发生积极和可持续的变化。旨在促进这一点的激励计划必须以对土壤状态的时间和空间的准确观察为依据。土壤光谱推断是一种经济高效地捕获土壤状态的有用方法，但是标准实验室级可见光和近红外（Vis-NIR）传感器的价格可能会限制其应用。此外，这些实验室级传感器采集光谱主要在风干和地面条件下进行，这增加了信息检索的时间延迟。最近，低成本、便携式微型化近红外（NIR）光谱仪问世，已证明是测量几种具有重要农学意义的土壤特性的可行替代方案，这些特性对维持土壤健康也至关重要，包括土壤有机碳（SOC）和阳离子交换能力（CEC）。但是，在新的地点安装新的光谱仪需要创建新的光谱库，这是一个昂贵且劳动密集型的过程，需要大量的土壤分析和光谱数据收集。因此，现有的实验室级 Vis-NIR 光谱库提供了高质量和高分辨率的资源可供利用。这项工作演示了如何使用更便宜、便携的微型化近红外光谱仪、适当的光谱滤波和适当的变换矩阵来访问现有的光谱库资源。此外，这项工作表明，通过校正野外条件下扫描的土壤与准备在实验室进行分析的土壤之间光谱差异的影响，可以更多地采用光谱推断作为评估土壤状态的工具。这项工作还演示了如何使用基于存储器的学习或类似方法（例如RS-Local）来查询现有的大型实验室级光谱库，例如CSIRO澳大利亚国家Vis-NIR土壤光谱库，并确定最合适的样本用于预测土壤特性。这项工作建立在使用土壤光谱推断来监测土壤状况的现有框架基础上，即《澳大利亚2021年土壤有机碳信用额度方法决定》。演示了预测九种农学重要土壤特性的方法：SOC、水中的 pH 值、CaCl2 中的 pH 值、电导率、CEC 以及可交换的钙、钾、镁和钠。对于SOC，在这项工作中仅使用20个本地样本生成了一个模型，林氏的一致相关系数（LCCC）为0.72，超过了碳信用度方法确定（LCCC 0.6）的最低要求，也超过了50个样本本地模型（LCCC 0.61）。该示例表明，通过有选择地利用大型光谱库资源，可以进一步显著节省土壤监测项目的实验室分析成本。