Hyperspectral inversion of soil total nitrogen content using spectral and machine learning
Zhenyu Dong · Ni Wang · Jiancang Xie 等 4 人
用高光谱与机器学习反演陕北农牧交错带农田土壤全氮含量。
野外采样测光谱，经FDR/SDR/LRFD变换，SPA+CA选特征波长，建PLS
LRFD变换最敏感，RF模型验证集R²=0.85、RPD=2.15，精度与泛化最优。
可探索多源遥感与深度学习融合，提升生态脆弱区土壤氮素时空反演与制图能力。
高光谱结合机器学习反演土壤全氮，方法对比扎实、结论可靠，对精准农业养分管理有参考价值，但属区域性田间研究，影响范围有限。
陕北农牧交错带是生态脆弱区，土壤氮素是影响作物生产力和区域生态平衡的关键因子。快速、准确地监测农田土壤全氮（TN）含量，对于该区实施精准农业和保障土地可持续利用至关重要。本研究以该交错带典型区域定边县的耕作土壤为研究对象，对野外采集的土壤样品进行TN含量测定和实验室高光谱反射率测量。首先采用数学方法对原始光谱反射率（R）进行变换，包括一阶微分（FDR）、二阶微分（SDR）和倒数对数一阶微分（LRFD）分析，以增强光谱信息并抑制背景噪声。随后，将连续投影算法（SPA）与相关分析（CA）相结合，从变换后的光谱数据中筛选出与土壤TN高度相关的特征波长。构建偏最小二乘回归（PLSR）、决策树（DT）和随机森林（RF）模型估算土壤TN含量。采用决定系数（R²）、均方根误差（RMSE）和相对分析误差（RPD）对模型性能进行评价与比较。结果表明：（1）光谱微分变换有效凸显了细微信息，其中LRFD对TN的敏感性最强，基于LRFD衍生特征构建的模型始终优于基于原始反射率的模型。（2）在机器学习算法中，随机森林（RF）模型在验证集上表现出优越的预测性能（R² = 0.85，RMSE = 0.11 g/kg，RPD = 2.15），具有最高的稳定性和泛化能力。PLSR模型表现中等，而DT模型易于过拟合，精度最低。（3）本研究证实，高光谱技术与机器学习算法相结合能够高效、精确地估算陕北农牧交错带农田土壤TN含量，为该区域土壤肥力评估和精准养分管理提供了可靠的技术框架。Bangladesh J. Bot. 55(3): 605-614, 2026 (September)