Moisture-robust soil organic carbon prediction from vis-NIR hyperspectral imagery using external parameter orthogonalization and transfer learning
Adrija Roy · Sourabh Meena · Kathrin Grahmann
结合EPO水分校正与迁移学习，实现田间高水分条件下稳健的土壤有机碳高光谱预测。
成像Vis-NIR高光谱、LUCAS光谱库迁移学习、EPO水分校正、随机森林与土
EPO消除95.9%以上水分光谱差异，湿润条件R²达0.82–0.83，优于干燥条件，光谱重要性升至
可探索将EPO迁移至多土壤类型与多光谱/无人机平台，并验证田间动态水分下的在线SOC制图。
方法新颖、数据扎实，对田间高光谱土壤碳监测有直接参考价值，值得进入每日精选。
土壤有机碳（SOC）的数字化监测日益成为支撑气候智慧型农业、碳核算和精准土壤管理的必要手段。然而，土壤水分会显著改变可见光-近红外（Vis-NIR）反射光谱特征，限制了基于实验室条件建立的SOC预测模型向田间条件及应用场景的迁移。本研究评估了一套水分鲁棒的SOC预测流程，该流程结合了成像Vis-NIR高光谱光谱技术（500–998 nm）、来自LUCAS表土光谱库的迁移学习、用于水分校正的外部参数正交化（EPO）方法，以及作为辅助输入的土壤质地（砂粒、粉粒、黏粒）。该流程应用于来自德国不同田间试验的142个农业土壤样品，每个样品在四个重量含水量水平（0、5、10和15%）下进行成像。EPO将同一样品干湿配对光谱之间由水分引起的光谱距离在各自含水量水平下降低了95.9%至98.2%，而五个主成分解释了99.7%的水分引起的方差。经EPO校正的随机森林模型在5%、10%和15%含水量下分别达到R² = 0.82、0.81和0.83（均方根误差RMSE = 0.120–0.124% SOC；性能与四分位距比RPIQ = 3.92–4.04），超过了干燥条件下获得的精度（R² = 0.71；RMSE = 0.157%；RPIQ = 3.09）。特征重要性分析揭示了从干燥条件下质地主导的预测（质地累积重要性52%）向EPO校正下光谱主导的预测（光谱重要性76%）的转变，关键波长集中在绿-黄可见光区域（528–552 nm），与有机质发色团吸收相关。这些发现表明，仅使用Vis-NIR波长即可实现准确的水分鲁棒SOC预测，为在异质土壤水分条件下运行的自主田间平台上的近地土壤传感提供了先进的方法学基础。