The Brazilian intelligent cloud soil analysis system for monitoring, reporting, and solution verification

方法

基于BSSL，用LSTM自编码器提取光谱特征，结合XGBoost回归预测。

发现

黏粒和Fe2O3及MIR的SOC预测R²≥0.80，有效磷和交换性钾预测差。

机会点

跨仪器光谱协调与实验室间差异校正，是提升模型泛化与全国土壤监测的关键空白。

随着气候智能型农业和土壤监测框架在全球范围内扩展，对可扩展分析服务的需求日益增长。基于巴西土壤光谱库（BSSL）和原有的巴西土壤光谱服务（BraSpecS）平台，我们开发了BraSpecS 2.0——一个利用人工智能的自动化云平台，可直接从可见光—近红外—短波红外（Vis–NIR–SWIR）和中红外（MIR）光谱测量中提供近实时的土壤估算。该系统超越了依赖人工操作的处理方式，通过实施自动化长短期记忆（LSTM）自编码器，从BSSL中学习紧凑的潜在光谱表征。随后，属性特定的XGBoost回归模型利用这些潜在嵌入进行多属性预测。评估聚焦于主要的光谱活性土壤属性，包括土壤有机碳（SOC）、质地组分（黏粒、粉粒和砂粒）以及铁和钛氧化物。在这些目标中，Vis–NIR–SWIR的黏粒和Fe₂O₃以及MIR的SOC达到了R² ≥ 0.80，具有较强的预测性能。相反，有效磷和交换性钾在两个光谱域中预测性能均较低（R² ≤ 0.44），表明红外光谱对这些属性的估算没有实际效益；报告这些结果仅用于界定该方法的边界。在来自七个实验室的独立数据集上进行的外部验证表明，黏粒和SOC的模型具有泛化潜力，同时揭示了实验室间的变异性，并强调了跨仪器协调的必要性。BraSpecS 2.0为国家土壤监测计划建立了一个自动化且可扩展的平台。