土壤全氮（TN）是土壤肥力的關(guān)鍵決定因素，在支持棉花生長(zhǎng)、產(chǎn)量和纖維品質(zhì)方面起著至關(guān)重要的作用。然而，當(dāng)前棉田氮肥利用率普遍不足50%，過量投入導(dǎo)致嚴(yán)重的面源污染、土壤酸化及溫室氣體排放。在全球追求可持續(xù)氮素管理與減排增效的背景下，構(gòu)建有效、高精度的土壤氮素定量估算模型已成為行業(yè)迫切需求?？梢姽?近紅外（Vis-NIR）高光譜遙感以其非破壞性、高通量的優(yōu)勢(shì)被廣泛應(yīng)用，但在干旱綠洲區(qū)，由于土壤空間異質(zhì)性對(duì)光譜估計(jì)的潛在干擾，以及低氮背景下光譜特征響應(yīng)較弱等問題，使得傳統(tǒng)的單一預(yù)測(cè)模型普遍面臨泛化能力弱、精度受限等瓶頸。
為了克服這一問題，塔里木大學(xué)彭杰教授團(tuán)隊(duì)聯(lián)合浙江大學(xué)、武漢大學(xué)等多所高校，以新疆塔里木河流域的棉田為研究對(duì)象，開展了一項(xiàng)實(shí)驗(yàn)研究。該研究成果發(fā)表在《Industrial Crops & Products》期刊。文章提出了一種融合可見近紅外光譜技術(shù)與多類環(huán)境協(xié)變量的方法，結(jié)合SCORPAN框架和卷積神經(jīng)網(wǎng)絡(luò)模型，成功實(shí)現(xiàn)了對(duì)土壤全氮含量的高精度估算，為干旱區(qū)棉田的精準(zhǔn)氮肥管理提供了可靠的技術(shù)支持。
圖1.研究流程示意圖。注：在母質(zhì)圖例中，UF代表未固結(jié)河流沉積物，UF2代表未固結(jié)河流沉積物（類型2），UL代表未固結(jié)湖泊沉積物，WR代表風(fēng)化殘積物/風(fēng)化巖石。
為什么選擇塔里木河？
l 典型性：塔里木河流域極端干旱，是研究土壤缺氮的典型區(qū)域；
l 重要性：產(chǎn)棉核心區(qū)，精準(zhǔn)估氮是提質(zhì)增產(chǎn)的關(guān)鍵；
l 復(fù)雜性：自然與人為干擾導(dǎo)致土壤異質(zhì)性強(qiáng)，估算難度大；
l 應(yīng)用性：優(yōu)化氮肥管理，助力干旱區(qū)可持續(xù)農(nóng)業(yè)與減排；
圖2.研究區(qū)和驗(yàn)證區(qū)的地理位置及土壤采樣點(diǎn)的空間分布。
圖3.棉田種植年限。
研究方法
（1）研究區(qū)域：
研究區(qū)：塔里木河流域，核心作物以棉花為主，采用地膜覆蓋技術(shù)，3月下旬播種，10月底采收；
驗(yàn)證區(qū)：葉爾羌河流域，環(huán)境條件與研究區(qū)相似；
?。?）數(shù)據(jù)采集：分別于2019年和2023年10月通過復(fù)合采樣法采集土壤樣本495個(gè)（建模300個(gè)，驗(yàn)證195個(gè)）。基于SCORPAN框架，收集了61項(xiàng)環(huán)境協(xié)變量，包括植被指數(shù)、地表溫度、地形因子、種植年限等。
（3）光譜測(cè)量與建模：實(shí)驗(yàn)采用ASD FieldSpec 4地物光譜儀及接觸式探頭獲取土樣光譜。測(cè)量時(shí)每15 min進(jìn)行一次白板校正，每樣重復(fù)10次取均值。
l 光譜性能：
光譜通道高：2151個(gè)；
光譜分辨率：3 nm@700 nm，6 nm@1400 nm和2100 nm；
采樣間隔：1.4 nm@350-1000 nm；1.1 nm @1001-2500 nm；
l 建模分析：結(jié)合特征選擇算法與一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）開展土壤全氮含量估算。
研究結(jié)果：
圖4.平均土壤光譜曲線和SD。
表1.評(píng)估不同場(chǎng)景和數(shù)據(jù)集的可預(yù)測(cè)性估計(jì)準(zhǔn)確性。
圖5.使用RFE和FRFS方法時(shí)，RMSE 隨特征變量數(shù)量的變化情況，其中較小值已突出顯示 (a)；以及三種特征選擇方法選擇的環(huán)境協(xié)變量 (b)。
圖6.在不同情景和數(shù)據(jù)集下，實(shí)測(cè)STN值與估計(jì)STN值的擬合情況。
圖7.在不同傳輸場(chǎng)景下，驗(yàn)證區(qū)域內(nèi)測(cè)量值與估計(jì)值之間的信噪比擬合情況：光譜法 (a)，光譜法 + 協(xié)變量 (b)。
圖8.在包含環(huán)境協(xié)變量的四個(gè)數(shù)據(jù)集中，特征變量的相對(duì)重要性如下所示：光譜數(shù)據(jù) + 協(xié)變量 – 完整數(shù)據(jù)集 (a)，光譜數(shù)據(jù) + 協(xié)變量 – RFE 方法 (b)，光譜數(shù)據(jù) + 協(xié)變量 – Boruta 方法 (c)，以及光譜數(shù)據(jù) + 協(xié)變量 – FRFS 方法 (d)。
精度提升：
結(jié)合環(huán)境協(xié)變量的模型相比僅使用光譜數(shù)據(jù)的模型，在STN估算中顯著提高了精度，R2從0.646–0.749提升至0.774–0.858，RMSE降低了14.42%–27.00%。
特征選擇優(yōu)化：
使用RFE、Boruta和FRFS三種特征選擇方法優(yōu)化模型，F(xiàn)RFS方法效果較佳，R2提升了9.6%-15.95%，RMSE減少了4.59%-8.26%。
驗(yàn)證區(qū)轉(zhuǎn)移性：
在驗(yàn)證區(qū)的轉(zhuǎn)移性分析中，結(jié)合環(huán)境協(xié)變量的模型表現(xiàn)優(yōu)于僅使用光譜數(shù)據(jù)的模型，R2下降幅度較?。?6.55%），而僅光譜數(shù)據(jù)模型下降了47.66%。
關(guān)鍵環(huán)境因子：
研究識(shí)別了8個(gè)對(duì)STN估算有重要影響的環(huán)境因子，其中土壤有機(jī)碳（SOC）對(duì)STN空間變異性影響較大。
結(jié)語(yǔ)
本研究結(jié)合可見近紅外光譜技術(shù)與環(huán)境協(xié)變量，顯著提高了土壤全氮（STN）估算的精度，并驗(yàn)證了模型在跨區(qū)域轉(zhuǎn)移性上的可靠性。研究結(jié)果為塔里木河流域等干旱地區(qū)的精準(zhǔn)氮肥管理提供了科學(xué)依據(jù)，具有一定的應(yīng)用價(jià)值。未來，隨著技術(shù)的進(jìn)一步發(fā)展，預(yù)計(jì)可以進(jìn)一步優(yōu)化估算模型并拓展其應(yīng)用范圍，為土壤肥力管理提供更加精確的支持。
發(fā)表期刊：Industrial Crops & Products【影響因子：6.2】
研究單位：塔里木大學(xué)、清華大學(xué)、浙江大學(xué)等
研究地點(diǎn)：中國(guó)新疆塔里木河流域、葉爾羌河流域
使用設(shè)備：ASD FieldSpec4地物光譜儀
