用ARCoptix傅里叶红外光谱仪估算土壤有机碳-电子发烧友网

可见光到近红外（VIS-NIR）和中红外（MIR）光谱等光谱技术被认为是确定土壤有机碳（SOC）的实验室方法的有效替代方案。需要进行研究以探索VIS-NIR和MIR吸光度的融合对于改善SOC预测的潜力，因为每个单独的光谱范围可能不包含足够的信息来产生合理的估计精度。在这里，我们研究了两种在输入数据中不同的数据融合策略，包括全光谱吸光度的直接串联和通过最优波段组合（OBC）算法串联所选预测因子。

土壤有机碳（SOC）是一个关键的土壤质量指标，因为它直接或间接地影响土壤的物理，化学，生物状态和整体肥力。维持和改善SOC对于支持植物生长和作物产量至关重要。此外，SOC与全球碳循环密切相关，因为土壤有机碳在土地 - 大气交换中起着核心作用。因此，在精准农业和全球变暖的背景下，监测SOC至关重要。需要创新来建立新的传感方法，以便以高采样分辨率以成本和时间有效的方式定量估计SOC。

凭借其易用性和快速测量，近端土壤传感（PSS）越来越流行用于表征土壤特性.最常用的PSS技术包括X射线荧光光谱，激光诱导击穿光谱，可见光到近红外（VIS-NIR）和中红外（MIR）光谱。在光谱预处理和多变量建模的帮助下，使用单个传感器成功估计了各种土壤特性，例如SOC。尽管使用单个传感器进行土壤研究的研究显示出有希望的结果，但没有一个单独的传感器可以充分捕获土壤的复杂性。因此，每种技术的单个光谱范围可能没有足够的信息来为特定土壤性质提供合理的预测精度。提高预测元素准确性的一种可行方法是合并和整合来自多个传感器的数据，这称为数据融合。VIS-NIR和MIR光谱技术都显示出确定SOC的巨大潜力，VIS-NIR和MIR光谱的数据融合在改善SOC估计方面的潜力值得探索。已经提出并探索了不同级别的数据融合方法，包括低（例如，简单串联），中（例如，提取的特征的融合）和高（例如，多个模型输出的组合）水平.但是，到目前为止，还没有一种“一刀切”的数据融合方法适合处理所有数据集。因此，研究其他先进的数据融合解决方案的努力仍在进行中，需要继续。

在实验室的干燥，研磨和细筛土壤上进行光谱测量。使用光谱分辨率为1nm的ARCoptix FT-NIR傅里叶变换可见光-近红外纤维光谱仪（瑞士东北纳沙泰尔的ARCoptix公司）收集了400-2600nm区域的漫反射-近红外反射光谱。卤素光源为土壤样品提供一致的照明，接触式探头附件以56°的视角测量反射率。将每个样品放入三个培养皿中（每个培养皿的深度为2厘米，直径为5厘米）。用刮刀将培养皿中的土壤轻轻地调平，形成光滑的土壤表面，从而保证了最大的光谱信噪比。在光谱采集之前和期间，仪器由100%陶瓷参考面板手动校准。每个土壤样品获得30个光谱，并将其平均成一个光谱，用于进一步的数据分析。获得原始反射光谱，然后转换为吸光度单位（log10（1 / R），其中R代表反射率数据）。

MIR光谱收集在4000-650 cm–1光谱范围，光谱分辨率和采样间隔为 4 cm–1和 2 cm–1。在对每个样品进行光谱扫描之前，使用镀金参比帽来校准仪器。记录了原始吸光度单位。

在数据融合之前，以波数（cm–1）通过nm = 10，000，000 /波数的方程转换为波长单位（nm）（Knox等人，2015）。为了排除每个光谱两个边缘的噪声部分，首先将VIS-NIR和MIR吸光度分别修剪为450-2500 nm和2600–12，600 nm。可见-近红外和MIR吸光度均经过萨维茨基-戈莱平滑处理（窗口尺寸：11;多项式阶数：2），然后向下采样到10 nm的间隔，以减少数据冗余并优化建模处理时间。随后的数据分析，如CWT分解和数据融合，都是在上述预处理步骤之后进行的。

每个SOC类的可见光-NIR和MIR原始吸光度平均值。总体而言，VIS–NIR和MIR吸光度与文献中报告的典型土壤光谱数据相当。一般而言，两组原始吸光度都表现出一个共同的趋势，即吸光度随着SOC的降低而降低，尽管这种降低对于MIR吸光度不太明显。这主要是因为随着SOC含量的降低，土壤变得更亮，并且光吸收更少。