基于近红外光谱、深度学习方法与粉末 X 射线衍射相量化的土壤碳酸盐快速检测

土壤近红外（NIR）光谱吸收/反射库被用于改善农业生产与土壤性质分析，而后者是农业生态平衡与环境可持续性的关键前提。尤其是碳酸盐，代表一种即使在气候变化期间温和（更不用说极端）环境条件变化下也会受到严重影响的土壤性质。在本研究中，我们提出一种快速高效的方法，通过 FT NIR 反射光谱并利用深度学习方法预测土壤中的碳酸盐含量。我们采用了多种机器学习方法，例如：1）MLP 回归器与 2）CNN，并将它们的性能与其他传统 ML 算法（如 PLSR、Cubist 和 SVM）在两个 NIR 光谱库的组合数据集上进行比较：KSSL（USDA），一个全国收集的土壤样本反射光谱数据集，以及 LUCAS TopSoil（欧洲土壤库），包含来自欧盟各地的土壤样本吸收光谱，并用它们预测未见过的土壤样本的碳酸盐含量。KSSL 与 TopSoil 光谱库中的土壤样本在 visNIR 光谱区域获取，但本研究中仅使用了 NIR 光谱区域。通过 X 射线衍射对碳酸盐的量化与体积法及 MLP 预测结果吻合良好。我们的工作有助于在以下情况的土壤样本中进行快速碳酸盐含量预测：1）无体积法可用，以及 2）仅有 NIR 光谱吸收数据可用。据我们所知，迄今为止尚无其他研究提出在如此广泛的数据集上训练且对未知数据具有如此可观结果的预测模型，这无疑支持了深度学习模型是土壤碳酸盐含量优秀预测工具的观点。