湖北富邦科技股份&湖北富贵象农业科技&武汉盘古数字检测:基于机器学习和车载移动传感系统多源数据融合的土壤电导率预测模型构建研究
- 2026-10-08 19:20:27
（1.湖北富邦科技股份有限公司，湖北 武汉 430000；2.湖北富贵象农业科技有限公司，湖北 武汉 430000；3.武汉盘古数字检测有限公司，湖北 武汉 430000）
【作者简介】李慧雁，研发工程师，主要研究土壤光谱方向。
【通信作者】刘 裕，正高级工程师，从事化工工艺设计、新产品开发及应用研究。
广告▼
［关键词］ 土壤电导率；SoilOptix；机器学习；预测模型
土壤退化是制约农业可持续性发展和威胁国家粮食安全的重要因素，近年来全球气候变化和农业不合理的耕作方式导致农田土壤退化严重［1］。土壤电导率（Electrical Conductivity，EC）作为一个关键的综合诊断指标，能够灵敏地评估土壤的盐渍化程度，估算土壤的养分空间分布、水含量和土壤物理结构等复杂信息［2］，对于快速诊断农田健康状况、指导节水灌溉、优化施肥方案具有重要意义。
在过往研究中，获取土壤EC空间分布信息主要依赖于网格化采样与实验室化学分析。但该方法存在固有的局限性：高昂的劳动力与经济成本、极低的采样密度、漫长的分析周期以及不可避免的样本扰动［3］。这些因素导致传统方法难以捕捉田间真实存在的高空间变异，无法满足精准农业对实时、高分辨率数据的需求。为突破这一瓶颈，近端土壤传感技术应运而生并迅速发展。其中，基于伽马射线能谱的车载移动传感系统SoilOptix，是当前最先进的土壤快速精准检测方案之一。该系统通过车辆搭载的伽马射线传感器在田间连续扫描，能够无损、快速地同步采集土壤的多谱段信息，并借助成熟的标定模型，一次性检测出土壤有机质、pH、氮、磷等多种土壤理化性质，并生成高精度田间数字地图，极大地提升了土壤快检效率［4］。
在土壤科学领域，利用多元数据间相关性来进行高精度土壤分析的研究已有成功案例，如利用土壤近红外光谱或高光谱构建物质属性间的相关性，挖掘土壤属性中细微的光谱特征，构建高精度的物质含量预测模型［5-6］。对于土壤数据的回归预测主要包含以下几个关键步骤：（1）采集土壤样本并获取对应样本数据；（2）对数据进行预处理纠偏，最大程度上去除数据噪声［7］；（3）使用特征选择算法（如主成分提取算法（PCA））筛选对目标土壤属性贡献度最大的部分，减少数据冗余，同时提升回归模型预测效率［8］；（4）基于优选后的数据可以构建线性回归模型或机器学习模型来建立数据与目标土壤属性间的映射关系；（5）对构建好的回归模型进行精度评价和验证，确认模型对目标土壤属性的泛化性能良好。对于构建回归模型的方法，线性回归模型主要包括偏最小二乘回归（PLSR）、多元线性回归模型（MLSR）等；机器学习模型则包括一维卷积神经网络模型（1DCNN）、随机森林模型（RF）、反向神经网络模型（BPNN）和长短期记忆网络回归模型（LSTM）等。其中，偏最小二乘回归（PLSR）作为一种经典的多元统计方法，能有效处理自变量间多重共线性问题［9］，已被广泛用于建立土壤光谱或其他属性与EC之间的线性或近似线性关系模型［3］。然而土壤属性间的相互作用及与EC的关系常表现出强烈的非线性与非加和性，这要求模型具备更强的复杂关系捕捉能力。随机森林模型（RF）作为一种集成学习算法，通过构建多棵决策树并汇总其结果，不仅能处理高维数据和非线性关系，还能提供变量重要性排序，有助于理解因变量对自变量的贡献度［10］。人工神经网络（ANN），特别是经遗传算法（GA）优化的反向传播神经网络（BPNN），展现出解决高度非线性映射问题的独特优势，GA-BPNN模型结合了遗传算法的全局寻优能力和神经网络的强大函数逼近能力，能够自适应地探索变量之间最深层的关联规则［11-12］。黄立超等［13］使用高光谱数据结合1DCNN、BPNN和RF等模型对东北黑土区水含量和有机碳含量进行了反演，结果表明使用RF对冻结区的有机碳反演效果最好，优于其他回归预测模型。综上所述，多种预测模型均可实现对土壤EC的预测，但每种方法精度不同，各有优劣。
尽管已有大量利用原始光谱或单一类型数据预测EC并取得成果的研究，但以SoilOptix车载系统为代表的伽马射线传感平台仍缺乏相关研究。其探测机制本质上依赖于土壤物质对特定能谱或波段电磁波的吸收、散射特性，但缺乏决定土壤EC的光谱响应，制约了精准农业决策和田间配肥的深度与可靠性。土壤养分属性与EC存在一定程度的相关性，为探测数据间映射关系提供了可能。因此，如何利用SoilOptix可预测的土壤养分属性信息，通过数学建模挖掘与目标变量EC之间所隐含的多元统计关系，构建一个稳健的间接预测模型，解决SoilOptix在土壤监测方面的短板，仍需深入讨论。
基于此，本研究基于SoilOptix车载系统的土壤监测数据和实验室检测土壤样本，参考土壤光谱回归模型训练的思路，通过不同的建模方法构建并筛选EC最优预测模型，旨在解决SoilOptix车载系统无法直接测量土壤EC这一具体技术局限，提出并验证一套EC间接预测方法框架，以突破车载系统测量局限，拓展可输出参数。
1.1 研究数据
本研究提出一种基于SoilOptix车载系统的土壤电导率预测方法，需要尽可能从多种农田土壤类型中获取数据，以提升测土算法的稳定性。系统核心是一个伽马光谱传感器，用于测量从表层土壤（20～30 cm）发射的铯（-137）、铀（-238）、钍（-232）和钾（-40）衰变发出的伽马射线。伽马传感器通过SoilOptix软件中的专有多变量校准算法，结合实验室的样本检测数据获取土样养分信息。实验室检测样本取自软件推荐位置，覆盖传感器测定范围。选择来自湖北省的263个土壤样本，经由SoilOptix车载系统扫描并获取养分信息，并对这些土壤样本进行湿化学分析获取其EC值，作为本研究训练回归模型的原始数据集（RAW）。
1.2 研究方法
基于SoilOptix车载系统的土壤电导率预测方法涵盖数据处理、数据相关性分析、数据筛选重组、回归建模和精度评价多个步骤。EC作为一种衡量土壤传导电流能力的指标，是判断土壤养分健康状况的一个重要属性，主要反映土壤中的可溶性盐分、离子浓度以及水分状况，因此从SoilOptix检测的数据中选取与EC主要相关属性：pH、有机碳、铵态氮、硝态氮、有效磷、有效钾、有效钙、有效镁、有效硫、有效硼10种属性指标作为RAW数据训练回归模型。首先，系统根据SoilOptix预测的土壤属性与实验室实测EC值之间的相关关系，科学筛选出用于建模的最佳属性组合；其次，计算263个样本的10种土壤属性数据与EC值之间的皮尔森相关性，相关性大的属性被认为是构建EC预测模型中具有较大贡献度的成分。为了减少土壤属性数据中的冗余数据，对原数据集进行主成分分析降维，得到置信区间在95%以上的主成分数据集，和原数据集一同用于训练模型；最后，优选原数据集和主成分数据集的不同数据组合，构建EC预测模型，以验证数据组合策略对提升EC预测精度方面的有效性，具体技术路线如图1所示。
图1 技术路线流程Fig.1 Technical route flow
为解决SoilOptix系统预测的多维土壤属性变量间普遍存在的多重共线性问题，并优化EC预测模型的数据结构，采用PCA对原始数据集进行预处理。PCA通过正交线性变换，将原始可能存在相关性的多个观测变量转换为一组线性不相关的变量，即主成分。这些主成分按照方差贡献率大小降序排列，可捕获原始数据中的绝大部分变异信息，从而实现数据降维与特征重构［14］。本研究除去使用降维后的PCA数据和RAW数据外，还采用多种数据组合的特征集训练预测模型，具体包括3种组合方式：（1）挑选RAW数据中EC相关性高的属性作为模型系数；（2）仅选用RAW或PCA数据中部分EC相关属性作为特征训练模型；（3）在模型训练过程中引入随机种子（Random Seed，RS），用于降低模型训练过程中的随机性。这些特征集用于评估SoilOptix检测的原始土壤信息与主成分合成信息对模型预测能力的贡献，从而为模型输入特征的最优构建提供依据。
为了验证数据组合后特征集的有效性，构建并训练偏最小二乘回归（PLSR）、随机森林（RF）以及遗传算法优化的反向传播神经网络（GA-BPNN）3种回归模型，并比较不同预测方法的性能。在搭建EC预测模型时，采用RAW数据集中的10种土壤属性、PCA数据集以及组合后的特征集作为自变量，EC作为因变量。
已知原始数据具有263个样本点，采用Kennard-Stone算法按照7∶3划分样点确保模型训练样本能最大程度地代表整个数据集的分布［15］。使用决定系数（R2）、均方根误差（RMSE）、相对预测误差（RPD）、平均绝对误差（MAE）和平均偏误差（MBE）作为评价指标。结合这5种精度评价参数全面评估3种模型的预测精度、稳定性及鲁棒性，确定EC最优预测模型。R2取值范围为0～1，值越大表明预测模型越稳定；RMSE表征模型准确性，值越小表明模型精度越高［16］；RPD用来表征模型的性能优劣，RPD＜1.5模型不可靠，1.5≤RPD＜2.0模型一般，2.0≤RPD＜2.5模型良好，RPD≥2.5模型效果优良［17］。MAE和MBE能够反映预测值相对于真实值预测误差的平均大小和误差方向。
5个精度评价系数的计算公式如下：
依据实验室分析结果，研究区土壤样本描述性统计如表1所示。
表1 土壤属性描述性统计Table 1 Descriptive statistics of soil properties
注：①单位为%。
由表1统计结果可知，部分指标的变异系数较高，且具有较大的标准差。其主要原因在于宏观尺度上复杂的地形、成土母质与气候带差异，以及区域尺度上土地利用与耕作管理等人为活动的叠加影响［18］。研究选取的土壤样本来源于湖北省的多个地理区域，具有高度空间异质性，因此在土壤属性统计中体现出了强变异的特征，这种高变异性符合大尺度土壤空间调查的普遍规律。使用数据变异大、空间异质性强的土壤数据，有助于提升土壤电导率模型在非均一条件下拟合的稳健性、适应性和泛化能力。
图2展示了土壤样本理化性质间的皮尔森相关性，可知用于训练的10种土壤理化性质与EC的相关性呈现正相关。其中有机质的r为0.37、硝态氮的r为0.48、有效硫的r为0.77、有效硼的r为0.52，与EC呈现显著正相关。这表明选取的数据与EC的相关性较大，能够为后续建模提供足够的信息量。
图2 土壤电导率与属性的皮尔森相关性热图Fig.2 Pearson correlation heatmap of soil electrical conductivity and properties
将训练用数据集提取主成分，得到原数据集RAW和降维后的主成分数据集PCA，并将部分土壤属性提取出来作为单独的数据集或建模系数。当使用部分土壤属性作为数据集时，定义为Dataset（）；当使用部分土壤属性作为建模系数时，定义为Dataset*（）；去除数据集中和EC关联不大的属性进行土壤电导率预测模型构建的方法，简称为Dataset_x；当使用随机种子数时，定义为RS（），括号内为种子数值，建模结果如表2、表3和表4所示。
表2 不同数据处理的PLSR电导率回归模型精度Table 2 Accuracy of PLSR conductivity regression models for different data processing
表3 不同数据处理的RF电导率回归模型精度Table 3 Accuracy of RF conductivity regression models for different data processing
表4 不同数据处理的GA-BPNN电导率回归模型精度Table 4 Accuracy of GA-BPNN conductivity regression models for different data processing
结果表明，RAW数据在PLSR中的建模效果整体上优于PCA （R2=0.72和0.74），使用有效硫作为系数时也能够取得较好的预测结果（R2=0.70和0.83），同种情况下PCA的建模效果较为逊色（R2=0.71和0.64）；在RF中两种数据集及其系数运算后的建模效果都一般（R2≤0.65）；在GA-BPNN中使用原始数据直接建模（RAW）表现稳健，训练集与测试集R2分别为0.85和0.81。引入单一强相关变量进行运算会破坏模型性能，特别是（RAW*（1/S）），测试集R2仅为0.31。与此形成鲜明对比的是，经主成分提取后的数据集（PCA）展现出最优且均衡的预测能力（R2=0.92和0.83），且误差指标（RMSE为8.05 mS/m，MAE为5.26mS/m）最低，表明PCA处理有效提取了核心信息并提升了模型泛化性。但同样地，在主成分中再次引入有效硫进行计算（PCA*（S））会导致性能急剧恶化，测试集R2降至0.17，这凸显了在已降维的特征空间中强行叠加强线性关系的负面作用。部分经过随机种子采样的数据集表现不稳定，其性能介于上述典型情况之间。
比较3种EC预测模型在不同数据组合下的精度变化，可知PLSR模型的R2在多数数据处理条件下于训练集与测试集之间保持相对均匀，波动较小，表明其预测稳定性较高；但在输入变量被过度简化时，其R2出现显著衰减。RF模型的R2整体水平较低，但在原始数据上表现最弱，而通过引入有效硫作为系数或主成分分析进行特征优化后，其R2呈现明显提升。GA-BPNN模型的R2变化呈现显著的两极分化。其在经主成分分析（PCA）处理后的数据集上表现最优，训练集与测试集R2分别达到0.92和0.83，表明PCA提供的去冗余、低噪声特征空间能最大限度发挥其非线性拟合优势。分别基于各模型的最优数据处理组合（PLSR-RAW、RF-PCA、GA-BPNN-PCA），绘制其测试集土壤电导率预测值与实测值的散点图如图3所示，计算3种最优模型的预测值与实测值绝对误差，得到的折线图如图4所示。图3可以直观对比与评估各模型的最佳拟合性能，可见GA-BPNN拟合EC的效果最好，最接近标准曲线。由图4可知，GA-BPNN训练的样本绝对误差振幅较小，且数值多集中在较低区间；而PLSR与RF模型的误差振幅相对较大，波动更为明显，尤其在部分样本点上出现了较高的预测偏差。这直观反映了GA-BPNN模型在最优条件下具有更优的预测稳定性与精度。
图3 基于PLSR、RF、GA-BPNN 3种回归模型的最佳预测结果比较Fig.3 Comparison of the best prediction results based on the three regression models of PLSR，RF and GA-BPNN
图4 基于PLSR、RF、GA-BPNN3种回归模型最佳预测结果的绝对误差Fig.4 The absolute errors of the best prediction results based on the three regression models of PLSR，RF and GA-BPNN
3.1 土壤数据集特征分析
本研究基于前人研究成果，在SoilOptix车载传感器系统检测数据以及主成分提取后数据的基础上，经数据组合变换以及线性回归算法和机器学习算法回归预测，探寻可测土壤属性与土壤电导率之间的相关性和映射关系，扩充SoilOptix车载系统大面积土壤检测功能。结果表明，所选取数据集有效提升了EC回归模型的准确度，其中有效硫对模型拟合的贡献度最高，r为0.77，有机质、硝态氮和有效硼的r分别为0.37、0.48和0.52；其余属性虽然与EC具备正相关关系，但对EC预测模型的贡献度不高。这是因为EC主要表征土壤溶液中可溶性离子的总浓度，而上述属性均直接或间接地贡献了离子来源。有效硫和硝态氮等的表现形式主要以SO42-形态和NO3-形态存在，是土壤溶液中最主要的水溶性盐基阴离子，土壤中可溶性盐分的积累是导致EC升高的关键原因［19］，它们的含量与土壤盐分积累和EC值存在直接的剂量效应关系。有效硼在土壤溶液中主要以未解离的硼酸分子存在，但其溶解性与盐分浓度密切相关，常作为盐分迁移的指示因子，其在盐渍化土壤中的含量通常与EC同步增加。有机质本身带负电，其分解矿化过程会持续释放出钾、硫、硼等多种矿质养分离子，从而提升土壤溶液离子强度。
综上，这些属性与EC的正相关关系实质上反映了在湖北省省域尺度下，土壤养分的富集与土壤盐分或离子强度的空间分布具有高度的协同性，这可能与区域内集约化农业管理中的肥料投入、灌溉及成土过程有关。建立EC模型的结果从数据层面印证了这一内在的化学联系，也为后续利用这些易测属性在SoilOptix上间接预测EC值提供了关键的理论依据。
3.2 不同土壤数据组合的处理结果
本研究采用RAW和PCA土壤属性数据组合方法进行EC预测模型构建，其中以PCA数据为主体的数据集在EC预测模型的构建中展现出了优秀的建模效果。PCA通过降维有效剔除冗余信息和随机噪声，准确提取土壤属性空间变异的主体数据结构，为后续回归建模提供了稳定的特征输入，消除了原始变量间的多重共线性，这一措施能显著提升预测模型的数学稳定性和解译可靠性。例如在PCA数据训练的模型中，PLSR模型R2为0.66～0.69，RF模型R2为0.62～0.63，GA-BPNN模型R2为0.83～0.92。但基于RAW的PLSR模型优于基于PCA主成分的PLSR模型，R2为0.70～0.83。这是因为两种数据集的根本差异在于PCA是无监督地保留原始属性中方差最大的信息，而PLSR则是有监督地提取与响应变量（EC）协方差最大的信息。因此，PCA可能过滤掉某些方差较小但对EC预测至关重要的局部变异或属性间协同信息，不利于线性模型的拟合。而机器学习模型更适合使用PCA来拟合土壤EC的关键潜在因子，如由黏粒、有机质共同承载的“土壤胶体因子”，或由水分、孔隙度主导的“介质传导因子”等，从而强化特征空间与目标变量EC之间内在的、可建模的映射关系，有助于提高RF、GA-BPNN这类机器学习模型的泛化能力与鲁棒性。因此，将数据处理方法的优势与模型特点结合能更有效地挖掘土壤数据中的关键信息。由表2、表3和表4可知，不使用系数、随机数种子的完整数据在建模时效果更好，因为使用完整数据能够为模型提供更全面、未经过度筛选的原始信息基础。相较于使用特定系数或随机种子筛选的子集，完整数据集最大限度地保留了土壤属性的自然变异范围、属性间复杂的协同以及可能存在的非线性响应模式，从而增强了模型对数据内在结构的整体学习能力与泛化性能。
3.3 不同回归模型算法精度的差异性
为比较不同回归模型对EC预测精度差异，筛选了PLSR、RF、GA-BPNN 3种预测算法对数据集进行拟合。PLSR模型能够同时进行数据降维、消除共线性并最大限度地解释响应变量的变异，尤其适用于样本量相对较少而变量数众多的场景。然而，其本质仍是一种广义线性模型，对于变量间复杂的非线性相互作用捕捉能力有限。RF模型通过平均多棵树的预测结果进行最终预测，其平滑效应削弱了模型对数据局部突变或复杂非线性关系的捕捉能力，导致预测能力下降。决策树以矩形划分特征空间本质上是对连续响应变量的阶梯式近似，难以精确拟合土壤属性与EC之间可能存在的平滑、连续函数关系。BPNN是一种能够学习输入与输出间高度复杂的非线性预测模型，但也具有因采用梯度下降法而容易陷入局部最优解的缺陷。GA作为一种模拟自然选择机制的启发式全局搜索算法，通过优化BPNN的初始连接权值与阈值，乃至网络拓扑结构，为其提供了更接近全局最优解的初始化起点。GA-BPNN这种结合有效融合了遗传算法的全局搜索能力与BP算法的局部精细收敛能力，从而显著提升了模型的收敛速度、预测精度和稳定性。在本研究中，GA-BPNN构建的EC预测模型整体上精度最优，R2最高为0.92。这是因为PCA消除数据集的共线性与噪声，为GA-BPNN提供了纯净、稳定的特征空间。这使得GA-BPNN能将其强大的非线性拟合能力聚焦于学习土壤电导率与核心主成分之间最本质的复杂映射关系，从而实现了模型收敛速度、稳定性与预测精度的协同优化。由图4可知在GA-BPNN的建模中，只有PCA*（S）的数据集建模预测精度最低，R2为0.41，这可能是因为虽然有效硫与EC具有极高相关性，但有效硫作为PCA参数时，将信息量丰富的主成分数据集压缩为一个近乎单一变量的线性表达，损失了有机质、硝态氮等其他属性所提供的独立或交互信息。GA-BPNN作为一种能够学习多变量间复杂的、高阶的映射关系的模型，在输入特征被过度简化后会失去捕捉数据之间的关键非线性联系，从而导致学习失败，表现为极低的R2值。因此在应用非线性机器学习模型时，样本选择应保证在信息浓缩与多样性之间的平衡，避免因过度依赖单一强相关变量而损失预测所需的整体信息结构。其余数据集建模R2均在0.6以上，整体上比PLSR和RF模型精度高，表明建模效果良好。由图3和图4可知，在3种算法构建的最优回归模型中，GA-BPNN模型得到的EC预测值与实测值的散点图最接近标准曲线，并且预测值与实测值之间的绝对误差振幅最小。PLSR模型的R2分布较为均匀，基本在0.6～0.8，由RAW中的Ca、Mg、K组合的数据集预测效果最差，其R2为0.08。这可能是仅以Ca、Mg、K 3种交换性阳离子作为输入时，数据集中缺失了表征EC的硝酸根、硫酸根等关键阴离子信息，导致数据提供的信息无法充分解释EC的整体变异，PLSR模型因信息基础薄弱而预测效能显著下降。RF模型整体上对EC的预测效果较差，R2分布在0.07～0.62，对土壤属性数据集与EC之间映射关系不敏感，可能源于RF的决策树在拟合土壤属性与EC之间平滑、连续的非线性函数关系时能力有限，以及本身数据所具备的噪声导致。
本研究通过评估多种数据组合方式和预测模型算法探究SoilOptix车载系统检测数据与电导率之间的映射关系，发现了在使用线性模型预测EC时，采用RAW数据建模效果优于PCA；在使用机器学习模型时，采用PCA数据建模效果优于RAW，总体上经PCA处理的数据集构建回归模型效果最佳，R2达到了0.92。使用完整的数据集进行建模可以有效提升EC预测模型的精度。GA-BPNN模型在稳定性和精度上均优于PLSR和RF模型，证实了数据集处理与算法模型匹配对提升EC预测精度的重要性，为扩展SoilOptix车载系统检测功能，提升检测效率提供了技术支撑。
广告▼
［1］ 王景萍，张学霞，古丽米热·甫拉提，等.黑龙江省冻融侵蚀强度分级评价及空间分布特征［J］.农业工程学报，2024，40（5）：168-176.
WANG J P，ZHANG X X，GULIMIRE F L T，et al.Classification evaluation and spatial distribution characteristics of freeze-thaw erosion intensity in Heilongjiang Province of China［J］.Transactions of the Chinese Society of Agricultural Engineering，2024，40（5）：168-176.
［2］ ZHU F，ZHANG L，HU X，et al.Research and design of hybrid optimized backpropagation （BP） neural network PID algorithm for integrated water and fertilizer precision fertilization control system for field crops［J］.Agronomy，2023，13（5）：1423.
［3］ 王懂，杨玮，曹永研，等.基于近红外光谱信息的土壤电导率预测模型研究［J］.农业机械学报，2022，53（S1）：218-223.
WANG D，YANG W，CAO Y Y，et al.Prediction model of bulk soil electrical conductivity based on near-infrared spectral information［J］.Transactions of the Chinese Society for Agricultural Machinery，2022，53（S1）：218-223.
［4］ ENESI R O，DYCK M F，THILAKARATHNA M S，et al.Calibrated SoilOptix ® estimates of soil pH and exchangeable cations in three agricultural fields in western Canada -implications for managing spatially variable soil acidity［J］.Heliyon，2024，10（17）：e37106.
［5］ 王英杰，高欣梅，包淑梅，等.基于高光谱数据的盐渍化土壤含盐量预测模型研究［J］.农业工程，2024，14（10）：113-120.
WANG Y J，GAO X M，BAO S M，et al.Prediction model of salt content in salinized soil based on hyperspectral data［J］.Agricultural Engineering，2024，14（10）：113-120.
［6］ 王丽娜，朱西存，刘庆，等.黄河三角洲盐碱土盐分的高光谱定量估测研究［J］.土壤通报，2013，44（5）：1101-1106.
WANG L N，ZHU X C，LIU Q，et al.Hypersperpectral quantitative estimation of saline-alkali soil salinity in the Yellow River Delta［J］.Chinese Journal of Soil Science，2013，44（5）：1101-1106.
［7］ 侯化刚，王丹阳，马斯琦，等.黄河三角洲不同盐渍度土壤有机质含量的高光谱预测研究［J］.中国农业科学，2023，56（10）：1905-1919.
HOU H G，WANG D Y，MA S Q，et al.Hyperspectral prediction of organic matter in soils of different salinity levels in the Yellow River Delta［J］.Scientia Agricultura Sinica，2023，56（10）：1905-1919.
［8］ 赵泽艺，李朝阳，王洪博，等.南疆盐碱土水、氮、盐光谱特征及其反演模型［J］.灌溉排水学报，2023，42（7）：93-100.
ZHAO Z Y，LI Z Y，WANG H B，et al.Spectral characteristics and inversion models of water，nitrogen and salt in saline soils of southern Xinjiang［J］.Journal of Irrigation and Drainage，2023，42（7）：93-100.
［9］ SUBI X，EZIZ M，ZHONG Q，et al.Estimating the chromium concentration of farmland soils in an arid zone from hyperspectral reflectance by using partial least squares regression methods［J］.Ecological Indicators，2024，161：111987.
［10］ 李小雨，贾科利，魏慧敏，等.基于随机森林算法的土壤含盐量预测［J］.干旱区研究，2023，40（8）：1258-1267.
LI X Y，JIA K L，WEI H M，et al.Prediction of soil salt content based on the random forest algorithm［J］.Arid Zone Research，2023，40（8）：1258-1267.
［11］ 余世鹏，杨劲松，刘广明，等.基于BP人工神经网络的长江河口地区土壤盐分动态模拟及预测［J］.土壤，2008，40（6）：976-979.
YU S P，YANG J S，LIU G M，et al.Simulation and prediction of soil salt dynamics in the Yangtze River estuary with BP artificial neural network［J］.Soils，2008，40（6）：976-979.
［12］ 田雨欣，王正海，谢鹏.基于特征筛选结合PSO-BPNN和GA-BPNN算法的土壤重金属高光谱定量反演［J］.遥感技术与应用，2024，39（1）：259-268.
TIAN Y X，WANG Z H，XIE P.Quantitative Hyperspectral Inversion of Soil Heavy Metals based on Feature Screening Combined with PSO-BPNN and GA-BPNN Algorithms［J］.Remote Sensing Technology and Application，2024，39（1）：259-268.
［13］ 黄立超，李泽昕，王勇，等.东北黑土区冻结及含水量对可溶性有机碳反演模型精度影响［J］.农业工程学报，2025，41（23）：87-96.
HUANG L C，LI Z X，WANG Y，et al.Effects of freezing and soil water content on dissolved organic carbon retrieval precision in the black soil region of Northeast China［J］.Transactions of the Chinese Society of Agricultural Engineering，2025，41（23）：87-96.
［14］ 邓昀，王君，陈守学，等.基于PCA-DBO-SVR的林地土壤有机质高光谱反演模型［J］.光谱学与光谱分析，2025，45（2）：569-583.
DENG Y，WANG J，CHEN S X，et al.Hyperspectral Inversion Model of Forest Soil Organic Matter Based on PCA-DBO-SVR［J］.Spectroscopy and Spectral Analysis，2025，45（2）：569-583.
［15］ 黄照强，倪斌.基于随机变异—Kennard—Stone和偏最小二乘法的土壤重金属镉含量反演——以雄安新区西南部为例［J］.地质论评，2021，67（5）：1521-1532.
HUANG Z Q，NI B.Retrieval of soil heavy metal cadmium content based on random mutation，Kennard-Stone and partial least squares method：A case study of Xiong’ an New Area［J］.Geological Review，2021，67（5）：1521-1532.
［16］ 李明丽，温彩运，马东豪，等.基于土壤高光谱特征波段优选的盐分预测模型构建［J］.中国农业科学，2025，58（20）：4054-4069.
LI M L，WEN C Y，MA D H，et al.Construction of Salinity Prediction Model Based on Optimal Selection of Soil Hyperspectral Characteristic Bands［J］.Scientia Agricultura Sinica，2025，58（20）：4054-4069.
［17］ 姜传礼，赵健赟，丁圆圆，等.SPA算法与机器学习的黄河源土壤水分反演［J］.光谱学与光谱分析，2023，43（6）：1961-1967.
JIANG C L，ZHAO J Y，DING Y Y，et al.Study of soil water retrieval technology of Yellow River source based on SPA algorithm and machine learning［J］.Spectroscopy and Spectral Analysis，2023，43（6）：1961-1967.
［18］ 林芬芳.不同尺度土壤质量空间变异机理、评价及其应用研究［D］.杭州：浙江大学，2009.
LIN F F.Spatial variation mechanism，evaluation and application of soil quality at different scales［D］.Hangzhou：Zhejiang University，2009.
［19］ 朱赟，申广荣，项巧巧，等.基于不同光谱变换的土壤盐含量光谱特征分析［J］.土壤通报，2017，48（3）：560-568.
ZHU Y，SHEN G R，XIANG Q Q，et al.Spectral characteristics of soil salinity based on different pre-processing methods［J］.Chinese Journal of Soil Science，2017，48（3）：560-568.
LI Huiyan1，2，WANG Renzong1，HU Ping1，ZHOU Dongmei3，SHANG Jianhua3，LIANG Yiyun3，ZHANG Wendong3，LIU Yu1
（1.HubeiForbonTechnologyCo.，Ltd.，Wuhan 430000 China；2.HubeiFuguixiangAgriculturalScienceandTechnologyCo.，Ltd.，Wuhan 430000，China；3.WuhanPanguDigitalTestingCo.，Ltd，Wuhan 430000，China）
Abstract：The SoilOptix vehicle-mounted mobile sensing system can not directly measure soil electrical conductivity （EC），limiting its application in precision salinity management.A high-precision indirect prediction model is constructed for EC by utilizing the soil nutrient attribute data predicted by this system，thereby overcoming its technical limitations and expanding its output parameters.Using 263 soil samples from Hubei province，ten soil attributes predicted by SoilOptix and laboratory-measured EC values are extracted.Firstly，the correlation between attributes and EC is analyzed，and principal component analysis （PCA） is used to reduce the dimensionality of the raw data （RAW）.Subsequently，three models—Partial Least Squares Regression （PLSR），Random Forest （RF），and Genetic Algorithm-optimized Backpropagation Neural Network（GA-BPNN）—are systematically constructed and compared for their predictive performance across various data combinations （raw data，PCA components and derived feature sets）.The dataset is split into training and testing sets in a 7∶3 ratio using the Kennard-Stone algorithm.Model accuracy is comprehensively evaluated using multiple metrics，including the coefficient of determination （R2） and root mean square error （RMSE）.The results show that soil attributes such as available sulfur，nitrate nitrogen，and available boron show significant positive correlations with EC （r≥0.4），serving as key predictors.Among the three models，GA-BPNN combined with PCA data achieves the best prediction performance （in testing set，R2=0.83），as its nonlinear fitting capability is fully leveraged within the de-noised feature space provided by PCA.The PLSR model shows stable performance but performs better with raw data.The RF model exhibits lower overall accuracy，but it is sensitive to feature optimization.This research demonstrates that integrating PCA data preprocessing with the GA-BPNN model can effectively establish a high-precision EC prediction model based on SoilOptix multi-source data，offering a reliable technical supplement for spatial monitoring of soil salinity in farmland.
Keywords：soil electrical conductivity；SoilOptix；machine learning；prediction model
《生态产业科学与磷氟工程》“磷氟产业耦合与高端材料创制”提质增效产品创制技术：磷肥与复肥（高中低浓度）、新型肥料（缓释控失、水溶肥、有机肥、聚合肥、多功能肥等）、中微量元素肥料产品优化创新；生物刺激剂（腐植酸系列、游离氨基酸类、海藻提取物、复合有机物质、有益化学元素、非有机矿物、甲壳素和壳聚糖衍生物、抗蒸腾剂产品）、助剂添加剂类、微生物肥料等与传统肥料协同增效产品及应用，提高肥料利用率、保护农业用肥生态环境的功能性产品的开发进展及应用研究。
本栏目长期征稿，欢迎投稿！《生态产业科学与磷氟工程》唯一在线投稿网址：https://lfyf.cbpt.cnki.net/。文稿要求见“《生态产业科学与磷氟工程》征稿启事”（点击跳转）。投稿咨询：0371-63887309 67781991。
本篇文章版权属于《生态产业科学与磷氟工程》编辑部所有，如需转载、引用等，须注明转载、引用自《生态产业科学与磷氟工程》。
《生态产业科学与磷氟工程》编辑部联系方式：
Tel：0371-63887309 67781991
E-mail：espfe2024@126.com
●瓮福（集团）：湿法磷酸转台式真空过滤机的固液分离增效机制与磷石膏品质调控模型研究
●云南云天化云峰化工：转鼓造粒复合肥产品防结块性能探索与创新改造
●贵州省化工研究院：中低品位磷矿及磷尾矿提质处理技术的实验研究
●郑州大学&云南磷化集团：中低品位磷矿提磷与活化利用研究进展
●中国化学与物理电源行业协会：2025年我国锂离子电池产业发展形势
随机文章
-
10个月宝宝每天需要喝多少奶粉？
- 深夜里的晚秋 #武汉
- 喜报丨武汉中南花园酒店在中国融通旅发“服务强军 奉献融通”主题演讲比赛(石家庄赛区)中取得佳绩
- 【武汉简讯】202618省公司总会计师陈小青一行赴武汉石油进行车生态业务专题调研督导
- 2026武汉市民文旅大讲堂开讲!100个名额,手慢无~
- 武汉天佑之星儿童医院:除了油炸食品和肥胖,这3个常见的生活习惯正在悄悄“催熟”孩子.
- 武汉工程师职称申报正规机构如何辨别?避坑攻略速看
- 招募|2026年武汉大学辽宁、山东、宁夏招生组学生助理招募
- 武汉市政院2026年“安全生产月”活动启动
- 【城市站|湖北武汉站】“应用生态融合服务认证中心”武汉站第十四期期成功举办
- 武汉同城按摩到家服务,周末减压进行时!
