可見光到近紅外（VIS-NIR）和中紅外（MIR）光譜等光譜技術被認為是確定土壤有機碳（SOC）的實驗室方法的有效替代方案。需要進行研究以探索VIS-NIR和MIR吸光度的融合對于改善SOC預測的潛力，因為每個單獨的光譜范圍可能不包含足夠的信息來產生合理的估計精度。在這里，我們研究了兩種在輸入數據中不同的數據融合策略，包括全光譜吸光度的直接串聯(lián)和通過最優(yōu)波段組合（OBC）算法串聯(lián)所選預測因子。

土壤有機碳（SOC）是一個關鍵的土壤質量指標，因為它直接或間接地影響土壤的物理，化學，生物狀態(tài)和整體肥力。維持和改善SOC對于支持植物生長和作物產量至關重要。此外，SOC與全球碳循環(huán)密切相關，因為土壤有機碳在土地 - 大氣交換中起著核心作用。因此，在精準農業(yè)和全球變暖的背景下，監(jiān)測SOC至關重要。需要創(chuàng)新來建立新的傳感方法，以便以高采樣分辨率以成本和時間有效的方式定量估計SOC。

憑借其易用性和快速測量，近端土壤傳感（PSS）越來越流行用于表征土壤特性.最常用的PSS技術包括X射線熒光光譜，激光誘導擊穿光譜，可見光到近紅外（VIS-NIR）和中紅外（MIR）光譜。在光譜預處理和多變量建模的幫助下，使用單個傳感器成功估計了各種土壤特性，例如SOC。盡管使用單個傳感器進行土壤研究的研究顯示出有希望的結果，但沒有一個單獨的傳感器可以充分捕獲土壤的復雜性。因此，每種技術的單個光譜范圍可能沒有足夠的信息來為特定土壤性質提供合理的預測精度。提高預測元素準確性的一種可行方法是合并和整合來自多個傳感器的數據，這稱為數據融合。VIS-NIR和MIR光譜技術都顯示出確定SOC的巨大潛力，VIS-NIR和MIR光譜的數據融合在改善SOC估計方面的潛力值得探索。已經提出并探索了不同級別的數據融合方法，包括低（例如，簡單串聯(lián)），中（例如，提取的特征的融合）和高（例如，多個模型輸出的組合）水平.但是，到目前為止，還沒有一種“一刀切”的數據融合方法適合處理所有數據集。因此，研究其他先進的數據融合解決方案的努力仍在進行中，需要繼續(xù)。

在實驗室的干燥，研磨和細篩土壤上進行光譜測量。使用光譜分辨率為1nm的ARCoptix FT-NIR傅里葉變換可見光-近紅外纖維光譜儀（瑞士東北納沙泰爾的ARCoptix公司）收集了400-2600nm區(qū)域的漫反射-近紅外反射光譜。鹵素光源為土壤樣品提供一致的照明，接觸式探頭附件以56°的視角測量反射率。將每個樣品放入三個培養(yǎng)皿中（每個培養(yǎng)皿的深度為2厘米，直徑為5厘米）。用刮刀將培養(yǎng)皿中的土壤輕輕地調平，形成光滑的土壤表面，從而保證了最大的光譜信噪比。在光譜采集之前和期間，儀器由100%陶瓷參考面板手動校準。每個土壤樣品獲得30個光譜，并將其平均成一個光譜，用于進一步的數據分析。獲得原始反射光譜，然后轉換為吸光度單位（log10（1 / R），其中R代表反射率數據）。

MIR光譜收集在4000-650 cm–1光譜范圍，光譜分辨率和采樣間隔為 4 cm–1和 2 cm–1。在對每個樣品進行光譜掃描之前，使用鍍金參比帽來校準儀器。記錄了原始吸光度單位。

在數據融合之前，以波數（cm–1）通過nm = 10，000，000 /波數的方程轉換為波長單位（nm）（Knox等人，2015）。為了排除每個光譜兩個邊緣的噪聲部分，首先將VIS-NIR和MIR吸光度分別修剪為450-2500 nm和2600–12，600 nm?？梢?近紅外和MIR吸光度均經過薩維茨基-戈萊平滑處理（窗口尺寸：11;多項式階數：2），然后向下采樣到10 nm的間隔，以減少數據冗余并優(yōu)化建模處理時間。隨后的數據分析，如CWT分解和數據融合，都是在上述預處理步驟之后進行的。

每個SOC類的可見光-NIR和MIR原始吸光度平均值?？傮w而言，VIS–NIR和MIR吸光度與文獻中報告的典型土壤光譜數據相當。一般而言，兩組原始吸光度都表現(xiàn)出一個共同的趨勢，即吸光度隨著SOC的降低而降低，盡管這種降低對于MIR吸光度不太明顯。這主要是因為隨著SOC含量的降低，土壤變得更亮，并且光吸收更少。

昊量光電代理的ARCoptix公司的傅里葉紅外光譜儀非常緊湊，集成度非常高。具有體積小，性能強的獨特優(yōu)勢。大小可以參考下圖：

昊量光電FT-IR Rocket傅里葉紅外光譜儀具有高靈敏度、高分辨率?？蛇x光譜范圍有2-6μm，1.5-8.5μm，2-12μm。更多產品信息，歡迎來電咨詢。