Vis-NIR 与 MIR 光谱的三种传感器融合及建模流程
Vis-NIR 与 MIR 光谱的三种传感器融合及建模流程示意图，来自【1】
- 输入数据与预处理
输入光谱：Vis-NIR 光谱、MIR 光谱
预处理：标准正态变量变换（SNV）
由于不同传感器测量的可见光-近红外光谱和红外光谱的能级不一致，如果直接融合可见光-近红外光谱和红外光谱，一些光谱幅度较小的数据会被视为噪声，导致光谱信息融合失败（Zhou et al., 2018）。因此，对可见光-近红外光谱和MIR光谱进行标准的正态变量（SNV）预处理，以消除维数的影响（Feng, 2020; Wang et al., 2022; Xu et al., 2019b）。
- 单传感器建模
建模方法：偏最小二乘回归（PLSR）、支持向量机（SVM） - 三种传感器融合建模
低 Level 融合（全光谱信息保留）：将预处理后的 Vis-NIR 光谱（350 ~ 2500 nm）与转换后的 MIR 光谱（2500 ~ 15387 nm）进行拼接。
中 Level 融合（有效特征提取）：通过LASSO 算法（最小绝对收缩与选择算子）从两种单光谱中筛选与土壤养分强相关的 “特征波段”，再将筛选后的特征波段拼接融合。
高 Level 融合（决策结果整合）：不直接处理光谱数据，而是将两种单传感器模型的预测结果作为输入，通过Granger-Ramanathan 平均法（GRA） 对预测结果进行加权融合
中级融合有以下方法：outer product analysis (OPA), principal component analysis (PCA), the Boruta algorithm, variable projection importance (VIP), and the least absolute shrinkage and selection operator (LASSO)
- 统一建模与交叉验证：所有模型（单传感器模型、三种融合模型）均采用留一交叉验证（LOOCV）
- 模型评估与最优模型筛选：决定系数（R²）、交叉验证均方根误差（RMSE_CV）、四分位距性能比（RPIQ）
6.结果：
TN 的最优模型为 SF2-PLSR（R²=0.83，RPIQ=3.18）；
TK 的最优模型为 SF3-PLSR（R²=0.92，RPIQ=5.08）；
AN 的最优模型为 SF2-SVM（R²=0.67，RPIQ=2.06）；
低预测精度养分（TP、AP、AK），(R2<0.34, RPIQcv <1.55)；
a) 名词解释：总氮（TN） 、总磷（TP）、总钾（TK） 、碱解氮（AN）、有效磷（AP）和有效钾（AK） total nitrogen (TN) (Ma et al., 2019a; Ng et al., 2022; Rodríguez-Febereiro et al., 2022), total phosphorus (TP) (Peng et al., 2021), total potassium (TK) (Viscarra Rossel and Webster, 2012), alkali-hydrolyzable nitrogen (AN), available phosphorus (AP) and available potassium (AK) (Guo et al., 2021; Hati et al., 2022).
b) 涉及到原理文献：光谱内C-H、C-O和C-N基团的相互作用可直接影响土壤有机碳（SOC）和氮含量的预测（Greenberg et al., 2020），而土壤P和K与具有可见光-近红外和MIR光谱区吸收特征的土壤属性（如有机碳、矿物质、水分等）的相关性可间接估算（Liu et al., 2018; Mouazen et al., 2010）。
参考
【1】（文中有相应算法首次提出的引用）Li, X., Pan, W., Li, D., Gao, W., Zeng, R., Zheng, G., Cai, K., Zeng, Y., and Jiang, C. (2024). Can fusion of vis-NIR and MIR spectra at three levels improve the prediction accuracy of soil nutrients? Geoderma 441, 116754.https://doi.org/10.1016/j.geoderma.2023.116754