Портативная NIR-спектроскопия для прогнозирования свойств почвы и оценки плодородия в системах выращивания кофе и какао
Portable NIR for Soil Property Prediction and Fertility Assessment in Coffee and Cocoa Systems
Marlen A. Grandez-Alberca, Julio Puscan-Rojas, Teodoro B. Silva-Melendez, Lily del Pilar Juarez-Contreras, Angel J. Medina-Medina, Jhon A. Zabaleta-Santisteban, Abner S. Rivera-Fernandez, Katerin M. Tuesta-Trauco, Mirella N. Coronel-Alcalde, A R Eduardo Peña, Samuel Pizarro, Elgar Barboza
Аннотация (перевод)
В исследовании оценивался потенциал портативной спектроскопии в ближней инфракрасной области (NIR) для прогнозирования физико-химических свойств почвы в системах выращивания кофе и какао в регионе Amazonas, Перу. Всего с использованием схемы стратифицированного отбора проб было первоначально собрано 126 образцов верхнего слоя почвы. Один образец кофе был исключен из набора спектральных данных из-за отсутствия соответствующей спектральной записи NIR, в результате чего окончательный набор данных, использованный для прогностического моделирования, составил 125 образцов (69 кофе и 56 какао). Свойства почвы определяли с использованием стандартных лабораторных референтных методов, а спектральные данные получали с помощью портативного спектрометра NeoSpectra, работающего в диапазоне 1350–2550 nm. Прогностические модели разрабатывались с использованием Random Forest (RF), Support Vector Machine (SVM), Neural Networks (NN) и Partial Least Squares Regression (PLSR), а их эффективность оценивалась с помощью вложенной пятикратной кросс-валидации. Прогностическая эффективность портативной спектроскопии в ближней инфракрасной области (NIR) варьировалась в зависимости от свойства почвы, системы выращивания, метода предварительной обработки и алгоритма машинного обучения. Почвы под кофе продемонстрировали более высокую прогностическую эффективность, чем почвы под какао. Наилучшие результаты были получены для глины (R²CV = 0.775; RPDCV = 2.276) с использованием Random Forest с предварительной обработкой первой производной, за которой следовал фосфор (R²CV = 0.772; RPDCV = 2.037) с использованием Partial Least Squares Regression с предварительной обработкой глубины полосы. pH почвы и ил также продемонстрировали удовлетворительную прогностическую эффективность в почвах под кофе. В почвах под какао калий продемонстрировал наибольшую прогностическую способность (R²CV = 0.454; RPDCV = 1.378) при использовании Support Vector Machine с предварительной обработкой второй производной, хотя общая эффективность моделей была ниже, чем наблюдаемая для почв под кофе. Портативная NIR-спектроскопия позволила получить потенциально полезные оценки для отдельных свойств почвы, в частности глины, фосфора, pH и ила в почвах под кофе. Однако ее прогностическая эффективность сильно зависела от свойства почвы, стратегии предварительной обработки, алгоритма машинного обучения и системы выращивания.
Оригинальная аннотация
The study evaluated the potential of portable near-infrared (NIR) spectroscopy to predict soil physicochemical properties in coffee and cocoa production systems in Amazonas, Peru. A total of 126 topsoil samples were initially collected using a stratified sampling design. One coffee sample was excluded from the spectral dataset because no corresponding NIR spectral record was available, resulting in a final dataset of 125 samples (69 coffee and 56 cocoa) used for predictive modeling. Soil properties were determined using standard laboratory reference methods, and spectral data were acquired using a portable NeoSpectra spectrometer operating in the 1350–2550 nm range. Predictive models were developed using Random Forest (RF), Support Vector Machine (SVM), Neural Networks (NN), and Partial Least Squares Regression (PLSR), and their performance was evaluated using nested five-fold cross-validation. The predictive performance of portable near-infrared (NIR) spectroscopy varied according to the soil property, production system, preprocessing technique, and machine learning algorithm. Coffee soils showed higher predictive performance than cocoa soils. The best results were obtained for clay (R²CV = 0.775; RPDCV = 2.276) using Random Forest with first-derivative preprocessing, followed by phosphorus (R²CV = 0.772; RPDCV = 2.037) using Partial Least Squares Regression with band-depth preprocessing. Soil pH and silt also showed satisfactory predictive performance in coffee soils. In cocoa soils, potassium exhibited the highest predictive capability (R²CV = 0.454; RPDCV = 1.378) using Support Vector Machine with second-derivative preprocessing, although the overall model performance was lower than that observed for coffee soils. Portable NIR spectroscopy provided potentially useful estimates for selected soil properties, particularly clay, phosphorus, pH, and silt in coffee soils. However, its predictive performance was strongly dependent on the soil property, preprocessing strategy, machine learning algorithm, and production system.
Идентификаторы
Canonical: https://research.holos.house/w/4e3ec39d-77a3-4da9-997c-0b3735f5ea81
DOI: 10.1016/j.soisec.2026.100250
OpenAlex: W7204916367