类型a：这篇文档报告了一项原创研究。
主要作者和机构及发表信息
本研究的主要作者是Muhammad Abdul Munnaf和Abdul Mounem Mouazen，他们来自比利时根特大学环境系。该研究发表在《Computers and Electronics in Agriculture》期刊上，出版时间为2021年7月26日。
学术背景
这项研究属于农业科学领域，特别是与土壤肥力评估和精准农业相关的内容。土壤肥力（Soil Fertility）是指土壤为作物生长提供必要养分的能力，其评估对优化田间管理、提高作物产量和减少环境影响至关重要。然而，传统的土壤肥力指数（Soil Fertility Index, SFI）多基于实验室分析，这种方法耗时、昂贵且效率低下。因此，研究团队试图开发一种基于在线可见光-近红外（Vis-NIR）光谱技术的SFI模型，以实现快速、准确的土壤肥力评估。该研究的目标包括：确定关键的土壤肥力指标、构建最小数据集（Minimum Dataset, MDS）、利用在线光谱数据预测SFI，并验证该方法的准确性。
详细研究流程
本研究分为以下几个步骤：
研究区域描述与样本采集
研究在比利时弗兰德斯地区的六个农业田块进行，这些田块覆盖了不同的土壤质地和土地利用类型。研究团队使用了一种在线土壤传感平台，该平台配备了一个紧凑型Vis-NIR光谱仪（CompactSpec，Tec5 Technology，德国）。通过拖拉机牵引的传感器平台，在每个田块中扫描土壤并采集了139个土壤样本，采样深度为0至20厘米。这些样本被送往实验室进行化学分析，包括pH值、有机碳（Organic Carbon, OC）、有效磷（Phosphorous, P）、钾（Potassium, K）、镁（Magnesium, Mg）、钙（Calcium, Ca）、钠（Sodium, Na）、水分含量（Moisture Content, MC）以及阳离子交换容量（Cation Exchange Capacity, CEC）。
最小数据集（MDS）的构建
通过对实验室测量的九种土壤属性进行皮尔逊相关性分析，筛选出相关性低于0.75的属性作为关键肥力指标，从而构建MDS。随后，通过主成分分析（Principal Component Analysis, PCA）计算每个指标的权重因子，用于后续SFI公式化。
土壤肥力指数（SFI）的公式化与标准化
使用双加权函数将MDS中的关键肥力指标整合到SFI公式中。计算得到的SFI值进一步标准化为1到10的范围，以便于解释和应用。
在线Vis-NIR光谱建模
利用偏最小二乘回归（Partial Least Squares Regression, PLSR）建立SFI预测模型。首先，将光谱数据划分为校准集（70%）和预测集（30%）。随后，对光谱数据进行预处理（如移动平均、去趋势变换、Savitzky-Golay一阶导数和平滑处理），并剔除异常值。最终，通过交叉验证优化模型参数，并使用预测集验证模型性能。
主要结果
1. 关键肥力指标与MDS构建
经过相关性分析，研究团队选择了pH、OC、P、K、Mg、Na和MC作为MDS的关键指标，排除了Ca和CEC以避免共线性问题。PCA结果显示，前五个主成分解释了总方差的92.92%，其中pH、P和Mg对第一主成分贡献最大。
SFI的变化与分布
计算得到的SFI值显示，不同田块之间的肥力差异显著。例如，Watermachine田块的平均SFI最高（7.72），而Bottelare田块最低（2.32）。此外，Gingelomse田块内的肥力变异性最大（范围为7.68）。
在线Vis-NIR光谱模型的预测性能
在线Vis-NIR光谱模型表现出优异的预测能力，交叉验证结果的决定系数（R²）为0.76，预测偏差比（RPD）为2.04；预测集的结果分别为R²=0.75和RPD=2.01。这表明该模型能够以较高的精度直接从在线光谱数据预测SFI。
关键光谱波段的识别
通过PLSR分析，研究团队识别出多个对SFI预测重要的光谱波段，包括465–470 nm、580–595 nm、600–690 nm等。这些波段与土壤铁氧化物、O-H键和C-O键的吸收特性相关联。
结论与意义
本研究表明，在线Vis-NIR光谱技术可以作为一种快速、准确的工具，用于直接从田间扫描的土壤光谱数据中预测SFI。该方法不仅能够有效评估土壤肥力，还可以帮助制定针对田间变异性的精准管理策略（如变量施肥和播种）。此外，研究还强调了SFI与土壤pH值、P和Mg之间的强相关性，证明了SFI作为土壤肥力代理指标的可靠性。
研究亮点
1. 首次成功利用在线Vis-NIR光谱技术直接预测SFI，突破了传统实验室分析的局限性。
2. 构建了无共线性问题的最小数据集（MDS），确保了SFI公式的科学性和实用性。
3. 识别了多个与SFI相关的光谱波段，为未来研究提供了重要参考。
其他有价值内容
研究团队建议未来的研究可以进一步扩展MDS，纳入更多生物、物理和化学属性，并探索SFI与作物产量之间的关系。此外，多传感器数据融合技术可能成为提高预测精度的重要方向。