1. 研究背景
土壤养分在确保农业系统生产力和可持续性起着至关重要的作用。因此，准确评估关键土壤养分含量（如土壤有机质(SOM)、全氮(TN)、水解氮(HN)、速效钾(AK)和速效磷(AP)等）至关重要。传统的分析方法，如用于氮分析的凯氏定氮法和用于磷测定的Bray法，一直被认为是土壤科学和农业实践中的基准方法。尽管这些技术具有可靠性，但通常需要大量劳动且耗时，这限制了其在大规模测试中的应用。
2.创新之处
在本研究中，我们提出了一个新型的土壤养分快速估算框架，用于估算包括土壤有机质(SOM)、全氮(TN)、水解氮(HN)、速效钾(AK)和速效磷(AP)在内的关键土壤养分含量。该方法结合了由气体传感器捕获的嗅觉数据与光谱数据（来自紫外-可见-近红外和中红外光谱仪），通过数据融合策略和机器学习算法利用这些多源数据的互补优势。本研究的具体目标有三点：(1) 评估嗅觉数据和光谱数据独立量化关键土壤养分含量的能力；(2) 探讨不同数据融合策略对预测性能的影响；(3) 确定适用于准确养分预测的最佳机器学习模型和融合策略。
3. 关键图表
图1 通过结合嗅觉数据和光谱数据预测土壤关键养分含量的流程图。
图2 在SSMSD-SAM框架下基于MLP-RF模型的测试集内养分真实值与估算值散点图。
4. 主要结论
本研究提出了一种基于多个传感器数据（光谱数据和嗅觉数据）融合的方案，用于估算土壤关键养分含量。该方法包括利用气体传感器采集土壤热解后的嗅觉数据，以及利用紫外-可见-近红外（UV–Vis-NIR）和中红外（MIR）技术从土壤样本中获取光谱数据。设计了包括串联和并联模式在内的三种融合策略，以有效融合所收集的数据，并结合机器学习算法预测土壤关键养分含量。研究结果表明，将自注意力机制（self-attention procedure）引入串联拼接融合策略显著提高了估算性能，凸显了嗅觉和光谱数据整合的协同优势。在多层感知器与随机森林（MLP-RF）融合模型框架下对多种养分含量的预测表现优异， R²范围为0.80至0.96。嗅觉数据捕获的土壤中的生物和结构信息与光谱提供的土壤化学信息相结合，可有效提升对土壤中基本养分和有效养分含量的估算精度。
5. 发表信息
Liu S, Fu L, Xia X, et al. The fusion of machine olfactory data and UV–Vis-NIR-MIR spectra enabled accurate prediction of key soil nutrients[J]. Geoderma, 2025, 453: 117161.
6．声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
