基于堆叠模型的土壤有机碳预测方法

来源：江苏农业科学杂志2026年第第4期北京时间：

作者：沈陆明;王鹤润;何少芳

单位：湖南农业大学，湖南长沙 410128

摘要：土壤有机碳(SOC)含量是评估土壤质量与农业可持续性的关键指标。针对高维光谱数据中存在的特征冗余、非线性建模难题以及传统模型泛化性能不足的问题，提出一种异构集成学习框架——DeepStack-Ridge。该模型融合了深度神经网络(DNN)、极端梯度提升(XGBoost)、随机森林(RF)和K近邻(KNN)4类基学习器，并以岭回归(RR)作为元学习器，构建了多模型协同预测结构。研究基于LUCAS 2015农业土壤数据集，设计了原始光谱、一阶微分(FD)、主成分分析(PCA)及FD+PCA组合4种预处理策略，并开展了SOC含量预测建模试验。结果表明，该模型在所有预处理条件下均优于传统单一模型和主流模型，尤其在PCA降维下SOC含量预测精度最高，R2达到了0.880 9，RMSE为 11.542 0 g/kg，计算时间由原始光谱的7 487.42 s降至385.97 s，效率提升了约94.85%，展现出良好的建模稳定性与实用性。为进一步验证模型在多属性土壤建模中的迁移性，将其应用于电导率(EC)与磷(P)含量等光谱响应较弱的目标变量上。结果显示，尽管EC在个别预处理条件下略低于部分单一模型的最优值，但整体性能仍具有竞争力，而P含量的建模效果则优于所有单一模型，说明模型结构在面对目标属性响应差异时具备一定的适应能力。综上所述，研究验证了DeepStack-Ridge模型在SOC含量预测中的有效性，并在多属性扩展分析中表现出良好的稳健性与迁移潜力，为面向高维、多源土壤光谱特征建模提供了理论依据与技术支撑。

关键词：LUCAS2015数据库;Vis-NIR光谱技术;堆叠模型;土壤有机碳预测