土壤有机质是反映土壤持续生产能力的重要指标，在维系作物养分供应，构建良好土壤结构，防止土壤侵蚀以及固碳等方面有着重要作用。然而，传统的实验室化学测定方法不仅存在费时、费力等缺陷，且受实际分析样本数量的限制，往往很难准确表征土壤有机质的空间分布特征和连续性。可见光-近红外光谱（vis-NIR）和X射线荧光光谱（pXRF）等近地传感技术具有快速、成本低、易用性强、所需样本量少等优点而广泛应用于土壤属性信息获取。然而，土壤是一个复杂的综合体，使用单个传感器会因为土壤的异质性和传感器自身的局限性而导致估测结果呈现较大的不确定性。多传感器数据融合技术能够将不同传感器的数据按不同算法进行融合，充分发挥各个传感器的优势，提高土壤属性估测的精度和稳定性。然而多传感融合技术仍处于发展阶段，合适的光谱预处理方法、特征变量筛选方法以及数据融合方法仍需进一步深入研究。
针对上述问题，绿洲农业信息技术与智慧农业团队以新疆玛纳斯河流域和叶尔羌河-喀什噶尔河流域作为研究区，首先比较了不同预处理方法对vis-NIR光谱和pXRF光谱估测SOM的影响，进而评估了5种不同的变量筛选方法（包括竞争性自适应重加权采样（CARS）、遗传算法(GA)、随机青蛙算法（RFA）、无信息变量消除（UVE）、变量投影重要性(VIP)）对单一传感估测和3种多传感融合方法（直接融合（DC）、外积矩阵分析（OPA）、Granger–Ramanathanaveraging算法（GRA））估测的影响。
结果表明：与全光谱数据估测相比，经过特征变量筛选能够普遍提高单一传感器和多传感融合的估测精度，其中单一传感估测和GRA融合的最优变量筛选方法为CARS方法，而DC和OPA融合的最优变量筛选方法为VIP方法；基于CARS变量筛选方法结合GRA融合实现了对SOM的最优估测，其RMSEp为3.59g kg-1。证明了在融合前进行光谱预处理和特征选择是改善多传感融合的有效方法，通过构建基于特征提取的融合方法，能够去除多余的冗余信息，充分利用特征数据的协同作用，为实现土壤有机质准确稳健估测提供了新方法。
以上研究成果以“Improving soil organic matter estimation accuracy by combining optimal spectral preprocessing and feature selection methods based on pXRF and vis-NIR data fusion”（结合优选的光谱预处理技术和特征筛选方法改进pXRF、vis-NIR的光谱融合，提高土壤有机质估测精度）为题发表于国际土壤学领域TOP期刊《Geoderma》（中科院一区，IF：7.422），吕新教授、王海江教授共同指导的博士研究生史晓艳和宋江辉为论文共同第一作者。
该研究内容依托于绿洲生态农业兵团重点实验室、绿洲作物高效生产与农业环境保护国际科技合作基地等科研平台，并获得国家自然科学基金（42161042）、兵团重大科技项目（2020AB018）、js33333金沙线路检测创新发展专项（202110759005）以及新疆维吾尔自治区研究生科研创新项目（XJ2022G089）联合资助。
教育部
