The lab spectroscopy using Vis/SWNIR and NIR spectrometers was used to estimate the major fertility parameters in calcareous topsoil from arid region of central Iran. The fertility parameters included soil organic matter (SOM), total nitrogen (TN), available phosphorus (P-avl), and available potassium (K-avl). A total of 151 samples were collected from the depth of 0–20 cm, and the diffuse reflectance spectra of them were collected using charge-coupled device (CCD) and indium-gallium-arsenide (InGaAs) spectrometers. To extract the prediction models, partial least squares (PLS) as linear, and artificial neural networks (ANN) and support vector machines (SVM) as nonlinear multivariate techniques were used. The CCD-based spectra combined with the ANN model led to excellent predictability for SOM (residual predictive deviation (RPD) = 2.60), TN (RPD = 2.54), and P-avl (RPD = 3.01) and very good prediction for K-avl (RPD = 2.02). However, the InGaAs-based spectrometer outperformed the CCD one for predicting all the soil fertility parameters. The best prediction models were obtained from the nonlinear multivariate techniques where the excellent predictions were provided by the ANN model for SOM (R2p = 0.941; RPD = 3.27), P-avl (R2p = 0.902; RPD = 3.34), and K-avl (R2p = 0.863; RPD = 2.69) and by SVM for TN (R2p = 0.863; RPD = 2.91). This study revealed that despite the great potential of InGaAs spectrometers for predicting the soil fertility parameters, the low-cost CCD-based spectrometer could result in satisfactory performance when the appropriate nonlinear technique is used for data analysis.

中文翻译：

---

Vis/SWNIR和NIR光谱仪结合不同多元技术估算干旱气候下钙质表土土壤肥力参数的比较

使用 Vis/SWNIR 和 NIR 光谱仪的实验室光谱仪用于估计伊朗中部干旱地区钙质表土的主要肥力参数。肥力参数包括土壤有机质 (SOM)、全氮 (TN)、有效磷 (P-avl) 和有效钾 (K-avl)。从0-20 cm的深度共采集了151个样品，并使用电荷耦合器件（CCD）和铟镓砷（InGaAs）光谱仪采集了它们的漫反射光谱。为了提取预测模型，偏最小二乘法 (PLS) 作为线性，人工神经网络 (ANN) 和支持向量机 (SVM) 作为非线性多元技术被使用。基于 CCD 的光谱与 ANN 模型相结合，使 SOM 具有出色的可预测性（残余预测偏差 (RPD) = 2.60），TN (RPD = 2.54) 和 P-avl (RPD = 3.01) 以及对 K-avl (RPD = 2.02) 的非常好的预测。然而，基于 InGaAs 的光谱仪在预测所有土壤肥力参数方面优于 CCD。最佳预测模型是从非线性多变量技术中获得的，其中出色的预测由 SOM 的 ANN 模型（R2p = 0.941；RPD = 3.27）、P-avl（R2p = 0.902；RPD = 3.34）和 K-avl 提供（R2p = 0.863；RPD = 2.69）和 TN 的 SVM（R2p = 0.863；RPD = 2.91）。这项研究表明，尽管 InGaAs 光谱仪在预测土壤肥力参数方面具有巨大潜力，但当使用适当的非线性技术进行数据分析时，基于低成本 CCD 的光谱仪可以产生令人满意的性能。基于 InGaAs 的光谱仪在预测所有土壤肥力参数方面优于 CCD。最佳预测模型是从非线性多变量技术中获得的，其中出色的预测由 SOM 的 ANN 模型（R2p = 0.941；RPD = 3.27）、P-avl（R2p = 0.902；RPD = 3.34）和 K-avl 提供（R2p = 0.863；RPD = 2.69）和 TN 的 SVM（R2p = 0.863；RPD = 2.91）。这项研究表明，尽管 InGaAs 光谱仪在预测土壤肥力参数方面具有巨大潜力，但当使用适当的非线性技术进行数据分析时，基于低成本 CCD 的光谱仪可以产生令人满意的性能。基于 InGaAs 的光谱仪在预测所有土壤肥力参数方面优于 CCD 光谱仪。最佳预测模型是从非线性多变量技术中获得的，其中出色的预测由 SOM 的 ANN 模型（R2p = 0.941；RPD = 3.27）、P-avl（R2p = 0.902；RPD = 3.34）和 K-avl 提供（R2p = 0.863；RPD = 2.69）和 TN 的 SVM（R2p = 0.863；RPD = 2.91）。这项研究表明，尽管 InGaAs 光谱仪在预测土壤肥力参数方面具有巨大潜力，但当使用适当的非线性技术进行数据分析时，基于低成本 CCD 的光谱仪可以产生令人满意的性能。最佳预测模型是从非线性多变量技术中获得的，其中出色的预测由 SOM 的 ANN 模型（R2p = 0.941；RPD = 3.27）、P-avl（R2p = 0.902；RPD = 3.34）和 K-avl 提供（R2p = 0.863；RPD = 2.69）和 TN 的 SVM（R2p = 0.863；RPD = 2.91）。这项研究表明，尽管 InGaAs 光谱仪在预测土壤肥力参数方面具有巨大潜力，但当使用适当的非线性技术进行数据分析时，基于低成本 CCD 的光谱仪可以产生令人满意的性能。最佳预测模型是从非线性多变量技术中获得的，其中出色的预测由 SOM 的 ANN 模型（R2p = 0.941；RPD = 3.27）、P-avl（R2p = 0.902；RPD = 3.34）和 K-avl 提供（R2p = 0.863；RPD = 2.69）和 TN 的 SVM（R2p = 0.863；RPD = 2.91）。这项研究表明，尽管 InGaAs 光谱仪在预测土壤肥力参数方面具有巨大潜力，但当使用适当的非线性技术进行数据分析时，基于低成本 CCD 的光谱仪可以产生令人满意的性能。