土壤重金属（如 Mn、Cu、Cr、Pb）检测长期面临三大物理与光谱难题：复杂基体效应（散射背景）、元素间吸收-增强效应（重叠峰干扰）以及高维光谱数据中的信息冗余。传统线性模型（PLSR、PCR）难以准确描述这些非线性响应。

发表于 JAAS 的最新研究提出了“SSA-CARS 特征选择 + ESBLS 集成宽度学习”的智能分析框架。本研究全套高质量土壤光谱数据均由泰克鑫科手持式 XRF 分析仪采集完成，为算法验证提供了坚实的光谱数据基础！

图 1：土壤样品准备、泰克鑫科手持式 XRF 光谱采集及端到端算法架构

一、 科学依据：麻雀算法优化的自适应特征选择 (SSA-CARS)

常规竞争性自适应重加权采样（CARS）依赖固定的指数衰减函数（EDF），容易在筛选前期“误杀”吸收边附近微弱但关键的交叉干扰信号。

● 动态权重映射： 利用麻雀搜索算法（SSA）将种群位置映射为动态保留权重，全局寻优衰减路径，避免局部最优。

● 保留特征物理可解释性： SSA-CARS 提取的能量通道高度契合理论发射线（如 Cu-Kα 8.04 keV、Pb-Lβ 12.61 keV），并保留了散射背景与共存元素（如 Fe、Zn）的补偿通道。

图 2：基于稀疏增强节点选择的宽度学习系统（BLS）原理图

二、 深度表征：集成堆叠宽度学习系统 (ESBLS)

针对 XRF 土壤高维、小样本且非线性强的特点，研究团队对宽度学习系统（BLS）进行了双重改进：

● Stacking 级联特征映射： 将上一层的映射输出作为下一层输入，在更高维的空间构建重叠峰与基体效应的非线性组合表达。

● Bagging 集成平滑： 利用 Bootstrap 重采样并行训练多个子模型并输出均值，大幅降低了随机映射对局部噪声和异质性样品的敏感度。

图 3：模型对 Mn、Cu、Cr、Pb 特征能量通道的权重贡献度可视化

三、 实验验证：高精度定量与盲测结果

实验表明，在去除极端值后的评估与 30 个自然野外样本的盲测中，该框架均展现出了显著超越传统 SVR 及 PLSR 的预测稳定度与泛化性能。

四、 产业落地：泰克鑫科智能光谱硬件载体

泰克鑫科（TecSonde）持续推动前沿机器学习算法在光谱分析仪器中的端侧工程化部署：

● TS-XH-510-SDD 手持分析仪： 搭载高灵敏 SDD 探测器，支持算法轻量化嵌入，实现“现场采集-在机推理-立即报告”的野外作业闭环。

● TS-XD6系列 台式分析仪： 提供 ppm 级超高精度检测，配合云端增量训练，满足科研与仲裁复核需求。

产品速递

百度爱采购-泰克鑫科光谱仪