土壤养分的近红外漫反射光谱预测模型分析

针对土壤养分近红外漫反射光谱数据分析的预测问题,分别利用主成分回归和偏最小二乘回归的方法建立土壤样品的近红外漫反射光谱全氮含量的数学模型,比较模型的预测精度。研究结果表明,采用主成分回归法建模预测结果的均方根误差RMSEP为0.040;偏最小二乘回归法建模的RMSEP为0.034,通过模型验证得到的全氮含量预测值与实际值相关性分析得到主成分回归法决定系数R~2=0.873 1,偏最小二乘回归法R~2=0.903 5,表明偏最小二乘回归法所建模型预测精度优于主成分回归法。该研究为提高近红外光谱法土壤养分检测精度提供了依据。     

小麦籽粒蛋白质光谱特征变量筛选方法研究

【目的】筛选整粒小麦籽粒蛋白质的近红外特征光谱波段并建立优化模型,可实现快速、无损测定整粒小麦籽粒蛋白质含量,为田间便携式小麦籽粒蛋白质含量速测仪设计提供依据。【方法】2012-2013年以蛋白质含量有明显差异的8个冬小麦品种为试验品种,设置3个施氮量和2个灌溉量共6个处理,建立丰富的样本类型,共采集176个小麦籽粒光谱数据;将ASD FieldSpec Pro光谱仪采集到的基于全反射下垫面的整粒小麦籽粒反射光谱通过公式A=log(1/R)转换为吸收光谱,对吸收光谱采用S-G平滑、多元散射校正和基线校正等方法进行预处理,以消除背景噪声,然后采用交叉验证偏最小二乘回归方法进行特征波段压缩;分析比较无信息变量剔除法（UVE）结合交叉验证偏最小二乘回归、连续投影算法（SPA）结合交叉验证偏最小二乘回归、UVE与SPA组合后结合交叉验证偏最小二乘回归、UVE与SPA组合后结合多元线性回归（MLR）及UVE与SPA组合后结合逐步多元线性回归（SMLR）等多种特征光谱筛选方法选出的蛋白质特征波段的优劣,并与凯氏定氮法测定的小麦籽粒蛋白质含量进行回归分析,构建并优选小麦籽粒蛋白质最佳预测模型。【结果】利用无信息变量剔除（UVE）方法可将与小麦籽粒蛋白质含量无关的信息变量剔除,把籽粒的原始光谱由1 621个波段压缩至717个,在保留了蛋白质信息的同时,实现了特征谱段的初次优选;对逐步多元线性回归（SMLR）、连续投影算法（SPA）、连续投影算法（SPA）+逐步多元线性回归（SMLR）及连续投影算法（SPA）+偏最小二乘回归（PLS）+交叉验证（CV）等特征波段优选算法比较发现,不同的方法获得的特征谱段有差异,构建的模型及精度也明显不同。对经过无信息变量剔除（UVE）法筛选光谱特征谱段,利用SPA消除光谱矩阵中波段共线性影响,再利用SMLR筛选出小麦籽粒蛋白质信息贡献最大的15个特征谱段,所得模型的预测均方根误差（RMSEP）和R²分别为0.5898和0.9410,模型预测精度最高。【结论】本研究利用UVE、SPA与SMLR方法有效压缩了整粒小麦籽粒光谱矩阵,基于所筛选的蛋白质含量特征谱段数构建的预测模型可以实现无损、快速测定整粒小麦籽粒蛋白质含量,预测模型精度可靠,方法经济有效,为设计田间便携式整粒小麦籽粒蛋白质测定仪的波段选择和开发奠定了基础。     

近红外透射光谱技术测定黍稷蛋白含量的研究(英文)

[目的]探索快速测定完整黍稷籽粒蛋白含量的方法。[方法]采用近红外光谱分析技术建立数学模型并进行预测,比较原始透射光谱经导数处理结合不同回归算法对模型的影响。[结果]分别经一阶和二阶导数处理后利用偏小二乘法和改进的偏小二乘法,4 种方法的分析效果相近,最优的是一阶导数结合改进的偏最小二乘回归法,黍稷蛋白定标模型的定标相关系数(RSQ)为0.880 6,定标标准误差(SEC)为0.342 4,交互定标标准误差(SECV)为 0.375 1,外部预测标准误差(SEP)为 0.454。[结论]以完整黍稷籽粒为样品所建立的蛋白 NITS 模型,可以用于黍稷蛋白含量的快速检测。     

基于NIR及PLS-PCR-SVR预测森林土壤有机碳含量

森林土壤有机碳含量是表征林地土壤营养状况的重要指标,该文建立了土壤有机碳含量的近红外光谱定标模型,并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及Savitzky-Golay平滑＋多元散射校正、Savitzky-Golay平滑＋一阶导数、Savitzky-Golay平滑＋二阶导数、Savitzky-Golay平滑＋多元散射校正＋一阶导数、Savitzky-Golay平滑＋多元散射校正＋二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响,同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm,1 800～1 950 nm,2 050～2 300 nm,光谱数据采用Savitzky-Golay平滑＋多元散射校正＋一阶导数预处理,采用PLS的建模方法,主成分数为8时,建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5;预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此,利用近红外光谱技术可以实现土壤有机碳含量的快速估测,为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。     

主成分──逐步回归法在近红外光谱定量分析中应用的研究

本文使用一种新的多元统计建模方法：主成分——逐步回归法,用于近红外光谱定量分析中,其预测精度接近偏最小二乘法．     

土壤游离氧化铁高光谱特征与定量反演

【目的】建立基于可见-近红外光谱的土壤游离铁精确预测模型,简单、快速、经济地预测土壤游离铁,有助于研究土壤发生和分类。【方法】采集广西壮族自治区的铁铝土、富铁土、淋溶土和雏形土等82个旱地土壤剖面的B层土壤,进行室内土壤化学分析、光谱测定,分析不同光谱变换后的光谱反射率与土壤游离铁含量的相关性。基于特征波段利用偏最小二乘回归(PLSR)和逐步多元线性回归(SMLR)法建立土壤游离铁含量光谱预测模型,通过决定系数(R2)、均方根误差(RMSE)和相对预测偏差(PRD)确定最优模型。【结果】土壤光谱曲线分别在457、800和900 nm波段附近有明显的游离铁吸收和反射峰特征;土壤游离铁含量与原始光谱反射率呈负相关;原始光谱经过微分变换后,游离铁含量与光谱反射率相关性显著提高;基于400～580和760～1 300 nm特征波段和一阶微分光谱变换的SMLR模型预测精度最高,其验证集的R2和RPD分别为0.85和2.62,RMSE为8.41 g·kg~(-1)。【结论】将可见近红外光谱技术应用于土壤游离铁含量高效快速地预测具有良好的可行性。广西旱地土壤光谱反射率与土壤游离铁含量具有高度的相关性,应用逐步多元线性回归方法可以很好地建立土壤游离铁含量反演模型。     

基于小波滤噪和iPLS的草莓近红外光谱糖度检测模型

[目的]获得精度高、鲁棒性强的草莓近红外光谱糖度检测模型。[方法]利用K-S（Kennard-Stone）方法划分样本集,并用小波滤噪法对草莓1000～2500nm近红外光谱进行预处理,最后用偏最小二乘法（PLS）和区间偏最小二乘法（iPLS）分别建立预测模型。[结果]采用区间偏最小二乘法将光谱划分为20个子区间,利用其中的第16个子区间建立的糖度模型效果最佳,其校正时的相关系数Rc和校正均方根误差RMSEC分别为0．9355和0．259,预测时的相关系数邱和预测均方根误差RMSEP分别为0．9202和0．305。[结论]用小波滤噪和联合区间偏最小二乘法所建立的草莓糖度模型不仅能有效地减少建模所用的变量数,缩短运算时间,而且预测能力和精度均得到提高。     

山东典型污灌区冬小麦叶片重金属高光谱反演及空间分布特征

为了大面积、实时监测污水灌溉区冬小麦重金属胁迫状况,以冬小麦叶片重金属Cr、Ni、Pb、Zn、Hg、Cd为研究对象,利用冬小麦冠层光谱数据及金属含量数据,采用逐步多元线性回归(SMLR)和偏最小二乘回归(PLSR)的方法,建立基于原始光谱反射率(R)、反射率一阶微分(FDR)、反射率二阶微分(SDR)、光谱参数(SP)的8种冠层光谱反演模型,通过分析所建模型精度,选取最优反演模型,实现研究区内冬小麦叶片重金属的定量反演。结果表明,对于Pb、Zn、Cd,基于反射率一阶微分的偏最小二乘回归模型(FDR-PLSR)为最优模型[Pb:决定系数(R~2)=0.848,相对分析误差(RPD)=1.598;Zn:R~2=0.790,RPD=2.295;Cd:R~2=0.868,RPD=2.406];对于Cr,基于反射率二阶微分的偏最小二乘回归模型(SDR-PLSR)为最优模型(R~2=0.846,RPD=2.013);对于Ni、Hg,基于光谱参数的偏最小二乘回归模型(SP-PLSR)为最优模型(Ni:R~2=0.887,RPD=1.872;Hg:R~2=0.819,RPD=1.684)。从空间插值结果可以看出,冬小麦叶片中Cr、Ni含量在研究区东南部较高,北部及西北部较低;Pb、Zn含量在中部以及南部较高;Hg含量在西北部较低;Cd含量在中部、北部、西北部较低。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

基于多元线性回归的西昌市云南松蓄积量模型研究

利用2015年西昌市二类调查数据和2014年遥感影像数据,选择最小二乘法、基于AIC准则的逐步回归法、主成分法和偏最小二乘法分别建立云南松蓄积量线性回归模型并进行对比分析。结果表明:1)4种模型均为显著回归关系,除最小二乘法外,3种模型中的自变量T检验与因变量均显著相关。2)最小二乘法易导致模型自变量产生共线性,其他3种方法可有效消除共线性影响。3)模型综合评价由高到低为:偏最小二乘法逐步回归法主成分法线性最小二乘法,通过预留样本进行检验,精度由高到低为:偏最小二乘法逐步回归法为线性最小二乘法主成分法。综合分析认为,偏最小二乘法和逐步回归法综合效果最优,结果可为今后准确、高效地估测森林蓄积量提供参考。     

Sensor data fusion to predict multiple soil properties

The accuracy of a single sensor is often low because all proximal soil sensors respond to more than one soil property of interest. Sensor data fusion can potentially overcome this inability of a single sensor and can best extract useful and complementary information from multiple sensors or sources. In this study, a data fusion was performed of a Vis?CNIR spectrometer and an EM38 sensor for multiple soil properties. Stepwise multiple linear regression (SMLR), partial least squares regression (PLSR) and principal components analysis combined with stepwise multiple linear regression (PCA?+?SMLR) methods were used in three different fields. Soil properties investigated for data fusion included soil texture (clay, silt and sand), EC, pH, total organic carbon (TOC), total nitrogen (TN) and carbon to nitrogen ratio (CN). It was found that soil property models based on fusion methods significantly improved the accuracy of predictions of soil properties measureable by both sensors, such as clay, silt, sand, EC and pH from those based on either of the individual sensors. The accuracy of predictions of TOC, TN and CN was also improved in some cases, but was not consistent in all fields. Among data fusion methods, PLSR outperformed both SMLR and PCA?+?SMLR methods because it proved to have a better ability to deal with the multi-collinearity among the predictor variables of both sensors. The best data fusion results were found in a clayey field and the worst in a sandy field. It is concluded that sensor data fusion can enhance the quality of soil sensing in precision agriculture once a proper set of sensors has been selected for fusion to estimate desired soil properties. More efficient statistical data analysis methods are needed to handle a large volume of data effectively from multiple sensors for sensor data fusion.     

可见-近红外光谱预测土壤有机质含量的研究

[目的]基于土壤可见-近红外直接测定系统,重点研究和开发土壤有机质含量的校正分析模型。[方法]主要利用测试系统对来自关帝山森林土壤的20个样本在400～1 000 nm范围内进行光谱测试和分析。[结果]采用光谱法测定的有机质含量与采用权威化学方法测定的值基本一致。[结论]使用偏最小二乘回归分析,建立了土壤有机质与土壤光谱特性的预测模型。     

基于组合模型的黑土区土壤有机质含量预测分析

为提高典型黑土区土壤有机质含量的预测精度,结合田间实测数据与遥感影像反射率数学变换数据筛选出最佳特征波段,并建立多种回归模型,对研究区土壤有机质含量预测模型进行优选。结果表明:对影像反射率进行不同的数学变换处理能够扩大数据中对有机质含量变化敏感的细微吸收特征,突出敏感光谱信息。利用标准化模型对处理后的光谱数据贡献率进行量化,结合相关系数筛选最佳特征波段。建模结果显示,支持向量机模型在检验集上的决定系数为0.89,均方根误差为2.81 g·kg^-1,模型整体的相对分析误差为2.14,对土壤有机质含量的预测能力极好。研究结果可为黑土区土壤有机质含量的预测模型优选提供参考,也可为中国北部地区耕地的有机质含量监测和有效开发提供基础理论依据。     

有机物料对土壤有机碳含量的影响

[目的]为了探讨在实际的生产中,有机物料归还量、归还时间对土壤有机碳含量的影响。[方法]采用盆栽试验,研究有机物料施用量对低、中、高有机碳含量土壤的影响。[结果]有机碳含量随着有机物料施用量和培养年限的增加而增加,有机物料转化率随着培育年限的增加而增加,并且低、中有机碳含量土壤的有机物料转化率高于高有机碳含量土壤。[结论]该研究可以为秸秆等有机物料施入土壤培肥提供依据。     

基于可见/近红外光谱的土壤有机质快速测定方法的研究

[目的]研究在野外直接测定土壤有机质含量的方法。[方法]以重铬酸钾容量法(外加热法)测定土壤样本有机质含量作为真实值,在不进行土壤样本预处理的前提下,利用近红外光谱直接扫描未作处理的土壤样本,测定土壤有机质含量,以其作为土壤有机质含量的预测值。[结果]利用620和1 900 nm的波长组合,可以较好地预测土壤有机质含量,预测模型(定标模型)的相关系数为0.9,极为显著。[结论]该模型对同类土壤有机质含量的预测效果很好,预测值与实测值的相关系数达到0.95。     

青海湖小泊湖湿地不同群落土壤有机碳、氮研究

[目的]研究小泊湖湿地不同群落下土壤SOC、N的剖面分布规律。[方法]选取高寒湿地生态系统下的青海湖小泊湖湿地作为研究对象,对不同群落类型土壤SOC、N的含量及在土壤剖面中的垂直分布特征及差异性进行分析。[结果]研究区不同群落类型下土壤SOC及N含量差异显著;SOC和N含量在剖面分布上表现为表层大于底层;SOC在剖面的变异系数大于土壤N的变异系数。[结论]研究区土壤有机质的腐殖化程度越高,有机碳含量越大,有机氮越容易矿化,土壤碳氮比相对较低。     

基于正交信号校正的Vis-NIR光谱土壤质地预测

为提高基于VIS-NIR光谱的土壤质地预测精度,引入了正交信号校正(OSC)光谱预处理算法。分别用原始光谱、微分处理、OSC处理光谱,建立偏最小二乘回归(PLSR)模型。结果表明,OSC-PLSR模型验证精度高于其他两种方法所建模型,砂粒含量OSC-PLSR模型的RMSEp为5.94,粘粒含量OSC-PLSR模型RMSEp为1.25,相比PLSR模型,分别降低22.22%和9.42%。OSC算法在土壤质地的VIS-NIR反演中能有效消除不相关因素的影响,提高模型预测精度。     

石油开采土壤石油烃与有机碳关系模型的研究

[目的]研究某石油开采场地土壤石油烃(TPH)浓度和总有机碳(TOC)含量的相互关系。[方法]比较不同的回归模型,建立可以用于模拟土壤TPH浓度和TOC含量的线性拟合模型和对数拟合模型。[结果]线性拟合模型和对数拟合模型的决定系数(R2)分别为0.715和0.874;14组验证数据的预测值相对平均偏差分别为9.2%和3.3%,预测模拟Nash-Suttcliffe效率系数(NSC)分别为0.957和0.959。[结论]该模拟研究可以为光谱技术、遥感技术在土壤石油烃含量监测方面的应用提供参考依据。     

名山县不同土壤类型下有机碳组成和季节性变化研究

[目的]为西南地区茶园的合理施肥和管理方式提供科学依据.[方法]采用重铬酸钾容量法-外加热法,测定四川省名山县茶园3种土壤的有机碳组成.[结果]名山县茶园土壤有机质含量较低,为12.01 ～15.50g/kg.其中,腐殖酸总碳占有机质总碳的28.58％～34.30％,活性有机碳占总碳的41.67％ ～51.86％.[结论]对比春、夏、秋三季有机碳和其他形态碳,特点为总量随着季节波动,但波动幅度小,季节间差异不显著.