考虑人为因素影响的重金属含量分析用土壤样品采集方法研究

合理布置土壤采样点是全面掌握重金属空间变异特征及变化趋势的重要环节。目前在土壤重金属相关研究中还是以网格化均匀采样为主的传统采样。然而,这些方法未能充分考虑采样的成本和代表性,无法满足高精度空间分析方法要求。本文基于人为影响因素进行重金属采样布局,通过筛选区域范围内影响土壤重金属的人为影响因素,利用核密度方法对影响因素进行指标量化,以半变异方差为目标函数,通过变程分析采样点的采样方案。本文以龙口北部平原区为典型研究区,选择了工矿企业密度（DI）和道路密度（DR）两种重要的人为因素指标,寻求土壤Hg元素的最佳采样点采集方案,最后通过基于不同间距的采样点分析来验证本文提出的采样方案的有效性。结果表明（1）DI与Hg在研究区南部和东北部区域具有相似的空间分布趋势,DR与Hg在研究区南部和东南部区域的空间分布趋势相似程度较大;（2）DI和DR的有效变程分别为5819 m、6079 m,与土壤数据Hg的变程（6000 m）也较为相近;（3）为了验证人为因素指标所求变程可以作为土壤Hg采样距离参考值,设置了不同采样间距的Hg实际采样方案（3000 m、4000 m、5000 m、6000 m和7000 m）,利用克里金插值精度（MSE、RMSDE）获取不同采样方案的重金属估测误差。对比不同采样间距发现,当采样间距 ≤ 6000 m时,不同采样间距之间的误差相差无几,而以7000 m作为采样间距时,误差却大幅增加。所以6000 m作为采样间距时,既能充分考虑采样的成本和代表性,也能满足高精度空间分析方法要求,而且这个数值与DI、DR所求变程（6000 m）相同,进一步证明了人为因素指标DI、DR所求变程具有Hg样本采集方案布局的参考价值。     

基于近红外光谱大豆蛋白质、脂肪快速无损检测模型的优化构建

为实现大豆蛋白质、脂肪含量的快速无损检测,采集350～2 500 nm光谱范围内的大豆近红外光谱。运用经典Kennard-Stone算法选取建模样本及验证样本,对近红外原始光谱进行卷积平滑(savitzky and golay, SG)+一阶微分、变量标准化(standard normal variate, SNV)+去趋势算法(de-trending,DT)、正交信号校正(orthogonal signal correction,OSC)处理;然后通过竞争性自适应重加权采样方法(competitive adaptive reweighted sampling,CARS)筛选出特征波长,比较偏最小二乘法(partial least squares,PLS)、BP神经网络法所建模型,最终获得对于大豆蛋白质、脂肪含量的快速、无损检测的最佳模型。结果表明:(1)经CARS特征波段挑选后,波长的变量个数由1 981个减少为100个以下,变量压缩率大于94.95%;(2)CARS波段选择能够提高建模精度,基于挑选的特征波段所建立模型的决定系数均0.9;(3)OSC+CARS+PLS与OSC+CARS+BP该类数据处理组合方式在一定程度上能够实现大豆蛋白质、脂肪的快速、无损检测。优化构建的该模型能够精准快速无损的检测大豆蛋白质、脂肪含量,对大豆品质评估以及作物改良具有重要意义。