可见-近红外与中红外光谱预测土壤养分的比较研究

对土壤养分的快速和准确测定有助于适时指导施肥。为进一步研究可见-近红外（350～2500 nm）与中红外光谱（4000～650 cm-1）对土壤养分的预测能力,以贵州省500个土样为例,对光谱进行Savitzky-Golay（SG）平滑去噪处理,再用标准正态化（SNV）方法进行基线校正,然后分别应用偏最小二乘回归（PLSR）和支持向量机（SVM）两种方法进行建模,探讨了可见-近红外和中红外光谱对土壤全氮（TN）、全磷（TP）、全钾（TK）和碱解氮（AN）、有效磷（AP）、速效钾（AK）共六种土壤养分的预测效果。结果表明：（1）无论基于可见-近红外光谱还是中红外光谱,PLSR模型的预测精度整体均优于SVM模型。（2）中红外光谱对TN、TK和AN的预测精度均显著高于可见-近红外光谱,可见-近红外和中红外光谱均可以可靠地预测TN和TK（性能与四分位间隔距离的比率（RPIQ）大于2.10）,中红外光谱可相对较可靠地预测AN（RPIQ=1.87）;但两类光谱对TP、AP和AK的预测效果均较差（RPIQ<1.34）。（3）当变量投影重要性得分（VIP）大于1.5时,PLSR模型在中红外光谱区域预测TN和TK的重要波段多于可见-近红外光谱区域,TN的重要波段主要集中于可见-近红外光谱区域的1910和2207 nm附近,中红外光谱区域的1 120、1 000、960、910、770和668 cm-1附近;TK的重要波段主要集中于可见-近红外光谱区域的540、2176、2225和2268 nm附近,中红外光谱区域的1 040、960、910、776、720和668 cm-1附近。因此,中红外光谱技术结合PLSR模型对土壤养分预测效果较好,可快速准确预测土壤TN和TK,可为指导适时施肥提供技术支撑。     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

应用近红外光谱法测定土壤的有机质和pH值

为了满足精细农业对土壤快速实时测试的需要,对未经过粉碎、过筛等处理的土壤,采集了4000～12500 cm-1范围的近红外光谱。研究了土壤的光谱特性,并采用偏最小二乘回归分析方法建立了一阶微分光谱的光谱吸光度与有机质含量和pH值之间的定量分析模型。试验分析表明：有机质的预测相关系数为0.818,预测标准偏差SEP为0.069,预测均方根误差为RMSEP为0.085;pH值的预测相关系数为0.834,SEP为0.095,RMSEP为0.114。表明采用近红外光谱仪经一阶微分处理可以很好地预测经过简单处理的土样中的有机质含量和pH值, 该结论为今后田间快速土壤特性光谱测量奠定了基础。     

赣南脐橙园土壤全磷和全钾近红外光谱检测

为建立一种能够同时快速检测土壤全磷和全钾的定量估计模型,该文采用近红外漫反射技术对赣南脐橙果园的土壤进行研究,对56个土样风干、过筛,然后进行光谱采集和化学分析。光谱经过Savitzky-Golay平滑后再用一阶微分变换的方法进行预处理,分别应用偏最小二乘回归（partial least square regress PLS）、主成分回归（principal component regression PCR）和最小二乘支持向量机（least squares support vector machine LS-SVM）3种方法,在4 000～7 500 cm-1波数范围内,建立赣南脐橙果园土壤全磷和全钾快速定量检测模型。结果发现在建立土壤全磷模型时,PLS和PCR的预测模型效果均不理想,但LS-SVM建立的模型较为理想, 其预测相关系数（correlation coefficient of prediction RP）为0.884,预测集均方根误差（the root mean square error of prediction RMSEP）为0.341,预测相对分析误差（residual predictive deviation RPD）为2.59。在建立土壤全钾模型时,PLS、PCR和LS-SVM 建立3种模型效果均理想,其中以LS-SVM模型最理想,其预测相关系数（RP）为0.971,预测集均方根误差（RMSEP）为0.714,预测相对分析误差（RPD）为5.12。研究表明,采用LS-SVM建立的土壤全磷和全钾模型对实现土壤全磷和全钾含量快速检测具有可行性。     

用偏最小二乘法及傅立叶变换近红外光谱快速检测白酒酒精度

为了得到白酒工业中酒精度的快速检测技术,将偏最小二乘法与傅立叶变换近红外光谱相结合,通过解析白酒样品的近红外光谱图和对光谱进行不同的预处理,结果表明：用最大最小归一化法预处理光谱,光谱范围选择9747.1～7498.3 cm^-1和6102～5446.3 cm^-1,采用内部交叉验证建立模型,决定系数(R²)为99.99%,交互验证均方根差(RMSECV)为0.165%,主成分数为4,此条件下建模效果较好;模型进行验证结果表明预测集相关系数(R²)为99.80%,预测标准偏差(RMSEP)为0.264%,模型的预测效果很好,具有较高的精密度和良好的稳定性,能满足生产中白酒酒精度的快速检测要求。     

近红外光谱结合偏最小二乘法快速评估土壤质量

以长江中下游粮食主产区水稻土为研究对象,采集17种不同施肥处理下共136个土壤样品在350 ～2 500 nm范围的近红外光谱,利用偏最小二乘回归分析结合交叉验证法建立了近红外漫反射光谱与传统化学分析方法测得的全碳、全氮、碳氮比、速效钾、速效磷、电导率、土壤pH等土壤指标之间的定量分析模型。模型的决定系数（R2）以及化学分析值标准差（SD）与模型的内部交叉验证均方差（RMSECV）的比值RSC用于判定建立的模型的好坏。结果表明：全碳、全氮、碳氮比和pH模型的R2和RSC分别为：R2=0.94,RSC=4.31;R2=0.95,RSC=4.35;R2=0.97,RSC=5.60;R2=0.92,RSC=3.37,说明上述土壤指标的预测结果很好。速效钾模型的R2和RSC分别为：R2=0.87,RSC=2.23,表明预测结果尚好。而速效磷和电导率模型的R2和RSC分别为：R2=0.18,RSC=1.16;R2=0.37,RSC=1.31,说明两者的预测结果均很不理想。综上所述,水稻土的土壤质量相关指标（全碳、全氮、碳氮比、速效钾和土壤pH）可以通过近红外光谱结合偏最小二乘法（NIR-PLS）快速评估。     

基于不同光谱变换的土壤盐含量光谱特征分析

跟踪初生盐渍土壤的微生物修复实验,采用同步实测得土壤盐含量和光谱数据,详细分析了基于34种光谱变换,修复过程中盐渍土的光谱特征。对于选取的6种光谱变换,采用全波段(400~1650 nm)和分析获得的最佳敏感波段分别建立了土壤盐含量的光谱反演PLSR(partial least squares regression)模型。研究表明,光谱变换处理使土壤盐含量与平滑后的光谱反射数据的相关性明显增强,且最佳敏感波段范围进一步聚焦。本研究得到最佳光谱变换为导数变换,基于全波段的土壤盐含量预测模型以SGSD变换效果最好,与原始光谱相比,模型的r、RMSEP分别从0.537和1.928改善到0.823和1.256。而SGSD(Log R)是基于最佳波段所建立的盐含量预测模型的有效光谱变换方法,该研究为进一步实现盐渍土中盐含量快速定量分析提供了方法和数据参考。     

近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量

运用偏最小二乘法(PLS)和人工神经网络(ANN)方法分别建立了0.9 mm筛分风干黑土土壤碱解氮、速效磷和速效钾含量预测的近红外光谱(NIRS)分析模型。使用偏最小二乘算法建立的碱解氮、速效磷和速效钾校正模型的决定系数R²分别为0.9520、0.8714和0.7300，平均相对误差分别为3.42%、13.40%和7.40%。人工神经网络方法建立的碱解氮、速效磷和速效钾校正模型的决定系数分别为0.9563、0.9493和0.9522，相对误差分别为2.67%、6.48%和2.27%，测试集仿真的相对误差分别为5.44%、16.65%和7.87%。结果表明，人工神经网络方法所建立的校正模型均优于偏最小二乘法所建模型；用近红外光谱分析法预测土壤碱解氮含量是可行的，而速效磷、速效钾模型的测试集样品仿真的相对误差较大，其预测可行性还需做进一步研究。     

精料补充料中肉骨粉含量的近红外光谱检测

为了保证饲料安全,精料补充料中肉骨粉的检测是十分必要的。该文探讨了精料补充料中肉骨粉含量的近红外光谱分析方法,123个样品作为校正集,采用偏最小二乘法(PLS),分别对光谱进行散射校正和卷积平滑、一阶微分、二阶微分预处理建立校正模型,以最大的决定系数(R²)和最小的标准差(RMSEC)为选择依据,通过比较,以多元散射校正和卷积平滑处理与二阶微分相结合的处理效果最好,其预测值与测量值的决定系数(R²)和标准差(RMSEC)分别为0.9751和0.437。34个样品作为检验集进行外部验证,决定系数(r²)和标准差(RMSEP)分别为0.9749和0.420,平均绝对误差和相对误差分别为0.326和13.89％。结果表明,利用近红外分析技术可以检测精料补充料中肉骨粉的含量。     

大米胶稠度近红外光谱分析数学模型的建立

胶稠度是评价大米蒸煮食用品质的重要指标之一。研究了运用近红外光谱分析技术检测大米胶稠度的测试原理，对60个样品的光谱数据用偏最小二乘法(PLS)建立了测定大米胶稠度的数学模型，其回判结果与化学分析值之间的相关系数为0.95，建模标准差为0.66；用41个样品对建立的数学模型进行了交叉验证，其检测结果与用标准化学分析方法测得结果的相关系数达0.92，预测标准差为0.78。试验证明，可以利用近红外光谱分析技术对大米胶稠度进行快速检测。     

基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析

以啤酒的酒精度的快速检测为研究对象,针对采用偏最小二乘(Partial Least Squares,PLS)法建立近红外光谱预测模型时波长筛选问题,提出将相关系数法与遗传算法(Genetic Algorithms,GA)相结合提取光谱有效信息,提高预测模型的精度的方法。结果表明：该方法应用于啤酒酒精度近红外光谱检测中,吸收光谱和一阶导数光谱的预测建模的波长个数分别减少了83%、82%,预测平均相对误差分别降低了0.42%、0.64%,不仅简化、优化了模型,而且增强了预测建模型的预测能力,是一种采用PLS法建立预测模型前行之有效的降低和优选波长的方法。     

基于近红外光谱和正交信号-偏最小二乘法对土壤的分类

不同质地的土壤,由于蓄水能力和土壤颗粒大小的不同使得其光谱特性不同,这为采用近红外光谱技术对土壤质地进行判别分析提供了依据。该研究利用正交信号校正(OSC)方法可以获得与浓度有关的谱图信息这一优势,将其与偏最小二乘方法(PLS)结合,采用近红外光谱技术对不同质地的土壤:砂土、壤土、黏土进行判别分析。结果表明:建模样本的相关系数可达0.965,采用该模型对其余45个样本分别进行了预测,三种土壤预测样本的判别正确率分别为:93.3%,86.6%和86.6%。说明OSC方法可以提取谱图中的微弱的质地信息,实现土壤质地的快速鉴别分析。     

基于近红外光谱的大豆叶片可溶性蛋白含量快速检测

可溶性蛋白是植物生化及抗性生理研究的重要指标之一。快速、准确、无损测定可溶性蛋白含量对作物生长状况的动态监测及抗性作物品种的筛选具有重要意义。近红外光谱具有快速、简单方便、非破坏性的特点,已在农业、食品、化工等领域广泛应用,尤其是近年来基于光谱技术快速无损的获取作物生理生化信息的研究已成为当前农业领域研究的热点。本文采用近红外光谱技术结合化学计量学方法以实现大豆叶片可溶性蛋白含量的快速无损检测。首先,采用Savitzky-Golay平滑(SG)、一阶导数(1-Der)、二阶导数(2-Der)等7种光谱预处理方法分别建立大豆叶片可溶性蛋白含量的偏最小二乘(PLS)预测模型,经对比发现SG预处理方法为大豆叶片可溶性蛋白含量预测的最优光谱预处理方法。其次,分别采用连续投影算法(SPA)、随机蛙跳(RF)和遗传算法(GA)对SG预处理后的光谱数据进行特征波长提取。最后,基于提取的特征波长分别建立了大豆叶片可溶性蛋白含量的SPA-PLS、RF-PLS和GA-PLS预测模型,发现基于SPA提取的11个特征波长建立的大豆叶片可溶性蛋白含量SPA-PLS模型具有最佳的预测效果,其预测集相关系数(R2p)为0.864,预测均方根误差(RMSEP)为1.894 mg/g,预测偏差为2.061(RPD)。上述结果表明,应用近红外光谱技术检测大豆叶片中可溶性蛋白含量是可行的,可为大豆生长状况动态监测及抗性大豆品种的筛选提供新的方法。     

可见-近红外光谱联合随机蛙跳算法检测生物柴油含水量

生物柴油是一种优质清洁柴油,可从各种生物质中提炼,其特有的优势受到越来越广泛的关注。该文应用可见-近红外光谱技术原理对生物柴油的含水率进行了检测。配置含水率分别为0、2.5%、5.0%、7.5%和10.0%的试验样品并获取可见-近红外光谱,进行主成分分析,观察不同含水率生物柴油的聚类性,并采用Random Frog算法进行特征波段的提取,最后采用随机蛙跳算法(Random Frog)挑选出的特征波段作为偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)模型的输入量,建立生物柴油含水量的预测模型。结果发现:采用Random Frog提取出的8条特征波段(563、560、642、565、562、493、559和779 nm)所建立非线性模型LS-SVM所得到的结果较好,其中Random Frog-LS-SVM的结果中R均大于0.95,校正集均方根误差RMSEC=0.722,预测集均方根误差RMSEP=0.520。结果表明采用Random Frog-LS-SVM模型可以准确的预测生物柴油的含水量,为实际应用提供参考。     

基于近红外光谱的沼液挥发性脂肪酸含量快速检测

挥发性脂肪酸(Volatile Fatty Acids,VFA)作为厌氧发酵过程的重要中间产物,其在厌氧反应器中的累积能够反映出产甲烷菌的不活跃状态或厌氧发酵条件的恶化。为了实现对农牧废弃物厌氧发酵进行过程分析和状态监控,将近红外光谱(Near Infrared Spectroscopy,NIRS)与偏最小二乘(Partial Least Squares,PLS)相结合构建玉米秸秆和畜禽粪便厌氧发酵液乙酸、丙酸和总酸含量快速检测模型。将竞争自适应重加权采样法(Competitive Adaptive Reweighted Sampling,CARS)与遗传模拟退火(Genetic Simulated Annealing,GSA)算法相结合构建CARS-GSA算法对沼液中的乙酸、丙酸和总酸进行特征波长优选,原始光谱数据1 557个波长点经预处理和波长优选后,得到乙酸、丙酸和总酸特征波长变量分别为135、101和245个,建立的回归模型验证决定系数分别为0.988、0.923和0.886,预测均方根误差(Root Mean Squared Error of Prediction,RMSEP...