基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算

为改善高光谱技术对荒漠土壤有机质的估测效果,该文采集了以色列Seder Boker地区的荒漠土壤,经预处理、理化分析后将土样分为砂质土和黏壤土2类,再通过光谱采集、处理得到6种光谱指标:反射率(reflectivity,REF)、倒数之对数变换(inverse-log reflectance,LR)、去包络线处理(continuum removal,CR)、标准正态变量变换(standard normal variable reflectance,SNV)、一阶微分变换(first order differential reflectance,FDR)和二阶微分变换(second order differential reflectance,SDR)。通过灰度关联(gray correlation,GC)法确定SNV、FDR、SDR为敏感光谱指标,采用偏最小二乘回归(partial least squares regression,PLSR)法和岭回归(ridge regression,RR)法,构建基于敏感光谱指标的土壤有机质高光谱反演模型,并对模型精度进行比较。结果表明:砂质土有机质含量的反演效果要优于黏壤土;基于SNV指标建立的模型决定系数R~2和相对分析误差RPD均为最高、均方根误差RMSE最低,所以SNV是土壤有机质的最佳光谱反演指标;对SNV-PLSR模型和SNV-RR模型综合比较得出,SNV-RR模型仅用全谱4%左右的波段建模,实现了更为理想的反演效果:其中,对砂质土有机质的预测能力极强(R_p~2为0.866,RMSE为0.610 g/kg、RPD为2.72),对黏壤土有机质的预测能力很好(Rp2为0.863,RMSE为0.898 g/kg、RPD为2.37)。荒漠土壤有机质GC-SNV-RR反演模型的建立为高光谱模型的优化、土壤有机质的快速测定提供了一种新的途径。     

茄子灰霉病叶片过氧化氢酶活性与高光谱图像特征关联方法

对灰霉病胁迫下茄子叶片过氧化氢酶(CAT)活性的高光谱图像特征进行了研究。采用380～1030nm范围的高光谱图像摄像仪获取健康、轻度、中度、严重染病茄子叶片的高光谱图像信息,基于ENVI软件处理平台提取高光谱图像中对象的漫反射光谱响应特性,并采用平滑、中值滤波、归一化法等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归(PLSR)、最小二乘支持向量机(LS-SVM)和BP神经网络算法来建立叶片高光谱响应特征与CAT活性之间的关系模型。在PLSR模型中,前2个隐含变量能够实现健康、轻度、中度、严重染病茄子叶片的直观定性区分,而基于PLSR模型推荐的9个隐含变量建立的BP神经网络模型的预测集决定系数R2为0.8930,均方根误差为2.17×103。表明基于高光谱图像特性可以实现灰霉病胁迫下茄子病害程度的有效区分,同时证明基于高光谱图像特性的茄子叶片CAT活性的定量检测是可行的。     

农产品产地加工与储藏工程技术分类

生鲜牛肉的含水率对其牛肉的加工、储藏、贸易与食用质量有重要影响,为了提高牛肉的经济价值和食用品质,需要研究牛肉含水率的无损检测技术。以取自不同超市的内蒙小黄牛和鲁西黄牛背最长肌为研究对象,有效样本86个,其中,75%的样本作为校正集,25%的样本作为验证集。采集牛肉新鲜切口处400～1170 nm波长范围内的漫反射光谱,用国标方法测定牛肉含水率。经过多元散射校正（multiplicative scatter correction, MSC）、变量标准化（standard normalized variate, SNV）和直接正交信号校正（direct orthogonal signal correction, DOSC）等方法预处理,在400～1170 nm范围内分别建立多元线性回归（multiple linear regression, MLR）模型、主成分回归（principal component Regression, PCR）模型和偏最小二乘回归（partial least squares regression, PLSR）模型。结果表明使用MSC预处理方法建立的模型预测效果最佳,其中用PLSR建模结果最好,校正集的相关系数和校正标准差分别是0.92和0.0069,验证集的相关系数和验证标准差分别是0.92和0.0047,外部验证的相关系数和验证标准差分别是0.85和0.0054。结果表明,可见/近红外光谱结合MSC预处理方法建立的PLSR模型,可以对牛肉含水率进行准确的快速无损评价,为生鲜牛肉含水率快速无损检测技术的应用提供理论参考。     

基于高光谱成像技术的青贮玉米饲料pH值无损检测

为实现青贮玉米饲料pH值的快速、无损检测,该研究采用高光谱成像技术建立不同品质青贮玉米饲料pH值的定量检测模型。采集青贮玉米饲料样本936～2 539nm的平均光谱,采用6种预处理方法对青贮玉米饲料平均光谱进行处理,通过建立偏最小二乘回归（partialleastsquaresregression,PLSR）模型得出多元散射校正（multiplicativescatter correction,MSC）和卷积平滑（savitzky-golay,SG）两种预处理方法效果较好,使用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、变量组合集群分析算法（variable combination population analysis,VCPA）以及迭代保留信息变量（iteratively retains informative variables,IRIV）算法对经MSC和SG卷积平滑预处理光谱进行特征波长提取,利用PLSR和极限学习机（extreme learning machines,ELM）分别建立饲料全波段、特征波长...     

基于荧光光谱的生菜农药残留检测

为了研究采用荧光光谱技术对生菜农药残留快速无损定性鉴别的可行性,该文通过采集180个生菜样品（3个浓度农药残留生菜,每个浓度农残生菜样本数为60,其中农药与水配比为1：500、1：1000、1：1200,即重度超标、轻微超标、标准农残）的荧光发射光谱,结合Savitzky-Golay（SG）、标准正态变量变换（standard normalized variable,SNV)、标准正态变量变换结合去趋势（standard normalized variable detrending,SNV detrending）、SG与SNV算法组合（SG-SNV）、SG与SNV detrending算法组合（SG-SNV detrending）对提取的荧光光谱进行预处理,基于全光谱、荧光特征峰值、小波特征建立支持向量机（Support Vector Machine, SVM）分类模型。其中,小波特征通过小波变换对原始光谱以及预处理后光谱进行特征选择获取,分别采用 db4、db6、sym5、sym7作为小波基函数。试验结果表明：基于小波特征、荧光特征峰值建立的 SVM 模型预测集识别率要高于基于全光谱建立的 SVM 模型。以 sym5作为小波基函数,基于 SG-SNV detrending预处理光谱选择的小波特征建立的SVM模型取得最优的预测集识别率93.33%,最佳小波分解层数为4。结果表明应用荧光光谱技术对生菜农药残留鉴别是可行的,为生菜农药残留快速、无损检测分析提供了参考。     

ASD Field Spec3野外便携式高光谱仪诊断冬小麦氮营养

氮素营养诊断关键在于氮营养指数(nitrogen nutrient index,NNI)预测。对于冬小麦氮营养指数预测模型而言,如何选取预处理方法和建模方法不一而足,不同预处理和模型选取对预测结果精度的影响程度目前还不清楚。该研究以ASD Field Spec3野外便携式高光谱仪采集乐陵市冬小麦冠层高光谱数据,采用10种光谱预处理方法并结合3种模型(偏最小二乘回归、BP神经网络和随机森林算法)建立多种冬小麦氮营养指数高光谱预测模型。对比模型预测精度表明最佳的高光谱建模方法为随机森林算法结合SG卷积平滑预处理所建模型(预测集R2=0.795,RMSE=0.125,RE=11.7%)精度高、可靠性强,是筛选出最佳的冬小麦氮营养指数高光谱预测模型。该研究结果对冬小麦氮营养指数高光谱预测建模具有科学价值,为筛选最优高光谱预处理方法和预测模型提供技术参考。     

基于BP神经网络的不同人为干扰强度下盐渍土SO42-定量分析

SO_4~(2-)是盐渍土阴离子中的主要离子,但目前针对不同人为干扰区域土壤中SO_4~(2-)反演研究却鲜有报道。土壤高光谱与土壤某元素间的关系表现为非线性,传统线性偏最小二乘模型(PLSR)对土壤元素的反演精度有限。本文以新疆昌吉回族自治州境内不同人为干扰区域的盐渍化土壤为研究对象,以土壤的野外高光谱和SO_4~(2-)含量为数据源,对原始(R)和对数(LogR)变换后的高光谱分别进行0阶、一阶和二阶微分预处理,选择通过0.05显著性水平的波段为敏感波段,将敏感波段对应的高光谱反射率作为非线性BP神经网络模型的输入变量,并设定BP的隐藏节点为300,学习速率为0.01,最大迭代次数为1 000,训练函数为trainscg。从SO_4~(2-)的真实值与预测值的散点图、拟合效果图和BP训练过程3个方面,定量分析无人为干扰(A区)和有人为干扰(B区)土壤SO_4~(2-)含量,并与PLSR对比预测精度。仿真显示, A区二阶微分后的BP预测精度优于一阶微分,而B区一阶微分后的BP预测精度优于二阶微分。且不论在A区还是B区, LogR光谱变换的反演精度均优于R。最佳BP模型的相对预测性能(RPD)、决定系数(R2)、均方根误差(RMSE)和迭代次数,在A区分别为3.309、0.906、0.253和8次,在B区分别为2.234、0.844、0.786和45次,表明BP对A区SO_4~(2-)的预测能力非常强(RPD2.5),对B区SO_4~(2-)的预测能力较强(RPD为2.0～2.5)。而在A区和B区两种光谱变换的一阶和二阶微分中, PLSR的RPD值均在1.4与1.8之间,其预测性能一般;在B区的0阶微分中, PLSR的RPD值均小于1.0,其不能对SO_4~(2-)进行预测。因此, BP模型能对不同人为干扰区域的SO_4~(2-)进行有效的定量分析。     

基于WorldView-2影像的土壤含盐量反演模型

针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力,以盐渍化现象较为明显的新疆克里雅河流域为研究对象,基于WorldView-2影像和实测高光谱数据,利用偏最小二乘回归(partial least squares regression,PLSR)和BP人工神经网络(back propagation artificial neural networks,BP ANN)方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明:1)利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型,其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数R2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337,模型的稳定性和预测能力都优于PLSR模型(R2、RMSE、RPD分别为0.814、1.139、2.007)。2)利用WorldView-2影像提高了土壤含盐量制图的空间分辨率,归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数,一定程度上满足了干旱、半干旱地区的盐渍化监测需求,可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。     

除草剂胁迫下大麦叶片丙二醛含量的光谱快速检测方法

丙二醛(MDA)是植物衰老和抗性生理研究中的一个重要指标,传统检测方法程序复杂,检测费时。该研究应用近红外光谱技术实现了除草剂胁迫下大麦叶片丙二醛(MDA)含量的简便、无损、快速检测。采集75个大麦叶片样本的近红外光谱数据,比较了Savitzky-Golay平滑(SG)、变量标准化(SNV)、多元散射校正(MSC)等7种预处理方法,建立了大麦叶片丙二醛含量预测的最优偏最小二乘法(PLS)模型,将PLS提取的特征向量(LV)作为最小二乘-支持向量机(LS-SVM)模型的输入变量,建立了LV-LS-SVM模型。选用回归系数(RC)方法提取原始光谱的特征波长,将其分别作为PLS、MLR和LS-SVM的输入变量建立相应模型。将相关系数(r)和预测集均方根误差(RMSEP)作为模型的主要评价指标。结果表明,LV-LS-SVM模型效果优于PLS模型,LV-LS-SVM模型在SNV及MSC预处理后预测效果相同,其预测的r和RMSEP分别为0.9383和10.4598,获得了满意的预测效果。说明应用光谱技术检测大麦叶片中MDA含量是可行的,且预测精度较高,为大麦生长状况的大田监测及除草剂胁迫对大麦抗性等生理信息的快速检测提供了新的途径。     

基于高光谱的油麦菜叶片水分CARS-ABC-SVR预测模型

为了实现油麦菜生长期间更合理的灌水管理,研究一种基于高光谱技术的精确、快速、有效检测油麦菜叶片水分的新方法。以5种不同水分胁迫水平的油麦菜为研究对象,通过高光谱成像系统获取高光谱图像并利用干燥法测量叶片含水率。采用多项式平滑(Savitzky-Golay,SG)结合标准变量变换(standard normalized variable,SNV)对高光谱数据去噪平滑。利用竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)进行特征波长选择,并与逐步回归分析(stepwise regression,SR)及连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立油麦菜叶片全光谱数据、3种特征光谱数据与干基含水率的关系模型。结果表明,基于竞争性自适应加权算法波长选择的支持向量回归模型(CARS-SVR)效果最佳,但预测精度尚不够理想,故引入人工蜂群算法(artificial bee colony,ABC)优化模型的参数惩罚因子和核参数。最终,经人工蜂群算法优化后的模型(CARS-ABC-SVR)的预测集决定系数R2和均方根误差RMSE分别为0.9214和2.95%。因此,利用高光谱技术结合CARS-ABC-SVR模型预测油麦菜叶片水分含量是可行的。     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction

Reducing large spectral datasets to parsimonious representations of wavelengths is of value for efficient storage and easing analysis, in addition to the potential to use a simpler and cheaper spectrophotometer. This study evaluated the potential of calibrating visible and near infrared (vis‐NIR) spectra to total nitrogen (N), total carbon (C), organic C and inorganic C in soil on a 15‐ha farm, with the aim of comparing several wavelength reduction algorithms and rates in terms of model prediction accuracy. We explored the uninformative variables elimination (UVE), UVE coupled with successive projections algorithm (SPA) and two uniform‐interval wavelength reduction approaches (UWR‐I and UWR‐II) with successive wavelength reduction rates (WRRs) of 2, 5, 10, 20, 50, 100, 200, 500 and 1000. The standard normal variate (SNV)‐transformed absorbance spectra of soil samples recorded from 400 to 2499 nm at 1‐nm intervals were used. The calibration sets were subjected to a partial least squares regression (PLSR) with leave‐one‐out cross‐validation. Prediction results showed that UVE can reduce wavelength variables significantly while retaining good model prediction accuracy. The UVE‐SPA produced only three or four wavelengths, with which PLSR models achieved competitive prediction performance, compared with those based on all 2100 wavelengths, with coefficient of determination (R²) of 0.91, 0.89, 0.91 and 0.53 and residual prediction deviation (RPD) of 3.53, 2.95, 3.27 and 1.53 for soil total N, total C, organic C and inorganic C, respectively. The UWR tests showed that PLSR models responded insensitively to various WRRs from 2 to 100. The models calibrated for the 100‐nm interval spectra (21 remaining wavelengths) performed almost as well as those for the 1‐nm interval spectra. Although these findings might be valid only at the farm scale, it is recommended that the proposed wavelength reduction algorithms for more soil types and soils originated from larger areas should be examined.     

小波变换耦合CARS算法提高土壤水分含量高光谱反演精度

为实现干旱地区土壤水分含量(soil moisture content,SMC)的快速监测,该文以渭干河-库车河绿洲为靶区,采用小波变换(wavelet transform,WT)对反射光谱进行1～8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)滤除冗余变量,筛选出与SMC相关性较好的波长变量,并叠加各层特征光谱的优选波长变量作为最优变量集,用偏最小二乘回归(partial least squares regression,PLSR)构建土壤水分含量预测模型并进行分析.结果显示:1)小波分解过程中,土壤反射率与SMC的相关性不断增强,到小波变换第6层分解(L6)处达到最高,因此小波变换最大分解层数为6层分解;2)通过对土样进行WT-CARS耦合算法筛选出变量,得出的最优变量集包括400～500、1 320～1 461、1 851～1 961、2 125～2 268 nm区域之间共131个波长变量;3)相对于全波段预测模型,各层特征光谱的CARS优选变量预测模型的精度均高,并且基于最优变量集的预测模型的精度最高,该模型的建模集均方根误差0.021、建模集决定系数0.721、预测集均方根误差0.028、预测集决定系数0.924、相对分析误差2.607.说明WT-CARS耦合算法使其在建立模型时尽可能少地损失光谱细节、较为彻底的去除噪声,同时还能对无信息变量进行有效去除,为该研究区SMC的预测提供新的思路.     

高光谱图像结合特征变量筛选定量检测羊肉中狐狸肉掺假

为了探讨快速无损检测羊肉糜中狐狸肉掺假含量的可行性,该研究利用高光谱技术结合特征变量筛选方法开展了其定量检测研究。利用遗传算法、竞争性自适应重加权算法和二维相关光谱分析（Two-Dimensional Correlation Spectroscopy,2D-COS）3种方法分别对代表性样品全部846个波长进行特征波长筛选,得到207、34和14个特征波长;基于全部波长和特征波长建立羊肉糜中狐狸肉掺假含量的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型并进行比较。研究结果表明,基于全部波长和特征波长建立的SVR模型性能均优于PLSR模型。其中,利用2D-COS方法提取的14个特征波长建立的SVR模型（即2D-COS-SVR模型）性能最优,其预测集决定系数和均方根误差分别为0.928和3.00%,相对分析误差为4.85,表明高光谱结合2D-COS-SVR模型可以有效实现羊肉糜中狐狸肉掺假的定量检测。该研究结果为开发低成本肉类掺假检测系统提供技术支持和参考依据。     

柑桔叶片黄龙病光谱特征选择及检测模型

为探索高光谱技术诊断黄龙病及分类的可行性,通过变量筛选方法组合为高维数据实用化提供参考。采集柑桔叶片高光谱图像并进行普通(polymerase chain reaction,PCR)鉴别分为轻度、中度、重度、缺锌和正常5类样品。用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,组合遗传算法(genetic algorithm,GA)和连续投影算法(successive projections algorithm,SPA)筛选变量,对数据进行降维。结合极限学习机(extreme learning machine,ELM)和最小二乘支持向量机(least squares support vector machine,LS-SVM)构建柑桔黄龙病判别模型。对预测样品进行诊断分类,来评价模型判别能力。经对比发现,UVE组合SPA筛选变量后的LS-SVM模型效果最好,该模型以Link_kernel函数为核函数,惩罚因子(γ)最小为1.07,误判率最低为0。用全谱作输入变量时LS-SVM模型复杂程度最高且预测能力最差,误判率最高为11.9%,可能是包含无用信息和冗余信息变量造成的。研究显示,UVE组合SPA筛选变量,结合LS-SVM对柑桔黄龙病诊断并分类具有一定可行性,为高维度数据实用化提供一定参考价值。     

马铃薯黑心病和单薯质量的透射高光谱检测方法

针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像（400～1000 nm）,并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）模型与质量偏最小二乘回归（partial least squares, PLS）模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88 cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP）为10.88。结果表明：采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。     

基于耦合算法的花生叶片光合色素含量反演模型

准确获取及预测光合色素含量可为精细化种植管理提供数据依据,为探究花生冠层叶片色素吸收特征,该研究以开花下针期的花生冠层叶片为研究对象,以ASD Field Spec4野外便携式高光谱仪采集的光谱数据为数据源,进行花生叶片叶绿素含量和类胡萝卜素含量反演。通过对比7种单一筛选特征波长变量算法及结合4种模型(PLSR、SVR、GBDT和XGBoost)的结果,优选出3种算法进行两两耦合。结果表明:1)在单一算法试验中IRIV、UVE和GA算法结果较优;2)在耦合算法试验中UVE-IRIV、GA-IRIV和GA-UVE方法都能有效降维,且模型稳定性提升。在叶绿素含量反演模型中,GA-IRIV-XGBoost模型精度最高,R²=0.622,RMSE=0.235 mg/g;在类胡萝卜素含量反演模型中,UVE-IRIV-XGBoost模型精度最高,R²=0.575,RMSE=0.056 mg/g;3)比较两种色素反演模型的预测精度,表明叶绿素的预测精度优于类胡萝卜素。该结果可为快速、准确预测花生叶片光合色素含量提供一种方法。     

基于VNIR和机器学习算法的原状土剖面Cu含量预测

快速测量土壤剖面重金属含量是评估土壤重金属污染状况并选择相应修复技术的关键。为了探讨可见光-近红外光谱法（Visible and Near-Infrared Reflectance Spectroscopy,VNIR）预测原状土壤剖面重金属含量的潜力,以江西省两个典型工矿厂周边农田土壤为研究对象,共采集了19个深度约100 cm的完整土壤剖面样品,分别测定土壤剖面样品的VNIR数据及其Cu含量。采用偏最小二乘回归法（Partial Least Squares Regression,PLSR）、Cubist混合线性回归决策树（Cubist Regression Tree,Cubist）、高斯过程回归（Gaussian Process Regression,GPR）和支持向量机（Support Vector Machine Regression,SVM）方法研究不同光谱预处理方法对土壤Cu含量预测精度的影响。结果显示,Cubist、GPR和SVM这三种机器学习算法的预测精度普遍高于PLSR,其中一阶导数（First-Order Derivative,FD）预处理的SVM模型预测精度最高（R2=0.95,均方根误差为7.94 mg/kg,相对分析误差为4.34）。这表明利用VNIR和机器学习可以对原状土壤剖面Cu含量进行有效预测,为快速监测Cu及其他重金属含量的相关研究提供参考。