土壤有机质研究中的核磁共振技术

土壤有机质是土壤的重要组成部分,土壤有机质的存在直接或间接地影响土壤的物理、化学和生物等许多性质. 所以对土壤有机质的研究受到了科研工作者的广泛关注. 本文在介绍了几种常用的检测土壤有机质的分析测试手段基础上,结合土壤学的研究新热点,详细介绍了核磁共振技术的应用,表明了它是目前研究土壤有机质的主要测试手段之一.     

可见光-近红外、中红外光谱的土壤有机质组分反演

土壤有机质是土壤肥力的物质基础,其含量的高低是评价土壤肥力的重要标志。土壤有机质组分根据其溶解性可分为胡敏素(HM)、胡敏酸(HA)、富里酸(FA),不同组分的肥力特性差异显著,因此,土壤有机质组分数据可更加全面、客观的反映土壤肥力状况。传统土壤土壤有机质及组分的测定工序繁杂,效率低下且时效性差,大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本,但关于可见光-近红外、中红外光谱检测土壤有机质组分的报道鲜见。为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性,并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度,以南疆地区农田土壤为例,在阿克苏及和田地区共采集93个土样,进行有机质、胡敏素、胡敏酸、富里酸含量及光谱数据的测定。其次,利用可见-近红外(VNIR)、中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集,采用偏最小二乘(PLSR)、支持向量机(SVM)、随机森林(RF)三种建模方式对土壤有机质、胡敏素、胡敏酸、富里酸含量进行组合模型分析预测。结果表明：(1)土壤有机质及各组分均与光谱反射率有较好的相关性,土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。(2)有机质最优预测模型的模式为VNIR-MIR-RF,该模型的决定系数R2为0.90;胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型,R2均为0.92;富里酸最优预测模型的模式为MIR-RF模型,R2为0.94。(3) 基于胡敏素、胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型,两种模型的R2分别为0.93和0.90。实现了土壤有机质组分的高效快速反演,且基于有机质组分的组合模型提高了土壤有机质预测精度,为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。     

土壤光谱重建的湿地土壤有机质含量多光谱反演

土壤有机质是湿地生态系统的重要元素,利用多光谱遥感技术可大尺度、快速获取其含量信息,对保护湿地生态系统具有重要意义。然而,由于不同地物光谱混合给多光谱数据带来光谱畸变,影响湿地土壤有机质含量的反演精度。为了消除不同地物光谱混合,实现湿地土壤有机质含量的准确、实时监测,以闽江鳝鱼滩湿地为研究区,利用线性波谱分解技术对原始影像的像元进行分解,重建土壤光谱,分析原始光谱、重建光谱与土壤有机质含量的相关性后,建立土壤有机质含量的反演模型。结果表明：利用线性波谱分解技术可有效消除原始影像中的植被端元,减少大部分道路及建筑物的反射干扰,重建后的土壤光谱特征曲线更趋近于自然状态下土壤的光谱曲线,重建效果显著;通过两种光谱与土壤有机质含量的相关系数对比,重建光谱更能准确的反映土壤光谱与土壤有机质含量的相关性;运用重建光谱构建土壤有机质含量的反演模型,其预测精度优于基于原始光谱的反演模型,R2和F分别提高0.124和2.223,RMSE则降低0.106,1∶1线检验的预测值与实测值的拟合度更高,模型可行且有效。由此得出结论,利用线性波谱分解技术消除不同地物光谱混合,重建土壤光谱,一定程度上可实现在自然条件下湿地土壤有机质含量的大面积、准确检测,具有较好的实际应用价值。     

基于修正系数法的抗水分干扰土壤有机质近红外预测模型研究

土壤有机质（SOM）是植物生长必需的营养物质,也是土壤属性检测的重要参数。快速、高效地获取土壤有机质信息对精细农业的发展具有重要意义。近红外光谱技术具有快捷、低成本等优势,被广泛应用到土壤有机质的测量中,然而土壤水分在近红外光谱(780～2 500 nm)中具有很强的吸收特性,对土壤有机质的检测形成了一定的干扰。分析了50个土样在不同含水率（约17%,15%,10%,5%和干土）下的近红外吸光度谱图特性,利用水分敏感波段2 210, 1 415和1 929 nm构建了水分修正系数（MDI）,并在此基础上对不同含水率土样进行了重构,以消除水分对土壤有机质预测模型的影响。结果如下：（1）经MDI校正重构后的吸光度谱图与对应的干土土样吸光度谱图相近,能较好地反映其干土土样的吸光度谱图特性。（2）采用偏最小二乘（PLS）法建立了干土土样的有机质定量预测模型,并对重构后的不同含水率土样进行了预测,其统计参数分别为：预测相关系数（R_P）0.90,预测标准误差（SEP）0.802和预测均方根误差（RMSEP）1.09;与原始未经MDI校正的预测结果相比,相关系数上升了0.032,预测标准误差降低了0.113,预测均方根误差降低了0.25。结果表明,本研究提出的水分校正算法可以降低水分对土壤有机质预测的干扰,提高利用干土土样有机质定量预测模型预测不同含水率土样的精度,可为基于近红外光谱技术的土壤有机质实时测定技术的推广提供理论依据。     

水稻土可见-近红外-中红外光谱特性与有机质预测研究

土壤有机质是农田肥力评估的重要指标,要实现快速获取大面积土壤有机质的含量需要建立高效、稳健的预测模型。光谱技术能够快速诊断土壤有机质,以水稻土为例,从校正样本选择方法的对比,研究了可见-近红外、中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪,通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法,中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型,基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果,RMSE_P仅为3.25 g·kg-1,RPD达到4.24,依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。因此,中红外光谱建模技术能够对水稻土有机质进行快速定量分析,Rank-KS法可提高模型的预测能力,为今后农田肥力评价和科学施肥提供技术支持。     

水分对土壤有机质检测影响的光谱特性分析及抗水分干扰模型建立

土壤水分对光谱表现出很强的吸收性,且土壤水分与土壤有机质的吸收波段有重叠,因此土壤水分对土壤有机质的检测造成一定的干扰。为此做了以下工作：(1)采用可见近红外光谱仪在室内获取相同含水率下不同土壤动态光谱图;(2)通过对相同含水率下不同有机质含量的二维同步相关光谱图分析得出：当土壤为烘干土样时,600和1 660 nm左右表征土壤有机质的波段出现强的自相关峰,但随着含水率的增加,这两个波段逐渐消失,由于受水分的影响,1 931,2 200和1 480 nm均形成了强的自相关峰。说明水分会掩盖表征土壤有机质信息的波段,对土壤有机质检测造成干扰。(3)为了消除水分影响,提高模型对不同含水率下土壤有机质的预测精度,将田间近似最大含水率样本参与建模,采用偏最小二乘定量分析方法在550～650和1 610～1 710 nm波段内建立了抗水分干扰土壤有机质预测模型,并对不同含水率的土壤有机质进行预测,结果表明：预测样本的相关系数为0.954,标准偏差为0.744%,标准差为0.844%,预测效果明显提高,说明此方法可减少水分对土壤有机质检测的影响。     

基于数字图像颜色提取的土壤有机质预测研究

有机质是土壤质量的重要判定标准,其快速测定可为精准农业的实施提供基本的数据支撑。传统有机质测定法,通过野外取样,实验室化学分析,不仅费时费力,还效率低,完全不能满足现今社会发展对土壤信息的大量需求。通过光谱仪测定土壤反射率建立有机质估测模型,可快速预测有机质含量,但光谱仪价格较高,对操作环境要求严格,限制了其广泛应用。仅有RGB三波段的可见光传感器,相比光谱仪而言不仅价格便宜,还易于操作,借助其诸多优势,通过定量获取土壤表面颜色信息,解决土壤有机质快速测定问题,不管是从实用性还是经济性角度,都值得去探索研究。为验证可见光下提取数字图像颜色信息能快速预测有机质的可行性和适用性,采用数码相机获取土壤表面颜色,分析土壤表面组成特点,确定最佳取样面积,并比较不同土样制样标准(<1 mm和<0.5 mm) 与有机质的相关性,同时选取相关性高的颜色变量,通过回归分析,建立有机质预测模型。研究结果表明,以950 pixel×950 pixel作为取样面积,可以较稳定获取土样表面颜色,并减少边缘效应对取样结果的影响;对比<1 mm和<0.5 mm土样与有机质的相关性发现,<1 mm土样的RGB三波段与有机质的相关性更高,适合作为土壤颜色获取时的制样标准。在RGB三波段中,Red波段表现了与有机质的最高相关性,其相关系数为-0.70;通过对RGB三波段进行数学变换与超红(ExR)计算,可增加各颜色值与有机质的相关性,其中ExR指数表现了与有机质最高的相关性,其相关系数为-0.86。单变量建模过程中,ExR倒数模型获得了最好预测效果;多变量建模时,各颜色标准差参与建模,使颜色信息描述更为全面,明显提高了模型的预测精度,获得了最好的建模效果,其R2=0.80,RMSE=0.51,检验结果R2_val=0.84,RMSE_val=0.54,能较好反应研究区有机质变异特点。通过黑土检验所建模型的预测效果,仅单变量Red波段模型表现出较好预测结果,其检验结果表明红波段是有机质较为敏感波段,在不同土类中具有通用性。虽然研究中所建模型难以扩展到对其他土类的预测,但对同类土壤预测效果表明,数码相机作为颜色定量获取的工具,具有实现快速预测土壤有机质的潜力。     

青海省海东地区土壤中硒的测定

以原子荧光光谱法（AFS）测定青海省海东富硒地区土壤中硒的含量.方法的回收率在97.9％-99.7％之间,相对标准偏差为1.03％-1.72％之间（n=7）.实验证明,建立的方法简单快速,精密度高,满足对土壤中硒的检测要求.     

一种降低土壤水分对土壤有机质光谱监测精度的新方法

土壤有机质是土壤肥力的重要体现,土壤水分是限制利用光谱技术进行土壤属性光谱监测的重要因子之一。为了研究土壤水分对土壤有机质光谱监测精度的影响和实现土壤有机质(soil organic matter, SOM)的准确、实时监测,对151份麦田土壤样品的土壤水分、土壤有机质和土壤光谱进行了测定。基于土壤含水量(soil water content, SWC)分类法和归一化土壤水分指数(normalized difference soil moisture index, NSMI)光谱参数分类法对麦田土壤样品进行分类,并对土壤含水量、土壤有机质和土壤光谱参数之间的关系进行研究。结果表明：以土壤含水量对土壤样品进行分类后,各分组之间的土壤有机质光谱监测精度各异,且都高于不分组条件下(5%～20%)土壤有机质光谱监测精度,表明土壤水分确实影响土壤有机质的光谱监测。土壤含水量低于10%和高于20%时,土壤水分对土壤有机质光谱监测精度的影响较小,表明此时的土壤水分状态易于土壤有机质的光谱监测。另一方面,以NSMI光谱参数对土壤样品进行分类后,各分组条件下的土壤有机质光谱监测的拟合精度优于基于土壤含水量的分类方法,通过R2,RMSE和RPD模型验证参数的验证,各模型可靠,表明利用NSMI光谱参数的分类方法,在一定程度上可以实现对土壤自然条件下土壤有机质的实时、准确监测。但是,所提到的两种土壤分类方法在本质上一样,说明仍然可能存在最优的土壤分类方法,来克服和消除土壤水分对土壤有机质光谱监测精度的影响。为土壤水分和土壤有机质的大面积遥感提供一定的理论基础。     

不同土壤类型的有机质含量的可见-近红外光谱检测模型传递方法研究

利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量,但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度,利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机（PSO-LSSVM）校正模型,预测M107B区的23个验证集样品的决定系数R2=0.859,相对分析误差RPD=2.660;将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测,预测R2=0.562,预测RPD=0.952,模型的预测R2和预测RPD分别降低34.6%和64.2%,表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时,预测精度显著降低;将N116B区部分土壤样品加入到M107B区样品集后重新建模,并预测N116B区20个验证集样品的有机质含量,当加入的N116B区土壤样品数量达到35以上,预测R2>0.80,预测RPD>2.0;加入到校正集的N116B区土壤样品数量从0增加到50,模型预测R2从0.562增加到0.811,预测RPD从0.952增加到2.274,精度逐渐提高。结果表明,在M107B区校正模型中加入N116B区部分土壤样品建模,能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度;加入的N116B区土壤样品数量达到50以上,模型预测性能趋于稳定,预测精度达到实用要求,成功将M107B区土壤有机质含量校正模型传递给N116B区土壤;优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模,可有效避免模型传递时模型性能出现突变。提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度,为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法,为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。     

不同粒径对土壤有机质含量可见-近红外光谱预测的影响

土壤有机质（SOM）是表征土壤肥力的重要指标,实现其快速准确检测可为精准农业区域管理提供有效的数据支撑。土壤粒径对SOM的光谱预测及仪器开发有很大的影响,为了明确不同粒径对SOM预测的影响,分别制备了1~2,0.5~1,0.25~0.5,0.1~0.25和<0.1 mm五种均匀粒径及<1 mm混合粒径共计6种粒径土样并进行了可见-近红外（300~2 500 nm）光谱数据采集。采用蒙特卡罗交叉验证分别剔除了不同粒径的异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理,比较了不同粒径样品的光谱反射率差异,并对平滑后的原始光谱R进行倒数IR、对数LR、一阶导数FDR等3种光谱变换并分析与SOM含量的相关性,基于竞争性自适应重加权算法（CARS）对光谱数据进行了特征波长提取,并结合偏最小二乘回归（PLSR）分别建立了相应的SOM含量预测模型。结果表明,不同粒径土样的平均光谱反射率与变异系数随着粒径的减小逐渐增加,且在大于540 nm波长范围内,差异明显。随着粒径的减小,SOM含量与光谱反射率在全波段范围的相关性变化幅度愈加明显,FDR变换可明显改变全波段范围与SOM含量的相关性。通过CARS算法对FDR变换后的光谱数据进行特征波长提取,筛选出特征波长数为全波段数量的13.1%,降低了光谱数据重叠及无效信息干扰。对比不同SOM预测模型的结果,FDR变换光谱的建模精度较好,且粒径越小其模型的效果越好,特别在粒径<0.1 mm时,模型的R2_p达到0.91,RMSEP为2.20 g·kg-1,RPD为3.33。基于CARS特征变量构建的SOM含量预测模型中,粒径<0.1 mm预测模型的效果最好,R2_p为0.78,RMSEP为3.00 g·kg-1,RPD为2.00,可以实现SOM含量的可靠预测,且其他粒径下的模型仍有可优化的空间。该研究可以为实现SOM田间动态预测及仪器设计提供理论及模型参考。     

S/B和DS算法校正土壤水分对土壤有机质近红外光谱预测的影响

土壤水分对近红外光谱表现出强烈的吸收和对土壤有机质含量的预测造成干扰。研究选择41个样本作为校正集和9个样本作为预测集,所有样本做不同含水率（5%,10%,15%和17%）的处理。采用S/B和DS算法分别对预测结果和全光谱进行校正,消除土壤水分的影响。结果得出预测结果偏差减小和模型预测性能得到改善,R_p高于0.89和RMSEP低于0.885%。研究表明S/B和DS算法能有效消除土壤水分的影响和提高土壤有机质预测的准确性。     

砂壤潮土有机质含量可见-近红外光谱预测

土壤有机质（SOM）是影响播量的土壤关键参数,根据SOM信息对播量进行实时调控,投入最优化的种子量,充分利用地力资源挖掘产量潜力,节约良种,实现种植收益最大化,是目前播种领域最前沿的研究方向。以玉米主产区之一的华北平原为研究区域,对该区域砂壤潮土进行了可见-近红外（300～2 500 nm）光谱采集。采用蒙特卡罗交叉验证剔除了异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理。分别通过竞争性自适应重加权算法（CARS）、连续投影算法（SPA）、竞争性自适应重加权-连续投影（CARS-SPA）、无信息变量消除（UVE）及变量组合集群分析法（VCPA）等波长筛选方法提取有效变量,并结合偏最小二乘回归（PLSR）分别建立了全波长和特征波长的SOM含量预测模型。结果表明,不同方法筛选的波长数目及波长位置存在显著差异,CARS和SPA算法选择的光谱特征在整个光谱范围都有分布,UVE和VCPA筛选的波段较为集中,且基于CARS-SPA方法可以进一步优选特征变量,其特征波长仅为全波长数量的15%。通过对比不同模型的建模及预测效果,除UVE和VCPA算法外,其余算法构建的模型均能实现SOM含量的有效预测,其RPD值均大于2.0。基于CARS-SPA构建的PLSR模型效果最好,其R2_P和RPD分别0.901和3.188,均高于其他方法,不仅降低了无效信息对预测效果的干扰,且模型的运算效率得到了明显的提高,可以很好地实现该地区SOM含量的可靠预测。该研究可以为SOM含量快速预测及仪器设计提供方法参考。     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

嵌入式粒子群-遗传算法的水质COD检测特征波长优化算法

基于紫外-可见光谱法的水质测量中,光谱信号易受到系统噪声干扰、悬浮物散射干扰,且存在信息冗余、多重共线性等特征,导致水质COD测量中特征波长的选取产生较大偏差。因此,提出了基于嵌入式粒子群-遗传（EPSO_GA）算法的水质COD检测特征波长优化算法,以提高波长选择精度。为验证检测特征波长优化算法的可行性,采集了某高校池塘水样、生活污水和排水沟水样的光谱数据,利用EPSO_GA算法对预处理后的光谱数据选取特征波长。EPSO_GA算法采用实数编码方法实现了粒子群（PSO）优化算法和遗传（GA）优化算法的统一编码,在PSO算法中更新粒子时嵌入GA算法的选择、交叉、变异等操作,改善了这两种算法各自在光谱波长特征选取问题上的局限性。将EPSO_GA算法选取的特征波长结合偏最小二乘法（PLS）构建了EPSO_GA_PLS的水质COD预测模型,并且与传统的PSO算法、GA算法选取特征波长建立的PSO_PLS、GA_PLS和全光谱构建的PLS水质COD预测模型做了对比。结果表明：与PSO_PLS,GA_PLS和全光谱构建的PLS水质COD预测模型相比,EPSO_GA改善了PSO算法和GA算法在光谱特征波长选择中早熟和收敛速度慢的问题,降低了全光谱构建PLS水质COD预测模型的复杂度,提高了模型的预测精度。基于EPSO_GA算法建立的EPSO_GA_PLS水质COD预测模型,均方根误差降到了0.212 3,预测精度增加到0.999 3,可以快速定量检测水质COD,为紫外-可见光谱法测COD提供了更好的预测模型。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

不同含水量黑土土壤光谱反射率半经验模型构建

土壤含水量的变化情况与时空分布对热量平衡、农业墒情等具有显著的影响。利用反射率光谱信息反演土壤含水量的研究,可为实现土壤含水量速测、揭示土壤含水量时空变异规律提供科学依据。构建不同含水量黑土土壤反射率光谱半经验模型,深入探究土壤重量含水量与反射率光谱的关系。 制备了12种不同湿度的土壤样品。 采用ASD Field Spec Pro 3地物波谱仪对制备的不同湿度梯度的黑土土壤进行反射率光谱测量。 利用菲涅耳反射率建立土壤表面反射模型;在以往的研究中,Kubelka-Munk (KM)模型中的漫反射率R_∞通常被视为对于给定材料和照明波长的常数或需要反演的参数。通过研究发现,漫反射率R_∞不仅与材料和波长有关,还与土壤含水量相关。利用与土壤含水量相关的吸收系数及散射系数描述了土壤含水量与漫反射率R_∞的关系,并基于KM理论对体散射分量进行建模;进而构建不同含水量黑土土壤反射率光谱半经验模型。 根据实际测量数据选用最小二乘算法对模型参数进行反演,并通过分析反演参数简化模型。最后,将未参与建模的不同含水量梯度的数据代入模型中,验证模型的有效性。结果表明：对比不同含水量土壤反射率光谱的模拟值与实测值在400～2 400 nm波段范围内的模拟精度发现,含水量为200 g·kg-1的土壤反射率光谱的均方根误差最大,为0.008,含水量为40 g·kg-1的土壤反射率光谱的均方根误差最小,为0.000 6,不同含水量下土壤样品反射率光谱的均方根误差的均值是0.005 1。在400～2 400 nm波段范围内,不同波长下黑土土壤反射率光谱的预测均方根误差基本低于0.008,1 920 nm波长处的预测均方根误差最小,为0.002 062。采集长春地区的土壤检验模型的可靠性,配制15个不同含水量样品并对其进行反射率光谱测量。选取9个样品数据用于建模,6个样品数据用于验证。结果表明：在400～2 400 nm波段范围内,不同波长下的长春土壤反射率光谱的预测均方根误差基本低于0.015,525 nm波长处的预测均方根误差最小,为0.000 922 5。综上所述,所建立的模型具有很高的预测精度,可很好地适用于不同含水量黑土土壤反射率光谱的模拟。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

基于NMF-PLS对含水量影响下土壤重金属含量反演模型研究

土壤中过高的重金属含量危害巨大,不仅造成了严重的环境污染,而且通过食物链进入人体对人体健康造成严重威胁,所以对重金属检测十分重要。X射线荧光光谱法具有检测时间短、无损检测、检测成本低等特点被广泛使用,然而检测的光谱数据因受到土壤含水量因素的严重干扰,导致直接对土壤重金属含量估算精度较低。以河北省保定市满城区土样为研究对象,对采集的土样进行除杂、过筛、烘干后加入一定量重金属溶液制备不同含水量不同重金属的样本进行检测。对实验中异常数据计算了马氏距离和进行NJW聚类予以剔除,分析了土壤含水量对土壤重金属光谱的影响,结果表明不同含水量间光谱重复性差,随着土壤含水量的增加光谱强度呈非线性降低。采用Savitzky-Golay卷积平滑去噪法和线性本底法对光谱进行预处理,以解决因环境、仪器本身带来的噪声和基线漂移等问题。然后针对于土壤含水量这一主要干扰,采用非负矩阵分解算法进行处理,并使用峰值信噪比这一评价模型确定端元数目,结果表明当端元数目增至10时峰值信噪比趋于稳定波动很小,非负矩阵分解处理后相同重金属含量不同含水量间光谱重复性好、相似性好,并计算了光谱间的相关系数进一步证明了光谱间的相似性。去除含水量对于光谱干扰后建立了偏最小二乘法预测模型,为了验证预测模型的精度,建立了未去除含水量的偏最小二乘法预测模型和使用外部参数正交化法去除含水量建立的偏最小二乘法预测模型,并使用评价参数决定系数(R2)、交叉验证均方根误差(RMSECV)、平均绝对误差(MAE)和相对分析误差(RPD)进行评价。验证结果表明,相比较未去除含水量建立的模型,使用非负矩阵分解去除含水量建立的偏最小二乘法模型R2和RPD分别提高了0.019 7和1.029 2,RMSECV和MAE分别降低了2.386 3和1.439 6;相对于外部参数正交化法建立的偏最小二乘法模型,R2和RPD分别提高了0.009 9和0.108 1,RMSECV和MAE分别降低了0.244 7和0.356 6,说明了经过非负矩阵分解去噪后建立的模型有效提高了预测的精度和鲁棒性。非负矩阵分解可以有效消除土壤含水量对光谱的影响,在此基础上建立的偏最小二乘法模型实现了土壤重金属含量的反演,为重金属定量检测提供了一定的技术支持。