基于NLMS滤波器的荧光检测苯并(a)芘光谱信号的去噪研究

根据苯并(a)芘在特定光的照射下能够发出荧光的特性,采用紫外荧光法检测苯并(a)芘的浓度,构建了检测苯并(a)芘浓度的实验系统。为了精确地检测出苯并(a)芘的浓度,需要将实验中所得数据中所包含的噪声滤除掉,得到有效的荧光信号。将归一化最小均方自适应滤波(NLMS)的原理应用到光谱数据的噪声处理中,并将其与小波去噪的效果相比较,用Matlab仿真出去噪效果图,从不同的角度分析去噪效果。经过对比得出,用归一化最小自适应滤波能够继续保持信号的非平稳特性,达到更加理想的去噪效果,去噪性能更优,此种方法适用于荧光法检测物质浓度的信号处理中。     

基于经验模态分解的近红外光谱预处理方法

针对微分法在有效消除光谱背景和基线漂移的同时会增加光谱噪声的问题,把最新发展的经验模态分解方法(EMD)引入到近红外光谱处理中来,以烟草的一阶导数近红外(NIR)光谱为研究对象,探讨经验模态分解在近红外光谱预处理中的应用,并与小波变换消噪效果进行了对比分析。结果表明,用基于经验模态分解去噪后的光谱进行分析,预测集的决定系数r2由去噪前的0.9705提高到0.9832,均方根误差(RMSEP)由去噪前的0.5606降为0.3310,比基于小波变换的分析结果略高。因此,经验模态分解方法对消除光谱的噪声是有效的,有效地提高了光谱的分析精度和模型的稳定,为近红外光谱预处理提供了一种新方法。     

多光谱数据融合和GANs算法的COD浓度预测

水体中过高浓度的有机污染物含量危害巨大,不仅会造成严重的环境污染,而且会危害人类身体健康。化学需氧量(COD)表征了水体中有机污染物的污染程度。提出了一种将紫外(UV)光谱和近红外(NIR)光谱进行多光谱数据级融合(LLDF)和特征级融合(MLDF),进而构建基于生成对抗式网络(GANs)算法的COD浓度定量预测模型。首先按照一定的浓度梯度配制COD标准液样本,分别采集标准液的UV光谱(190～310 nm)和NIR光谱(830～2 100 nm),对获取到的UV和NIR光谱数据进行一阶导数和Savitzky-Golay (S-G)平滑的预处理,消除基线漂移和干扰噪声;基于预处理过的光谱,直接进行数据级和特征级的数据融合,结合GANs算法搭建COD浓度预测模型。并使用评价参数相关系数的平方(R2)、预测值与真实浓度值的均方根误差(RMSEP)和预测偏差来对模型进行评价。结果表明,不论是特征级融合模型还是数据级融合模型都不够理想。分析原因可知,由于UV和NIR波段数据量不均衡,导致NIR波段掩盖掉了UV光谱的模型贡献度,让光谱融合失去意义。为了避免融合失败,拟采用归一化的方法处理多光谱数据,并讨论了标准归一化(SNV)、最大最小归一化(MMN)和矢量归一化(VN)对建模的影响。将经过归一化后的UV和NIR光谱数据再次进行融合,分别作为GANs模型的输入X,将真实测量COD值作为输出值Y,建立不同归一化方法处理后的COD浓度预测模型。建模结果显示,采用不同归一化方法对多光谱数据融合模型的影响较大,不论是数据级融合模型还是特征级融合模型的预测精度较未归一化之前有明显的提升,其中采用最大最小归一化的预测模型效果提升最为明显。与单一谱源的全波长UV波段的GANs预测模型、全波长NIR波段的GANs预测模型进行对比来验证多光谱数据融合GANs预测模型的精度,结果表明：基于UV和NIR光谱的特征级光谱融合模型的R2为0.994 7,RMSEP为0.976,比数据级融合的预测模型误差降低了52.9%,预测回收率为98.4%~103.1%,远好于其他几组,模型的泛化能力更强,预测精度也更高。与单一谱源的预测模型相比,多光谱数据融合能反应更多的水体样品的化学信息,更加全面揭示水体的污染物程度,从不同的层面上反应水体中污染物的差异,为在线监测水体中COD浓度提供一定的技术支持。     

Y-梯度广义最小二乘加权校正的土壤速效氮野外原位光谱预测

土壤速效氮是影响作物生长发育的重要养分指标。野外原位可见近红外光谱(VIS-NIR)分析技术具有快速无损等特点,对速效氮的定量预测具有较好的应用前景。野外条件下进行原位光谱采集更节省人力物力,且为土壤养分实时传感器的开发提供了数据基础。但由于野外原位光谱中通常存在大量的无关环境因子干扰信息,易导致回归模型预测精度降低,达不到实用要求。针对位于以色列中部和北部的两个试验点共76个样本开展研究,提出利用Y-梯度广义最小二乘加权算法(Y-GLSW)对样本的野外原位VIS-NIR反射率光谱(350～2 500 nm)进行滤波校正,以提高回归模型的预测能力。首先使用SG平滑、一阶导数变换、标准正态变换等常规方法对原始光谱进行预处理和变换;在此基础上再使用Y-GLSW构建滤波模型对变换后的光谱进行滤波校正;最后使用偏最小二乘回归算法(PLS-R)分别结合原始光谱RW、预处理变换后的光谱PPT和滤波校正后的光谱Y-GLSW建立回归分析模型对速效氮进行定量预测。结果表明：利用RW光谱建立的回归预测模型是不可靠的;利用PPT光谱建立的回归模型在测试集的相对分析误差(RPD)为1.41,解释总方差占实际总方差之比(SSR/SST)为0.57,模型具有一定的可靠性;Y-GLSW光谱建立的回归模型在测试集的RPD和SSR/SST分别为2.07和0.69,相对于PPT模型分别提高了46.81%和21.05%。因此,利用Y-GLSW对野外原位VIS-NIR光谱进行滤波校正,能够有效去除光谱中的无关信息数据,提高模型的预测精度和解释能力。     

近红外光谱(NIRS)技术快速测定湖泊沉积物营养组分研究

湖泊沉积物保存了湖泊环境演化的重要信息,但目前还没有建立起快速、准确的湖泊沉积物营养组分组合分析方法。该文利用近红外光谱(NIRS)技术,采用一阶导数、小波滤噪、正交信号校正、小波滤噪+正交信号校正、一阶导数+正交信号校正、正交信号校正+小波压缩6种光谱预处理技术和偏最小二乘(PLS)法相结合在国内建立了NIR光谱测定湖泊沉积物柱芯样品中总碳(TC),总氨(TN),总有机碳(TOC)和总磷(TP)的校正模型,结果表明虽然NIR光谱校正模型对TOC的预测效果不理想,但一阶导数+正交信号校正光谱校正模型对TC和TN,正交信号校正光谱校正模型对TP的预测效果较好,预测相关系数分别为0.759 7(TC),0.865 0(TN)和0.811 2(TP),预测误差(RMSEP)分别为0.13%(TC),0.008 2%(TN)和0.012%(TP)。该研究对于推动我国湖泊沉积物的光谱学特性研究具有重要意义。     

基于小波变换的水果糖度近红外光谱检测研究

利用小波变换滤波技术对90个水果样品的近红外光谱信号进行了去噪处理,并结合滤波后重构光谱信号对水果糖度进行逐步线性回归(SMLR)建立其校正模型,通过34个样品的外部检验对校正模型精度进行评价。研究结果表明: 校正模型的预测精度在小波尺度为3时其预测精度最好,预测集的决定系数由原来的0.84提高到0.85, 预测集相对标准误差由原来的6.1% 降为6.0%。因此,使用小波去噪方法有消除原始光谱噪声作用,从而使最终的SMLR模型更具有代表性和稳健性,也提高了品质检测时模型预测精度。     

梨果糖浓度近红外漫反射光谱检测的预处理方法研究

糖浓度是梨果内部品质的重要指标。实验测得了梨果的近红外漫反射吸光度谱,并且对其进行了光谱预处理,包括多元散射校正(MSC)、基线校正(baseline correction)、标准正态变量变换(SNV)和平滑去噪(moving average)。结果表明,经过预处理后的吸光度谱在光谱归一化、噪声消减等方面有着较为明显的优势。使用偏最小二乘法(PLS)对原始吸光度谱和预处理后的吸光度谱分别进行处理,得到结论：应用平滑去噪预处理后的吸光度谱进行预测的准确度优于原始吸光度谱,得相关系数为0.990 8,预测标准偏差为0.019 0。     

改进阈值提升小波和自适应滤波器的开放光路红外光谱去噪

大气污染物的主要组成成分为挥发性有机物(VOCs),傅里叶变换红外光谱技术(FTIR)是现阶段应用广泛的挥发性有机物在线测量方法。开放光路获取到的大气红外光谱(OP-FTIR)易受各种噪声污染,如何有效、快速的去除红外光谱中的噪声是大气在线实时监测系统研究的热点。综合利用提升小波变换结构简单、运算量低的优点以及最小均方误差自适应滤波器的自动调节参数以达最优化滤波的性能,提出了一种改进阈值提升小波结合自适应滤波的红外光谱去噪算法。该算法先通过改进阈值小波系数的提升小波去噪,在去噪的同时保留更多光谱特征信息,然后使用提升小波变换分解出的高频系数重构出噪声相关信号,将其作为最小均方误差自适应滤波器的参考输入进行二次滤波处理,最终获得的去噪信号很好的去除了与特征光谱频谱重叠的噪声信号。分别对人工添加噪声的标准红外光谱和合肥市市区上空实测开放光路红外光谱进行去噪处理,结果显示使用该算法处理后的光谱信噪比(SNR)较离散小波传统阈值去噪方法高出3db,均方根误差(RSME)平均减少30%左右,运行时间减少46%。表明该算法计算简单、运行速度快,对于大气环境监测实时消噪系统具有重要的实际应用意义。     

EEMD在土壤剖面反射光谱消噪中的应用

实测光谱常含有大量干扰信息, 消噪在光谱数据处理和分析中极为重要, 它直接影响后续的定量分析和信息挖掘。因此, 选择适当的消噪方法是改善光谱分析精度, 提升光谱分析能力的一个关键性突破。集合经验模态分解(EEMD)方法是一个以信号固有特征尺度为度量的时空滤波过程, 能充分保留信号本身的非线性和非平稳特征, 在信号的滤波和消噪中具有较大的优势。结合EEMD的多尺度滤波特性, 提出了一种新的EEMD阈值光谱消噪方法, 并应用于新疆塔里木河中游典型绿洲33个土壤剖面反射光谱数据的预处理。为探讨EEMD阈值法在土壤剖面反射光谱消噪中的效用, 对EEMD阈值法和小波阈值法的消噪结果进行了对比分析。结果表明: 与传统的小波阈值法相比, EEMD阈值法消噪结果的信噪比从14.836 6 dB提高到34.275 7 dB, 均方根误差由6.786 1×10-5降到7.240 6×10-6, 相关系数从0.982 5提高到0.999 8, EEMD阈值法的三个消噪效果衡量指标均优于小波阈值法。证明了EEMD阈值法可有效地去除土壤剖面光谱噪声, 较好地保留了光谱的细节信息, 提高了光谱的定量分析精度, 且与小波阈值消噪方法相比具有较强的可靠性和自适应优势, 作为光谱数据预处理的一种新方法, 其应用前景良好。     

EEMD在土壤剖面反射光谱消噪中的应用

实测光谱常含有大量干扰信息,消噪在光谱数据处理和分析中极为重要,它直接影响后续的定量分析和信息挖掘。因此,选择适当的消噪方法是改善光谱分析精度,提升光谱分析能力的一个关键性突破。集合经验模态分解(EEMD)方法是一个以信号固有特征尺度为度量的时空滤波过程,能充分保留信号本身的非线性和非平稳特征,在信号的滤波和消噪中具有较大的优势。结合EEMD的多尺度滤波特性,提出了一种新的EEMD阈值光谱消噪方法,并应用于新疆塔里木河中游典型绿洲33个土壤剖面反射光谱数据的预处理。为探讨EEMD阈值法在土壤剖面反射光谱消噪中的效用,对EEMD阈值法和小波阈值法的消噪结果进行了对比分析。结果表明：与传统的小波阈值法相比,EEMD阈值法消噪结果的信噪比从14.836 6 dB提高到34.275 7 dB,均方根误差由6.786 1×10-5降到7.240 6×10-6,相关系数从0.982 5提高到0.999 8,EEMD阈值法的三个消噪效果衡量指标均优于小波阈值法。证明了EEMD阈值法可有效地去除土壤剖面光谱噪声,较好地保留了光谱的细节信息,提高了光谱的定量分析精度,且与小波阈值消噪方法相比具有较强的可靠性和自适应优势,作为光谱数据预处理的一种新方法,其应用前景良好。     

基于特征波段的黄酒近红外光谱检测模型递归更新方法

近红外光谱是一种快速、无损的定量分析工具。为了提高黄酒关键参数的检测水平,采用近红外光谱法进行定量分析。检测过程中,由于受环境波动、仪器老化、原料变化等因素的影响,基于旧样品所建的模型的精确度逐渐下降。为保持模型的预测精度,引入递归偏最小二乘(recursive partial least square, RPLS)对模型进行更新。以往此方法多使用全谱信息扩充建模集并进行递归计算,光谱的变量多,且包含环境影响等干扰信息,更新计算量大,且精度的提升效果不明显。考虑到黄酒生产过程中特征波段变化小的特性,提出了一种基于特征波段的黄酒近红外光谱检测模型递归更新方法。先采用相关系数法提取特征波段建立低维模型,在采集到新样品理化值后,再利用其特征波段光谱信息,使用递归偏最小二乘对低维模型进行更新。此方法被应用于黄酒总酸的近红外检测模型更新。模型评价使用相关系数r,预测标准偏差RMSEP和预测相对分析误差RPD三个指标。结果表明：采用本方法后,模型稳定性显著优化,计算效率有所提升,模型预测效果良好,三个评价指标分别达到0.965 7,0.184 3和3.736 2,较全谱PRLS时分别提高3%,24%和31%,在实际应用中有一定的参考价值。     

近红外光谱的北方寒地土壤含水率预测模型研究

我国北方寒地温差大,土壤温差对近红外光谱测量土壤墒情有较大影响。针对这一问题,以北方寒地土壤为研究对象,探究大范围温度胁迫下（-20～40 ℃）土壤的近红外光谱与土壤不同含水率之间的关系预测模型方法。选取黑龙江八一农垦大学农学院试验基地中的黑土,经烘干、过筛等操作处理后配置含水率范围在15%～50%内八种不同湿度的土壤样品,建立北方寒地土壤大范围温度胁迫下土壤的近红外光谱信息与含水率之间的定量预测模型。在全波段光谱数据的基础上,结合五种不同光谱信号预处理方法,采用BP神经网络算法、优化支持向量机算法（SVM）、高斯过程算法（GP）三种智能算法建立北方寒地土壤近红外光谱与含水率的预测模型并验证模型的效果。利用69组数据进行训练建模, BP神经网络相关参数设置为学习速率0.05,最大训练次数设置为5 000,隐层单元数确定为20;SVM采用径向基函数,并利用leave-one-out cross validation确定了最佳惩罚参数为0.87,使模型预测的准确性提高;高斯过程算法内部采用马顿核。模型的定量评估采用决定系数(R2)和均方根误差（RMSE）。结果表明,在建立的全部BP神经网络模型中,效果最佳的为S_G-BP神经网络模型,模型的R2为0.960 9,RMSE为2.379 7;在SVM模型中SNV-SVM模型的效果最好,模型的R2为0.991 1,RMSE为1.081 5;在GP模型中S_G-GP模型的效果最好,模型的R2为0.928,RMSE为3.258 1,综上基于SNV预处理的SVM模型训练效果最优。利用剩余的35组光谱数据作为预测集验证模型性能,经模型对比分析发现基于SVM算法的预测模型效果优于其他两种算法,其中基于S_G的SVM模型效果最优,其预测模型的R2和差RMSE分别为0.992 1和0.736 9。综合建模集与预测集的参数最终确定基于S_G的SVM模型为最佳模型。此模型可以作为大范围温度胁迫条件下（寒地）的土壤含水率有效预测方法,为设计优化适宜寒地便携式近红外土壤含水率快速测量仪提供科学依据。     

SPA-PLS的高含水原油近红外光谱含水率分析

准确及时的检测原油含水率对注水策略调整、原油开采能力评估、油井开发寿命预测等均具有重要意义。然而,当前我国大多数油田均已进入高含水的开发中晚期,含水率测量难度大且准确率不高。在此背景下,开展了高含水情况下利用近红外光谱进行原油含水率测量的研究。 首先介绍了目前原油含水率检测的常用方法,分析了它们的优劣。理论上,由于水的近红外光吸收带与原油中C-H键的吸收带有明显区别,根据Lambert-Beer吸收定律和吸光度线性叠加定律可知,不同含水率高含水原油近红外光谱会存在较强响应差异。为此,对高含水原油进行近红外光谱检测,建立原油含水率与近红外光谱响应间的非线性映射模型,可实现高含水原油含水率的精确测量。为了验证该方法的有效性,搭建了近红外光谱数据采集实验装置：采用白炽灯作为光源,经过光路调节成平行光后垂直射入样品池,用近红外光谱仪（海洋光学NIR512）采集光谱用于分析。其中,接收光谱仪带宽为900～1 700 nm,平均分成512个波段。光谱数据利用光谱仪配套软件储存在电脑中。样本采用相同厚度不同比例的油水混合物,样本含水率范围为70%～99%,共采集数据60组,每组重复3次取平均值。得到原始数据后,先进行原始数据预处理,以减少数据采集时来自高频随机噪音及温度不稳定、样本不均匀、基线漂移、光散射等不利因素的影响。分别选用了S-G滤波、一阶导数和S-G滤波+一阶导数作为数据预处理的方法,利用连续投影算法(SPA)对光谱数据进行降维,并利用偏最小二乘法（PLS）和多元线性回归（MLR）进行建模,模型精度通过计算均方根误差值（RMSE）和相关系数（r）来验证。对比发现,使用S-G滤波+一阶导数建立的模型RMSE值最小（RMSE=0.007 0,r=0.998 3）。使用SPA降维后的模型要优于全波段PLS模型（RMSE=0.083 3,r=0.920 6）与MLR模型（RMSE=0.099 9,r=0.967 1）。利用SPA提取出的31个特征波长建立的模型仅占全波段的6.05%,并获得了较好的精度。证明了利用光谱检测高含水原油含水率可行性,并且得到了满意的精度,为高含水原油的含水率检测提供了新的方法, 为进一步利用近红外光进行高含水原油的快速检测与在线监测提供参考。     

奥林达夏橙叶片锌含量可见近红外光谱监测模型研究

以奥林达夏橙叶片粉末干样为对象,利用化学分析与可见近红外光谱技术相结合的方法,通过样品原始光谱的二阶微分及消噪(Noise)处理,运用偏最小二乘法(PLS)与交叉验证方法建立的Zn含量数学模型,其中使用Zn含量特征光谱400～500nm和1201～1300nm的组合波段建模,具有较好的预测能力,校正建模和预测模型的相关系数分别为0.9975和0.9920,交互验证预测均方根误差为0.5868。因此,利用可见近红外光谱技术,运用PLS及交叉验证方法,建立叶片Zn含量与特征波段的光谱校正模型,能快速定量检测柑桔叶片Zn含量。     

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。     

基于近红外自相关谱检测奶粉中的三聚氰胺

发展了一种基于近红外自相关谱定性定量分析掺三聚氰胺奶粉的检测方法。分别配置40个纯奶粉样品和40个不同质量百分比浓度的掺三聚氰胺奶粉(10-4%～40%, w/w)样品,采集了所有样品的一维近红外漫反射光谱,以奶粉中掺入的三聚氰胺浓度为外扰进行相关计算,选择随浓度变化敏感的7 000～4 200 cm-1为建模区间。在提取自相关谱信息的基础上,建立了定性定量分析掺三聚氰胺奶粉的偏最小二乘模型,并与常规一维近红外谱模型的预测结果进行了比较。所建立的方法对未知样品的识别正确率为100%,预测均方根误差(RMSEP)为0.63%;而一维近红外谱的识别正确率为96.2%,RMSEP为0.84%。研究结果表明：相对于常规一维近红外谱,所建立的方法能提供更好的预测结果,其原因可能是自相关谱能提取更多的特征信息。     

一种基于近红外光谱的天然产物抗氧化活性预测评价方法

提出了一种基于近红外(NIR)光谱的黄酮类提取物抗氧化活性计算预测新方法。采用1,1-二苯-2-苦肼基(DPPH)法测定28种黄酮类中药材提取物的抗氧化活性,并在4 000～10 000 cm-1范围扫描样品的红外光谱,采用偏最小二乘(PLS)算法建立了黄酮类组分近红外光谱与抗氧化活性之间的校正模型。建模过程中,以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,确定了用于建模的最优近红外波段和光谱预处理方法。校正模型的RSECV为9.50%,R2为 0.901 7,预测误差均方根(RMSEP)为14.8%。该方法快速无损、操作简便,可用于中药及天然产物提取物抗氧化活性的快速评价。     

西范坪矿区土壤铜元素的高光谱响应与反演模型研究

为解决传统的土壤地球化学测量方法成本高、效率低等问题,研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。研究对西范坪矿区土壤反射光谱进行微分、连续统去除等六种变换,利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段,组成综合特征变量集,再应用不同的特征变量选取方法和参数建立估算模型并检验。结果表明：不同的光谱变换方法对土壤铜含量信息提取能力不同,每种光谱变换都对应特定的敏感波谱区间;基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型;利用综合光谱变换信息建立土壤铜含量反演模型,后向剔除法优于前向引入法和逐步回归法,当Removal取0.20时得到最优回归模型,其模型决定系数R2和预测模型决定系数R2_pre分别达到了0.851和0.830,建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468 mg·kg-1,能较好地检测土壤铜含量,同时为其他土壤重金属元素的光谱检测提供了思路。     

土壤碱解氮含量可见/近红外光谱预测模型优化

可见/近红外光谱技术是土壤成分检测的有效工具。波长筛选对可见/近红外模型土壤属性的预测精度有重要影响。以宁夏吴忠地区75个水稻土样为研究对象,利用可见/近红外光谱技术采集土壤样品光谱,采用SPXY （Sample set partitioning based on joint X-Y distance）方法选取了校正集和预测集样本,比较了分别采用Savitzky Golay平滑（SG smoothing）、多元散射校正（Multiple scatter correction,MSC）、标准正态变量变换（Standard normal variate,SNV）3种预处理方法对光谱数据处理后建立土壤碱解氮偏最小二乘法模型和原始光谱数据建模的效果。在此基础上,分别采用遗传算法（Genetic gorithms,GA）、连续投影算法（Successive projections algorithm,SPA）、竞争性自适应重加权算法（Competitive adaptive reweighted Sampling,CARS）、随机蛙跳（Random frog,RF）进行波长筛选,最后应用偏最小二乘法建立基于不同波长筛选方法的土壤碱解氮含量预测模型。研究表明,由于仪器性能稳定,样品的颗粒度比较小和均匀,本次实验原始光谱数据建模效果最好;各种波长筛选方法均可有效减少参与建模的波长数,且连续投影算法优于全谱建模,所选波长数仅为全谱波长数的1%,其预测决定系数（R²）、预测均方根误差和相对分析误差值分别为0.726,3.616,1.906。这表明连续投影算法可以有效筛选水稻土碱解氮敏感波段,为土壤碱解氮传感器开发提供技术支持。