结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究

土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映,构建的样本集通常无法很好地代表目标土壤组分的变异。光谱变换方法可以突出目标组分的光谱特征,为此,本文以湖北省江汉平原滨湖地区水稻土为研究对象,结合包括一阶微分(FD)、Savitzky-Golay(SG)、Haar小波变换、标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构,通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响,研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。结果表明：不同光谱变换会影响校正样本集的构建。反射光谱经过SG或Haar小波变换后,再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同,建立的估算模型精度不变,相对分析误差(RPD)分别为1.41和1.27。结合FD,SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同,建立的估算模型RPD分别从0.95,1.48和1.42提高到1.13、1.78和2.20。研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性,并可有效提高模型预测精度。     

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。     

东北黑土的光谱特性及其与土壤参数的相关性分析

选取我国东北黑土作为研究对象,研究其光谱特性并分析黑土主要参数与近红外光谱的相关性。通过比较东北黑土和北方潮土光谱特征的差异,显示当水分含量较高时,两种土壤的光谱特性差别不是很明显,当水分含量较低时,受土壤质地的影响,两种土壤的吸光度光谱及微分光谱均有很大差异。土壤水分值和吸收光谱有很大相关系数,土壤全氮与光谱呈现出了一定的相关性,提高土样全氮含量的方差,可以获得高的相关系数;由于黑土中有机质的含量很高,使基于土壤有机质的光谱吸收达到饱和,二者之间呈现较低的相关性。     

露天煤矿排土场地表的光谱特征和土壤参数分析

以辽宁海州煤矿露天排土场为研究对象,分析了地表土壤光谱特征以及反射光谱与地表土壤参数的相关性。土壤反射光谱分析结果表明：不同排土年限光谱反射率随排土年限的增长而降低;不同土质中灰土和混合土的水分吸收谷表征不明显,红壤土、黄土和红砂土光谱反射率以红壤土为最高, 以下依次为黄土和红砂土。土壤反射光谱与土壤参数相关性分析结果表明：有机质含量与反射光谱相关性最高处的相关系数为-0.76,其他参数与反射光谱相关系数较低。建立土壤有机质含量预测模型(建模R2_C=0.737 4,模型检验R2_V=0.682 4)满足检测要求。分析了1 910和1 943 nm处光谱反射率与土壤含水量之间的关系,结果表明由于排土场土壤的多样性和复杂性,土壤全样本光谱反射率与土壤含水量之间呈非线性相关,分别依年代、土质分组后,土壤光谱反射率与土壤含水量均呈线性相关。     

高光谱反射率的滨海地区土壤全磷含量反演

反射光谱在近年来广泛应用于土壤属性的估算。作为一种有效估算土壤全磷含量的手段,反射光谱技术可以很大程度上减少传统化学测量方法所损耗的人力物力。以江苏滨海土壤为研究对象,在30个采样点采集了共147个土样,测量土壤样品光谱反射率及全磷含量。利用原始光谱反射率数据及6种不同的光谱变换结果,通过随机抽样（RS）、KS、SPXY三种样本集划分方法,基于偏最小二乘回归（PLSR）和支持向量机（SVM）方法分别建立土壤全磷含量的估算模型,对比分析了三种样本集划分方法对估算结果精度的影响。结果表明：（1）以原始光谱反射率为数据,PLSR模型,RS方法在多数情况下可以获得较为稳定的模型精度,明显优于KS和SPXY方法;在SVM模型中,采用SPXY方法获得的模型结果最优,KS次之,RS结果最差。（2）不同的样本集划分方法所合适的光谱变换方法不同,对于三种划分样本集方法,PLSR和SVM对应的最优光谱变换分别是对数的倒数和一阶导数（KS方法）,原始光谱和一阶导数（RS方法）,一阶导数和多元散射校正（SPXY方法）。其中采用KS方法划分样本集,PLSR和SVM均能获得最佳的预测结果。并非所有光谱变换方法都可以提高模型精度,部分光谱变换后PLSR模型预测精度显著降低;（3）在所有的样本集划分方法中,SVM的建模效果优于PLSR,采用RS方法划分样本集,PLSR的预测精度高于SVM,而采用KS和SPXY方法划分样本集,SVM的预测精度整体高于PLSR。综上所述,本研究区域估算土壤全磷含量的最佳模型是基于KS样本集划分方法和一阶导数光谱变换建立的SVM模型,此时拟合优度（R2_p）为0.82。结果表明反射光谱可以对滨海地区的土壤全磷含量进行有效预测,对土壤磷元素的高效快速反演具有一定的指导意义。     

顾及粗糙度的土壤有机碳成像高光谱估测模型

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳（SOC）含量估测,然而该技术的使用受土壤粗糙度的影响,对样本的前处理要求较高,导致模型的实用性受限。针对这一问题,以美国爱荷华州农田土壤为研究对象,使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱,采用去包络线（CR）、吸光度变换（AB）、S-G平滑（SG）、标准正态变换（SNV）、多元散射校正（MSC）5种光谱预处理手段,利用偏最小二乘回归（PLSR）和支持向量回归（SVR）算法构建并对比土壤SOC光谱估算模型,探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。实验结果表明,使用成像光谱数据能够实现高粗糙度样本的SOC含量估算,而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量;基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712,而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。基于AB,SG,SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型,而SVR模型性能正好相反。而对于非成像光谱数据来说,土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。对于这两种光谱数据和两个估算模型而言,不同的光谱预处理方法提高模型估算精度的能力不同。土壤样本研磨前后,基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性,从而提高模型估算精度;能够克服土壤粗糙度的影响;为野外大尺度估测SOC含量提供了新的手段。     

SVM和BP检测滨海湿地土壤有机质

近年来,虽然随着高光谱技术的出现可以快速获取土壤中的养分含量,但不同的土壤类型对估算的精度会有很大的差异。滨海湿地土壤类型受海洋环境影响较大,其高光谱反射率与内陆土壤类型的表现会有所不同,也就造成了同样的估算模型在反演滨海湿地土壤的养分含量时,反演精度的降低,随着近年来海洋资源的开发与滨海湿地生态恢复工作的不断推进,探索一种合适的估算模型来快速准确的获取土壤中的养分含量变得更加紧迫。该研究旨在验证利用可见-近红外高光谱反射率构建非线性模型来反演滨海湿地土壤类型中有机质(soil organic matter, SOM)含量的可行性。以江苏省盐城大丰麋鹿国家级自然保护区的第三核心区土壤作为研究对象,将土壤样本的光谱反射率进行5点Savitzky-Golay(S-G)平滑滤波处理,再进行一阶微分R′、倒数的一阶微分(1/R)′、倒数的二阶微分(1/R)″、对数的一阶微分(lgR)′四种微分变换后,应用相关系数和显著性水平(p0.01)提取土壤有机质含量的敏感波段,利用台湾大学林智仁教授开发的MATLAB软件中的LIBSVM工具包构建SVM(support vector machine)支持向量机估算模型,并利用MATLAB2018b软件中自带的BP(back propagation)反向传播神经网络构建估算模型,最后利用决定系数R~2和均方根误差RMSE进行模型的预测精度验证。结果表明:原始光谱通过5点S-G平滑滤波、微分变换与相关系数法可以较好的提取出有效波段,其中基于(1/R)′光谱变换提取的滨海湿地土壤有机质特征波段为498～501, 1 180～1 182,1 946, 1 947和2 323～2 326 nm;对比发现SVM的估算精度优于BP神经网络;利用光谱的(1/R)′微分形式构建的SVM模型估算滨海湿地土壤SOM含量的精度最高,决定系数R~2与RMSE分别为0.93和0.23,并且均通过了p0.01的显著性检验。因此利用高光谱构建SVM非线性模型来快速估算滨海湿地土壤中的养分含量具有一定的可行性。     

三峡库区柑桔园紫色土光谱特征及其与氮素相关性研究

应用可见光-近红外光谱技术研究了三峡库区柑桔园紫色土的光谱特征及其与土壤氮素营养含量的相关性。结果表明,三峡库区柑桔园土壤光谱反射率在可见光区域随波长增加呈直线上升,在近红外短波区域(780～1 750 nm)基本趋于平稳,波动较小,而在近红外长波区域(1 750～2 400 nm)上波动性和反射率均较大,并且在近红外长波段区域的1 416,1 913,2 209 nm处出现了强的吸收峰。土壤有效氮、全氮含量均与光谱反射率呈正相关,与倒数对数光谱成负相关。在可见光541 nm处,土壤有效氮含量与反射光谱一阶导数微分值达最大正相关,相关系数为0.605**,二者响应的最佳拟合方程为y=2E+09x2-3E+06x+890.49(R2=0.5,x为反射光谱一阶导数值)。在近红外长波段1 909 nm处,土壤全氮含量与反射光谱的倒数对数值的相关性最好,相关系数为-0.612**,二者响应的最佳拟合模型为y=1.372 12-2.107 5x+0.859 2(R2=0.4,x为反射光谱倒数对数值)。     

应用特征波段和反射变形差的方法进行土壤属性估算

传统的土壤分析是昂贵的、费时的并且可能带来环境污染问题。应用近红外光谱分析技术测定土壤参数具有快速、花费少和非破坏性的特点。利用GPS野外定位,在江西省的红壤站、鄱阳湖站和千烟州站周边共取得41个耕层(0～20 cm)土壤样品。通过对土壤样品高光谱反射率的室内分析测定,研究了土壤在紫外/可见光/近红外波段光谱的反射特性。研究的目的是应用波谱反射建立一个新的研究方法来估算土壤属性含量值。随后应用多元线性逐步回归方法对反射光谱数据进行分析,“B22+H13”光谱数据作为自变量,土壤属性含量作为因变量,建立了土壤属性含量的高光谱预测模型, 并对模型的稳定性和预测能力进行了检验。结果是土壤的pH、有机碳、全氮、全磷、阳离子代换量和碱解氮的相关系数都达到了0.80,而TK、速效磷、速效钾的相关系数在0.68左右。结果表明,应用此方法估算一些土壤属性含量是可行的。     

基于反射光谱的铜元素地球化学异常研究

为了探索应用遥感方法进行Cu元素地球化学异常研究的可行性,基于岩石样本的反射光谱及化学元素含量数据,分析了Cu与其他元素及Cu与反射光谱之间的相关关系,发现Fe与Cu关系最为密切,其次为Ti和As;Cu含量与反射光谱呈负相关性,且Cu含量越高,相关性越强。基于反射光谱对Cu,Fe,Ti,As四种元素进行了偏最小二乘分析,其中Ti建模精度最高,其次为Fe,精度最差的是As,虽然Cu的建模精度不高,但是可以基于Fe与Cu的强相关性,通过Fe来建立Cu异常的间接模型。为了提高建模精度,对反射光谱进行了多种变换,基于获得的多种光谱指标对Fe元素进行了偏最小二乘回归分析,训练样本及验证样本回归模型的最高相关系数分别达0.6876和0.5959。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

土壤湿润条件下基于光谱对称度的盐渍土盐分含量预测

近年来光谱技术以其经济、高效的优势在土壤盐渍化监测研究中得到重视,但是由于土壤水分对反射光谱影响很大,土壤湿润条件下监测精度难以满足农业生产需求。通过对盐土土柱室内模拟蒸发过程中的反射光谱和水分、盐分变化的连续监测,利用多元逐步回归方法,建立了1 370～1 610 nm光谱对称度与土壤表层含盐量、含水量之间的线性关系模型,r为0.863;用该模型反演表层土壤含盐量,实测值与预测值之间线性关系的r为0.656(n=54),RMSE为2.059 g·kg-1。利用光谱对称度可以实现土壤湿润条件下土壤盐分含量预测。     

基于野外可见近红外光谱和水分影响校正算法的土壤剖面有机碳预测

土壤是陆地碳循环的中枢,充分发挥土壤固碳潜力有助于减缓全球气候变化。土壤有机碳 (SOC) 的高度分异性同时体现在空间和垂直分布上,但是许多前期研究往往只考虑了空间分异,而忽略了垂直分异。尤其在青藏高原这种高寒山区,土壤样品采集难度较大且费用昂贵。可见近红外 (Vis-NIR) 光谱作为传统土壤实验室化学分析的辅助手段,能够较为快速和精准地估测SOC含量。但是土壤水分等环境因素会掩盖或改变SOC的Vis-NIR光谱吸收特征进而削弱模型预测精度。外部参数正交化 (EPO) 和分段直接标准化 (PDS) 算法可以有效校正水分对光谱的影响,但其在野外新鲜土柱上的表现还不得而知。本研究旨在探索不同水分影响校正算法对野外剖面土壤光谱的校正能力,对采自中国青藏高原海拔2 900～4 500 m色季拉山的共26个1 m深土柱。沿深度以5 cm×5 cm为测量单元,从各单元中心采集共计386个野外原状湿样Vis-NIR光谱,并在实验室内测得相应386个研磨干样的Vis-NIR光谱以及SOC含量。经EPO和PDS算法校正土壤水分对光谱的影响后,通过随机森林建立土壤光谱和SOC含量的定量预测模型,并使用靴襻法评估不同校正处理下预测模型的不确定。土柱整体及垂直分布的精度结果表明,经PDS法转换的农田和草地土柱湿样光谱均表现出良好的水分校正效果,而EPO法仅对农田土柱有效。水分影响校正算法在不同土壤深度上也存在显著差异,EPO和PDS对农田和草地表层样本的水分校正均效果明显。两种校正方法的效果显示出地类和土层深度的依赖性。本研究为利用Vis-NIR光谱技术在高寒山区野外快速准确估算土壤碳含量的垂直分异提供了必要参考。     

畜禽肉化学成分近红外光谱检测技术研究进展

和传统的肉品化学成分检测方法相比,近红外光谱分析是一种能够快速、简单、安全和可同时测定多种化学成分的肉品检测方法。论述了近年来猪、鸡、牛、羊四种动物肉中粗蛋白质、肌间脂肪、脂肪酸、水分、灰分、肌红蛋白和胶原蛋白七种化学成分的近红外光谱分析检测研究进展,并探讨了目前研究中存在的问题及其原因。从已发表的研究结果可以看出,近红外光谱分析具有替代耗时成本高的现有肉品化学检测方法的巨大潜力,特别是用于商业上同步检测多种化学成分。研究大多采用主成分分析法进行特征光谱筛选,偏最小二乘和修正偏最小二乘法建立校正模型,交互验证进行预测结果评价。目前研究热点集中在肉中脂肪酸含量预测模型和应用近红外高光谱图像和多元回归预测肉中化学成分。近红外光谱预测结果差异性较大,这与样品集选择、光谱预处理和建模方法都有很密切的关系。样品选择对近红外预测精度具有重要的意义,非均质肉样影响了近红外化学成分预测精度。总的来说,肌间脂肪、脂肪酸与水分指标预测效果较好,粗蛋白质和肌红蛋白指标预测效果次之,灰分和胶原蛋白指标预测结果较差。     

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。     

土壤修复过程中盐含量及其光谱特征分析研究

基于盐渍土修复过程中盐分含量和同步实测光谱数据,通过对原始光谱数据、平滑光谱数据及平滑后的不同变换光谱数据等八种光谱数据集,分别以相关系数的极值和不同相关系数范围两种方法分析其最佳敏感波段范围,深入分析了不同变换下土壤的光谱响应特征。在此基础上,运用偏最小二乘回归方法,以全波段(400～1 650 nm)和分析获得的最佳敏感波段建立了基于修复过程的土壤盐含量和光谱反射率的关系模型。结果表明：针对八种光谱数据集,采用两种方法提取的土壤最佳敏感波段,均集中在947.11～949.31,1 340.27,1 394.11,1 419,1 457.81～1 461.31,1 537.68～1 551.39和1 602.32 nm;且最佳波段的土壤盐含量反演模型,以模型评价参数的决定系数(R2)和均方根误差(RMSE),以及赤池信息量准则(akaike’s information criterion, AIC)作为选择最佳模型的标准,均以SGSD(Log R)模型的建模和预测结果比其他光谱变换的模型更为显著。基于全波段的PLSR建模效果总体上稍优于最佳波段的模型,其中以SGSD的预测精度最为突出,其模型的决定系数R2与标准差RMSEP分别为0.673和1.256;基于两种方法获得的最佳波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度比较,具有模型简单、变量更少及运算量小的特点。该研究可在土壤盐含量及其光谱特征的研究中,为实现土壤盐渍化定量、快速、便捷的监测和检测提供参考。     

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。     

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。     

东北黑土不同组分有机碳的近红外光谱测定

不同颗粒组分的土壤有机碳(soil organic carbon,SOC)具有不同的化学组成且对不同农艺措施响应不同,因此了解其信息有助于深入理解SOC对土壤肥力的贡献。本研究旨在评价近红外光谱(near Infraredspectroscopy,NIRS)预测黑土不同颗粒组分SOC(水稳性团聚体结合碳、颗粒态有机碳及不同大小粒级有机碳)的潜力。土壤样品(n=136)采集于东北典型黑土带上,利用偏最小二乘法建立定量模型(n=100),并用独立样本对模型进行检验(n=36)。结果表明:NIRS可以在一定程度上预测水稳性团聚体结合碳含量(R2=0.69-0.82,RPD=1.2-1.8);对矿质结合态SOC(<53μm)(R2=0.97,RPD=5.4)及细粒级SOC(<20μm)(R2=0.93,RPD=3.8)预测结果较好,对颗粒态有机碳(>53μm)和粗粒级SOC(>20μm)预测结果不理想。NIRS在简化黑土不同颗粒组分SOC的测定,特别是矿质结合态(<53μm)SOC,具有很好的应用前景。     

近红外反射光谱法测定苜蓿干草主要纤维成分的研究

采集不同生育期、不同品种和不同干燥方式（烘干、阴干、晒干）的苜蓿干草样品60份,研究了利用近红外反射光谱法分析苜蓿干草中纤维素、半纤维素和木质素含量的可行性。实验结果显示,纤维素的交互验证相关系数（R_CV）、外部验证决定系数（r2）以及验证集样品标准差（SD）与预测残差均方根（RMSEP）的比值（RPD）分别为0.97,0.97,4.44,木质素为0.94,0.94,4.08,表明利用NIRS技术可以准确分析苜蓿干草中纤维素和木质素的含量。半纤维素的R_CV,r2,RPD分别为0.29,0.12,1.09,说明该模型不能进行半纤维素的实际预测。利用近红外反射光谱法准确测定纤维素和木质素含量的结果,对苜蓿生产加工中的质量评价,以及苜蓿育种等研究中纤维品质的快速分析都具有重要意义。