转基因棉花残体土壤降解特征的红外光谱研究

采用重铬酸钾容量法和红外光谱(FTIR)法分析了转基因抗虫棉花残体降解后的土壤腐殖质组分富里酸(FA)、胡敏酸(HA)和胡敏素(HM)的含量和结构特征.结果表明,棉花残体的降解使土壤各腐殖质组分含量增加,胡敏素的相对含量增加最大,胡敏酸次之,富里酸最小.与相应非转基因对照相比,转Bt基因棉花残体处理土壤各腐殖质组分含量...     

棕壤与褐土刺槐林下土壤腐殖质组分的傅里叶变换红外光谱分析

森林土壤富含不同组分和功能的有机碳。该研究以棕壤和褐土45年林龄的刺槐林下表层及底层土壤为对象,研究其林下土壤腐殖酸组分在不同土壤类型和不同土层间的差异和变换。褐土和棕壤表层及底层土壤分别定义为CO和CA,BO和BA。应用傅里叶变换红外光谱对土壤腐殖质组分的富里酸(FA)、胡敏酸(HA)和胡敏素(HM)进行了分析。结果表明富里酸主要吸收峰为3 400 cm-1处的碳水化合物中—OH形成的氢键伸缩振动,1 655 cm-1处的芳香环CC伸缩振动,1 110 cm-1处的脂族C—OH伸缩振动。与富里酸相比,胡敏酸所含官能团与其相似,差异在于其吸收峰强度较弱。胡敏素在1 110 cm-1处的脂族C—OH伸缩振动和1 030 cm-1处多糖或类多糖物质的C—O伸缩振动较胡敏酸此处的峰吸收强度强。根据分析,表层土壤腐殖质官能团结构较底层土壤多且吸收强度强。另外,富里酸不同物质官能团数量及强度受土壤类型和土壤深度的影响较胡敏酸和胡敏素小。根据不同吸收峰对比分析发现,富里酸组分的芳化程度较强,而胡敏酸和胡敏素的芳化作用仅表层土壤程度较强。不同土壤类型胡敏酸组分分析表明,棕壤表层土壤芳族和脂肪族物质吸收强度明显高于褐土。综上,土壤类型和土层显著影响45年林龄的刺槐林下土壤腐殖质组分,尤其是胡敏酸和胡敏素组分。     

棕壤与褐土刺槐林下土壤腐殖质组分的傅里叶变换红外光谱分析（英文）

森林土壤富含不同组分和功能的有机碳。该研究以棕壤和褐土45年林龄的刺槐林下表层及底层土壤为对象,研究其林下土壤腐殖酸组分在不同土壤类型和不同土层间的差异和变换。褐土和棕壤表层及底层土壤分别定义为CO和CA,BO和BA。应用傅里叶变换红外光谱对土壤腐殖质组分的富里酸(FA)、胡敏酸(HA)和胡敏素(HM)进行了分析。结果表明富里酸主要吸收峰为3 400cm~(-1)处的碳水化合物中—OH形成的氢键伸缩振动,1 655cm~(-1)处的芳香环CC伸缩振动,1 110cm~(-1)处的脂族C—OH伸缩振动。与富里酸相比,胡敏酸所含官能团与其相似,差异在于其吸收峰强度较弱。胡敏素在1 110cm~(-1)处的脂族C—OH伸缩振动和1 030cm~(-1)处多糖或类多糖物质的C—O伸缩振动较胡敏酸此处的峰吸收强度强。根据分析,表层土壤腐殖质官能团结构较底层土壤多且吸收强度强。另外,富里酸不同物质官能团数量及强度受土壤类型和土壤深度的影响较胡敏酸和胡敏素小。根据不同吸收峰对比分析发现,富里酸组分的芳化程度较强,而胡敏酸和胡敏素的芳化作用仅表层土壤程度较强。不同土壤类型胡敏酸组分分析表明,棕壤表层土壤芳族和脂肪族物质吸收强度明显高于褐土。综上,土壤类型和土层显著影响45年林龄的刺槐林下土壤腐殖质组分,尤其是胡敏酸和胡敏素组分。     

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。     

基于中红外漫反射光谱的土壤重金属元素含量预测研究

研究了中红外漫反射光谱快速预测土壤重金属元素含量的可行性。以在南京江宁区和八卦洲采集的共161个土壤样品为例,利用偏最小二乘回归(PLSR)法对土壤中Ni,Cr,Cu,As,Zn,Pb,Hg和Cd等8种重金属元素数据进行了预测。通过对样品的中红外(MIR)漫反射光谱进行各种预处理,探讨了中红外光谱数据预处理对预测精度的影响,并比较了中红外光谱与可见光-近红外(VNIR)光谱对土壤重金属含量预测的精度。结果表明,依次经平滑、基线校正、多元散射校正预处理能显著提高中红外光谱数据的预测精度;经校正的中红外光谱对异地样品预测的均方根误差是可见光-近红外光谱的21%～73%,比VNIR波段更能准确预测异地样品中土壤重金属元素含量。研究表明,中红外漫反射光谱可以作为一种快速、非破坏方法预测土壤重金属元素含量,且比可见光-近红外精度高。     

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。     

红外光谱法测定肥料施用26年土壤的腐殖质组分特征

采用红外光谱法探讨了有机肥以及有机肥与化学肥料配合施用26年对棕壤腐殖质及其组分富里酸和胡敏酸的结构变化。结果表明,采用红外光谱仪测定肥料施用对腐殖质及腐殖质组分富里酸和胡敏酸结构的影响是可行的。施肥26年后,不同处理肥料施用后腐殖质具有基本一致的结构;在某些特征峰吸收强度上有不同程度的差异,反映了不同肥料处理对土壤腐殖质的结构单元和官能团数量及组成有明显的影响。不同施肥处理胡敏酸也存在一些差别。红外光谱解析表明,与CK相比,施用有机肥或氮磷钾配合施用后,土壤腐殖质中小分子糖类物质减少,芳族类物质增加。试验结果证实,施用有机肥可明显增加土壤水溶性有机物芳构化程度。利用不同肥料处理腐殖质的红外光谱,可以判断土壤有机质的演变程度。     

黑土腐殖酸的近红外光谱测定

研究了我国黑土腐殖酸碳含量及其光化学性质,并探索了利用近红外光谱分析法(near infrared spectroscopy, NIRS)对其进行预测的潜力。针对东北典型黑土带土壤样品,利用偏最小二乘法(PLSr)建立定量模型,并用独立样本对模型进行检验。结果表明,模型对腐殖酸碳、胡敏酸碳和富里酸碳含量的预测效果很好,NIRS对富里酸碳和胡敏酸碳的465 nm(E₄)和预测结果也较好,665 nm光密度(E₆)的预测达到可接受水平。胡敏酸碳和富里酸碳含量与SOC的相关性,高于其与NIRS模型预测值的相关性,二者光化学性质与SOC的相关性则低于其与模型预测值的相关性。NIRS在简化黑土腐殖酸碳、胡敏酸碳和富里酸碳含量和光密度测定领域具有很好的应用前景,且能够反映SOC性质方面的信息。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

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。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

OLI与6SV的褐土带煤炭开采沉陷区土壤有机碳反演

遥感反演已广泛应用于区域土壤理化性质的动态监测,但是鲜有针对有机碳含量低、下垫面不均一等土壤光谱特性不显著区域的研究。黄土高原褐土带地形多样,丘陵广布,有机碳含量低。采煤活动引起大面积土壤退化,土壤光谱特性受到强烈干扰,制约了区域尺度土壤有机碳(soil organic carbon)含量遥感反演精度。以山西省褐土带典型采煤沉陷区为例,借助地表反射率和室外实地采集的样本数据对褐土带煤矿开采沉陷区土壤有机碳含量进行反演。采用结合高空间、时间分辨率辅助气象数据的6SV(second simulation of a satellite signalin the solar spectrum-vector)模型和FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)模型对研究区Landsat8 OLI影像的大气校正方法进行对比实验,分析其对褐土带采煤沉陷区土壤光谱曲线及有机碳含量的影响,识别敏感波段。选择原始光谱反射率(R)和平方根()、倒数的对数log(1/R)、一阶微分(R′)等数学变换形式,利用多元线性回归(MLR)、BP神经网络(BP neural net)和偏最小二乘回归(PLSR)建立土壤有机碳反演模型。结果表明：6SV模型大气校正的效果要优于FLAASH模型,可以有效消除大气、地形对于反射率的干扰,可见光波段反射率降低而近红外波段明显上升,不同有机质含量等级土壤反射光谱特性分明;640～670,850～880,1 570～1 600和2 110～2 290 nm波段对土壤有机碳含量指示性强;相较于多元线性回归(决定系数R2为0.765)、BP神经网络(R2为0.767),偏最小二乘回归模型反演精度最高(R2为0.778);结合高空间、时间分辨率辅助气象数据的6SV大气校正模型与偏最小二乘回归建模能显著提高褐土带采煤沉陷区土壤有机碳的反演精度。在此基础上预测研究区2013年-2015年土壤有机碳含量,研究发现：研究区土壤有机碳含量中部高,两侧低,复垦使土壤有机碳含量得到恢复。研究结果可用于揭示黄土高原褐土带采煤沉陷区土壤有机碳含量的时空分布特征,为改进区域土壤光谱分析、土地复垦评价、建立褐土带采煤沉陷区碳通量观测网络和土壤碳库估算提供理论和技术支持,对研究区域甚至全球范围褐土带生态可持续发展提供依据。     

近红外光谱Elastic Net建模方法与应用

当近红外光谱信息远大于样本量时，对光谱信息进行自动变量选择进而建立光谱与样品含量的稀疏线性模型重要且具有挑战性。利用近红外光谱，将变量选择方法Elastic Net用于聚苯醚生产过程中微量成分邻甲酚的测量，建立近红外光谱与邻甲酚含量之间的定量校正模型，并将其模型预测效果与Lasso方法进行对比。在变量数目远远大于样本量的情形下，Lasso方法虽可实现变量选择，但由于对系数的过度压缩，使得模型的预测精度受到影响，而Elastic Net通过增加L2惩罚项避免了过多删失数据，可以提高模型预测精度。为了验证Elastic Net方法的模型性能指标，用复相关系数R2和调整的复相关系数R2_a来评价模型的可解释性，利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数Rp来评价模型的预测精度。Lasso方法建立的模型性能指标为：R2=0.94，R2_a=0.93，MRPE=4.51％，R_p=0.96；Elastic Net方法的性能指标为：R2=0.97，R2_a=1，MRPE=3.25％，R_p=0.98。结果表明，Elastic Net所建立模型的性能指标优于Lasso方法，可以得到可解释性较强和预测精度较高的稀疏线性模型。     

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱（Vis-NIR）为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0～10 cm深度的土壤样品，在实验室中分别测定样品的有机质（SOM）含量、重金属砷（As）含量与高光谱；使用基于JAVA语言自主开发的两波段组合软件V1.0（No: 2018R11S177501）计算不同高光谱数据变换形式（原始反射率（R），倒数（1/R），对数（lgR）和平方根（）下Vis-NIR区域（400~2 400 nm）所有两波段组合得到的优化光谱指数（NPDI）与As的相关性，在最优光谱指数（|r|≥0.73和p=0.001）中通过变量重要性准则（VIP）进一步筛选VIP≥1的指数作为模型自变量，基于地理加权回归（GWR）模型估算As含量并使用四个交叉验证度量标准：相对分析误差（RPD），决定系数（R2），均方根误差（RMSE）和最小信息准则（ACI）评价模型精度，从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明：(1）研究区As含量离散度较高，所有样品中SOM含量均小于2％，且As含量与SOM含量在0.01的显著性水平上无显著相关性（|r|=0.113）。（2）As含量与单波段光谱反射率的相关性很低（|r|≤0.228），而通过R，1/R，lgR，计算的NPDIs与As含量的相关性在近红外（NIR，780~1 100 nm）和短波红外（SWIR，1 100~1 935 nm）光谱中发现最高的相关系数和最低的p值（|r|≥0.73和p=0.001），在长波近红外（LW-NIR）区域基于R形成的NPDIs与As含量相关性最高（|r|=0.74）。（3）VIP方法分别筛选NPDI_{R（1 417/1 246）}，NPDI_{1/R（799/953，825/947）}、NPDI_{sqrt-R（1 023/1 257，1 008/1 249，1 021/1 250，1 020/1 247）}和NPDI_{lgR（801/953，811/953，817/951，825/947，828/945）}为GWR模型自变量。(4）从4个预测模型的表现可以看出，Model-a（R）与其他三个模型（Model-b（1/R），Model-c（）和Model-d（lgR））相比，它具有最高的验证系数（R2=0.831，RMSE=4.912 μg·g-1，RPD=2.321）和最低的最小信息准则值（AIC=179.96）。优化光谱指数NPDI_{R(1 417/1 246)}有助于快速准确地估算As含量，为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考，促进露天煤矿区环境污染快速有效调查和生态可持续发展。     

生成式对抗网络的土壤有机质高光谱估测模型

已有的土壤有机质含量估测模型大多以光谱特征波段、线性和非线性模型为基础,较少考虑通过拓展样本数据建模集来提高模型的估测能力。为进一步提高土壤有机质高光谱反演模型估测精度,提出利用生成式对抗网络(GAN)合成伪高光谱数据和有机质含量的动态估测模型。选取湖南省长沙市及周边区域的水稻田为研究对象,采集土样和实测高光谱数据(350~2 500 nm),室内化学测定有机质含量。以高光谱数据和有机质含量为基础,利用生成式对抗网络生成等量新数据, 结合原始数据建模集组成增强建模集。在GAN正式训练中,每轮训练完成后,设置4个观测点(对应增强建模集中含50,100,150和239个生成样本),动态构建交叉验证岭回归(RCV)、偏最小二乘回归(PLSR)和BP神经网络(BPNN)土壤有机质含量估测模型(分别简称GAN-RCV,GAN-PLSR和GAN-BPNN),并在相同测试集上实施模型评估。实验结果表明：(1)原始数据建模集上拟合的估测模型中,交叉验证岭回归表现最佳,决定系数(R2)和均方根误差(RMSE)分别为0.831 1和0.189 6;(2)GAN的150轮正式训练中,增强建模集上动态构建的GAN-RCV,GAN-PLSR和GAN-BPNN模型性能显著提高,具体表现为：GAN-RCV的R2取得最大值0.890 9(RMSE 0.153 7)、最小值0.850 5 (RMSE 0.18)与平均值0.868 7(RMSE 0.168 6),最大R2比建模集上拟合的RCV提高了7.2%(RMSE降低了18.9%),GAN-PLSR获得R2最大值0.855 4(RMSE 0.176 9)、最小值0.727 0 (RMSE 0.243 2)与平均值0.780 1 (RMSE 0.217 7),最大R2比建模集上拟合的PLSR提高了20.6%(RMSE降低了29.5%),GAN-BPNN表现最佳,R2取得最大值0.905 2(RMSE 0.143 3)、最小值0.801 7(RMSE 0.207 3)与平均值0.868 1(RMSE 0.168 6),最大R2比建模集上拟合的BPNN提高了30.8%(RMSE降低了44.5%);(3)随着增强建模集中生成样本数量增加,模型精度提升效果呈先升后降趋势,4个观测点中第3个观测点的模型性能提升最显著。充分的实验表明：基于GAN动态构建的有机质含量估测模型显著改善了模型预测性能。依据测试集上的评估结果,可择优使用最佳模型进行后续土壤有机质含量估测。