典型块状煤的可见-近红外光谱特征研究

因可见-近红外波段反射光谱测试方便,仪器成本较低,适用于在线分析,为此针对煤在可见-近红外波段的反射光谱曲线特征规律及其产生机理进行了研究分析。从晋、鲁、宁、吉地区煤矿收集了无烟煤、烟煤、褐煤三大类型中的12种典型煤样,按煤阶从高到低具体包括无烟煤一号、无烟煤二号、贫煤、贫瘦煤、瘦煤、焦煤、肥煤、1/3焦煤、气肥煤、气煤、褐煤一号、褐煤二号,在实验室利用地物光谱仪采集了块状煤样在可见-近红外波段的反射光谱曲线。通过对光谱曲线特征分析,发现无烟煤的反射光谱曲线整体上趋于水平方向,吸收谷特征不明显,随煤阶的降低,光谱反射率、近红外波段光谱斜率整体上呈增加趋势,较明显的吸收谷特征增多且吸收强度增加,有13个较明显的吸收谷特征波段。通过X射线衍射分析（XRD）测定了煤样的碳材料结构和矿物成分,煤非晶质性分子结构的芳构化趋势对煤阶升高时光谱反射率降低、反射曲线趋于平缓起到主要作用。当煤阶降低时,以脂肪侧链为主的有机吸收基团的中红外波段基频在近红外波段的倍频和合频产生众多吸收叠加,绝大多数吸收谷特征不明显,相对较为明显的吸收谷产生在1 700和2 300 nm附近。同时含Fe等过渡金属的矿物、H₂O、粘土矿物等无机物成分也是煤反射光谱曲线吸收谷特征增多的因素。通过对实验煤样X射线荧光分析（XRF）和工业分析测定了煤样中Fe和Al等矿物元素成分含量和空气干燥基水分、灰分、挥发分、固定碳含量,得出煤反射光谱曲线的近红外波段光谱斜率与挥发分产率、固定碳含量分别呈正、负相关性。H₂O谱带吸收深度之和与内在水分含量线性相关性较好,Fe和Al含量与相关波段吸收谷深度之和基本呈线性关系,而主要由有机基团倍频和合频所产生的1 700和2 300 nm附近两处吸收谷深度之和与挥发分产率线性相关性较差。获得典型块状煤种的可见-近红外波段反射光谱特征,为煤矿区高光谱遥感以及煤光谱数据库的建立提供依据,也为直接利用可见-近红外波段的反射光谱曲线波形特征快速、低成本、定性地识别煤种类提供参考;同时对煤矿用煤炭探测光谱传感器的研制具有重要意义。     

基于可见光-近红外光谱的BIF磁性率确定方法研究

铁矿中磁性率是评价铁矿床工业价值和划分矿石工业类型的重要指标。传统的磁性率测定法存在工作量大、效率低、周期长的缺陷,成为经济、合理、高效开采铁矿资源的瓶颈问题。采用便携式地物光谱测试仪对辽宁省鞍钢集团鞍千矿业有限责任公司的BIF实验样品进行可见光-近红外光谱测试,分析了光谱特征,构建了比值指数(RI)、差值指数(DI)和归一化指数(NDI),并确定光谱指数与样品磁性率相关性最显著的敏感波段及对应的相关系数值;优选出与样品磁性率相关性最显著的比值指数(RI),构建实验样品磁性率的定量反演模型,并进行了验证。结果表明,三种光谱指数与样品磁性率敏感波段均位于935与1 050 nm,且该波段处的相关系数均达到0.9以上,其中比值指数与样品磁性率的相关性最高;基于比值指数构建的实验样品磁性率定量反演模型的预测误差为0.038,反演磁性率与实测磁性率的判定系数(R2)为0.964 5,预测结果比较理想。为确定BIF的磁性率提供了一种新方法,该方法具有工作强度小、经济、高效、便捷的优点,且对遥感找矿具有一定指导意义。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

可见光-近红外光谱的矽卡岩型铁矿反演模型

铁矿资源是我国国民经济基础产业中的重要组成要素,在我国经济发展中有举足轻重的地位。铁矿品位的检定效率对铁矿石开采效率有重大影响。目前,铁矿石品位的化学分析检定法,不仅存在成本较高,化验周期长的问题,更主要的是其无法实现铁矿品位原位测定,相对配矿流程存在滞后效应,无法有效降低矿石开采的损失贫化率;基于可见光-近红外光谱分析的铁矿品位原位测定技术是解决这一问题的有效途径。以225个红岭矽卡岩型铁矿测试样本的可见光-近红外光谱数据及化学分析数据为数据源,首先对原始数据进行了平滑处理,并分析了矽卡岩型铁矿可见光-近红外光谱特征,然后利用倒数对数、多元散射校正（MSC）两种预处理方法对平滑后的光谱数据进行处理,再分别以主成分分析法（PCA）、遗传算法（GA）两种降维算法对预处理前后的光谱数据进行了处理,获取了六种不同预处理组合算法处理后的数据源。其中以PCA降维算法所降维数分别为3维、3维、7维;以GA降维算法所降维数分别为477维、489维、509维。最后基于随机森林（RF）和极限学习机（ELM）建立了矽卡岩型矿石金属铁品位的定量反演模型,以决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）三个指标分别对模型的稳定性、精确度、可信度进行评价。结果表明,经MSC处理及PCA降维后的数据基于ELM算法建立的定量反演模型效果最优,其R2可达0.99、RMSE为0.005 7、MRE为2.0%,该方法所建模型对红岭矽卡岩型铁矿品位反演精度有明显的提升。对矽卡岩铁矿品位的实时、快速分析提供了一种有效的方法,对实现矽卡岩型铁矿的高效开采具有重要的现实意义。     

颗粒度对鞍山式铁矿反射光谱特征的影响研究

岩矿反射光谱的决定因素是其成分及含量,变异因素主要为颗粒度、粗糙度、观测角度、表面形态等.为明确颗粒度与鞍山式铁矿反射光谱之间的关系,采用SVC HR-1024便携式地物光谱仪对鞍山式铁矿的两种主要铁矿石(赤铁矿、磁铁矿)进行不同颗粒度下的可见光-近红外光谱测试,分析颗粒度对赤铁矿、磁铁矿反射光谱的影响规律,并明确颗粒...     

快速、高精度可见光-近红外透射光谱测量技术研究

基于传统分光光度测量方法的构架,提出了一种快速、高精度测量可见光-近红外透射光谱的新方法,在该方法的测量过程中,光栅单色器的出射波长保持匀速的连续变化,同时参考光探测器和测试光探测器保持连续的光强采集。初步实验研究表明,新方法可把测量耗时降低到传统分光光度法所需时间的50%以下,测量得到的透射光谱与传统分光光度法的相对误差为0.070%,三次重复性测量的统计误差为0.042%。与现有常见可见光-近红外透射光谱的测量方法(分光光度法、CCD光谱仪法、傅里叶变换光谱仪法)相比,新方法同时具有以下优点：(1)有望显著提高可见光-近红外透射光谱的测量速度,从而应用于透射光谱的动态测量环境中;(2)具有较高的测量精度(0.1%～0.3%);(3)在测量过程中,系统的机械部件始终保持匀速的运动状态,测试系统因而具有较高的机械稳定性。     

融入可见光-近红外高光谱吸收特征的新型植被指数估算天然草地FAPAR

考虑到植被可见光-近红外的光谱吸收特征与光合有效辐射吸收率(fraction of absorbed photosynthetically active radiation,FAPAR)有很好的关联,综合“高光谱曲线特征吸收峰自动识别法”与“光谱吸收特征参量化法”,提取对FAPAR敏感的高光谱吸收特征参数,借鉴可见光-近红外植被指数的数学形式,尝试用优化组合后的可见光-近红外光谱吸收特征参数替代光谱反射率,构建新型植被指数估算植被FAPAR,并利用2014年和2015年内蒙古自治区中部与东部地区天然草地典型群落冠层实测光谱数据进行FAPAR估算建模与验证。结果表明: 新型植被指数“SAI-VI”不仅有效提高了单个光谱吸收特征参数在高、低覆盖区域估算FAPAR的精度,而且相比五种与FAPAR有较好相关性的具有不同作用类型的可见光-近红外植被指数,其与FAPAR值的相关性更高(存在最大相关系数=0.801),以其为变量的指数模型预测FAPAR精度更高且稳定性较好(建模与检验的判定系数均最高且超过0.75,标准误差与平均误差系数也相应最小)。研究表明：融入可见光-近红外高光谱吸收特征的新型植被指数“SAI-VI”,强化了可见光波段与近红外波段光谱吸收特征的差别,相较单一光谱吸收特征参数,在降低土壤背景影响的同时增强了对FAPAR变化的敏感度。同时,“SAI-VI”有效综合了对植被FAPAR敏感的光谱吸收特征信息,相较原始光谱反射率,能表达植被光合有效辐射吸收特征的更多细节信息,可作为植被冠层FAPAR反演的新参数,一定程度上弥补当前植被指数法估算FAPAR的不足。     

波长优选对土壤有机质含量可见光/近红外光谱模型的优化

可见光/近红外光谱模型是土壤属性预测的有效工具。波长优选在光谱建模过程中起着重要作用。文中首先利用从安徽省涡阳县采集的130个砂姜黑土土壤样本获得可见光/近红外光谱,然后利用平滑与多重散射校正联合的光谱预处理方式消除光谱中的无关变量和冗余信息以提高模型预测结果的相关性,再利用SPXY方法挑选建模集样本,分别利用连续投影算法和遗传算法进行波长优选,最后利用留一法进行交互验证建立有机质含量的主成分回归模型。研究结果显示：连续投影算法和遗传算法都可以有效地减少参与建模的波长数并提高模型的准确度,尤其是遗传算法能够更好地提高土壤有机质含量预测精度,其相关系数、预测均方根误差和相对分析误差分别达到0.9316,0.2142和2.3195。通过合适的特征波长选取,不仅计算量可以大大减少,预测精度也会有效提高。     

可见光-近红外波段土壤水分含量偏振光谱响应变化研究

通过在350～2 500 nm波段范围内对不同水分含量的土壤进行偏振光谱测试与分析,确定土壤偏振光谱数据与水分含量之间的关系,研究土壤水分含量对偏振光谱的响应与变化,并确定最佳土壤含水量偏振光谱预测模型。结果表明,微分偏振光谱模型的精度要高于偏振光谱模型和吸光度模型,且模型均呈现拐点含水量,发现不同偏振状态下的拐点含水量均在30%附近,具有一定的规律性。     

基于近红外光谱判断分析煤种的鉴别研究

煤种信息为煤炭质量评价、进出境税收征管提供技术支撑。传统煤种鉴别方法需测定煤炭样品干燥无灰基挥发分、低煤阶煤透光率、粘结指数、恒湿无灰基高位发热量等指标,能耗大,检测周期长,不利于口岸快速通关。基于不消耗化学试剂、快速、低成本等优势,采用近红外光谱鉴别煤种受到广泛关注,但目前还未有针对全球不同产地来源煤炭的煤种鉴别应用,煤炭近红外光谱特征与煤种的相关关系仍有待挖掘。采集了来自澳大利亚、俄罗斯、印度尼西亚等9个国家410批进口煤炭代表性样品,涉及褐煤、烟煤和无烟煤3个煤种,对比分析了不同煤种煤炭样品的漫反射近红外光谱特征,发现不同煤种煤炭样品近红外光谱在吸光度、光谱斜率、特征峰上存在差异。结合样品成分信息、X射线衍射、近红外光谱进行数据挖掘,发现近红外光谱吸光度与煤炭中固定碳含量呈正相关,光谱斜率与煤炭芳构化呈负相关,煤炭芳构化增加导致长波长方向的吸收系数增大,光谱斜率变小,光谱特征吸收峰主要为水分和有机物质含氢基团的特征信息,特征峰强度取决于煤炭中水分和挥发分含量。采用主成分分析（PCA）进行数据降维,光谱变量从1 557个降到394个,对前10个主成分进行逐步判别,筛选出PC1,PC2,PC3,PC4,PC6,PC7,PC8,PC9和PC10代替原始数据作为模型输入变量,建立煤种鉴别的Fisher判别分析模型,建模样品验证准确率为98%,交叉验证准确率为97.8%,测试样品验证准确率为99.1%。PCA载荷图表明：PC1和PC2主要与煤炭挥发分含量相关,其次是水分含量。判别函数1（57.7%）与PC1的相关性最强,判别函数2（42.3%）与PC2的相关性最强,说明不同煤种中挥发分含量和水分含量的差异是近红外光谱进行煤种鉴别的内在依据。     

杂交稻种宜香725纯度的可见-近红外反射光谱鉴定

提出了一种基于可见-近红外光谱技术快速、无损鉴定杂交稻种纯度的新方法.以FieldSpec(R)3地物光谱仪采集纯度在90%～99%范围内的杂交稻种(宜香725)光谱数据90份,随机分成校正集(75份)和检验集(15份).根据其在380～2 400 nm的反射光谱,以偏最小二乘算法(PLS)建立了回归模型,并比较了不同光谱预处理方法对模型的影响.分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息,此时PLS模型校正集决定系数与检验集决定系数分别为0.988 4与0.922 7,校正标准误差(SEC)与预测标准误差(SEP)分别为0.002 5与0.006 6.将经一阶导数结合标准归一化处理后的光谱进行PCA降维,以前20个主成份(含原始光谱86.09%的特征信息)为输入变量,建立杂交稻种纯度鉴定的BP-ANN模型.分析表明BP-ANN模型校正集决定系数与检验集决定系数分别为0.995 2与0.936 9,SEC与SEP分别为0.001 7与0.006 1,具有比PLS模型更高的精度.结果表明以可见-近红外技术进行杂交稻种纯度的快速、无损鉴定是可行的,且PCA结合BP-ANN是一种优选方法.     

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<0.1mm 五种均匀粒径及<1mm 混合粒径共计6种粒径土样并进行了可见-近红外(300～2 500nm)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540nm 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...     

云计算的蚕豆虫害可见-近红外光谱分类

利用蚕豆叶片可见-近红外反射光谱结合导数光谱对健康、少量、大量虫害三种等级的实验样本进行光谱特征分析,并选择虫害检测最优波段。采用Hadoop,Spark和VMWare虚拟机搭建云计算平台,使用MLlib机器学习库实现人工神经网络(ANN)和支持向量机(SVM)分类算法,并对三种等级蚕豆叶片全波段和最优波段光谱进行分类建模与预测。结果表明ANN虫害光谱分类模型准确率优于SVM虫害光谱分类模型,并且在云平台上运行效率更高,同时全光谱波段的预测准确性高于最优波段。通过扩展光谱数据集,云计算技术在光谱数据挖掘中的计算效率有显著提升。云计算分类检测可以为作物生物胁迫光谱识别提供新的技术和方法。     

可见-近红外光谱的古陶瓷断代分类识别

为客观、有效对古陶瓷进行无损断代,提出了一种基于可见-近红外光谱古陶瓷断代分类识别方法。耀州窑古陶瓷跨代较多,且不同朝代之间具有物理相似性,因此耀州窑的断代具有一定的挑战性。以耀州窑为研究对象,在采用紫外-可见-近红外光谱分析仪获取古陶瓷不同朝代的多光谱数据的基础上,提出基于分数阶微分对光谱数据进行预处理,避免微分预处理常用的一阶微分和二阶微分遗漏中间过渡信息,同时压制并消除光谱数据中的背景信息和噪声干扰。实验结果表明,未进行微分处理(0阶)时,耀州窑不同年代古陶瓷的分类准确率仅为84.8%,而基于不同分数阶微分的分类准确率均较0阶明显高,分数阶微分的最优阶数为0.7阶。另外,提出基于深度信念网络对不同朝代古陶瓷进行断代分类,首先采用层叠的受限玻尔兹曼机(RBM)对深度网络进行预训练,提取光谱数据高层特征以消除光谱数据中的冗余特征。实验结果表明,光谱数据经RBM降维之前特征间的相关系数为0.885 7,经第一层和第二层RBM降维后的相关系数分别为0.544 6和0.391 5,特征间的相关性明显下降,冗余度明显减少。然后将RBM预训练得到的权值参数对BP神经网络进行初始化,并对深度信念网络进行微调,在克服BP神经网络因随机初始化权值参数而陷入局部最优局限性的同时,提升网络训练主动性。实验可得,深度信念网络的最优RBM数量为2,RBM隐藏层最优节点数为100。最后,为避免小样本数据基于深度信念网络进行训练易出现过拟合,提出了一种Dropout随机丢弃策略,在深度信念网络训练阶段以一定概率随机让网络某些隐含层节点的权重不工作,以减少网络训练过程特征之间的相互依赖性,实验可得当Dropout丢弃比例为0.45时,分类性能最高。采用所提方法,耀州窑不同朝代古陶瓷分类的平均准确率为93.5%,而耀州窑五代时期的分类识别率最高为96.3%。通过与同类古陶瓷断代分析方法的客观定量对比,表明所提方法有效、可行,为古陶瓷的断代提供了新方法。     

应用可见-近红外高光谱分析烟叶的颜色和部位特征（英文）

颜色和部位是烟叶分级的重要组成部分,是影响烟叶质量的关键因素。以红塔集团提供的6类工业分级烟叶标样作为试验样品,其中包括上(B)、中(C)、下(X)三个部位,每个部位包含桔黄(O)、柠檬黄(L)两个色组。采用基于主成分及Fisher准则(PPF)的方法和支持向量机(SVM)方法分析烟叶可见-近红外高光谱的颜色和部位特征,结果表明,采用PPF投影模型法分别对烟叶颜色、部位以及颜色和部位分组进行投影和相似性分析,两种颜色能完全区分,其相似度值为-1.00 08;上部烟叶和下部烟叶能完全区分,与中部烟叶有部分交集,其中上部烟叶和下部烟叶的相似性值为-0.405 3;6类分组烟叶样品能完全区分,且投影位置关系符合实际的烟叶外观特点。采用SVM方法分别对烟叶颜色、部位以及颜色和部位分组进行判别分析,烟叶颜色的平均识别正确率达到98%,部位的平均识别正确率为96%,颜色和部位分组的平均识别正确率为94%,判别效果良好。因此,应用可见-近红外高光谱分析烟叶的颜色和部位特征具有可行性,为烟叶质量评价、计算机辅助分级以及烟叶智能收购等方面提供参考,同时也为其他农产品外观特性的分析提供了一种新方法。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

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。