為了能夠快速準確地掌握整個昆明地區(qū)土壤水解性氮含量的情況,收集963個不同類型的土壤樣品,采用競爭自適應重加權采樣（Competitive adaptive reweighted sampling,CARS）變量選擇方法篩選波長變量,并建立水解性氮的偏最小二乘法（Partial least squares,PLS）分析模型。結果表明,采用CARS方法優(yōu)選波長變量后,模型參數(shù)有所改善,交互驗證標準偏差（Root mean square error of cross validation,RMSECV）由31.63降至25.55,交互驗證相關系數(shù)(Correlation coefficientof cross validation,R_cv)由0.78提升至0.84,且模型外部驗證結果與內(nèi)部交叉驗證結果基本一致。研究結果表明近紅外光譜技術結合CARS分法,在大量代表性樣品建模下,能夠有效建立昆明地區(qū)不同土壤類型的水解性氮含量的近紅外數(shù)學模型,方法可推廣應用于土壤其他組分的近紅外檢測,具有重要的指導意義。 

【文章來源】：分析測試學報. 2020,39(10)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

樣品原始光譜圖(A)和經(jīng)過小波變換后的光譜圖(B)

表4 模型計算結果Table 4 Calculation results of models Soil property Factors NV RMSEC Rc RMSECV Rcv RMSEP Rp Mean relative deviation NA Hydrolytic nitrogen 22 178 22.25 0.88 25.55 0.84 29.83 0.79 12.50% 39 (NV代表CARS方法篩選出的波長數(shù)量;NA代表建模過程中剔除異常樣品的數(shù)量)NV is the number of wavelengths screened by CARS method;NA is the number of abnormal samples removed during the modeling process圖4 水解性氮校正集和驗證集的參考值與預測值散點圖

圖3 水解性氮建模的RMSECV和Rcv隨因子數(shù)變化的趨勢圖模型校正集和驗證集的參考值與預測值擬合的散點圖見圖4。圖4顯示,模型驗證集樣品均勻分布在土壤水解性氮整個濃度范圍內(nèi),具有代表性,表明驗證集樣品的驗證結果能夠真實反映模型預測結果,且驗證集樣品的參考值和預測值偏差較小,平均相對偏差僅為12.50%,進一步表明采用CARS方法能有效篩選土壤相關波長變量,從而改善模型結果。

【參考文獻】：
期刊論文
[1]基于諧波分析和高光譜遙感的土壤含水量反演研究[J]. 姜雪芹,葉勤,林怡,李西燦.  光學學報. 2017(10)
[2]高光譜技術結合CARS算法預測土壤水分含量[J]. 于雷,朱亞星,洪永勝,夏天,劉目興,周勇.  農(nóng)業(yè)工程學報. 2016(22)
[3]基于CARS算法的臍橙果園土壤有機質(zhì)近紅外檢測[J]. 劉燕德,姜小剛,熊松盛,劉德力.  中國農(nóng)機化學報. 2016(02)
[4]可見-近紅外光譜技術結合遞歸變量選擇算法對土壤全氮與有機質(zhì)含量測定研究[J]. 賈生堯,唐旭,楊祥龍,李光,張建明.  光譜學與光譜分析. 2014(08)
[5]近紅外光譜在無機微量成分分析中的應用[J]. 邵學廣,寧宇,劉鳳霞,李積慧,蔡文生.  化學學報. 2012(20)



本文編號：3609327