為了能夠快速準(zhǔn)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(yīng)重加權(quán)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(jié)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(biāo)準(zhǔn)偏差（Root mean square error of cross validation,RMSECV）由31.63降至25.55,交互驗證相關(guān)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(jié)果與內(nèi)部交叉驗證結(jié)果基本一致。研究結(jié)果表明近紅外光譜技術(shù)結(jié)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(xué)模型,方法可推廣應(yīng)用于土壤其他組分的近紅外檢測,具有重要的指導(dǎo)意義。 

【文章來源】：分析測試學(xué)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(jié)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(yù)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(yù)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(jié)果能夠真實反映模型預(yù)測結(jié)果,且驗證集樣品的參考值和預(yù)測值偏差較小,平均相對偏差僅為12.50%,進(jìn)一步表明采用CARS方法能有效篩選土壤相關(guān)波長變量,從而改善模型結(jié)果。

【參考文獻(xiàn)】：
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(xué)學(xué)報. 2017(10)
[2]高光譜技術(shù)結(jié)合CARS算法預(yù)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(xué)報. 2016(22)
[3]基于CARS算法的臍橙果園土壤有機(jī)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(jī)化學(xué)報. 2016(02)
[4]可見-近紅外光譜技術(shù)結(jié)合遞歸變量選擇算法對土壤全氮與有機(jī)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(xué)與光譜分析. 2014(08)
[5]近紅外光譜在無機(jī)微量成分分析中的應(yīng)用[J]. 邵學(xué)廣,寧宇,劉鳳霞,李積慧,蔡文生.  化學(xué)學(xué)報. 2012(20)



本文編號：3609327