土壤有机碳是影响土壤肥力的最重要因素之一。生物炭由于具有高度芳香化碳结构和发达孔隙结构等特性,可以作为一种土壤改良剂,提高土壤有机碳含量,改善土壤物理结构,近些年成为农业环境领域研究的热点。分别采用传统方法和可见光近红外...土壤有机碳是影响土壤肥力的最重要因素之一。生物炭由于具有高度芳香化碳结构和发达孔隙结构等特性,可以作为一种土壤改良剂,提高土壤有机碳含量,改善土壤物理结构,近些年成为农业环境领域研究的热点。分别采用传统方法和可见光近红外光谱(VIS-NIRS,400-2500 nm)技术对施加不同用量生物炭的土壤有机碳含量进行检测和对比分析,以期为含生物炭土壤的有机碳分析建立有效预测模型。通过比较不同样本选择方法(Kennard-Stone(KS),Random selection(RS)和Sample set partitioning based on joint x-y distances(SPXY))和光谱预处理方法(Savitzky-Golay平滑(SG)、倒数的对数log(1/R)、标准正态变量变换(SNV)、一阶导数(Der1)、二阶导数(Der2)和多元散射校正(MSC)),以3种模型(组合间隔偏最小二乘模型(Synergy Interval Partial Least Squares,siP LS),遗传算法-支持向量机模型(Genetic Algorithm-Support vector machine,GA-SVM)和随机森林模型(Random Forest,RF))来建立生物炭土壤有机碳预测模型。结果表明:(1)施加生物炭增加了土壤有机碳含量,增加幅度随生物炭添加量的提高呈增加趋势;(2)土壤反射率随土壤有机碳含量的增加而降低,在1410、1920和2200 nm光谱附近存在明显的吸收谷;(3)对比3种样本选择方法,KS方法所划分的样本集相对于RS方法和SPXY方法更适用于生物炭土壤有机碳模型的建立;(4)以SG+MSC预处理结合GA-SVM方法建立的模型精度最高,校正集的Rcal2和RMSECV值分别为0.9526和0.4839,验证集的Rval2和RMSEP值分别为0.8598和0.9987,RPD值为2.6017。该模型因具有精度高且模拟效果较好等优点,可用于含生物炭土壤的有机碳含量的科学预测。展开更多
文摘土壤有机碳是影响土壤肥力的最重要因素之一。生物炭由于具有高度芳香化碳结构和发达孔隙结构等特性,可以作为一种土壤改良剂,提高土壤有机碳含量,改善土壤物理结构,近些年成为农业环境领域研究的热点。分别采用传统方法和可见光近红外光谱(VIS-NIRS,400-2500 nm)技术对施加不同用量生物炭的土壤有机碳含量进行检测和对比分析,以期为含生物炭土壤的有机碳分析建立有效预测模型。通过比较不同样本选择方法(Kennard-Stone(KS),Random selection(RS)和Sample set partitioning based on joint x-y distances(SPXY))和光谱预处理方法(Savitzky-Golay平滑(SG)、倒数的对数log(1/R)、标准正态变量变换(SNV)、一阶导数(Der1)、二阶导数(Der2)和多元散射校正(MSC)),以3种模型(组合间隔偏最小二乘模型(Synergy Interval Partial Least Squares,siP LS),遗传算法-支持向量机模型(Genetic Algorithm-Support vector machine,GA-SVM)和随机森林模型(Random Forest,RF))来建立生物炭土壤有机碳预测模型。结果表明:(1)施加生物炭增加了土壤有机碳含量,增加幅度随生物炭添加量的提高呈增加趋势;(2)土壤反射率随土壤有机碳含量的增加而降低,在1410、1920和2200 nm光谱附近存在明显的吸收谷;(3)对比3种样本选择方法,KS方法所划分的样本集相对于RS方法和SPXY方法更适用于生物炭土壤有机碳模型的建立;(4)以SG+MSC预处理结合GA-SVM方法建立的模型精度最高,校正集的Rcal2和RMSECV值分别为0.9526和0.4839,验证集的Rval2和RMSEP值分别为0.8598和0.9987,RPD值为2.6017。该模型因具有精度高且模拟效果较好等优点,可用于含生物炭土壤的有机碳含量的科学预测。