田间行走式测定的红外光谱数据与土壤质地之间的相关性研究

近红外光谱是利用漫反射来分析物质的某些化学性质,已在农业及其他许多领域得到广泛应用。尽管在实验室条件下,研究证明可以应用近红外光谱分析技术来快速、方便地测定土壤参数,但在田间大范围内应用红外光谱快速测定来分析土壤性质,仍然缺乏研究;该研究以田间行走式设备获取的红外光谱数据为基础,分析和比较了不同数据处理技术下红外光谱信息与土壤质地之间的相关性,发现应用基于算术运算的波段组合技术可以明显地提高红外光谱信息与土壤质地之间的相关性,为田间光谱数据的分析处理与应用提供了依据。

基于变量选择的偏最小二乘回归法和田间行走式近红外光谱进行土壤碳含量测定研究

针对田间状态下通过行走式设备获取的近红外反射光谱数据,存在干扰因素多,数据获取环境复杂多变,比实验室条件下建立土壤碳预测模型更加困难的情况,研究了通过变量选择来提高模型质量的效果及有效性。从独立检验数据集来分析,与采用所有变量所建模型的预测精度相比,进行变量选择后的预测精度,均有不同程度的提高,说明在建立土壤碳预测模型时,进行光谱变量选择,是有益和必要的。基于无信息变量消除法(UVE)和无信息变量消除-连续投影法(UVE-SPA)进行变量选择所建模型的预测精度较高,而SPA和遗传算法-偏最小二乘法(GA-PLS)的效果较差;对于协同区间最小二乘法而言,分割的区间数、参与建模子区间数的变化,会对所建模型的预测精度产生影响,选择合适的区间分割数和子区间组合,可以获得与UVE和UVE-SPA相当的效果,但其不足是需要大量的运算来进行最优子区间组合的选择。

应用田间行走式红外光谱进行土壤碳含量估测研究

对应用田间行走式设备获取的土壤红外光谱数据,通过特征变换和特征选择相结合,以提高所建立土壤碳校正模型的预测精度。首先应用独立成分分析(ICA)、主成分分析(PCA)和小波分析(WA)对土壤红外光谱数据进行特征变换,然后分别应用无信息变量消除法(UVE)、连续投影算法(SPA)、无信息变量消除结合连续投影算法(UVE-SPA)、基于遗传算法和偏最小二乘法的变量选择法(GA-PLS)来进行特征选择,基于所选择的特征建立了土壤碳校正模型。结果表明,通过ICA进行特征变换,然后进行特征选择,可以建立比直接对光谱数据进行波长选择精度更好的预测模型;而WA或PCA与特征选择方法结合,只能获得与对光谱数据直接进行波长选择相近的效果。因此,针对田间条件下通过行走式设备获得的光谱数据由于受复杂的环境条件下干扰多的情况,可以将ICA与特征选择方法结合起来对光谱数据进行特征变换和选择,以建立更可靠的土壤碳含量预测模型。

用近红外光谱预测土壤碳含量的研究

以田间行走式设备获取的近红外光谱数据为基础,利用最小二乘回归法(PLSR)建立了应用近红外光谱数据预测土壤碳含量的校正模型,与利用原始光谱数据建立的模型相比,应用经比值或归一化差值处理的光谱数据建立的校正模型可以提高预测精度.精度提高的原因可能是光谱数据经过波段算术组合处理后,能降低模型建立过程中产生过配的风险,使模型能包括更多的成分和信息.研究结果表明,利用偏最小二乘回归法,可以有效地建立田间近红外光谱与土壤碳含量之间的校正模型;同时,应用比值或归一化差值这些波段算术组合方法来处理近红外光谱数据,可以进一步提高模型的预测精度.因此,应用行走式设备获取的近红外光谱数据来快速测定田间土壤中碳的含量是可行的.