比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析

土壤肥力通常由有机质、总氮、速效磷、速效钾等含量决定。这些物质的含量通常采用可见/长波近红外光谱(visible/near-infrared spectroscopy,Vis/NIRS:350~2500 nm)进行研究,可见/短波近红外区域(visible/shortwave near-infrared spectroscopy,Vis/NIRS:325~1075 nm)的研究却非常罕见,将可见/短波近红外光谱结合机器学习算法来测量土壤养分具有巨大潜力。选取了南昌市新建区和吉安市安福县的四个村庄作为样品获取地点,通过2×2网格法选取对角区的10~30 cm深度的土壤样本,其中水稻土120份(水稻土1和水稻土2),棕壤60份、红壤60份。样品经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息。将获取的光谱数据去除325~349和1073~1075 nm的噪声波段,然后采用S-G卷积平滑结合一阶导数进行预处理。将预处理后的光谱数据进行主成分分析(PCA),根据主成分分析得到的得分图(PC1:98.44%,PC2:3.5%,PC3:0.14%)显示出样品存在明显聚类现象且在二维空间内相互可分,样品存在明显聚类现象,PCA可以在一定程度上合理解释不同土壤样品的光谱特征差异。将预处理后的光谱数据建立全波段主成分回归(PCR)和偏最小二乘回归(PLSR)模型,通过PCA和PLSR对光谱数据降维,提取出3个主成分因子(PCs)和9个潜在变量(LVs),建立非线性反向传播神经网络(BPNN)和最小二乘支持向量机(LS-SVM)模型。通过比较PCR、PLSR、BPNN和LS-SVM方法对Vis/SW-NIRS及对OM、TN、P、K的预测精度,得出以下结论:(1)LS-SVM-LVs模型在所有土壤性能方面都优于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型;(2)LS-SVM-LVs模型对OM和N的预测精度最高,这是在NIR区域具有光谱响应的特性;(3)采用Vis/SW-NIRS测定土壤矿质养分P和钾,具有不同的准确性,这是由于光谱活性成分的共变。根据本研究取得的结果,建议采用LS-SVM-LVs分析作为预测土壤性质(OM、TN、P和K)的最佳模型方法。然而,还需要进一步的研究来深入解释在近红外区域不具有直接光谱响应的土壤特性的测量。该研究成果可以为当地的精细农业的发展提供理论与技术参考。