不同pH值土壤中铅含量的太赫兹光谱反演建模研究
发布时间：2021-12-31 03:59
针对土壤中铅含量的定量检测问题,本研究基于太赫兹光谱技术对不同pH下土壤中铅含量的最佳反演预测模型进行了探索性研究。分别制备了pH为8.5, 7.0和5.5的含铅土壤样品,采集样品的太赫兹光谱数据,并对光谱数据做了多元散射矫正（MSC）、基线校正和Savitzky-Golay平滑等预处理。对预处理后的光谱数据,采用连续投影法（SPA）选取光谱数据的特征频率。基于选取的特征频率分别采用偏最小二乘法（PLS）、支持向量机（SVM）和误差反向传播神经网络（BPNN）建立土壤中铅含量的反演预测模型,采用校正集相关系数（Rc）、校正集均方根误差（RMSEC）、预测集相关系数（Rp）、预测集均方根误差（RMSEP）和剩余预测偏差（RPD）作为评价参数对模型性能进行评估,确定铅在不同pH土壤中的最佳预测模型。实验结果表明:在经过SPA选择特征频率后的建模效果普遍比全光谱的效果好。其中pH 8.5的样品最佳预测模型为SPA-PLS,Rc,Rp, RMSEC, RMSEP和RPD分别为0.997 7, 0.994 6...
【文章来源】：光谱学与光谱分析. 2020,40(08)北大核心EISCICSCD
【文章页数】：6 页
【部分图文】：
样品吸收曲线
如图2所示, 以SPA算法对样品光谱数据进行筛选, 得到了特征频率的分布图, 根据对应编号最终筛选出特征频率。 pH 8.5的样品筛选出11个特征频率(0.2, 0.419, 0.6, 0.788, 0.888, 1, 1.206, 1.306, 1.406, 1.469和1.544 THz)。 pH 7.0和pH 5.5的样品, 分别筛选了10个特征频率(0.144, 0.581, 0.775, 1.038, 1.094, 1.206, 1.325, 1.425, 1.531, 1.569 THz)和13个特征频率(0.081, 0.219, 1.356, 1.431, 1.513, 1.588, 1.656, 1.731, 1.8, 1.844, 1.875, 1.925和1.95 THz)。2.4 基于特征频率的预测模型
基于SPA选择的特征频率建立了SPA-PLS, SPA-SVM和SPA-BPNN的预测模型, 其中SPA-PLS的最佳主因子个数, SPA-SVM的最优c和g, SPA-BPNN的最优隐含层节点数以及三种模型的预测结果如表2所示。 可以看出, 在经过SPA选择特征频率后的建模效果普遍比全光谱效果好, 这表明SPA算法选择的特征频率不仅含有原始光谱的有效信息, 能代替原始光谱进行建模, 而且减少了数据量, 达到简化模型并提高模型的精度以及稳健性的目的。 其中, pH 8.5的样品模型预测结果中, 效果最好的为SPA-PLS模型, Rc, Rp, RMSEC, RMSEP和RPD分别为0.997 7, 0.994 6, 14.52 mg·kg-1, 22.70 mg·kg-1和9.63。 pH 7.0的样品模型预测结果较全光谱有了很大提升, 其中效果最好的为SPA-SVM模型, Rc, Rp, RMSEC, RMSEP和RPD分别为0.996 2, 0.975 7, 20.25 mg·kg-1, 33.04 mg·kg-1和4.56; pH 5.5样品SPA-PLS模型中的预测效果相比于全光谱虽有所提升, 但RMSEP仍然高于样品的梯度值50 mg·kg-1, 说明pH 5.5条件下的样品数据不适合类似于PLS的线性预测模型。 但在非线性的预测模型SPA-SVM和SPA-BPNN中, 得到了不错的预测效果, 其中预测效果最好的是SPA-BPNN模型, Rc, Rp, RMSEC, RMSEP和RPD分别为0.968 7, 0.974 4, 48.83 mg·kg-1, 55.03 mg·kg-1和4.44。 基于同一种模型作比较, 还可以得出3种pH条件下的样品的预测效果高低排序依次为pH 8.5>pH 7.0>pH 5.5, 可能是由于铅在进入碱性土壤后, 更容易与土壤产生络合反应, 形成影响太赫兹光谱曲线的化学结合态, 而具体是哪种形态铅影响太赫兹光谱的吸收, 目前尚且不清楚, 有待后续研究。 其中三种pH条件下样品的最佳模型预测图如图3所示。3 结 论
【参考文献】：
期刊论文
[1]基于高光谱反演的复垦区土壤重金属含量经验模型优选[J]. 陈元鹏,张世文,罗明,郧文聚,鞠正山,李少帅. 农业机械学报. 2019(01)
[2]基于GIS的农田土壤重金属空间分布及污染评价——以南京市江宁区某乡镇为例[J]. 谢龙涛,潘剑君,白浩然,张培育,康翔,王飞,朱燕香. 土壤学报. 2020(02)
[3]山东省沂源县土壤重金属来源分布及风险评价[J]. 徐夕博,吕建树,徐汝汝. 农业工程学报. 2018(09)
[4]高标准基本农田建设区域土壤重金属含量的高光谱反演[J]. 张秋霞,张合兵,刘文锴,赵素霞. 农业工程学报. 2017(12)
[5]土壤pH值对重金属形态的影响及其相关性研究[J]. 杨秀敏,任广萌,李立新,罗克洁. 中国矿业. 2017(06)
[6]基于太赫兹光谱的土壤重金属铅含量检测初步研究[J]. 李斌,赵春江. 农业机械学报. 2016(S1)
[7]基于EFAST和PLS的苹果叶片等效水厚度高光谱估算[J]. 冯海宽,李振海,金秀良,杨贵军,万鹏,郭建华,于海洋,杨福芹,李伟国,王衍安. 农业工程学报. 2016(12)
本文编号：3559576
【文章来源】：光谱学与光谱分析. 2020,40(08)北大核心EISCICSCD
【文章页数】：6 页
【部分图文】：
样品吸收曲线
如图2所示, 以SPA算法对样品光谱数据进行筛选, 得到了特征频率的分布图, 根据对应编号最终筛选出特征频率。 pH 8.5的样品筛选出11个特征频率(0.2, 0.419, 0.6, 0.788, 0.888, 1, 1.206, 1.306, 1.406, 1.469和1.544 THz)。 pH 7.0和pH 5.5的样品, 分别筛选了10个特征频率(0.144, 0.581, 0.775, 1.038, 1.094, 1.206, 1.325, 1.425, 1.531, 1.569 THz)和13个特征频率(0.081, 0.219, 1.356, 1.431, 1.513, 1.588, 1.656, 1.731, 1.8, 1.844, 1.875, 1.925和1.95 THz)。2.4 基于特征频率的预测模型
基于SPA选择的特征频率建立了SPA-PLS, SPA-SVM和SPA-BPNN的预测模型, 其中SPA-PLS的最佳主因子个数, SPA-SVM的最优c和g, SPA-BPNN的最优隐含层节点数以及三种模型的预测结果如表2所示。 可以看出, 在经过SPA选择特征频率后的建模效果普遍比全光谱效果好, 这表明SPA算法选择的特征频率不仅含有原始光谱的有效信息, 能代替原始光谱进行建模, 而且减少了数据量, 达到简化模型并提高模型的精度以及稳健性的目的。 其中, pH 8.5的样品模型预测结果中, 效果最好的为SPA-PLS模型, Rc, Rp, RMSEC, RMSEP和RPD分别为0.997 7, 0.994 6, 14.52 mg·kg-1, 22.70 mg·kg-1和9.63。 pH 7.0的样品模型预测结果较全光谱有了很大提升, 其中效果最好的为SPA-SVM模型, Rc, Rp, RMSEC, RMSEP和RPD分别为0.996 2, 0.975 7, 20.25 mg·kg-1, 33.04 mg·kg-1和4.56; pH 5.5样品SPA-PLS模型中的预测效果相比于全光谱虽有所提升, 但RMSEP仍然高于样品的梯度值50 mg·kg-1, 说明pH 5.5条件下的样品数据不适合类似于PLS的线性预测模型。 但在非线性的预测模型SPA-SVM和SPA-BPNN中, 得到了不错的预测效果, 其中预测效果最好的是SPA-BPNN模型, Rc, Rp, RMSEC, RMSEP和RPD分别为0.968 7, 0.974 4, 48.83 mg·kg-1, 55.03 mg·kg-1和4.44。 基于同一种模型作比较, 还可以得出3种pH条件下的样品的预测效果高低排序依次为pH 8.5>pH 7.0>pH 5.5, 可能是由于铅在进入碱性土壤后, 更容易与土壤产生络合反应, 形成影响太赫兹光谱曲线的化学结合态, 而具体是哪种形态铅影响太赫兹光谱的吸收, 目前尚且不清楚, 有待后续研究。 其中三种pH条件下样品的最佳模型预测图如图3所示。3 结 论
【参考文献】：
期刊论文
[1]基于高光谱反演的复垦区土壤重金属含量经验模型优选[J]. 陈元鹏,张世文,罗明,郧文聚,鞠正山,李少帅. 农业机械学报. 2019(01)
[2]基于GIS的农田土壤重金属空间分布及污染评价——以南京市江宁区某乡镇为例[J]. 谢龙涛,潘剑君,白浩然,张培育,康翔,王飞,朱燕香. 土壤学报. 2020(02)
[3]山东省沂源县土壤重金属来源分布及风险评价[J]. 徐夕博,吕建树,徐汝汝. 农业工程学报. 2018(09)
[4]高标准基本农田建设区域土壤重金属含量的高光谱反演[J]. 张秋霞,张合兵,刘文锴,赵素霞. 农业工程学报. 2017(12)
[5]土壤pH值对重金属形态的影响及其相关性研究[J]. 杨秀敏,任广萌,李立新,罗克洁. 中国矿业. 2017(06)
[6]基于太赫兹光谱的土壤重金属铅含量检测初步研究[J]. 李斌,赵春江. 农业机械学报. 2016(S1)
[7]基于EFAST和PLS的苹果叶片等效水厚度高光谱估算[J]. 冯海宽,李振海,金秀良,杨贵军,万鹏,郭建华,于海洋,杨福芹,李伟国,王衍安. 农业工程学报. 2016(12)
本文编号：3559576
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3559576.html
