傅里叶变换红外光谱的土壤团聚体有机碳和全氮含量估测

发布时间：2021-02-04 15:53

　　土壤团聚体是土壤生态系统的重要组成部分,其碳氮含量及动态决定着土壤碳氮循环过程、稳定性及肥力。由于团聚体分级方法的差异,不同研究所获得的团聚体粒径也不尽相同,应用红外光谱对土壤团聚体性质进行建模预测时若对不同粒径团聚体分别建模需要大量样本且难以对所有组分同时进行合理预测。该研究对不同粒径团聚体样本进行综合建模预测,探寻一种高效可行的不同粒径团聚体性质的综合预测方法。采集了内蒙古淡栗钙土土壤样本进行傅里叶变换红外光谱分析,用遗传算法对特征波长进行了选择,基于偏最小二乘法（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）等方法建立了不同粒径团聚体土壤有机碳（SOC）、全氮（TN）和红外光谱吸光度之间的估测模型。结果表明,基于遗传算法筛选的特征光谱区间构建的土壤团聚体SOC和TN含量的ANN模型的预测能力均是最好的（RPD>2）,显著优于PLSR、 SVM及RF模型;基于全谱数据的ANN模型对土壤团聚体SOC和TN的预测效果均低于基于GA选择的特征光谱区间的ANN模型,说明基于GA的特征光谱区间选择不仅可以简化模型结构,剔除无关的信息,而且可以提高模型的精度和... 

【文章来源】：光谱学与光谱分析. 2020,40(12)北大核心

【文章页数】：7 页

【部分图文】：

经S-G平滑(a)及一阶微分(b)处理后的 团聚体FTIR光谱图

由图2可见, 波长间隔越小, 样本的平均标准偏差越低, 但同时区间数目越多。 在波长间隔大小为6 cm-1时最大标准偏差出现一个低谷, 此时区间数为600个, 因此在兼顾数据相近性与变量少量性的前提下, 确定6 cm-1作为划分区间的适宜大小, 将整个光谱分为600个区间, 然后将区间的平均光谱值作为自变量形成光谱曲线。2.2 土壤团聚体特征光谱区间

采用GA算法并重复5次后, 筛选出团聚体SOC特征光谱区间共计303个。 由团聚体SOC特征光谱区间的分布(图3)可以看出, SOC的特征光谱覆盖范围较广, 但在2 200～2 700及>3 700 cm-1以上波长范围内选取的特征光谱区间较少。 此外, 在GA筛选过程中1 132～1 138, 1 372～1 378, 1 630～1 636, 1 810～1 816, 1 864～1 870cm-1这五个光谱区间在每次重抽样中均被选为特征光谱, 表明这些光谱区间对团聚体SOC含量较为敏感。对于土壤团聚体TN, GA算法共筛选出特征光谱161个。 由团聚体TN特征光谱区间的分布(图3)可以看出, TN的特征光谱覆盖范围较平均, 但在>3 200 cm-1以上波长范围内选取的特征光谱区间较少。 在GA筛选过程中1 114～1 120, 1 258～1 264, 1 264～1 270, 1 276～1 282和1 408～1 414 cm-1这五个光谱区间在每次重抽样中均被选为特征光谱, 表明这些光谱区间对团聚体TN含量较为敏感。

【参考文献】：
期刊论文
[1]可见-近红外光谱的潮间带沉积物有机碳含量的几种模型预测方法[J]. 吕美蓉,任国兴,李雪莹,范萍萍,孙中梁,侯广利,刘岩.  光谱学与光谱分析. 2020(04)
[2]示差红外光谱在土壤有机质组成研究中的应用[J]. 郝翔翔,韩晓增,邹文秀.  分析化学. 2018(04)
[3]基于随机森林方法在土壤有机质近红外建模中的研究[J]. 刘振尧,温江北,高洪智,丁海泉.  现代农业装备. 2017(06)
[4]基于遗传算法结合偏最小二乘的潮土碱解氮高光谱特征及含量估测[J]. 陈红艳,赵庚星,张晓辉,陈敬春,周聪亮.  中国农学通报. 2015(02)



本文编号：3018564