近红外光谱技术结合竞争自适应重加权采样变量选择算法快速测定土壤水解性氮含量
发布时间：2022-01-25 22:44
为了能够快速准确地掌握整个昆明地区土壤水解性氮含量的情况,收集963个不同类型的土壤样品,采用竞争自适应重加权采样（Competitive adaptive reweighted sampling,CARS）变量选择方法筛选波长变量,并建立水解性氮的偏最小二乘法（Partial least squares,PLS）分析模型。结果表明,采用CARS方法优选波长变量后,模型参数有所改善,交互验证标准偏差（Root mean square error of cross validation,RMSECV）由31.63降至25.55,交互验证相关系数(Correlation coefficientof cross validation,Rcv)由0.78提升至0.84,且模型外部验证结果与内部交叉验证结果基本一致。研究结果表明近红外光谱技术结合CARS分法,在大量代表性样品建模下,能够有效建立昆明地区不同土壤类型的水解性氮含量的近红外数学模型,方法可推广应用于土壤其他组分的近红外检测,具有重要的指导意义。
【文章来源】：分析测试学报. 2020,39(10)北大核心CSCD
【文章页数】：6 页
【部分图文】：
样品原始光谱图(A)和经过小波变换后的光谱图(B)
表4 模型计算结果Table 4 Calculation results of models Soil property Factors NV RMSEC Rc RMSECV Rcv RMSEP Rp Mean relative deviation NA Hydrolytic nitrogen 22 178 22.25 0.88 25.55 0.84 29.83 0.79 12.50% 39 (NV代表CARS方法筛选出的波长数量;NA代表建模过程中剔除异常样品的数量)NV is the number of wavelengths screened by CARS method;NA is the number of abnormal samples removed during the modeling process图4 水解性氮校正集和验证集的参考值与预测值散点图
图3 水解性氮建模的RMSECV和Rcv随因子数变化的趋势图模型校正集和验证集的参考值与预测值拟合的散点图见图4。图4显示,模型验证集样品均匀分布在土壤水解性氮整个浓度范围内,具有代表性,表明验证集样品的验证结果能够真实反映模型预测结果,且验证集样品的参考值和预测值偏差较小,平均相对偏差仅为12.50%,进一步表明采用CARS方法能有效筛选土壤相关波长变量,从而改善模型结果。
【参考文献】：
期刊论文
[1]基于谐波分析和高光谱遥感的土壤含水量反演研究[J]. 姜雪芹,叶勤,林怡,李西灿. 光学学报. 2017(10)
[2]高光谱技术结合CARS算法预测土壤水分含量[J]. 于雷,朱亚星,洪永胜,夏天,刘目兴,周勇. 农业工程学报. 2016(22)
[3]基于CARS算法的脐橙果园土壤有机质近红外检测[J]. 刘燕德,姜小刚,熊松盛,刘德力. 中国农机化学报. 2016(02)
[4]可见-近红外光谱技术结合递归变量选择算法对土壤全氮与有机质含量测定研究[J]. 贾生尧,唐旭,杨祥龙,李光,张建明. 光谱学与光谱分析. 2014(08)
[5]近红外光谱在无机微量成分分析中的应用[J]. 邵学广,宁宇,刘凤霞,李积慧,蔡文生. 化学学报. 2012(20)
本文编号：3609327
【文章来源】：分析测试学报. 2020,39(10)北大核心CSCD
【文章页数】：6 页
【部分图文】：
样品原始光谱图(A)和经过小波变换后的光谱图(B)
表4 模型计算结果Table 4 Calculation results of models Soil property Factors NV RMSEC Rc RMSECV Rcv RMSEP Rp Mean relative deviation NA Hydrolytic nitrogen 22 178 22.25 0.88 25.55 0.84 29.83 0.79 12.50% 39 (NV代表CARS方法筛选出的波长数量;NA代表建模过程中剔除异常样品的数量)NV is the number of wavelengths screened by CARS method;NA is the number of abnormal samples removed during the modeling process图4 水解性氮校正集和验证集的参考值与预测值散点图
图3 水解性氮建模的RMSECV和Rcv随因子数变化的趋势图模型校正集和验证集的参考值与预测值拟合的散点图见图4。图4显示,模型验证集样品均匀分布在土壤水解性氮整个浓度范围内,具有代表性,表明验证集样品的验证结果能够真实反映模型预测结果,且验证集样品的参考值和预测值偏差较小,平均相对偏差仅为12.50%,进一步表明采用CARS方法能有效筛选土壤相关波长变量,从而改善模型结果。
【参考文献】：
期刊论文
[1]基于谐波分析和高光谱遥感的土壤含水量反演研究[J]. 姜雪芹,叶勤,林怡,李西灿. 光学学报. 2017(10)
[2]高光谱技术结合CARS算法预测土壤水分含量[J]. 于雷,朱亚星,洪永胜,夏天,刘目兴,周勇. 农业工程学报. 2016(22)
[3]基于CARS算法的脐橙果园土壤有机质近红外检测[J]. 刘燕德,姜小刚,熊松盛,刘德力. 中国农机化学报. 2016(02)
[4]可见-近红外光谱技术结合递归变量选择算法对土壤全氮与有机质含量测定研究[J]. 贾生尧,唐旭,杨祥龙,李光,张建明. 光谱学与光谱分析. 2014(08)
[5]近红外光谱在无机微量成分分析中的应用[J]. 邵学广,宁宇,刘凤霞,李积慧,蔡文生. 化学学报. 2012(20)
本文编号：3609327
本文链接：https://www.wllwen.com/kejilunwen/nykj/3609327.html
