基于近红外光谱技术的土壤有机质预测模型研究

发布时间：2020-07-13 18:17

【摘要】：本文在建立土壤有机质含量的近红外模型时,分别使用了偏最小二乘回归(PLSR)、主成分回归(PCR)和支持向量机回归(SVR)这三种建模方法,并从校正集选择、光谱预处理方法、模型参数选择等方面进行了研究的,研究结果如下:(1)分别以采集的146个土样和主成分分析选出的79个土样作为校正集,并建立模型。通过比较两个模型的参数指标,发现两个模型的相关系数(R)以及均方根误差(RMSEC)均非常接近,交叉验证的结果也是如此,由此可以说明,筛选出的土壤样品具有代表性,可以作为校正集样品。(2)对比6种不同的光谱预处理组合方法,发现对原始光谱采用“一阶导数、SG卷积平滑和多元散射校正(MSC)”的预处理组合方法时,所构建模型的预测精度最佳,并优于未采用预处理的模型。其中校正模型的相关系数(R)为0.9771,均方根误差(RMSEC)为0.055;验证模型的相关系数(R)为0.9508,均方根误差(RMSEP)为0.084。(3)采用“一阶导数、SG卷积平滑和多元散射校正”的预处理方法,分别利用偏最小二乘回归(PLS)和主成分回归(PCR)建立土壤有机质含量的预测模型。其中采用偏最小二乘回归(PLSR)模型的预测效果最佳,在PLS因子为7时,其校正模型的相关系数(R)为0.9793,均方根误差(RMSEC)为0.0529;验证模型的相关系数(R)为0.9653,均方根误差(RMSEP)为0.0695;交叉验证结果的相关系数(R)为0.9268,均方根误差(RMSECV)为0.0986。而利用主成分回归(PCR)构建的预测模型,主成分数为13,其校正模型的相关系数(R)为0.9560,均方根误差(RMSEC)为0.0781;验证模型的相关系数(R)为0.9229,均方根误差(RMSEP)为0.101;交叉验证结果的相关系数(R)为0.9163,均方根误差(RMSECV)为0.107。在研究中,使用偏最小二乘回归建立的模型要比利用主成分回归建立的模型更加优异。(4)采用“一阶导数、SG卷积平滑和多元散射校正”的预处理方法,并对光谱数据进行[-1,1]区间的归一化处理,通过研究分析,核函数选择径向基核函数,最佳的参数c为8,g为0.00097656,最终建立支持向量机回归的预测模型,并且具有较高的精度。使用该模型分别对训练集和测试集进行预测,其结果为,训练集的预测值与实测值的相关系数为0.9709,均方根误差为0.06907,测试集的预测值与实测值的相关系数为0.9460,均方根误差为0.1111。由此可知,采用非线性建模方法也可以实现对土壤有机质的精确分析,并且对土壤有机质的拟合能力非常好。
【学位授予单位】：河南农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S153.621
【图文】：

原理图,近红外光谱,土样,原理图

图1-1 为近红外光谱作用于土样作用的原理图。由比耳定律可知[2]，土壤的养分有高低之分，土壤的类型也存在着差异，这就会导致土样光谱也存在差异，这就为近红外光谱分析技术预测土壤样品中养分含量提供了可能。图 1-1 近红外光谱作用于土样原理图Fig.1-1 The principle of near infrared spectroscopy in soil sample1.1.2 近红外光谱分析技术特点近红外光谱技术在分析有机化合物中拥有很多优势，使它能在短时间内成长起来，而且应用在

模块图,近红外分析仪,积分球,模块

图 3-1 近红外分析仪的积分球固体采样模块Fig.3-1 Integrating sphere solid sampling module of near infrared analyzer模方法究采用的建模方法有偏最小二乘回归，主成分回归，支持向量机回归。

结构图,支持向量机,结构图

图3-2支持向量机结构图

【参考文献】