论文部分内容阅读
土壤有机质和全氮作为土壤肥力的重要指标,在生产中具有重要意义,快速准确测定土壤有机质和全氮含量已经成为一个热点问题。近红外光谱NIR(Near Infrared Reflectance,NIR)技术凭借其快速、低耗、多组分同时测定等优点可以满足快速准确掌握大尺度土壤信息的要求。本研究采集松嫩平原齐齐哈尔地区和绥化地区不同类型土壤样品,结合不同光谱信息处理方法和不同建模方法建立土壤近红外光谱估测模型,并采用内部交叉验证和外部验证相结合的方法,以决定系数和均方根误差为指标评价不同估测模型精度。首先,研究不同预处理方法对土壤光谱信息的影响。经过对比发现选择db5小波基对样品近红外光谱数据进行三层小波分解,可以很好的对原始光谱进行去噪,并能较好的保留土壤原始光谱信息,要优于移动窗口平滑方法和最小二乘拟合等方法,这是本研究的创新点之一。采用偏最小二乘法结合不同预处理方法建立了土壤有机质反演模型,来分析比较不同组合对模型的影响,表明二阶导数+小波变换+多元散射校正为最优预处理方法,建模决定系数达到0.884。然后,比较不同方法建立的土壤光谱反演土壤特性模型精度。本研究采用PLS、WNN和LSSVM方法建立土壤特性近红外光谱反演模型,是本研究的创新点之二。结果显示：PLS模型最为简单,精度较低,但具有很好的推广价值。LSSVM模型精度较高,但是稳定性欠缺。WNN模型最优,具有很高的决定系数和较低的均方根误差。其中,WNN土壤全氮含量估测模型内部交叉验证的决定系数和均方根误差分别为0.974和0.0139,外部验证的决定系数和均方根误差分别为0.9627和0.0130；WNN土壤有机质含量估测模型内部交叉验证的决定系数和均方根误差分别为0.990和0.2097,外部验证的决定系数和均方根误差分别为0.9827和0.2114；土壤有机质模型要优于土壤全氮模型,进一步说明土壤有机质与近红外光谱信息相关性强。同时,WNN模型在建立过程中隐层节点个数的选择尤为重要,个数太少时模型达不到要求,过多时模型较为复杂并且可能出现过拟合现象,发现隐层节点个数为5时模型达到最优；LSSVM算法在建模过程之前,必须要先确定惩罚因子和核函数参数取值,否则模型精度会受到较大影响,通过十折交叉验证方法选取参数,发现当σ2和C取11.6888和24.9289时,土壤全氮估测模型达到最优,当σ2和C分别为11.7878、26.7735为时,土壤有机质估测模型最优。