论文部分内容阅读
本文主要分析了土壤质地和土壤水分对近红外(Near Infrared Reflectance,NIR)土壤有机质(SOM)检测的影响,重点分析了土壤水分对SOM检测的影响。主要研究如下:1、对比分析砂土、壤土、黏土三种不同质地土壤的光谱特性,结果表明不同质地土壤的吸光度值不同,其中以砂土的吸光度值最大,黏土次之,壤土最小。且吸收峰的高度和宽度随质地不同有所变化。2、使用支持向量机(SVM)对不同质地土壤进行分类建模预测,结果得出SVM的分类精度达到91.67%,而且土壤质地的分类预测可以提高土壤有机质的预测精度。3、在山西省境内采集关帝山、中阳、方山、宁武、娄烦、太谷6个不同地方的50个土壤样本作为研究对象,在实验室经自然风干、过筛处理后,配制4%、8%、12%和16%四种含水率土样,随机选取41个干土样本作为建模样本,预测样本为不同含水率下(4%、8%、12%、16%和干土)的9个样本组成的预测集,分析土壤水分对近红外光谱检测的影响,结果表明预测相关系数(R)为0.569,预测标准误差(SEP)为0.835,和预测均方根误差(RMSEP)为0.898,模型效果不理想,说明土壤的吸光度光谱图中存在水分的吸收效应,干扰了模型的预测精度。4、为了降低水分对土壤有机质预测的干扰,利用水分敏感波段2210nm,1415nm和1929nm建立了水分修正系数MDI,使用MDI对不同含水率光谱进行校正,为了验证水分修正系数MDI的效果,选取同一批预测样本对比和分析了经过水分校正处理的不同含水率近红外光谱曲线图及模型预测结果。得出以下结论(1)经过水分系数校正后的等效干土光谱吸光度图明显低于未经校正处理的湿土光谱图,而且与原始干土样本光谱图比较接近。(2)使用所建干土有机质反演模型,预测经MDI校正后的由不同含水率组成的预测样本,得到预测相关系数(R)为0.783,预测标准误差(SEP)为0.505,和预测均方根误差(RMSEP)为0.558。可以看出经水分修正系数MDI校正后的预测样本统计参数明显优于未经校正处理的预测效果,相关系数R值上升了 0.214,预测标准误差SEP值降低了 0.33,预测均方根误差RMSEP的值降低了 0.34。这表明,本研究提出的水分修正系数算法可以降低水分对土壤样品吸光度光谱中的干扰,通过建立等效干土光谱可以降低水分影响,提高土壤有机质预测模型在不同含水率土壤样本下的适用5、使用直接标准化(D S)算法降低由土壤水分引起的测试条件导致的土壤有机质预测模型的传递问题,选取同一批样本对比和分析了经过DS算法校正处理的不同含水率近红外光谱曲线图及模型预测结果。得出以下结论(1)经过DS算法校正后的等效干土光谱吸光度图明显低于未经校正处理的湿土光谱图,而且与原始干土样本光谱图比较接近(2)使用所建干土有机质反演模型,预测经DS算法校正前后的由不同含水率组成的预测样本,得到预测相关系数(R)为0.628,预测标准误差(SEP)为0.683,和预测均方根误差(RMSEP)为0.691。可以看出经DS算法校正后的预测样本统计参数明显优于未经校正处理的预测效果,相关系数R值上升了 0.059,预测标准误差SEP值降低了 0.152,预测均方根误差RMSEP的值降低了 0.207。这表明,DS算法可以降低水分对土壤样品吸光度光谱中的干扰,提高土壤有机质预测模型在不同含水率土壤样本下的适用性。6、基于水分修正系数法和DS模型传递算法,所建立的不同含水率土壤有机质预测模型中,水分修正系数的模型预测效果相对比较好。