氮是农作物生长发育所必需的元素。掌握其土壤中成分含量的动态变化,能更好的对农田管理和监控农作物生长,科学的对农作物进行施肥,从而提高农作物产量。测定土壤总氮(Total nitrogen,TN)含量传统的方法主要是化学分析相关方法。它的缺点是过程相对复杂,费时和费力;产生化学废物,污染环境;测量周期长,不能快速监测土壤TN含量,难以满足数字环保以及快速检测的需要。化学计量学和计算机技术的发展,推广了可见近红外光谱分析技术,使其逐渐发展成为一门独立的分析技术。近红外光谱分析技术NIRS优点是分析速度快、效率高、检测无损、不使用化学试剂、无污染、稳定性高。因在土壤养分快速检测领域得到非常广泛应用。本课题将对NIRS测定土壤中TN进行研究。研究区域为成都市崇州示范区农田,采集100个土壤样本,利用国家标准方法(凯氏定氮法)测定样品中TN含量,实验室测得土壤样本水分含量。然后分别测量烘干前后土壤样品的近红外光谱,主要内容分为以下3部分:1.光谱预处理:使用移动平均平滑、SG平滑、一阶导数平滑、二阶导数平滑、标准正态变量变换SNV共5种不同光谱预处理算法处理土壤样本光谱,然后结合偏最小二乘法建立定量回归预测模型。根据相应模型指标,分析不同光谱预处理算法实验结果。2.光谱建模分析:对比分析了线性和非线性,分别为多元线性回归MLR、主成分回归PCR、偏最小二乘回归PLSR、支持向量回归SVR、人工神经网络ANN,共5种光谱全波长建模算法定量回归建模预测土壤TN效果。并且对比分析了竞争性自适应加权CARS和随机蛙跳算法Randomfrog这两种特征波长结合PLSR建模算法的实验结果。3.土壤水分去除:为了减少了土壤水分对光谱建模分析的影响,使用直接光谱转换算法DS,对野外的湿土壤光谱与经过实验室处理后干土壤光谱建立转换矩阵F,来消除水分因素的干扰。根据光谱建模实验结果:(1)在5种光谱预处理算法中,SG平滑光谱预处理算法效果最好。(2)对比5种全波长建模算法,实验结果显示PLSR是最优建模算法。决定系数R~2=0.779,均方根误差的数值为55.97mg/kg,RPD值为6.46。(3)在特征波长建模算法中,实验结果显示CARS特征波长结合PLSR建模效果最好。决定系数R~2=0.791、RMSEP的数值为65.94mg/kg、RPD值为5.76,预测效果不错。其中CARS算法提取的10个特征波长分别为1431nm、1442nm、1445nm、1477nm、1482nm、2650nm、2758nm、2838nm、2858nm、2870nm、2915nm、2920nm。实验结果显示,全波长PLSR算法实验结果略优于特征波长CARS+PLSR算法。但是全光谱数据维度高、冗余信息多、模型复杂性高。CARS结合PLSR建模算法通过提取特征变量,去除了冗余变量,在模型简化方面更优。(4)使用DS算法对土壤湿光谱进行处理,再利用SG算法进行光谱预处理以及全波长PLSR算法进行建模,结果如下:决定系数R~2=0.702,RMSEP的数值为200.89mg/kg,RPD=1.83。显示DS算法有去除土壤水分因素干扰的潜力,但是均方根误差值较大,尚未能很好的建立精确的定量回归预测土壤TN模型,因此还需进一步优化提高。