基于VNIR和机器学习算法的原状土剖面Cu含量预测

作     者：王滢艺 徐胜祥 赵永存 史学正 Wang Yingyi;Xu Shengxiang;Zhao Yongcun;Shi Xuezheng

作者机构：中国科学院南京土壤研究所南京210008 中国科学院大学北京100049 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2022年第38卷第7期

页      面：336-344页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 08[工学] 09[农学] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金项目(41771253) 中国科学院战略性先导科技专项课题(XDA28100500) 

主　　题：土壤 重金属 机器学习 可见光-近红外光谱法 

摘      要：快速测量土壤剖面重金属含量是评估土壤重金属污染状况并选择相应修复技术的关键。为了探讨可见光-近红外光谱法(Visible and Near-Infrared Reflectance Spectroscopy,VNIR)预测原状土壤剖面重金属含量的潜力,以江西省两个典型工矿厂周边农田土壤为研究对象,共采集了19个深度约100 cm的完整土壤剖面样品,分别测定土壤剖面样品的VNIR数据及其Cu含量。采用偏最小二乘回归法(Partial Least Squares Regression,PLSR)、Cubist混合线性回归决策树(Cubist Regression Tree,Cubist)、高斯过程回归(Gaussian Process Regression,GPR)和支持向量机(Support Vector Machine Regression,SVM)方法研究不同光谱预处理方法对土壤Cu含量预测精度的影响。结果显示,Cubist、GPR和SVM这三种机器学习算法的预测精度普遍高于PLSR,其中一阶导数(First-Order Derivative,FD)预处理的SVM模型预测精度最高(R2=0.95,均方根误差为7.94 mg/kg,相对分析误差为4.34)。这表明利用VNIR和机器学习可以对原状土壤剖面Cu含量进行有效预测,为快速监测Cu及其他重金属含量的相关研究提供参考。