不同土壤类型的有机质含量的可见-近红外光谱检测模型传递方法研究

作     者：胡国田 尚会威 谭瑞虹 许翔虎 潘伟东 HU Guo-tian;SHANG Hui-wei;TAN Rui-hong;XU Xiang-hu;PAN Wei-dong

作者机构：西北农林科技大学机械与电子工程学院陕西杨凌712100 农业农村部农业物联网重点实验室陕西杨凌712100 陕西省农业信息感知与智能服务重点实验室陕西杨凌712100 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2022年第42卷第10期

页      面：3148-3154页

核心收录：

学科分类：081704[工学-应用化学] 07[理学] 08[工学] 0817[工学-化学工程与技术] 070302[理学-分析化学] 0703[理学-化学] 

基　　金：陕西省重点研发计划(一般项目)(2017NY-170) 财政部和农业农村部国家现代农业产业技术体系项目(CARS-23-C07) 陕西省科技创新团队(资源高效设施农业创新团队)项目(2021TD-34)资助 

主　　题：可见-近红外光谱 精细农业 土壤有机质 粒子群-最小二乘支持向量机 模型传递 

摘      要：利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量,但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度,利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机(PSO-LSSVM)校正模型,预测M107B区的23个验证集样品的决定系数R^(2)=0.859,相对分析误差RPD=2.660;将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测,预测R^(2)=0.562,预测RPD=0.952,模型的预测R^(2)和预测RPD分别降低34.6%和64.2%,表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时,预测精度显著降低;将N116B区部分土壤样品加入到M107B区样品集后重新建模,并预测N116B区20个验证集样品的有机质含量,当加入的N116B区土壤样品数量达到35以上,预测R^(2)0.80,预测RPD2.0;加入到校正集的N116B区土壤样品数量从0增加到50,模型预测R^(2)从0.562增加到0.811,预测RPD从0.952增加到2.274,精度逐渐提高。结果表明,在M107B区校正模型中加入N116B区部分土壤样品建模,能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度;加入的N116B区土壤样品数量达到50以上,模型预测性能趋于稳定,预测精度达到实用要求,成功将M107B区土壤有机质含量校正模型传递给N116B区土壤;优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模,可有效避免模型传递时模型性能出现突变。提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度,为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法,为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。