基于近红外光谱技术的土壤有机质预测模型研究

代理获取

页面导航

目录
摘要
著录项
相似文献
相关主题

摘要

本文在建立土壤有机质含量的近红外模型时，分别使用了偏最小二乘回归（PLSR）、主成分回归（PCR）和支持向量机回归（SVR）这三种建模方法，并从校正集选择、光谱预处理方法、模型参数选择等方面进行了研究的，研究结果如下：
　　（1）分别以采集的146个土样和主成分分析选出的79个土样作为校正集，并建立模型。通过比较两个模型的参数指标，发现两个模型的相关系数（R）以及均方根误差（RMSEC）均非常接近，交叉验证的结果也是如此，由此可以说明，筛选出的土壤样品具有代表性，可以作为校正集样品。
　　（2）对比6种不同的光谱预处理组合方法，发现对原始光谱采用“一阶导数、SG卷积平滑和多元散射校正(MSC)”的预处理组合方法时，所构建模型的预测精度最佳，并优于未采用预处理的模型。其中校正模型的相关系数（R）为0.9771，均方根误差（RMSEC）为0.055；验证模型的相关系数（R）为0.9508，均方根误差（RMSEP）为0.084。
　　（3）采用“一阶导数、SG卷积平滑和多元散射校正”的预处理方法，分别利用偏最小二乘回归（PLS）和主成分回归（PCR）建立土壤有机质含量的预测模型。其中采用偏最小二乘回归（PLSR）模型的预测效果最佳，在PLS因子为7时，其校正模型的相关系数（R）为0.9793，均方根误差（RMSEC）为0.0529；验证模型的相关系数（R）为0.9653，均方根误差（RMSEP）为0.0695；交叉验证结果的相关系数（R）为0.9268，均方根误差（RMSECV）为0.0986。而利用主成分回归（PCR）构建的预测模型，主成分数为13，其校正模型的相关系数（R）为0.9560，均方根误差（RMSEC）为0.0781；验证模型的相关系数（R）为0.9229，均方根误差（RMSEP）为0.101；交叉验证结果的相关系数（R）为0.9163，均方根误差（RMSECV）为0.107。在研究中，使用偏最小二乘回归建立的模型要比利用主成分回归建立的模型更加优异。
　　（4）采用“一阶导数、SG卷积平滑和多元散射校正”的预处理方法，并对光谱数据进行[-1,1]区间的归一化处理，通过研究分析，核函数选择径向基核函数，最佳的参数c为8，g为0.00097656，最终建立支持向量机回归的预测模型，并且具有较高的精度。使用该模型分别对训练集和测试集进行预测，其结果为，训练集的预测值与实测值的相关系数为0.9709，均方根误差为0.06907，测试集的预测值与实测值的相关系数为0.9460，均方根误差为0.1111。由此可知，采用非线性建模方法也可以实现对土壤有机质的精确分析，并且对土壤有机质的拟合能力非常好。

著录项

作者
郭青青;
展开▼
作者单位

河南农业大学;

展开▼
授予单位河南农业大学;
学科作物（烟草）
授予学位硕士
导师姓名刘国顺;
年度 2016
页码
总页数
原文格式 PDF
正文语种中文
中图分类 S153.621;
关键词
土壤; 有机质含量; 近红外光谱; 偏最小二乘回归; 主成分回归; 支持向量机回归;

相似文献

中文文献
外文文献
专利

1. 基于修正系数法的抗水分干扰土壤有机质近红外预测模型研究 [J] . 胡晓艳 ,崔旭 ,韩小平 . 光谱学与光谱分析 . 2019,第004期
2. 基于三种空间预测模型的海南岛土壤有机质空间分布研究 [J] . 姜赛平 ,张怀志 ,张认连 . 土壤学报 . 2018,第004期
3. 近红外光谱技术在广东地区不同类型土壤有机质、总氮、水分含量和pH值的测定研究 [J] . 吕雪娟 ,顾蔚蓝 ,区伟珍 . 光谱学与光谱分析 . 2018,第S1期
4. 基于近红外光谱技术建立沉香含油量预测模型 [J] . 林艳 ,何紫迪 ,毛积鹏 . 热带作物学报 . 2018,第001期
5. 基于环境因子和R-STPS的林地土壤有机质预测模型 [J] . 刘二永 ,刘健 ,余坤勇 . 农业机械学报 . 2015,第001期
6. 基于支持向量机的矿区土壤有机质预测研究 [C] . 魏旭晨 ,李效顺 ,闫庆武 . 2018年中国土地学会学术年会 . 2018
7. 松嫩平原典型土壤有机质高光谱预测模型研究 [A] . 康苒 . 2016

基于近红外光谱技术的土壤有机质预测模型研究

目录

摘要

著录项

相似文献

相关主题

期刊订阅