基于近紅外光譜技術(shù)的土壤有機(jī)質(zhì)預(yù)測(cè)模型研究.pdf

1、本文在建立土壤有機(jī)質(zhì)含量的近紅外模型時(shí)，分別使用了偏最小二乘回歸（PLSR）、主成分回歸（PCR）和支持向量機(jī)回歸（SVR）這三種建模方法，并從校正集選擇、光譜預(yù)處理方法、模型參數(shù)選擇等方面進(jìn)行了研究的，研究結(jié)果如下：
　　（1）分別以采集的146個(gè)土樣和主成分分析選出的79個(gè)土樣作為校正集，并建立模型。通過(guò)比較兩個(gè)模型的參數(shù)指標(biāo)，發(fā)現(xiàn)兩個(gè)模型的相關(guān)系數(shù)（R）以及均方根誤差（RMSEC）均非常接近，交叉驗(yàn)證的結(jié)果也是如此，由此可以

2、說(shuō)明，篩選出的土壤樣品具有代表性，可以作為校正集樣品。
　?。?）對(duì)比6種不同的光譜預(yù)處理組合方法，發(fā)現(xiàn)對(duì)原始光譜采用“一階導(dǎo)數(shù)、SG卷積平滑和多元散射校正(MSC)”的預(yù)處理組合方法時(shí)，所構(gòu)建模型的預(yù)測(cè)精度最佳，并優(yōu)于未采用預(yù)處理的模型。其中校正模型的相關(guān)系數(shù)（R）為0.9771，均方根誤差（RMSEC）為0.055；驗(yàn)證模型的相關(guān)系數(shù)（R）為0.9508，均方根誤差（RMSEP）為0.084。
　　（3）采用“一階導(dǎo)數(shù)、

3、SG卷積平滑和多元散射校正”的預(yù)處理方法，分別利用偏最小二乘回歸（PLS）和主成分回歸（PCR）建立土壤有機(jī)質(zhì)含量的預(yù)測(cè)模型。其中采用偏最小二乘回歸（PLSR）模型的預(yù)測(cè)效果最佳，在PLS因子為7時(shí)，其校正模型的相關(guān)系數(shù)（R）為0.9793，均方根誤差（RMSEC）為0.0529；驗(yàn)證模型的相關(guān)系數(shù)（R）為0.9653，均方根誤差（RMSEP）為0.0695；交叉驗(yàn)證結(jié)果的相關(guān)系數(shù)（R）為0.9268，均方根誤差（RMSECV）為0.0

4、986。而利用主成分回歸（PCR）構(gòu)建的預(yù)測(cè)模型，主成分?jǐn)?shù)為13，其校正模型的相關(guān)系數(shù)（R）為0.9560，均方根誤差（RMSEC）為0.0781；驗(yàn)證模型的相關(guān)系數(shù)（R）為0.9229，均方根誤差（RMSEP）為0.101；交叉驗(yàn)證結(jié)果的相關(guān)系數(shù)（R）為0.9163，均方根誤差（RMSECV）為0.107。在研究中，使用偏最小二乘回歸建立的模型要比利用主成分回歸建立的模型更加優(yōu)異。
　　（4）采用“一階導(dǎo)數(shù)、SG卷積平滑和多元散

5、射校正”的預(yù)處理方法，并對(duì)光譜數(shù)據(jù)進(jìn)行[-1,1]區(qū)間的歸一化處理，通過(guò)研究分析，核函數(shù)選擇徑向基核函數(shù)，最佳的參數(shù)c為8，g為0.00097656，最終建立支持向量機(jī)回歸的預(yù)測(cè)模型，并且具有較高的精度。使用該模型分別對(duì)訓(xùn)練集和測(cè)試集進(jìn)行預(yù)測(cè)，其結(jié)果為，訓(xùn)練集的預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)為0.9709，均方根誤差為0.06907，測(cè)試集的預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)為0.9460，均方根誤差為0.1111。由此可知，采用非線(xiàn)性建模方法也可以實(shí)