光谱数据变换和光谱特征波长提取是二种重要的光谱预处理方法, 对消除环境等干扰具有重要的作用。 以往文献主要对比研究不同的光谱数据变换方法, 光谱特征波长提取方法的对比研究以及二者的组合研究较少。 为了获取适宜的光谱预处理方法, 提高潮间带沉积物氮的最小二乘支持向量机（LSSVM）模型精度, 研究了4种光谱变换方法与3种特征波长提取方法组合对沉积物氮LSSVM模型精度的影响, 以期实现潮间带沉积物氮的精确预测。 研究结果表明, 多元散射校正（MSC）或标准正态变换（SVN）光谱变换方法提高了光谱与氮含量的相关性, 最高相关系数分别达到0.69和0.71; 并且提高了LSSVM模型的预测精度, 模型的预测R2和RPD分别为0.88, 0.87和2.78, 2.69。 无信息变量消除（UVE）特征波长提取方法也提高了LSSVM模型的预测精度, 模型预测R2和RPD分别0.89和2.70。 但是, UVE提取的特征波长并不都与氮含量具有高相关性。 此外, 组合运用UVE特征波长提取方法和MSC或SVN光谱变换方法, 也提高了模型预测精度, 但并不优于单独运用UVE特征波长提取方法或单独运用MSC及SVN光谱变换方法。 研究结果可为潮间带沉积物氮估算和光谱数据预处理提供技术参考。

可见-近红外光谱已被证明是一种快速、 有效的有机碳(TOC)含量预测方法。 但是, 当前利用光谱预测TOC含量的研究对象主要为土壤或湖泊沉积物, 还未见潮间带海洋沉积物的研究报道。 为了快速准确预测潮间带沉积物TOC含量, 通过异常样本剔除、 光谱特征变换、 特征波长提取相结合, 构建TOC预测模型, 即, 采集潮间带沉积物样品光谱, 采用马氏距离、 标准杠杆值和学生残差联合分析的方法剔除异常样本, 利用多元散射校正(MSC)、 平滑+微分进行光谱变换, 利用遗传算法(GA)提取特征波长, 采用偏最小二乘法(PLS)、 最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测, 通过决定系数(R2)和剩余估计偏差(PRD)来评价模型精度。 结果表明, 剔除异常样本有助于提升模型精度, BPNN模型的检验R2和PRD分别提升了28%和39%。 MSC光谱变换效果优于平滑+微分, 基于MSC光谱变换的PLS, LSSVM和BPNN模型检验R2分别为0.81, 0.86和0.78, PRD分别为2.25, 2.59和2.07, 比平滑+微分提升了9%~20%(R2)和11%~22%(PRD), 意味着MSC具有较强的TOC信息提取能力。 GA不利于增加预测模型精度, 基于GA特征波长的模型预测R2降低了9%~36%, PRD降低了18%~33%, 可能与GA提取的特征波长数量偏少有关。 BPNN模型的预测精度最低, 可能与其容易陷入局部极小点有关。 PLS模型精度较高, 可以很好的预测潮间带沉积物TOC含量。 基于异常样本剔除和MSC光谱变换, PLS模型的建模R2为0.98, 检验R2为0.81, RPD为2.25。 LSSVM模型精度更优于PLS, LSSVM模型建模R2为0.99, 检验R2和RPD分别为0.86和2.59, 显示极好的TOC定量预测能力。 总之, 针对潮间带沉积物TOC含量预测, 可以将剔除异常样本、 MSC光谱变换、 LSSVM建模结合起来, 以获得可靠、 稳定的预测模型。

光谱已经应用于土壤养分速测的分析, 但是如何寻找土壤光谱特征波段, 尽最大可能避免无用信息干扰、 保留有用信息, 建立准确度高、 预测效果好的模型仍是一个亟需解决的问题。 以青岛三个不同地区土壤样品为例, 测定土壤样品的紫外-可见-近红外光谱及其总碳（TC）、 总氮（TN）、 总磷（TP）含量; 分别采用连续投影算法（SPA）、 无信息变量消除法（UVE）、 遗传算法（GA）、 相关系数法（CC）四种算法（四种单分类器）对土壤光谱提取特征波长; 再引入投票法和加权投票法的多分类器融合方法将四种算法融合得到特征波长; 以偏最小二乘回归（PLSR）建立各土壤养分含量的模型, 通过对模型效果的评价标准（建模集绝对系数R2c、 校正均方根误差RMSEC、 检验集绝对系数R2p、 预测均方根误差RMSEP和相对分析误差RPD值）来判别各单分类器算法和多分类器融合算法对土壤养分含量特征波长的提取效果。 分别对四种算法、 筛选其中三种算法、 最优二种算法进行融合, 分析融合后模型效果和特征波长个数, 结果表明: 将四种单分类器经投票法融合后, 其模型效果大部分不如单分类器, 且相对好的模型特征波长个数较多; 相较于投票法多分类器融合, 四种单分类器经加权投票法融合模型效果有了一定的提高, TC和TN都能够在较少的波长中获得较好的预测效果, 但仅TN经融合后, 模型效果优于每个单分类器; TC, TN, TP分别在取SPA+UVE+GA, SPA+UVE+GA（或SPA+GA+CC）、 SPA+UVE+GA三种单分类器进行加权投票法融合后, 均能获得最优模型效果, 且明显优于每个单分类器, 模型效果有了显著提高; 各土壤养分含量经两个最优单分类器加权投票法融合后, 仍能得到好于最优单分类器的建模效果, TC和TP建模效果略差于三个单分类器融合结果, TN建模效果与三个单分类器融合结果相同。 因此, 在筛选三种算法融合, 且其中包含最优两种算法的情况下, 能够以较少的特征波长个数获得明显高于单分类器的建模效果。 该方法为寻找土壤养分以及其他复杂物质成分的光谱特征波段提供了新方法, 也为多种算法的综合运用提供了新思路。

在基于可见-近红外反射光谱的土壤养分速测技术中, 不同类型土壤间的模型转移是目前亟需解决的关键问题和难点。 以土壤全氮为研究对象, 探讨了两种不同土壤间的模型传递方法及其效果。 以青岛李村河畔土壤为主样品, 通过分段直接矫正结合斜率/截距修正(PDS-S/B)、 分段直接矫正结合线性插值(PDS-LI)、 典型相关性分析结合斜率/截距修正(CCA-S/B)、 典型相关性分析结合线性插值(CCA-LI)、 直接矫正结合斜率/截距修正(DS-S/B)、 直接矫正结合线性插值(DS-LI)等算法, 进行模型转移, 实现对青岛浮山山麓土壤全氮含量不同程度的预测。 其中, PDS-S/B的模型转移效果最好, 均方根误差、 平均相对误差、 最大相对误差均最小, 分别为0.04, 6.6%, 19.0%。 主、 从样品经遗传算法提取特征变量后再进行模型转移, 相比无任何前处理的模型转移, 均有不同程度的提高, 其中LI相关的模型转移方法比S/B相关的方法提高的程度更大。 研究了不同样品在同一仪器、 相同测试环境下的土壤养分的模型传递问题, 初步探讨了同一仪器共享一个土壤养分光谱模型的可能性, 这将从根本上提高速测效率, 有利于光谱技术在土壤养分速测中的推广应用。

在测定土壤养分中, 可见-近红外光谱技术具有很大的应用空间。 该研究探讨了基于可见-近红外光谱（250～950 nm）离线、 快速测定土壤总氮（TN）、 总磷（TP）、 总钾（TK）、 总碳（TC）等土壤养分的方法及应用。 采集青岛三个不同地区土壤样品（异质性较高的山地土壤与河畔土壤）各60份, 总计180份, 并测定其TN, TP, TK, TC含量及其可见-近红外反射光谱, 利用Kennard-Stone法按2∶1比例划分校正集和检验集, 采用遗传算法分别提取TN, TP, TK, TC特征波长, 以偏最小二乘法建立定量分析模型。 TN, TP, TK, TC含量所建光谱模型的相关系数分别为0.970, 0.964, 0.680和0.967, 检验集的相关系数分别为0.980, 0.937, 0.717和0.972, 检验集的RPD值分别为4.570, 2.424, 1.411和4.135。 结果表明, 该方法能够对土壤TN, TP, TC含量进行精确预测, 对土壤TK含量进行粗略预测。 该研究主要依靠可见光波段, 较好的预测了异质性较高的土壤的氮磷钾等养分含量, 有望降低未来土壤养分速测的成本。 此外, 该研究还提供了青岛土壤养分的光谱库, 为我国土壤大数据库的建立提供技术支撑。