1 中国农业大学烟台研究院, 山东 烟台 264003中国农业大学智慧农业系统集成研究教育部重点实验室, 北京 100083
2 中国农业大学智慧农业系统集成研究教育部重点实验室, 北京 100083中国农业大学农业农村部农业信息获取技术重点实验室, 北京 100083
3 中国农业大学烟台研究院, 山东 烟台 264003中国农业大学农业农村部农业信息获取技术重点实验室, 北京 100083
土壤磷素是植物最重要养分之一。 磷素在土壤中动态性强, 检测困难, 在可见-近红外光谱范围没有明显吸收波段, 因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。 拉曼光谱具有受水分干扰小, 样本预处理小、 与红外光谱信息互补等特点, 国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。 但是, 拉曼信号弱, 稳定性差, 制约了拉曼光谱在土壤检测方面的应用。 为进一步弄清拉曼光谱与磷素的定量关系, 采用水溶性磷(KH2PO4)为研究对象, 研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。 采用移动平均(MA)、 MA+基线校正(BL)、 MA+标准正态变量(SNV)、 MA+多元散射校正(MSC)对原始光谱(RS)进行预处理, 分析了低浓度(0.02~5 g·L-1)与高浓度(5.21~93.87 g·L-1)区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系, 建立了磷浓度含量的预测模型。 结果表明: (1)低浓度区间与高浓度区间光谱的变异系数具有显著差异, 高浓度区间光谱的离散程度较大; (2)低浓度区间的拉曼光谱未检测到明显的拉曼波峰, 浓度变化展现了明显的基线变化。 偏最小二乘(PLSR)模型决定系数R2=0.28~0.36; (3)高浓度区间的拉曼光谱在863与1 070 cm-1处检测到明显的拉曼波峰, PLSR建模结果为R2=0.65~0.7。 MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高, 说明磷酸根的拉曼特征峰为模型主要贡献因子; (4)使用全浓度区间PLSR建模可增加PLSR模型精度(R2=0.73~0.89)。 使用RS建模的精度最高, 说明基线漂移对PLSR结果具有积极作用; (5)通过PLSR回归系数, 选取645、 863、 1 070和1 412 cm-1四点波段建立多元线性回归(MLR)模型, 决定系数R2接近1。 说明特征峰选取可以滤除背景光干扰, 抽取有效磷酸根浓度信号。 (6)由以上结果可知, 利用拉曼光谱定量检测水溶性磷的含量是可行的, 降低背景光干扰、 提高拉曼信号的稳定性的同时, 开发特征波段选择方法、 提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。
拉曼光谱 土壤磷素 光谱分析 变异系数 回归系数 Raman spectroscopy Soil phosphorus Spectral analysis Coefficient of variation Regression coefficient 光谱学与光谱分析
2023, 43(12): 3871
江苏大学食品与生物工程学院, 江苏 镇江 212013
近红外光谱(NIR)具有快速、 无损、 操作方便的特点, 故广泛用于食品分析。 作为一种间接的分析技术, NIR需要建立光谱与待测浓度之间的统计模型来实现检测。 故模型的维护有助于保证NIR的预测准确性。 在外界条件发生变化的情况下, 诸如样品性状的改变、 仪器对理化指标函数关系的变化、 湿度和温度等环境因素的改变, 会导致相同样品的光谱信号发生偏移, 进而使得原有模型的预测精度下降。 此时, 如果重新建模, 虽然可以解决光谱偏移对建模的影响, 但是重新建模将耗费大量的人力物力。 对此, 模型转移可以在避免重新建模的情况下, 校正光谱的偏移, 进而提高模型预测精度。 通常模型转移算法多用全光谱进行模型转移, 这种方法计算量较大, 且不能找到合适的有化学意义的波段。 故提出一种基于模型转移中的变量选择方法: 向后迭代区间选择法(IIBS), 通过计算主光谱(用于建模的那组光谱)和从光谱(发生偏移, 需要通过模型转移算法将其校正的光谱)中, 变量区间的重要性信息(回归系数(β)、 残差向量(Res)以及变量重要性投影(VIP))。 进而通过计算该区间变量重要性信息的几何平均数, 并以此作为该区间的区间重要性指标。 接着根据区间的重要性, 删除重要性信息较小的变量区间。 然后对主光谱和从光谱重复迭代上述过程: 计算变量的重要性信息, 计算区间的重要性信息, 删除重要性信息较小的区间。 最后, 比较不同的主光谱和从光谱区间组合的验证均方根误差(RMSEV), 选择RMSEV最小的主光谱和从光谱区间作为最优区间。 玉米、 小麦两套NIR数据测试了该算法。 结果显示, 与全波段相比, β, Res以及VIP均可以从主光谱和从光谱中选择较少的, 有化学意义的区间, 提高模型转移的精度。 在比较不同变量重要性向量方面, 基于β的变量选择算法, 模型转移的计算误差较小。
近红外光谱 模型转移 变量选择 回归系数 残差向量 VIP值 Near infrared spectra Calibration transfer Variable selection Regression coefficient Residual error VIP 光谱学与光谱分析
2021, 41(6): 1789
1 金华职业技术学院, 浙江 金华 321017
2 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
3 华东交通大学轨道学院, 江西 南昌 330013
4 浙江大学动物科学学院, 浙江 杭州 310058
基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究.采集农田土壤样本近红外光谱数据,土壤样本数量共394个.由于原始光谱数据量大,在500~2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26.研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。
近红外光谱 土壤总氮 连续投影算法 回归系数分析 Visible near infrared spectroscopy Soil total N Regression coefficient analysis(RCA) Successive projections algorithm(SPA) 光谱学与光谱分析
2015, 35(5): 1248