总氮是衡量土壤肥力的重要成分指标。 传统的检测土壤总氮含量的化学方法操作复杂且费时费力, 采用傅里叶近红外（FT-NIR）对土壤总氮的含量实现直接快速定量分析； 然而, 利用偏最小二乘（PLS）等线性分析方法定量预测土壤样本的总氮含量, 定标预测模型有可能被理想化, 不利于在线检测的实际应用。 考虑给定量分析模型添加容错机制, 将FT-NIR定量分析转化为半定性判别分析, 以加强光谱模型的应用能力, 提出区间间隔搜索主成分分析逻辑回归（iPCA-LR）方法, 结合PLS的先验定量预测值, 通过设定r=0.05, 0.10, 0.15三个不同的容错阈值范围, 给样本赋予先验判别标记, 将定量分析模式转换为半定性判别模式, 建立土壤总氮的FT-NIR半定性判别模型, 同时, 对比讨论基于k＝5, 10, 15, 20四种不同子波段数量的区间划分数据的潜变量转换模式, 优选FT-NIR光谱特征子波段, 并讨论优选连续子波段的组合建模情况。 结果表明, 不同阈值范围下的FT-NIR半定性判别模型的预测准确率差别较大, 但不同阈值范围的最优判别模型的预测准确率均在75%以上, 各个区间划分的优选子波段或合并子波段的判别准确率均达到了90%以上, 可以满足不同程度的应用水平。 利用PLS结合iPCA-LR将定量预测转换为半定性判别的方法能够应用于土壤总氮的FT-NIR光谱分析, 能够解决常规PLS定量分析容易过拟合和过于理想化的问题, 半定性判别结果更符合实际, 有利于光谱技术的在线应用。

基于便携式短波近红外光谱技术检测了土壤总氮含量。 采集浙江省文城地区农田土壤样本243个, 将土壤样本分为三组, 一组未经过粉碎、 过筛等处理, 一组做过2 mm筛处理, 一组过0.5 mm筛过处理, 采用usb4000便携式光谱获取土壤光谱数据, 结合(savitzky-golay, SG)平滑算法, 波长压缩算法和小波变换对原始数据进行预处理, 然后采用竞争性自适应重加权、 随机青蛙和连续投影算法进行特征波长选择。 基于全光谱建立了偏最小二乘回归和基于特征波长建立了极限学习机和LS-SVM模型。 结果表明过筛处理后的样本模型结果优于未过筛的样本模型结果, 过0.5 mm筛处理的土壤样本模型预测结果略优于过2 mm筛处理的土壤样本模型预测结果, 最优预测集的决定系数为0.63, 预测均方根误差为0.007 9, 剩余预测偏差为1.58。 表明便携式仪器检测土壤总氮含量, 经过过筛处理的土壤样品检测结果优于未过筛土壤样品检测结果, 建议土壤样品检测总氮含量时需经过过筛处理, 这样得到的结果较为理想, 在此基础上采用性能较好的光谱仪器采集数据, 以减小原始光谱噪声。

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。

讨论了如何利用连续投影算法提取土壤总氮的近红外特征波长。 使用连续投影算法对光谱数据进行初步压缩, 将优选出的波长按其对总氮贡献值的大小进一步筛选, 剔除不敏感的波长, 降低模型的复杂度。 分析85份土壤样品的近红外光谱, 使用连续投影算法得到了总氮的12个波长, 贡献值筛选后, 波长数量减少到6个, 所建模型的预测相关系数(Rp)为0.913, 预测均方根误差(RMSEP)为0.011%, 模型的预测精度与贡献值筛选前相当, 且优于全谱偏最小二乘回归结果。 结果表明结合贡献值筛选的连续投影算法能够有效选取待测成分的特征波长, 文章所优选的土壤总氮的6个特征波长可以作为小型滤光片式近红外光谱仪波长选择的参考依据。