土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。 当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映, 构建的样本集通常无法很好地代表目标土壤组分的变异。 光谱变换方法可以突出目标组分的光谱特征, 为此, 本文以湖北省江汉平原滨湖地区水稻土为研究对象, 结合包括一阶微分(FD)、 Savitzky-Golay(SG)、 Haar小波变换、 标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构, 通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响, 研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。 结果表明: 不同光谱变换会影响校正样本集的构建。 反射光谱经过SG或Haar小波变换后, 再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同, 建立的估算模型精度不变, 相对分析误差(RPD)分别为141和127。 结合FD, SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同, 建立的估算模型RPD分别从095, 148和142提高到113、 178和220。 研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性, 并可有效提高模型预测精度。

近红外光谱定量分析中, 采用合适的校正集选择方法是建立预测性能良好的近红外定量模型的关键技术之一。 校正集选择方法有RS法、 CS法、 KS法和SPXY法等, 但是对以上校正集选择方法缺乏系统地比较。 本文以积雪草总苷中积雪草苷NIR定量模型为载体, 对NIR定量模型的7个评价指标进行分类和筛选, 比较了CS法、 KS法和SPXY法三种校正集选择方法对NIR定量模型的准确性和稳健性两类评价指标的影响。 结果表明, SPXY法与CS法、 KS法选择校正集样本后所建近红外模型的RPD和RSEP两个准确性评价指标存在显著性差异, 模型的稳健性评价指标RMSECV和|RMSEP-RMSEC|不存在显著性差异。 因此, 建立积雪草总苷近红外光谱的积雪草苷偏最小二乘定量模型时, SPXY校正集选择方法能显著提高该定量模型的预测准确度, 但对模型稳健性的评价指标没有显著影响, 以上结论为中药固体体系建立近红外定量模型确定校正集选择方法提供参考。