可见/近红外光谱技术是土壤成分检测的有效工具。波长筛选对可见/近红外模型土壤属性的预测精度有重要影响。以宁夏吴忠地区75个水稻土样为研究对象, 利用可见/近红外光谱技术采集土壤样品光谱, 采用SPXY(Sample set partitioning based on joint X-Y distance)方法选取了校正集和预测集样本, 比较了分别采用 Savitzky Golay平滑(SG smoothing)、多元散射校正(Multiple scatter correction,MSC)、标准正态变量变换(Standard normal variate,SNV) 3种预处理方法对光谱数据处理后建立土壤碱解氮偏最小二乘法模型和原始光谱数据建模的效果。在此基础上, 分别采用遗传算法(Genetic gorithms,GA)、连续投影算法(Successive projections algorithm,SPA)、竞争性自适应重加权算法(Competitive adaptive reweighted Sampling, CARS)、随机蛙跳(Random frog, RF)进行波长筛选, 最后应用偏最小二乘法建立基于不同波长筛选方法的土壤碱解氮含量预测模型。研究表明, 由于仪器性能稳定, 样品的颗粒度比较小和均匀, 本次实验原始光谱数据建模效果最好; 各种波长筛选方法均可有效减少参与建模的波长数, 且连续投影算法优于全谱建模, 所选波长数仅为全谱波长数的1%, 其预测决定系数(R2)、预测均方根误差和相对分析误差值分别为0.726, 3.616, 1.906。这表明连续投影算法可以有效筛选水稻土碱解氮敏感波段, 为土壤碱解氮传感器开发提供技术支持。

选取新疆奇台县的134个土壤样本, 利用土壤反射率对数的一阶导数光谱分别对四种小波函数进行多层离散分解, 采用PLSR方法分别建立了土壤碱解氮含量的反演模型, 并对其精度值进行检验。 结果表明: 小波分解获得的各层低频系数以1～3层较高, 而其余各层则较低。 所有函数分解的6层中, 均以第2层低频系数建模的精度最高, 随着分解层数的增加, 其精度值和显著性明显降低。 相同尺度下, 采用四种小波函数的低频系数构建的反演模型的精度差异较小, 而Bior1.3为最优函数; 基于Bior1.3分解的ca2低频系数建模的R2达0.977, RMSE仅为7.51 mg·kg-1, 且为极显著, 为最佳反演模型, 经检验, 可用以快速、 准确估算土壤高光谱碱解氮含量。