速效氮含量的预测在土壤养分诊断中具有重要意义,通过特征选择和回归预测算法可有效地提高速效氮光谱检测模型的预测精度。选取了皖南地区的188个黄红壤土样本作为对象,利用7种预处理方法对光谱数据进行了校正,结合移动窗口法和5种智能优化类算法进行特征选择后,再基于多种集成提升(Boosting)算法建立36种回归校正模型来分析比较。实验结果表明:基于粒子群优化(PSO)的特征优选算法优选出的202个光谱特征主要集中在600~1000 nm,利用此特征构建出的Adaptive Boosting(AdaBoost)模型性能最佳,其土壤速效氮预测精度提高到0.944。所提方法不仅提高了土壤速效氮预测精度,而且在特征区间优选算法上进行了探讨,具有一定的理论价值。

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。

土壤速效氮是影响作物生长发育的重要养分指标。 野外原位可见近红外光谱(VIS-NIR)分析技术具有快速无损等特点, 对速效氮的定量预测具有较好的应用前景。 野外条件下进行原位光谱采集更节省人力物力, 且为土壤养分实时传感器的开发提供了数据基础。 但由于野外原位光谱中通常存在大量的无关环境因子干扰信息, 易导致回归模型预测精度降低, 达不到实用要求。 针对位于以色列中部和北部的两个试验点共76个样本开展研究, 提出利用Y-梯度广义最小二乘加权算法(Y-GLSW)对样本的野外原位VIS-NIR反射率光谱(350～2 500 nm)进行滤波校正, 以提高回归模型的预测能力。 首先使用SG平滑、 一阶导数变换、 标准正态变换等常规方法对原始光谱进行预处理和变换; 在此基础上再使用Y-GLSW构建滤波模型对变换后的光谱进行滤波校正; 最后使用偏最小二乘回归算法(PLS-R)分别结合原始光谱RW、 预处理变换后的光谱PPT和滤波校正后的光谱Y-GLSW建立回归分析模型对速效氮进行定量预测。 结果表明: 利用RW光谱建立的回归预测模型是不可靠的; 利用PPT光谱建立的回归模型在测试集的相对分析误差(RPD)为1.41, 解释总方差占实际总方差之比(SSR/SST)为0.57, 模型具有一定的可靠性; Y-GLSW光谱建立的回归模型在测试集的RPD和SSR/SST分别为2.07和0.69, 相对于PPT模型分别提高了46.81%和21.05%。 因此, 利用Y-GLSW对野外原位VIS-NIR光谱进行滤波校正, 能够有效去除光谱中的无关信息数据, 提高模型的预测精度和解释能力。

土壤有效氮是反应土壤肥力的一个重要指标。 高光谱技术对土壤有效氮进行监测和评价可以为土地复垦和生态修复提供指导性的动态信息。 针对国家矿山公园高光谱有效氮监测研究的空白和偏最小二乘回归（PLSR）计算效率问题, 利用ASD FieldSpec 3光谱仪采集了晋华宫矿南山煤矸石山景区（晋华宫矿国家矿山公园组成部分）, 30个碱化栗钙土土样350～2 500 nm波段的光谱曲线, 研究了土壤光谱与土壤有效氮含量之间的关系。 对土壤反射率光谱进行一阶微分和倒数的对数变换, 然后在提取特征吸收波段的基础上, 分别进行PLSR和进入法-偏最小二乘回归（Enter-PLSR）建立估算模型并检验。 结果表明Enter-PLSR估算模型在保证与PLSR估算模型相近准确度的情况下, 自变量从122个降低到12个, 大大提高了计算效率, 在填补国家矿山公园高光谱有效氮监测研究空白的同时弥补了PLSR方法计算效率的不足。

应用可见/短波近红外光谱(Vis/SW-NIRS)测量土壤速效氮（N）和速效钾（K）含量。 光谱预处理包括标准正态变换（SNV）, 多元散射校正（MSC）和Savitzky Golay平滑结合一阶导数, 以消除系统噪声和外部干扰, 分别应用偏最小二乘（PLS）和最小二乘支持向量机（LS-SVM）方法建立校正模型。 最小二乘支持向量机（LS-SVM）输入分别包括主成分分析得到的主成分(PCs)和PLSR建模得到的潜在变量(LVs)和由PLSR模型回归系数得到有效波长（EWs）。 结果表明, 三种输入的LS-SVM模型都优于PLS模型, 其中EWs-LS-SVM模型最佳, 速效氮（N）的相关系数（R2）和预测均方误差RMSEP分别0.82和17.2, 速效钾（K）为0.72和15.0。 结果表明, 利用可见光和短波近红外光谱（Vis/ SW-近红外光谱）（325～1 075 nm）的LS-SVM的结合, 可以作为一个精确的土壤理化性质的测定方法。