1 华中师范大学 地理过程分析与模拟湖北省重点实验室，湖北 武汉 430079
2 浙江大学 杭州国际科创中心，浙江 杭州 311200
3 浙江大学 农业遥感与信息技术应用研究所，浙江 杭州 310058
4 农业农村部光谱检测重点实验室，浙江 杭州 310058
土壤中红外（MIR）光谱能快速、无污染、低成本地估算土壤有机碳等理化属性。随着各种尺度土壤光谱库的建立，使用其进行快速土壤分析引起广泛关注，但光谱库的通用模型在局部尺度上的预测效果不理想。开发“局部化”光谱建模方法是提高土壤光谱库性能的有效途径。本文提出了一种新的方法，通过光谱相似度计算和建模子集构建，旨在从库中快速建立最优局部建模集以提高预测精度。比较了欧氏、马氏、余弦三种距离算法衡量待测样本与库样本之间的相似度并生成距离矩阵；使用连续统去除法从距离矩阵中提取库容曲线中的特征点。利用偏最小二乘回归建立土壤MIR光谱与有机碳含量间的定量关系。结果表明，三种距离算法结合连续统去除得到的第一特征点均可得到较佳的预测精度。马氏距离不仅模型精度最高（R2 = 0.764，RMSE = 1.021%）而且用到的库样本数最少（14%库容）。本方法可改善MIR光谱分析的成本效率并能提高局部尺度的预测能力。
土壤碳 相似度 距离矩阵 连续统去除 偏最小二乘回归 soil carbon similarity distance matrix continuum-removal PLSR
1 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州310058
2 浙江省土肥站, 浙江 杭州310020
针对田间状态下通过行走式设备获取的近红外反射光谱数据, 存在干扰因素多, 数据获取环境复杂多变, 比实验室条件下建立土壤碳预测模型更加困难的情况, 研究了通过变量选择来提高模型质量的效果及有效性。 从独立检验数据集来分析, 与采用所有变量所建模型的预测精度相比, 进行变量选择后的预测精度, 均有不同程度的提高, 说明在建立土壤碳预测模型时, 进行光谱变量选择, 是有益和必要的。 基于无信息变量消除法（UVE）和无信息变量消除-连续投影法（UVE-SPA）进行变量选择所建模型的预测精度较高, 而SPA和遗传算法-偏最小二乘法（GA-PLS）的效果较差; 对于协同区间最小二乘法而言, 分割的区间数、 参与建模子区间数的变化, 会对所建模型的预测精度产生影响, 选择合适的区间分割数和子区间组合, 可以获得与UVE和UVE-SPA相当的效果, 但其不足是需要大量的运算来进行最优子区间组合的选择。
田间行走式测定 近红外光谱 土壤碳 偏最小二乘回归法 变量选择 On-the-go measurement Near-infrared spectra Soil carbon Partial least square regression Variable selection 光谱学与光谱分析
2013, 33(7): 1775
1 浙江大学 环境与资源学院, 浙江 杭州 310029
2 密歇根州立大学 作物与土壤科学系, 密歇根东兰辛 48824
3 美国
以田间行走式设备获取的近红外光谱数据为基础, 利用最小二乘回归法(PLSR)建立了应用近红外光谱数据预测土壤碳含量的校正模型, 与利用原始光谱数据建立的模型相比, 应用经比值或归一化差值处理的光谱数据建立的校正模型可以提高预测精度.精度提高的原因可能是光谱数据经过波段算术组合处理后, 能降低模型建立过程中产生过配的风险, 使模型能包括更多的成分和信息.研究结果表明, 利用偏最小二乘回归法, 可以有效地建立田间近红外光谱与土壤碳含量之间的校正模型；同时, 应用比值或归一化差值这些波段算术组合方法来处理近红外光谱数据, 可以进一步提高模型的预测精度.因此, 应用行走式设备获取的近红外光谱数据来快速测定田间土壤中碳的含量是可行的.
近红外光谱 土壤碳含量 行走式测定 波段算术组合 偏最小二乘回归法 near-infrared spectroscopy soil carbon content on-the-go measurement band arithmetic combination partial least squares regression(RLSR)
