土壤團(tuán)聚體是土壤生態(tài)系統(tǒng)的重要組成部分,其碳氮含量及動(dòng)態(tài)決定著土壤碳氮循環(huán)過(guò)程、穩(wěn)定性及肥力。由于團(tuán)聚體分級(jí)方法的差異,不同研究所獲得的團(tuán)聚體粒徑也不盡相同,應(yīng)用紅外光譜對(duì)土壤團(tuán)聚體性質(zhì)進(jìn)行建模預(yù)測(cè)時(shí)若對(duì)不同粒徑團(tuán)聚體分別建模需要大量樣本且難以對(duì)所有組分同時(shí)進(jìn)行合理預(yù)測(cè)。該研究對(duì)不同粒徑團(tuán)聚體樣本進(jìn)行綜合建模預(yù)測(cè),探尋一種高效可行的不同粒徑團(tuán)聚體性質(zhì)的綜合預(yù)測(cè)方法。采集了內(nèi)蒙古淡栗鈣土土壤樣本進(jìn)行傅里葉變換紅外光譜分析,用遺傳算法對(duì)特征波長(zhǎng)進(jìn)行了選擇,基于偏最小二乘法（PLSR）、支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和隨機(jī)森林（RF）等方法建立了不同粒徑團(tuán)聚體土壤有機(jī)碳（SOC）、全氮（TN）和紅外光譜吸光度之間的估測(cè)模型。結(jié)果表明,基于遺傳算法篩選的特征光譜區(qū)間構(gòu)建的土壤團(tuán)聚體SOC和TN含量的ANN模型的預(yù)測(cè)能力均是最好的（RPD>2）,顯著優(yōu)于PLSR、 SVM及RF模型;基于全譜數(shù)據(jù)的ANN模型對(duì)土壤團(tuán)聚體SOC和TN的預(yù)測(cè)效果均低于基于GA選擇的特征光譜區(qū)間的ANN模型,說(shuō)明基于GA的特征光譜區(qū)間選擇不僅可以簡(jiǎn)化模型結(jié)構(gòu),剔除無(wú)關(guān)的信息,而且可以提高模型的精度和... 

【文章來(lái)源】：光譜學(xué)與光譜分析. 2020,40(12)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

經(jīng)S-G平滑(a)及一階微分(b)處理后的 團(tuán)聚體FTIR光譜圖

由圖2可見(jiàn), 波長(zhǎng)間隔越小, 樣本的平均標(biāo)準(zhǔn)偏差越低, 但同時(shí)區(qū)間數(shù)目越多。 在波長(zhǎng)間隔大小為6 cm-1時(shí)最大標(biāo)準(zhǔn)偏差出現(xiàn)一個(gè)低谷, 此時(shí)區(qū)間數(shù)為600個(gè), 因此在兼顧數(shù)據(jù)相近性與變量少量性的前提下, 確定6 cm-1作為劃分區(qū)間的適宜大小, 將整個(gè)光譜分為600個(gè)區(qū)間, 然后將區(qū)間的平均光譜值作為自變量形成光譜曲線。2.2 土壤團(tuán)聚體特征光譜區(qū)間

采用GA算法并重復(fù)5次后, 篩選出團(tuán)聚體SOC特征光譜區(qū)間共計(jì)303個(gè)。 由團(tuán)聚體SOC特征光譜區(qū)間的分布(圖3)可以看出, SOC的特征光譜覆蓋范圍較廣, 但在2 200～2 700及>3 700 cm-1以上波長(zhǎng)范圍內(nèi)選取的特征光譜區(qū)間較少。 此外, 在GA篩選過(guò)程中1 132～1 138, 1 372～1 378, 1 630～1 636, 1 810～1 816, 1 864～1 870cm-1這五個(gè)光譜區(qū)間在每次重抽樣中均被選為特征光譜, 表明這些光譜區(qū)間對(duì)團(tuán)聚體SOC含量較為敏感。對(duì)于土壤團(tuán)聚體TN, GA算法共篩選出特征光譜161個(gè)。 由團(tuán)聚體TN特征光譜區(qū)間的分布(圖3)可以看出, TN的特征光譜覆蓋范圍較平均, 但在>3 200 cm-1以上波長(zhǎng)范圍內(nèi)選取的特征光譜區(qū)間較少。 在GA篩選過(guò)程中1 114～1 120, 1 258～1 264, 1 264～1 270, 1 276～1 282和1 408～1 414 cm-1這五個(gè)光譜區(qū)間在每次重抽樣中均被選為特征光譜, 表明這些光譜區(qū)間對(duì)團(tuán)聚體TN含量較為敏感。

【參考文獻(xiàn)】：
期刊論文
[1]可見(jiàn)-近紅外光譜的潮間帶沉積物有機(jī)碳含量的幾種模型預(yù)測(cè)方法[J]. 呂美蓉,任國(guó)興,李雪瑩,范萍萍,孫中梁,侯廣利,劉巖.  光譜學(xué)與光譜分析. 2020(04)
[2]示差紅外光譜在土壤有機(jī)質(zhì)組成研究中的應(yīng)用[J]. 郝翔翔,韓曉增,鄒文秀.  分析化學(xué). 2018(04)
[3]基于隨機(jī)森林方法在土壤有機(jī)質(zhì)近紅外建模中的研究[J]. 劉振堯,溫江北,高洪智,丁海泉.  現(xiàn)代農(nóng)業(yè)裝備. 2017(06)
[4]基于遺傳算法結(jié)合偏最小二乘的潮土堿解氮高光譜特征及含量估測(cè)[J]. 陳紅艷,趙庚星,張曉輝,陳敬春,周聰亮.  中國(guó)農(nóng)學(xué)通報(bào). 2015(02)



本文編號(hào)：3018564