快速准确监测农田土壤全氮含量,可显著提高土壤肥力诊断与评价工作的效率.传统测定土壤全氮的方法存在耗时费力、成本高、环境污染等缺点,而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势.中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言,具有更多的波段数和信息量,如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题.为了探索中红外光谱对土壤全氮监测的可行性,以新疆南疆地区采集的246个农田土样为研究对象,以室内测定的全氮含量和中红外光谱反射率数据为数据源,分析了不同全氮含量土样的中红外光谱特征差异,以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型.研究结果表明:(1)土壤在中红外波段光谱反射率随全氮含量的增加而增加,在3620,2520,1620和1420 cm-1附近存在明显的吸收谷;将中红外光谱数据进行最大值归一化处理后,可明显提高土壤光谱反射率与全氮含量的相关性.(2)对比两种数据降维方法,PCA和SPA分别使模型变量数减少了99.8％ 和97.5％,但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型,因此以PCA提取的主成分建模更适于土壤全氮模型的构建.(3)在建模集中,PLSR和SVM模型以全波段建模精度最高,但建模变量数多,建模效率较低,而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下,可显著提高建模效率;在预测集中,基于PCA降维数据的BPNN模型预测能力最高,R2和RMSE分别为0.78和0.12 g·kg-1,RPD和RPIQ值分别为2.33和3.54,模型具备较好的预测能力.研究结果可为农田土壤全氮含量快速估测提供一定的参考价值.

中红外光谱;土壤全氮;反演模型;光谱数据降维

白子金;彭杰;罗德芳;蔡海辉;纪文君;史舟;柳维扬;殷彩云

塔里木大学农学院 ,新疆 阿拉尔 843300;中国农业大学土地科学与技术学院 ,北京 100083;浙江大学环境与资源学院 ,浙江 杭州 310058

光谱学与光谱分析

[1]白子金;彭杰;罗德芳;蔡海辉;纪文君;史舟;柳维扬;殷彩云-.南疆农田土壤全氮含量的中红外光谱反演模型)[J].光谱学与光谱分析,2022(09):2768-2773

农田土壤,土壤全氮含量,中红外光谱,谱反演,快速准确,土壤肥力,评价工作,费力,光谱学,定量方法,传统测量,MIR,可见光,近红外,VNIR,信息量,重要应用,研究课题,新疆南疆地区,内测,光谱反射率,数据源,红外光谱特征,特征差异,连续投影算法,SPA,偏最小二乘回归,PLSR,RF,反向传播神经网络,BPNN,全波段,定量反演模型,中红外波段,归一化处理,土壤光谱,降维方法,适于,建模精度,建模效率,预测能力,RMSE,RPD,RPIQ,估测,光谱数据降维

0.212309