第12期张娟娟等:基于近红外光谱的土壤全氮含量估算模型
185续表
建模区域波数/cm-1
预处理方法原始光谱SG+FDSG+SDMSC+LOGMSC+SG+FDMSC+SG+SD原始光谱SG+FDSG+SDMSC+LOGMSC+SG+FDMSC+SG+SD原始光谱SG+FDSG+SDMSC+LOGMSC+SG+FDMSC+SG+SD原始光谱SG+FDSG+SDMSC+LOGMSC+SG+FDMSC+SG+SD原始光谱SG+FDSG+SDMSC+LOGMSC+SG+FDMSC+SG+SD原始光谱SG+FD
主因子个数
94494473274212961395138412951044124413851210511841087
标定模型
决定系数0.780.560.340.790.660.40.790.440.220.770.590.260.910.850.530.90.880.580.920.830.510.910.860.580.850.570.360.850.670.420.920.760.550.920.840.580.860.740.490.880.840.46
均方根误差
0.260.370.450.250.320.430.250.420.50.260.350.480.160.210.380.160.190.360.160.230.390.160.210.360.210.360.450.220.320.420.160.270.380.160.220.360.20.280.40.190.220.41
决定系数0.740.550.260.780.650.220.650.190.040.620.480.060.820.760.590.910.820.60.820.760.560.840.790.60.750.550.260.820.660.230.840.740.520.860.790.580.750.60.530.810.60.28
外部验证均方根误差
0.240.280.370.20.240.370.280.390.470.240.290.40.190.220.250.150.180.240.190.220.270.160.190.240.230.280.370.180.230.360.190.220.30.160.180.250.210.290.270.170.260.38
相对分析误差
2.081.81.342.542.131.361.791.271.082.071.731.242.662.281.983.42.782.072.692.241.893.232.622.072.191.821.352.782.21.392.662.241.653.072.752.012.431.741.852.941.931.32
10000~7000
7000~5500
5500~4000
7000~4000
10000~5500
(10000~7000)+5500~4000)
SG+SDMSC+LOGMSC+SG+FDMSC+SG+SD原始光谱SG+FD
9800~9430、7000~6370、5100~4360
SG+SDMSC+LOGMSC+SG+FDMSC+SG+SD
注:MSC为多元散射校正,multiplicativescattercorrection;SG为Savitzky-Golay7点平滑,Savitzky-Golay7datapointfilterwith3rd-orderpolynomial;FD为一阶导数,firstderivative;SD为二阶导数,secondderivative;LOG为吸光度,absorbance。
从表2可以看出,不同的预处理方法对建模及检验结果有较大影响,相比较原始光谱而言,一阶导数和二阶导数并没有增加模型的预测能力,分析原因可能是经过导数变换后虽然使谱图的肩峰更加突出,但却影响了主因子有效个数的选取,经过一阶导数和二阶导数变换后,最大选取的主因子数为9。经过附加散射校正后,原始光谱、一阶导数光谱及二阶导数比未经变换前获得了更好的预测能力,特别是多元散射校正后原始光谱的预测能力更好,而二阶导数建模效果仍然表现较差,如在4000~10000cm-1范围内经过多元散射校正和二阶导数处理后相对分析误差RPD为2.00,而附加散射校正后原始光谱建模验证RPD达到3.11。
从8个不同的建模区域看,预测能力最差的建模区域为一倍频7000~5500cm-1,除经过多元散射校正光谱
用近红外光谱对秦皇岛市昌黎地区土壤中的全氮含量进行了分析。对土壤光谱进行一阶微分,然后采用多元线性回归,确定最佳维数,建立校正模型,利用校正模型对土壤中全氮含量...
[2] 法, 建立了基于近红外光谱技术的土壤有机质含量和 土壤全氮含量的分析...最小二乘法(PLS)、 BP 神经网络(BPNN)和特征 光谱指数的土壤全氮含量估算模型...
朱艳 基于近红外光谱的土壤全氮含量估算模型[期刊论文]-农业工程学报 2012(12) 6.刘向新.周亚立.翟超.闫向辉.李生军 水平摘锭运动轨迹的分析[期刊论文]-中国...
r许索 了使用近红外光谱技术检测土壤全氮含量 的模型 , 型精 模 度达到 了...正 的影 响,提出了一个归一化的水分吸收指数 MAI 计算 方法如式 ,()示。 ...
许多研究探 lt 索了使用近红外光谱技术检测土壤全氮含量的模型,模型精56 度达到...为了消除水分对光谱修正的影 响,提出了一个归一化的水分吸收指数 MA ,计算方法...
基于近红外光谱技术的土壤参数BP神经网络预测_专业资料。利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了...
基于可见_近红外光谱技术预测茶鲜叶全氮含量_农学_农林牧渔_专业资料。第 28 ...鲍一丹等分析了土壤含水量和 土壤粒径大小对氮含量光谱预测模型的影响 [6 ] ...
质进行高光谱预测分析[8],Rossel 等利用 PLSR 算法结合近红外光谱预测了有机碳等 张娟娟等基于近红外光谱建立了 PLSR 土壤组分[9], 模型以估算土壤全氮含量[10...
预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析 模型...丁国香 基于高光谱的土壤有机质含量估算研究[期刊论文]-光谱学与光谱分析 2011...
北京典型耕作土壤养分的近红外光谱分析研究_专业资料...作为模型精度的评价指标.分析结果:土壤的全氮模型r2...不动的相对运动形式,模拟播种机田间运 动,通过计算...
热门文档