建模法在土壤有机质的近红外光谱分析中的研究进展
Research Progress of Modeling Method in near Infrared Spectroscopy of Soil Organic Matter (SOM)
DOI: 10.12677/AAC.2016.64014, PDF, HTML, XML, 下载: 2,018  浏览: 3,215  科研立项经费支持
作者: 虞丹尼, 张小艳, 黎 司, 江忠远, 敖克厚, 高智席：遵义师范学院化学与化学工程学院，贵州 遵义
关键词: 近红外光谱；土壤有机质；建模；进展；Near Infrared Spectroscopy； Soil Organic Matter； Modeling； Progress
摘要: 近红外光谱(NIRS)广泛应用于土壤有机质(SOM)研究中，但在我国，大多数研究人员在应用NIRS时一般采用仪器自带软件进行光谱预处理和数据建模来预测SOM、土壤水分、速效N和速效P的含量，这对光谱数据处理的能动性有一定的限制。本文初步论述了光谱预处理方法——小波分析、波长选择方法——遗传算法及估测土壤养分的建模方法——神经网络建模法在土壤有机质分析中的应用，并对这些方法在我国SOM的含量预测方面的应用前景进行了展望。
Abstract: Near infrared spectroscopy (NIRS) is widely used in the study of Soil Organic Matter (SOM). However, most researchers in China in the application of NIRS in general use its own software to carry out the spectral preprocessing and data modeling to predict SOM, soil moisture, available N and available P content. So there are some limitations in the activity of spectral data processing. In this paper, the method of spectral pretreatment—wavelet analysis, wavelength selection method— genetic algorithm, and the modeling method of estimating soil nutrient—the method of neural network modeling in the analysis of soil organic matter are discussed. Also, the application prospect of these methods in the prediction of SOM in our country is discussed.
文章引用：虞丹尼, 张小艳, 黎司, 江忠远, 敖克厚, 高智席. 建模法在土壤有机质的近红外光谱分析中的研究进展[J]. 分析化学进展, 2016, 6(4): 91-95. http://dx.doi.org/10.12677/AAC.2016.64014

参考文献

[1] 于飞健, 闵顺耕, 巨晓棠, 等. 近红外光谱分析土壤的有机质和氮素[J]. 分析实验室, 2002, 21(3): 49-51.
[2] 成飙, 陈德钊, 吴晓华. 基于移动窗口-迭代遗传算法的近红外光谱波长选择方法[J]. 分析化学, 2006, 34(S1): 123-126.
[3] 陈鹏飞, 刘良云, 王纪华, 等. 近红外光谱技术实时测定土壤中总氮及磷含量的初步研究[J]. 光谱学与光谱分析, 2008, 28(2): 295-298.
[4] 王延仓, 李贵军, 朱金山, 等. 基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量[J]. 光谱学与光谱分析, 2014, 34(7): 1922-1926.
[5] 宋海燕, 何勇. 基于OSC和PLS的土壤有机质近红外光谱测定[J]. 农业机械学报, 2007, 38(12): 113-115.
[6] 孙建英, 李民赞, 郑立华, 等. 基于近红外光谱的北方潮土土壤参数实时分析[J]. 光谱学与光谱分析, 2006, 26(5): 426-429.
[7] 郑立华, 李民赞, 潘娈, 等. 基于近红外光谱技术的土壤参数的BP神经网络预测[J]. 光谱学与光谱分析, 2008, 28(5): 1160-1164.
[8] 郑立华, 李民赞, 潘娈, 等. 近红外光谱小波分析在土壤参数预测中的应用[J]. 光谱学与光谱分析, 2009, 29(6): 1549-1552.
[9] 袁石林, 马天云, 宋韬, 等. 土壤中总氮与总磷含量的近红外光谱实时检测方法[J]. 农业机械学报, 2009, 9(1): 150-153.
[10] 刘雪梅, 章海亮. 基于近红外光谱的不同建模方法检测土壤有机质和速效Ｐ含量的研究[J]. 西北农林科技大学学报(自然科学版), 2013, 41(4): 52-68.
[11] 申艳, 张晓平. 近红外光谱法在土壤有机质研究中的应用[J]. 核农学报, 2010, 24(1): 199-207.
[12] 杨海清, 祝旻. 基于可见近红外光谱特征波长选择的土壤有机质快速检测研究[J]. 红外, 2015, 36(2): 42-48.
[13] 汤富彬, 刘光明, 罗逢健, 陈宗懋. 茶叶中吡虫啉残留量的HPLC测定方法[J]. 农药, 2004, 43(12): 561-562.
[14] 郑咏梅, 张军, 李荣福, 等. 小麦近红外特征波长提取及蛋白质含量测定[J]. 激光与红外, 2003, 33(2): 125-127.
[15] 屠振华, 籍保平, 朱大洲, 等. 基于遗传算法和间隔偏最小二乘的苹果硬度特征波长分析研究[J]. 光谱学与光谱分析, 2009, 29(10): 2760-2764.
[16] 何勇, 李晓丽. 近红外光谱杨梅品种鉴别方法的研究[J]. 红外与毫米波学报, 2006, 25(3): 192-194.
[17] 孙仲康, 沈振康. 数字图像处理及其应用[M]. 北京: 国防工业出版社, 1985: 10-17.
[18] 毕卫红, 陈俊刚, 李林. 小波分析及其在土壤成分的近红外分析中的应用[J]. 红外, 2006, 27(8): 16-19.
[19] 刘炜, 常庆瑞. 小波变换在土壤有机质含量可见/近红外光谱分析中的应用[J]. 干旱地区农业研究, 2010, 28(5): 241-246.
[20] 杨苗, 左月明, 杨萍果. 基于小波变换的近红外光谱预测土壤有机质[J]. 山西农业大学学报(自然科学版), 2010, 30(2): 154-158.
[21] 解宏图, 宣然然, 彭义, 等. 基于遗传算法的波长选择方法对土壤有机碳预测模型影响[J]. 土壤通报, 2014, 45(4): 795-800.
[22] 刘辉军, 吕进, 林敏, 余良子. 基于遗传算法的波长选择方法在绿茶近红外光谱分析模型中的应用[J]. 分析测试学报, 2007, 26(5): 679-681.
[23] 张淑娟, 王凤花, 张海红, 赵华民. 基于主成分分析和BP神经网络的土壤养分近红外光谱检测[J]. 山西农业大学学报(自然科学版), 2009, 29(6): 483-487.
[24] 李伟, 张书慧, 张倩, 董朝闻, 张守勤. 近红外光谱法快速测定土壤碱解氮, 速效磷和速效钾含量[J]. 农业工程学报, 2007, 23(1): 55-59.

为你推荐