资源预览内容
第1页 / 共8页
第2页 / 共8页
第3页 / 共8页
第4页 / 共8页
第5页 / 共8页
第6页 / 共8页
第7页 / 共8页
第8页 / 共8页
亲,该文档总共8页全部预览完了,如果喜欢就下载吧!
资源描述
近红外反射光谱法-土壤性质的主成分回归分析摘要一个快速,便捷的土壤分析技术是需要土壤质量评价和精密的土壤管理。本研究的主要目的是评估近红外反射光谱(NIRS)来预测不同土壤性质的能力。从Perstrop近红外系统6500扫描单色仪(福斯NIRSystems,马里兰州Silver Spring),和33种化学、物理和生物化学特性得到近红外反射光谱,从四个主要土地资源收集区802土壤样品(MLRAs)进行了研究。定标是基于在1300到2500nm光谱范围内使用光学密度一阶导数log(1/ R )得主成分回归。全部的碳、氮、湿度、阳离子交换量(CEC)、1.5兆帕水、基础呼吸速率、沙、淤泥和Mehlich III可萃取钙通过近红外光谱(r20.80)成功地预测。有些Mehlich III可萃取金属(铁,钾,镁,锰)、可交换阳离子(钙,镁,钾),可交换基地、交换性酸、粘土、潜在可矿化氮、总呼吸速率、生物量碳和pH值的总和也可通过近红外光谱估计,但精度较低(r 2=0.800.50)。聚合(wt2,1,0.5,0.25mm,并宏观聚合)的预测结果是不可靠的(r2=0.460.60)。Mehlich III提取的Cu,P和Zn和交换性钠不能使用NIRS-PCR技术(r20.85)、水分(r20.94)和CEC(r20.85)做了测试。他们还得出结论,由于样品的地理范围增加,这些土壤性质的预测变得不那么准确,(Sudduth和Hummel,1996)。大多数预测土壤性质的红外光谱研究由于样本量小、土壤类型多样少被限制在一种或其他方式,和/或因为只有少数土壤性能被测试。在这项研究中,从四个MLRAs收集的802份土壤样品的不同分组通过近红外光谱进行了分析。本研究的目的是:(i)评估NIRS预测不同土壤性质的能力及(ii)理解为什么NIRS可用于预测一些土壤性质,这些性质理论上光在近红外区域没有反应。材料与方法土壤质量 - 天然资源清查(SQ-NRI)试点项目美国农业部NRCS土壤质量研究所和美国农业部国家土壤耕性实验室启动了“通过国家资源清单抽样框衡量和评估土壤质量”(Brejda等人,2000年a,b)合作项目。该项目的目标是测试土壤采样和测量的天然资源清查的范围内选择土壤特性的可行性。表面(03或010厘米)和地下(310或1030厘米)土壤是从在四MLRAs448位点收集的,包括MLRA 9(帕卢斯,位于华盛顿东部和西部的爱达荷州内兹佩尔塞大草原),MLRA 67(中部高平原位于在科罗拉多州东部,东南部,怀俄明州和内布拉斯加州西部),MLRA 77(南部高平原位于新墨西哥州和得克萨斯州的狭长地带),和MLRA 105(北密西西比河流域黄土丘陵区,位于东北部的爱荷华州,明尼苏达州东南部,与威斯康星州西南部)。800余份土壤样品被采集,并且现场观察记录在每个站点被记录。土壤样品由物理、化学和生物协作的实验室进行了分析,包括NRCS,土壤特性实验室在内布拉斯加州林肯,以及位于艾姆斯,IA4 ARS和大学实验室;普尔曼,华盛顿州;圣保罗,明尼苏达;和丛林,德克萨斯州。通过近红外光谱和所用的分析方法进行测试的土壤性质总结于表1中。土壤性质的基本统计汇总于表2中。一些样品没有完全土壤属性数据,所以在近红外分析中使用的样本的实数可能比800小。近红外反射光谱测量用柏斯托NIRSystems 6500扫描单色仪在可见光和近红外区测定收集SQ-NRI试点土壤样品的光谱反射率。对于每个样品,100克风干土壤装到具有石英窗的天然产物的细胞,以及从25个光谱的平均光谱反射率被记录为反射率的倒数的对数,或光密度log(1 / R),在400到2498纳米的2-nm的间隔。为了评价NIRS的更现实和实际的情况下使用用于土壤测试,8毫米筛的土壤样品通过近红外光谱对本研究中进行分析。虽然一些土壤性质使用通过一个2毫米筛,而在近红外光谱与通过一个8毫米筛的样品获得的样品进行测定,该差异应具有只要程序是一致的近红外光谱的预测影响不大。虽然一些土壤性质使用通过一个2毫米筛,而在近红外光谱与通过一个8毫米筛的样品获得的样品进行测定,只要程序是一致的该差异在近红外光谱的预测影响就不大。近红外反射光谱预测PCR技术被用于涉及近红外反射光谱来测量的土壤特性。NIRS-PCR技术,总结在图1,包括四个步骤:(i)数据预处理,(ii)校准设置选择,(iii)主成分回归和预测,以及(iv)预测能力的评价。数据预处理在1300和2500纳米范围内的光谱是用于关联与土壤性质。光谱反射率数据(光密度)通过平均每5个相邻光谱点,得到120新的光谱数据点,每一个代表一个10-nm的间隔减小。反射光谱的一阶导数使用下式计算di = xi+1 - xi, i = 1, 2,., 119 1 式中,di表示在减少近红外光谱数据第i个数据点(xi)的一次导数。光谱的所选范围包括三个主要反射峰;在400和1300nm范围内没有被包括在内,因为它被发现以减少使用这种定标模型预测土壤性质的准确度。定标集选择为了评价NIRS预测土壤特性的能力,可用于所有土壤样品的光谱数据中的计算程序进行相同的处理。建立了含有转化和截短的一阶导数光谱所有802样品以及对土壤性质的测量值的数据库。在本研究中使用的校准策略是首先选择的类似小(n=30)的子集(具有类似的光谱)的样本的每个样本进行测试,然后向供试样品。在定标集中用于给定样品中的30个样品从所有那些在数据库中被选定(不包括样品被测试),其以该衍生物反射光谱测试样品的最短欧氏距离平方为基础。可以通过以下方式获得的在两个反射光谱的平方欧氏距离 2 其中dAi和dBi是土壤A和土壤B分别在第i点的一阶导数光谱;p是数据点的光谱数。主成分回归和预测对于定标集,土壤性质(y30*1)的值可以表示为他们的光谱反射率的线性函数,如 3 其中1是一个3*31向量;b 0和b是系数; e为误差向量。由于近红外光谱数据点具有很高的共线性,从光谱数据矩阵得到了几个主要的成分被用来取代原光谱矩阵等式1。新的回归系数可以由最小二乘法来确定,然后用于估计性能的测试样品。 PCR技术的细节可以在多元校正(Martens and Naes,1989)中找到。预测能力多达20个主成分的回归计算中使用的,被选择的主成分(F)的数目,得到的最小均方根交叉验证(RMSECV),最大r2的标准误差,和一个斜率接近1的回归土壤理化性质的预测值与实测值一致。NIRS-PCR技术来预测土壤属性的能力用r2、RMSECV和RMSECV(RPD)标准偏差的比值进行评价。在这项研究中,特征向量是从奇异值分解的方法,所有的计算均采用MATLAB(MathWorks公司,马萨诸塞Natick)执行。性质方程近红外反射光谱是由有机官能团和水,颗粒大小和表面性能基本振动的组合以及色彩的直接影响。因此,全碳,全氮,水分含量,粒度和聚集被认为是主要的属性,因为这些属性的近红外光谱预测的理论基础是显而易见的。其他土壤特性被认为是次要的属性。如果辅助属性相关的一个初级或多个属性,二级属性也可以通过近红外光谱预测,尽管辅助属性不直接向近红外光响应。例如,潜在的矿化氮是与总有机碳和全氮相关的,而CEC则与粘土丰度和有机质含量相关。以往的研究发现,近红外光谱可以预测在理论上不与近红外光相关的一些土壤性质(Fox等人,1993;Fritze等人,1994;本 - 多尔和Banin,1995)。这种现象进行了研究,通过比较NIRS-PCR技术进行二次土壤性质与主要土壤特性的相关性的水平的预测能力。结论与讨论土壤样品的近红外反射光谱在本研究中测试的所有土壤具有相似的可见光和近红外反射光谱。它们在近红外光区具有高光学密度log(1 / R)在可见光区(400-800纳米),和三个主要吸收峰(约1400,1900和2200纳米)。图2中所示的4 MLRAs土壤平均数谱是只使用以努力降低水的影响,并强调了反射光谱的本质特征,水分含量低(0.01kg kg-1)的样品获得。在近红外区域,MLRA67和MLRA77的平均光谱具有比MLRA9和MLRA105的平均光谱更强烈的峰。MLRA77的平均光谱在可见光范围内具有最高光密度。MLRA9和MLRA105平均光谱有不同的基础线,但在近红外光区域有两个弱峰。从不同MLRAs土壤可以彼此通过从光密度为1300至2500nm范围内的一阶导数产生其前三个主
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号