文献类型：期刊文章

作　　者：李春婷[1] 张优优[1] 陈华舟[1] 辜洁[2] 莫丽娜[3] 李小玉[1]

Li Chunting;Zhang Youyou;Chen Huazhou;Gu Jie;Mo Lina;Li Xiaoyu(College of Science,Guilin University of Technology,Guilin 541004,Guangxi,China;School of Electrical and Information Engineering,Chongqing College of Humanities,Science&Technology,Chongqing 401524,China;School of Tourism Data,Guilin Tourism University,Guilin 541006,Guangxi,China)

机构地区：[1]桂林理工大学理学院,广西桂林541004 [2]重庆人文科技学院机电与信息工程学院,重庆401524 [3]桂林旅游学院旅游数据学院,广西桂林541006

出　　处：《激光与光电子学进展》

基　　金：国家自然科学基金(61505037);广西自然科学基金(2018GXNSFAA050045)。

年　　份：2022

卷　　号：59

期　　号：13

起止页码：413-418

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：土壤钾含量对作物的品质和产量有重要影响,因此,用近红外(NIR)光谱技术结合特征波段筛选方法对土壤钾含量进行快速定量检测。首先,结合模拟退火算法和区间偏最小二乘法(SA-iPLS)建立土壤钾含量的特征波段优化NIR模型。然后,通过调试子区间数量得到SA-iPLS的最优特征波段。最后,根据模型的评价指标将SA-iPLS模型与偏最小二乘法(PLS)、区间PLS(iPLS)、协同iPLS(SiPLS)模型进行对比。结果表明,当子区间数为90时,SA-iPLS模型在训练集上的表现最优,对测试集的预测均方根误差和相关系数分别为0.0117和0.8884。全谱PLS模型对测试集样品的预测均方根误差和相关系数分别为0.0140和0.8506,iPLS、SiPLS模型的最优子区间数分别为80、70,对测试集样品的预测均方根误差分别为0.0155、0.0145,相关系数分别为0.7786、0.8420。相比常规的iPLS、SiPLS模型,SA-iPLS模型能保留更多有用的光谱信息,提高对土壤钾含量的预测精度。

关 键 词：光谱学 近红外光谱 土壤钾含量  波段优选  模拟退火算法 区间偏最小二乘法  

分 类 号：O657.33]