可见近红外光谱快速测定土壤中的有机碳含量和阳离子交换量解读.docx

可见近红外光谱快速测定土壤中的有机碳含量和阳离子交换量解读.docx

《可见近红外光谱快速测定土壤中的有机碳含量和阳离子交换量解读.docx》由会员分享，可在线阅读，更多相关《可见近红外光谱快速测定土壤中的有机碳含量和阳离子交换量解读.docx（15页珍藏版）》请在冰豆网上搜索。

可见近红外光谱快速测定土壤中的有机碳含量和阳离子交换量解读

第３０卷，第２期２０１０年２月

光谱学与光谱分析

ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ

Ｖ０１．３０，Ｎｏ．２，ｐｐ３２７—３３０

Ｆｅｂｒｕａｒｙ，２０１０

可见／近红外光谱快速测定土壤中的有机碳含量和阳离子交换量

方利民，冯爱明，林敏。

中国计量学院计量测试工程学院，浙江杭州３１００１８

摘要为实现土壤中有机碳（ＴＯＣ）含量和阳离子交换量（ＣＥＣ）的快速检测，对３００个土壤样品的可见／近红外光谱数据进行了分析。

使用快速独立分量分析（ＦａｓｔＩＣＡ）算法对光谱数据矩阵进行分解，得到独立成分和相应的混合系数矩阵，再利用误差反向传播算法（ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）构造三层神经网络结构。

为了克服传统ＢＩＤ神经网络结构难以确定和易于陷入局部极小点的缺点，采用遗传算法优化ＢＰ神经网络结构和初始权值，得到ＩＣＡ－ＧＡ－ＢＰ模型。

利用此模型对土壤中ＴＯＣ含量和ＣＥＣ进行预测，根据预测相关系数（Ｒ２）和预测标准偏差（ＲＭＳＥＰ）来评价预测模型的性能，表明该模型对ＴＯＣ含量和ＣＥＣ测定的相关系数Ｒ２均

达到０．９８以上。

说明文章提出的ＩＣＡ－ＧＡ－ＢＰ建模方法具有很好的预测效果，为土壤品质的鉴别提供了一

种新方法。

关键词可见／近红外光谱；独立分最分析；ＢＰ神经网络；遗传算法；土壤中图分类号：

０６５７．３

文献标识码：

Ａ

ＤＯＩ：

１０．３９６４／ｊ．ｉｓｓｒＬ１０００—０５９３（２０１０）０２—０３２７—０４

量学方法对其Ｔ（）Ｃ含量和ＣＥＣ进行测定。

首先用离散小波

引言

对土壤而言，有机碳（ｔｏｔａｌ

ｏｒｇａｎｉｃ

变换对３００个土壤样品的可见／近红外光谱数据进行有效压缩，然后用ＦａｓｔＩＣＡ算法［７’８］对其进行分解，提取独立成分

ｃａｒｂｏｎ，ＴＯＣ）含量是

和相应的混合系数矩阵。

通过遗传算法（ｇｅｎｔｉｃａｌｇｏｒｉｔｈｍ，ＧＡ）优化ＢＰ神经网络结构，最后再用ＧＡ—ＢＰ神经网络建立土壤中有机碳含量和阳离子交换量两个主要指标的检测模型。

结果表明，校正样品集的模型预测值与标准方法参考值的相关系数都达到０．９８以上，所建模型具有实际应用价值。

一项莺要的物化性质指标。

一般来说，土壤中有机碳含量越

高，土壤吸附污染物的能力就越强。

现行的测定有机碳的标准方法，如蕈铬酸钾外加热氧化法存在操作复杂、费时、费电、污染环境和氧化不完全等缺点，而且实验结果有较大的系统误差Ｌｌｊ。

土壤吸附阳离子的能力用吸附的阳离子总量表示，称为阳离子交换量（ｃａｔｉｏｎ

ｅｘｃｈａｎｇｅ

ｃａｐａｃｉｔｙ，ＣＥＣ）。

阳

１实验数据与方法

１．１数据

数据为Ｕｎｉｖｅｒｓｉｔｙ

ｏｆ

离子交换量的测定受多种因素的影响，例如交换剂的性质、盐溶液的浓度和ｐＨ值等，必须严格掌握操作技术才能获得可靠结果。

在土壤检测中红外、近红外的应用较多，已有研究人员使用光谱技术测量土壤的理化参数等，如Ｃｈａｎｇ等用ＮＩＲＳ测定土壤粘粒含量、阳离子交换量（ＣＥＣ）、ｐＨ、粉砂量等的研究结果都是比较可靠的［２］。

近年来国外也将紫外、可见光等用于土壤检测的研究［｝６｜。

光谱法用于土壤检测具有以下特点：

宏观尺度与微观尺度的有效结合，获取的土壤信息量大，覆盖而宽，而且无破坏；其次是时效性强，分析速度快，可实现在线或实时分析；另外操作简单，成本低，多组分可同时测定。

本文将可见／近红外光谱用于土壤检测，并使用化学计

收稿日期：

２００９—０２—２７。

修订日期：

２００９—０６－０８

基金项目：

国家自然科学基金项目（５０６７５２１４）：

和１浙江省科技计划项目（２００８（２２３０８５）资助作者简介：

方利民，１９８３年生，中国计量学院计量测试工程学院硕士研究生

＊通讯联系人

ｅ－ｍａｉｌ：

ｌｉｎｍ＠ｃｊｌｕ．ｅｄｕ．ａｎ

ｅ－ｍａｉｌ：

ｆａｎｇｌｍｌ００４＠１６３．ｃｏｒｎ

Ｍｏｎｔａｎａ提供的土壤样品红外光谱

数据以及相应的有机碳含量（ＴＯＣ，单位：

ｇ・ｋｇ＿１）和阳离子交换茸（ＣＥ（：

，单位：

０．０１ｍｏｌ・ｋｇ一１）。

所用的仪器为美国ＡＳＤ（ａｎａｌｙｔｉｃａｌ

ｓｐｅｃｔｒａｌ

５００

ｄｅｖｉｃｅ）公司ＦｉｅｌｄＳｐｅｃＰ－０－ＦＲ光ｌ＇ｌｌｌｌ范围内扫描得到可见／近红外

谱仪，在波长３５０～２

光谱，采样间隔为ｌ姗。

有机碳含营的标准参考值的测定是

采用于燥的土壤样本，以Ｗａｌｋｌｅｙ－Ｂｌａｃｋ之湿式氧化法分析得到；阳离子交换量的标准参考值的测定采用的是ｐＨ值为７．０的ＮＨａＯＡｅ法。

选取３００个样品用于定量分析模型的建立，在建模之前将样品划分为校正样品集和预测样品集，各

万方数据　

３２８

光谱学与光谱分析第３０卷

取总样品数的２／３和１１３。

图１为某一土壤样品的可见／近红外光谱图。

％６％５¨４

们３毗２

叭ｌ

Ｏｏ

５００

ｌｆＸ）ｏ

ｌ，５００

２讲）ｏ

２５００

Ｗａｖｅｌｅｎｇｔｈ／ｎｍ

Ｆ．唔１ｖｊｓ／ＮＩＲ

ａｂｓｏｒｂａｎｃ．ｓｐ优昀ｏｆ眦ｓｏｉｌ

ｓａｍｐｌｅ

１．２独立分量分析

假定采集所得的ｚ个传感器信号，记为期，勋，…，丑，

是ｗｔ个未知独立信号源ｓ－，昆，…，‰的线性组合。

记ｘ＝ｋｌ，Ｘ２，…，丑］Ｔ，ｓ—Ｉｓｌ，＆，…，‰］Ｔ，Ｍ是１×ｍ混合阵，其元素为％（ｉ一１，…，ｚ；Ｊ—ｌ，…，ｍ），则

Ｘ一胳

（１）

这就是ＩＣＡ的基本模型。

ＩＣＡ的目的是在假设源信号相互统计独立的条件下，仅通过可获得的ｚ个传感器信号来估计混

合矩阵Ｍ以及源信号ｓ，即找到分离阵ｗ使满足

雪一ＷＸ

（２）

其中雪是ｓ的估计，ｗ是混合阵Ｍ的Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ逆。

ＩＣＡ理论及分离算法的关键在于如何度量分离结果的独立性，本文将应用一种基于负熵的独立性判决准则的ＦａｓｔＩ－ＣＡ算法对光谱数据进行处理，该算法采用牛顿迭代算法，收敛速度快。

１．３光谱模型及求解算法

根据Ｂｅｅｒ－Ｉ且ｍｂｅｒｔ定律，光谱数据可建模为各成分光谱

与其贡献度乘积的加和

Ａ＝ＭＩ

（３）

其中，Ａ是１个样品在ｎ个波长处的光谱数据矩阵，Ｊ是独立成分矩阵，在理想的分解状态下相当于纯物质的光谱数据矩

阵，混合矩阵Ｍ与纯物质在混合样品中的浓度有关。

ＩＣＡ根据式（３）的模型，将每个样品的光谱作为ｍ个独立成分的线性组合。

本文将快速独立分量分析算法与神经网络相结合，用于土壤的可见／近红外光谱解析，如图２所示。

算法的具体实现步骤如下：

（１）ＮＩＲ数据集的输入。

包括校正集样本数据阵Ａ和

浓度矩阵ｃ、预测集样本数据阵如。

（２）对数据阵进行ＩＣＡ分解。

使用ＦａｓｔＩＣＡ算法计算独

立成分矩阵Ｊｆ和相应的混合系数矩阵Ｍ。

一ｗ＋，ｗ＋为分离

矩阵Ｗ的ｐｓｅｕｄｏ逆。

（３）校正模型的建立。

建立Ｃ与Ｍｒ之间的数学模型，

本文使用非线性的ＢＰ神经网络方法，并用遗传算法优化ＢＰ网络结构。

万　

方数据（４）预测集样本浓度Ｇ的预测。

首先，由Ｉｆ和Ａ，计算预测集样本数据的混合矩阵Ｍｐ＝ＡｐＪ，，矿为Ｌ的ｐｓｅｕｄｏ

逆。

其次，将鸭作为步骤（３）所建模型的输入。

计算４所

对应的浓度信息ｃｐ。

（５）相应评价指标的建立。

本文选取均方根误差（ＲＭ—ＳＥＰ）和相关系数（Ｒ２）作为模型预测准确度的评价。

蔫

＊

吾

撵

鞋

ｎ晷２

ＩＣＡ－ＮＮＲ∞ｌ瑚他

由于ＢＰ神经网络是基于梯度下降的误差反向传播算法进行学习的，在网络的设计过程中往往要经过反复的试凑和训练，无法严格保证每次训练时ＢＰ算法的收敛性和全局最优性。

在实际应用中，ＢＰ神经网络也暴露出一些自身的弱点，如收敛速度慢，极易陷入局部极值点；另外神经网络的初始连接权以及网络结构的选择缺乏依据，具有很大的随机性，很难选取具有全局性的初始点，因ＩＩｉｉ求得全局最优的可能性较小，这样限制它的应用。

为克服其不足，本文利用遗传算法对其进行改进，建立ＧＡ－ＢＰ神经网络。

２实验结果与分析

２．１

ＧＡ＿ＢＰ网络结构

采用３层ＢＰ神经网络：

输入层、中间隐层和输出层。

输

入层与隐层、隐层与输出层之间的传递函数分别用ｔａｎｓｉｇ函数和ｐｕｒｅｌｉｎ函数，优化学习算法选用的是Ｌｅｖｅｖｂｅｒｇ－Ｍａｒ—ｑｕａｒｄｔ学习算法。

对土壤的ＴＯＣ含量和ＣＥＣ分别建立校正模型。

在神经网络的学习过程中，为了防ＢＰ算法过甲．收敛，学习过程中首先由ＧＡ『司时搜索解宅问的一群点，并构成一个不断进化的群体序列，在儿代的进化后，可以同时得到一些具有伞局性的较好点，由这些较好点ｆ｝ｊ发，再分别用神经网络ＢＰ算法进行学习，找到伞局最优的权值，从而完成网络的学习。

本文中遗传算法进化过程中的初始种群取Ｌ＝１００，总的进化代数Ｋ＝１００。

首先，通过分析被测含量校正模型的ＲＭＳＥＰ值与神经网络中间隐层神经元数Ｎｏｄｓ之间的关系，确定了ＴＯＣ含量和ＣＥＣ的定最分析模型中网络的Ｎｏｄｓ取值分别为８和ｌｏ。

其次，网络的输入为经ＦａｓｔｌＣＡ算法分解得到的混合系数矩阵Ｍ，因此对于ＩＣＡ分解中分量数ＩＣｓ的选择不仅关系到算

第２期光谱学与光谱分析

３２９

法的精确度，而且与网络的运行速度以及所建模型的精度有关。

本文采用不同的分量数选取来得到最优的数值。

分别分析两种被测含量的校正模型的ＲＭＳＥＰ和Ｒ２值与分量数ＩＣｓ之问的关系，综合考虑模型的性能和所需的计算量，确定了ＴＯＣ和ＣＥＣ的定量分析模型中的ＩＣｓ值分别为６和８。

最后，网络的输出层节点数取为１。

２．２试验结果与讨论

采用上述网络结构，对土壤中ＴＯＣ和ＣＥＣ分别建立了定最分析模型。

校正集样品的预测值与所提供参考值之间的相关性分析见图３。

町以看出，校ｉＦ模型的相关系数Ｒ２都在０．９８以上，这充分地说明了该模刑的线性特征很好。

用建立的定量模制对预测集中未知样品进行预测分析。

用本文所述方法所得到的数据与标准方法测得的参考值吻合很好，预测

样品集中的１００个样品ＩＣ俳ＮＮＲ方法测定值与参考值相

比，ＴＯＣ含量与ＣＥＣ值的最大相对偏差均小于５％。

由于ＢＰ神经网络的自组织、自学习性对样品中随机误差的校正，预测精度得到ｒ显著提高，此外模型的稳定性也会有所增强。

，、１２０

譬

０

宣

昌８０

ｏ

≥嗣

趸４０

它

奎

Ｏ

４０８０

１２０

Ｔｒｕｅ

ｖａｌｕｅ／（ｇ．ｋｇ一１）

矾

∞

∞∞

ｍ

Ｏ１０２０

３０

４１）

５０

Ｔｒｕｅｖａｌｕｅ／（０．０１ｍｏｌ・ｋｇ一１）

Ｆｉｇ．３

Ｃｏｒｒｅｌａｔｉｏｎｓｂｅｔｗｅｅｎｐｒｅｄｉｃｔｅｄｖａｌｕｅａｎｄｒｅｆｅｒｅｎｃｅｄｖａｌ－

ｕｅ

ｏｆＴＯＣ

ｃｏｎｔｅｎｔ（ａ）ａｎｄＣＥＣ（ｂ）ｉｎｓｏｉｌｓａｍｐｌｅｓ

万　

方数据下面用ＩＣＡ－ＢＰ和ＢＰ方法建立土壤中ＴＯＣ含量与ＣＥＣ值的分析模型，并与本文所用ＩＣＡ－ＧＡ－ＢＰ方法作比较。

利用３种方法分别建立校正模型，所建模型的预测能力的比较结果见表１。

可见，ＩＣＡ＿ＧＡ－ＢＰ方法所建的模型在ＲＭＳＥＰ和Ｒ２两个指标上均优于ＩＣＡ－ＢＰ和ＢＰ方法。

Ｔａｂｌｅ１

Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｃａｌｉｂｒａｔｉｏｎｍｏｄｅｌｓｃｏｎｓｔｒｕｃｔｅｄ

ｂｙＩＣＡ－ＢＰ，ＢＰ

ａｎｄＩＣＡＩＧＡ－ＢＰ

首先，ＩＣＡ方法结合ＧＡ－ＢＰ和ＢＰ神经网络所得的预测结果都很好，其中ＧＡ—ＢＰ网络的预测能力要稍占优势。

ＧＡ－ＢＰ网络使用全局收敛算法搜、手初始权值，而ＢＰ网络使用随机的初始权值，两个网络町能收敛到不同的极值点，ＧＡ－ＢＰ网络的伞局收敛件要优于单纯的ＢＰ网络，因此所得结果也较ＢＰ网络好。

当然，在网络的初始权值选取地较为合适的

情况下，ＢＰ网络和ＧＡ－ＢＰ网络将收敛到相同的极值点，所得预测结果相同。

其次，由表１可见，当在建模之前使用ＩＣＡ分解时，所得预测结果明显较好。

ＩＣＡ算法将光谱矩阵分解为独立分馈矩阵和混合系数矩阵，而独立分量矩阵被认为是主要成分的光谱，具有实际的化学含义。

通过以ｔ：

的讨论分析，可得以下结沦：

（１）用ＧＡ算法优化ＢＰ神经网络，可以限制初始权值的范围，避免局部收敛和收敛速度慢的问题。

（２）ＩｃＡ分解具有实际的化学含义，将其用于近红外光

谱分析建模可有效提高模型精确度。

（３）ＩＣＡ－ＧＡ－ＢＰ方法所建模型的预测能力要优于ＩＣＡ－

ＢＰ和ＢＰ网络方法。

本文将其用于土壤的可见／近红外光谱

分析，建立Ｔ（）Ｃ含量与ＣＥＣ的测定模型，所得结果令人满意。

３结论

应用光谱分析技术结合化学计量学方法对土壤中有机碳含量和阳离子交换量进行了预测分析，采用ＢＰ神经网络与ＦａｓｔｌＣＡ算法相结合的方法，通过遗传算法优化ＢＰ网络结构，选择了网络最佳优化参数，建立了ＩＣＡ－ＧＡ－ＢＰ分析模

型。

预测结果的相关系数和均方根误差都达到了预期的效果，是对传统土壤指标测定方法的改进，为开发出更高精度的ＴＯＣ、ＣＥＣ以及其他一些指标的检测仪器以及实时在线测量提供了依据。

将ＩＣＡ方法与Ｖｉｓ／ＮＩＲ技术应用于土壤ＩＣＡ算法的样品的检测，丰富ｒ化学计量学方法，也拓宽ｒ应用领域。

３３０光谱学与光谱分析第３０卷

参

［１］

Ｃ２１

［３］

［４］

［５］考文献ＬＩＡＮＧｇｈｏｎｇ－ｓｈａｎ，ＤＡＮＧＺｈｉ，ＬＩＵＣｈｅｎｇＣｏｎｇ－ｑｉａｎｇ（梁重山，党志，刘丛强）．ＡｃｔａＰｅｄｏｌｏｇｉｅａｌＳｉｎｉｃａ（土壤学报）。

２００２，３９（１）：

１３５．ＷＣ，ＬａｉｒｄＤ八ＳｏｉｌＳｃｉｅｎｃｅ，２００２，１６７（２）：

１１０．ＭｏｕａｚｅｎＡＭ。

ＢａｅｒｄｅｍａｅｋｅｒＪＤＥ，ＲａｍｏｎＨ．ＪｏｕｍａｌｏｆＮｅａｒＩｎｆｒａｒｅｄＳｐｅｃｔｒｏｓｃｏｐｙ，２００６，１４（３）：

１８９．ＲｏｓｓｅｌＲＡＶ，ＷａｌｖｏｏｒｔＤＪＪ，ＭｃｂｒａｔｎｅｙＡＢ，ｅｔａＬＧｅｏｄｅｒｍａ，２００６，１３１（１—２）：

５９．ＰｉｒｉｅＡ，ＢａｌｗａｎｔＳ，ＫａｍｒｕｎｎａｈａｒＩ．ＡｕｓｔｒａｌｉａｎＪｏｕｍａｌｏｆＳｏｉｌＲｅｓｅａｒｃｈ，２００５。

４３（６）：

７１３．

ＳＯＮＧＴａｏ，ＢＡＯＹｉ－ｄａｎ，ＨＥ

６７５．［６３

［７３

［８］Ｙｏｎｇ（宋韬，鲍一丹，何勇）．ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ（光谱学与光谱分析），２００９，２９（３）；ＨｙｖａｒｉｎｅｎＦＡＮＧＡ，ＯｊａＥ．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２０００，１３（４－５）：

４１１．Ｌｉ—ｍｉｎ，ＵＮＭｉｎ（方利民，林敏）．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＡｎａｌｙｔｉｃａｌＣｈｅｍｉｓｔｒｙ（分析化学），２００８，３６（６）；８１５．

ＲａｐｉｄＰｒｅｄｉｃｔｉｏｎｏｆＴｏｔａｌＯｒｇａｎｉｃＣａｒｂｏｎＣｏｎｔｅｎｔａｎｄＣＥＣｉｎＳｏｉｌＵｓｉｎｇＶｉｓｉｂｌｅ／ＮｅａｒＩｎｆｒａｒｅｄＳｐｅｃｔｒｏｓｃｏｐｙ

ＦＡＮＧＬｉ—ｍｉｎ，ＦＥＮＧＡｉ－ｍｉｎｇ，ＬＩＮＭｉｎ。

ＣｏｌｌｅｇｅｏｆＭｅｔｒｏｌｏｇｙａｎｄＭｅａｓｕｒｅｍｅｎｔＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＪｉｌｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８，Ｃｈｉｎａ

ＡｂｓｔｒａｃｔＦｏｒｔｈｅｒａｐｉｄｄｅｔｅｃｔｉｏｎｏｆｔｈｅｔｏｔａｌｏｒｇａｎｉｃｃａｒｂｏｎ（ＴｏＣ）ｃｏｎｔｅｎｔａｎｄｃａｔｉｏｎｅｘｃｈａｎｇｅｃａｐａｃｉｔｙ（ＣＥＣ）ｉｎｓｏｉｌ，ｖｉｓｉｂｌｅ／ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒａ（Ｖｉｓ／ＮＩＲ）ｏｆ３００ｓｏｉｌｓａｍｐｌｅｓｗｅｒｅａｎａｌｙｚｅｄ．Ｔｈｅａｌｇｏｒｉｔｈｍｏｆｆａｓｔｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（Ｆａｓ—ｔＩＣＡ）ｗａｓｕｓｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｄａｔａｏｆＶｉｓ／ＮＩＲｓｐｅｃｔｒｕｍ，ａｎｄｔｈｅｉｒｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔｓａｎｄｔｈｅｍｉｘｉｎｇｍａｔｒｉｘｗｅｒｅ

ｓｔｒｕｃｔｕｒｅ

ｔｏｏｂｔａｉｎｅｄ．Ｔｈｅｎ．ｔｈｅｃａｌｉｂｒａｔｉｏｎｍｏｄｅｌｗｉｔｈｔｈｒｅｅ－ｌｅｖｅｌａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ（ＢＰ）ａｌｇｏｒｉｔｈｍ．ＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｗａｓｂｕｉｌｔｂｙｕｓｉｎｇｒａｔｅＢａｃｋ－Ｐｒｏｐａｇａｔｉｏｎｒｅｖｉｓｅｔｈｅｗｅｉｇｈｔｓｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓｑｕｉｃｋｅｎｔｈｅｏｆｃｏｎｖｅｒｇｅｎｃｅａｎｄ

ｏｖｅｒｃｏｍｅｔｈｅｐｒｏｂｌｅｍｏｆｆａｌｌｉｎｇｅａｓｉｌｙｉｎｔｏｌｏｃａｌｍｉｎｉｍｕｍｓ，ａｎｄｆｉｎａｌｌｙｔｈｅＩＣＡ—ＧＡ＿ＢＰｍｏｄｅｌｗａｓｂｕｉｌｔ．Ｔｈｅｍｏｄｅｌｓｗｅｒｅｕｓｅｄｔｏｅｓｔｉｍａｔｅｔｈｅｃｏｎｔｅｎｔ

ｒｏｏｔｏｆＴｏＣａｎｄＣＥＣｉｎｓｏｉｌｓａｍｐｌｅｓｂｏｔｈｉｎｃａｌｉｂｒａｔｉｏｎｓｑｕａｒｅｅｒｒｏｒｓｅｔａｎｄｐｒｅｄｉｃｔｅｄｓｅｔ．Ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ（Ｒｚ）ｏｆｐｒｅｄｉｃｔｉｏｎａｎｄｍｅａｎｏｆｐｒｅｄｉｃｔｉｏｎ（ＲＭＳＥＰ）ｗｅｒｅｕｓｅｄ

ｃａｎａｓｔｈｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓ．Ｔｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｒｅｓｕｌｔｓｏｆａｎａｌｙｓｉｓｗｅｒｅｓａｔｉｓｆｉａｂｌｅ

ｉｎＲｆｏｒｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆＴｏＣｃｏｎｔｅｎｔａａｎｄＣＥＣｂｏｔｈｒｅａｃｈ０．９８．ＴｈｅｓｅｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｈａｓｅｄｏｎＩＣＡｍｅｔｈｏｄ。

ａｎｄｏｆｆｅｒｎｅｗａｐｐｒｏａｃｈｔｏｔｈｅｆａｓｔｐｒｅｄｉｃｔｉｏｎｏｆｃｏｍｐｏｎｅｎｔｓ’ｃｏｎｔｅｎｔｓｓｏｉＬ

ＫｅｙｗｏｒｄｓＶｉｓｉｂｌｅ／ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙ（Ｖｉｓ／ＮＩＲ）；Ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓ；Ｇｅｎｅｔｉｃａｌｇｏ—ｒｉｔｈｍ；Ｓｏｉｌ

（ＲｅｃｅｉｖｅｄＦｅｂ．２７，２００９；ａｃｃｅｐｔｅｄＪｕｌｌ．８，２００９）

＊Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ

万方数据　

可见/近红外光谱快速测定土壤中的有机碳含量和阳离子交换

量

作者：

作者单位：

刊名：

英文刊名：

年，卷（期）：

被引用次数：

方利民，冯爱明，林敏，FANGLi-min，FENGAi-ming，LINMin中国计量学院计量测试工程学院,浙江,杭州,310018光谱学与光谱分析SPECTROSCOPYANDSPECTRALANALYSIS2010,30

（2）1次

参考文献（8条）

1.梁重山;党志;刘丛强土壤/沉积物样品中有机碳含量的快速测定[期刊论文]-土壤学报2002（01）

2.ChengWC;LairdDANear-infraredreflectancespectroscopicanalysisofsoilCandN[外文期刊]2002（02）

3.MouazenAM;BaerdemaekerJDE;RamonH查看详情[外文期刊]2006（03）

4.RosselRAV;WalvoortDJJ;McbratneyAB查看详情[外文期刊]2006（1-2）

5.PirieA;BalwantS;KamrunnaharI查看详情[外文期刊]2005（06）

6.宋韬;鲍一丹;何勇利用光谱数据快速检测土壤含水量的方法研究[期刊论文]-光谱学与光谱分析2009（03）

7.HyvafinenA;OjaEIndependentcomponentanalysis:

algorithmsandapplications.[外文期刊]2000（4-5）

8.方利民;林敏基于独立分量和神经网络的近红外多组分分析方法[期刊论文]-分析化学2008（06）

引证文献（2条）

1.沈沁梅.周卫东.李科学激光诱导击穿光谱结合神经网络测定土壤中的Cr和Ba[期刊论文]-光子学报2010（12）

2.沈沁梅.周卫东.李科学激光诱导击穿光谱结合神经网络测定土壤中的Cr和Ba[期刊论文]-光子学报2010（12）

本文链接：