第一个书签之前
Abstract
第一章 绪论
1.1 研究背景和意义
1.2 可见-近红外光谱（Vis-NIR）分析技术
1.3 国内外可见-近红外光谱土壤属性预测技术研究进展
1.4.1 研究目标、研究内容
1.4.2 技术路线
1.4.3 研究特色与创新点
第二章 数据源及研究方法
2.1 研究区概况
2.2 土壤样品采集及实验室分析
2.3 土壤样品室内可见-近红外光谱数据采集
2.4 光谱数据预处理方法介绍
2.4.1 光谱增强
2.4.1.1多元散射校正（MSC）
2.4.1.2 标准正态变换（SNV）
2.4.2 光谱平滑与去噪
2.4.2.1 小波变换（WT）
2.4.2.2 中值滤波（MF）
2.4.2.3 Savitzky-Golay卷积平滑（SG平滑）
2.4.2.4 微分处理技术
2.4.2.5 基线校正（BC）
2.5 特征变量选择
2.5.1 基于偏最小二乘算法参数的波长选择算法
2.5.2 连续投影算法（SPA）
2.5.3 遗传算法（GA）
2.5.4 间隔偏最小二乘波长选择算法（iPLS）
2.5.5 迭代保留有效信息变量（IRIV）
2.6 校正集和验证集样本选择
2.7 模型建立
2.7.1 偏最小二乘回归（PLSR）
2.7.2 支持向量机（SVM）
2.7.3 随机森林（RF）
2.8 模型精度评价指标
第三章 建模样本选择与光谱数据预处理
3.1 异常样本剔除
3.2 样本集划分
3.2.1 浓度梯度法
3.2.2 Kennard-Stone法
3.3 不同光谱预处理方法比较
3.4 不同光谱预处理方法组合
第四章 土壤有机质含量特征波长筛选方法研究
4.1 基于sCARS算法特征变量筛选
4.2 基于SPA算法特征变量筛选
4.3 基于GA算法特征变量筛选
4.4 基于IRIV算法特征变量筛选
4.5 基于sCARS-SPA特征变量筛选
第五章 土壤有机质含量Vis-NIR光谱建模
5.1 偏最小二乘回归模型（PLSR）
5.2 支持向量机模型（SVM）
5.3 随机森林（RF）
5.4 不同建模方法精度比较
第六章 结论与展望
6.1 主要研究结论
6.2 研究展望
参考文献
附 录
致 谢
个人简历
