傅里叶变换红外光谱的土壤团聚体有机碳和全氮含量估测

摘要

土壤团聚体是土壤生态系统的重要组成部分,其碳氮含量及动态决定着土壤碳氮循环过程、稳定性及肥力.由于团聚体分级方法的差异,不同研究所获得的团聚体粒径也不尽相同,应用红外光谱对土壤团聚体性质进行建模预测时若对不同粒径团聚体分别建模需要大量样本且难以对所有组分同时进行合理预测.该研究对不同粒径团聚体样本进行综合建模预测,探寻一种高效可行的不同粒径团聚体性质的综合预测方法.采集了内蒙古淡栗钙土土壤样本进行傅里叶变换红外光谱分析,用遗传算法对特征波长进行了选择,基于偏最小二乘法(PLSR)、支持向量机(SVM)、人工神经网络(ANN)和随机森林(RF)等方法建立了不同粒径团聚体土壤有机碳(SOC)、全氮(TN)和红外光谱吸光度之间的估测模型.结果表明,基于遗传算法筛选的特征光谱区间构建的土壤团聚体SOC和TN含量的ANN模型的预测能力均是最好的(RPD>2),显著优于PLSR、SVM及RF模型;基于全谱数据的ANN模型对土壤团聚体SOC和TN的预测效果均低于基于GA选择的特征光谱区间的ANN模型,说明基于GA的特征光谱区间选择不仅可以简化模型结构,剔除无关的信息,而且可以提高模型的精度和预测效果.该研究将不同粒径土壤团聚体FTIR数据混合建模,通过遗传算法筛选特征光谱,发现人工神经网络模型可以很好地对土壤团聚体碳氮含量进行预测,且不会受团聚体粒径的影响,主要由于在遗传算法选择特征光谱时已将某些反映土壤矿物、粘粒等特征的波长区间包含在内,而人工神经网络所建立的模型可能已包含了不同粒径对土壤碳氮含量的影响,该结果表明基于遗传算法筛选特征波长区间并采用人工神经网络可以将不同粒径土壤团聚体统一建模,用于团聚体土壤有机碳和全氮含量的估测.