土壤速效磷含量近紅外光譜田間快速測(cè)定方法

土壤速效磷含量近紅外光譜田間快速測(cè)定方法何東健;陳煦;任嘉琛;王梅嘉【摘要】為實(shí)現(xiàn)對(duì)土壤速效磷含量的快速測(cè)定，以關(guān)中壤土為材料，研究基于光譜分析的土壤速效磷含量測(cè)定方法.首先用便攜式近紅外頻譜儀在不同采樣高度下，采集土壤樣本900~1700nm波長(zhǎng)范圍的漫反射光譜，采用3倍標(biāo)準(zhǔn)差準(zhǔn)則和主成分分析得分圖對(duì)異常樣本進(jìn)行判別和剔除,然后對(duì)比分析4種波長(zhǎng)選擇方法對(duì)建模效果的影響，發(fā)現(xiàn)基于穩(wěn)定的競(jìng)爭(zhēng)性自適應(yīng)加權(quán)抽樣法的結(jié)果最佳，最后通過分析不同非線性建模方法對(duì)預(yù)測(cè)結(jié)果影響實(shí)驗(yàn)，探明最小二乘支持向量機(jī)方法的預(yù)測(cè)結(jié)果最好.實(shí)驗(yàn)結(jié)果表明，采樣高度為10cm時(shí)本文建立模型的土壤速效磷含量預(yù)測(cè)決定系數(shù)為0.8581,均方根誤差為10.8801,具有較高的精度，可對(duì)土壤速效磷含量進(jìn)行快速預(yù)測(cè).【期刊名稱】《農(nóng)業(yè)機(jī)械學(xué)報(bào)》【年(卷)，期】2015(046)003【總頁(yè)數(shù)】6頁(yè)(P152-157)【關(guān)鍵詞】土壤;速效磷;光譜分析;預(yù)測(cè)模型；sCARS；最小二乘支持向量機(jī)【作者】何東健;陳煦;任嘉琛;王梅嘉【作者單位】西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西楊凌712100;西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西楊凌712100;西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西楊凌712100;西北農(nóng)林科技大學(xué)信息工程學(xué)院，陜西楊凌712100【正文語種】中文【中圖分類】S153.6+1;O657.33土壤養(yǎng)分是影響農(nóng)作物生長(zhǎng)的主要限制因素之一，農(nóng)作物的生長(zhǎng)需要從農(nóng)田土壤中獲得水分和各種營(yíng)養(yǎng)物質(zhì)，其中土壤速效磷是植物所需的營(yíng)養(yǎng)元素之一，它的主要作用是促進(jìn)作物體內(nèi)營(yíng)養(yǎng)物質(zhì)的運(yùn)輸、轉(zhuǎn)化和積累，提高農(nóng)作物抗寒和抗旱能力的形成，同時(shí)增強(qiáng)農(nóng)作物體內(nèi)對(duì)酸堿平衡的緩沖作用［1］，速效磷含量是決定植物生長(zhǎng)和土壤生產(chǎn)力的重要因素之一，也是指導(dǎo)科學(xué)平衡施肥的重要依據(jù)之一，因此掌握農(nóng)田土壤磷信息分布對(duì)指導(dǎo)農(nóng)業(yè)生產(chǎn)具有重要意義［2］。然而土壤中各種養(yǎng)分信息、不是固定不變的，而是進(jìn)行著一系列生物的和物理化學(xué)的變化，特別是土壤中的磷素，大部分是以遲效性狀態(tài)存在，故全磷量不能作為土壤磷素供應(yīng)水平的確切指標(biāo)［3］，因此，迫切需要對(duì)土壤速效磷進(jìn)行快速檢測(cè)。傳統(tǒng)的土壤速效磷成分檢測(cè)方法采用某些化學(xué)試劑溶液來提取測(cè)定，步驟繁瑣，耗時(shí)費(fèi)工，很難實(shí)現(xiàn)實(shí)時(shí)檢測(cè)［4］。近紅外光譜分析技術(shù)(Nearinfraredspectrometry,NIRS)具有快速、無損、低成本檢測(cè)的特點(diǎn)，它可以在短時(shí)間內(nèi)分析大量土樣，實(shí)現(xiàn)土壤參數(shù)的實(shí)時(shí)在線測(cè)量，更加適應(yīng)精準(zhǔn)農(nóng)業(yè)的發(fā)展要求，得到了農(nóng)業(yè)領(lǐng)域?qū)W者的高度關(guān)注［5］。近紅外光譜分析法在評(píng)價(jià)土壤有機(jī)質(zhì)和土壤氮素、鉀素等方面也已經(jīng)有了大量的研究并獲得認(rèn)可，但由于磷在土壤中存在的多樣性和有效磷的復(fù)雜性，且近紅外區(qū)域光譜的重疊，很難建立精確度高的磷素預(yù)測(cè)模型［6］。袁石林等［7］以浙江省湖化鹽土為研究對(duì)象，用偏最小二乘法和最小二乘支持向量機(jī)方法對(duì)6組共120個(gè)土樣的總氮和總磷含量進(jìn)行了預(yù)測(cè)。宋海燕等［8］利用NIRS法對(duì)經(jīng)簡(jiǎn)單處理的潮泥土的光譜進(jìn)行預(yù)測(cè)，但預(yù)測(cè)模型決定系數(shù)不高。陳鵬飛等［9］用NIRS法對(duì)北京大興區(qū)采集土樣的全氮、全磷含量進(jìn)行了分析，對(duì)全磷進(jìn)行了預(yù)測(cè)，模型決定系數(shù)為0.6685。研究表明，近紅外光譜法能檢測(cè)土壤速效磷的含量，但采用通用光譜儀在室內(nèi)進(jìn)行實(shí)驗(yàn)，光譜預(yù)處理效果不甚明顯，不同建模方法對(duì)于建立的土壤速效磷含量的預(yù)測(cè)模型影響較大，且預(yù)測(cè)模型的預(yù)測(cè)結(jié)果難以達(dá)到應(yīng)用要求。本文以陜西省楊凌區(qū)田間土壤為研究對(duì)象，采用可用于機(jī)載的便攜式光譜儀，測(cè)定土壤樣本在900~1700nm波長(zhǎng)范圍的近紅外光譜，研究并建立土壤速效磷含量預(yù)測(cè)模型，為田間實(shí)時(shí)養(yǎng)分測(cè)定儀的開發(fā)提供技術(shù)依據(jù)。1.1樣本采集與處理供試土壤采自西北農(nóng)林科技大學(xué)實(shí)驗(yàn)田及周邊田塊，位于N34.17°、E108.03°,土壤類型為關(guān)中埋土。為使樣本的營(yíng)養(yǎng)含量覆蓋廣泛，采用十字法選取采樣點(diǎn)，采樣深度為0~20cm。采土?xí)r將地表碎石與植物清除，挖20cm深的矩形坑，然后緊貼坑壁鏟下厚約5cm的一層土，收集裝袋，共采集土壤樣本160份。為了使樣本盡量接近農(nóng)田實(shí)測(cè)條件，不對(duì)土壤進(jìn)行研磨，自然風(fēng)干后過2mm篩備用。將土壤置于直徑9cm、深1cm的培養(yǎng)皿中裝滿，表面用尺刮平制成樣本。將樣本分為2份，一份用于化學(xué)分析，另一份用于近紅外分析。1.2光譜采集儀器與方法為將來開發(fā)實(shí)時(shí)田間養(yǎng)分測(cè)定儀，綜合考慮光譜采集儀性能、成本和尺寸等因素，選用美國(guó)CONTROLDEVELOPMENT公司便攜式近紅外頻譜儀，該光譜儀屬于陣列檢測(cè)型，設(shè)備響應(yīng)頻譜范圍900~1700nm，采樣間隔為1nm，且穩(wěn)定性和抗干擾性好、掃描速度快、體積小、性能優(yōu)越，適合野外現(xiàn)場(chǎng)的在線檢測(cè)。儀器帶有35W鹵素?zé)艄庠磁c光纖探頭，二者呈8°夾角安裝在光譜儀自帶支架上，光纖探頭距土壤樣本距離可調(diào)，通過光纖與光譜儀連接，光譜儀將反射光譜解析后通過USB連接傳輸給計(jì)算機(jī)，通過軟件CDISpec32可以控制光源的開閉與光纖探頭的掃描時(shí)間。采集160份樣本900~1700nm范圍光譜，采樣間隔為1nm,每份樣本采集5次，取平均值后的光譜曲線如圖1所示。1.3樣本養(yǎng)分含量的測(cè)定土壤速效磷含量用分光光度計(jì)比色法測(cè)定。室溫下，用濃度0.5mol/L的碳酸氫鈉作浸提劑處理過1mm篩的土樣，浸提出的磷含量在一定酸度下，用硫酸鉬銻抗還原顯色成磷鉬藍(lán)，藍(lán)色的深淺在一定濃度范圍內(nèi)與磷的含量呈正比，與標(biāo)準(zhǔn)曲線對(duì)照求出土樣中的磷含量。得到樣本速效磷質(zhì)量比為4.195~99.982mg/kg，平均值為37.08mg/kg，標(biāo)準(zhǔn)差為4.45。成分分布含量較均勻，能夠較好地反映農(nóng)田土壤速效磷含量。本文用決定系數(shù)R2和均方根誤差RMSE來評(píng)價(jià)模型，決定系數(shù)越高、均方根誤差越小則模型的精度越高［10］。2.1采樣高度對(duì)光譜的影響土壤檢測(cè)反射光譜會(huì)受到測(cè)量部件結(jié)構(gòu)和探頭安裝高度等因素制約，因此，需要研究測(cè)量探頭安裝高度對(duì)測(cè)量精度的影響，以提高在線檢測(cè)的精度。為了便于土壤的實(shí)地測(cè)量應(yīng)用要求，選取光譜儀光纖探頭距被測(cè)物體分別為5、7、10、12和15cm時(shí)的土壤樣本光譜特性，將采集到的光譜數(shù)據(jù)與土壤速效磷含量之間建立偏最小二乘(PLS)預(yù)測(cè)模型，得到的結(jié)果如表1所示。由表可知在光纖探頭距土壤樣本表面10cm時(shí)，建模效果最佳，校正集建模決定系數(shù)為0.6867，校正集建模均方根誤差RMSEC為9.1917，因此樣本的采樣高度確定為10cm。2.2最優(yōu)波長(zhǎng)的優(yōu)擇異常樣本會(huì)嚴(yán)重影響建立模型的預(yù)測(cè)精度，本文針對(duì)物質(zhì)含量值和光譜數(shù)據(jù)信息采用3倍標(biāo)準(zhǔn)差準(zhǔn)則和主成分分析(Principalcomponentanalysis,PCA)得分圖對(duì)土壤速效磷含量和樣本光譜數(shù)據(jù)的異常值進(jìn)行判別，再用偏最小二乘法(Partialleastsquares,PLS)建立土壤速效磷含量預(yù)測(cè)模型，逐一檢測(cè)剔除異常值后的預(yù)測(cè)結(jié)果，依據(jù)其預(yù)測(cè)效果決定是否將該異常值剔除，最終剔除8個(gè)異常樣本，得到準(zhǔn)確的光譜數(shù)據(jù)進(jìn)行后續(xù)實(shí)驗(yàn)。鑒于建模集和預(yù)測(cè)集樣本的劃分對(duì)建立的模型精度有較大的影響［11］,本文選擇X-Y共生距離的樣本劃分方法(SamplesetpartitioningbasedonjointX-Ydistance,SPXY)。由于定量分析時(shí)所需的樣本數(shù)量大，且每個(gè)樣本的光譜數(shù)據(jù)存在譜峰重疊問題，導(dǎo)致光譜信息冗余，特征吸收峰不明顯，因此需要尋找對(duì)模型起關(guān)鍵作用的有效波長(zhǎng)［12］。連續(xù)投影法(Successiveprojectionsalgorithm，SPA)是通過光譜數(shù)據(jù)投影映射選取原始數(shù)據(jù)中的少數(shù)波長(zhǎng)，盡可能多的概括樣本光譜信息，而最大程度避免信息重疊［13］。競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(Competitiveadaptivereweightedsampling，CARS)方法是模仿達(dá)爾文進(jìn)化理論中的〃適者生存”原則，將每個(gè)波長(zhǎng)變量看作為一個(gè)個(gè)體，并對(duì)不適應(yīng)個(gè)體進(jìn)行逐步淘汰。CARS能〃優(yōu)勝劣汰，從中取優(yōu)”，以指數(shù)函數(shù)遞減的速度剔除無用變量，選出最優(yōu)波長(zhǎng)［14-15］?；诜€(wěn)定的競(jìng)爭(zhēng)性自適應(yīng)加權(quán)抽樣法(sCARS)是在CARS基礎(chǔ)上將穩(wěn)定性同時(shí)納入考慮中，它是把變量的穩(wěn)定性作為變量建模能力的指標(biāo)，剔除冗余信息［16］。隨機(jī)蛙跳算法(Randomfrog，RF)是通過在模型空間中模擬一條服從穩(wěn)態(tài)分布的馬爾可夫鏈，計(jì)算每個(gè)變量的被選概率，從而進(jìn)行變量選擇，它與偏最小二乘回歸算法相結(jié)合，模型中每個(gè)變量回歸系數(shù)的絕對(duì)值作為每次迭代過程中該變量是否被剔除的依據(jù)，是非常有效的高維數(shù)據(jù)變量選擇方法［17］。為探明較優(yōu)的波長(zhǎng)選擇方法，對(duì)全段光譜數(shù)據(jù)分別采用SPA、CARS.sCARS和RF進(jìn)行特征波長(zhǎng)選擇實(shí)驗(yàn)，并對(duì)所選波長(zhǎng)點(diǎn)用偏最小二乘法(PLS)建立模型，得到結(jié)果如表2所示。由表2可以看出，在特征波長(zhǎng)數(shù)量相等的前提下，用基于穩(wěn)定的競(jìng)爭(zhēng)性自適應(yīng)加權(quán)抽樣法選擇的波長(zhǎng)點(diǎn)可濾除96.25%的冗余信息且建模結(jié)果最好，故后續(xù)預(yù)測(cè)實(shí)驗(yàn)均選用sCARS法。2.3建模方法近紅外光譜定量分析常用方法有線性分析方法和神經(jīng)網(wǎng)絡(luò)等非線性方法。經(jīng)過預(yù)備實(shí)驗(yàn)，發(fā)現(xiàn)線性分析方法對(duì)土壤速效磷含量的預(yù)測(cè)效果不佳，故本文對(duì)徑向基神經(jīng)網(wǎng)絡(luò)(Radialbasisfunction,RBF)、小波神經(jīng)網(wǎng)絡(luò)(Waveletneuralnetwork,WNN)和最小二乘支持向量機(jī)(Leastsquaressupportvectormachine,LSSVM)等非線性方法建模效果進(jìn)行對(duì)比分析，以確定較優(yōu)的建模方法。2.3.1徑向基神經(jīng)網(wǎng)絡(luò)模型RBF網(wǎng)絡(luò)由1個(gè)隱層和1個(gè)輸出層組成。其中輸入層有132個(gè)神經(jīng)元；隱層是高斯徑向基函數(shù)，神經(jīng)元數(shù)量經(jīng)對(duì)比實(shí)驗(yàn)確定為5個(gè)；輸出層采用線性傳遞函數(shù)，1個(gè)神經(jīng)元對(duì)應(yīng)土壤速效磷含量預(yù)測(cè)值。訓(xùn)練時(shí)，從剔除異常樣本后的樣本集中用SPXY法選取132個(gè)樣本（每個(gè)樣本用sCARS法選定特征波長(zhǎng)）作為輸入，綜合考慮建模和預(yù)測(cè)精度，經(jīng)過反復(fù)實(shí)驗(yàn)后確定誤差目標(biāo)為55，其他參數(shù)設(shè)置為默認(rèn)值。網(wǎng)絡(luò)訓(xùn)練好后，將剩余的20個(gè)土壤樣本作為預(yù)測(cè)集輸入訓(xùn)練好的RBF網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。2.3.2小波神經(jīng)網(wǎng)絡(luò)模型小波神經(jīng)網(wǎng)絡(luò)的基本原理是用小波函數(shù)來代替?zhèn)鹘y(tǒng)神經(jīng)網(wǎng)絡(luò)中隱層節(jié)點(diǎn)傳遞函數(shù)，輸入層到隱層的權(quán)值由小波函數(shù)伸縮參數(shù)代替，隱層閾值由平移參數(shù)代替，輸出層為線性神經(jīng)元，它將隱層的小波伸縮系線性疊加形成輸出［18］。小波神經(jīng)網(wǎng)絡(luò)用于函數(shù)優(yōu)化時(shí)，輸入神經(jīng)元的數(shù)目為主成分個(gè)數(shù)，隱層節(jié)點(diǎn)即小波基函數(shù)要適中。如果隱層節(jié)點(diǎn)輸入過多，會(huì)使訓(xùn)練時(shí)間過長(zhǎng)并且造成過度擬合，而隱層節(jié)點(diǎn)過少會(huì)導(dǎo)致訓(xùn)練達(dá)不到要求［19］。本文WNN優(yōu)化過程選用參數(shù)為：隱層節(jié)點(diǎn)數(shù)為5；小波基函數(shù)選用Morlet函數(shù)；學(xué)習(xí)率為0.02；最大訓(xùn)練次數(shù)為1000。2.3.3最小二乘支持向量機(jī)最小二乘支持向量機(jī)是一種改進(jìn)的支持向量機(jī)，它將訓(xùn)練集數(shù)據(jù)從輸入空間非線性的映射到高維特征空間，將不等式約束用等式約束來替代，在高維空間中對(duì)最小化損失函數(shù)進(jìn)行求解得到線性擬合函數(shù)，可有效提高計(jì)算速度［20］。LSSVM訓(xùn)練時(shí)的輸入X為經(jīng)SPXY法選取的132個(gè)樣本，輸入矩陣的維數(shù)為通過sCARS選擇的特征波長(zhǎng)數(shù)，輸出Y為132個(gè)樣本的速效磷含量值，在預(yù)測(cè)時(shí)輸入Xt為另外20個(gè)測(cè)試樣本的光譜信息，輸出Yt為土壤速效磷含量的預(yù)測(cè)值。經(jīng)過預(yù)備實(shí)驗(yàn)確定正則化參數(shù)Y為0.7、RBF核函數(shù)參數(shù)。2為0.55時(shí)，土壤速效磷含量的預(yù)測(cè)效果最好。3.1實(shí)驗(yàn)結(jié)果用sCARS選取的最優(yōu)特征波長(zhǎng)變量與土壤速效磷含量建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，校正集樣本和預(yù)測(cè)集樣本的預(yù)測(cè)值和測(cè)定值之間關(guān)系如圖2所示，該模型校正決定系數(shù)和校正均方根誤差RMSEC分別為0.9216和7.3857，預(yù)測(cè)決定系數(shù)為0.8130，預(yù)測(cè)均方根誤差RMSEP為9.6116。用WNN建立土壤光譜信息與速效磷含量預(yù)測(cè)模型，20個(gè)預(yù)測(cè)集樣本的預(yù)測(cè)值和測(cè)定值之間關(guān)系如圖3所示，該模型的預(yù)測(cè)決定系數(shù)為0.7450，預(yù)測(cè)均方根誤差RMSEP為10.9792。采用LSSVM方法建模，20個(gè)預(yù)測(cè)集樣本的預(yù)測(cè)值和測(cè)定值之間關(guān)系如圖4所示，預(yù)測(cè)決定系數(shù)為0.8325，預(yù)測(cè)均方根誤差RMSEP為8.4733。3.2實(shí)驗(yàn)結(jié)果分析由于土壤近紅外光譜數(shù)據(jù)規(guī)模龐大，數(shù)據(jù)點(diǎn)存在嚴(yán)重的共線性，網(wǎng)絡(luò)運(yùn)算很容易陷入局部極小且解析困難，從土壤速效磷含量模型預(yù)測(cè)結(jié)果可以看出，3種非線性模型均沒有欠擬合及過擬合現(xiàn)象發(fā)生，預(yù)測(cè)效果較好，說明光譜分析方法對(duì)于速效磷預(yù)測(cè)是可行的。為分析不同模型的可靠性和適應(yīng)性，首先對(duì)比WNN和LSSVM模型用于預(yù)測(cè)土壤速效磷含量的效果，對(duì)于LSSVM模型，預(yù)測(cè)精度不直接依賴輸入數(shù)據(jù)的維數(shù)，泛化能力較強(qiáng)，其值為0.8325，明顯優(yōu)于WNN模型的0.7450，其RMSEP值為8.4733，也優(yōu)于WNN模型的10.9792，可見LSSVM模型的穩(wěn)定性和適應(yīng)性稍好，預(yù)測(cè)模型在實(shí)際應(yīng)用中也更加穩(wěn)定與可靠。RBF和LSSVM預(yù)測(cè)模型綜合分析后可知，它們的決定系數(shù)和均方根誤差相差不明顯，均可滿足實(shí)際應(yīng)用需求，但LSSVM采用最小二乘線性模型作為損失函數(shù)，極大簡(jiǎn)化了模型的復(fù)雜性，運(yùn)算速度加快用時(shí)較短，更能適應(yīng)田間實(shí)時(shí)測(cè)量的應(yīng)用要求，綜合可知LSSVM具有較高的學(xué)習(xí)能力和預(yù)測(cè)能力，能更好地解決土壤速效磷含量的模型預(yù)測(cè)推廣問題。采樣高度不同對(duì)光譜數(shù)據(jù)有明顯的影響，采樣高度為10cm時(shí)，具有較高的精度；且異常樣本和校正集預(yù)測(cè)集樣本劃分等對(duì)模型精度影響較大。在幾種特征波長(zhǎng)選擇方法中，sCARS方法僅用全部變量的3.75%便可達(dá)到較好的效果，且大大減少了校正建模計(jì)算量，有效壓縮了建立模型所需時(shí)間。分析比較3種非線性建模方法的預(yù)測(cè)結(jié)果，發(fā)現(xiàn)LSSVM的預(yù)測(cè)效果最好，模型預(yù)測(cè)決定系數(shù)為0.8325，均方根誤差RMSEP為8.4733。模型具有較高精度，可基本滿足實(shí)測(cè)需要。采用光譜分析對(duì)土壤速效磷含量進(jìn)行快速檢測(cè)是可行的，但土壤光譜復(fù)雜，且土質(zhì)、地形以及環(huán)境均會(huì)對(duì)土壤的漫反射光譜造成影響，在減小和消除這些干擾、建立普適性和魯棒性更好的預(yù)測(cè)模型方面尚需進(jìn)一步研究?！鞠嚓P(guān)文獻(xiàn)】1鄭立臣，宇萬太，馬強(qiáng).農(nóng)田土壤肥力綜合評(píng)價(jià)研究進(jìn)展[J].生態(tài)學(xué)雜志，2004，23(5):156-161.ZhengLichen，YuWantai，MaQiang.Advancesintheintegratedevaluationoffarmlandfertility[J].ChineseJournalofEcology，2004，23(5):156-161.(inChinese)2趙春江.對(duì)我國(guó)未來精準(zhǔn)農(nóng)業(yè)發(fā)展的思考[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2010(4):5-8.3林治安，趙秉強(qiáng)，袁亮，等.長(zhǎng)期定位施肥對(duì)土壤養(yǎng)分與作物產(chǎn)量的影響[J].中國(guó)農(nóng)業(yè)科學(xué)，2009，42(8):2809-2819.LinZhian，ZhaoBingqiang，YuanLiang，etal.Effectsoforganicmanureandfertilizerslong-termlocatedapplicationonsoilfertilityandcropyield[J].ScientiaAgriculturaSinica，2009，42(8):2809-2819.(inChinese)4何東健，楊成海，楊青，等.面向精準(zhǔn)農(nóng)業(yè)的農(nóng)田土壤成分實(shí)時(shí)測(cè)定研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28(7):78-85.HeDongjian，YangChenghai，YangQing，etal.Researchprogressofreal-timemeasurementofsoilattributesforprecisionagriculture[J].TransactionsoftheCSAE,2012,28⑺：78-85.(inChinese)5李民贊，鄭立華，安曉飛，等.土壤成分與特性參數(shù)光譜快速檢測(cè)方法及傳感技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(3):73-87.LiMinzan，ZhengLihua，AnXiaofei，etal.FastmeasurementandadvancedsensorsofsoilparameterswithNIRspectroscopy[J].TransactionsoftheChineseSocietyforAgriculturalMachinery，2013，44(3):73-87.(inChinese)6ViscarraRA，WalvoortDJJ，McBratneyAB,etal.Visible,nearinfrared,midinfraredorcombineddiffusereflectancespectroscopyforsimultaneousassessmentofvarioussoilproperties[J].Geoderma,2006,131(1-2):59-75.7袁石林，馬天云，宋韜，等.土壤中總氮與總磷含量的近紅外光譜實(shí)時(shí)檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009，40(增刊):150-153.YuanShilin，MaTianyun，SongTao，etal.Real-timeanalysisofsoiltotalNandPwithnearinfraredreflectancespectroscopy[J].TransactionsoftheChineseSocietyforAgriculturalMachinery，2009，40(Supp.):150-153.(inChinese)8宋海燕，何勇.近紅外光譜法分析土壤中磷、鉀含量及pH值的研究[J].山西農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，28(3):275-278.SongHaiyan，HeYong.DeterminationoftheP，KcontentsandpHvaluesinsoilsusingnear-infraredspectroscopy[J].JournalofShanxiAgriculturalUniversity:NaturalScienceEdition，2008，28(3):275-278.(inChinese)9ChenPengfei，LiuLiangyun，WangJihua,etal.Real-timeanalysisofsoilNandPwithnearinfrareddiffusereflectancespectroscopy[J].SpectroscopyandSpectralAnalysis，2008,28(2):295-298.10劉雪梅.近紅外漫反射光譜檢測(cè)土壤有機(jī)質(zhì)和速效N的研究[J].中國(guó)農(nóng)機(jī)化，2013，34(2):202-206.LiuXuemei.NearinfrareddiffusereflectancespectradetectionofsoilorganicmatterandavailableN[J].JournalofChineseAgriculturalMechanization，2013，34(2):202-206.(inChinese)11ZhanXR,ZhuXR,ShiXY,etal.Determinationofhesperidinintangerineleafbynear-infraredspectroscopywithSPXYalgorithmforsamplesubsetpartitioningandMonteCarlocrossvalidation[J].SpectrosopyandSpectralAnalysis,2009,29(4):964-968.12王淼，謝憲麗，周睿，等.基于可見光-近紅外漫反射光譜的紅壤有機(jī)質(zhì)預(yù)測(cè)及其最優(yōu)波段選擇[J].土壤學(xué)報(bào)，2011,48(5):1083-1089.WangMiao,XieXianli,ZhouRui,etal.DeterminationofsoilorganicmatterinredsoilsusingVIS-NIRdiffusereflectancespectroscopyselectionofoptimalspectralbands[J].ActaPedologicaSinica,2011,48(5):1083-1089.(inChinese)13陳彬，劉閣，張賢明，等.連續(xù)投影算法的潤(rùn)滑油中含水量的近紅外光譜分析[J].紅外與激光工程,2013,42(12):3168-3174.ChenBin,LiuGe,ZhangXianming,etal.Analysisonnearinfraredspectroscopyofwatercontentinlubricatingoilusingsuccessiveprojectionsalgorithm[J].InfraredandLaserEngineering,2013,42(12):3168-3174.(inChinese)14SunTong,XuWenli,LinJinlong,etal.DeterminationofsolublesolidscontentinnavelorangebyVis/NIRdiffusetransmissionspectracombinedwithCARSmethod[J].SpectroscopyandSpectralAnalysis,2012,32(12):3229-3233.15周竹，李小昱，高海龍，等.馬鈴薯干物質(zhì)含量高光譜檢測(cè)中變量選擇方法比較[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(2):128-133.ZhouZhu，LiXiaoyu，GaoHailong，etal.Comparisonofdifferentvariableselectionmethodsonpotatodrymatterdetectionbyhyperspectralimagingtechnology[J].TransactionsoftheChineseSocietyforAgriculturalMachinery，2012,43(2):128-133.(inChinese)16馬雯婷，鄭開逸，邵娟，等.近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)評(píng)價(jià)胚胎發(fā)育潛能[J].化學(xué)通報(bào)，2013,76(1):60-64.MaWenting,ZhengKaiyi,ShaoJuan,etal.Evaluatingrep