摘要：近红外光谱NIRS分析技术拥有着检测速度快、对环境无害、分析成本低廉以及操作难度低等等的明显的优点。近红外光谱预测土壤钾素的研究对农作物栽培和水肥的农业栽培具有十分重要的指导意义。利用事先采集的样品土壤所检测出的近红外光谱的的光谱数据信息，利用近红外光谱检测技术对样品土壤中的钾含量的快速预测方法实现了具体的探究。

（1）对近红外光谱数据的预处理方法的研究。土壤样品近红外光谱非常轻易会受到外界环境所干预，其中包含了大量的噪声。本文着重钻研了四种光谱数据的预处理方法，研究表明，SG卷积平滑与MSC多元散射校正相互结合的预处理方法可以十分有效地抑制甚至剔除光谱数据中噪声所造成的影响，以此来提高光谱分析模型的预测精度。

（2）对近红外光谱数据的特征波长的选择方法的研究。由于土壤样品的近红外光谱数据的信息量十分庞大，信息重叠的问题非常严重，若是采用全波长光谱数据的方式以此来预测土壤养分含量，就会出现过拟合以及精度不高之类的问题。研究了四种特征波长提取方法，由此构建出了利用特征波长提取算法的土壤钾含量预测模型。仿真结果表明：利用土壤钾的特征波长建模，可以有效提升预测模型的估测的精确程度。

（3）对近红外光谱数据构建模型的方法的研究。通过偏最小二乘回归（PLSR）方法以及最小二乘支持向量机（LS-SVM）的方法构建土壤钾含量的预测模型。研究发现：基于ACO-LS-SVMR的钾含量预测模型实现简单、稳定并且精准度很高。

关键词：近红外光谱；土壤钾含量；特征波长；偏最小二乘回归

目录

摘要

Abstract

1 前言-1

1.1 研究背景及意义-1

1.2 近红外光谱技术-1

1.3近红外光谱技术的原理-1

1.4 近红外光谱分析技术特点-2

1.5 近红外光谱计量学方法-3

1.6 近红外光谱技术在土壤科学中的应用-4

1.6.1 国外研究现状-4

1.6.2 国内研究现状-5

1.6 本文主要研究内容及章节安排-7

2 材料与方法-9

2.1 连续投影算法（SPA）-9

2.2 偏最小二乘法（PLS）-9

2.3 土壤数据预处理方法-10

2.3.1 Savitzky-Golay（S-G）卷积平滑-10

2.3.2 标准正态变量变换与多元散射校正-11

2.3.3遗传算法GA-11

2.4 模型的验证指标-12

2.5协同区间偏最小二乘方法SiPLS-13

2.6 竞争自适应重加权采样法CARS-14

2.7 本章小结-14

3 土壤钾含量的预测研究内容-9

3.1 近红外光谱数据预处理-16

3.2 波长变量评价指标-19

3.3 构建土壤钾含量的近红外光谱预测模型-20

3.3.1 基于SiPLS-GA-SPA特征波长选择算法的土壤钾含量回归模型-20

3.3.2 基于SiPLS-CAR特征波长选择算法的土壤钾含量回归模型-24

3.4 本章小结-28

4 预测结果分析-29

4.1 近红外光谱数据预处理结果分析-29

4.2土壤钾含量近红外光谱预测结果分析-30

4.3本章小结-31

参 考 文 献-33

致 谢-35