在前期研究基础上,利用皖北地区砂姜黑土的193个土壤样本的可见近红外高光谱(350~1700 nm)数据,结合非线性和线性的核函数,对9种算法进行模型的首次优化;再利用随机森林、提升树和梯度提升树三种集成学习算法进行模型组合和二次优化。通过模型比较,优选并组合了Sigmoid函数的偏最小二乘、线性的支持向量回归、径向基的支持向量回归和Sigmoid函数的支持向量回归4个单模型,集成算法优化后发现,梯度提升树算法的预测结果最优。与单模型的预测结果相比,梯度提升树模型组合的决定系数为0.86,提高了17.8%,相对分析误差系数为2.55,从B等级提升到A,不仅在准确率上有显著提高,且组合模型过拟合更低,泛化性好。因此,梯度提升树的集成学习可结合多种模型优势,通过高光谱的模型集成来提升土壤速效磷的预测结果精确度。

土壤速效氮是影响作物生长发育的重要养分指标。 野外原位可见近红外光谱(VIS-NIR)分析技术具有快速无损等特点, 对速效氮的定量预测具有较好的应用前景。 野外条件下进行原位光谱采集更节省人力物力, 且为土壤养分实时传感器的开发提供了数据基础。 但由于野外原位光谱中通常存在大量的无关环境因子干扰信息, 易导致回归模型预测精度降低, 达不到实用要求。 针对位于以色列中部和北部的两个试验点共76个样本开展研究, 提出利用Y-梯度广义最小二乘加权算法(Y-GLSW)对样本的野外原位VIS-NIR反射率光谱(350～2 500 nm)进行滤波校正, 以提高回归模型的预测能力。 首先使用SG平滑、 一阶导数变换、 标准正态变换等常规方法对原始光谱进行预处理和变换; 在此基础上再使用Y-GLSW构建滤波模型对变换后的光谱进行滤波校正; 最后使用偏最小二乘回归算法(PLS-R)分别结合原始光谱RW、 预处理变换后的光谱PPT和滤波校正后的光谱Y-GLSW建立回归分析模型对速效氮进行定量预测。 结果表明: 利用RW光谱建立的回归预测模型是不可靠的; 利用PPT光谱建立的回归模型在测试集的相对分析误差(RPD)为1.41, 解释总方差占实际总方差之比(SSR/SST)为0.57, 模型具有一定的可靠性; Y-GLSW光谱建立的回归模型在测试集的RPD和SSR/SST分别为2.07和0.69, 相对于PPT模型分别提高了46.81%和21.05%。 因此, 利用Y-GLSW对野外原位VIS-NIR光谱进行滤波校正, 能够有效去除光谱中的无关信息数据, 提高模型的预测精度和解释能力。