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。

土壤速效磷与速效钾在近红外区没有直接与它们相关的吸收峰, 只能借助与其他拥有直接吸收峰物质(有机质, 碳酸盐, 粘土矿物, 水分等)之间的相关关系而被近红外光谱技术所预测。 这种相关关系会随着土壤样品构成的不同而不断变化, 因此采用固定结构的近红外光谱模型很难对速效磷与速效钾取得较好的预测效果。 提出采用递归偏最小二乘法(RPLS)在预测过程中递归更新土壤速效磷与速效钾的回归系数, 以提高模型的预测能力; 比较了偏最小二乘法(PLS), 局部加权PLS(LW-PLS), 滑动窗口LW-PLS(LW-PLS2)和RPLS对于土壤速效磷与速效钾含量的预测结果。 194份土壤样品根据土壤类型分为建模集与预测集: 建模集包含120份人为土样品; 预测集则包含29份铁铝土样品, 23份人为土样品和22份初育土样品。 结果表明: RPLS模型取得了最优的预测结果, 获得的决定系数(R2)分别为0.61与0.76, 预测相对分析误差 (RPD)分别为1.60与2.05。 说明RPLS通过不断更新模型的回归系数, 能够适应新加入建模集样品的信息。 相比于其他方法, 预测精度更高, 适用范围更广。