精细农业变量施肥取决于对农田的土壤养分分布的了解, 快速获取土壤信息是实施精细农业的基础。 速效钾是土壤肥力的重要参数, 是植物生长发育所必需的营养元素。 对土壤速效钾含量进行测量, 是了解土壤肥力的重要途径, 是实现精细农业的必要条件。 以山西典型褐土土壤为研究对象, 采集农田耕层褐土土壤样品共169份, 样品经风干处理, 手动捏碎较大的土粒并去除杂质后, 未经研磨过筛处理而直接用于土壤近红外高光谱的测量。 根据实验室速效钾含量测定结果, 将所有土壤样品分为两类: 其中速效钾含量低于100 mg·kg-1的样品共144个, 随机选取108个作为低含量建模集（Lc）, 剩余36个作为低含量验证集（Lp）; 速效钾含量高于100 mg·kg-1的样品共25个, 随机选取19个作为高含量建模集（Hc）, 剩余6个作为高含量验证集（Hp）。 其中Lc和Hc统称为所有含量建模集（Tc）, Lp和Hp统称为所有含量验证集（Tp）。 获取所有土壤样本950~1 650 nm范围内的近红外高光谱图像。 分别采用平均光谱曲线（R）、 平均光谱曲线的一阶导数（FD）、 平均光谱曲线与一阶导数共同建模（R&FD）、 平均光谱曲线与一阶导数的乘积（R*FD）、 平均光谱曲线与一阶导数的商（R/FD）等五种光谱数据预处理方法, 结合偏最小二乘法（PLS）, 分别对建模集Tc, Lc及Hc建模, 然后分别对验证集Tp, Lp及Hp进行验证。 结果表明: 土壤的平均光谱反射率随速效钾含量的增大呈现先增加后减小的趋势。 当速效钾含量低于100 mg·kg-1时, 所有波段的光谱反射率随速效钾含量的增加而增加; 当速效钾含量在100~200 mg·kg-1之间时, 所有波段的光谱反射率均达到最大值。 当速效钾含量超过200 mg·kg-1时, 950~1 400 nm的光谱反射率急剧减小, 但曲线的整体斜率显著增加; 且速效钾含量越高, 曲线整体斜率越大。 当速效钾含量高于100 mg·kg-1时, 平均光谱曲线的一阶导数显著增大, 且随速效钾含量的增加而增加。 该研究建立的PLS模型, 可以对整体（所有速效钾含量）和高含量（≥100 mg·kg-1）速效钾进行有效预测, 但无法对低含量（≤100 mg·kg-1）速效钾进行预测。 建模效果最好的光谱预处理方法为R*FD, 其次为FD, R, 而R&FD, R/FD预测效果相对较差。 最优建模方式为: R*FD结合Tc建模, 其PLS主因子个数为2个, RMSEc=29.293, RPDc=4.669, R2c=0.956; 对Tp的验证效果为RMSEp=29.438, RPDp=4.740, R2p=0.958; 对Hp的验证效果为RMSEp=23.033, RPDp=3.199, R2p=0.915。 该模型能够根据土壤速效钾的含量对土壤进行分类: 当预测值小于100 mg·kg-1时, 表明土壤速效钾含量低于100 mg·kg-1, 具体含量不确定; 当预测值大于100 mg·kg-1时, 预测值则能够很好反映土壤速效钾的真实含量。 由于选用的土壤样本未经研磨和过筛处理, 因而能够大大缩短样本制备时间, 提高预测效率。 该研究结果可为近红外高光谱成像应用于褐土土壤除速效钾含量以外其他营养成份的快速预测提供参考。

从土壤速效钾光谱中挖掘关键特征较为困难, 导致高光谱反演模型预测精度较低。 针对此问题, 提出了一种混合式随机森林特征选择算法。 首先采用封装式特征选择方法进行特征预选, 快速去除冗余并保留相关特征, 然后再利用改进的随机森林特征选择算法对预处理后的特征进行精选, 通过增大关键特征与冗余特征的区分度以及采用迭代特征选择的方式, 使精选后的特征具有更好的鲁棒性与区分性, 较好的解决了土壤速效钾高光谱反演模型精度较低的问题。 为了验证所提出算法的有效性, 选取了青岛市大沽河流域具有代表性的124个土壤样品为实验对象, 利用提出的算法从2 051个原始波段选出含有13个敏感波段的最优光谱子集建立土壤速效钾反演模型, 并与现有特征选择算法所建模型进行对比分析。 结果表明: 该算法构建的回归模型具有较低的预测均方根误差RMSEP(9.661 5), 较高的相关系数ｒ(0.936 9)和预测分析相对误差RPD(2.14)。 混合式随机森林特征选择算法以较少的特征波长数实现了较好的预测效果, 可为土壤养分实时光谱传感器的设计提供一定的理论依据。

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。

应用可见/短波近红外光谱分析测量土壤有机质和速效钾含量。 光谱预处理包括平滑, 标准归一化, 多元散射校正和平滑结合一阶导数, 以消除系统噪声和外部干扰, 分别应用偏最小二乘和最小二乘支持向量机方法建立校正模型, 模型的输入为基于连续投影算法得到的特征波长。 比较显示基于连续投影算法得到的特征波长为输入的最小二乘支持向量机优于偏最小二乘法建模。 模型评价指标由相关系数和预测均方误差表示。 有机质的相关系数和预测均方误差分别0.860 2和2.98, 速效钾为0.730 5和15.78。 表明基于连续投影算法可见/短波近红外光谱利用最小二乘支持向量机建模, 可以作为一个精确的土壤有机质和速效钾的测定方法。

应用可见/短波近红外光谱(Vis/SW-NIRS)测量土壤速效氮（N）和速效钾（K）含量。 光谱预处理包括标准正态变换（SNV）, 多元散射校正（MSC）和Savitzky Golay平滑结合一阶导数, 以消除系统噪声和外部干扰, 分别应用偏最小二乘（PLS）和最小二乘支持向量机（LS-SVM）方法建立校正模型。 最小二乘支持向量机（LS-SVM）输入分别包括主成分分析得到的主成分(PCs)和PLSR建模得到的潜在变量(LVs)和由PLSR模型回归系数得到有效波长（EWs）。 结果表明, 三种输入的LS-SVM模型都优于PLS模型, 其中EWs-LS-SVM模型最佳, 速效氮（N）的相关系数（R2）和预测均方误差RMSEP分别0.82和17.2, 速效钾（K）为0.72和15.0。 结果表明, 利用可见光和短波近红外光谱（Vis/ SW-近红外光谱）（325～1 075 nm）的LS-SVM的结合, 可以作为一个精确的土壤理化性质的测定方法。