可见近红外光谱预测土壤氮：PCR、PLSR与BPNN比较

"该研究对比了基于可见近红外光谱的主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络(BPNN)三种方法在预测土壤全氮含量(TN)中的表现。通过收集470~1000 nm波段的土壤光谱数据，经过预处理后，建立了相应的定量模型。PCR和PLSR的线性模型虽然有较好的决定系数(R2)，但预测精度有限。而将PCR的主成分数和PLSR的潜变量(LV)作为BPNN的输入，构建的非线性模型，尤其是以4个LV为输入的BPNN-LV模型，表现出最佳预测性能，具有较高的R2和RPD值，适用于土壤氮的快速准确预测。" 在土壤科学和光谱分析领域，可见近红外光谱技术是一种常用的方法，用于非破坏性地分析土壤的化学成分。该研究中，48个土壤剖面样本经过风干、研磨和过筛等预处理步骤，确保光谱数据的质量。一阶微分变换和Savitzky-Golay平滑处理进一步优化了光谱信号，减少了噪声并突出了关键信息。 主成分回归(PCR)是一种统计方法，通过减少数据的维度来提取光谱的主要信息。PCR在这里被用来提供主成分数，作为BPNN的输入。偏最小二乘回归(PLSR)则更注重变量之间的相关性，它通过找到最优的线性组合(潜变量)来最大化光谱与氮含量之间的关系。PLSR的潜变量被用作BPNN的另一输入。 反向传播神经网络(BPNN)是一种人工神经网络，通过反向传播误差来调整权重，实现非线性映射。在本研究中，BPNN结合了PCR和PLSR的优点，构建的模型在预测土壤全氮含量方面表现出了更高的精度。特别是当4个PLSR的LV作为输入时，模型的R2达到0.9，RPD达到3.11，表明模型具有良好的预测能力，可以有效地应用于土壤氮的时空分布预测。 这项工作强调了选择合适的建模方法对于可见近红外光谱定量分析的重要性，并展示了非线性模型如BPNN在复杂化学成分预测中的优势。此外，结合不同方法的特征，如PCR的主成分数和PLSR的潜变量，可以进一步提高模型的预测性能。这对于土壤氮管理、农业可持续发展以及环境监测具有重要的实际意义。