公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

S/B和DS算法校正土壤水分对土壤有机质近红外光谱预测的影响（英文）被引量：4: 2019年; 土壤水分对近红外光谱表现出强烈的吸收和对土壤有机质含量的预测造成干扰。研究选择41个样本作为校正集和9个样本作为预测集,所有样本做不同含水率(5%,10%,15%和17%)的处理。采用S/B和DS算法分别对预测结果和全光谱进行校正,消除土壤水分的影响。结果得出预测结果偏差减小和模型预测性能得到改善,Rp高于0.89和RMSEP低于0.885%。研究表明S/B和DS算法能有效消除土壤水分的影响和提高土壤有机质预测的准确性。; 王世芳王世芳宋海燕宋海燕程旭; 关键词：土壤水分土壤有机质近红外光谱

近红外透射光谱法快速测定瓶装醋中挥发酸含量的研究被引量：1: 2013年; 采用近红外光谱直接对瓶装醋进行透射检测。结果发现,玻璃包装对入射光源强度影响很大。采用室内外置光源解决此问题,在850～2000nm的波长范围内,采用偏最小二乘方法(PLS)对醋中的挥发酸含量进行了定量预测。结果表明,原始光谱结合PLS方法可以很好地预测瓶装醋中的挥发酸含量,校正样本和预测样本的相关系数分别为0.98、0.97;校正样本和预测样本的标准偏差分别为0.776、0.878。此外,对挥发酸含量起主要作用的波段主要集中在900nm和1100nm左右。; 宋海燕刘海芹程旭韩小平秦刚; 关键词：近红外光谱挥发酸偏最小二乘

水分对土壤近红外光谱检测影响的二维相关光谱解析被引量：12: 2014年; 为了能进一步分析水分对土壤近红外光谱检测的影响，分别从三个地方（桃园堡、牧场和农大示范田）采集了三种土壤，经过筛、烘干后分别配制了含水率为20％，15％和10％的土壤，然后采用ASD公司的FieldSpec3光谱仪在保证其他检测条件不变的情况下，对不同含水率下不同采集地的土壤进行了检测，获得了其不同含水率下的动态光谱图。最后视水分为外部干扰，应用二维相关光谱的理论对其进行了分析。结果表明，在350～2500 nm波段范围内，三个不同采集地土壤的同步二维相关光谱图比较类似，都在2210和1929 nm附近处出现较强的自动峰，在1415 nm附近处有较弱的自动峰；从三处自相关峰的密集程度来看，1929 nm处对应的官能团对水分最敏感，2210 nm处次之，1415 nm处最不敏感。该研究明确找出了水分对土壤近红外光谱检测影响的敏感波段和敏感程度，为今后消除水分影响建立抗水分干扰模型提供了依据。; 宋海燕程旭; 关键词：二维相关光谱水分土壤近红外

水分对土壤有机质检测影响的光谱特性分析及抗水分干扰模型建立被引量：5: 2016年; 土壤水分对光谱表现出很强的吸收性,且土壤水分与土壤有机质的吸收波段有重叠,因此土壤水分对土壤有机质的检测造成一定的干扰。为此做了以下工作：（1）采用可见近红外光谱仪在室内获取相同含水率下不同土壤动态光谱图;（2）通过对相同含水率下不同有机质含量的二维同步相关光谱图分析得出：当土壤为烘干土样时,600和1 660nm左右表征土壤有机质的波段出现强的自相关峰,但随着含水率的增加,这两个波段逐渐消失,由于受水分的影响,1 931,2 200和1 480nm均形成了强的自相关峰。说明水分会掩盖表征土壤有机质信息的波段,对土壤有机质检测造成干扰。（3）为了消除水分影响,提高模型对不同含水率下土壤有机质的预测精度,将田间近似最大含水率样本参与建模,采用偏最小二乘定量分析方法在550-650和1 610-1 710nm波段内建立了抗水分干扰土壤有机质预测模型,并对不同含水率的土壤有机质进行预测,结果表明：预测样本的相关系数为0.954,标准偏差为0.744%,标准差为0.844%,预测效果明显提高,说明此方法可减少水分对土壤有机质检测的影响。; 王世芳程旭宋海燕; 关键词：水分有机质

水分对土壤有机质近红外光谱检测影响的研究: 为了分析水分对土壤有机质近红外检测的影响,采集了54种土壤,根据土壤含水率配制方法配制了不同梯度的土壤含水率,然后采用ASD的FieldSpec3光谱仪分别对不同梯度的土壤含水率进行了检测,同时采用标准测试方法测得了所采...; 程旭; 关键词：土壤有机质含水率二维相关光谱偏最小二乘法; 文献传递

基于连续统去除的土壤有机质近红外光谱敏感波段提取研究被引量：1: 2016年; 土壤是一个复杂的三相集合体,由土壤中不同物质引起的谱带信息重叠现象非常严重,故通过适当的谱图预处理来提取其敏感波段显得尤为重要。本研究将连续统去除方法引入到土壤有机质敏感波段的提取中,分析了当土壤有机质含量变化时其谱图的变化规律,结果表明:采用连续统去除方法可以很好的提取土壤有机质敏感波段,且以提取的敏感波段600nm、900nm和2 210nm为中心,建立的土壤有机质模型可以较准确的预测土壤有机质含量,其所建模型中预测样本均方根误差MSE为0.286,相关系数R为0.979,均优于全波段所建模型中预测样本的均方根误差3.395和相关系数0.861。连续统去除方法可以很好的提取土壤有机质敏感波段,该研究对土壤有机质快速定量测试仪的研制具有重要意义。; 闫姗姗程旭宋海燕; 关键词：土壤有机质神经网络

全选清除导出

共1页<1>

程旭