通过近红外 (NIR) 光谱学对土壤的定量分析与三步渐进的混合变量选择策略相结合

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 数据科学数据科学数据科学

背景情况:

• 准确的土壤测量对于作物生产和施肥至关重要.
• 近红外 (NIR) 光谱技术提供实时的土壤监测.
• 在NIR分析中的高维数据带来了诸如维度的诅咒之类的挑战.

研究的目的:

• 为NIR光谱数据开发一种高效的变量选择方法.
• 为了解决土壤分析中维度的诅咒.
• 为了提高预测性能和降低土壤模型的复杂性.

主要方法:

• 提出了三步渐进的混合变量选择策略:协同效应区间部分最小平方 (SiPLS),随机森林变量重要性测量 (RF(VIM) 和改进的平均影响值 (IMIV).
• 开发了一种称为SiPLS-RF(VIM) -IMIV的土壤变量选择方法.
• 集成优化变量到一个部分最小平方 (PLS) 模型中.

主要成果:

• 混合战略显著提高了预测性能,并降低了模型的复杂性.
• 在测试组件上实现的测试中平方根平均误差 (RMSET) 为0.01181%和R平方 (RT) 为0.88246.
• 在预测准确性和模型简单性方面表现优于全谱PLS,SiPLS和SiPLS-RF (VIM) 方法.

结论:

• SiPLS-RF(VIM) -IMIV混合策略有效地使用NIR光谱测量土壤水平.
• 这种方法为数据驱动的土壤动态监测提供了一个强大的解决方案.
• 证明了解决其他复杂的土壤分析挑战的潜力.