方 向，金 秀，朱娟娟，李紹穩(wěn)

(安徽農(nóng)業(yè)大學(xué) 信息與計算機(jī)學(xué)院，智慧農(nóng)業(yè)技術(shù)與裝備安徽省重點實驗室，安徽 合肥 230036)

土壤速效氮(AN)是農(nóng)作物生長發(fā)育過程中的重要營養(yǎng)來源之一，其含量與土壤的有機(jī)質(zhì)含量有關(guān)，能夠很好地反映出近期土壤氮素的供應(yīng)情況[1]?？焖?、準(zhǔn)確地獲取土壤速效氮的養(yǎng)分信息對于指導(dǎo)精準(zhǔn)施肥、促進(jìn)現(xiàn)代農(nóng)業(yè)的發(fā)展具有重要的意義。傳統(tǒng)的土壤養(yǎng)分信息檢測都是采用化學(xué)方法，對檢測人員要求高，且存在著檢測效率低、成本高、易造成環(huán)境污染等問題，已不能滿足現(xiàn)代精準(zhǔn)農(nóng)業(yè)的發(fā)展要求?？梢?近紅外高光譜分析技術(shù)具有易操作、無污染等優(yōu)點，近年來在土壤養(yǎng)分的定量測定方面越來越受到重視[2-4]。

Shao等[5]采集浙江不同地區(qū)的280份土壤樣本，分別利用偏最小二乘回歸(PLSR)和最小二乘支持向量機(jī)(LS-SVM)對土壤速效氮含量進(jìn)行預(yù)測建模，結(jié)果顯示，LS-SVM的預(yù)測精度較高。劉雪梅等[6]在可見/短波近紅外光譜區(qū)域利用蒙特卡羅無信息消除方法(MC-UVE)對土壤堿解氮的建模變量進(jìn)行篩選，應(yīng)用偏最小二乘法(PLS)建立校正模型，驗證集的決定系數(shù)(R2)達(dá)到了0.84。Kodaira等[7]以日本北海道Kasai區(qū)十勝平原為實驗研究區(qū)，分別建立了土壤銨態(tài)氮、硝態(tài)氮、水解氮、總氮含量的PLSR模型，其總氮預(yù)測集的R2大于0.9，相對分析誤差(RPD)大于2.0，屬于A類預(yù)測精度，具有良好的預(yù)測能力；銨態(tài)氮和水解氮預(yù)測集的RPD大于1.4，屬于B類預(yù)測精度，具有中等的預(yù)測能力；硝態(tài)氮預(yù)測集的RPD小于1.4，屬于C類預(yù)測精度，不能用于定量預(yù)測。齊海軍等[8]在野外條件下利用以色列中部和北部的2個實驗點共76個土壤樣本展開研究，依次使用Savitaky-Golay卷積平滑(SG)、一階導(dǎo)數(shù)、標(biāo)準(zhǔn)正態(tài)變換和均值中心化對原始光譜進(jìn)行預(yù)處理，在此基礎(chǔ)上使用Y-GLSW構(gòu)建濾波模型對變換后的光譜進(jìn)行濾波校正，最后使用PLSR建立土壤速效氮含量的預(yù)測模型，預(yù)測集的RPD達(dá)到了2.07，屬于A類預(yù)測精度，具有很好的預(yù)測效果。綜合高光譜技術(shù)在土壤速效氮含量檢測方面的研究現(xiàn)狀可知，在室內(nèi)條件下，基于可見-近紅外光譜測定土壤速效氮含量是可行的，且取得了一定的成果。

本研究以皖南黃山市黃山區(qū)和池州市石臺縣兩地為研究區(qū)，進(jìn)行野外土壤采樣、室內(nèi)理化分析、光譜采集與處理等一系列工作，研究光譜預(yù)處理變換、回歸算法等建模環(huán)節(jié)對土壤AN含量預(yù)測精度的影響，探索基于可見-近紅外光譜的土壤AN含量預(yù)測方法，為該區(qū)域土肥信息的遙感監(jiān)測提供參考。

1 材料與方法

1.1 研究區(qū)概況

在安徽省農(nóng)業(yè)信息化產(chǎn)業(yè)技術(shù)體系皖南綜合試驗站的支持下，本研究于黃山市黃山區(qū)和池州市石臺縣兩地采集土壤樣本。兩地均屬于典型的皖南山地丘陵區(qū)，地理坐標(biāo)為117°29′7″～118°11′1″E，30°8′23″～30°22′25″N。皖南地區(qū)氣候溫和，水量充沛，屬于中亞熱帶(北部)濕潤季風(fēng)氣候，水稻-油菜輪作制是當(dāng)?shù)刈钪饕姆N植方式。

黃紅壤旱地有機(jī)質(zhì)、氮磷缺乏，人工因土施肥對作物增產(chǎn)穩(wěn)產(chǎn)尤為重要；因此，選擇皖南地區(qū)的黃紅壤作為研究對象，進(jìn)行土壤速效氮含量的高光譜預(yù)測研究。采集土壤樣本的區(qū)域包括黃山市黃山區(qū)烏石鄉(xiāng)桃園基地和池州市石臺縣大演鄉(xiāng)。

1.2 土壤樣本采集與制備

實驗集中在2018年7月進(jìn)行，此時正值暑假，天氣晴朗，適合采集土壤樣本。采用對角線法采樣，共采集耕作層土樣188份，采樣深度為0～20 cm。采集時簡單地去除土壤剖面上的植物根系、碎石塊和其他雜物，混勻后用四分法去掉多余的土壤，收集1.5 kg的純土壤樣本作為1份實驗樣本。將采集得到的土壤樣本帶回實驗室，在通風(fēng)環(huán)境下進(jìn)行自然風(fēng)干處理，風(fēng)干后將土壤磨碎，過2 mm篩，每份土壤樣本分成2份：一份用于高光譜數(shù)據(jù)采集，另一份用于理化檢測。土壤AN含量采用堿解擴(kuò)散法測定。

1.3 土壤樣本光譜采集

土壤樣本光譜反射率的測定，采用的是蔚海光學(xué)儀器(上海)有限公司生產(chǎn)的便捷式地物非成像光譜儀(型號：OFS-1700)，波譜范圍為200～1 700 nm，光譜分辨率為2 nm(200～950 nm)和5 nm(950～1 700 nm)，重采樣間隔為1 nm。將處理好的2 mm土壤粉末放在直徑4.5 cm、深2.5 cm、內(nèi)部鋪有黑布(以防雜散光的干擾)的盛樣器皿中，用直尺輕輕地將土樣刮平，再用反射探頭壓緊土壤樣本，防止雜光干擾和漏光，在電腦端打開儀器控制軟件進(jìn)行光譜采集。對每個土壤樣本，隨機(jī)選取3處進(jìn)行光譜測量，每個土壤樣本測量10條光譜，取其平均值作為土壤樣本的原始光譜。

1.4 光譜處理與變換

利用SG、一階導(dǎo)數(shù)變換(FD)、二階導(dǎo)數(shù)變換(SD)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)、多元散射校正(MSC)、對數(shù)變換(LG)、均值中心化(MC)、去趨勢校正(DT)及其組合共計29種預(yù)處理方法對原始光譜數(shù)據(jù)進(jìn)行校正處理。具體包括FD、SD、SNV、MSC、LG、MC、DT、SNV+DT、SNV+FD、SNV+SD、MSC+FD、MSC+SD、LG+FD、LG+SD、SG、SG+FD、SG+SD、SG+SNV、SG+MSC、SG+LG、SG+MC、SG+DT、SG+SNV+DT、SG+SNV+FD、SG+SNV+SD、SG+MSC+FD、SG+MSC+SD、SG+LG+FD、SG+LG+SD。經(jīng)多次實驗和對比分析，確定使用2階20點的SG濾波器對可見-近紅外高光譜數(shù)據(jù)進(jìn)行平滑去噪。

1.5 建模方法與評價參數(shù)

PLSR算法[9]是一種適用性較廣的化學(xué)計量學(xué)建模方法，被大量應(yīng)用于光譜分析中。利用PLSR開展建模分析，其中，潛在變量的個數(shù)利用留一交叉驗證的方式，以均方根誤差(RMSE)值為標(biāo)準(zhǔn)進(jìn)行優(yōu)選。

在實際的數(shù)據(jù)分析中，樣本數(shù)據(jù)之間往往不是簡單的線性關(guān)系，可能存在非線性關(guān)系。為了讓線性不可分的數(shù)據(jù)變得線性可分，本研究利用徑向基核函數(shù)(RBF)聯(lián)合PLSR來建立非線性模型，以此來提高預(yù)測模型的精度。使用的非線性核函數(shù)為徑向基函數(shù)[10]中常用的高斯函數(shù)，其表示1個取值僅僅依賴于離原點距離的實值函數(shù)，是回歸算法中常用的非線性核函數(shù)，公式如下：

(1)

采用Scikit-learn庫的train_test_split()函數(shù)，通過PyCharm 2016(JetBrains，捷克)軟件隨機(jī)劃分188個土壤樣本為建模集和預(yù)測集：選取全部土壤樣本的70%劃入建模集，共包含131個土壤樣本；剩余30%的土壤樣本劃為預(yù)測集，共包含57個土壤樣本。

模型預(yù)測性能，使用R2、RPD和RMSE作為評價標(biāo)準(zhǔn)[11]。采用Chang等[12]給出的評判等級：RPD>2.0，代表模型具有良好的預(yù)測能力；1.4

2 結(jié)果與分析

2.1 預(yù)處理變換對光譜的影響

在建模過程中，光譜的預(yù)處理往往是必不可少的，是近紅外定量分析與定性分析中非常關(guān)鍵的一步。采用適當(dāng)?shù)慕t外預(yù)處理方法可有效提高模型的適用能力。合理的預(yù)處理方法可以有效地過濾近紅外光譜中的噪聲信息，保留有效信息，從而降低近紅外定量模型的復(fù)雜度，提高近紅外模型的穩(wěn)健性[13]。

為了更加直觀地觀察出經(jīng)過不同預(yù)處理方法校正之后土壤光譜之間的差異性，將土壤的原始光譜(RS)和經(jīng)過29種預(yù)處理變換后的平均光譜圖做對比展示。圖1前5行展示了188份土壤樣本的平均原始光譜和經(jīng)14種不包含SG的預(yù)處理變換后的平均光譜，圖1后5行展示了經(jīng)過15種包含SG的預(yù)處理變換后的平均光譜。本研究去除了首尾信噪比較低的光譜區(qū)域，選取350～1 657 mm區(qū)域作為研究對象。從圖1可以發(fā)現(xiàn)，SNV和MSC兩種散射校正方法并沒有明顯改變光譜曲線的變化特征。但是其他的預(yù)處理變換方法在很大程度上都改變了光譜曲線的變化特征，尤其是均值中心化和導(dǎo)數(shù)變化及其組合變換的光譜，增強(qiáng)了光譜曲線的首尾抖動。對原始光譜進(jìn)行一階導(dǎo)數(shù)變換后，原始光譜曲線的峰值變成了零點，并且在原峰值兩側(cè)的拐點處分別出現(xiàn)了正的或者負(fù)的新峰值。與一階導(dǎo)數(shù)變換相比，在二階導(dǎo)數(shù)變換光譜中，盡管符號出現(xiàn)了反轉(zhuǎn)，但原始峰值的波長點處仍是導(dǎo)數(shù)光譜峰值，因此可以比較方便地把握原始光譜曲線的變化趨勢?？偟膩碚f，導(dǎo)數(shù)變換可以去除基線的影響，加強(qiáng)光譜的有用特征，但是也放大了噪聲，因此在導(dǎo)數(shù)變換之前需要使用SG來濾除無關(guān)噪聲信息。在對數(shù)變換中，反射率被轉(zhuǎn)換成了吸收率，光譜曲線的走勢剛好和原始光譜曲線相反。對比可知，經(jīng)過SG處理后的平均光譜在整體形態(tài)上沒有什么很大的改變，但是有效減少了光譜的噪聲，從圖形上看起來曲線變得更加平滑，濾除了曲線中的毛刺[14-15]。

2.2 PLSR建模結(jié)果分析

利用PLSR結(jié)合原始光譜和29種預(yù)處理后的光譜分別對土壤AN含量進(jìn)行建模分析，建模集和預(yù)測集的結(jié)果如表1所示。可以看出，利用SG+LG進(jìn)行預(yù)處理變換后建立的模型預(yù)測效果最好，建模集R2=0.94、RPD=3.88，預(yù)測集R2=0.91、RPD=3.38，達(dá)到了較高的精度，屬于A類預(yù)測模型，具有極強(qiáng)的預(yù)測能力?；谄渌A(yù)處理變換(包括FD、SNV、LG、MC、DT、SNV+DT、LG+FD、SG、SG+FD、SG+SNV、SG+LG、SG+MC、SG+DT、SG+SNV+DT、SG+SNV+FD、SG+LG+F等16種)，以及RS建立的回歸模型的預(yù)測精度也都達(dá)到了A類，具有極強(qiáng)的模型預(yù)測能力。從建模結(jié)果看：經(jīng)過SG處理后的光譜及其組合光譜可以提升模型的預(yù)測精度，但效果不是非常明顯；導(dǎo)數(shù)變換及其組合預(yù)處理變換后，建模結(jié)果整體表現(xiàn)不佳，導(dǎo)數(shù)變換降低了模型的預(yù)測精度，尤其是經(jīng)過二階導(dǎo)數(shù)變換及其組合預(yù)處理變換后，模型預(yù)測精度變?yōu)镃類，不能用于預(yù)測；多元散射校正及其組合預(yù)處理變換的建模結(jié)果表現(xiàn)最差，其模型預(yù)測精度均為C類，不能用于預(yù)測。

圖1 原始光譜及預(yù)處理變換后的光譜對比圖Fig.1 Contrast of spectra before and after preprocess

2.3 RBF-PLSR建模結(jié)果分析

利用RBF-PLSR基于30種光譜(原始光譜及29種預(yù)處理后的光譜)對土壤AN含量進(jìn)行建模分析，建模集和預(yù)測集的結(jié)果如表2所示?？梢钥闯?，利用LG進(jìn)行預(yù)處理變換后建立的模型預(yù)測效果最好，建模集R2=0.98、RPD=6.84，預(yù)測集R2=0.90、RPD=3.20，達(dá)到了較高的精度，尤其是在建模集上實現(xiàn)了非常好的擬合效果，屬于A類預(yù)測模型，具有極強(qiáng)的預(yù)測能力?；谄渌念A(yù)處理變換(包括SNV、LG、MC、DT、SNV+DT、SG、SG+FD、SG+SNV、SG+LG、SG+MC、SG+DT、SG+SNV+DT、SG+SNV+FD、SG+LG+FD等14種)，以及RS所建模型的預(yù)測精度也都達(dá)到了A類，具有極強(qiáng)的模型預(yù)測能力。從建模結(jié)果上看：與PLSR建立的模型相似，經(jīng)過SG處理后的光譜及其組合光譜可以提升模型的預(yù)測精度，但效果不是非常明顯；導(dǎo)數(shù)變換后建模的整體表現(xiàn)不佳，降低了模型的預(yù)測精度，尤其是經(jīng)過二階導(dǎo)數(shù)變換及其組合的預(yù)處理變換后，模型預(yù)測精度變?yōu)镃類，不能用于預(yù)測；多元散射校正及其組合預(yù)處理變換后的建模效果也不佳，模型預(yù)測精度大多為C類，不能用于預(yù)測。

表1 基于不同預(yù)處理光譜所建PLSR模型的預(yù)測結(jié)果

Table1Prediction performance of PLSR models based on spectra with varied preprocesses

預(yù)處理Preprocess建模集 Calibration setR2RMSE/(mg·kg-1)RPD預(yù)測集 Prediction setR2RMSE/(mg·kg-1)RPD潛在變量個數(shù)Number oflatent variables預(yù)測模型等級Predictive modellevelRS0.9242.583.340.8847.12.9211AFD0.9534.714.160.8257.912.266ASD0.7376.501.660.6382.101.443BSNV0.9629.734.900.8454.382.6611AMSC0.9435.484.07—302.131.119CLG0.9435.714.040.9043.343.1611AMC0.9242.583.340.8847.102.9211ADT0.9143.653.250.8847.252.9910ASNV+DT0.9910.9513.530.7962.102.3419ASNV+FD0.9435.254.100.6480.781.785BSNV+SD0.6192.461.260.39105.271.322CMSC+FD0.10140.290.34—243.250.901CMSC+SD0.11139.580.35—251.820.911CLG+FD0.9627.585.290.8453.512.396ALG+SD0.9534.054.240.6679.001.555BSG0.9046.823.010.8944.703.0312ASG+FD0.9047.082.990.8552.912.625ASG+SD0.7087.711.520.6481.481.443BSG+SNV0.9534.554.180.8257.722.5611ASG+MSC0.9435.494.06—261.491.1511BSG+LG0.9437.053.880.9140.173.3812ASG+MC0.9046.823.010.8944.703.0312ASG+DT0.8752.582.640.8748.292.9210ASG+SNV+DT0.9437.273.850.8158.802.5810ASG+SNV+FD0.9534.624.170.7962.532.366ASG+SNV+SD0.6488.941.340.41103.581.392CSG+MSC+FD0.9143.673.25—212.141.205CSG+MSC+SD0.10140.140.34—241.700.901CSG+LG+FD0.9628.015.210.8650.252.787ASG+LG+SD0.7376.301.670.6876.951.553B

“—”表示數(shù)值無效。下同。

“—” indicated that the value was invalid. The same as below.

表2 基于不同預(yù)處理光譜所建RBF-PLSR模型的預(yù)測結(jié)果

Table2Prediction performance of RBF-PLSR models based on spectra with varied preprocesses

預(yù)處理Preprocess建模集 Calibration setR2RMSE/(mg·kg-1)RPD預(yù)測集 Prediction setR2RMSE/(mg·kg-1)RPD潛在變量個數(shù)Number oflatent variables預(yù)測模型等級Predictive modellevelRS0.9726.815.450.8749.072.8719AFD0.9532.454.470.5491.601.5510BSD0.42112.560.860.30113.290.932CSNV0.9822.706.470.8747.872.8514AMSC0.8361.412.20—184.441.213CLG0.9821.516.840.9042.583.2023AMC0.9725.835.670.8847.472.9520ADT0.8948.772.880.8650.932.7310ASNV+DT0.9822.656.480.8650.232.7714ASNV+FD0.9143.633.250.20120.721.288CSNV+SD0.26126.870.600.16123.640.711CMSC+FD0.9534.564.18—155.261.1610CMSC+SD0.25127.930.58—188.300.871CLG+FD0.9725.945.640.5789.031.5610BLG+SD0.43111.810.870.28114.580.932CSG0.9723.666.200.8944.053.3324ASG+FD0.8361.922.180.7765.242.116ASG+SD0.46108.720.920.41103.821.032CSG+SNV0.9629.914.870.8551.812.6112ASG+MSC0.9630.784.720.40104.521.6414BSG+LG0.9821.716.770.8944.073.3323ASG+MC0.9723.666.200.8944.053.3324ASG+DT0.8753.912.570.8650.032.7710ASG+SNV+DT0.9631.394.630.8847.502.8410ASG+SNV+FD0.9144.973.150.7862.812.336ASG+SNV+SD0.27126.700.610.21119.860.721CSG+MSC+FD0.9726.465.530.40104.691.6911BSG+MSC+SD0.24128.760.57—182.670.871CSG+LG+FD0.8852.222.660.8257.722.417ASG+LG+SD0.49106.220.970.38106.271.072C

2.4 PLSR與RBF-PLSR模型對比分析

如前所述，不同的預(yù)處理變換方法對2種模型的預(yù)測結(jié)果都有很大的影響[16]。在線性PLSR模型中，利用SG+LG進(jìn)行預(yù)處理變換后建立的模型預(yù)測效果最好?？赡苁且驗镾G處理濾除了原始光譜中的無關(guān)噪音信息，對數(shù)變換將反射率轉(zhuǎn)換為吸收率，將光譜中的有用信息釋放出來，使得模型取得了很好的預(yù)測效果。但在非線性RBF-PLSR模型中，利用LG進(jìn)行預(yù)處理變換后建立的模型預(yù)測效果最好，無需引入SG處理。

SG處理可以濾除原始光譜中的無關(guān)噪聲信息，從而提升模型精度。從表1、表2可以看出，無論是PLSR還是RBF-PLSR模型，經(jīng)過SG處理后建立的預(yù)測模型的精度大多都有一定的提升，這一點在非線性PLSR模型中表現(xiàn)得更為明顯：在不含SG處理的預(yù)測模型中，只有6個達(dá)到了A類精度；但在包含SG處理的預(yù)測模型中，有9個達(dá)到了A類精度。這可能是因為在使用SG處理的過程中，光譜中的一些線性信息作為噪聲被濾除，使得土壤AN含量與光譜具有較強(qiáng)的非線性關(guān)系，從而提升了模型的預(yù)測精度。在所有的校正模型中，包含導(dǎo)數(shù)變換及其組合變換預(yù)處理的模型的預(yù)測效果都不是很好，導(dǎo)數(shù)變換或其組合變換會降低模型的預(yù)測精度，尤其是含有二階導(dǎo)數(shù)變換及其組合的預(yù)處理，會導(dǎo)致模型的預(yù)測精度降為C類，模型不可用。究其原因，可能是導(dǎo)數(shù)變換提高了原始光譜的信噪比，放大了原始光譜中的噪聲信息，使得建模效果變差。包含多元散射校正及其組合預(yù)處理的模型表現(xiàn)最差，幾乎全是C類模型，不能用于預(yù)測；但是在非線性模型中，經(jīng)過SG+MSC、SG+MSC+FD處理的模型精度達(dá)到了B類，具有一定的預(yù)測能力。

2.5 基于最優(yōu)預(yù)處理方法的土壤AN含量高光譜模型分析

對比分析可知，利用SG+LG對原始光譜進(jìn)行預(yù)處理結(jié)合PLSR建立的土壤AN含量預(yù)測模型效果最優(yōu)。利用PLSR對經(jīng)過SG+LG預(yù)處理變換的光譜數(shù)據(jù)和土壤AN含量數(shù)據(jù)建立回歸模型，采用留一交叉驗證的方式對基于不同數(shù)量的潛在變量(LV)建立的模型進(jìn)行分析，以LV的數(shù)量為橫坐標(biāo)、RMSE為縱坐標(biāo)作圖(圖2)?？梢钥闯觯S著LV個數(shù)增加，RMSE值呈現(xiàn)先下降再上升的狀態(tài)：當(dāng)LV的個數(shù)較少時，RMSE值較大，說明模型處于欠擬合狀態(tài)，誤差較大；當(dāng)LV的個數(shù)逐漸增大至超過12時，構(gòu)建的模型越來越復(fù)雜，出現(xiàn)過擬合現(xiàn)象，此時RMSE值再次出現(xiàn)上升趨勢。綜合分析，當(dāng)LV的個數(shù)為12時，模型的RMSE值最小，故選取12個潛在變量用于建立土壤AN含量的線性PLSR預(yù)測模型。該模型在建模集和預(yù)測集中實測值和預(yù)測值的關(guān)系如圖3所示，建模集中R2=0.94、RPD=3.88，預(yù)測集中R2=0.91、RPD=3.38。

圖2 SG+LG/PLSR模型中LV數(shù)量與RMSE的關(guān)系Fig.2 Relationship of LV quantity and RMSE in SG+LG/PLSR model

圖3 SG+LG/PLSR模型建模集(a)和預(yù)測集(b)中實測值與預(yù)測值的關(guān)系Fig.3 Relationship between measured values and predicted values of SG+LG/PLSR models in calibration set (a) and prediction set (b)

3 結(jié)論

利用原始光譜數(shù)據(jù)和29種預(yù)處理方法變換光譜數(shù)據(jù)，分別結(jié)合PLSR和RBF-PLSR算法建立土壤AN含量的預(yù)測模型，主要結(jié)論如下：

(1)不同的預(yù)處理變換方法對模型的預(yù)測結(jié)果有很大的影響。大部分預(yù)處理變換可以提高模型的預(yù)測性能；但是導(dǎo)數(shù)變換及其組合的預(yù)處理下建模效果不理想，甚至降低了模型的預(yù)測性能，多元散射校正及其組合預(yù)處理下的建模效果最差，大多為C類模型，不能進(jìn)行預(yù)測。SG處理可以在一定程度上濾除無關(guān)噪聲信息，提高模型的預(yù)測性能。

(2)線性模型和非線性模型的建模效果相差不大，但是線性模型的預(yù)測效果總體上要優(yōu)于非線性模型。這可能是因為土壤光譜數(shù)據(jù)和土壤AN含量之間存在較多的線性關(guān)系，而線性關(guān)系有利于模型的構(gòu)建，因此線性模型的效果要優(yōu)于非線性模型。其中，最優(yōu)校正模型組合是SG+LG/PLSR，建模集的R2=0.94、RPD=3.88，預(yù)測集的R2=0.91、RPD=3.38。該模型可以很好地估測該區(qū)域的土壤速效氮含量，可為該區(qū)域土壤高效管理、現(xiàn)代化配方施肥和信息化精準(zhǔn)農(nóng)業(yè)的發(fā)展提供科學(xué)依據(jù)。