| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 可见-近红外光谱(Vis-NIR)分析技术 | 第12-13页 |
| 1.3 国内外可见-近红外光谱土壤属性预测技术研究进展 | 第13-18页 |
| 1.4 研究目标、内容和技术路线 | 第18-21页 |
| 1.4.1 研究目标、研究内容 | 第18-19页 |
| 1.4.2 技术路线 | 第19页 |
| 1.4.3 研究特色与创新点 | 第19-21页 |
| 第二章 数据源及研究方法 | 第21-40页 |
| 2.1 研究区概况 | 第21页 |
| 2.2 土壤样品采集及实验室分析 | 第21-22页 |
| 2.3 土壤样品室内可见-近红外光谱数据采集 | 第22-25页 |
| 2.4 光谱数据预处理方法介绍 | 第25-29页 |
| 2.4.1 光谱增强 | 第26-27页 |
| 2.4.1.1 多元散射校正(MSC) | 第26页 |
| 2.4.1.2 标准正态变换(SNV) | 第26-27页 |
| 2.4.2 光谱平滑与去噪 | 第27-29页 |
| 2.4.2.1 小波变换(WT) | 第27-28页 |
| 2.4.2.2 中值滤波(MF) | 第28页 |
| 2.4.2.3 Savitzky-Golay卷积平滑(SG平滑) | 第28页 |
| 2.4.2.4 微分处理技术 | 第28-29页 |
| 2.4.2.5 基线校正(BC) | 第29页 |
| 2.5 特征变量选择 | 第29-34页 |
| 2.5.1 基于偏最小二乘算法参数的波长选择算法 | 第30-31页 |
| 2.5.2 连续投影算法(SPA) | 第31页 |
| 2.5.3 遗传算法(GA) | 第31-32页 |
| 2.5.4 间隔偏最小二乘波长选择算法(iPLS) | 第32-33页 |
| 2.5.5 迭代保留有效信息变量(IRIV) | 第33-34页 |
| 2.6 校正集和验证集样本选择 | 第34-35页 |
| 2.7 模型建立 | 第35-38页 |
| 2.7.1 偏最小二乘回归(PLSR) | 第35-36页 |
| 2.7.2 支持向量机(SVM) | 第36-37页 |
| 2.7.3 随机森林(RF) | 第37-38页 |
| 2.8 模型精度评价指标 | 第38-40页 |
| 第三章 建模样本选择与光谱数据预处理 | 第40-48页 |
| 3.1 异常样本剔除 | 第40-41页 |
| 3.2 样本集划分 | 第41-42页 |
| 3.2.1 浓度梯度法 | 第41-42页 |
| 3.2.2 Kennard-Stone法 | 第42页 |
| 3.3 不同光谱预处理方法比较 | 第42-45页 |
| 3.4 不同光谱预处理方法组合 | 第45-48页 |
| 第四章 土壤有机质含量特征变量筛选方法研究 | 第48-53页 |
| 4.1 基于sCARS算法特征变量筛选 | 第48-49页 |
| 4.2 基于SPA算法特征变量筛选 | 第49-50页 |
| 4.3 基于GA算法特征变量筛选 | 第50-51页 |
| 4.4 基于IRIV算法特征变量筛选 | 第51页 |
| 4.5 基于sCARS-SPA特征变量筛选 | 第51-53页 |
| 第五章 土壤有机质含量Vis-NIR光谱建模 | 第53-65页 |
| 5.1 偏最小二乘回归模型(PLSR) | 第53-55页 |
| 5.2 支持向量机模型(SVM) | 第55-58页 |
| 5.3 随机森林(RF) | 第58-61页 |
| 5.4 不同建模方法精度比较 | 第61-65页 |
| 第六章 结论与展望 | 第65-68页 |
| 6.1 主要研究结论 | 第65-67页 |
| 6.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-76页 |
| 附录 | 第76-82页 |
| 致谢 | 第82-84页 |
| 个人简历 | 第84页 |
