摘要:為了實現(xiàn)土壤有機質(zhì)快速,、準(zhǔn)確的測量,,提出了一種基于人工嗅覺的土壤有機質(zhì)含量檢測方法,。首先,,由不同溫度控制的10個氣體傳感器所構(gòu)成的陣列對土壤樣品氣體進(jìn)行采集,;然后,,提取每個傳感器響應(yīng)曲線上的7個特征(包括最大值,、最小值,、平均值,、平均微分系數(shù),、響應(yīng)面積、第30秒的瞬態(tài)值和第60秒的瞬態(tài)值),,構(gòu)建嗅覺特征空間,;對特征空間優(yōu)化后,采用回歸算法建立預(yù)測模型,。為減小不同測定算法,、異常樣本以及冗余特征對模型預(yù)測性能的影響,在應(yīng)用蒙特卡羅抽樣(Monte Carlo sampling,,MCS)法剔除異常樣本的基礎(chǔ)上,,采用主成分分析(Principal component analysis,,PCA)法對特征空間進(jìn)行降維處理,評估了包括偏最小二乘法回歸(Partial least square regression,,PLSR),、支持向量機回歸(Support vector machine regression,SVR)和BP神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,,BPNN)等3種建模方法對土壤有機質(zhì)含量的預(yù)測性能,,選用決定系數(shù)R2、均方根誤差(RMSE)和預(yù)測偏差比(RPD)評價各模型的預(yù)測性能,。測試集驗證結(jié)果表明,,PLSR、SVR和BPNN這3種模型的預(yù)測值和樣本的觀測值之間的R2分別為0.86,、0.91和0.85,,RMSE分別為2.49、2.05,、2.68g/kg,,RPD分別為2.49、3.02和2.32,。SVR模型的預(yù)測性能高于PLSR模型和BPNN模型,,可對土壤有機質(zhì)含量進(jìn)行準(zhǔn)確預(yù)測。