ПРОГНОЗИРОВАНИЕ СОДЕРЖАНИЯ ПИТАТЕЛЬНЫХ ВЕЩЕСТВ В ПОЧВЕ МЕТОДАМИ МОДЕЛИРОВАНИЯ НА ОСНОВЕ СПЕКТРАЛЬНОЙ ТЕХНОЛОГИИ

Спектроскопия применена для мониторинга концентрации питательных веществ в почве. В качестве объектов исследования выбраны два типа образцов почвы: супеси и илистый суглинок. Данные спектроскопии отражения в УФ-видимой и ближней ИК областях сопоставлены с результатами измерений концентраций общего углерода, общего азота, общего фосфора, общего калия, доступного азота, доступного фосфора, доступного калия и медленно доступного калия. Проведено сравнение результатов прогнозирования концентраций питательных веществ в почве внутри и между двумя типами почвы с использованием четырех методов моделирования: регрессии основного компонента (PCR), регрессии частичных наименьших квадратов (PLSR), метод опорных векторов с использованием наименьших квадратов (LS-SVM), а также модели нейронной сети обратного распространения (BPNN). Методы LS-SVM и PLSR имели лучшую стабильность результатов прогнозирования для данных типов почвы, методы BPNN и LS-SVM — высокую точность определения концентраций большинства питательных веществ в почве. Cравнение методов моделирования обеспечивает основу для последующего выбора подходящих методов моделирования на основе спектральной технологии и создания различных моделей оценки питательных веществ в почве.

1. D. Summers, M. Lewis, B. Ostendorf, Ecol. Indic., 11, No. 1, 123–131 (2011).

2. M. Vohland, M. Ludwig, S. Thiele-Bruhn, Geoderma, 223-225, No. 1, 88–96 (2014).

3. S. M. Tiquia, J. Lloyd, D. A. Herms, Appl. Soil Ecol., 21, No. 1, 31–48 (2002).

4. H. Q. Ding, Q. P. Lu, Spectrosc. Spectr. Anal., 32, No. 1, 88–91 (2012).

5. L. Luan, Y. Wang, X. Li, J. Near Infrared Spectrosc., 24, No. 4, 363–372 (2016).

6. A. M. Rady, D. E. Guyer, W. Kirk, J. Food Eng., 135, No. 2, 11–25 (2014).

7. W. Ng, B. P. Malone, B. Minasny, Geoderma, 289, 150–160 (2017).

8. A. Sakudo, Clin. Chim. Acta, 455, No. 3, 181–188 (2016).

9. S. Jia, H. Li, Y. Wang, Geoderma, 268, 92–99 (2016).

10. D. J. Brown, K. D. Shepherd, M. G. Walsh, Geoderma, 132, No. 3, 273–290 (2006).

11. A. V. Bilgili, H. M. V. Es, F. Akbas, J. Arid. Environ., 74, No. 2, 229–238 (2010).

12. F. Feyziyev, M. Babayev, S. Priori, Open J. Soil Sci., 06, No. 3, 52–58 (2016).

13. T. Naes, H. Martens, J. Chemom., 2, No. 2, 155–167 (1988).

14. S. Wold, M. Sjöström, L. Eriksson, Chemom. Intell. Lab. Syst., 58, No. 2, 109–130 (2001).

15. J. A. K. Suykens, J. Vandewalle, Neural Process. Lett., 9, No. 3, 293–300 (1999).

16. R. Hecht-Nielsen, Neural Networks, 1, No. 1, 65–93 (1988).

17. K. Kawamura, Y. Tsujimoto, M. Rabenarivo, Remote Sens., 9, No. 10, 1081 (2017).

18. M. Tatzber, F. Mutsch, A. Mentler, Appl. Spectrosc., 64, No. 10, 1167–1175 (2010).

19. Cheng Wen Chang, D. A. Laird, M. J. Mausbach, Soil Sci. Soc. Am. J., 65, No. 2, 480–490 (2001).

20. S. Wold, M. Sjöström, L. Eriksson, Chemom. Intell. Lab. Syst., 58, No. 2, 109–130 (2001).

21. R. M. Balabin, E. I. Lomakina, Analyst, 136, No. 8, 1703–1712 (2011).

22. D. K. Ghose, S. S. Panda, P. C. Swain, J. Hydrol., 394, No. 3-4, 296–304 (2010).

23. R. K. Douglas, S. Nawar, M. C. Alamar, Sci. Total Environ., 616–617, 147–155 (2017).

24. D. Summers, M. Lewis, B. Ostendorf, Ecol. Indic., 11, No. 1, 123–131 (2011).

25. L. J. Janik, S. T. Forrester, A. Rawson, Chemom. Intell. Lab. Syst., 97, No. 2, 179–188 (2009).

26. H. Wang, D. Hu, Brain Neural Networks, 1, 279–283 (2006).

27. Zhi-biao, Zhao, Yang, J. Bionic. Eng., 5, No. 3, 253–257 (2008).

28. Q. Zhang, Q. Li, G. Zhang, Anal. Methods, 4, No. 7, 2039–2047 (2012).