土壤中的铜（Cu）和锌（Zn）含量可以通过可见 - 近红外 - 短波红外光谱（Vis-NIR-SWIR）进行间接预测，这是因为这些金属与具有光谱活性的土壤有机矿物化合物（黏土、氧化铁和有机物）存在相关性。然而，目前还不清楚哪种机器学习和光谱处理技术的组合能最有效地提高土壤 Cu 和 Zn 含量预测的准确性。本研究旨在：（i）识别与土壤有效 Cu 和 Zn 含量相关性最强的吸收光谱；（ii）评估不同光谱预处理技术和机器学习方法对预测土壤有效 Cu 和 Zn 含量模型准确性的影响。研究人员建立了一个包含巴西南部葡萄园亚热带土壤（n = 1,482）的广泛数据库，采用 Mehlich-1 法提取土壤中的 Cu 和 Zn 含量。使用未经预处理和经过七种光谱预处理技术处理后的光谱数据对预测模型进行校准，并测试了四种机器学习方法：偏最小二乘回归（PLSR）、Cubist、支持向量机（SVM）和随机森林（RF）。根据模型验证结果，综合考虑决定系数（R²）、均方根误差（RMSE）、偏差、平均绝对误差（MAE）和性能与四分位距比（RPIQ），选择最佳的光谱预处理 / 机器学习方法组合。在验证阶段，将 Vis-NIR-SWIR 光谱数据与 RF 机器学习方法以及 Savitzky-Golay 光谱一阶导数（RF + SGD-1d）相结合，得到的模型对土壤有效 Cu（R² = 0.91；RMSE = 32.46 mg kg^-1；偏差 = 0.46 mg kg^-1；MAE = 17.19 mg kg^-1；RPIQ = 2.51）和 Zn（R² = 0.92；RMSE = 3.15 mg kg^-1；偏差 = -0.71 mg kg^-1；MAE = 2.28 mg kg^-1；RPIQ = 3.71）含量的预测精度最高。根据记录的数据，预测土壤有效 Cu 和 Zn 含量的模型校准受机器学习方法与预处理技术组合的影响。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》