Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

УВАЖАЕМЫЕ ПОДПИСЧИКИ НАШЕГО ЖУРНАЛА!
По техническим причинам «Оптический журнал» не попал в каталог агентства «Роспечать» на II полугодие 2018 г., что делает невозможной подписку на него на почте. Предлагаем оформить подписку на II полугодие 2018 в редакции журнала удобным Вам способом. Стоимость подписки на полугодие сохраняется (6600 руб.).
На первое полугодие 2019 и далее подписка будет проводится в ранее существовавшем порядке через "Роспечать", "УралПресс" и другие агенства печати.

Связаться с нами можно по т. (812) 315-05-48, Е-mail: beditor@soi.spb.ru

Аннотации (12.2018) : СРАВНЕНИЕ ЭФФЕКТИВНОСТИ РАЗЛИЧНЫХ МЕТОДОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ СПЕКТРОМЕТРИРОВАНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СОДЕРЖАНИЯ ОРГАНИЧЕСКОГО УГЛЕРОДА ПОЧВ

СРАВНЕНИЕ ЭФФЕКТИВНОСТИ РАЗЛИЧНЫХ МЕТОДОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ СПЕКТРОМЕТРИРОВАНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СОДЕРЖАНИЯ ОРГАНИЧЕСКОГО УГЛЕРОДА ПОЧВ

© 2018 г.       А. В. Чинилин*, аспирант; И. Ю. Савин**, ***, доктор с.-х. наук

*     Российский государственный аграрный университет — Московская сельскохозяйственная академия им. К.А. Тимирязева, Москва

**   Почвенный институт им. В.В. Докучаева, Москва

*** Аграрно-технологический институт РУДН, Москва

E-mail: achinilin@rgau-msha.ru

УДК 631.421

Поступила в редакцию 25.06.2018

DOI:10.17586/1023-5086-2018-85-12-60-68

Проведено исследование эффективности применения ряда методов предварительной обработки данных спектрометрирования в диапазоне длин волн 3251075 нм для прогнозирования содержания органического углерода почв. Методы предварительной обработки спектральных данных (фильтрация скользящим средним, сглаживание СавицкогоГолея, расчёт первой и второй производных и масштабирование) были последовательно применены к спектральным данным почв (в естественном сложении и растёртых) для повышения надёжности и результативности моделей. В соответствии с критерием максимального значения коэффициента детерминации и минимального значения корня среднеквадратической ошибки при перекрёстной проверке наилучшим методом прогнозирования органического углерода почв оказался метод регрессии частных наименьших квадратов при вычислении первых производных от исходных спектров (R2cv = 0,758, RMSEcv = 0,492).

Ключевые слова: спектроскопия почв, спектральная отражательная способность, прогнозирование, регрессия.

Коды OCIS: 280.4788, 300.6190, 300.6340, 300.6490, 300.6550

 

ЛИТЕРАТУРА

1.         Семенов В.М., Когут Б.М. Почвенное органическое вещество. М: ГЕОС, 2015. 233 с.

2.         Борисов Б.А., Ганжара Н.Ф. Органическое вещество почв (генетическая и агрономическая оценка). М: Изд-во РГАУ-МСХА, 2015. 214 с.

3.         McBratney A.B., Field D.J., Koch A. The dimensions of soil security // Geoderma. 2014. Т. 213. С. 203–213. DOI: 10.1016/j.geoderma.2013.08.013.

4.         Minasny B., McBratney A.B. Regression rules as a tool for predicting soil properties from infrared reflectance spectroscopy // Chemom. Intell. Lab. Syst. 2008. Т. 94. № 1. С. 72–79. DOI: 10.1016/j.chemolab.2008.06.003.

5.         Viscarra Rossel R.A., Walvoort D.J.J., McBratney A.B., Janik L.J., Skjemstad J.O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties // Geoderma. 2006. Т. 131. № 1–2. С. 59–75. DOI: 10.1016/j.geoderma.2005.03.007.

6.         Rossel R.A.V., Behrens T. Using data mining to model and interpret soil diffuse reflectance spectra // Geoderma. 2010. Т. 158. № 1–2. С. 46–54. DOI: 10.1016/j.geoderma.2009.12.025.

7.         Dor E. Ben, Ong C., Lau I.C. Reflectance measurements of soils in the laboratory: Standards and protocols // Geoderma. 2015. Т. 245–246. DOI: 10.1016/j.geoderma.2015.01.002.

8.        Viscarra Rossel R.A.A., Behrens T., Ben-Dor E., Demattê J.A.M., Adamchuk V., Bayer A.D.D. A global spectral library to characterize the world’s soil // Earth-Science Rev. 2016. Т. 155. С. 198–230. DOI: 10.1016/j.earscirev.2016.01.012.

9.         Dotto A.C., Dalmolin R.S.D., Grunwald S., ten Caten A., Pereira Filho W. Two preprocessing techniques to reduce model covariables in soil property predictions by Vis-NIR spectroscopy // Soil Tillage Res. 2017. Т. 172. С. 59–68. DOI: 10.1016/j.still.2017.05.008.

10.       Gholizadeh A., Borůvka L., Saberioon M.M., Kozák J., Vašát R., Němeček K. Comparing different data preprocessing methods for monitoring soil heavy metals based on soil spectral features // Soil Water Res. 2016. Т. 10. № No. 4. С. 218–227. DOI: 10.17221/113/2015-SWR.

11.       Орлов Д.С., Суханова Н.И., Розанова М.С. Спектральная отражательная способность почв и их компонентов. М: Изд-во Моск. ун-та, 2001. 176 с.

12.       Volkan Bilgili A., van Es H.M., Akbas F., Durak A., Hively W.D. Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey // J. Arid Environ. 2010. Т. 74. № 2. С. 229–238. DOI: 10.1016/j.jaridenv.2009.08.011.

13.       Vasques G.M., Grunwald S., Sickman J.O. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra // Geoderma. 2008. Т. 146. № 1–2. С. 14–25. DOI: 10.1016/j.geoderma.2008.04.007.

14.       Peng X., Shi T., Song A., Chen Y., Gao W. Estimating soil organic carbon using VIS/NIR spectroscopy with SVMR and SPA methods // Remote Sens. 2014. Т. 6. № 4. С. 2699–2717. DOI: 10.3390/rs6042699.

15.       Muñoz J.D., Kravchenko A. Soil carbon mapping using on-the-go near infrared spectroscopy, topography and aerial photographs // Geoderma. 2011. Т. 166. № 1. С. 102–110. DOI: 10.1016/j.geoderma.2011.07.017.

16.       Dotto A.C., Dalmolin R.S.D., ten Caten A., Grunwald S. A systematic study on the application of scatter-correctiveand spectral-derivative preprocessing for multivariate prediction of soil organic carbon by Vis-NIR spectra // Geoderma. 2018. Т. 314. С. 262–274. DOI: 10.1016/j.geoderma.2017.11.006.

17.       Conforti M., Castrignanò A., Robustelli G., Scarciglia F., Stelluti M., Buttafuoco G. Laboratory-based Vis–NIR spectroscopy and partial least square regression with spatially correlated errors for predicting spatial variation of soil organic matter content // CATENA. 2015. Т. 124. С. 60–67. DOI: 10.1016/j.catena.2014.09.004.

18.       Knox N.M., Grunwald S., McDowell M.L., Bruland G.L., Myers D.B., Harris W.G. Modelling soil carbon fractions with visible near-infrared (VNIR) and mid-infrared (MIR) spectroscopy // Geoderma. 2015. Т. 239–240. С. 229–239. DOI: 10.1016/j.geoderma.2014.10.019.

19.       Kuang B., Tekin Y., Mouazen A.M. Comparison between artificial neural network and partial least squares for on-line visible and near infrared spectroscopy measurement of soil organic carbon, pH and clay content // Soil Tillage Res. 2015. Т. 146. С. 243–252. DOI: 10.1016/j.still.2014.11.002.

20.      Bayer A., Bachmann A., Muller A., Kaufmann H. A comparison of feature-based MLR and PLS regression techniques for the prediction of three soil constituents in a degraded South African Ecosystem // Appl. Environ. Soil Sci. 2012. Т. 2012. С. 1–20. DOI: 10.1155/2012/971252.

21.       Chang C.-W., Laird D.A., Mausbach M.J., Hurburgh C.R. Near-infrared reflectance spectroscopy – principal components regression analyses of soil properties // Soil Sci. Soc. Am. J. 2001. Т. 65. № 2. С. 480. DOI: 10.2136/sssaj2001.652480x.

22.      Wang Y., Huang T., Liu J., Lin Z., Li S. Soil pH value, organic matter and macronutrients contents prediction using optical diffuse reflectance spectroscopy // Comput. Electron. Agric. 2015. Т. 111. С. 69–77. DOI: 10.1016/j.compag.2014.11.019.

23.      Terra F.S., Demattê J.A.M.M., Viscarra Rossel R.A. Spectral libraries for quantitative analyses of tropical Brazilian soils: comparing vis–NIR and mid-IR reflectance data // Geoderma. 2015. Т. 255–256. С. 81–93. DOI: 10.1016/j.geoderma.2015.04.017.

24.      Добровольский Г.В., Урусевская И.С. География почв. М: МГУ, 2015. 458 с.

25.      Классификация и диагностика почв СССР. М: Колос, 1977. 221 с.

26.      Xie X.-L., Pan X.-Z., Sun B. Visible and near-infrared diffuse reflectance spectroscopy for prediction of soil properties near a copper smelter // Pedosphere. 2012. Т. 22. № 3. С. 351–366. DOI: 10.1016/S1002-0160(12)60022-8.

27.       Savitzky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares procedures // Anal. Chem. 1964. Т. 36. № 8. С. 1627–1639.

28.      R. Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria // 2018. URL https://www.R-project.org/.

29.      Kuhn M. Building predictive models in R using the caret package // J. Stat. Softw. 2008. Т. 28. № 5. DOI: 10.18637/jss.v028.i05.

30.      Прудникова Е.Ю., Савин И.Ю. Исследование оптических свойств открытой поверхности почв // Оптический журнал. 2016. Т. 83. № 10. С. 79–86.

31.       Савин И.Ю., Прудникова Е.Ю. Об оптимальном сроке спутниковой съемки для картографирования пахотных почв // Бюллетень Почвенного института им. В.В. Докучаева. 2014. № 74. С. 66–77.

32.      Lagacherie P., Baret F., Feret J-B., Madeira Netto J., Robbez-Masson J.M. Estimation of soil clay and calcium carbonate using laboratory, field and airborne hyperspectral measurements // Remote Sens. Environ. 2008. Т. 112. № 3. С. 825–835. DOI: 10.1016/j.rse.2007.06.014.

 

 

Полный текст