牛芳鵬，李新國(guó)*，麥麥提吐?tīng)栠d·艾則孜，趙慧

（1.新疆師范大學(xué)地理科學(xué)與旅游學(xué)院，烏魯木齊 830054；2.新疆干旱區(qū)湖泊環(huán)境與資源實(shí)驗(yàn)室，烏魯木齊 830054）

土壤是碳在陸地生態(tài)系統(tǒng)中最大的儲(chǔ)存庫(kù)，并影響其生產(chǎn)力的發(fā)展，其中土壤有機(jī)碳（soil organic carbon,SOC）是構(gòu)成土壤碳庫(kù)的重要部分[1]。干旱半干旱區(qū)是穩(wěn)定全球生態(tài)環(huán)境變化的重要環(huán)節(jié)之一，綠洲及其生態(tài)系統(tǒng)在對(duì)抗與緩解干旱區(qū)氣候方面起著重要作用，對(duì)土壤碳的研究特別是綠洲土壤有機(jī)碳的研究對(duì)全球碳循環(huán)及生態(tài)環(huán)境保護(hù)具有重要意義[2]。土壤光譜中包含豐富的土壤信息，便攜快速、無(wú)損與高精度的波譜特性使高光譜遙感技術(shù)在估算SOC含量的應(yīng)用中，從定性到定量越來(lái)越成熟[3]。篩選具有代表性的光譜響應(yīng)波段是構(gòu)建高光譜估算模型的基礎(chǔ)，學(xué)者們?cè)谶M(jìn)行光譜數(shù)據(jù)特征波段的優(yōu)選方面已做了大量研究[4-5]。WANG 等研究表明，利用連續(xù)投影算法（successive projection algorithm,SPA）選擇的光譜特征波段可以有效地提高偏最小二乘回歸（partial least square regression,PLSR）模型的決定系數(shù)（coefficient of determination,R2）和殘余預(yù)測(cè)誤差（residual prediction deviation,RPD）性能[6]；王濤等采用相關(guān)性分析法和SPA 篩選特征波長(zhǎng)，構(gòu)建的最優(yōu)模型精度R2=0.98，均方根誤差（root mean square error,RMSE）=0.30 g/kg，RPD=9.32[7]；章海亮等采用遺傳算法結(jié)合SPA 挑選出18個(gè)特征波段并構(gòu)建PLSR模型，其預(yù)測(cè)集的R2=0.83，RMSE=0.20 g/kg，RPD=2.45[8]。然而，利用土壤光譜反射率對(duì)SOC含量的估算，大多是通過(guò)建立線(xiàn)性方程來(lái)進(jìn)行，這些傳統(tǒng)的回歸方法受數(shù)據(jù)本身影響較大；而支持向量機(jī)（support vector machine,SVM）的發(fā)展，有效解決了樣本維數(shù)問(wèn)題[9]。張子鵬等通過(guò)構(gòu)建SVM 模型，比較了不同維度光譜參數(shù)對(duì)SOC含量估測(cè)的準(zhǔn)確性[10]；SUN 等對(duì)光譜數(shù)據(jù)進(jìn)行SG（Savitzky-Golay）平滑與多種數(shù)據(jù)變換后，利用PLSR 方法構(gòu)建了復(fù)墾土地SOC 含量估算模型，其驗(yàn)證集R2=0.78，RMSE=1.81 g/kg，RPD=2.69[11]；HONG 等利用SVM 算法對(duì)華中地區(qū)土壤有機(jī)質(zhì)（soil organic matter, SOM）含量進(jìn)行估算，結(jié)果表明，用1.5 階微分構(gòu)建的SVM 模型精度較高，R2達(dá)0.88，RPD=2.89[12]。

本研究以博斯騰湖西岸湖濱綠洲為研究區(qū)，通過(guò)測(cè)量采集的255 個(gè)樣本的SOC 含量與高光譜數(shù)據(jù)，并對(duì)光譜反射率進(jìn)行SG平滑、標(biāo)準(zhǔn)化正態(tài)變換（standard normal variate, SNV）與一階微分（first derivative,1st Der）預(yù)處理，運(yùn)用SPA 與相關(guān)系數(shù)法（correlation coefficient,CC）從原始光譜和預(yù)處理后的光譜中篩選特征波段，對(duì)比用PLSR 與SVM 2 種方法構(gòu)建的SOC含量的高光譜估算模型的差異，為利用可見(jiàn)- 近紅外光譜（visible-near infrared spectroscopy,Vis-NIR）技術(shù)快速無(wú)損地估算湖濱綠洲SOC含量提供方法支持。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

博斯騰湖西岸湖濱綠洲位于新疆焉耆盆地，行政區(qū)隸屬于新疆博湖縣，地理位置為41°45′—42°10′N(xiāo)，86°15′—86°55′E，海拔1 047～1 048 m，地勢(shì)由西北向東南傾斜，為典型的山前湖泊綠洲。夏季月平均氣溫22.8 ℃，干旱少雨，蒸發(fā)強(qiáng)烈；冬季月平均氣溫9.0 ℃，寒冷干燥，無(wú)霜期176～200 d，多年平均降水量83.55 mm，年均溫8.0～8.6 ℃，季節(jié)過(guò)渡快，屬于大陸性荒漠氣候區(qū)；主要的自然植被類(lèi)型有胡楊、檉柳和梭梭等；主要的土壤類(lèi)型有綠洲潮土、草甸土、荒漠林土和沼澤土等[13]。

1.2 土樣采集與制備

綜合考慮到研究區(qū)范圍內(nèi)的主要土地利用類(lèi)型、植被覆蓋類(lèi)型和微地形等因素，土樣采集按照“S”形線(xiàn)路隨機(jī)均勻布點(diǎn)，采樣時(shí)間為2019 年10月，共布設(shè)51 個(gè)典型土壤剖面，并進(jìn)一步分割出5個(gè)不同深度（0～10、＞10～20、＞20～30、＞30～40和＞40～50 cm）土層進(jìn)行取樣，去除雜物后采用四分法選取200 g土裝袋，共計(jì)255個(gè)樣品。帶回實(shí)驗(yàn)室自然風(fēng)干后進(jìn)行研磨和過(guò)60目孔篩，一部分用作土壤高光譜數(shù)據(jù)的測(cè)試；另一部分用重鉻酸鉀-外加熱法測(cè)定SOC含量[14]。

1.3 土壤光譜的測(cè)定及預(yù)處理

光譜數(shù)據(jù)通過(guò)ASD FieldSpec3 地物光譜儀于室外采集，光譜波長(zhǎng)為350～2 500 nm。選擇云量小于5%、無(wú)風(fēng)或風(fēng)力低于3 級(jí)的晴朗天氣，采集時(shí)間為12：00—14：00；光譜采集前先預(yù)熱儀器30 min并進(jìn)行白板校正；光纖探頭視場(chǎng)角不超過(guò)25°，垂直于土樣表面15 cm處，使用五點(diǎn)梅花采樣法采集，在每個(gè)位置測(cè)量3條光譜曲線(xiàn)，共15條光譜曲線(xiàn)記錄存檔，每測(cè)完一組剖面土樣采集一次暗電流，同時(shí)進(jìn)行白板優(yōu)化校正，減小誤差[15]。由于環(huán)境不可控因素，統(tǒng)一去除噪聲較大的尾部波段（2 451～2 500 nm）以及受環(huán)境水汽影響的1 300～1 450和1 800～1 950 nm 波段；此外，為減少高頻噪聲的影響，提升光譜數(shù)據(jù)信噪比，對(duì)原始光譜曲線(xiàn)進(jìn)行窗口數(shù)為5的二次多項(xiàng)式SG平滑處理，并聯(lián)合使用SNV與1st Der 進(jìn)行光譜數(shù)據(jù)預(yù)處理[16]。圖1 為預(yù)處理后的土壤光譜反射率曲線(xiàn)圖。

圖1 SG 平滑及SG-SNV-1st Der 預(yù)處理后的土壤光譜反射率曲線(xiàn)Fig.1 Soil spectral reflectance curve after SG smoothing and SG-SNV-1st Der pretreatments

1.4 連續(xù)投影算法的特征變量選擇

連續(xù)投影算法（SPA）是一種前向變量選擇算法，運(yùn)用向量投影分析選擇最大向量，最終通過(guò)校正模型提取幾個(gè)特征波長(zhǎng)[17]。其優(yōu)點(diǎn)是從光譜矩陣中選擇最小共線(xiàn)性的變量組合，從而降低模型的冗余度，提高模型的穩(wěn)定性和準(zhǔn)確性。SPA 的具體步驟如下：

記xk(0)和N分別為初始迭代向量與需要提取的變量個(gè)數(shù)，光譜矩陣為J列。

1）任選光譜矩陣的1列（第j列），把建模集的第j列賦值給xj，記為xk(0)。2）將未選入的列向量位置的集合記為s，

3）用xj分別對(duì)剩余的列向量投影進(jìn)行計(jì)算，

4）選取向量投影最大的光譜波長(zhǎng)，

5）令xj=Px，j∈s。

6）n=n+1，如果n＜N，則按公式（1）循環(huán)計(jì)算。

最后，提取出的變量為{xk(n)=0，…，N-1}，分別構(gòu)建關(guān)于每一次循環(huán)中k(0)和N的多元線(xiàn)性回歸（multiple linear regression, MLR）模型，得到建模集交互驗(yàn)證的RMSE，以及對(duì)應(yīng)的不同候選子集，其中最小的RMSE值對(duì)應(yīng)的k(0)和N就是最優(yōu)值。

1.5 集合劃分與模型構(gòu)建

采用基于聯(lián)合X-Y距離（sample set partitioning based on jointX-Ydistances, SPXY）方法進(jìn)行建模樣本的劃分，該方法充分考慮了X和Y的空間可變性，計(jì)算樣本間的距離時(shí)能同時(shí)考慮SOC含量的影響與土壤光譜信息特征[18]。SPA、PLSR模型與SVM模型構(gòu)建運(yùn)用MatLab R2020a 軟件完成。PLSR 模型中采用“留一法”交叉驗(yàn)證來(lái)決定最佳主成分?jǐn)?shù)；SVM 模型選擇Poly 核函數(shù)進(jìn)行分析。模型精度選用R2、RMSE、RPD 和四分位數(shù)間距性能比（ratio of performance to interquartile distance, RPIQ）進(jìn)行評(píng)價(jià)，其中：R2的取值范圍為0～1.00，R2越大，RMSE越接近0，模型擬合度越高。當(dāng)RPD＜1.40時(shí)，模型預(yù)測(cè)能力較差；當(dāng)1.40≤RPD＜2.00 時(shí)，模型預(yù)測(cè)效果一般；當(dāng)RPD≥2.00 時(shí)，模型預(yù)測(cè)能力較好[19]。RPIQ為樣本觀測(cè)值第三、四分位數(shù)Q3和第一、四分位數(shù)Q1的差與RMSE的比值，RPIQ越大，表示模擬結(jié)果分布的偏態(tài)程度越小[20]。

2 結(jié)果與分析

2.1 土壤有機(jī)碳含量描述

對(duì)255個(gè)樣本光譜反射率數(shù)據(jù)進(jìn)行主成分分析后，剔除11 個(gè)異常樣本，運(yùn)用SPXY 方法對(duì)剩余樣本進(jìn)行訓(xùn)練集與驗(yàn)證集的劃分。由表1 可知：SOC質(zhì)量分?jǐn)?shù)變化范圍為0.75～48.13 g/kg，均值為13.31 g/kg，呈中等變異性，變異系數(shù)為63.19%；訓(xùn)練集與驗(yàn)證集的SOC質(zhì)量分?jǐn)?shù)平均值分別為12.67和12.16 g/kg，分別為右偏平頂峰與右偏尖頂峰，呈中等變異性，變異系數(shù)分別為52.33%和58.56%。

表1 土壤有機(jī)碳含量描述性統(tǒng)計(jì)Table 1 Descriptive statistics of soil organic carbon(SOC)content

2.2 土壤有機(jī)碳含量光譜曲線(xiàn)特征

根據(jù)研究區(qū)SOC含量狀況，并結(jié)合前人研究成果[21]，采用K-均值（K-means）聚類(lèi)分析方法將SOC質(zhì)量分?jǐn)?shù)劃分為≤0.75、＞0.75～17.40、＞17.40～32.72、＞32.72 g/kg 4 類(lèi)，圖2 為4 種不同SOC 含量的平均光譜曲線(xiàn)進(jìn)行基線(xiàn)校正后的效果圖。從中可見(jiàn)，4 類(lèi)光譜曲線(xiàn)形狀變化基本一致。在350～1 800 nm之間同一波段的不同SOC含量光譜反射率差異較明顯，SOC含量越高，土壤光譜反射率越低；在1 950～2 450 nm之間，光譜反射率差異較小。當(dāng)SOC質(zhì)量分?jǐn)?shù)≤0.75 g/kg時(shí)，其反射率均值為0.38；當(dāng)SOC質(zhì)量分?jǐn)?shù)＞0.75～17.40 g/kg時(shí)，其反射率均值為0.37；當(dāng)SOC 質(zhì)量分?jǐn)?shù)＞17.40～32.72 g/kg 時(shí)，其反射率均值為0.35；當(dāng)SOC質(zhì)量分?jǐn)?shù)＞32.72 g/kg時(shí)，其反射率均值為0.29。在350～569 nm 之間光譜反射率增幅較大，在570～1 299 nm 之間光譜反射率變化趨勢(shì)趨于平緩，在1 451～2 450 nm之間光譜反射率的波動(dòng)較大；在923～955、1 109～1 141、2 148～2 240與2 333～2 358 nm波段內(nèi)存在4個(gè)較明顯的吸收谷。

圖2 土壤有機(jī)碳含量的光譜反射率曲線(xiàn)特征Fig.2 Characteristics of spectral reflectance curve of soil organic carbon content

2.3 土壤有機(jī)碳含量與光譜曲線(xiàn)的相關(guān)性分析

由圖3 可知：SOC 含量與原始光譜反射率表現(xiàn)為負(fù)相關(guān)性，－0.62＜相關(guān)系數(shù)（r）＜－0.07，有1 160 個(gè)波段通過(guò)極顯著性檢驗(yàn)（P＜0.01），主要集中在524～1 299、1 469～1 790 與1 973～2 056 nm之間，在661 nm 波長(zhǎng)處相關(guān)性最高，相關(guān)系數(shù)∣r∣為0.62。經(jīng)SG-SNV-1st Der預(yù)處理后，光譜反射率曲線(xiàn)呈正負(fù)波動(dòng)，放大了原始光譜曲線(xiàn)的細(xì)微變化；通過(guò)極顯著性檢驗(yàn)（P＜0.01）的波段數(shù)量縮減到414個(gè)，相關(guān)性較高波段主要集中在487～575、725～998 和1 464～1 514 nm 范圍內(nèi)，在788、800 與1 768 nm波長(zhǎng)處相關(guān)性最高，r均大于0.80。

圖3 土壤有機(jī)碳含量與光譜反射率的相關(guān)系數(shù)曲線(xiàn)Fig.3 Correlation coefficient curve between soil organic carbon content and spectral reflectance

2.4 基于SPA 對(duì)特征變量的篩選結(jié)果

由圖4 可知：利用SPA 對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)的篩選時(shí)，隨著篩選變量數(shù)量的增加，RMSE 先是迅速下降，當(dāng)變量數(shù)為14 時(shí)，RMSE趨于穩(wěn)定狀態(tài)，其值為5.010 1 g/kg。通過(guò)SPA運(yùn)算后得到14 個(gè)特征波長(zhǎng)，僅占全光譜數(shù)據(jù)的0.78%，分別為399、1 011、1 046、1 061、1 073、1 596、1 632、1 667、1 749、2 012、2 103、2 268、2 305、2 341 nm，極大地縮減了光譜信息中的冗余變量。同理，運(yùn)用SPA對(duì)原始光譜數(shù)據(jù)進(jìn)行篩選，最終得到19個(gè)最優(yōu)特征變量，占全波段光譜數(shù)據(jù)的1.06%。

圖4 利用SPA篩選預(yù)處理光譜特征波長(zhǎng)Fig.4 Screening of preprocessing spectral characteristic wavelength by SPA

2.5 基于PLSR 的土壤有機(jī)碳含量估算模型

由表2 可知，光譜預(yù)處理后，利用PLSR 模型獲得的RPD 均大于1.40，可以較好地估算SOC 含量。原始光譜通過(guò)SPA 構(gòu)建的PLSR 模型驗(yàn)證集R2為0.75，RMSE 為3.98 g/kg，獲得的RPD 為1.79，RPIQ為2.01，模型精度高于全波段（full-band）建模（R2=0.65）；通過(guò)相關(guān)系數(shù)法篩選出相關(guān)系數(shù)最高的5個(gè)波段進(jìn)行建模，驗(yàn)證集R2為0.70，RMSE 為6.14 g/kg，RPD 為1.16，RPIQ 為1.30，建模效果略好于全波段。光譜預(yù)處理后SPA模型精度最高，訓(xùn)練集R2為0.79，RMSE為5.73 g/kg，驗(yàn)證集R2為0.79，RMSE為3.58 g/kg，RPD為1.99，RPIQ為2.23。

表2 2種光譜模式的PLSR建模結(jié)果Table 2 PLSR modeling results of the two spectral modes

綜合比較2 種光譜模式下3 種變量的PLSR 模型精度，其模型估算能力表現(xiàn)為SPA＞相關(guān)系數(shù)法（CC）＞全波段法。由圖5可知：光譜預(yù)處理后構(gòu)建的PLSR 模型較原始光譜PLSR 模型數(shù)據(jù)點(diǎn)更靠近1∶1 線(xiàn)；通過(guò)SPA 構(gòu)建的PLSR 模型樣本的SOC 含量預(yù)測(cè)值小于實(shí)測(cè)值，大多較均勻地分布在1∶1 線(xiàn)下方。

圖5 2種光譜模式下PLSR估算模型結(jié)果圖Fig.5 Scatter plot of PLSR model of full-band and characteristic bands under the two spectral modes

2.6 基于SVM 的土壤有機(jī)碳含量估算模型

由表3 可知，基于全波段光譜構(gòu)建的2 種SVM模型，其驗(yàn)證集R2分別為0.68和0.76，RMSE分別為4.21 和4.26 g/kg，RPD 分別為1.69 和1.67，RPIQ 分別為1.90 和1.88，可粗略對(duì)樣本進(jìn)行預(yù)測(cè)。通過(guò)相關(guān)系數(shù)法（CC）與SPA 進(jìn)行特征變量篩選后構(gòu)建的SVM 模型的RPD 均大于2.00，擬合程度較好，模型效果有明顯提高。原始光譜基于相關(guān)系數(shù)法構(gòu)建的SVM模型訓(xùn)練集和驗(yàn)證集R2分別為0.69和0.70，RPD 為2.00，RPIQ 為2.25；光譜預(yù)處理后基于相關(guān)系數(shù)法構(gòu)建的SVM 模型訓(xùn)練集和驗(yàn)證集R2分別為0.80 和0.77，RPD 為2.13，RPIQ 為2.39。原始光譜與預(yù)處理光譜基于SPA 構(gòu)建的模型驗(yàn)證集R2分別為0.73 和0.81，RMSE 分別為3.35 和3.16 g/kg，RPD分別為2.13和2.25，RPIQ分別為2.39和2.53。綜合比較3種不同變量構(gòu)建的SVM模型效果，對(duì)SOC含量估算的效果依次為SPA＞相關(guān)系數(shù)法＞全波段法。

表3 2種光譜模式的SVM建模結(jié)果Table 3 SVM modeling results of the two spectral modes

由圖6 可知：光譜預(yù)處理后基于SPA 與相關(guān)系數(shù)法構(gòu)建的SOC 含量的SVM 模型估算結(jié)果較好，樣本均勻地接近1∶1線(xiàn)；全波段SVM模型及原始光譜SPA 模型驗(yàn)證樣本逐漸偏離1∶1 線(xiàn)，驗(yàn)證樣本數(shù)據(jù)點(diǎn)分布比較分散，模型預(yù)測(cè)效果較差，與前文分析一致。

圖6 2種光譜模式下SVM估算模型結(jié)果圖Fig.6 Scatter plot of SVM model of full-band and characteristic bands under the two spectral modes

3 討論

關(guān)于室內(nèi)與室外土壤光譜反射率的采集方法始終是土壤研究的主要課題之一。室內(nèi)測(cè)試是為了研究土壤中的某個(gè)因子對(duì)光譜反射率特性的影響，室外測(cè)試能較好地反映自然景觀的真實(shí)性，描述表面反射特征，以便為航空和航天傳感器定標(biāo)[22-23]。徐彬彬等認(rèn)為，在土壤光譜反射特性研究中，應(yīng)當(dāng)注重野外實(shí)測(cè)，盡管在野外測(cè)試中受到當(dāng)前所用儀器的限制和環(huán)境條件的影響，但它還是能較好地反映自然界的部分真實(shí)情況[24]；馬利芳等于野外采集高光譜數(shù)據(jù)后，研究了新疆阜康市土壤鹽分離子的高光譜特征，為區(qū)域尺度的土壤鹽分主要離子含量估算提供了良好的支撐[25]。本研究采用室外光譜采集的方法，使獲得的數(shù)據(jù)能更好地接近研究區(qū)自然環(huán)境條件下土壤有機(jī)碳高光譜信息。

原始光譜經(jīng)SG-SNV-1st Der 預(yù)處理后，通過(guò)全波段、相關(guān)系數(shù)法與SPA 構(gòu)建的PLSR 模型驗(yàn)證集R2分別提高了6.15%、5.71%和5.33%；SVM 模型驗(yàn)證集R2分別提高了11.76%、10.00%和10.96%。這與張子鵬等[16]和李冠穩(wěn)等[26]的研究結(jié)果基本一致。在光譜建模之前對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，既能突出光譜的特征波段，還可以提高模型的擬合效果。本研究運(yùn)用相關(guān)系數(shù)法與SPA分別篩選出5和19個(gè)特征波段，僅占全波段數(shù)據(jù)的0.28%和1.06%，驗(yàn)證集R2高于全波段建模1.31%和6.58%。這與韓建等[27]和VISCARRA ROSSEL等[28]的研究結(jié)果相一致。SPA 可以有效地消除波段之間的共線(xiàn)性影響，剔除不相關(guān)變量，降低數(shù)據(jù)冗余度，提高模型的建模精度。光譜預(yù)處理后，基于3 種變量方法構(gòu)建的SVM 模型較PLSR 模型的驗(yàn)證集R2分別提高了10.14%、4.05%和2.53%，說(shuō)明SVM模型能在一定程度上彌補(bǔ)PLSR模型在解決非線(xiàn)性關(guān)系問(wèn)題上的缺陷。這與楊?lèi)?ài)霞等[29]、曾胤等[30]的研究結(jié)果相一致。本文構(gòu)建的SOC 含量高光譜估算模型尚未考慮土地利用類(lèi)型、土壤結(jié)構(gòu)和土壤水分等因素，其對(duì)模型的影響還需進(jìn)一步驗(yàn)證。

4 結(jié)論

1）研究區(qū)SOC 質(zhì)量分?jǐn)?shù)變化范圍為0.75～48.13 g/kg，平均值為13.31 g/kg，呈中等變異性，變異系數(shù)為63.19%；同一波段內(nèi)，隨著土層深度的增加，光譜反射率越高，且SOC含量越高，土壤光譜反射率越低。當(dāng)SOC 質(zhì)量分?jǐn)?shù)≤0.75 g/kg 時(shí)，其反射率均值為0.38，當(dāng)SOC 質(zhì)量分?jǐn)?shù)＞32.72 g/kg 時(shí)，其反射率均值為0.29。

2）通過(guò)光譜變換可以明顯提高相關(guān)系數(shù)，SOC含量與原始光譜反射率呈負(fù)相關(guān)性，－0.62＜相關(guān)系數(shù)（r）＜－0.07；經(jīng)SG-SNV-1st Der 預(yù)處理后，通過(guò)極顯著性檢驗(yàn)（P＜0.01）的波段數(shù)達(dá)到414個(gè)，主要集中在487～575、725～998和1 464～1 514 nm范圍內(nèi)，在788、800 與1 768 nm 波長(zhǎng)處的相關(guān)系數(shù)均大于0.80。

3）SPA 的降維效果優(yōu)于相關(guān)系數(shù)法，光譜建模時(shí)SNV 非線(xiàn)性方法的效果優(yōu)于PLSR 線(xiàn)性回歸模型。光譜經(jīng)SG-SNV-1st Der預(yù)處理后，運(yùn)用SPA結(jié)合SVM 模型能很好地估算研究區(qū)SOC 含量，其訓(xùn)練集與驗(yàn)證集R2分別為0.79 和0.81，RMSE 分別為5.61和3.16 g/kg，RPD為2.25，RPIQ為2.53。