连续小波变换结合无参数模型增强框架对时序漂移的近红外光谱建模

近红外(Near-infrared,NIR)光谱法具有高效、 无损的特点,然而其采集的光谱容易受多种外界因素的影响而发生漂移,导致分析结果出现偏差.时序漂移是一种NIR光谱随检测时间发生持续且有规律漂移的普遍现象.本研究提出了一种时序漂移NIR光谱的建模新方法,将漂移信号分解为背景漂移和样本依赖的时序漂移.分别利用连续小波变换(Continuous wavelet transform,CWT)和半监督-无参数模型增强(Semi-supervised parameter-free calibration enhancement,SS-PFCE)消除NIR光谱中时序背景漂移和样本依赖的时序信号漂移部分,进而实现准确建模.通过对2019年和2020年在云南省境内分别采集的928个和962个土壤样品的时序漂移NIR光谱进行建模,以土壤有机质(Soil organic matter,SOM)含量的预测准确性验证本方法的建模效果.对2019年采集的光谱建模(预测均方根误差(Root mean squared error of prediction,RMSEP)=6.7 g/kg,R2=0.76),预测2020年采集的漂移光谱时出现了较大的偏差(RMSEP=31.3 g/kg,R2=0.50).通过CWT处理后的光谱建模预测,2020年光谱的预测结果明显变好(RMSEP=11.6 g/kg,R2=0.66);通过SS-PFCE进行模型增强后有了进一步的提升(RMSEP=8.3 g/kg,R2=0.67).结果表明,CWT结合SS-PFCE能够最大程度消除NIR光谱中的时序漂移,获得较好的建模结果.