农业机械学报

作者：曹红亮，王盼，王卓超，杨争鸣，马家敏，徐洋

单位：华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,

关键词：生物炭;碳氧基团;红外光谱;机器学习;定量预测

基金：国家自然科学基金项目(31971807)

为了实现生物炭表面碳氧元素与活性基团的高精快速预测，基于课题组积累的120组生物炭样品，建立了包含生物炭中红外光谱和表面碳氧元素及其赋存形态定量表征信息的数据集；采用支持向量机(SVM)、随机森林(RF)机器学习智能建模方法，结合区间偏最小二乘法(IPLS)和主成分分析法(PCA)等特征筛选策略，构建了IPLS+RF、IPLS+SVM、PCA+RF、PCA+SVM共4种预测模型，实现了表面碳氧元素含量(S_C、S_O)以及8种碳氧赋存形态共计10个预测目标的定量快速预测。其中，碳氧赋存形态有来自C1s能谱的C=C、C—C、C—O、C=O、O=C—O共5种形态(C_C=C、C_C—C、C_C—O、C_C=O、C_O=C—O)以及来自O1s能谱的C=O、C—O、O=C—O共3种形态(O_C=O、O_C—O、O_O=C—O)。研究结果表明：生物炭表面碳元素的主要赋存形态为C_C=C、O_C—O,生物炭表面氧元素的主要赋存形态为C_C—O、C_C=O、C_O=C—O以及O_C=O；特征波段4000~3464cm-1和1588~650cm-1均包含与生物炭表面碳氧元素含量及其赋存形态高度相关的特征信息，但1588~650cm-1蕴含的信息更为丰富；从模型预测精度来看，IPLS+RF、IPLS+SVM、PCA+RF、PCA+SVM这4种预测模型均具有良好的预测能力，IPLS+SVM和PCA+SVM尤为突出，对10个预测目标的最优模型决定系数均在0?93以上；但从模型稳定性和泛化能力来看，C_C—C、C_O=C—O、O_C=O、O_C—O还有待进一步提升。

来源：2025年第4期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第4期