基于随机森林算法的秦艽龙胆苦苷含量快速检测

【目的】基于近红外光谱技术，运用随机森林算法实现秦艽中龙胆苦苷含量的快速、准确、无损检测。【方法】采用HPLC法测定秦艽中龙胆苦苷的含量，正交信号校正结合小波压缩对原始光谱进行预处理，以抽取的小波系数作为光谱特征建立秦艽近红外光谱和龙胆苦苷含量之间的随机森林定量分析模型，同时对4种模型的预测结果进行了对比分析。【结果】原始光谱正交信号校正预处理后分别建立偏最小二乘和随机森林定量分析模型，偏最小二乘回归模型在验证集上的均方根误差（RMSEP）和决定系数（R2）分别为0.246 9和0.936 8，随机森林定量分析模型在验证集上的均方根误差（RMSEP）和决定系数（R2）分别为0.207 5和0.969 5。原始光谱正交信号校正后进行离散小波分解，抽取63个中低频小波系数分别建立偏最小二乘和随机森林定量分析模型，偏最小二乘回归模型在验证集上的均方根误差（RMSEP）和决定系数（R2）分别为0.212 6和0.950 3，随机森林定量分析模型在验证集上的均方根误差（RMSEP）和决定系数（R2）分别为0.166 3和0.980 4。【结论】通过小波多尺度分解降低了决策树之间的相关性，进一步提...     

火炬松针叶儿茶素含量近红外预测模型的建立

【目的】建立火炬松针叶儿茶素含量近红外预测模型,为选育高生物活性成分火炬松良种奠定基础。【方法】以102个火炬松单株的针叶为试验材料,利用液相色谱 质谱联用技术（LC-MS）测定其儿茶素含量。使用近红外成分分析仪采集样品的近红外光谱信息,对采集的光谱信息采用不同的方式（一阶导数（FD）、标准正态变量转换法(SNV)、平滑算法、乘积分散校正法（MSC）和标准化预处理以及FD+SNV、MSC+FD）进行预处理,结合偏最小二乘法建立回归模型,比较不同预处理方法建立的回归模型参数,选择最佳光谱预处理方法,建立火炬松针叶儿茶素含量近红外预测模型,并对模型的预测准确性进行验证。【结果】FD+SNV为最佳的近红外光谱信息预处理方法;建立了火炬松针叶儿茶素含量的近红外预测模型,该模型的主成分数为14,校正集相关系数（R_C）为0.969 6,校正集均方根误差（RMSE_C）为1.308 4,交互验证集相关系数（R_V）为0.817 1,交互验证集均方根误差（RMSE_V）为3.105 2。经过外部验证,验证集火炬松针叶样品的儿茶素含量实测值与预测值有显著相关性（R=0.880 7）。【结论】建立了火炬松针叶儿茶素含量近红外预测模型,该模型可以准确、高效地预测火炬松针叶的儿茶素含量。     

近红外快速测定初烤烟叶中的新植二烯

【目的】建立基于近红外光谱分析技术的初烤烟叶新植二烯含量快速测定方法并对定量测定模型的准确性和稳定性进行评价。【方法】采用近红外技术结合光谱预处理(多元散射校正+二阶求导+Norris平滑)、异常样本的剔除(模群迭代奇异样本诊断)、基于竞争自适应重加权(CARS)算法的波长优选、基于交互验证均方根误差的建模波长变量优选建立了初烤烟叶新植二烯含量近红外PLS校正模型,并从模型内部参数(校正模型的决定系数、交互验证均方根误差、校正误差均方根)和外部验证集的预测误差均方根及其配对t检验结果对模型的稳定性和准确性进行评价。【结果】(1)被优选出来建立校正模型的主要波长范围为:2 464.58～2 450.60 nm、1 962.7～1 959.74 nm、1 767.37～1 763.76 nm、1 687.98～1 681.41 nm、1 425.36～1 419.90 nm、1 412.93～1 409.86 nm、1 180.66～1 177.98 nm、1 174.78～1 173.18 nm、1 168.95～1 167.37 nm和1 156.44～1 154.38 nm;(2)初烤烟叶新植二烯近红外校正模型的决定系数为0.882 7,最优主成分数为5,校正标准误差为18.602μg/g,交互验证均方根误差为18.488μg/g,预测范围为166.21～398.24μg/g;外部验证集的预测误差均方根为20.995,外部验证集样品(n=20)预测值和实测值在α=0.05显著水平下配对t检验结果表明不存在显著差异。【结论】研究建立的初烤烟叶新植二烯含量近红外校正模型具有较好的稳定性和预测准确性。该方法能快速准确测定初烤烟叶新植二烯,具有较好的实用价值。     

基于近红外漫反射光谱的多品种桃可溶性固形物的无损检测

【目的】研究基于近红外漫反射光谱的多品种桃可溶性固形物含量的无损检测技术。【方法】在获得3个不同品种桃近红外漫反射光谱的基础上,采用多元散射校正(MSC)方法处理原始光谱,以SPXY算法划分样品集,分别建立了可溶性固形物含量的偏最小二乘回归(PLSR)、极限学习机(ELM)和最小二乘支持向量机(LSSVM)预测模型,并比较和评价了移动窗口偏最小二乘法(MWPLS)和连续投影算法(SPA)优选有效特征波长对于简化模型运算量、改善模型预测性能的影响。【结果】虽然全光谱可以获得较好的识别效果,但是模型比较复杂;MWPLS与SPA优选的有效特征波长均能有效地减少建模变量并简化模型,但MWPLS在提高建模效率和改善模型预测精度方面有更明显的优势;PLSR、ELM与LSSVM模型都取得了较理想的预测结果,其中PLSR方法较适用于全光谱建模分析;MWPLS-ELM模型对样品集中桃可溶性固形物含量的预测性能最好,其校正相关系数、校正均方根误差、预测相关系数和预测均方根误差分别为0.991,0.397,0.983和0.497。【结论】近红外漫反射技术可用于多品种桃可溶性固形物含量的准确、无损检测,也为其他品种果品的内部品质指标快速、无损检测提供了技术借鉴。     

基于近红外光谱的小麦种子发芽率测试

以534份发芽率水平不同的小麦品种种子为样品,采用傅里叶变换近红外光谱仪采集光谱数据,利用偏最小二乘法(PLS)建立其发芽率的无损测定校正模型,并对模型进行留一法交叉验证、外部验证。结果表明,经一阶导数和多元散射校正(MSC)预处理后,对7 502.3~4 246.8 cm-1波段范围所建模型的预测性能最佳,校正集决定系数R2为0.914 4,校正均方根误差(RMSEE)为7.38,平均绝对误差为5.925%;验证集决定系数R2为0.904 4,验证均方根误差(RMSEP)为7.91,平均绝对误差为6.467%。近红外光谱与种子发芽率具有较高相关性,利用近红外光谱技术快速测定小麦种子发芽率具有可行性。     

应用近红外光谱和化学计量法测定甜玉米种子活力

【目的】建立一种利用近红外光谱和化学计量学检测甜玉米种子活力指数的方法，为种子批量无损筛选提供新方法。【方法】在反射和透射模式下分别收集甜玉米种子的近红外光谱，采用主成分分析和蒙特卡罗交叉验证方法对异常值进行识别与剔除；选取最合适的预处理方法和变量选择方法，建立并选取最优偏最小二乘法预测模型。【结果】对于漫反射活力指数定量分析模型，采用532份样品进行建模研究，其最佳预处理方法为多项式平滑导数（Savitzky-Golay derivative，SG）+均值中心化（Mean Center，MC），最佳变量选择方法为竞争自适应重加权抽样（Competitive adaptive reweighted sampling，CARS），其模型的性能参数校正相关系数（R_c）、交互验证相关系数（R_cv）、预测相关系数（R_p）、校正均方根误差（RMSEC）、交互验证均方根误差（RMSECV）和预测均方根误差（RMSEP）分别为0.826、0.783、0.663、0.137、0.151和0.199。对于透射活力指数定量分析模型，采用415份样品进行研究，其最佳预处理方法为SG一阶导数平滑，最佳变量选择方法为相关系数法（Correlation coefficients，CC），模型的性能参数R_c、R_cv、R_p、RMSEC、RMSECV和RMSEP分别为0.783、0.680、0.728、0.121、0.142和0.133，该模型不存在过拟合现象，说明光谱采集的透射模型可能更适合测定种子活力指数。【结论】透射光谱可获得更多有关甜玉米种子活力的信息，透射模块是光谱采集预测种子活力的较好方法。     

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。     

巴山木竹蛋白质可见/近红外光谱定量分析模型研究

探讨了运用可见/近红外光谱分析技术建立巴山木竹蛋白质定量分析模型的可行性。运用传统方法实测了样品蛋白质含量,并运用光谱分析软件建立了样品蛋白质含量与光谱数据的PLS与PCR校正模型。基于主要性能指标对不同光谱预处理与建模方法进行评价,筛选出最优校正模型并使用验证集样品对校正模型的预测能力进行了验证。巴山木竹竹叶与竹秆蛋白质最优校正模型的决定系数(R_c~2)分别为0.935和0.862,交叉验证均方差(RMSEC)分别为0.351和0.172;经外部验证,预测模型决定系数(R_p~2)分别为0.916和0.874,验证集样品的相对分析误差(RPD)分别为3.562和2.840。表明应用可见/近红外光谱分析技术可以实现巴山木竹蛋白质含量快速检测。     

江西烤烟淀粉近红外检测模型的建立

【目的】传统的碘显色法检测淀粉含量需要复杂耗时的前处理和实验准备,近红外检测手段不仅 操作简单、检测快速,且不损耗试剂、样品、标准品,大大降低了检测成本,旨在以江西烤烟样品为依托,建 立一种适用于江西烤烟的淀粉近红外检测模型。【方法】收集了来自江西 21 个区县共 650 个烤烟样品的近红外 光谱和对应的连续流动分析仪检测数据（碘显色法）,将光谱数据和化学分析数据一一对应,使用不同的回归 方法和数据处理方法进行建模,通过比较它们的均方根误差和相关系数确定最佳的模型参数。【结果】建立了 适用于江西烤烟的淀粉含量预报模型,校正均方根误差和预测均方根误差分别达到 0.407、0.490,相关系数为 96.52%,并用外部样品对模型进行了验证,95% 的样品误差在 10% 以内。【结论】该模型可用于快速检测江西 烤烟样品中的淀粉含量,并可在一定程度上取代传统的碘显色测淀粉法,降低了检测成本,提高了分析效率。     

苹果糖度无损检测模型研究

【目的】对套袋和不套袋苹果分别建立反射光谱与糖度预测模型,并对模型的精度进行比较分析,为构建苹果品质分级系统提供理论支撑。【方法】采用美国ASD公司的便携式光谱仪和数显折光计分别测量套袋和不套袋烟富3号红富士苹果,以苹果赤道位置4个取样点的反射率光谱和对应位置的糖度为数据源,原始光谱经多元散射校正后,与糖度数据一同用偏最小二乘回归算法,分别建立套袋和不套袋苹果的反射率光谱糖度模型,进行糖度预测。【结果】(1)套袋苹果校正集相关系数Rc=0.76,均方根误差RMSEP=0.8375 Brix;预测集相关系数Rv=0.72,均方根误差RMSEP=0.8702 Brix;(2)不套袋苹果校正集相关系数Rc=0.69,均方根误差RMSEP=0.9040 Brix;预测集相关系数Rv=0.63,均方根误差RMSEP=0.9134 Brix。【结论】不套袋苹果的模型精度低于套袋苹果模型精度。相对复杂的表面情况导致不套袋苹果模型精度较差,不套袋苹果的无损检测误差会高于套袋苹果。     

水稻蛋白质近红外定量模型的创建及在育种中的应用

【目的】研究利用近红外光谱分析法定量分析水稻完整籽粒粗蛋白含量的可行性，初步探讨水稻杂种后代蛋白质含量的分离和变异，以期为水稻的营养品质育种提供参考依据，提高育种效率。【方法】收集蛋白质含量变幅（5.90%～14.50%）较大的191份代表性水稻样品,采用偏最小二乘（PLS）法建立糙米粗蛋白预测的校正模型。【结果】通过比较光谱预处理方法在不同谱区的处理效果：采用一阶导数＋矢量标准化预处理、谱区为 11 998.9cm-1～5 449.8 cm-1和4 601.3 cm-1～4 246.5 cm-1建立校正模型的检验和预测效果最佳，糙米蛋白质的近红外测定值和化学测定值之间有较高的相关性和较低的误差；其决定系数为0.9886，相对标准偏差RSD为0.021，各项误差均在0.4以下。此外，利用该模型快速无破损的测定了水稻蛋白质育种的20个杂交组合的205个F2代单株，203个单株的马氏距离值在0.3以下，达到了试验精度的要求，分析结果表明：F2代群体单株间粗蛋白含量表现出广泛的变异，大部分单株蛋白质含量介于双亲之间，出现了超高亲和超低亲的单株，最高蛋白质含量达到15.3%。【结论】利用建立的各类误差较小近红外定量分析模型，实现了对育种亲本和中间育种材料的筛选鉴定；说明了通过蛋白质含量高的稻种资源与农艺性状优良的水稻品种杂交，低世代借助近红外分析技术辅助测定蛋白质含量可能是水稻高蛋白质育种的一条有效途径。     

基于近红外光谱技术的红枣水分无损检测

目的 基于近红外光谱技术的红枣水分无损检测,为红枣水分含量模型建立提供科学依据。方法 以塔里木大学园艺试验站红枣资源圃中的脆熟期馒馒枣和保德油枣的果实为试材,采用传统烘干法测定枣果实水分含量,并通过近红外光谱分析仪进行枣水分无损检测。对2个品种样本光谱进行样本集划分并使用预处理的方法Savitzky-Golay平滑法和偏最小二乘回归分析法(PLS)。结果 建立了含水量定量检测分析模型。共获得212个样本,馒馒枣和保德油枣分别为100和112个,2个品种随机校正模型为75和84个,验证模型分别为25和28个,用外部证实法建立样品校正模型和验证模型。建立光谱模型将试验组分别分为红枣含水量校正模型和验证模型。所建2种红枣水分检测模型中SEC(校正集标准偏差)值分别为1.01%和1.29%;SEP(预测标准偏差)值为1.65%和1.41%,2种红枣的校正集与验证集交互相关系数分别为0.878和0.883。结论 以S-G平滑法对光谱数据预处理,以偏最小二乘进行回归分析(PLS)。建立含水量定量检测分析模型对红枣进行水分检测,水分真实值和预测值的交互相关系数均高于0.850。2个品种校正模型和验证模型差异较小均在0.5%左右,建立了红枣近红外光谱和水分含量之间的对应关系。     

甘蓝型油菜茎秆纤维组分含量和木质素单体G/S 近红外模型构建

【目的】探索近红外光谱分析技术在甘蓝型油菜茎秆纤维组分含量及木质素单体G/S测定中应用的可能性。【方法】采集近红外光谱,根据马氏距离GH（Global H）筛选出103份纤维组分含量材料和75份木质素单体G/S材料作为定标样品,采用Van Soest法和GC-MS法对茎秆纤维组分含量和木质素单体比例进行测定,统计结果表明定标样品化学测定值变异范围较大,3次重复差异较小,可用于近红外模型构建。运用不同光谱预处理方法和化学计量学方法建立校正模型,对比各模型性能参数,筛选出最优定标模型并用检验集对模型进行验证。【结果】采用修正偏最小二乘法（MPLS）建立模型最佳。中性洗涤纤维（neutral detergent fiber,NDF）、酸性洗涤纤维（acid detergent fiber,ADF）、酸性洗涤木质素（acid detergent lignin,ADL）与木质素单体G/S的交叉验证相关系数（1-VR）分别为0.864、0.861、0.872和0.920,定标相关系数（RSQ）分别为0.892、0.891、0.907和0.953。用检验集对模型进行验证,NDF、ADF、ADL及木质素单体G/S模型的外部检验相关系数（RSQ）分别为0.837、0.818、0.870和0.935,其预测标准差（SEP）为0.680、0.636、0.348和0.054。【结论】试验所建模型质量较好,能快速测量茎秆纤维组分含量和木质素单体G/S,可为油菜抗病抗倒伏育种研究提供技术支持。     

柑橘园紫色土Fe/Mn/Zn含量近红外光谱监测模型研究

 【目的】探索建立基于近红外光谱技术的土壤微量元素监测技术。【方法】采集三峡库区（重庆）主要加工甜橙基地果园背景土壤样品168个,随机选取100个作为建模样本,其余为检验样本;测定所有样本的近红外反射光谱和土壤Fe、Mn、Zn全含量;运用最佳光谱预处理方法和偏最小二乘法（partial least square method, PLS）及内部交叉验证方法建立校正模型,并进行模型精度检验。【结果】变量标准化（standard normal variables,SNV）为土壤Fe、Mn、Zn含量近红外光谱预测的最佳光谱预处理方法;运用SNV光谱预处理和偏最小二乘法（PLS）及内部交叉验证法建立的土壤Fe、Mn、Zn含量校正模型,95%置信区间内的预测精度分别为92.65%、95.59%和95.59%。【结论】利用近红外反射光谱技术进行土壤Fe、Mn、Zn含量检测可行且精度较高。     

核桃叶片氮元素含量的光谱预测模型

【目的】分析325～1 075 nm范围内核桃叶片光谱与叶片氮元素含量的相关性,研究核桃叶片光谱数据预处理和特征波段筛选方法,建立核桃叶片氮元素含量的预测模型,为实现核桃生产中的快速施肥提供参考。【方法】建立多元散射校正、Savitzky-Golay卷积平滑滤波和小波去噪的组合预处理方法;采用连续投影算法筛选出了特征波段;采用特征波段建立核桃叶片氮元素含量的偏最小二乘回归预测模型。【结果】建立的组合预处理方法对核桃叶片光谱去噪效果较好;采用特征波段建立的核桃叶片氮元素含量的预测模型,模型的验证集决定系数R²达到了0.875,均方根误差RMSE达到了0.697 3 mg/g。【结论】与全光谱数据相比,筛选出的特征波段降低了冗余数据和噪声的影响,提取出了有效成分相关的光谱信息,提高了建模质量。     

近红外漫反射光谱法测定青贮玉米品质性状的研究

【目的】研究利用近红外漫反射光谱法（NIDRS）测定青贮玉米的体外干物质消化率 (IVDMD)、中性洗涤纤维(NDF)、酸性洗涤纤维 (ADF)、粗蛋白（CP）和粗脂肪（EE）含量的可行性。【方法】以普通、高油和超高油玉米全株和秸秆的青贮样为材料，采用光谱的主成分空间技术和偏最小二乘回归法（PLS）。【结果】所建立的IVDMD、NDF、ADF、CP和EE的校正模型的交叉验证决定系数(R2cv)分别为0.9133、0.9764、0.9789、0.9254和0.7294，外部验证决定系数(R2val)分别为0.8879、0.9455、0.9635、0.9387和0.7333，各项误差(RMSEE、RMSECV和RMSEP)为0.24(CP)～2.23(NDF)。【结论】利用近红外漫反射光谱法测定青贮玉米品质性状是完全可行的，该结果可满足畜牧业对青贮饲料品质快速分析的需要，对青贮玉米育种材料的快速鉴定筛选具有重要的意义。     

不同贮藏温度对甜菜块根采后品质的影响

[目的]探讨不同贮藏温度对甜菜块根采后品质的影响.[方法]以甜菜块根BETA 218为材料,研究甜菜块根在0,4和-18℃和露天4个贮藏温度下蔗糖、还原糖、蛋白质、游离氨基酸、总酚、有机酸含量以及失重率的变化情况.[结果]在不同的贮藏温度下,蔗糖、蛋白质含量呈下降趋势,还原糖、游离氨基酸、总酚、有机酸含量和失重率呈上升趋势.0和4℃贮藏的甜菜块根品质比露天贮藏好,而-18℃冻固的甜菜各品质指标都优于其它贮藏温度.[结论]甜菜冻固前贮藏温度的变化会加快甜菜贮藏品质的劣变,恒定低温贮藏能更好的保持甜菜块根贮藏品质,且在采后贮藏期间甜菜冻固速度越快,贮藏品质保持的越好.     

近红外光谱法检测鸡、鱼肉加热终点温度

【目的】在肉制品生产中,加热终点温度（endpoint temperature,EPT）是控制食源性疾病的关键因素。现有的EPT检测方法诸多,如酶活性测定法,凝血试验和聚丙烯酰胺凝胶电泳（SDS-PAGE电泳）法等,但普遍存在耗时、样品处理繁杂等不足。采用近红外光谱（near-infrared spectroscopy,NIR）结合偏最小二乘法（partial least squares,PLS）检测鸡、鱼肉加热终点温度,为研究近红外光谱法检测肉类EPT的可行性提供参考。【方法】分别将肉样以1℃·min^-1的升温速率进行9个不同温度的加热处理（50、55、60、65、70、75、80、85和90℃）,当达到终点温度时,迅速取出,冰水冷却到4℃。冷却后的肉样和释放的肉汁同时放到均质机中,均质1 min,绞碎成肉糜状。均质后的肉样存放于4℃的冰箱中,共制得144个样品（鸡、鱼肉样品数分别为77和67）。在近红外光谱仪上,采用硫化铅（PbS）检测器和旋转样品池,每个样品连续采集光谱3次,在11 000-4 000 cm^-1波数范围内,以8 cm^-1的分辨率扫描64次。将所采集的鸡、鱼肉的光谱数据分别随机分为校正集（样品总数108,其中鸡肉样58,鱼肉样50）和检验集（样品总数36,其中鸡肉样19,鱼肉样17）,校正集用于校正模型的建立,检验集用于检验模型的预测能力。在建立模型时,采用标准正则变换、一阶微分和Norris Derivative滤波平滑（N-D）3种方法结合对原始光谱进行处理,采用内部交叉验证均方差（cross-validation mean square error,RMSECV）确定主成分数,利用模型对检验集样品的预测均方差（prediction mean square error,RMSEP）、预测值与实测值间的相关系数r及预测标准差σ考察模型的预测性能。【结果】采用校正集的内部交叉验证均方差（RMSECV）确定鸡肉、鱼肉的主成分数分别为9和11,此时校正集的RMSECV值最小,分别为1.59%和0.96%;所得校正模型的预测温度与实际加热温度之间的相关系数分别为0.9844和0.9936;由所建模型对检验集样品的检验结果可看出,实际加热温度与近红外模型预测的加热温度具有很高的相关性,预测值的相关系数r分别为0.9966和0.9832;预测均方差RMSEP分别为3.02%和2.94%;预测标准差σ为0.97和1.63。【结论】本研究所建模型具有很好的预测性能,近红外光谱用于肉制品EPT检测具有很大潜力。     

基于CARS-BPNN的江西省土壤有机碳含量高光谱预测

【目的】探讨光谱变量选择及依据土壤类型进行分层校准两种方法对高光谱预测土壤有机碳（SOC）精度的影响。【方法】以江西省为研究区,490个土壤样本为研究对象,对研究区内的所有样本以及不同土壤类型样本分别通过竞争性自适应重加权采样（CARS）算法筛选特征波段,并采用偏最小二乘回归（PLSR）、支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BPNN）4种模型,对比不同土壤类型下SOC在全波段以及CARS算法筛选后特征波段的预测精度。进而,还对比了全局校准和分层校准下SOC在全波段以及CARS算法筛选后特征波段的预测精度。【结果】（1）红壤筛选的特征波段为484、683—714和2 219—2 227 nm,水稻土筛选的特征波段为484、689—702和2 146—2 156 nm。红壤采用CARS-BPNN模型预测效果最佳（R ²=0.82）,较全波段建模验证集R ²提升0.07。水稻土采用CARS-RF模型预测效果最佳（R ²=0.83）,较全波段建模验证集R ²提升0.13。（2）在总体样本上,分层校准相比全局校准精度有所提升。采用CARS-BPNN进行分层校准预测效果最佳（R ²=0.82）,较全局校准验证集R ²提升0.06。【结论】采用CARS-BPNN进行分层校准能够较好地预测江西省土壤有机碳含量,本研究可为其他类似地区预测土壤属性提供科学依据。