基于多傳感器人工嗅覺系統的土壤有機質含量檢測方法

李名偉 朱慶輝 夏曉蒙 劉 鶴 黃東巖

(1.吉林大學生物與農業工程學院， 長春 130022； 2.吉林大學工程仿生教育部重點實驗室， 長春 130022)

0 引言

土壤有機質(Soil organic matter，SOM)是指存在土壤中的所有含碳的有機物質，主要包括動植物殘體、土壤微生物及其分解和合成的各種有機物，是土壤固相部分的重要組成成分[1-2]。土壤有機質的含量僅占土壤組成的5%左右，但對改善土壤的物理性質，促進土壤中營養元素的分解，提高土壤肥力都有極為重要的作用[3]。掌控土壤有機質含量的動態變化，根據土壤性狀調節作物的施肥量，高效地利用各類農業資源，是實現精準農業和促進農業可持續發展的重要內容之一。

目前，測量土壤有機質含量的方法主要有灼燒法、濕燒法、重鉻酸鉀容量法等[4-5]。其基本原理都是根據有機碳的含量測定有機質，是一種碳成分直接測定法。其中，重鉻酸鉀容量法因技術原理簡單、測量結果準確且成本較低而被廣泛使用[6]。但是該方法需要在化學實驗室中進行，且存在耗時耗力、操作復雜和造成污染等問題。近年來，隨著近紅外光譜技術的發展，光譜測定土壤有機質的方法得到了廣泛的關注和研究[7]。近紅外光譜有快速、無損和高效等特點，可以實時測量大量土壤樣本的參數，適用于精準農業[8-10]。然而，土壤有機質的光譜受土壤水分、氧化鐵、質地等因素的影響[11-13]。

土壤氣體是土壤的組成部分之一，是由土壤中生物活性和氣體轉移之間的平衡引起的[14]。土壤中氣體和揮發性有機化合物的釋放與微生物活動有關，并會不同程度地影響土壤中生物的生活[15-16]。在微生物的降解過程中，養分和能量的供應底物在土壤中產生許多揮發性有機化合物和氣體[17-19]。土壤中的揮發性有機化合物和氣體與土壤有機質存在相關性，利用這種相關性可以通過人工嗅覺技術檢測土壤氣味從而測算出土壤有機質含量。

人工嗅覺技術是一種綜合性檢測技術，融合了傳感器技術、信號處理、計算機科學、模式識別和深度學習等，其工作原理是模擬人體嗅覺功能對被測氣體進行感知、分析和識別。由多種氣體傳感器融合而成的傳感器陣列和模式識別方法組成的人工嗅覺系統，被認為是檢測復雜氣體的有效手段。人工嗅覺系統不是直接得出監測氣體的具體成分或特性，而是生成樣本氣體的“指紋圖譜”，借助合理的模式識別算法，實現對樣本氣體的準確分類。目前，人工嗅覺技術被廣泛應用在食品安全、醫療分析和環境檢測等領域[20-23]，且在土壤特性和土壤有機質檢測方面也有些研究。例如，ANDRZEJ等[24]采用電子鼻對不同濕度的土壤進行了分類，LAVANYA等[25]利用電子鼻檢測了土壤中透明質酸和游離脂肪酸的含量；文獻[26-27]利用單種傳感器陣列的人工嗅覺系統實現了對土壤有機質含量的檢測，由于采用單種傳感器陣列，不能全面反映土壤中氣體的響應，土壤有機質含量的檢測精度和響應時間有待提高。

針對上述問題，本文提出一種基于人工嗅覺技術的多傳感器陣列檢測土壤有機質含量的檢測方法。土壤有機質在厭氧環境中產生氣態烴、硫化氫、氨和醛類等揮發性氣體，土壤中的揮發性氣體與土壤有機質存在相關性。將土壤樣本放在集氣瓶中密封48 h，采用10種不同類型的氧化物半導體式氣體傳感器構建傳感器檢測陣列，搭建基于人工嗅覺的土壤有機質檢測系統，以此系統獲取土壤樣本中氣體的響應曲線。提取響應曲線的響應面積、最大值、平均微分系數、方差、平均值和最大梯度等6個特征構建人工嗅覺特征空間，采用BP神經網絡算法(Back propagation neural network，BPNN)、支持向量機回歸算法(Support vector machine regression，SVR)和偏最小二乘回歸算法(Partial least squares regression，PLSR)依據人工嗅覺特征空間建立土壤有機質含量的預測模型，從而利用人工嗅覺技術實現對土壤有機質含量的檢測。

1 材料與方法

1.1 研究區域與土壤取樣

土壤采樣區域為吉林省，位于中國東北地區中部，如圖1所示。

吉林省位于中緯度歐亞大陸的東側，屬于溫帶大陸性季風氣候，年平均氣溫在-5～8.6℃，年平均降雨量為400～600 mm。土壤類型以暗棕壤、黑鈣土、白漿土、草甸土、黑土、風沙土、新積土和水稻土為主，以水稻、玉米、大豆為主要糧食作物。頻繁的耕作導致土壤退化，施用化肥可有效提高作物產量，成為農業生產不可或缺的選擇。

2019年秋季在圖1所示130個采樣點共采集土壤樣本130份。由于土壤的不均一性，使各個體都存在著一定程度的變異，為了盡可能還原土壤樣本在田間的實際狀態，采用對角線布點法進行土樣采集，每個采樣點采集9份土樣，采樣深度為0～20 cm。將得到的9份土樣混合，按四分法每個采樣點保留1份土壤樣品(1 kg)。根據試驗的需求，將130份土壤樣品在溫度23℃下自然風干后，將土壤碾碎并過0.25 mm的篩網處理。將樣品分為2份，分別用于化學氧化法和人工嗅覺系統檢測其土壤有機質含量。化學氧化法采用重鉻酸鉀法[28]，是標準的土壤有機質測定方法(GB 9834—88)[29]，此方法測得土壤有機質含量為實際值。人工嗅覺系統所用土壤樣品通過噴施蒸餾水使各樣品的相對濕度維持在55%，每份土壤樣本稱取80 g置于250 mL的密閉集氣瓶內，最后將集氣瓶在黑暗房間里存放48 h，部分密封后的土壤樣品如圖2所示。

1.2 人工嗅覺試驗方法

試驗所采用裝置為基于人工嗅覺的土壤有機質檢測系統，如圖3所示。該系統由傳感器陣列(安裝在封閉的反應室)、信號處理電路、NI數據采集卡和便攜式計算機組成。傳感器陣列是整個系統的核心部件，由10個不同型號的氧化物半導體式氣體傳感器組成，如圖4所示。每個傳感器的型號和可測量的氣體類型，如表1所示。信號處理電路主要負責傳感器的供電、對傳感器數據的處理，傳感器陣列與信號處理電路之間通過FFC軟線連接。數據采集卡通過杜邦線與信號處理電路連接，用于對傳感器數據的采集，并將采集的數據通過USB數據線輸入計算機來顯示、存儲。

表1 氣體傳感器型號及參數Tab.1 Gas sensor model and parameters

在高耗氧條件下，土壤有機物在微生物作用下分解的最終產物為二氧化碳、水、硝酸鹽、硫酸鹽和磷酸鹽，增加了土壤的耗氧量和二氧化碳含量。在厭氧條件下，土壤有機質的分解促進了氣態烴(CH4、C2H4、C2H6、C3H8等)、硫化氫、氨和醛類物質的形成[30]。本文將土壤樣本在集氣瓶中密封48 h，使其在厭氧環境中產生氣態烴、硫化氫、氨和醛類等揮發性氣體。利用氣體傳感器的特異性和交叉靈敏性等特點，選擇10個對土壤在厭氧環境下產生氣體有響應的不同型號氣體傳感器組成傳感器陣列，對土壤樣本產生的揮發性氣體進行檢測。

氣體傳感器的基本測量電路如圖5a所示，且每個氣體傳感器均由電阻器RS和RH組成。其中，RS為傳感器電阻器，其電阻RS隨測量氣體的濃度變大而變小；RH是加熱電阻器。傳感器正常工作需要加熱器電壓VH和回路電壓VC，VH作用于RH，可以為RS提供適合的工作溫度；VC則是用于測定與傳感器串聯的負載電阻器RL上的回路輸出電壓VRL。VH和VC的電壓均設置為(5±0.2) V。加熱電阻器RH為固定值且電阻RH較小，為確保傳感器工作溫度，每個傳感器的RH都采用單獨供電，其供電電路如圖5b所示。負載電阻器RL與傳感器電阻器RS串聯，可通過回路輸出電壓VRL反映出傳感器的響應(傳感器電阻RS的變化)，RS的計算公式為

(1)

式中RL——電阻器RL的電阻

數據采集卡為NI(National Instruments)公司生產的多功能I/O設備USB-6210，該采集卡集成了16路16位模擬輸入(AI)端口，最大采樣速率為250 kS/s;分別集成了4路數字輸入(DI)和數字輸出(DO)端口，并具有2個32位計數器。采用NI公司開發的LabVIEW軟件和DAQ驅動，開發了一套數據采集系統，其軟件界面如圖6所示。圖中，DAQ助手模塊用于設置數據采集卡的參數，本文選用Ai1～Ai10共10個AI采集端口，采集方式為連續測量，采集頻率為10 Hz。

工作時，先打開系統電源，使傳感器預熱15 min；然后用空氣泵以2 L/min的流速抽取潔凈空氣清洗裝有傳感器陣列的反應室，清洗時間為1 min；使用20 mL的注射器抽取集氣瓶頂部的土壤氣體，注射到反應室中；啟動LabVIEW檢測程序，開始采集數據，采集時間為2 min。完成一次采樣后，使用空氣泵以2 L/min的流速清洗反應室，其余樣本數據的采集重復上述過程。

1.3 傳感器陣列響應測試

基于人工嗅覺的土壤有機質檢測系統搭建完成后，還需測試傳感器陣列的響應效果。測試所用儀器主要包括土壤有機質檢測系統、多種標準氣體、YQAr-01L型標準氣體減壓閥，圖7為標準氣體罐。標準氣體類型及參數如表2所示。

表2 標準氣體類型及參數Tab.2 Standard gas types and parameters

試驗時，先打開土壤有機質檢測系統電源，使傳感器預熱15 min；然后啟動LabVIEW檢測程序，利用NI數據采集卡采集傳感器陣列在空氣中的響應數據30 s，接著打開標準氣體氣閥，以0.8 L/min的流速將標準氣體通入反應室，通氣時間為30 s，然后用止氣夾封閉反應室，采集時間為3 min；最后用空氣泵以2 L/min的流速抽取潔凈空氣清洗反應室，清洗時間為1 min，完成一次標準氣體響應測試。每種標準氣體測試3次，取平均值。

1.4 特征選擇

為消除傳感器在采集時產生的噪聲對數據處理的不利影響，采用一維中值濾波算法對響應曲線進行平滑處理，并設置平滑點數為25。為提高后期數據處理效率，選取測量開始后的前40 s數據用作處理分析。本研究提取響應面積Vrav、最大值Vmax、平均微分系數Vmdc、方差Vvv、平均值Vmean和最大梯度Vmgv這6個特征構建特征空間。其中，Vrav、Vmdc、Vvv和Vmgv計算公式為

(2)

(3)

(4)

(5)

式中Xi——傳感器采集的第i個數據，V

Δt——相鄰2個采樣點的間隔時間，取0.1 s

N——采樣數據的總數量

Xjmax——采集數據中最大值，V

X0——采集數據的初始響應值，V

j——采集數據中最大值所對應的時間，s

氣體傳感器陣列由10個傳感器構成，每個傳感器的響應曲線提取6個特征值，因此，共提取60個特征參數，形成一個130×60的人工嗅覺特征空間。由于6種特征值的量綱和數量級不同，需對各特征數據進行無量綱化處理，本研究采用z-score方法實現數據的標準化，以消除量綱的影響，其公式為

z=(x-u)/s

(6)

式中z——標準化后的數據

x——原始數據

u——樣本平均值

s——樣本標準差

1.5 訓練集與測試集劃分

預測模型的建立需要劃分訓練集和測試集，訓練集用來估計模型中的參數，使模型能夠反映現實，進而預測未來或其他未知的信息；測試集用來評估模型的預測性能。訓練集和測試集的合理劃分有利于提高所建立模型的預測能力，本研究采用Kennard-Stone方法設置訓練集和測試集比為3∶1。

2 模式識別算法

為提高本文檢測方法的檢測精度，采用PLSR、BPNN和SVR 3種算法建立人工嗅覺特征空間與土壤有機質含量之間的預測模型，以找出最優的關系模型。

2.1 PLSR模型

偏最小二乘回歸是一種統計學方法，與主成分回歸有關系，但不是尋找響應變量和自變量之間最大方差的超平面，而是通過投影分別將預測變量和觀測變量投影到一個新空間，來尋找一個線性回歸模型。此算法集主成分分析、典型相關分析和多元線性回歸分析3種分析方法的優點于一身，當變量之間存在高度線性相關時，PLSR可以建立一個較高精度的預測模型。本研究使用留一交叉驗證法尋找主成分因子，通過交叉驗證的均方根誤差驗證模型的穩健性[31]。

2.2 BPNN模型

BP神經網絡(BPNN)是一種按誤差反向傳播訓練的多層前饋網絡，在結構上包括輸入層、隱含層和輸出層3部分，每個部分之間依靠權值和閾值連接[32]。基本的BPNN算法是通過信號的前向傳播和誤差的反向傳播2個過程來反復修正各單元權值，以此無限地逼近目標值。隱含層神經元數對BP神經網絡的性能影響較大。若隱含層神經元數較少，則網絡不能充分描述輸出和輸入變量之間的關系；相反，若隱含層神經元數較多，則會導致網絡的學習時間變長，甚至會出現過擬合的問題。一般地，確定隱含層神經元數的方法是在經驗公式的基礎上，對比隱含層不同神經元數對模型性能的影響，從而進行選擇。本研究采用3層網絡構建BPNN模型，隱含層最優神經元數計算公式為

(7)

式中h——隱含層神經元數

n——輸入節點數

m——輸出節點數

α——1～10的正整數

n為建模的特征向量數量，m為預測因變量數量，本文只對有機質含量作預測，所以m為1。此外，神經元激活函數、訓練迭代次數和目標誤差等的設置也會影響模型效果，但通常都是被設置為固定值。

2.3 SVR模型

SVR是一種基于支持向量機(Support vector machine，SVM)的回歸技術，是為了利用SVM解決回歸擬合方面的問題在SVM分類的基礎上引入ε不敏感損失函數提出的[33]。該模型使用徑向基函數(Radial basis function，RBF)作為核函數將數據轉移到更高維度，然后找到最佳函數(f(x)或超平面)，該函數與目標的偏離不超過ε，其原理如圖8所示。SVR的泛化能力主要受懲罰因子C和核參數g(RBF核函數中的方差)的影響，并且C大于零。本文為了優化SVR模型，采用網格搜索法和5-折交叉驗證法，并結合交叉驗證均方誤差(Mean square error of cross-validation，MSECV)來確定參數組合(C，g)的值。MSECV越小，參數C和g越適用于該模型。

2.4 模型評價指標

為了評估上述模塊的質量和可靠性，采用決定系數(Coefficient of determination，R2)、均方根誤差(Root mean square error，RMSE)和絕對平均誤差(Absolute mean error，MAE)作為性能指標。R2越接近1表明模型的擬合效果越好；RMSE用于表征模型預測值和測量值之間誤差，MAE為其平均絕對誤差，RMSE和MAE越小，表明模型的預測精度越高。

3 結果與分析

3.1 傳感器陣列響應測試結果

氧化物半導體式氣體傳感器在長時間未通電時，不管有沒有對象氣體存在，傳感器電阻RS在通電數秒鐘后都會突然急劇下降，然后逐漸上升并達到一個穩定的水平。在預熱過程中發生的這種反應被稱之為“初始動作”。因此，在測試試驗開始前，需要對傳感器陣列進行預熱。

3.1.1硫化氫響應測試結果

傳感器陣列響應測試按照1.3節的試驗方法進行。圖9為傳感器陣列對不同濃度硫化氫的響應曲線。從圖9中可以看出，除了傳感器S5，其余傳感器對硫化氫均有響應。在低濃度硫化氫中，傳感器S1、S2和S6響應非常強烈，S8響應也很明顯，其余傳感器響應不太明顯；在高濃度硫化氫中，傳感器S1、S2、S6、S8響應十分強烈，除了傳感器S5，其余傳感器較低濃度時響應明顯。

3.1.2氨氣響應測試結果

圖10為傳感器陣列對不同濃度氨氣的響應曲線。從圖10中可以看出，傳感器陣列對氨氣均有響應，且隨著氨氣濃度的增大，傳感器響應曲線呈上升趨勢；傳感器S5對低濃度氨氣響應不明顯，但隨著氨氣濃度的增加，其響應曲線呈明顯上升趨勢，說明傳感器陣列對氨氣濃度的變化響應明顯。

3.1.3甲烷響應測試結果

圖11為傳感器陣列對不同濃度甲烷的響應曲線。從圖11中可以看出，傳感器S1、S2、S5對甲烷幾乎沒有響應，傳感器S1、S2在高濃度甲烷中響應曲線有些下降，是受通氣時高濃度甲烷氣流的影響，導致傳感器電阻產生變化；傳感器S6響應曲線呈下降趨勢，且對高低濃度的甲烷響應不明顯；其余傳感器皆對不同濃度的甲烷氣體有明顯響應，其中傳感器S7、S8、S10響應最為明顯。

從傳感器陣列對不同濃度、種類標準氣體的響應曲線可以看出，傳感器S5只對高濃度氨氣響應，傳感器S1、S2對甲烷幾乎沒有響應，其余傳感器對不同濃度、種類的標準氣體皆有響應且響應結果不同，且隨著標準氣體濃度的增大傳感器陣列的響應曲線也隨之上升，測試表明傳感器陣列具有較高的特異性和一定的交叉敏感性，為人工嗅覺系統的組建奠定了基礎。

3.2 土壤有機質含量化學分析結果及分組

采用重鉻酸鉀法得出了130個土樣土壤有機質的含量，結果如表3所示，采用Kennard-Stone方法設置訓練集和測試集之比為3∶1，即訓練集和測試集各有97、33個樣本。在訓練集中，土壤有機質質量比為13.26～50.55 g/kg，標準差為7.63 g/kg，變異系數為24.44%；而測試集中，土壤有機質質量比為12.19～53.53 g/kg，標準差為8.48 g/kg，變異系數為27.41%。研究區域中采集的土壤有機質含量和樣本的變異系數變化趨勢較大，有利于提高模型的預測能力[34]。測試集中土壤有機質質量比的范圍完全覆蓋了訓練集中土壤有機質質量比的范圍，有利于提高模型的泛化能力。

表3 土壤樣本的有機質含量Tab.3 Organic matter content of soil samples

3.3 PLSR模型校準與預測

為了充分擬合數據，本研究采用留一交叉驗證法尋找主成分因子(Principal component factor，PCF)，通過交叉驗證的均方根誤差(Root mean square error of cross validation，RMSECV)驗證模型的穩健性，得到圖12所示RMSECV和PCF的關系圖。從圖12中可以看出，當PCF數量為3、4個時，均方根誤差最小；且較少的PCF數量可以降低模型的復雜性，因此本研究采用4個PCF建立了PLSR模型。

利用已確定的PCF和人工嗅覺特征空間劃分的訓練集建立PLSR模型，并采用測試集對模型進行驗證，如圖13所示。利用訓練集建立的模型，其R2=0.8102 6，RMSE為3.499 2 g/kg，MAE為2.688 g/kg(圖13a)，測試集的R2=0.808 78，RMSE為3.678 4 g/kg，MAE為3.107 9 g/kg(圖13b)。試驗結果表明，PLSR算法建立的模型，其訓練集和測試集的R2大于0.80，RMSE和MAE均小于3.7 g/kg，模型具有一定的泛化能力。

3.4 BPNN模型校準與預測

采用Matlab 9.7.0.1190202(R2019b)中的神經網絡工具箱建立BPNN模型。在BPNN建模中，隱含層采用S型傳遞函數tansig，輸出層采用線性傳遞函數purelin，并采用feedforwardnet函數創建前向傳播神經網絡。將訓練迭代次數設置為1 000，學習率設置為0.01，目標誤差設置為0.001，用train函數將訓練集代入神經網絡。

為了選擇合適的隱含層神經元數h，在以上確定的h取值范圍內，選取程序運行10次對應決定系數的平均值作為評價指標，結果如表4所示。R2越大，表明模型的準確性和泛化能力越好。當h為8時，R2平均值為0.849 31，最大值為0.893 48，均為最大。因此，模型參數確定為60-8-1(60個輸入量，8個隱含層神經元，1個輸出量)，其訓練集和測試集的預測結果如圖14所示。

表4 隱含層神經元數對BPNN模型性能的影響Tab.4 Effect of number of hidden layer neurons on performance of BPNN model

試驗結果表明，BPNN算法建立的模型，其訓練集的R2=0.893 48，RMSE為2.534 5 g/kg，MAE為1.899 2 g/kg(圖14a)，測試集的R2=0.871 79，RMSE為3.161 4 g/kg，MAE為2.415 4 g/kg(圖14b)，模型具有較好的擬合效果。

3.5 SVR模型校準與預測

SVR模型的泛化能力主要受懲罰因子C和核參數g的影響，為了提高模型的預測精度，采用網格搜索法和5-折交叉驗證法，并結合交叉驗證均方誤差選擇參數組合(C，g)的值。圖15分別用等高線和3D視圖(MSECV經mapminmax函數處理為0～1間的數)顯示選定的支持向量回歸參數的結果，C和g的最佳值分別為128和0.001 953 1，MSECV為26.479 7 g/kg。

利用優化后的C和g構建SVR模型，得到如圖16所示結果。為觀察該模型的預測效果，本研究使用測試集對其進行檢驗。結果顯示，訓練集R2=0.925 57，RMSE為2.112 4 g/kg，MAE為1.056 9 g/kg(圖16a)；測試集R2=0.919 57，RMSE為2.425 4 g/kg，MAE為2.138 9 g/kg(圖16b)。這表明，網格搜索法和5-折交叉驗證法選擇的組合(C=128，g=0.001 953 1)具有良好的預測性能。

3.6 模型對比

許多回歸模型均有較高的預測精度，如MLR、SVR和RBF等。為了選擇合適的預測模型，以提高土壤有機質嗅覺檢測模型的泛化能力，采用BPNN、SVR和PLSR這3種算法分別對人工嗅覺特征空間的訓練集和測試集進行測試。從圖13a、14a、16a可以看出，在PLSR、BPNN、SVR 3個訓練集中，SVR的預測效果最好(R2最大，RMSE和MAE最小)，BPNN次之，PLSR最差。但R2均大于0.81，表明3個模型具有較好的預測能力。

利用測試集對已經訓練完成的BPNN、SVR和PLSR模型進行測試，得到圖13b、14b、16b中的預測結果。為了進行更直接的比較，在圖17中繪制了不同模型的預測結果，并在表5中列出了相關預測性能。從圖17中可以看出樣本12、13、22在3種模型的預測值與實際土壤有機質含量均有較大差異。原因可能是訓練集中一個或幾個樣本的人工嗅覺測量過程中產生了誤差，這可能是由于操作不當、人工嗅覺裝置本身的誤差或溫度、濕度等外部因素造成的。

從測試集的預測結果中可以看出(表5)，3個模型的R2均大于0.80，表明所有模型都有較好的預測能力。因此，在3種算法中，SVR的預測精度最好，其次是BPNN，PLSR也獲得了較好的預測性能。SVR和BPNN比PLSR具有更高的預測性能，可能是因為土壤有機質含量與人工嗅覺特征空間存在一定程度的非線性關聯，而支持向量回歸機和BPNN比PLSR更適合非線性回歸。SVR的表現比BPNN好，主要原因可能是支持向量回歸機的模型學習能力更強，因為它使用了一組最佳參數組合(C，g)。

表5 PLSR、BPNN和SVR模型的SOM預測性能Tab.5 SOM prediction performance of PLSR, BPNN and SVR models

4 結論

(1)采用10種不同類型的氧化物半導體式氣體傳感器構建傳感器陣列，實現了利用人工嗅覺系統對土壤有機質含量的檢測。采用不同濃度的硫化氫、氨氣和甲烷等標準氣體對傳感器陣列進行了響應測試，從傳感器陣列對不同濃度、種類標準氣體的響應曲線可以看出，傳感器S5只對高濃度氨氣響應，傳感器S1、S2對甲烷幾乎沒有響應，其余傳感器對不同濃度、種類的標準氣體皆有響應且響應結果不同，這體現了氣體傳感器陣列較高的特異性和一定的交叉敏感性，且隨著標準氣體濃度的增大傳感器陣列的響應曲線也隨之增大。

(2)對比分析了PLSR、BPNN和SVR 3種算法在基于多傳感器人工嗅覺系統的土壤有機質含量檢測方法的檢測精度。采用此3種算法建立人工嗅覺特征空間與土壤有機質含量之間的關系模型，以R2、RMSE和MAE作為性能指標，將3種模型的預測能力進行比較。結果表明，3種模型對土壤有機質含量均有較好的預測能力，其中SVR顯示出最大的精度和最小的RMSE和MAE。這種表現在一定程度上可能是由于土壤有機質含量和人工嗅覺特征空間之間的非線性相關性，以及支持向量回歸機較強的學習能力。因此，支持向量回歸模型可以作為評估土壤有機質含量的有效工具。

(3)試驗結果表明，人工嗅覺系統給測定土壤有機質含量提供了支持，該方法穩健有效，且為預測和簡化土壤有機質含量的測定提供了依據。