一种新的光谱参量预测黑土养分含量模型

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。数据源为CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集59个土壤样本,化验获得有机质、全氮、全磷和全钾含量数据,选择eps-regression支持向量机模型,BP神经网络和PLS1最小二乘回归模型,建立光谱与含量的机器学习模型。通过评价3种模型的预测精度,选用支持向量机方法,对航空高光谱数据进行全氮、全磷和全钾的信息提取,采用神经网络方法,反演了有机质信息。研究表明：以光谱统计量、光谱特征值和光谱信息量为大类指标,所选取的18个子指标,能够反映土壤光谱的综合情况,是一种新的土壤光谱数据处理方法。有机质和全钾信息提取精度最高的算法是神经网络法,误差分别为1.21%和0.81%,而支持向量机算法在提取全氮和全磷信息时,验证样本的实测均值和预测均值完全吻合,精度最高。评价航空高光谱提取土壤养分的综合精度,有机质、全氮、全磷和全钾提取误差分别为5.25%,6.05%,2.74%和8.90%,在全磷反演中精度最高。     

基于大样本土壤光谱数据库的氮含量反演

充分挖掘大样本土壤光谱库中有效信息,建立普适性强的土壤全氮(TN)含量反演模型,是高光谱分析的重要应用方向之一。研究采用偏最小二乘回归(PLSR)全局建模、局部加权回归(LWR)和模糊K均值聚类结合PLSR(FKMC-PLSR)局部建模三种方法,分别建立了来自中国西藏、新疆、黑龙江、海南等13个省采集的17种土类1661个土壤样本TN值的高光谱反演模型,并对浙江省104个水稻土样本进行模型验证。结果表明,在大样本下PLSR全局模型对高TN值待预测样本存在低估现象,导致整体预测精度偏低;LWR和FKMC-PLSR局部模型比PLSR全局模型能够更为准确地反演TN含量。研究结果可为利用大样本光谱数据库建立稳定性和普适性较高的土壤TN含量预测模型提供参考。     

土壤养分的红外衰减全反射与漫反射光谱同步测量方法

光谱学分析技术因具有快速、实时、无损等优势,被广泛用于土壤养分检测等各个领域,也是现代农业检测控制中广泛应用的一种有效方法。实验采集不同养分含量的土壤样本,分别获取中红外衰减全反射(ATR)和漫反射(DRIFT)光谱数据。通过不同的光谱预处理算法结合偏最小二乘法(PLS)建立土壤中全碳、全氮、碱解氮的定量分析模型,对土壤养分的ATR和DRIFT光谱分别进行独立模型和叠加模型的分析。并以土壤养分中的全碳和全氮为例,发现经过标准正态变量变换处理的两种光谱建立的PLS模型相关系数均有所提高。全碳的两种光谱模型校正集的R2分别提高至0.826和0.919,而全氮两种模型校正集R2分别提高至0.841和0.928。我们进一步对全碳、全氮各自叠加后的光谱进行分析,模型的R2分别提高至0.942和0.951。用同样的方法分析土壤中的碱解氮,联用两光谱后的R2提高至0.919。研究结果表明,两种光谱的联合使用,为提高模型的相关系数和预测能力提供了一种合理有效的方法。     

应用特征波段和反射变形差的方法进行土壤属性估算

传统的土壤分析是昂贵的、费时的并且可能带来环境污染问题。应用近红外光谱分析技术测定土壤参数具有快速、花费少和非破坏性的特点。利用GPS野外定位,在江西省的红壤站、鄱阳湖站和千烟州站周边共取得41个耕层(0～20 cm)土壤样品。通过对土壤样品高光谱反射率的室内分析测定,研究了土壤在紫外/可见光/近红外波段光谱的反射特性。研究的目的是应用波谱反射建立一个新的研究方法来估算土壤属性含量值。随后应用多元线性逐步回归方法对反射光谱数据进行分析,“B22+H13”光谱数据作为自变量,土壤属性含量作为因变量,建立了土壤属性含量的高光谱预测模型, 并对模型的稳定性和预测能力进行了检验。结果是土壤的pH、有机碳、全氮、全磷、阳离子代换量和碱解氮的相关系数都达到了0.80,而TK、速效磷、速效钾的相关系数在0.68左右。结果表明,应用此方法估算一些土壤属性含量是可行的。     

土壤全氮反射光谱估算机理研究

反射光谱技术具有快速、便捷等特点,过去几十年中将其应用于土壤科学的研究呈指数增长,且广泛用于土壤属性估算。土壤全氮含量是一项非常重要的肥力指标,光谱估算全氮含量可以为实现精准农业提供重要支持。但反射光谱估算土壤全氮含量是基于全氮与有机碳的相关性还是基于氮本身的吸收特征仍然存在争议。本文以江苏滨海土壤为研究对象,利用偏最小二乘法分别构建全氮和有机碳在相同建模样本量、不同全氮含量及变异程度情况下的估算模型,通过分析模型精度变化规律及全氮与有机碳估算模型系数的相关性,探讨土壤全氮反射光谱估算机理。结果表明,该地区土壤为1 000年来滨海滩涂经人为耕作发育形成,全氮含量不高,有机碳含量偏低。全氮与有机碳之间存在较强的相关性,相关系数高达0.98。土壤全氮含量估算精度随样本集全氮含量的平均值、标准差增大出现先增加后略有减小的变化规律,与变异系数的变化规律相一致。当全氮含量较低时(样本平均值小于0.27 g·kg-1),土壤全氮与有机碳相关系数也较小,实现反射光谱估算全氮是基于氮的吸收特征;当全氮含量较高时(样本平均值大于0.29 g·kg-1),全氮与有机碳相关性较强且有机碳模型精度高于全氮,说明有机碳对光谱曲线的影响随其含量增加而增大,并掩盖了氮的吸收特征,实现反射光谱估算全氮是基于其与有机碳的相关性。该研究揭示了土壤反射光谱估算全氮含量的机理,从而为反射光谱快速估算土壤全氮含量提供理论依据。     

土壤水分对近红外光谱实时检测土壤全氮的影响研究

利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一,但是由于土壤水分在近红外波段的吸收系数较高,影响了土壤全氮含量的实时预测精度。使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描,定性和定量的分析了土壤水分对近红外光谱的影响,并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。近红外光谱扫描结果显示在同一全氮含量水平下,随着土壤水分含量的增加,光谱吸光度呈逐渐上升的趋势,且变化趋势为非线性。通过对1 450和1 940 nm两个水分吸收波段的差分处理,设计了水分吸收指数MAI（moisture absorbance index）,再对土壤按照水分含量梯度进行分类,提出了相应的修正系数。修正后的6个土壤全氮特征波段处(940,1 050,1 100,1 200,1 300和1 550 nm)的土壤吸光度值作为建模自变量,使用BP神经网络建立了土壤全氮预测模型,模型的R_C,R_V,RMSEC,RMSEP和RPD分别达到了0.86,0.81,0.06,0.05和2.75;与原始吸光度所建模型相比较模型精度得到了显著提高。实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响,为土壤全氮含量实时预测提供了理论和技术支持。     

水稻土可见-近红外-中红外光谱特性与有机质预测研究

土壤有机质是农田肥力评估的重要指标,要实现快速获取大面积土壤有机质的含量需要建立高效、稳健的预测模型。光谱技术能够快速诊断土壤有机质,以水稻土为例,从校正样本选择方法的对比,研究了可见-近红外、中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪,通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法,中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型,基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果,RMSE_P仅为3.25 g·kg-1,RPD达到4.24,依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。因此,中红外光谱建模技术能够对水稻土有机质进行快速定量分析,Rank-KS法可提高模型的预测能力,为今后农田肥力评价和科学施肥提供技术支持。     

露天煤矿排土场地表的光谱特征和土壤参数分析

以辽宁海州煤矿露天排土场为研究对象,分析了地表土壤光谱特征以及反射光谱与地表土壤参数的相关性。土壤反射光谱分析结果表明：不同排土年限光谱反射率随排土年限的增长而降低;不同土质中灰土和混合土的水分吸收谷表征不明显,红壤土、黄土和红砂土光谱反射率以红壤土为最高, 以下依次为黄土和红砂土。土壤反射光谱与土壤参数相关性分析结果表明：有机质含量与反射光谱相关性最高处的相关系数为-0.76,其他参数与反射光谱相关系数较低。建立土壤有机质含量预测模型(建模R2_C=0.737 4,模型检验R2_V=0.682 4)满足检测要求。分析了1 910和1 943 nm处光谱反射率与土壤含水量之间的关系,结果表明由于排土场土壤的多样性和复杂性,土壤全样本光谱反射率与土壤含水量之间呈非线性相关,分别依年代、土质分组后,土壤光谱反射率与土壤含水量均呈线性相关。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

近红外光谱小波分析在土壤参数预测中的应用

从田间采集了150个田间土壤样本,在分析了所有样本的土壤参数统计特征之后,对原始近红外光谱数据进行了聚类分析,分别得到了50个土壤全氮和50个土壤有机质的等价样本及其对应光谱。对样本光谱曲线进行8层Biorthogonal小波包分解,分解得到的最低低频[80]结点对应着土壤水分以及土壤质地的光谱变化趋势,最高高频[8 255]结点对应着土壤粒度、光谱仪精度等引起的高频震荡。对以上两个结点进行重构并从样本光谱曲线中剔除以上影响成分,得到了对应的土壤参数特征光谱。基于特征光谱建立了土壤参数偏最小二乘回归模型：全氮偏最小二乘预测模型的预测系数r_c达到了0.960,验证系数r_v达到了0.920;有机质偏最小二乘预测模型的预测系数r_c达到0.922,验证系数r_v达到0.883。模型精度明显提高,满足实际生产的需要。     

基于可见-近红外光谱技术预测茶鲜叶全氮含量

为快速无损监测茶树氮素营养及其生长状况,基于可见-近红外光谱技术建立了茶鲜叶全氮含量的预测模型。以茶鲜叶为对象,田间试验使用便携式光谱仪采集叶片漫反射光谱信息,通过不同预处理和统计分析,建立茶鲜叶全氮含量预测的光谱模型。试验共采集111个样品,其中86个样品作校正集,25个样品作预测集。通过一阶导数与滑动平均滤波相结合的预处理方法,用7个主成分建立的偏最小二乘模型最好,其校正集均方根误差(RMSEC)为0.097 3,预测集的相关系数为0.888 1,预测均方根误差(RMSEP)为0.130 4,预测的平均相对误差为4.339%。研究结果表明,利用可见-近红外光谱技术可以很好地预测茶鲜叶全氮含量,对于快速实时监测茶树长势和施肥管理具有重要指导意义。     

土壤全氮田间Vis/NIR光谱测定方法研究

应用Vis/NIR光谱直接测定原始土壤属性具有重要的研究和应用价值。选取我国中部水稻土和潮土共103个土样,对比分析了两种土壤在田间环境下的湿态(R_w)和干态(R_d)光谱特征。采用相对变换光谱方法对湿态光谱进行了处理,结果表明该方法能够有效降低土壤水分的干扰和消除部分噪声,得到的变换光谱(R_n)与干态光谱在信息量和特征方面具有很高的相似度。以此建立了土壤TN的PLS回归估计模型,检验结果表明,R_n对水稻土和潮土TN的估计模型精度均高于R_w,修正判定系数分别从0.26和0.46提高到0.53和0.62。因此,相对光谱变换方法能够有效提高应用田间土壤光谱估计土壤参数的能力,建立的PLS模型可以用于测定TN含量,研究结果可作为实现田间实时分析土壤属性的工作基础。     

近红外光谱技术实时测定土壤中总氮及磷含量的初步研究

及时、准确探测土壤中的氮、磷含量,有利于精准施肥决策,提高肥料利用率。研究表明近红外技术能够探测土壤的物理和养分状况。针对不同土地利用类型,在北京大兴地区采集85份土壤样品,测定土壤氮、磷养分及其近红外漫反射光谱,并利用傅里叶变换光谱技术和偏最小二乘回归法建立了土壤总氮(N)和总磷(P)的近红外光谱校正模型。所建模型的交叉检验决定系数(R2_CV)分别为0.862 6(N),0.668 5(P)。用未参与建模的10个样品对模型进行外部检验,总N、总P的预测相关系数(r)分别为0.969 8,0.830 7,预测标准误差(RMSEP)分别为0.009 5%(N),0.008 6%(P),RPD值(检验集样品化学测定值标准差/预测标准误差)分别为3.78(N),1.69(P)。结果表明,采用适当的光谱分析方法可以实现用近红外技术对土壤总N的精确探测及对土壤总P的粗略估测。     

土壤碱解氮含量可见/近红外光谱预测模型优化

可见/近红外光谱技术是土壤成分检测的有效工具。波长筛选对可见/近红外模型土壤属性的预测精度有重要影响。以宁夏吴忠地区75个水稻土样为研究对象,利用可见/近红外光谱技术采集土壤样品光谱,采用SPXY （Sample set partitioning based on joint X-Y distance）方法选取了校正集和预测集样本,比较了分别采用Savitzky Golay平滑（SG smoothing）、多元散射校正（Multiple scatter correction,MSC）、标准正态变量变换（Standard normal variate,SNV）3种预处理方法对光谱数据处理后建立土壤碱解氮偏最小二乘法模型和原始光谱数据建模的效果。在此基础上,分别采用遗传算法（Genetic gorithms,GA）、连续投影算法（Successive projections algorithm,SPA）、竞争性自适应重加权算法（Competitive adaptive reweighted Sampling,CARS）、随机蛙跳（Random frog,RF）进行波长筛选,最后应用偏最小二乘法建立基于不同波长筛选方法的土壤碱解氮含量预测模型。研究表明,由于仪器性能稳定,样品的颗粒度比较小和均匀,本次实验原始光谱数据建模效果最好;各种波长筛选方法均可有效减少参与建模的波长数,且连续投影算法优于全谱建模,所选波长数仅为全谱波长数的1%,其预测决定系数（R²）、预测均方根误差和相对分析误差值分别为0.726,3.616,1.906。这表明连续投影算法可以有效筛选水稻土碱解氮敏感波段,为土壤碱解氮传感器开发提供技术支持。     

亚热带红壤全氮的高光谱响应和反演特征研究

利用高光谱遥感技术反演土壤性质已经成为土壤学和遥感科学研究领域的新手段,特别对土壤化学元素含量的高光谱反演,已成为土壤元素快速监测方法的的研究热点。以往研究往往关注不同类型土壤的化学元素光谱响应特征模型,以试图找到普适性的元素-光谱反演模型。由于成土因素的复杂性,土壤类型及其化学元素分布具有明显的空间异质性特征,宏观尺度上的土壤-光谱统计反演模型客观上具有较大的不确定性。若范围缩小到同一个气候带,土壤生物地球化学反应过程较相似,土壤化学元素-光谱反演模型的不确定性相对较小。以福州市为研究区,采集福州市典型红壤样品135个,研究土壤全氮含量的高光谱响应特征,对土壤样品在350～2 500 nm的光谱反射率分别进行倒数对数、微分等五种变换,分析变换后的光谱信息与土壤总氮含量的相关性,筛选出强相关敏感波段,通过设计不同的建模和验证样品比例,用逐步多元线性回归获得福州土壤的氮元素高光谱反演优化模型。结果表明：亚热带红壤全氮的敏感光谱波段为：可见光634～688 nm和红外872,873,1 414和1 415 nm;亚热带沿海地区土壤全氮—高光谱反演的优化模型为: Y=5.384X664-1.039(决定系数R2为0.616,均方根误差为0.422 mg·g-1,检验R2为0.608,均方根误差为0.546 mg·g-1),该模型可以用于福州地区土壤全氮的光谱快速监测。     

可见-近红外光谱技术结合递归变量选择算法对土壤全氮与有机质含量测定研究

应用可见-近红外光谱技术进行定量分析时,变量选择起着十分重要的作用。不同土壤样品之间的预测机制可能存在很大差异,当待测样品出现新的特征信息时,基于建模集选择的特征变量不一定能够很好地代表待测样品的有效信息,继续采用原有特征变量建模就易导致预测误差增大。该研究采用递归变量选择方法在预测过程中递归更新土壤全氮与有机质的特征变量,以保持预测模型的鲁棒性;比较了偏最小二乘法(PLS),递归偏最小二乘法(RPLS)和不同递归变量选择方法,如： 变量投影重要性与RPLS相结合(VIP-RPLS), VIP-RPLS, 无信息变量消除法与PLS相结合(UVE-PLS)对于土壤全氮与有机质含量的预测效果。所用195份土壤样品来自浙江省文成县8个乡镇的农田。土壤样品随机分成两部分,一部分作为建模集包含120份样品,另一部分作为预测集包含75份样品。结果表明： VIP-RPLS建立的模型对于预测土壤全氮与有机质含量取得了最优的结果,获得的决定系数(R2)分别为0.85与0.86,获得的预测相对分析误差(RPD)分别为2.6%与2.7%。说明VIP-RPLS通过不断更新模型的特征变量,能够捕获新加入到建模集样品的有效信息。相比于本研究中的其他方法,VIP-RPLS对于土壤全氮与有机质含量具有更高的预测精度。     

基于全谱数据挖掘技术的土壤有机质高光谱预测建模研究

可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向,可应用于土壤养分信息的快速获取和农田作物的精确施肥管理。以浙江省水稻土为研究对象,利用以非线性模型为核心的数据挖掘技术,包括随机森林、支持向量机、人工神经网络等方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。结果表明：研究比较的1∶1,3∶1和全部样本建模并全部验证的三种样本模式划分对建模的结果有一定的影响。相较于目前常用的偏最小二乘回归(PLSR)建模方法而言,非线性模型RF和SVM也取得了较好的建模精度,三种模式下其RDP值均大于1.4。特别是采用SVM建模方法所得模型具有很好的预测能力,模式二下其RDP值达到2.16。同时引入ANN方法改进建立的PLSR-ANN方法显著提高了PLSR的模型预测能力。     

Quantitatively Determination of Available Phosphorus and Available Potassium in Soil by Near Infrared Spectroscopy Combining with Recursive Partial Least SquaresSCIEI北大核心CSCD

Soil available phosphorus (P) and available potassium (K) don't possess direct spectral response in the near infrared (NIR) region. They are predictable because of their correlation with spectrally active constituents (organic matter, carbonates, clays, water, etc.). Such correlation may of course differ between the soil sample sets. Therefore, the NIR calibration models with fixed structure are difficult to achieve good prediction performances for soil P and K. In this work, the method of recursive partial least squares (RPLS), which is able to update the model coefficients recursively during the prediction process, has been applied to improve the predictive abilities of calibration models. This work compared the performance of partial least squares regression (PLS), locally weighted PLS (LW-PLS), moving window LW-PLS (LW-PLS2) and RPLS for the measurement of soil P and K. The entire data set of 194 soil samples was split into calibration set and prediction set based on soil types. The calibration set was composed of 120 Anthrosols samples, while the prediction set included 29 Ferralsols samples, 23 Anthrosols samples and 22 Primarosols samples. The best prediction results were obtained by the RPLS model. The coefficient of determination (122) and residual prediction deviation (RPD) were respectively 0.61, 0.76 and 1.60, 2.05 for soil P and K. The results indicate that RPLS is able to learn the information from the latest modeling sample by recursively updating the model coefficients. The proposed method RPLS has the advantages of wider applicability and better performance for MR prediction of soil P and K compared with other methods in this work.     

近红外光谱技术结合递归偏最小二乘算法对土壤速效磷与速效钾含量测定研究

土壤速效磷与速效钾在近红外区没有直接与它们相关的吸收峰,只能借助与其他拥有直接吸收峰物质(有机质,碳酸盐,粘土矿物,水分等)之间的相关关系而被近红外光谱技术所预测。这种相关关系会随着土壤样品构成的不同而不断变化,因此采用固定结构的近红外光谱模型很难对速效磷与速效钾取得较好的预测效果。提出采用递归偏最小二乘法(RPLS)在预测过程中递归更新土壤速效磷与速效钾的回归系数,以提高模型的预测能力;比较了偏最小二乘法(PLS),局部加权PLS(LW-PLS),滑动窗口LW-PLS(LW-PLS2)和RPLS对于土壤速效磷与速效钾含量的预测结果。194份土壤样品根据土壤类型分为建模集与预测集：建模集包含120份人为土样品;预测集则包含29份铁铝土样品,23份人为土样品和22份初育土样品。结果表明：RPLS模型取得了最优的预测结果,获得的决定系数(R2)分别为0.61与0.76,预测相对分析误差 (RPD)分别为1.60与2.05。说明RPLS通过不断更新模型的回归系数,能够适应新加入建模集样品的信息。相比于其他方法,预测精度更高,适用范围更广。