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。     

近红外光谱定量分析土壤全氮含量预处理方法探讨

提高土壤全氮含量检测的精确性对于精准农业具有非常重要的意义。本文基于近红外光谱技术,对光谱数据预处理方法进行研究。以土壤全氮含量为检测对象,采用平滑+一阶导数、基线校正+归一化、一阶导数+归一化等方法对采集样品的光谱数据进行预处理方法干预,并运用PLS算法分别建立土壤全氮含量的预测模型,分析不同种预处理方法对于近红外光谱建模精度的影响。实验结果表明应用基线校正+归一化处理后建模得到的预测均方根误差RMSEP为0.025,决定系数R~2为0.98,预测精度最佳。     

基于近红外光谱的北方潮土土壤参数实时分析

选取中国北方潮土作为研究对象,探索利用近红外光谱分析技术分析土壤参数的可行性和可能性。从一块试验麦田共采集了150个土样,土样在采集回试验室后,在保持其原始状态的条件下利用傅里叶变换近红外光谱仪迅速测定了其近红外光谱。近红外光谱变量为原始吸收光谱和一阶微分光谱,分析的土壤参数有土壤水分、有机质和全氮的含量。对于土壤水分,在相关分析的基础上建立了一元线性模型,所采用的波长为1 920 nm,模型的相关系数达到0.937,模型可以直接用于土壤水分的实时预测。对于有机质和全氮含量建立了多元回归模型,有机质预测模型所采用的波长是1 870和1 378 nm,全氮预测模型所采用的波长则是2 262和1 888 nm。分析结果表明土壤有机质和全氮含量可以利用田间土样的近红外光谱特性进行分析和检测,建立的线性模型是有效的。     

赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测

选取赣南脐橙果园土壤作为研究对象,探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。采集的近红外光谱采用多元散射校正、一阶微分、二阶微分、七点平滑等多种预处理对比分析,分别建立了有机质和全氮含量偏最小二乘模型。实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想,校正集相关系数(r_c)为0.802,校正均方根误差(RMSEC)为2.754,预测集相关系数(r_p)为0.715,预测均方根误差(RMSEP)为3.077;有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想,r_c为0.848,RMSEC为0.128,r_p为0.790,RMSEP为0.152。研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。     

土壤主要养分近红外光谱分析及其测量系统

土壤是农业生产的基础,采用近红外光谱技术实现对土壤养分的快速分析,研制分立波长型近红外土壤养分测量系统,指导农业生产过程,有助于改变现有农业生产的粗放经营状态.首先,使用FOSSXDS近红外光谱分析仪对85份东北土壤样品采集光谱,采用相关系数谱及连续投影法等化学计量学算法分析土壤的近红外光谱,并优选出总氮和有机质的特征...     

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。     

紫色土土壤全氮和全磷含量的高光谱遥感预测

高光谱遥感技术是土壤养分预测的有效手段之一。以三峡库区王家沟小流域为研究区,在对土壤样本的理化性质和实验室反射光谱数据分析和测量的基础上,用偏最小二乘回归方法建立了紫色土土壤全氮和全磷含量的预测模型,并用33个水稻土土壤样本对紫色土土壤养分预测模型进行了验证。结果显示,紫色土土壤全氮预测模型得到的土壤样本预测值和实测值之间的总相关系数达到了0.672,而紫色土土壤全磷预测模型得到的相关系数只有0.498; 用紫色土土壤养分预测模型对水稻土土壤养分进行预测得到的相关系数分别为0.550和0.124。因此,用高光谱来预测紫色土土壤全氮含量具有一定的可行性,但高光谱对于紫色土全磷含量的预测效果相对较差;土壤养分预测模型在不同类型土壤之间并不具有很好的通用性。     

应用局部神经网络和可见/近红外光谱法估测土壤有效氮磷钾

要实现农田合理施肥,需要对土壤养分状况进行实时、准确地诊断,因而建立快速、稳定可靠的土壤养分定量分析方法是关键。光谱分析是一种有很大潜力的快速分析方法,从可见/近红外光谱建模的几个重要环节,即特征波段、预处理方法及回归模型方法的选择,研究了土壤有效氮、磷、钾含量快速估测的光谱建模方法。采用了多元散射校正加一阶导数进行光谱预处理,通过逐波段相关分析在可见-近红外区优选特征波段,并应用了局部非线性回归方法(BP神经网络局部回归法)建模,所建模型对土壤有效氮、磷、钾含量估测的相关系数r分别为0.90,0.82和0.94,BP神经网络局部建模比全局建模具有更好的精度和稳定性,估测精度提高幅度分别为40.63%,28.64%,22.90%。因此,采用局部BP神经网络回归建模法建立土壤有效氮、磷、钾的光谱定量分析模型,可实现对土壤养分状况的快速诊断。该研究的创新点是通过采用局部非线性回归方法提高了土壤光谱营养诊断模型的稳定性和可靠性,为作物生长过程中不同生长时期的土壤养分的动态监测和过程控制提供了技术支持。     

基于可见/近红外光谱技术的林地土壤氮含量测定

提出一种利用可见/近红外光谱技术进行杉木林土壤全氮测定的方法.利用不同方法实现了土壤光谱的预处理,并以偏最小二乘回归算法(PLS)建立土壤氮含量估测模型对其进行比较分析,发现小波除噪结合多远散射校正能最有效地消除原始光谱的噪声与背景信息,此时PLS模型校正集与预测集R2分别为0.891与0.885.为优化模型,对预处理后的光谱数据采用主成分分析法(PCA)降维,以最小二乘支撑向量机回归算法(LS-SVR)建立了土壤氮含量估测模型,其校正集与预测集R2分别提高至0.921与0.917,具有比PLS算法更高的精度.结果表明:以可见/近红外光谱技术进行林地土壤氮含量快速监测是可行的,其中小波去噪结合多元散射校正系光谱预处理的优选方法,而LS-SVR则是建模的优选方法.     

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。     

基于可见/近红外光谱和数据驱动的机器学习方法测量土壤有机质和总氮

土壤养分直接关系到作物产量与品质状况，然而传统化学方法检测存在化学试剂消耗大、耗时费力等问题，不能满足精细农业的需求。快速获取土壤养分信息是发展精细农业、绿色农业的关键，想要了解土壤肥力状况，必须先了解有机质和总氮的含量状况。许多研究表明，长波近红外光谱被广泛应用于土壤检测领域，然而短波可见/近红外光谱在土壤有机质和总氮的研究上却非常罕见。以江西省吉安市安福县和南昌市新建区的四个村庄作为研究区，根据2×2网格法采集了深度为10～30cm的棕壤、红壤和水稻土三种最为典型的土壤样品共180份。经过研磨、风干等处理后用四分法均匀划分为两份，用于测定样品光谱信息和理化信息。将土壤样品按照2∶1(120∶60)划分为建模集和预测集。考虑到首尾端波段噪声较大，故去除325～349和1 051～1 075nm波段，将350～1 050nm波段用于光谱分析。通过连续投影算法(SPA)筛选出有机质12个特征波长点，总氮11个特征波长点，考虑到土壤光谱信息与土壤理化性质之间可能存在非线性联系，建立全波段与特征波长的线性偏最小二乘回归(PLSR)模型和非线性最小二乘支持向量机(LS-SVM)模型对土壤有机质...     

我国苹果栽培区土壤参数的近红外光谱检测研究

在全国11个主要苹果栽培区及其附近农田处,共收集111份土壤样本作为研究对象。使用傅里叶近红外光谱仪采集在12 500～4 000 cm-1光谱范围内的土样漫反射光谱信息,并采用偏最小二乘回归法分别建立土壤有机质含量和pH值的近红外定标模型。为了有效消除土壤颗粒不均匀性所带来的散射影响,同时扣除与土壤品质参数无关的光谱信息,研究运用变量标准化(SNV)、附加散射校正(MSC)和直接正交信号校正(DOSC)等光谱预处理方法,使模型精度得到显著提高。结果显示,经过DOSC处理后,土壤有机质含量和pH值的近红外定标模型效果达到最佳,其相关系数(r)分别达到0.953和0.937,预测误差均方根(RMSEP)分别为0.258(%)和0.248(%)。研究表明,利用近红外光谱技术可以快速检测我国主要苹果栽培区土壤的有机质含量和pH值,为土壤施肥提供指导,为果树栽培提供技术支持。     

用近红外光谱分析转基因抗虫棉根际全氮和有机质含量

随着转基因植物的普及推广,人们越来越关心其生态安全性。以转基因棉花及其对照为实验材料,借助于近红外光谱仪对转基因棉花及其对照根际土壤和非根际土壤中的全氮和有机质进行了分析测定,扫描区间为12 000～4 000 cm-1,分辨率为4 cm-1,扫描次数为64次;同时用标准方法进行对比测定。结果显示近红外检测样品的结果与标准方法结果无明显差别,说明通过扫描光谱加上数学和计算机软件分析,非常准确、方便地测定了转基因作物根际土壤中的全氮和有机质。结果显示,转基因棉花根际土壤中的全氮和有机质含量显著高于对照中的含量,分析原因主要可能与转基因抗虫棉向根际土壤分泌毒蛋白所致,毒蛋白会结合在土壤颗粒上,降解较慢,增加了全氮和有机质的含量,有机质又会增加土壤微生物的繁殖,进一步增加了土壤有机质含量。     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

不同土壤类型的有机质含量的可见-近红外光谱检测模型传递方法研究

利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量,但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度,利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机（PSO-LSSVM）校正模型,预测M107B区的23个验证集样品的决定系数R2=0.859,相对分析误差RPD=2.660;将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测,预测R2=0.562,预测RPD=0.952,模型的预测R2和预测RPD分别降低34.6%和64.2%,表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时,预测精度显著降低;将N116B区部分土壤样品加入到M107B区样品集后重新建模,并预测N116B区20个验证集样品的有机质含量,当加入的N116B区土壤样品数量达到35以上,预测R2>0.80,预测RPD>2.0;加入到校正集的N116B区土壤样品数量从0增加到50,模型预测R2从0.562增加到0.811,预测RPD从0.952增加到2.274,精度逐渐提高。结果表明,在M107B区校正模型中加入N116B区部分土壤样品建模,能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度;加入的N116B区土壤样品数量达到50以上,模型预测性能趋于稳定,预测精度达到实用要求,成功将M107B区土壤有机质含量校正模型传递给N116B区土壤;优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模,可有效避免模型传递时模型性能出现突变。提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度,为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法,为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。     

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究。采集浙江省文城地区农田土壤样品近红外光谱数据,土壤样品数为394个。为简化模型,采用遗传算法结合连续投影算法挑选出18个特征波长建模,应用偏最小二乘回归建立有机质预测模型,建模集的决定系数为0.81,均方根预测误差为0.22, 剩余预测偏差为2.31,预测集的决定系数为0.83,均方根预测误差为0.20,剩余预测偏差为2.45。研究发现,遗传算法结合连续投影算法在简化模型同时,模型的预测评价指标同采用全谱波长建模并没有明显降低。因此,遗传算法结合连续投影算法挑选的特征波长可以应用于近红外光谱检测土壤有机质含量。     

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。     

荒漠土壤全磷含量热红外发射率光谱估算研究

土壤磷素为植物提供营养元素,是评价土壤质量的重要参数之一。传统的土壤全磷含量的测定方法不能实现对荒漠土壤养分有效监测,而运用遥感手段能够弥补传统手段的不足。有学者开展了通过近红外光谱来估算土壤全磷含量的研究,但由于土壤磷素近红外吸收系数小、吸收峰不明显等原因,使得土壤磷素估算的模型精度欠佳。为解决荒漠土壤全磷含量近红外光谱估算存在的不足,提高荒漠土壤全磷含量估算的精度,对准噶尔盆地东部荒漠土壤进行采样、化验分析和发射率光谱测量、处理,分析土壤热红外发射率特征,建立多种荒漠土壤全磷含量热红外发射率估算模型。结果表明:在土壤全磷含量高于0.200g·kg-1的条件下,在8.00~13μm波长范围内,热红外发射率随全磷含量的增加而增加,9.00~9.60μm波段范围内土壤热红外发射率对全磷含量最敏感;多元逐步回归建立的估算模型的估算效果差,不能用于荒漠土壤全磷含量热红外发射率的估算,经过偏最小二乘回归建立的估算模型效果优于多元逐步回归建立的模型;偏最小二乘回归建立的连续去除一阶导数模型最优,校正和验证的R2分别达到了0.97和0.82,校正和验证的RMSE仅有0.010 6和0.015 7,RPD为2.62,模型能够极好的对土壤全磷含量进行估算。该研究的成果为荒漠土壤全磷含量定量遥感估算提供有效支撑,通过有效监测荒漠土壤全磷含量的时空动态变化,为区域生态环境的修复提供依据。     

浸入式可见/近红外光谱的雨生红球藻叶绿素含量研究

探讨了采用浸入式可见/近红外光谱技术对雨生红球藻叶绿素含量快速检测的可行性。通过选择最优的预处理方法,比较全波段偏最小二乘回归(PLS)建模和连续投影算法(SPA)提取特征波长后PLS建模的结果,选出最优模型。SPA-PLS模型对叶绿素a与叶绿素b含量预测效果均优于全波段PLS模型,叶绿素a,b的RPD值分别达到2.946 1和1.902 3。表明,光谱在预处理后结合建模算法能够实现叶绿素a,b含量较好的预测,叶绿素a的预测效果要好于叶绿素b。     

东北黑土的光谱特性及其与土壤参数的相关性分析

选取我国东北黑土作为研究对象,研究其光谱特性并分析黑土主要参数与近红外光谱的相关性。通过比较东北黑土和北方潮土光谱特征的差异,显示当水分含量较高时,两种土壤的光谱特性差别不是很明显,当水分含量较低时,受土壤质地的影响,两种土壤的吸光度光谱及微分光谱均有很大差异。土壤水分值和吸收光谱有很大相关系数,土壤全氮与光谱呈现出了一定的相关性,提高土样全氮含量的方差,可以获得高的相关系数;由于黑土中有机质的含量很高,使基于土壤有机质的光谱吸收达到饱和,二者之间呈现较低的相关性。