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。     

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。     

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786 nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示：归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。     

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。     

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。     

基于Encoder-CNN的土壤氮含量光谱预测模型研究

基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈.鉴于特征提取及非线性表达能力方面的优势,深度学习模型具有较强的泛化能力.提出一种融合自动编码器和卷积神经网络(En-coder-CNN)的土壤氮含量光谱预测模型,探索模型结构和参数对模型性能的影响.根据以往研究成果和相关性分析,获得180个与氮含量强相关的波...     

基于不同物候期苹果树叶片光谱特征预测果实糖度

苹果糖度是评价苹果品质的重要指标.通过分析苹果开花期、新梢生长期、萌芽开花坐果期、新梢旺长期、花芽分化期和落叶期等6个重要的生理物候期果树叶片的光谱特征,并与最终采集到的对应位置的果实糖度信息进行二维相关运算,获得了果树叶片光谱信息中反映果实糖度的敏感谱段,构建了糖度敏感光谱,通过引入计算获得的不同物候期糖度贡献权重,最终构建了带权糖度敏感光谱,并基于该光谱进行了糖度预测.通过对不同物候期的二维相关分析获得了果实糖度敏感谱段(530 ～570 nm和700 ～ 720 nm),经过主成分分析分别获得了不同生理物候期的果叶光谱主成分,利用不同物候期的主成分进行了果实糖度回归分析,量化了某单一时期果树生长对果实糖度的贡献比例,并获得了光合作用强度变化等重要信息.利用各物候期的糖度贡献权重对原始果叶糖度敏感光谱进行变换,最终获得带权果叶糖度敏感光谱,并基于该光谱进行了果实糖度预测.分别建立了基于主成分分析的多元线性回归模型以及基于参数优化的支持向量机回归预测模型,结果显示,利用参数优化的支持向量机回归模型获得了较高的糖度预测精度.其测定系数Rc2为0.9202,RMSEC=0.3892 Brix,预测Rv2达到0.9443,均方根误差是0.5246 Brix.利用不同物候期果叶光谱预测苹果糖度的研究结果进一步揭示了果实糖度的积累过程.     

基于近红外漫反射测量的便携式土壤有机质测定仪的开发

开发了一款基于近红外漫反射测量的便携式土壤有机质测定仪。测定仪主要由光学单元和电路单元组成。光学单元包括光源、入射和反射光信号传导光纤、光电转换器件等。电路单元包括光源驱动电路,放大电路、A/D转换电路、液晶显示和U盘存储电路等。工作时探头部分插入土壤形成密闭空间,光源发出的光通过入射光纤传送到探头的顶端,并照射顶端周围的土壤;来自土壤的漫反射光沿反射光纤被传送到光电转换器件,产生的电流再被送至电路单元进行放大、滤波、A/D转换、显示和存储。分别针对自然土样和烘干土样的性能试验结果表明,反射率和SOM含量之间具有很高的相关性,在土壤有机质实际含量大于2%时,平均相对误差率低于5%。开发的仪器能够满足农业生产需要。     

基于光谱技术的土壤有机质快速测定仪的开发

在理论分析的基础上设计开发了一套基于光谱技术的土壤有机质测定仪。测定仪由光学部分和电路部分组成。光学部分包括光源、传导光纤、检测室、样品盒、滤光片以及光电传感器等元器件,主要作用是：把光源的光导入土样表面、收集土壤表面的反射光、滤光、将光信号转换为电信号;电路部分包括放大电路,AD转换电路,液晶显示电路和U盘存储电路。选取三种滤光片对仪器进行了标定实验,三种滤光片的中心波长分别是530 , 765和850 nm,被测土样有烘干土样和风干土样。试验结果表明：当滤光片中心波长为850 nm时烘干土样获得最高测量精度(r2=0.930),在此条件下风干土样预测模型的决定系数为r2=0.711,虽然受水分的影响精度有所降低,但仍可满足田间快速测试的要求。