基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

基于近红外光谱和机器视觉融合技术的板栗缺陷检测

为提高合格和缺陷板栗分级检测识别精度,提出了近红外光谱和机器视觉的多源信息融合技术的板栗缺陷检测方法。试验以湖北京山板栗为试验对象,利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。试验结果表明,3种识别模型对对训练集板栗回判率分别为96.25%、96.67%和97.92%;对测试集板栗的识别率为86.25%、83.75%和90.00%。基于近红外光谱和机器视觉的多源信息融合技术进行板栗分级检测的方法是可行的,融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有显著提高。     

基于多源信息融合技术的马铃薯痂疮病无损检测方法

为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS（dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

不同土壤含水率、体积质量及光谱反射率的关系模型

为了准确、快速地检测湿胀干缩型土壤含水率,该文提出了基于近红外光谱技术的土壤含水率分析方法。该文以湖北省黄棕壤、潮土、水稻土为研究对象,利用美国Ocean Optic公司的NIR256-2.5微型光纤光谱仪在暗室环境下对不同含水率下的土壤样本进行光谱反射率的测定和特征分析,并同时测量相应的土壤体积质量,研究土壤含水率、体积质量、光谱反射率之间的相关关系,通过采用2种土壤含水率表示方法与3种土壤光谱反射率表示方法反映土壤含水率与光谱反射率之间关系的对比试验分析,消除土壤其它性状对土壤反射率反演土壤含水率的影响,得到较适宜地进行土壤光谱反射率反演土壤含水率的匹配表示方法,构建三者之间关系的曲面模型和体积质量变化的土壤体积含水率与土壤光谱反射率的关系指数模型。研究结果表明,构建的3种土壤的曲面回归模型,决定系数均大于0.977,F值均达极显著水平,光谱反射率与体积质量的偏回归系数检验亦达显著或极显著水平。采用指数模型表述1400、1900nm波长处的归一化减土光谱反射率与体积质量变化的土壤体积含水率的关系,其决定系数均在0.9以上,对模型进行验证,其预测误差在0.3左右,精度较高,所建模型拟合效果好。该研究可为用近红外光谱检测体积质量变化的土壤含水率提供科学资料。     

基于近红外光谱的板栗水分检测方法

含水率是影响板栗贮藏、加工的关键指标之一,该文应用近红外光谱技术对板栗含水率进行快速无损检测。试验对240个板栗样本的带壳光谱和栗仁板栗光谱采用SPXY算法进行样本集划分,利用偏最小二乘法建立含水率定量检测模型,并对微分、多元散射校正、变量标准化等多种预处理方法对建模结果的影响进行比较。结果表明：栗仁和带壳板栗的光谱经一阶微分预处理后所建模型性能最佳,其中栗仁的水分检测模型校正集和验证集的相关系数分别为0.9359和0.8473,校正均方根误差为1.44%,验证均方根误差为1.83%;带壳板栗光谱所建模型校正集和验证集的相关系数分别为0.8270和0.7655,校正均方根误差为2.27%,验证均方根误差为2.35%。受栗壳的影响,带壳板栗光谱模型对含水率的预测精度低于栗仁光谱模型的预测精度。研究表明,近红外光谱分析技术可用于板栗含水率的快速无损检测。     

基于嗅觉可视化和近红外光谱融合技术的海鲈鱼新鲜度评价

为了实现鱼类新鲜度的快速无损检测,该研究尝试利用嗅觉可视化与近红外光谱融合技术对鱼的挥发性盐基氮含量进行预测,从而评价其新鲜度。试验对象选用海鲈鱼,4℃冷藏待测。用主成分分析法对从可视化传感器阵列提取到的特征变量进行降维,用遗传算法结合偏最小二乘法对预处理后的近红外光谱特征变量进行筛选,将降维和筛选后的变量进行特征层融合。用支持向量回归算法分别建立基于嗅觉可视化、近红外光谱和多传感器信息融合技术的挥发性盐基氮含量预测模型。基于嗅觉可视化技术的模型的预测集决定系数R2 p为0.757,均方根误差RMSEP为6.755 mg/100g;基于近红外光谱技术的模型的决定系数R2 p为0.787,均方根误差RMSEP为6.186 mg/100g;而融合模型的决定系数R2 p为0.882,均方根误差RMSEP为4.585 mg/100g,与前两个模型相比,预测更准确。研究结果表明,利用嗅觉可视化和近红外光谱融合技术评价海鲈鱼新鲜度是可行的。     

基于近红外光谱分析的土壤分层氮素含量预测

准确、快速地估测土壤中的氮素含量是推动配方施肥顺利开展的保障。该研究在不同区域随机选取了30个点位,每个点位分别取其表土层(0~30 cm)、心土层(30~48 cm)以及底土层(48~60 cm)3个部位进行取样,利用傅里叶型光谱分析仪MATRIX_I测量了土壤样本在近红外区域的吸收光谱,并使用实验室手段测量了土壤样本的水分及氮素含量。分析了不同层次土壤样本的吸收光谱特性,以及土壤水分、氮素不同层次的变化规律。同时对原始光谱吸收率进行一阶微分处理,而后利用微分光谱与土壤全氮含量进行相关性分析,选取反应土壤全氮含量的敏感波段1 387、1 496、1 738、1 876、2 120以及2 316 nm。利用所得敏感波段与土壤氮素含量分别建立多元线性回归模型,BP神经网络预测模型以及基于遗传算法优化的BP神经网络建模。结果显示,基于遗传算法优化的BP神经网络建模,其决定系数为0.883,均方根误差为0.0278 mg/kg。表土层土壤的预测验证结果决定系数为0.716,均方根误差为0.031 mg/kg;心土层土壤的预测验证结果决定系数为0.801,均方根误差为0.030 mg/kg;底土层土壤的预测验证结果决定系数为0.667,均方根误差为0.033 mg/kg。无论是建模精度还是模型在土壤各个层次的预测精度相比于多元线性回归模型和BP神经网络模型相比都有了显著的提高,说明该方法在土壤全氮含量预测过程中具有明显的优势,可应用于实际生产。     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

基于1D-CNN的土壤全氮近红外光谱预测模型

摘要：【目的】传统的基于近红外光谱数据预测土壤全氮的方法需要对原始光谱数据做复杂的预处理，筛选出与土壤全氮含量相关性高的敏感波长之后进行模型的回归拟合。本文提出一种一维卷积神经网络（1D-CNN）模型，可以在对数据进行简单预处理甚至无处理的情况下达到非常理想的结果，实现用近红外光谱技术对土壤全氮含量的预测。【方法】于江苏无锡采集410个土壤样品，利用半微量开氏法(NY/T 53-1987)测定土壤的全氮含量，并利用NIR Quest 512光谱仪，在室内环境下对每份土壤样品做光谱检测，并用均值中心化(CT)、标准正态变换(SNV)、趋势校正(DT)对光谱进行预处理，运用偏最小二乘回归（PLS）、BP神经网络、1D-CNN方法建立土壤全氮含量的回归预测模型。每种模型在采用不同预处理方法的数据集上做十折交叉验证，记录预测模型的决定系数(R2)和均方根误差(RMSE)的平均值，并对比三种预处理方法对模型精度的影响。【结果】证明了本文提出的1D-CNN模型基于土壤近红外光谱数据预测土壤全氮含量的可靠性。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的决定系数分别为0.907、0.931、0.922、0.964，构建的PLS回归模型决定系数为0.856、0.863、0.861、0.880，训练的BP神经网络的决定系数为0.874、0.907、0.901、0.911。【结论】本文提出的1D-CNN模型在原始数据和经预处理的光谱数据上的表现都优于PLS和BP神经网络，且可以证明，对光谱数据进行预处理能够有效提高1D-CNN模型的性能，尤其是趋势校正对模型的提升效果最明显。研究表明，1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系，有效地避免过拟合，在未经过预处理的光谱数据上依然能够达到一定的精度。     

应用田间行走式红外光谱进行土壤碳含量估测研究

对应用田间行走式设备获取的土壤红外光谱数据,通过特征变换和特征选择相结合,以提高所建立土壤碳校正模型的预测精度。首先应用独立成分分析（ICA）、主成分分析(PCA)和小波分析(WA)对土壤红外光谱数据进行特征变换,然后分别应用无信息变量消除法(UVE)、连续投影算法(SPA)、无信息变量消除结合连续投影算法(UVE-SPA)、基于遗传算法和偏最小二乘法的变量选择法(GA-PLS)来进行特征选择,基于所选择的特征建立了土壤碳校正模型。结果表明,通过ICA进行特征变换,然后进行特征选择,可以建立比直接对光谱数据进行波长选择精度更好的预测模型;而WA或PCA与特征选择方法结合,只能获得与对光谱数据直接进行波长选择相近的效果。因此,针对田间条件下通过行走式设备获得的光谱数据由于受复杂的环境条件下干扰多的情况,可以将ICA与特征选择方法结合起来对光谱数据进行特征变换和选择,以建立更可靠的土壤碳含量预测模型。     

近红外光谱法在土壤有机质研究中的应用

近红外光谱技术(Near Infrared Reflectance Spectroscopy,NIRS)具有快速、低成本、无损等优点。目前利用NIRS获取土壤信息已成为国内外学者研究的重点,但是在我国利用NIRS对土壤成分进行定量分析才刚刚起步。本文简要介绍了近红外光谱分析的基本原理、模型的建立及评价,详细论述了该技术在预测土壤有机质及其组分方面的应用,并对NIRS在我国土壤有机质定量研究方面的应用前景进行了展望。     

基于近红外光谱分析的土壤全氮含量估测研究

应用近红外光谱分析技术对比研究基于土壤风干样本和鲜样来预测全氮含量的可行性。选取水稻土为研究对象,首先分析了不同水分土壤的光谱特征,显示随水分含量增加,吸光度升高,且鲜样的吸光度高于干样。通过比较不同预处理方法,对土壤干鲜样分别采用逐步多元回归(SMLR)和偏最小二乘法(PLSR)建立了相应的近红外模型。结果表明,利用近红外光谱均可预测干鲜土壤样本的全氮含量,特别是利用偏最小二乘法建立的标定模型,预测精度高,反演性较好,鲜样和干样外部验证决定系数分别达到0.89和0.91,相对误差仅为6.92%和5.92%,研究结果可以为田间土壤全氮含量的估测提供技术依据和参考。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

封丘地区土壤水分扩散率的研究

本文研究了河南封丘地区代表性土壤的水分扩散率,结果表明:封丘地区3个土壤亚类的水分扩散率变化于1. 0×10-3 ~1. 5×10cm2 min-1之间;土壤水分扩散率存在着空间上的变异性,随土壤剖面深度增加而呈现出表土层高、中间土层低、底土层又升高的趋势;各土层土壤水分扩散率与土壤含水量呈指数函数变化关系,经统计分析均达到极显著水平;土壤容重、孔隙度及孔隙类型、土壤有机质含量和土壤粘粒含量均对土壤水分扩散率有不同程度的影响,而土壤全盐含量对其影响不大。     

Near-infrared diffuse reflectance spectroscopy for the analysis of poultry manures

The objective was to evaluate near-infrared diffuse reflectance spectroscopy (NIRS) for determining the composition of poultry manures. Poultry manure samples were obtained from a commercial testing laboratory along with conventionally determined analyte values for total N, NH(4)(+)-N, organic N (computed as total minus NH(4)(+)-N), minerals, and moisture. Samples were blended in a food blender and scanned in polyethylene bags on a FOSS-NIRSystems model 6500 scanning monochromator. Initial results indicated that changes had occurred in NH(4)(+)-N contents from the time of analysis, and samples were reanalyzed for NH(4)(+)-N. Using the new analyses, NIRS was able to accurately determine NH(4)(+)-N, organic N, total N, and moisture in 128 poultry manures. Results were more accurate when determinations were made on an "as is" as opposed to dry matter basis. Finally, results indicated that NIRS was not suitable for the determination of minerals (P, K, Ca, etc.) in poultry manures.     

典型峰丛洼地坡面土壤水分动态变化的时序分析

采用时间序列分析方法，分析了2004年5～9月广西环江典型峰丛洼地坡面上6种土地覆被类型10，20cm土壤水势与降水动态变化的相关关系。结果表明：（1）灌丛与板栗覆草土壤中的水分较充裕，其含量受天气的波动变化较小，对降水的影响具有缓效性、长期性的特点；（2）坡耕地中水分含量较低，随降雨的波动变化剧烈，但南瓜的地上植株部分对土壤水分的调节保持有积极作用；（3）撂荒草地与木豆土壤水分含量的层间差异都较显著，对降水响应的即时性也强，但撂荒地20cm土层对降水的响应期长些，能保证短时间内向10cm土层的水分补给；（4）处于幼龄期的板栗，土壤水分变化反映的是仅受天气影响下的自然裸露坡地的状况，变化介于灌丛、板栗覆草和撂荒草地、木豆之间。     

AMSR-E遥感土壤湿度产品在青藏高原地区的适用性

卫星遥感土壤湿度产品有广泛的应用前景,但其精度已引起学术界的高度关注。针对被动微波遥感反演土壤湿度的准确性问题,该文对比分析了3种国际上比较广泛关注的高级微波扫描辐射计/地球观测系统(AMSR-E/EOS)土壤湿度产品(JAXA,NASA及VUA)。首先,利用试验观测数据评价了3种土壤湿度产品的精度,分析了不同植被覆盖和降水对被动微波遥感反演土壤湿度精度的影响。结果表明:在平坦裸露地表,被动微波遥感反演土壤湿度具有较高精度,卫星降轨数据估算土壤湿度与实测值相关系数大于0.7,均方根误差小于0.16,但在高密度植被区域误差较大,相关系数小于0.7,均方根误差最大可达到0.2。然后,分析了降水发生时刻土壤湿度产品的精度,结果表明:3种产品精度均有不同程度下降,但NASA产品的相关系数仍然能够达到0.69。在此基础上,基于青藏高原土壤湿度观测网,制作了青藏高原地区土壤湿度时空分布图,对比了3种产品对青藏高原地区土壤湿度时空分布特征描述的准确性,分析了其适应性,发现NASA与VUA产品在空间分布上符合青藏高原地区土壤湿度的空间分布特征,但在土壤湿度值的变化范围上仍均存在较大误差,在具体的应用中,可以利用实测数据对产品进行线性回归校正,以消除系统性误差。该研究可为基于AMSR-E土壤湿度产品的应用与研究提供参考。