灌溉水中悬浮固体对土壤水分入渗性能的影响

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。     

蚁群算法在土壤质地高光谱预测建模中的应用

为提高土壤质地高光谱预测模型精度,以巢湖流域177个土样光谱为基础数据源,运用蚁群算法选择特征波长,结合BP神经网络构建土壤质地光谱预测模型,并与全光谱构建的光谱预测模型进行比较。结果表明,运用蚁群算法选择特征波长构建的光谱预测模型精度优于全光谱构建的预测模型精度,土壤粉粒含量预测模型预测集决定系数R2为0.76,RPIQ为2.23,土壤砂粒含量预测模型预测集决定系数R2为0.72,RPIQ为1.94;全光谱土壤粉粒含量预测模型预测集R2为0.57,RPIQ为1.75,全光谱土壤砂粒含量预测模型预测集R2为0.48,RPIQ为1.82。运用蚁群算法选择光谱特征波长建模,减少了数据冗余,提高了预测模型精度。     

哈尔滨市辖区黑土速效养分空间异质性分析

研究在哈尔滨市所辖黑土区的6个市县进行,共采集表层(0～20cm)黑土土样411个,测定了全部样点的有机质、全氮的养分含量,同时测定了部分样点的碱解氮、速效磷、速效钾的养分含量,利用地统计学中协同克立格分析方法并结合经典统计学和GIS技术分析碱解氮、有效磷、速效钾养分空间异质性。分析表明有效磷空间分布符合指数模型,碱解氮、速效钾符合高斯模型,其块金值与基台值之比分别为50.0%、39.7%、6.3%,有效磷和碱解氮为中等程度空间相关水平,速效钾为强度空间相关水平;与克里格对比,应用协克里格插值绘制的三种速效养分空间分布图精度显著提高,为协克里格方法在土壤养分空间异质性分析上的应用提供了实践依据。     

紫色土丘陵地区农田土壤养分空间分布预测

为深入研究紫色土丘陵区农田土壤养分空间分布规律,在GIS技术的支持下,利用研究区450个土壤实测数据,结合地形因子和土地利用类型,运用多重线性回归构建了土壤养分预测模型,对养分的空间分布进行预测。结果表明,土壤有机质和碱解氮含量与地形因子之间的相关性较强,有效磷和速效钾含量与地形因子之间的相关性较弱。土壤水田和旱地中有机质、碱解氮和有效磷含量均值间的差异显著(P<0.01),速效钾之间不显著(P=0.34)。基于地形因子的土壤养分预测模型与基于地形因子和土地利用方式组合的土壤养分预测模型预测结果精度对比表明,在预测变量中增加土地利用类型对提高预测模型的拟合度和预测精度作用非常微小,且仅用地形因子预测土壤养分的空间分布更方便,因此选用该模型对验证集数据进行预测。以验证集数据进行预测结果与实测值进行比较,结果显示预测值与实测值之间的差异甚小,有机质、碱解氮、有效磷和速效钾的相对偏差分别为0.09、0.19、0.08和0.12,均方根误差分别为1.38、3.42、1.03和1.57,说明基于地形因子的土壤养分预测模型的精度较高,可以很好地预测土壤养分分布规律。该研究结果可为丘陵地区农田合理施肥提供理论依据。     

光谱变换方法对黑土养分含量高光谱遥感反演精度的影响

高光谱遥感反演黑土养分含量时,光谱变换方法对提取精度具有显著影响,为明确二者响应关系,提高反演精度和稳定度,该文以黑龙江建三江地区为研究区,引入航空高光谱成像系统CASI-1500,获取380～1 050 nm数据进行分析。均匀采样60个样品,化验获得其有机质、全氮、全磷和全钾含量数据,利用神经网络方法对有机质含量、支持向量机对氮、磷、钾含量进行建模。对比研究了重采样（RE）、对数倒数（LR）、一阶微分（FD）、包络线去除（CR）和多元散射校正（MSC）变换5种光谱变换后的提取精度。结果表明：MSC、MSC、LR和RE光谱变换方法分别应用到有机质、氮、磷和钾特征波段的组合运算中,得出黑土养分含量的空间分布精度相对最高,预测样本的决定系数分别为0.748、0.673、0.631和0.420。     

大兴安岭旱作丘陵区耕地肥力演变研究

以全国第二次土壤普查资料为主要数据源,结合实地取样测定,比较分析了大兴安岭东南麓旱作丘陵区1981～2007年期间土壤肥力演变状况。结果表明,二十多年间耕地土壤养分含量发生明显变化。主要表现为:土壤有机质、全氮、碱解氮和速效钾含量明显下降,速效磷含量增加,但不同土壤类型的变化幅度不同;草甸土的有机质和全氮含量下降幅度大于暗棕壤和黑土,碱解氮含量在黑土中的下降幅度较大,暗棕壤次之,草甸土较低;暗棕壤中有效磷增加的幅度大于黑土和草甸土;速效钾在暗棕壤中下降的幅度最大,在黑土中下降的幅度最小;该区土壤中富含交换性钙、交换性镁、有效硫、有效硅等中量元素和锌、铜、铁和锰等微量元素;现有耕地约有87.2%的土壤缺硼,78.2%的土壤缺钼。     

近30年来典型黑土肥力和生产力演变特征

【目的】 东北黑土区是我国粮食生产优势区和最重要的商品粮供应基地,明确黑土肥力现状及演变规律对黑土区耕地质量建设和粮食安全生产有重要意义。本研究拟以13个国家级黑土长期定位试验监测点为平台,对20世纪80年代以来近30年的黑土肥力和生产力水平进行分析,以期探明我国黑土肥力和生产力的演变特征,为黑土耕地质量管理和培肥提供科学依据和指导。 【方法】 利用时间趋势分析和平均值及中值分析的方法对近30年黑土常规施肥下土壤养分和作物产量的变化趋势进行了分析,分别总结了黑土有机质 (SOM)、全氮、有效磷、速效钾、pH以及玉米产量在不同监测时期的演变特征和总体变化趋势;运用主成分分析和相关分析分别对上述5个肥力因子和作物产量进行分析,得出黑土土壤肥力的主要贡献因子和影响黑土作物产量的主要肥力因子。 【结果】 与初始监测阶段相比,黑土有机质、全氮、有效磷和速效钾含量均有提高,土壤速效养分含量增幅明显,2012—2016年黑土有效磷含量平均值为37.73 mg/kg,较监测初期的平均值 (17.38 mg/kg) 显著提高了117.1%;土壤速效钾含量也显著升高,2012—2016年速效钾的平均含量 (224.31 mg/kg) 较监测初期 (171.50 mg/kg) 提高44.9%。黑土的pH值呈现下降趋势,经过近30年长期施肥,黑土的pH值下降了0.59个单位。主成分分析结果表明,黑土土壤肥力整体增加的两个决定因子是土壤速效钾和有效磷,主要障碍因素是较低的土壤全氮和有机质含量。相关分析结果表明,影响玉米产量的主要肥力因子是土壤有机质和全氮含量。 【结论】 在农民习惯施肥管理模式下,近30年黑土肥力和生产力水平整体提高,但持续提升肥力后效不足,同时土壤pH值降低,存在酸化的风险;黑土肥力提升的主要障碍因子是土壤全氮和有机质含量,所以黑土耕地培肥应该在平衡配施氮磷钾肥的基础上增加有机物料投入。      

黄土高原苹果园土壤和叶片养分状况分析——以陕西省黄陵县为例

为了解黄土高原苹果园肥力状况,在大量调查研究的基础上,结合GIS采集苹果主产区黄陵县的304个苹果园的土壤和叶片样品,测定分析土壤有机质、全氮、速效氮、p H、速效磷、速效钾、CEC及有效铁、锰、铜、锌的含量和叶片全氮、全磷、全钾及微量元素的含量,并根据土壤和叶片相应的评价标准对其进行丰缺评价。结果表明:该地区土壤有机质含量很低,72%的果园未达到绿色食品土壤肥力指标的正常值含量;土壤和叶片氮含量较低,磷和钾含量较高,其需肥顺序为氮钾磷;该地区微量元素含量较低,在以后的生产中需多施微肥。通过对土壤养分进行相关性分析,得知土壤有机质含量的提升有利于土壤中大量元素的有效养分增加。从土壤和叶片养分间的相关性分析得知,仅土壤钾和叶片钾呈负相关,而其余元素全部呈正相关,由此得出通过提升土壤中某元素的含量可以使得叶片中相应元素含量相应增加,而元素钾无此效应。     

可见-近红外与中红外光谱预测土壤养分的比较研究

对土壤养分的快速和准确测定有助于适时指导施肥。为进一步研究可见-近红外（350～2500 nm）与中红外光谱（4000～650 cm-1）对土壤养分的预测能力,以贵州省500个土样为例,对光谱进行Savitzky-Golay（SG）平滑去噪处理,再用标准正态化（SNV）方法进行基线校正,然后分别应用偏最小二乘回归（PLSR）和支持向量机（SVM）两种方法进行建模,探讨了可见-近红外和中红外光谱对土壤全氮（TN）、全磷（TP）、全钾（TK）和碱解氮（AN）、有效磷（AP）、速效钾（AK）共六种土壤养分的预测效果。结果表明：（1）无论基于可见-近红外光谱还是中红外光谱,PLSR模型的预测精度整体均优于SVM模型。（2）中红外光谱对TN、TK和AN的预测精度均显著高于可见-近红外光谱,可见-近红外和中红外光谱均可以可靠地预测TN和TK（性能与四分位间隔距离的比率（RPIQ）大于2.10）,中红外光谱可相对较可靠地预测AN（RPIQ=1.87）;但两类光谱对TP、AP和AK的预测效果均较差（RPIQ<1.34）。（3）当变量投影重要性得分（VIP）大于1.5时,PLSR模型在中红外光谱区域预测TN和TK的重要波段多于可见-近红外光谱区域,TN的重要波段主要集中于可见-近红外光谱区域的1910和2207 nm附近,中红外光谱区域的1 120、1 000、960、910、770和668 cm-1附近;TK的重要波段主要集中于可见-近红外光谱区域的540、2176、2225和2268 nm附近,中红外光谱区域的1 040、960、910、776、720和668 cm-1附近。因此,中红外光谱技术结合PLSR模型对土壤养分预测效果较好,可快速准确预测土壤TN和TK,可为指导适时施肥提供技术支撑。     

东北平原典型农业县农田土壤养分空间分布影响因素分析

结合常规统计方法与GIS空间分析方法，定量研究了东北平原典型农业县——吉林省德惠市土壤有机质、全氮、速效磷和速效钾空间分布的主要影响因素。研究表明，不同高程的土壤养分含量不存在显著差异；不同坡度的土壤有机质和全氮存在显著差异，坡度相对较大的地区由于受到土壤水蚀的影响导致有机质和全氮含量有所降低，而坡度因素对土壤速效磷和速效钾含量的影响并不显著；土壤类型和土地利用方式都对土壤养分的空间变异存在明显的影响。对4种土壤养分的分布进行空间插值，结果表明，以中部饮马河为分界线，饮马河以东土壤有机质、全氮、速效钾含量较西部为低，而速效磷空间分布的随机性较强。     

艾比湖流域不同土地覆盖类型土壤养分 高光谱反演模型研究

土壤养分影响着土壤的质量,也影响着植被、农作物等的生长。为快速准确地估测艾比湖流域土壤养分状况,选择艾比湖流域精河县作为研究区,以精河县内不同地表覆盖类型土壤为研究对象,基于实地采集的75个土壤样品的室内ASD Field Spec3实测光谱数据和3种光谱变换形式,利用10 nm间隔重采样进行去噪处理,再结合多元逐步回归法(SMLR)、偏最小二乘法回归法(PLSR)、人工神经网络法(ANN)分别建立土壤养分预测模型,以探索最优模型。结果表明:土壤实测光谱的一阶微分、二阶微分变换形式能显著提高光谱与土壤养分之间的相关性,尤其是一阶微分变换与土壤有机质和全氮的相关性最高分别达0.87和0.91,光谱变换技术能显著增强土壤养分与高光谱之间的敏感度,达到更好的建模效果;SMLR、PLSR和ANN这3种模型都具有良好的预测能力,其中,ANN建立的模型预测效果最好,二阶微分变换的ANN模型对有机质、全氮的预测决定系数(R2)分别为0.886和0.984,均方根误差(RMSE)分别为2.614和0.147,PLSR次之;全氮的预测效果明显优于有机质的预测效果,说明高光谱和全氮之间的敏感性更高。总体来说,光谱二阶微分变换形式的人工神经网络模型可以最精确稳定地完成土壤养分含量的快速预测,能够实现艾比湖流域的土壤养分空间分布状况和动态变化特征的动态监测。     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

基于野外实测Vis-NIR光谱的土壤肥力估算研究

为探讨野外实测光谱数据对土壤肥力的估算能力,采集青海省湟水流域表层0 ~ 20 cm土壤样品220份,同步测量其采样位置的野外实测光谱数据,实验室对土壤养分、机械组成含量以及pH值进行分析。基于上述数据,对野外实测光谱反射率进行多元散射校正（Multiplicative scatter correction,MSC）、SG-一阶导数变换（SG - First Derivative,SG-1st）预处理,采用稳定性竞争自适应重加权采样法（stability competitive adaptive reweighted sampling,SCARS）提取不同土壤养分、机械组成含量以及pH值的特征波段,以偏最小二乘回归（partial least squares regression,PLSR）模型对土壤全碳（TC）、有机质（OM）、全氮（TN）、碱解氮（AN）、pH、黏粒（clay）、粉粒（silt）、砂粒（sand）含量进行估算并对比分析,构建土壤养分含量、pH值以及机械组成含量的最优野外实测光谱估算模型。结果表明:通过MSC校正和SG-1st变换能够有效增强野外光谱特征;经SCARS选取的特征波段主要集中于近红外波段。基于野外实测光谱数据建立的PLSR模型能够对研究区土壤TC、OM、TN、AN含量以及pH值进行粗略估算;其中,对于TC、OM、TN含量及pH值而言,最佳估算模型为经SG-1st处理后的SCARS-PLSR模型,RPD值均达到1.70以上（RPD_TC = 1.76; RPD_OM = 1.82;RPD_TN = 2.04;RPD_pH = 1.89）,RPIQ值均达到1.90以上（RPIQ_TC = 1.91;RPIQ_OM = 2.53;RPIQ_TN = 2.98;RPIQ_pH = 2.03）;对于土壤AN含量而言,经MSC处理后的SCARS-PLSR模型最佳,其RPD_AN值高达1.91,RPIQ值高达2.39。对土壤clay、silt以及sand含量野外光谱均无法估算,RPD值均在1.00左右,RPIQ值在1.20左右。     

Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis–NIR spectral library

We need to determine the best use of soil vis–NIR spectral libraries that are being developed at regional, national and global scales to predict soil properties from new spectral readings. To reduce the complexity of a calibration dataset derived from the Chinese vis–NIR soil spectral library (CSSL), we tested a local regression method that combined geographical sub‐setting with a local partial least squares regression (local‐PLSR) that uses a limited number of similar vis–NIR spectra (k‐nearest neighbours). The central idea of the local regression, and of other local statistical approaches, is to derive a local prediction model by identifying samples in the calibration dataset that are similar, in spectral variable space, to the samples used for prediction. Here, to derive our local regressions we used Euclidean distance in spectral space between the calibration dataset and prediction samples, and we also used soil geographical zoning to account for similarities in soil‐forming conditions. We tested this approach with the CSSL, which comprised 2732 soil samples collected from 20 provinces in the People's Republic of China to predict soil organic matter (SOM). Results showed that the prediction accuracy of our spatially constrained local‐PLSR method (R² = 0.74, RPIQ = 2.6) was better than that from local‐PLSR (R² = 0.69, RPIQ = 2.3) and PLSR alone (R² = 0.50, RPIQ = 1.5). The coupling of a local‐PLSR regression with soil geographical zoning can improve the accuracy of local SOM predictions using large, complex soil spectral libraries. The approach might be embedded into vis–NIR sensors for laboratory analysis or field estimation.     

含水率对土壤有机质含量高光谱估算的影响

土壤含水率对有机质(soil organic matter,SOM)含量高光谱估算精度有很大的影响。为了探讨SOM高光谱估算中土壤含水率的影响,该文对烘干土、风干土和质量含水率为5%~40%(按5%递增)的土壤样本进行了室内高光谱测量,对光谱数据进行了反射率、反射率一阶导数和反射率倒数对数3种光谱数据变换,运用偏最小二乘回归法(partial least squares regression,PLSR)建立了相应的SOM估算模型。结果表明,风干土的SOM高光谱估算精度较好;当含水率水平小于25%时,SOM估算模型精度受含水率的影响较大,光谱数据进行反射率倒数对数变换后的模型精度最高;当含水率水平大于等于25%时,水分对土壤光谱反射率的影响要大于SOM,不适宜利用土壤光谱数据进行SOM含量高光谱估算。该研究可为大田环境不同含水率情况下光谱估算SOM提供参考。     

基于玉米叶片光谱特征的土壤无机氮含量估算模型的建立与验证

  【目的】  作物叶片颜色反映土壤养分的供应状况。研究作物叶片氮素相关的特征光谱信息与土壤无机氮含量的关系，以建立基于叶片光谱信息的土壤无机氮含量诊断模型，实现利用高光谱技术对作物和土壤进行实时监测。  【方法】  在两年(2017—2018) 的玉米 (郑单958) 田间试验中，设置6个施氮水平，施氮量分别为0、60、120、180、240、300 kg/hm2。在玉米的拔节期、大喇叭口期、开花吐丝期、灌浆期测定叶片高光谱反射率，对植株和土壤样品进行采集，分析土壤无机氮含量的变化，明确叶片光谱反射率与土壤无机氮含量的关系，利用光谱参数和偏最小二乘回归法 (partial least squares regression，PLSR) 建立诊断模型并进行模型精度的评价。  【结果】  施氮处理土壤无机氮含量显著高于不施氮处理，随着生育期的推移，土壤无机氮含量呈递减趋势，追肥可显著提高土壤无机氮含量。拔节期和开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光波段呈负相关关系，在近红外波段呈正相关关系；大喇叭口期两者在可见光波段呈负相关关系，灌浆期两者无明显相关关系。在光谱参数模型中，4个生育期土壤无机氮含量预测的最佳光谱指数分别为RVI-2、RSI (534，726)、RSI (567，519) 和RVI-2，其回归模型验证集的R2分别为0.642、0.749、0.696、0.540。在PLSR预测模型中，利用PLSR建立的诊断模型验证集的R2分别为0.876、0.838、0.765、0.595，RPD (ratio of percent deviation) 分别为2.140、2.077、2.002、1.369。  【结论】  基于叶片光谱反射率建立的PLSR估算模型，在玉米的拔节期、大喇叭口期、开花吐丝期均能很好地预测土壤无机氮含量。因此，利用叶片光谱特征诊断土壤无机氮含量具有一定的可行性。