北京典型耕作土壤养分的近红外光谱分析

为研究土壤养分含量分布信息,以从北京郊区一块试验田采集的72个土壤样品为试验材料,应用傅里叶变换近红外光谱技术分析了土样的全氮、全钾、有机质养分含量和pH值。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。结果表明,利用该模型与光谱数据对土壤全氮、全钾、有机质养分含量和pH值进行预测,结果与实测数据具有较好的一致性,最高决定系数R2达到0.9544。偏最小二乘回归方法建立的养分预测模型能准确地对北京地区褐土土质全氮、有机质、全钾和pH值4种养分进行预测。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

土壤入渗积水时间预测模型研究

在室内进行了8种均质土壤入渗积水时间的测定试验。采用不同的变量组合形式、利用数理统计原理对土壤入渗积水时间进行预测。结果表明:(1)用土壤干容重、初始含水量、土壤砂粒、黏粒含量、供水强度等常规土壤物理参数预测入渗积水时间是可行的。(2)多元线性预测模型和多元非线性预测模型的预测精度结果基本相同,只是所得的模型参数不同,多元线性预测模型更简单。(3)在同一预测模型下,考虑的因素越多,预测模型的预测精度相对越高。     

基于REML的普通克里格和回归克里格在土壤属性空间预测中的比较

比较普通克里格与回归克里格预测精度的研究还存在着不同观点和结论,且现有的对比研究多使用矩量法(Mo M)计算变异函数。有限最大似然(REML)方法相比Mo M方法具有明显的优点,因而有必要使用REML方法来比较普通克里格与回归克里格的预测精度,为土壤属性空间预测提供方法优选的参考依据。本文在广西南宁高峰林场采集土壤样品,测定有机碳、pH和粘粒含量,再基于REML建立普通克里格和回归克里格模型,同时比较普通克里格、回归克里格以及多元线性回归的预测精度,并分析影响预测精度的因素。结果表明:空间相关性较弱且线性回归模型的决定系数较大时(约大于20%),回归克里格优于普通克里格;相反地,空间相关性较强或较弱且线性回归模型的决定系数较小时(约小于10%),普通克里格预测精度优于回归克里格。同时,线性回归模型的决定系数还影响普通克里格与回归克里格的精度提高的幅度。此外,回归克里格的精度一般不低于多元线性回归,且线性回归模型的决定系数越小,则回归克里格越优于多元线性回归。因此,本研究认为,线性回归模型的决定系数和土壤属性的空间相关性是影响普通克里格与回归克里格精度差异的主要因素。     

基于BP神经网络的土壤水力学参数预测

为了获取区域土壤水分和溶质运移模拟所需的土壤水力学参数,利用黄淮海平原曲周县的试验资料建立基于BP神经网络的土壤转换函数模型。本文采用土壤粒径分布、容重、有机质含量等土壤基本理化性质,来预测土壤饱和导水率Ks、饱和含水量sθ、残余含水量θr、以及van Genuchten公式参数α、n的对数形式ln(α)和ln(n),并与多元线性逐步回归方法进行比较。t检验结果表明,BP神经网络训练和预测得到的模拟值与实测值之间吻合很好,该方法具有较高的预测精度。通过对平均相对误差的比较,得出在粒径分布的基础上增加容重、有机质含量等输入项目,可以提高部分土壤水力学参数的预测精度,而有些参数的预测精度反而降低。以误差平方和为标准的比较结果表明,BP神经网络模型的预测效果总的来看要优于多元线性回归法。     

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。     

近红外光谱和机器视觉信息融合的土壤含水率检测

为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。     

基于电磁感应仪的土壤盐渍化剖面特征解译研究

为了快速、精准解译区域尺度土壤盐分特征,有必要建立土壤剖面盐分信息精确解译模型。以新疆农灌区不同土壤质地的盐渍化土壤为研究对象,利用电磁感应式大地电导率仪EM38获取土壤表观电导率,构建了基于EM38的两种土壤质地剖面分层盐分解译模型,并对盐分解译回归模型进行了精度检验。结果表明:两种质地的土壤剖面盐分含量变异均较大,中壤土各层电导率变异系数在58%~98%,呈现中等变异强度,而砂土表层(0~40 cm)变异系数达到100%以上,属于强变异强度,深层土壤变异系数介于76%~88%属于中度变异强度。两种质地土壤电导率与磁感表观电导率EMh、EMv间呈显著的相关关系,水平和垂直测量模式都能够对不同深度土盐层分进行预测,且以EMh+EMv为自变量的二元回归解译模型具有较高的精度,相关系数R达到0.94以上。中壤土EM38的盐分预测在不同深度土层的验证结果决定系数达到0.59以上,砂土质地土壤盐分预测验证R2达到0.36以上,预测精度与土壤剖面盐分变异性呈现显著负相关,其相关系数为-0.86,中壤土质地的解译效果优于砂土质地。分析EM38在预测不同土壤质地盐分精度上的差异性,构建了电磁感应式土壤剖面盐分含量的预测模型。研究结果引入土壤质地变量,可为大面积土壤盐渍化的快速精确测定提供理论依据。     

基于土壤参数的冬小麦产量预测模型

为了实现冬小麦的精细田间管理,研究了基于土壤参数的冬小麦产量预测模型。采用灰色理论对冬小麦土壤电导率 EC值,全氮含量,K+、NO3-以及土壤pH值等因子进行灰色关联度分析,结果表明土壤EC值与土壤全氮含量,K+以及土壤 pH 值的灰色关联度较高。在分析不同生长时期土壤 EC 值,全氮含量,K+、NO3-以及土壤pH值和产量间的相关系数的基础上,采用土壤EC值,全氮含量以及K+作为模型的输入,产量作为输出,建立了冬小麦产量预测BP神经网络（BPNN）模型;采用土壤EC值,全氮含量,K+,灰色关联度作为输入,建立了小麦产量的模糊最小二乘支持向量机（FLSSVM）预测模型。建模结果表明,BPNN 模型的预测决定系数达0.8237,验证决定系数达0.7367;FLSSVM模型的预测决定系数达0.8625,验证决定系数达0.8003。BP神经网络以及FLSSVM预测模型的精度都较高,可以用来评估作物产量,为精细农业变量处方管理提供理论与技术支持。     

基于神经网络与决策树的土壤粗糙度测量

利用野外拍摄照片判读土壤粗糙度是一种简单快速的测算方法。为了克服人工判读处理效率低、结果易受人为因素影响和目前的计算机自动读取结果易受野外杂草影响、自动化程度有待提高的缺点,提出了一种基于神经网络和决策树的土壤粗糙度测量方法。该方法在建立神经网络时充分考虑土壤边界线、白板边缘及参考方框的特征选取输入特征向量,消除噪声影响,实现图像边缘检测;并在此基础上建立决策树区分白板、土壤、参考方框等信息,完成土壤边界线和比例尺的获取。野外试验中不可避免有杂草和光照的影响,考虑到阴影、土壤和杂草色彩的差异性,决策树判决准则的选择不仅包含了纹理信息而且考虑了色彩信息。试验表明,基于神经网络与决策树的土壤粗糙度测量采用带有简单方框的参考白板能快速高效地从复杂的野外照片中获取土壤粗糙度信息,降低了拍摄要求。自动提取结果与人工判读相比,所得均方根高度的误差在5%以内,相关长度的计算误差在1%以内,具有较高的精度和可靠性。该研究方法为土壤粗糙度实时在线测算提供了有效的解决方案。     

利用高光谱成像技术和多变量校正方法检测苹果的硬度（英）

高光谱图像集图像信息与光谱信息于一身,应用于农产品品质无损检测领域。该研究尝试利用高光谱图像技术结合多变量校正方法检测苹果硬度的可行性。试验通过获取的高光谱图像中提取有效的光谱信息来建立预测苹果硬度的预测模型。在建立模型过程中,偏最小二乘（PLS）和支持向量回归（SVR）两种多变量校正方法被比较,结果表明在785.11～872.45 nm范围内,SVR模型的性能优于PLS模型,模型对硬度预测结果的相关系数为0.6808。试验结果表明高光谱图像技术可以被用来检测苹果的硬度。     

基于支持向量机的土壤水力学参数预测

为了分析支持向量机在土壤水力学参数预测方面的效果，应用支持向量机构建用于预测土壤水力学参数的土壤传递函数，以土壤粒径分布、容重、有机质含量等土壤理化性质为输入项，分别预测土壤饱和导水率、饱和含水率、残余含水率，以及van Genuchten公式参数的对数形式。结果表明预测值和实测值不存在显著性差异，用支持向量机预测土壤水力学参数是可行的。不同输入项处理的预测分析表明，输入项为粒径分布、粒径分布和容重、粒径分布和有机质含量3种情况的预测效果差异不明显，而输入项为粒径分布、容重和有机质含量时预测效果优于前3种情况。支持向量机在预测土壤水力学参数方面的效果要优于多元线性逐步回归模型，而与BP神经网络模型相比不具有明显好的预测效果。     

基于WinSRFR模拟灌溉农田土壤入渗参数年变化规律

土壤入渗参数是确定地面灌溉灌水技术参数的主要依据之一,而农田土壤入渗特性随着灌水与耕作存在着周期性变化。为了探究这种周期性变化规律,在冬小麦-夏玉米轮作体系下,基于泾惠渠灌区2012-2015年不同灌水时期的灌水资料,利用Win SRFR4.1软件与拟合度检验相结合的方法对考斯加科夫土壤入渗模型参数值进行模拟反推得出最佳优化结果,结果表明模拟与实测的水流推进及水流消退过程的均方根误差分别为0.15~2.1和2.5~7.8 min,决定系数均在0.7以上(P0.05)。在此基础上,根据影响土壤水分入渗的主导因素土壤容重及土壤质量含水率,建立考斯加科夫土壤水分入渗模型2参数值与影响因素间的定量关系,分析土壤入渗参数在年内的变化规律,结果表明:在冬小麦-夏玉米轮作体系下,不同灌水时期的土壤入渗系数和入渗指数变化明显,变化范围分别在95.0~210.0 mm/h和0.42~0.67之间,土壤水分入渗模型两参数值与土壤含水率及土壤表层容重之间存在较好地复合对数关系,决定系数分别为0.846和0.741(P0.05)。研究结果可为年内不同灌水时期确定农田地面灌水技术参数提供依据。     

Estimation of Soil Infiltration and Cation Exchange Capacity Based on Multiple Regression,ANN (RBF,MLP), and ANFIS Models

Investigation of soil properties such as cation exchange capacity (CEC) and soil infiltration is an important role in environmental research. The measurement of these parameters is time-consuming and costly. In this study, intelligence-based models [artificial neural networks (MLP and RBF), adaptive neuro-fuzzy inference system (ANFIS), and multiple regression (MR) techniques] are employed as alternatives to estimate the CEC and soil infiltration parameters from more readily available soil data. Two hundred soil samples were collected from soil 0–30 cm deep from two sites of the Ghoshe Region in Semnan Province, Iran. The first site was a flood plain and second site was agriculture land. The input data for models were electrical conductivity (EC), soil texture, lime percentage, sodium adsorption ratio (SAR), and bulk density. To evaluate the performance of these models, the statistical parameters such as root mean square error (RMSE), mean absolute error (MAE), mean error (ME), and coefficient of determination (R²) were used. Then the results of the intelligence-based models and MR were compared to each other’s. The results show that the MLP model was better than ANFIS, MR, and RBF models. Finally, sensitivity analysis was conducted to determine the most and the least influential variables affecting the soil infiltration and CEC parameters. It was found that EC and bulk density have respectively the most and the least effect on soil infiltration, and for CEC they were clay percentage and bulk density, respectively.     

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。     

A method of capability evaluation for upland soils

Utilizing the data and materials accumulated in the project “Observations on Soil Fertility Changes” organized by Ministry of Agriculture and Forestry and executed by 16 Prefectural Agricultural Experiment Stations throughout Japan, an attempt was made to derive a prediction equation for soil loss due to erosion.

Five Prefectural Agricultural Experiment Stations provided us with rainfall records from which monthly rainfalls by three intensity grades, under 2 mm/10 min (LE2R), 2-4 mm 10 min (MEDRi) and over 4 mm/10 min (GT4R), were read. Multiple regression of log-transformed soil loss upon these rainfall data gave the following regression equation

Log soil loss = -0.783 0.0185**GT4R+0.00597**LE2R -0.00763**MEDR for which multiple correlation coefficient (R) was 0.74. The units of measurement were kg are for soil loss mm/month for LE2R, MEDR, and GT4R.

In order to account for the contribution of slope and soil factors to soil loss, Hayashi's theory of quantification No. I was applied after coding the relevant data. R of log-transformed soil loss on GT4R, MEDR, LE2R, slope, bulk density (BD), and texture (TEXT), reached 0.80. GT4R had the highest partial correlation coefficient, followed successively by MEDR, slope, and LE2R. Bulk density (BD) and texture (TEXT) were taken from among the data available to represent characters relevant to erosion, but they had onlv low partial correlations with soil loss in this Particular study.

The method developed in this study appears to be promising only if properly collected data are available. Conditions that should be satisfied in the planning of experiments for the purpose derivation of a prediction equation have been put forward.     

灰色关联及非线性规划法构建传递函数估算黑土水力参数

土壤水分特征曲线和饱和导水率是重要的水力参数,为了简便准确获取这些参数,以松嫩平原黑土区南部为研究区域,采集136个采样点土样用于测定不同土层土壤水分特征曲线、饱和导水率以及土壤理化性质,并运用灰色关联分析确定影响土壤水力参数的主要土壤理化性质,采用非线性规划构建土壤分形维数、有机质、干容重、土壤颗粒组成与土壤水分特征曲线、饱和导水率之间的土壤传递函数,并通过与现有土壤传递函数对比分析进行精度验证。结果表明:1)土壤分形维数是估算土壤水分特征曲线模型参数和饱和导水率的主要参数之一,同时,干容重和有机质含量也在不同土层土壤传递函数中起到重要的作用;2)通过验证分析,不同土层各参数平均绝对误差接近于0,均方根误差值也都较小,其中在不同土层土壤传递函数估算的土壤含水率均方根误差分别为0.022、0.017cm~3/cm~3;3)对比分析其他已存的土壤水分特征曲线和饱和导水率的土壤传递函数,该文构建的土壤传递函数均方根误差值均较小,决定系数值都在0.66以上,表明估算精度较高,均好于其他方法估算精度,具有良好的区域适应性。综上,所构建的土壤水分特征曲线和饱和导水率土壤传递函数可以用于松嫩平原黑土区土壤水力参数估算。     

青海三江源地区土壤水分常数转换函数的建立与比较

利用土壤理化性质数据建立转换函数是间接获得土壤水力参数的重要手段之一。基于测定的土壤理化性质和土壤水分常数数据,本文采用回归分析、BP神经网络和基于BP神经网络的Rosetta模型3种方式分别建立了青海三江源地区土壤饱和含水量、毛管持水量和田间持水量的转换函数,并对其预测精度进行了比较。结果表明:(1)回归分析方法总体预测效果比较理想,特别是田间持水量的平均误差(ME)和均方根误差(RMSE)都在3.397%以下,决定系数(R2)高达0.868;(2)BP神经网络方法的预测效果非常理想,各土壤水分常数平均误差和均方根误差都在4.685%以下,并且决定系数均在0.857以上;(3)Rosetta模型的预测效果相对较差,特别是饱和含水量和毛管持水量,平均误差(ME)和均方根误差(RMSE)相对较大,决定系数(R2)相对较小。3种方式中,BP神经网络方法所建立的毛管持水量和饱和含水量转换函数均为最佳,回归方法所建立的田间持水量的转换函数要好于BP神经网络方法和Rosetta模型,Rosetta模型对土壤水分常数的预测效果不如其他两种方式。研究可为青海三江源地区土壤水力特性参数研究以及区域尺度上土壤水分估算提供科学依据。