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。     

同时估测土壤全氮、有机质和速效氮含量的光谱指数研究

通过系统分析我国中、东部地区5种不同类型土壤风干样本的有机质、全氮及速效氮含量与近红外(1 000～2 500 nm)光谱反射率之间的关系,进而构建了适合同时估测这3种养分含量的光谱参数及定量估算模型。结果表明,同时与3种养分指标相关较高的波段范围为1 879～1 890与2 050～2 100 nm,其中1 881和2 070 nm两个波段的反射率经多元散射校正及Savitzky-Golay平滑处理并构建而成的差值指数DI(CR1 881,CR2 070)与土壤有机质、全氮及速效氮含量具有良好的线性相关性。独立的观测资料检验显示,基于DI(CR1 881,CR2 070)的估测模型对全氮、有机质和速效氮的预测决定系数R2分别为0.83、0.79和0.72,均方根误差(RMSE)分别为0.20 g kg-1、4.71 g kg-1和23.96 mg kg-1,相对分析误差(RPD)分别为2.56、2.30和2.93。表明DI(CR1 881,CR2 070)是一种可同时估测土壤中3种养分含量的良好光谱指数。     

基于高光谱的寒地水稻叶片氮素含量预测

为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。     

利用高光谱遥感技术监测小麦土壤重金属污染

为了探讨基于小麦叶片高光谱间接估测土壤重金属含量的潜力,该研究以江苏省宜兴市徐舍镇为研究区域,于2019－2020年采集农田土壤样品和小麦叶片光谱,经7种不同的光谱变换预处理后,以遗传算法（genetic algorithm,GA）优化的偏最小二乘回归算法（partial least squares regression,PLSR）对预处理后的光谱建立土壤重金属镉（Cd）和砷（As）含量的估测模型,并对模型结果进行精度评价。研究结果表明：1）光谱预处理技术能够突出光谱中的一些隐藏信息,对小麦叶片光谱进行微分变换、多元散射校正、标准正态变换等数学变换后更加有利于提取光谱敏感信息。2）GA-PLSR相较于一般的PLSR方法提高了模型精度,将GA用于光谱波段选择可以优化模型精度和提高稳定性。3）土壤Cd含量的最佳估测模型为标准正态变换预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.87、均方根误差为0.04 mg/kg、相对分析误差为2.72;土壤As含量的最佳估测模型为多元散射校正预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.91、均方根误差为0.32 mg/kg,相对分析误差为3.25。因此,能够利用小麦叶片高光谱间接估测土壤重金属Cd和As含量,该研究为将来实现定量、动态、无损遥感监测大面积农田土壤重金属污染状况提供参考依据。     

星载高分五号高光谱耕地主要土壤类型土壤有机质含量 估测——以黑龙江省建三江农垦区为例

为了评价国产星载高分五号(GF-5)高光谱影像估测土壤有机质(SOM)含量的潜力,以及不同土壤类型对SOM含量光谱估测精度的影响,本研究以黑龙江省建三江农垦区为研究对象,获取了覆盖研究区域的GF-5高光谱影像和188个土壤样本。对提取的样点GF-5光谱反射率数据进行了反射率倒数、对数、一阶微分等9种光谱数学变换,并采用相关系数法确定了SOM含量的光谱敏感波段。采用偏最小二乘回归(PLSR)线性统计建模方法,对研究区域全部土壤类型以及草甸土、沼泽土、黑土等主要土壤类型,分别构建了光谱全波段和敏感波段的SOM含量估测模型,并进行了精度评价。结果表明,基于GF-5光谱数据的研究区域全部土壤类型的SOM含量估测精度不理想,最优模型精度决定系数(R2)为0.265,均方根误差(RMSE)为4.647%,相对分析误差(RPD)为1.135;不同类型土壤在SOM含量光谱估测精度差异较大,草甸土和沼泽土的SOM含量估测精度不高,但黑土的SOM含量估测精度较高,其中全波段光谱反射率对数一阶微分(LnR)′的SOM含量估测精度最高,R~2=0.729,RMSE=1.065%,RPD=1.850,SOM含量估测模型可用。按照不同土壤类型构建SOM含量估测模型可以进一步挖掘GF-5高光谱遥感估测SOM含量的潜力。     

土壤全氮的无人机高光谱响应特征及估测模型构建

为更好地体现出光谱与土壤全氮（soil total nitrogen,STN）含量之间的响应关系,实现以高光谱快速估测土壤全氮含量,该研究以无人机搭载高光谱传感器获取农田土壤高光谱影像,提取光谱反射率并进行数学变换,基于灰色关联度和皮尔逊相关系数提取各光谱中土壤全氮含量的敏感波段,基于敏感波段采用偏最小二乘回归（partial least squares regression,PLSR）、岭回归（ridge regression,RR）和随机森林（random forest,RF）构建土壤全氮的高光谱反演模型,筛选出最优模型并对研究区土壤全氮含量进行反演制图。结果表明：1）反射率的倒数光谱中的敏感波段（996～1 003 nm）集中在近红外长波范围内,反射率的一阶微分（first derivative of reflectance,FDR）光谱中的敏感波段（398～459、469和472～1 003 nm）和反射率对数的一阶微分光谱中的敏感波段（398～459、463～973和978～1 003 nm）在可见光和近红外范围内都有分布,反射率的一阶微分光谱中的敏感波段（615～625、632和666～670 nm）主要集中在可见光的红光范围内。2）与基于灰色关联度提取敏感波段构建模型相比,基于皮尔森相关系数提取敏感波段所构建的土壤全氮估测模型精度更高。3）RF-FDR模型精度最高,其验证集R2为0.859,均方根误差为0.143 g/kg,平均绝对误差为0.114 g/kg。基于RF-FDR模型对研究区土壤全氮含量进行反演制图,发现研究区大部分面积土壤全氮含量处于1.50～2.00 g/kg范围内,与实际情况相符。研究可为农田土壤全氮含量快速估测提供技术参考和支撑。     

基于近红外光声光谱的土壤有机质含量定量建模方法

该研究的目的在于应用近红外光声光谱技术结合不同的定量分析方法实现5种不同类型土壤有机质含量的快速估测。对中国中、东部地区5种不同类型土壤风干样本进行光谱扫描,经过多元散射校正、一阶导数、二阶导数及平滑等预处理后,应用逐步多元回归(SMLR)、主成分分析(PCR)、偏最小二乘法(PLS)和偏最小二乘法-反向传播神经网络(PLS-BPNN)等方法建立土壤有机质含量的定量估测模型。结果显示,不同预处理方法对所建土壤有机质含量估测模型的预测精度有较大影响,总体表现为多元散射校正+Norris一阶导数>多元散射校正>Norris一阶导数>标准正态化>Norris二阶导数>吸光度>Savitzky-Golay平滑后一阶导数>Savitzky-Golay平滑后二阶导数。对于4种不同建模方法,均以多元散射校正+Norris一阶导数滤波平滑后的光谱建模精度最高,其中采用PLS-BPNN方法建模效果最好,其次是PLS、SMLR和PCR。采用PLS-BPNN建立有机质校正模型具有极高的预测精度,建模决定系数和均方根偏差分别为0.97和1.88,模型测试决定系数和均方根偏差分别为0.97和1.72。因此,基于多元散射校正+Norris一阶导数光谱建立的PLS-BPNN模型可能是土壤有机质含量估测建模的最优方法。     

基于线性渐变分光近红外光谱仪的苹果可溶性固形物含量无损检测研究

为了探讨线性渐变分光近红外光谱仪在水果内部品质无损快速检测方面应用的可行性及其光谱学机理,本文以基于线性渐变分光近红外光谱仪所采集的苹果光谱数据为自变量,以苹果可溶性固形物含量为因变量,采用偏最小二乘回归结合全交互验证算法,分别对全谱、一倍频、二倍频、三倍频、一二倍频、一三倍频、二三倍频共7个谱区建立校正模型并根据模型准确度选择优化谱区。对优化谱区采用平滑、标准正态变量变换、多元散射校正、一阶导数进行光谱数据预处理优化。最后采用外部验证集对优化预处理的模型进行预测准确度评价。结果显示,基于一二倍频区的校正模型准确度较其他谱区最高,其校正测定系数、校正均方根误差、交互验证测定系数、交互验证均方根误差分别为0.753 9、 0.93、 0.745 9、0.95;在此基础上,多元散射校正预处理后所建模型准确度更高,模型校正测定系数、校正均方根误差、交互验证测定系数、交互验证均方根误差分别为0.755 9、 0.92、 0.748 2、 0.94;外部验证集模型预测测定系数、预测均方根误差分别为0.683 4、 1.01。上述3个模型均通过F检验证明其可溶性固形物含量预测值与参考值之间具有显著的相关关系。结果表明,基于一二倍频区数据所建模型基本可以满足苹果可溶性固形物含量快速无损检测的需求,并可为基于线性渐变分光的便携式近红外光谱仪的应用提供一定的参考。     

黑土土壤中全氮含量的高光谱预测分析

为实现快速、准确估测土壤氮素含量水平,推动土壤信息化管理进程,该研究利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱。结果表明,通过不同的变换,光谱反射率对数的一阶导数与土壤全氮含量相关性得到增强,以400～600 nm波段范围内相关性最好。该文确定了以反射率对数的一阶导数光谱预测黑土全氮（TN）含量的最佳回归模型,模型所用的波段为可见光波段的556 nm、近红外的1 642和2 491 nm。同时,也确定了利用由可见光波段550和450 nm组成的归一化光谱指数预测黑土TN含量的最佳预测模型。模型通过验证达到较好的效果：利用反射率对数的一阶导数、归一化光谱指数对土壤TN的预测R2分别为0.863、0.829,均方根误差RMSE分别为0.122、0.152。     

基于局部加权回归的土壤全氮含量可见-近红外光谱反演

全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。     

基于近红外光谱技术的三种硬实种子无损鉴定

摘要：为探讨近红外光谱技术在鉴定种子硬实特性上的普遍性,该文采用近红外光谱法结合偏最小二乘法建立了大豆、苦豆子和决明子单粒种子硬实特性的定性分析模型,每种种子均选择120粒种子进行近红外定性分析,种子分为建模集、检验集2组,建模集80粒,检验集40粒,各组中硬实与非硬实种子的比例为1:1,比较了光谱重复次数、光谱范围以及不同建模样品的建模效果。结果表明：采用二次平均光谱所建模型的鉴别率优于单次光谱;大豆采用4 000～5 000 cm-1光谱范围,矢量校正预处理,主成分为8时,建模集与检验集鉴别率均在85%以上;决明子采用4 000～8 000 cm-1光谱范围,一阶导数预处理,主成分为4时,模型建模集与检验集鉴别率均在90%左右;苦豆子采用4 000～8 000 cm-1光谱范围,二阶导数预处理,主成分为8时,模型的建模集与检验集鉴别率均在95%以上。以上结果表明近红外光谱技术可以很好地应用于单粒种子硬实特性的判断,有助于硬实机理的深入研究。     

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。     

基于dbiPLS-SPA变量筛选的固态发酵湿度近红外光谱检测

为了提高基于近红外光谱技术的固态发酵关键过程参数——湿度快速检测的精度和稳定性,研究采用动态反向区间偏最小二乘（dbiPLS）法结合连续投影算法（SPA）进行最佳光谱子区间和特征组合变量的筛选,通过交互验证法确定偏最小二乘（PLS）模型的主成分因子数,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。试验结果显示,最佳dbiPLS-SPA模型筛选的组合变量个数为8,其RMSEP和Rp分别为1.1795%（质量分数）和0.9430。试验结果表明,dbiPLS-SPA是一个有效的波长组合变量筛选方法,可简化模型结构、增强模型精度和稳健性。     

滩涂土壤有机质含量的反射光谱估算

Rapid determination of soil organic matter (SOM) using regression models based on soil reflectance spectral data serves an important function in precision agriculture. “deviation of arch”(DOA)-based regression and partial least squares regression (PLSR) are two popular modeling approaches to predict SOM. However, few studies have explored the accuracy of the DOA-based regression and PLSR models. Therefore, the DOA-based regression and PLSR were applied to the visible near-infrared (VNIR) spectra to estimate SOM content in the case of various dataset divisions. A two-fold cross-validation scheme was adopted and repeated 10 000 times for rigorous evaluation of the DOA-based models in comparison with the widely used PLSR model. Soil samples were collected for SOM analysis in the coastal area of northern Jiangsu Province, China. The results indicated that both modelling methods provided reasonable estimates of SOM, with PLSR outperforming DOA-based regression in general. However, the performance of PLSR for the validation dataset decreased more noticeably. Among the four DOA-based models, the linear model of the DOA provided the best estimation of SOM and a cutoff of SOM content (19.76 g kg^-1), and the performance for calibration and validation datasets was consistent. As the SOM content exceeded 19.76 g kg^-1, SOM became more effective in masking the spectral features of other soil properties to a certain extent. This work confirmed that reflectance spectroscopy combined with PLSR could serve as a non-destructive and cost-efficient way for rapid determination of SOM when hyperspectral data were available. The DOA-based model, which requires only 3 bands in the visible spectra, also provided SOM estimation with acceptable accuracy.     

基于可见/近红外光谱技术的土壤总磷分析研究

Overabundance of phosphorus (P) in soils and water is of great concern and has received much attention in Florida, USA. Therefore, it is essential to analyze and predict the distribution of P in soils across large areas. This study was undertaken to model the variation of soil total phosphorus (TP) in Florida. A total of 448 soil samples were collected from different soil types. Soil samples were analyzed by chemical reference method and scanned in the visible/near-infrared (VNIR) region of 350--2 500 nm. Partial least squares regression (PLSR) calibration model was developed between chemical reference values and VNIR values. The coefficient of determination (R²) and the root mean squares error (RMSE) of calibration and validation sets, and the residual prediction deviation (RPD) were used to evaluate the models. The R² in calibration and validation for log-transformed TP (log TP) were 0.69 and 0.65, respectively, indicating that VNIR calibration obtained in this study accounted for at least 65% of the variance in log TP using only VNIR spectra, and the high RPD of 2.82 obtained suggested that the spectral model derived in this study was suitable and robust to predict TP in a wide range of soil types, being representative of Florida soil conditions.     

基于漫反射光谱的茶园土壤硝态氮检测

该文研究了充分利用土壤漫反射光谱在可见-近红外波段的有效信息,研究快速准确检测土壤硝态氮含量的新方法。试验选取89个风干土壤样本,经粉碎过直径1 mm筛孔后,使用 FieldSpec 3便携式光谱仪（光谱波长范围：400～2 500 nm）,获取其漫反射光谱。检查各土样的原始光谱的有效性并进行平均,经偏最小二乘法partial least squares（PLS）聚类分析后,选取其中的63个样本构成校正集建立模型,10个样本构成预测集进行模型验证。通过一阶微分与滑动平均滤波相结合的预处理方法,用15个主成分建立的主成分+神经网络模型为最好,其校正模型的回判相关系数为0.9908,均方根误差（RMSEC）为1.4528,预测模型的相关系数为0.7179。研究结果表明,利用可见-近红外光谱技术可以准确地检测茶园土壤硝态氮含量。     

冬小麦苗期叶绿素含量检测光谱学参数寻优

光谱分析技术是作物生长检测的主要手段,为了解决大田漫反射采集所造成的光谱基线漂移和偏移问题,研究采集了冬小麦冠层325~1 075 nm范围反射光谱,采用多元散射校正方法对小麦原始光谱进行预处理。采取遗传算法对光谱特征参数寻优并结合相关分析结果,选取486、599、699和762 nm波长处反射率值并组合计算了RVI(ratio vegetation index),DVI(difference vegetation index),NDVI(normalized difference vegetation index)和SAVI(soil-adjusted vegetation index)共12个植被指数,分析了各植被指数与叶绿素含量值之间的相关关系,结果显示:DVI和SAVI可抑制苗期土壤背景干扰并对叶绿素含量响应较为敏感,与叶绿素含量相关性最优的参数分别为DVI(762,599)、SAVI(762,599)、DVI(762,699)和SAVI(762,699),与叶绿素含量的相关系数都达到0.6以上。基于相关性最优光谱植被指数DVI(762,699)和SAVI(762,599)利用最小二乘-支持向量回归建立冬小麦叶绿素含量预测模型,建模集决定系数为0.681,验证集决定系数为0.611。该模型可用于无损检测冬小麦苗期叶绿素含量,以期为后续施肥决策提供支持。     

砂姜黑土有机质含量高光谱估测模型构建

为快速估测砂姜黑土有机质含量,该研究以河南省商水县砂姜黑土为对象,采用光谱指数和遗传算法结合支持向量机构建砂姜黑土有机质估测模型。结果表明,以Savitzky-Golay(SG)平滑后的一阶导数光谱792和1 389 nm两波段组合构建的比值指数表现最好,建模集决定系数为0.81。利用独立的样本验证,预测决定系数和均方根误差分别为0.91和1.56 g/kg。而相同样本经遗传算法筛选敏感波段结合支持向量机回归构建的模型以SG平滑的一阶导数光谱表现最好,建模集和验证集决定系数分别为0.95和0.91,均方根误差分别为1.01和1.69 g/kg。基于遗传算法结合支持向量机回归和光谱指数2种方法构建的有机质含量估测模型均表现出较高的精度,前者稍优于后者,可用于对砂姜黑土有机质含量的有效估测。该研究成果可为砂姜黑土有机质含量的快速定量估算提供依据和参考。