基于高光谱数据的土壤有机质含量反演模型比较

以土壤多样化的陕西省横山县为研究区域,比较了3种基于高光谱数据的土壤有机质含量反演模型,在实验室利用ASD Field Spec FR地物光谱仪对横山县野外采集的土壤样品进行光谱测定,并通过重铬酸钾氧化容量法测定土壤有机质含量。然后对原始光谱反射率的倒数进行微分运算获得其一阶导数光谱,将原始光谱反射率、一阶导数光谱分别与土壤有机质含量进行相关性分析,得到相关性系数r较高的特征波段的一阶导数光谱,直接建立基于一阶导数光谱的多元线性逐步回归分析(MLSR)模型。同时针对这些相关性系数较高的特征波段的一阶导数光谱进行主成分分析(Principal component analysis,PCA),利用主成分分析得到的结果分别建立BP神经网络反演模型(PCA-BP)和多元线性逐步回归分析模型(PCA-MLSR)。用上述3种方法进行土壤有机质含量反演,并对3种反演结果进行精度验证与比较。实验分析结果表明:在3种模型中,基于主成分分析结果构建的PCA-BP模型在土壤有机质含量反演中决定系数(R2)最高,为0.893 0,均方根误差(RMSE)为0.118 5%;其次为运用全部主成分PCA分析结果构建的多元线性逐步回归模型,R2为0.740 7,RMSE为0.161 3%;而采用一阶导数光谱反射率构建的多元线性逐步回归模型中,最佳反演模型R2仅为0.689 9,RMSE为0.171 0%。由此说明,PCA-BP模型有机质含量反演精度明显高于多元线性逐步回归模型,利用全部主成分进行多元逐步回归,其有机质含量反演精度优于仅用累计方差贡献率大于90%的主成分进行多元逐步回归的精度,可以更好地反演土壤有机质的含量。     

基于组合色彩特征的苹果树叶片各生长期氮含量预测

为精准预测开花期、幼果期和果实膨大期苹果树叶片的氮含量,提出一种基于组合色彩特征的苹果树叶片氮含量预测模型。首先,获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征,通过主成分分析提取不同时期苹果树叶片氮含量关键影响因子,消除原始变量之间的相关性,降低模型输入向量维度;其次,对建立的PCA-SVM、PCA-BP、PCA-ELM预测模型在不同时期对苹果树叶片氮含量预测效果与精度进行对比,得到不同时期最佳的预测模型;最后,利用最佳预测模型对不同时期苹果树叶片氮含量进行预测,并通过自适应遗传算法对最佳预测模型参数进行优化。试验结果表明：在不同生长时期,PCA-SVM模型的预测精度均高于PCA-BP、PCA-ELM模型;优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544g/kg,平均绝对百分误差分别为0.057、0.050、0.064g/kg,均方根误差分别为0.800、0.747、0.737g/kg,优于优化前预测模型。该模型具有良好的预测性能和泛化能力,可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

基于岭回归的土壤全氮含量反演模型

全氮含量是土壤肥力的核心指标之一,快速、准确测定耕层土壤全氮含量对农业生产具有重要意义.以南京市江宁区典型水稻田为研究对象,采用棋盘式布点法选取了60个点位,每个点位均在0～30 cm表土层进行取样,利用大疆精灵4多光谱无人机同时获取了土壤样本分别在5个波段(450,560,650,730,840 nm)的光谱反射率,通过土壤全氮含量与光谱反射率多元线性分析,揭示了光谱反射率数据特有的多重共线性问题,构建了基于岭回归的无人机遥感影像反演土壤全氮含量预测模型.计算结果表明,岭回归系数取0.12时,其回归R²达到了0.408,方差膨胀因子均在10以下,且回归系数具有统计学意义.基于岭回归的反演模型可以较好兼顾反演精度与光谱数据多重共线性问题.研究成果可为无人机遥感土壤氮素营养诊断提供理论依据.     

控制排水下减量施氮对土壤无机氮含量变化和棉花产量的影响

以旱地棉田为研究对象,2018年在湖北荆州大田条件下对控制排水和减量施氮下土壤无机氮含量变化和棉花产量进行了研究。试验采用2种控制排水模式(非控制排水和地表控制排水,分别记作FKS和KS)与4个施氮量水平(农民习惯施氮量280 kg/hm~2、习惯施氮量的90%、80%和70%,分别记作N1、N0.9、N0.8和N0.7)完全随机组合设计。测定棉花生育期内0～20、20～40、40～60和60～80 cm土层的NO~-_3-N和NH~+_4-N含量。结果表明,与FKS相比,整体上KS下0～40 cm土层的NO~-_3-N含量和0～20 cm土层的NH~+_4-N含量增加。与N1相比,FKS下N0.9、N0.8和N0.7的籽棉产量分别减少9.23%、13.16%和18.60%(P0.05);而KS下N0.9、N0.8和N0.7的籽棉产量分别减少4.96%、7.02%(P0.05)和12.98%(P0.05)。综上,采用地表控制排水,减氮10%～20%有利于提高0～20 cm土层的无机氮含量,从而维持棉花产量。     

不同粒径处理的土壤全氮含量高光谱特征拟合模型

采集新疆北疆棉田385个自然土壤样本,将筛选出的土壤样品分别过2、1、0. 5、0. 15 mm筛并测定其原始光谱反射率,利用支持向量机(Support vector machine,SVM)、偏最小二乘回归(Partial least squares regression,PLSR)和多元逐步线性回归(Stepwise multiple linear regression,SMLR)方法对土壤原始光谱及其12种光谱变换数据分别构建土壤全氮含量的估测模型,并对模型精度进行检验。结果表明,土壤原始光谱特征在各个波段与全氮含量相关性都较差,不同形式的数据变换均能够提高光谱反射率与全氮含量的相关性,同一种数据变换形式在不同粒径处理中最大相关系数所对应的波段位置差异不大。从不同粒径处理的拟合精度来看,过筛粒径越小对全氮含量的估测精度越高,3种方法的最优拟合模型都是过0. 15 mm筛的处理,其中SVM方法采用(lgR)'变换后,构建模型R2c为0. 898 7,RMSEc为0. 018 1,RPD为2. 704 9,PLSR和SMLR方法均采用R'变换,构建模型的R2c分别为0. 852 0和0. 819 6,RMSEc分别为0. 041 3和0. 043 6,RPD分别为2. 554 9和2. 437 4,3种方法在该过筛处理下均能够很好地估测土壤全氮含量。用未参与建模的样本对3种最优模型进行验证,SVM、PLSR和SMLR模型的检验R2分别为0. 822 9、0. 771 5和0. 705 4,SVM方法优于PLSR和SMLR,模型具有较好的精度和稳定性,从模型的预测误差来看,土壤全氮含量越低其预测误差也越大,在氮素含量较低的情况下无法直接通过光谱反射特征准确反演。     

TM6对遥感主成分分析监测土壤含水率的影响

研究TM6波段对遥感监测土壤含水率的影响。以2003年10月到2005年3月宝鸡峡灌区二支渠土壤含水率实测数据及同步TM数据为基础,将TM数据以TM1-TM5、TM7和TM1-TM7分为两种组合,分别进行主成分分量提取,建立两种土壤含水率监测模型。以2005年6月28日遥感数据为基础,将采用两种模型所得的土壤含水率计算值与实测值进行相关分析及精度分析。结果表明,用TM1-TM5、TM7数据组合所得结果,其精度为57.75%~85.40%。当加入热红外波段TM6后,即TM1-TM7数据组合,最低精度可提高至67.79%~86.35%,明显高于前者,而且,在监测土壤含水率较低或较高的地区时更为敏感。因此,加入TM6波段的遥感主成分分析方法,可望在较高精度水平上监测土壤含水率有广阔的应用前景。     

西南岩溶区土壤全氮含量的空间变异分析

选择典型的岩溶峰丛洼地区域,在利用多元逐步回归分析研究0~20 cm深度土壤全氮含量与地形指数因子关系的基础上,利用普通克里格法(OK)、单变量协同克里格法(COK)和多变量协同克里格法(MCOK)对土壤全氮含量的空间变异性进行了分析。结果表明:研究区域土壤全氮含量空间分布可以用两个回归模型来表征。克里格插值分析表明,当全氮含量与地形指数因子相关系数较低时,COK法并不能有效提高全氮预测精度;随着协同变量的增加,MCOK法能够显著提高全氮预测精度。     

基于PCA优化—BP神经网络算法的农田土壤养分评价

为达到对膜下滴灌土壤养分综合评价的目的,采用描述性统计分析、主成分分析(Principal Component Analysis,PCA)和Back Propagation(BP)神经网络方法对通辽市科左中旗农田土壤养分进行评价,结合单因子指数法,并与传统方法中运用最广的模糊数学综合评价结果进行对比分析。依据《全国第二次土壤养分分级标准》,经实测数据验证,结果表明:2015年和2016年科左中旗农田土壤养分综合评价良好;将PCA与BP神经网络相结合的方法运用到解决土壤学问题中,可获得客观的结果;经检验PCA与BP神经网络模型相结合的评价方法适用于因子多且复杂、精度要求高的样本。将PCA与BP神经网络相结合既可以解决信息过多、分析困难的问题,又可以降低模糊性、减少精度下降,将各自优点有效的联系在一起,相较传统方法可以更加科学合理、准确有效地对土壤养分进行综合评价。     

基于PCA-PSO-GRNN模型的冻融期土壤蒸发预报

季节性冻融作用加剧了土壤蒸发的复杂性,准确预测冻融期大田土壤蒸发量对干旱半干旱地区水资源高效利用具有重要意义.基于2017-2018年冻融期大田土壤蒸发实测数据和影响土壤蒸发的气象资料,利用主成分分析法对气象数据进行降维,选取7个主要气象因子作为模型输入变量,采用粒子群算法选取最优光滑因子建立PCA-PSO-GRNN土...     

基于无线传感器网络的土壤含水率监测系统设计

针对农业生产过程中信息监测点相对分散和数据有线传输方式的局限性,设计和开发了一种基于无线传感器网络的农田土壤含水率监测系统,系统由3个土壤含水率监测终端节点、1个路由节点和1个网关节点组成。传感器采用蓄电池供电,终端节点和路由节点采用干电池供电,各节点间通信遵循Zigbee通信协议。同时,开发了数据采集、无线通信等程序,能够以任意时间间隔采集监测点土壤含水率数据,实现数据的处理、传输和存储等功能。实验结果表明,系统能实现数据的稳定传输,适合农田土壤含水率实时监测。     

基于铱星通信技术的土壤墒情远程监测网络研究

为了实现野外偏远、无GPRS信号地区土壤墒情、温度及降雨量的远程无线实时监测,设计了一套由土壤墒情及相关影响信息实时采集系统、铱星通信以及互联网技术构成的物联网架构式土壤墒情实时监测系统,围绕铱星SBD(Short burst data)终端模块9602开发了具有独立知识产权的数据采集系统。该系统实现了智能化、网络化的土壤墒情实时监测,以及历史数据的查询、下载,根据设定阈值进行短信报警、传感器和通信故障报警等功能。该系统自2011年8月在山东省、北京市等地运行以来,可以安全、稳定、可靠地获取监测土壤含水率、温度及降雨量信息。通过试验可知铱星通信在空旷地带成功率为97.2%,单个节点通信费用为每月200元(12 000字节),达到了对土壤墒情、温度和降雨量变化规律进行长期监测的目的。     

新疆阿瓦提灌区土壤盐渍化状况的

采用主成分分析方法对阿瓦提灌区土壤盐渍化状况进行了研究，结果表明，该地属于中重度硫酸盐盐渍地，0～30cm耕作层含盐量在0.5%-4%之间，在灌区内部土壤盐分存在多次积盐和脱盐过程，耕作层第一、二主成分显著，累计贡献率高达90%，第一主成分综合反映灌区内土壤盐渍化程度，第二、第三主成分联合反映了土壤的碱性特征。     

基于ISE的土壤硝态氮多参数检测仪研究

电极法检测土壤硝态氮时,共存氯离子是影响检测精度的重要因素。针对当前检测仪为单一离子离线检测的问题,设计了基于嵌入式开发的ISE土壤硝态氮多参数检测仪。仪器嵌入BP神经网络模型,实现土壤硝态氮的在线实时检测。针对BP算法收敛速度慢、易陷入局部极小值的缺点,采用5种方法进行改进;采用两个校正方法校准检测仪检测结果;采用稳定判断程序提高电势采集的稳定性。开展标准溶液检测试验,验证检测仪检测精度;开展土壤硝态氮检测试验,并将检测结果与传统的一元线性模型结果和光学法检测结果进行对比,验证检测仪排除氯离子干扰的效果及检测土壤硝态氮的准确性。结果表明,检测仪对离子的检测结果与离子计检测结果误差不超过1.0mV,满足精度要求;检测仪对土壤硝态氮含量的检测结果与光学法检测结果的平均相对误差为8.83%,低于一元线性模型与光学法检测结果的平均相对误差12.17%,拟合系数R2均大于0.97。基于ISE的土壤硝态氮多参数检测仪可有效减小氯离子干扰,准确性高,可用于土壤硝态氮的在线检测。     

基于近红外光谱的土壤氮含量模型及生物炭对土壤光谱的影响

采集添加生物炭的土壤（标记为ABS）和不添加生物炭的土壤（标记为CS）,获取其近红外光谱,通过预处理算法和偏最小二乘法（partial least squares,PLS）建立两种土壤氮含量预测模型。试验结果显示,CS和ABS分别经过Baseline和Smoothing预处理的预测模型效果最好,定向系数（determination coefficient,R2）分别为0.913和0.753,预测均方根误差（root mean square error of prediction,RMSEP）分别为0.093和0.753,利用近红外光谱可对两种土壤氮含量建模预测。研究了生物炭对土壤光谱及建模的影响,结果表明,添加生物炭会改变土壤成分含量,使近红外光谱和建模不同于普通土壤,而联合建模可减小差异的影响,取得较好的预测效果,联合建模结果显示,经过Smoothing预处理的预测效果最好,R2为0.907,RMSEP为0.086。     

苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术

为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的.     

基于图像处理的苹果树叶片氮含量检测

为精准预测苹果树果实膨大期、成熟期和采收期的叶片氮含量,提出一种基于图像处理的苹果树叶片氮含量预测模型.首先,在可见光光谱范围内使用无人机及数码相机采集不同时期苹果树树冠图像及新梢叶片图像,应用数字图像处理技术,提取苹果树冠的色彩特征和新梢叶片图像的形态特征;其次,采用凯式定氮法测定苹果树叶片的氮含量,对提取的图像特征...     

基于主成分分析及GIS的环渤海区域土壤质量评价

以环渤海沿海地区为研究区域,在进行土壤详细调查的基础上,进行具有代表性样点土壤样品(0~30 cm)的采集,并对土壤的养分、盐分和质地等理化性质进行系统测定,选取土壤盐分、p H值、碱解氮、有效磷、速效钾、有机质、全氮、砂粒质量含量、黏粒质量含量为土壤质量评价指标,采用主成分分析综合得分法,结合GIS技术,进行环渤海区域土壤(0~30 cm)质量综合评价.研究结果表明:土壤有机质、全氮和黏粒含量对土壤质量产生正面影响,而土壤全盐含量、p H值及土壤砂粒含量则产生负面影响;获得了土壤质量评价的主成分得分综合模型;土壤质量综合得分在空间分布上具有明显的地带性,根据综合得分划分为6级地力等级,研究区50%以上面积属于五或六级地力水平,土壤质量低下.在此基础上,分析了各土壤质量等级的主要影响要素,可为针对性综合提升环渤海区域土壤质量提供理论依据.