基于反射光谱特性的土壤有机质含量测定仪设计

阐述了利用有机质的反射光谱特性对土壤有机质含量进行测定的原理及方法。对仪器的总体方案、光路系统及仪器的硬件和软件进行了设计。为了减小测量误差、提高仪器总体性能,光路系统设计中在前人采用单一波长的光信号为变量的基础上增加了另外两路光信号以反映土壤中胡富比(胡敏酸和富啡酸含量之比)的变化;采用了偏最小二乘回归的数据处理方法来消除模型中变量间极有可能存在的多重相关性;在试验设计中通过增加土壤分类功能,采取了对土壤先分类后建模以及与合适的土样预处理相结合的方法降低了土壤质地对有机质测量的影响。试验表明,仪器测试结果与常规的有机质含量测量法对比,其精度达到了土样有机质含量速测的要求。     

基于吸收特征参数的有机质含量光谱估算模型研究

连续统去除法是简便、准确而有效地提取光谱吸收特征参数的方法之一.为此,研究利用ASD FieldSpec Pro地物光谱仪在自然环境条件下对不同有机质含量的土壤样本进行光谱测量,提取特征吸收面积来评价与有机质含量的关系,发现基于包含有机质含量敏感波段在内的450～580nm波段范围特征吸收面积建立的有机质含量对数诊断模型预测精度较高.结果表明,土壤有机质吸收特征参数估算模型为土壤肥力的快速测定提供了新的途径.     

便携式土壤电导率测试仪改进设计及实验

对基于"电流-电压四端法"的便携式土壤电导率测试仪进行了改进设计,对仪器的稳定性和重复性进行了测试.以北方潮土为研究对象,研究了土壤电导率随含水率和盐分含量变化的规律.实验表明,改进设计显著提高了仪器的重复性和测量精度.系统最大相对误差不超过4.4%,具有良好的稳定性;土壤电导率在含水率为8%～30%范围内呈线性变化,相关系数为0.9635;当盐分含量为0.1%～0.3%时,土壤电导率变化显著,呈线性变化;当盐分含量高于0.3%时,土壤电导率值基本稳定.     

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。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测,本研究以山东省烟台市栖霞市苹果园为研究区,采集100个土壤样本,利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率,利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理,分析果园土壤的反射光谱特征,研究光谱反射率与其有机质含量的相关关系,筛选土壤有机质含量的敏感波长并构建光谱指数后,分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型,并对模型精度进行验证比较。结果表明,筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数,最终构建的光谱指数分别为NDSI_{（678,709）}、NDSI_{（678,1931）}、NDSI_{（678,2201）}、NDSI_{（709,1939）}和NDSI_{（1939,2201）}。建立的MLR、SVM和RF回归模型中,以RF模型精度最优,其校正样本集R²为0.8804,RMSE为0.1423,RPD达到2.25;验证模型的R²为0.7466,RMSE为0.1266,RPD为1.79,建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此,可以利用RF方法快速预测苹果果园土壤有机质含量,了解土壤养分分布状况,指导农民合理施肥,从而提高果园生产管理效率。     

土壤有机质含量田间实时测定方法

为了实现对土壤有机质含量的快速测定,以关中塿土为材料,研究基于光谱分析的土壤有机质含量测定方法。首先用机载便携式近红外频谱仪采集土壤样本在波长900~1 700 nm范围的漫反射光谱,并对异常样本进行判别和剔除以提高建模精度,在比较2种不同样本划分方法对模型影响的基础上,用连续投影算法(SPA)对建模变量进行最优波长选择,然后通过3种线性建模方法对有机质含量预测结果进行分析,探明偏最小二乘法(PLS)方法效果最好,并建立了径向基(RBF)神经网络预测模型。测试集样本实验结果表明,用PLS建立的预测模型有机质含量测定值和预测值之间的决定系数为0.801 9,均方根误差为0.179 4;用RBF神经网络建模的决定系数和均方根误差分别为0.828 1和0.164 6,两种模型均具有较高的精度,可对有机质含量进行快速预测。     

基于含水率与温度补偿的土壤pH值在线实时检测系统

针对目前常用土壤pH值传感器在测量过程中受土壤含水率和温度影响较大的问题,设计了带有温度、含水率补偿模型的锑电极土壤pH值在线实时检测系统。利用最小二乘法对pH值和测量结果进行线性分析,补偿土壤pH值测量误差。试验结果表明,经过补偿之后,由温度和含水率变化导致的pH值测量误差至少可降低84. 5%,pH值测量值随温度和含水率的变化幅度不超过±0. 1。与市场产品ZD-18型土壤酸度计、HYSWR-ARC-12V型土壤含水率传感器、水银温度计对比研究得出,3项指标线性拟合决定系数均达到0. 99以上。为了确保自然环境下土壤pH值测量的适用性,探索了系统在使用过程中土壤含水率的阈值与测量精度,表明在土壤体积含水率大于5%的情况下均可有效测量。试验表明,在pH值3. 06～10. 36范围之内,本系统可有效测量,检测误差为-1. 53%～3. 51%,满足土壤pH值实时在线测量要求。     

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）优选特征谱段,采用偏最小二乘回归法（Partial least squares regression,PLSR）建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明：有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法（Correlation coefficient,CC）和遗传算法(Genetic algorithm,GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。     

基于EMD的土壤有机质含量近红外光谱检测

以检测土壤有机质含量为例,探讨经验模态分解在土壤近红外光谱检测中的应用,提出了应用的原理和步骤.用处理后的光谱计算了土壤中的有机质含量,并与九点平滑和小波变换方法的处理结果进行了对比分析.结果表明:与传统的九点平滑处理结果相比,SNR从3 dB左右提高到10 dB左右,原始信号与消噪信号之间的标准差由2.972降到0.901;预测集的决定系数r2由0.9410提高到0.9803,预测均方根误差RMSEP由0.6702降为0.301 1.证明了经验模态分解方法在光谱处理过程中的可靠性,提高了土壤有机质含量近红外光谱的定量分析精度.     

近红外漫反射光谱检测土壤有机质和速效N的研究

利用近红外漫反射光谱检测技术对土壤有机质和速效N含量进行了相关研究。通过自行设计的NIR光谱系统测定了150个土壤样品有机质和速效N。126个土壤样品用来建立校正集模型,其余24个用来验证模型的性能。采集完整土壤样品的近红外漫反射光谱,原始光谱经移动窗口平滑处理、SNV和一阶微分预处理后,分别采用最小二乘支持向量机(LS-SVM)和偏最小二乘法(PLS),建立土壤有机质和速效N含量的定量预测数学模型。结果表明采用一阶微分结合最小二乘支持向量机(LS-SVM)所建模型的预测效果较好,土壤有机质和速效N含量定量预测数学模型的决定系数分别为0.8255和0.8015,均方根误差分别为2.84和16.80。近红外漫反射光谱作为一种检测方法,可用于评价土壤有机质和速效N含量。