基于改进BPNN-SVR算法的土壤盐分参数与有机质相关性研究

研究土壤有机质含量与土壤盐分参数之间的相关关系,可以为土壤施肥、增产增收及资源有效利用等方面提供理论支撑。研究采集了试验地中165个土样,并测定了土样的HCO~-_3、SO■、Cl~-、Na~+、Ca~(2+)、K~+、Mg~(2+)等离子的含量、土壤全盐含量及土壤有机质含量等数据,研究了土壤有机质含量与土壤盐分参数之间的相关关系以及核函数对预测模型的影响。结果表明:土壤盐分参数与土壤有机质含量之间有较强的相关性,使用基于BP神经网络(BPNN)与回归型支持向量机(SVR)建立的改进BPNN-SVR模型预测土壤有机质含量具有较高的可信度。明确了最优的核函数参数后,随机抽取120个样本数据作为训练集,剩余45个样本数据为测试集,数据归一化后用改进BPNN-SVR预测训练集的决定系数达到0.938,均方差为0.074 2,测试集的决定系数达到0.941 5,均方误差为0.106 5,显示了改进BPNN-SVR优良的泛化能力和预测性能;用传统的BPNN模型预测土壤有机质作为对比试验,测试集的决定系数为0.870 3,均方差为0.116 2。因此,改进BPNN-SVR模型相较于传统BPNN模型的测试集均方差降低了30.99%,决定系数提高了8.18%。在同一训练集和测试集条件下,不同核函数对改进BPNN-SVR模型也有显著的影响,其中RBF核函数表现最佳,决定系数达0.908 6,平均相对误差(5.98%)和均方误差(0.074 6)均小于其他核函数类型。因此,基于RBF核函数的改进BPNN-SVR模型可以利用土壤盐分参数有效地估算土壤有机质含量,且精度和可靠性较高。     

基于Vis-NIR光谱的果园土壤有机质便携式检测仪研究

以赣南脐橙果园土壤为研究对象,对采集到的56个土样风干、过筛,然后进行化学分析,同时使用傅里叶近红外和自主设计的便携式仪器光谱采集。采集到的光谱数据经过一阶微分、平滑、多元散射校正、归一化四种常用的预处理方法,分别应用偏最小二乘法(partial least square regress PLS)进行建立脐橙果园土壤有机质的模型。研究表明,两仪器需要不同的预处理,傅里叶仪器原始光谱建模效果较好,而便携式仪器则需要平滑预处理。傅里叶仪器建立模型的预测相关系数(RP)为0.893,预测均方根误差(RMSEP)为0.474;自行设计的仪器在1 000~1 700nm范围建立赣南脐橙果园土壤有机质含量模型的预测模型的相关系数(RP)为0.801,预测均方根误差(RMSEP)为0.779。研究表明自行设计的便携式仪器可快速用于赣南脐橙果园的土壤中有机质含量的检测。     

土壤速效磷含量近红外光谱田间快速测定方法

为实现对土壤速效磷含量的快速测定,以关中塿土为材料,研究基于光谱分析的土壤速效磷含量测定方法。首先用便携式近红外频谱仪在不同采样高度下,采集土壤样本900~1 700 nm波长范围的漫反射光谱,采用3倍标准差准则和主成分分析得分图对异常样本进行判别和剔除,然后对比分析4种波长选择方法对建模效果的影响,发现基于稳定的竞争性自适应加权抽样法的结果最佳,最后通过分析不同非线性建模方法对预测结果影响实验,探明最小二乘支持向量机方法的预测结果最好。实验结果表明,采样高度为10 cm时本文建立模型的土壤速效磷含量预测决定系数为0.858 1,均方根误差为10.880 1,具有较高的精度,可对土壤速效磷含量进行快速预测。     

基于近红外光谱的面粉灰分含量快速检测方法

针对目前面粉灰分含量的检测方法存在操作繁琐、耗时长、费时费力和检测效率低等问题,运用近红外光谱分析技术检测面粉的灰分含量,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法(PLS)及BP神经网络算法进行定量分析研究。结果表明:采用偏最小二乘法(PLS)所建的定量分析模型的决定系数R2为90.66,预测均方根误差RMSEP为0.055 3,总偏差为0.0279 3;用BP神经网络预测总偏差为0.036 7。研究发现,近红外光谱技术用于快速无损检测面粉灰分含量是可行的,且PLS、BP神经网络算法可进行面粉灰分含量预测。     

基于人工嗅觉系统的土壤有机质检测方法研究

为了实现土壤有机质快速、准确的测量,提出了一种基于人工嗅觉的土壤有机质含量检测方法。首先,由不同温度控制的10个气体传感器所构成的阵列对土壤样品气体进行采集;然后,提取每个传感器响应曲线上的7个特征(包括最大值、最小值、平均值、平均微分系数、响应面积、第30秒的瞬态值和第60秒的瞬态值),构建嗅觉特征空间;对特征空间优化后,采用回归算法建立预测模型。为减小不同测定算法、异常样本以及冗余特征对模型预测性能的影响,在应用蒙特卡罗抽样(Monte Carlo sampling,MCS)法剔除异常样本的基础上,采用主成分分析(Principal component analysis,PCA)法对特征空间进行降维处理,评估了包括偏最小二乘法回归(Partial least square regression,PLSR)、支持向量机回归(Support vector machine regression,SVR)和BP神经网络(Back propagation neural network,BPNN)等3种建模方法对土壤有机质含量的预测性能,选用决定系数R2、均方根误差(RMSE)和预测偏差比(RPD)评价各模型的预测性能。测试集验证结果表明,PLSR、SVR和BPNN这3种模型的预测值和样本的观测值之间的R2分别为0. 86、0. 91和0. 85,RMSE分别为2. 49、2. 05、2. 68 g/kg,RPD分别为2. 49、3. 02和2. 32。SVR模型的预测性能高于PLSR模型和BPNN模型,可对土壤有机质含量进行准确预测。     

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。     

基于高光谱的油茶籽内部品质检测最优预测模型研究

以油茶籽中油酸、亚油酸、棕榈酸为研究对象,寻求一种油茶籽脂肪酸成分含量的最佳预测模型。首先,利用高光谱成像系统以线扫描方式获取其反射光谱图像,选择感兴趣区域(ROI);然后,对原始光谱进行平滑与多元散射校正(MSC),通过相关性分析和逐步回归分析,得到能反映油酸、亚油酸、棕榈酸含量变化的最佳优化波段;进而对最优波段采用偏最小二乘回归(PLS)方法、主成分回归(PCR)方法及径向基神经网络(RBF)方法组建预测模型。比较这3种方法的建模效果,经外部验证表明:径向基神经网络建立的预测模型效果最好,其油酸、亚油酸、棕榈酸的交叉验证相关系数R分别为0.940 3、0.893 5、0.912 2;校正均方根误差和预测均方根误差分别为0.441、0.174 9、0.066 4和0.351 8、0.184、0.162。     

基于MC—UVE的土壤碱解氮和速效钾近红外光谱检测

应用可见/短波近红外光谱分析测量土壤碱解氮和速效钾含量.为了提高该分析方法的预测精度,消除无信息建模变量对模型稳定性的影响,原始光谱平滑后采用蒙特卡罗无信息变量消除方法(MC-UVE)对土壤碱解氮和速效钾的建模变量进行筛选,应用偏最小二乘方法(PLS)建立校正模型.对于碱解氮模型,采用MC-UVE PLS方法,建模变量减少为210,相关系数和预测均方差分别为0.84和17.1 mg/kg.对于速效钾的预测模型,采用MC-UVE方法后,建模变量减少为150,模型的预测相关系数为0.76,预测均方根误差为15.4 mg/kg.     

班菲尔脐橙可溶性固形物近红外光谱特征谱区选择

为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000 ～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1355 nm)、5(1 356 ～1 443 nm)、9(1708～1795nm)、15(2 236 ～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.9109和0.331 2.预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个.研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度.     

鲜枣可溶性固形物可见/近红外光谱检测建模方法比较

对采摘于一枣园的180个壶瓶枣样本,随机分成150个样本校正集和30个样本预测集。用FieldSpec3光谱仪采集光谱,并进行多元散射校正(MSC)预处理,之后分别利用连续投影算法(SPA)和逐步回归法(SRA)提取特征波长,并结合光谱理论分析确定,再分别基于偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)建立壶瓶枣可溶性固形物含量预测的简化模型和全波段模型。结果表明,全波段PLS模型预测的相关系数和预测均方根误差分别为0.887 4和1.088 9,预测效果最好;建立的MSC-SPA-PLS模型预测的相关系数和均方根误差分别为0.799 0和1.407 8,建立的MSC-SRA-PLS模型预测的相关系数和均方根误差分别为0.822 4和1.3851,与全波段的MSC-PLS相比,精度均降低;建立的MSC-SPA-LS-SVM模型预测的相关系数和均方根误差分别为0.796 3和1.145 8,与全波段的MSC-LS-SVM相比,精度提高;建立的MSC-SRA-LS-SVM模型预测精度很低,不适用。