不同采样密度的土壤水分特征参数预测

利用不同取样精度的土壤,将土壤质地(砂土、淤泥、粘土含量)和容重作为输入值,探讨了使用基于土壤转换函数的BP神经网络模型来预测0~20 cm表层土壤水分特征曲线参数,用甘肃省称钩河流域小流域的土样进行预测并进行了误差分析。结果表明,使用线性回归能够减小预测误差与实测值差距;使用BP神经网络来预测饱和体积含水量,其准确性比使用BP神经网络预测剩余体积含水量和田间持水量要高。为了进一步提高预测精度,还应尽可能地包括土壤结构、有机质含量等信息。     

温度对FDR土壤湿度传感器的影响研究

在利用FDR土壤湿度传感器测量土壤湿度时,土壤温度的变化会使测量结果产生较大的误差,因此要对FDR土壤湿度传感器进行温度补偿。为了研究温度对FDR土壤湿度传感器的影响规律,利用不同湿度的土壤样本在不同温度下进行实验。根据实验结果采用二元回归分析法对FDR土壤湿度传感器和土壤温度传感器的输出进行数据融合,消除温度对FDR土壤湿度传感器的影响。融合补偿后的数据结果比未补偿的数据受温度影响减小,更加接近土壤真实湿度值,大大减小了土壤温度对测量结果的影响。     

基于支持向量机的CVT压力传感器误差补偿

针对无级变速器(CVT)压力传感器测量误差较大的问题,提出了一种应用支持向量机(SVM)建立误差补偿模型的方法.在分析引起测量误差因素的基础上,确立了误差补偿模型的输入、输出基本结构;通过试验构建训练样本集,并完成误差补偿模型的训练,在训练过程中,通过遗传算法对模型参数进行了优化.试验结果表明,设计的误差补偿模型可以有效提高传感器的线性度,并可以把最大绝对误差从0.5 MPa降至0.15 MPa,显著提高了压力传感器的性能和测量精度.     

FDR土壤湿度传感器的温度补偿模型研究

为提高FDR土壤湿度传感器在不同温度环境下测量土壤含水率的精度,设计了一套以STM3 2 F1 0 3 RBT6为核心控制单元的温湿度测量系统。利用该系统对不同温度和含水率的土壤样本进行温湿度信息采集,并运用多传感器数据融合技术及二元回归分析法对采集到的信息进行处理;根据最小二乘法原理,建立了FDR土壤湿度传感器的温度补偿模型。将该补偿模型运用到测量系统中进行验证,结果表明:在测量土壤含水率时,采用该补偿模型后的测量系统能有效降低对土壤温度的敏感性,实现土壤含水率的准确测量。     

SWR土壤湿度传感器温漂特性与补偿研究

针对基于驻波率(SWR)原理的土壤湿度传感器在长期工作中受温度影响的问题,提出基于二元回归分析法的温度补偿模型,利用最小二乘原理确定补偿模型的待定参数,对传感器进行温度补偿。从硬件电路和测量原理对SWR土壤湿度传感器的温漂特性进行研究。使用高低温交变湿热实验箱,在设定温度5～45℃范围内进行实验,测试结果表明,在温度补偿前该传感器测量土壤体积含水率的最大绝对误差范围为-2. 65%～2. 22%,其最大相对误差为29. 76%,最大均方误差为2. 211 9%。将SWR土壤湿度传感器输出值与PT100型温度传感器输出值进行数据融合,基于最小二乘优化计算的二元回归分析法得到温度补偿模型,其拟合的决定系数为0. 998。取不同温度下的实验数据进行补偿模型的验证,结果表明,SWR土壤湿度传感器进行温度补偿后,其测量结果的最大绝对误差范围为-0. 26%～0. 69%,最大相对误差不超过5. 23%,均方误差较补偿之前减小一个数量级,且最大均方误差为0. 157%。表明采用该温度补偿模型可以有效减小温度对SWR土壤湿度传感器的影响,提高其测量结果的精度和可靠性。     

基于PLS-BPNN算法的土壤速效磷高光谱回归预测方法

土壤速效磷是影响作物生长发育的重要养分指标。光谱分析技术对速效磷的定量预测具有较好的应用前景,高光谱带宽窄、分辨率高,但存在数据冗余和共线性等问题。本文针对皖北砂姜黑土145个样本开展研究,提出了利用偏最小二乘回归算法(PLS-R)对土壤可见近红外高光谱数据(400~1 000 nm)进行数据降维和特征提取,根据交叉验证和变量投影重要性分别得到潜在变量和特征波长;再分别输入BP神经网络(BPNN)进行训练,得到回归分析模型对速效磷进行定量预测。结果表明:与利用全部波长数据建模的预测结果(校正集和验证集的相对分析误差M_(RPD)分别为10.27和2.09)相比,利用9个特征波长建立的回归模型校正集M_(RPD)为2.66,预测精度明显降低,而验证集M_(RPD)为2.05,近似达到利用全部波长数据建模的预测效果;利用5个潜在变量建立回归模型,校正集和验证集的M_(RPD)分别为3.10和2.29,其中验证集相对于全部波长建模的预测精度提高了9.6%。因此,基于PLS-BPNN算法进行回归建模可以有效降低高光谱数据冗余和共线性的影响,提高模型的泛化能力,且利用潜在变量进行回归建模能提高模型预测精度。     

基于改进的BP神经网络对蓄水坑灌冬季果园土壤温度预测

为准确预测冬季果园土壤温度,建立了蓄水坑灌条件下BP神经网络土壤温度预测模型(BP-WSPI-T)、遗传算法优化的BP神经网络土壤温度预测模型(GA-WSPI-T)和增量逆传播学习算法优化的BP神经网络土壤温度预测模型(IBP-WSPI-T),采用坑内平均气温、地表温度、沿相邻两蓄水坑中心连线距坑壁的距离和距坑壁5cm处分层土壤最低温度为模型输入,对距坑壁15、25和35cm处分层土壤最低温度进行预测,并通过与田间实测数据的统计学分析来判定预测效果。结果表明:BP-WSPI-T、GA-WSPI-T和IBP-WSPI-T模型的平均相对误差分别为8.19%、4.41%和7.57%,GA-WSPI-T模型的预测效果最好,较BP神经网络预测精度得到了很大的提高,建议采用GA-WSPI-T模型对蓄水坑灌冬季果园土壤温度进行预测。     

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。     

FDR土壤水分传感器田间性能测试分析

为了解不同土壤水分传感器的工作性能,以目前国内应用最为广泛的频域反射性(FDR)土壤水分传感器为例,考虑当前新型的探管式结构,选取3种国产主流的FDR (管式)传感器(编号为Q1、Q2和Q3)进行261 d的田间性能测试试验。结果表明:3种传感器监测的土壤含水量曲线变化规律一致,峰值出现在有降雨时,表层土壤含水量曲线波动幅度大于深层土壤。但3种传感器在绝对数值上存在较大差异,土壤含水量变异系数在0.20～0.58之间。3种传感器的观测数值受温度影响较大,表层(0～20 cm)土壤变异系数大于深层土壤,增幅为38%以上,夏季(6月到7月)的土壤含水率变异系数大于其他季节,增幅为16%。通过对传感器观测值和人工观测值进行数据拟合,分别建立了3种传感器土壤水分的原位二次标定方程,有效降低了传感器之间的变异系数,降幅为53%～66%。因此,在农田应用中,应考虑土壤温度、土壤类型因素对FDR传感器原位二次标定的影响,以消除不同传感器工厂标定的差异性。     

便携式土壤全氮测定仪性能研究

为研究土壤全氮含量,自主开发了基于近红外光谱技术的便携式土壤全氮测定仪.以中国农业大学上庄实验站采集的60个土壤样本作为实验材料,分别对土壤全氮测定仪的稳定性、准确性和预测模型精度进行了测试.使用模型的测定系数(RC)、验证系数(RV)、校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标.实验结果显示,本测定仪在波长940、1 050、1 100、1 200、1 300、1 450和1 550 nm处的吸光度重复性误差分别为1.57％、1.80％、1.59％、0.94％、0.61％、0.64％和3.13％,平均误差1.80％;测定仪吸光度和傅里叶光谱分析仪吸光度相关系数分别达到0.971、0.948、0.928、0.873、0.920、0.901和0.913,平均值为0.922;使用测定仪平均吸光度数据,通过BP神经网络建立的土壤全氮预测模型Rc、RV、RMSEC、RMSEP和RPD分别达到0.81、0.80、0.029、0.019和3.44.使用该预测模型建立的土壤全氮分布图和实际土壤全氮分布图具有高度的一致性.实验结果表明,便携式土壤全氮测定仪工作稳定,使用平均吸光度数据建立的土壤全氮预测模型具有较好的预测能力和较强的鲁棒性,可以在土壤全氮含量实时检测中应用.