基于BP神经网络的土壤水力学参数预测

为了获取区域土壤水分和溶质运移模拟所需的土壤水力学参数,利用黄淮海平原曲周县的试验资料建立基于BP神经网络的土壤转换函数模型。本文采用土壤粒径分布、容重、有机质含量等土壤基本理化性质,来预测土壤饱和导水率Ks、饱和含水量sθ、残余含水量θr、以及van Genuchten公式参数α、n的对数形式ln(α)和ln(n),并与多元线性逐步回归方法进行比较。t检验结果表明,BP神经网络训练和预测得到的模拟值与实测值之间吻合很好,该方法具有较高的预测精度。通过对平均相对误差的比较,得出在粒径分布的基础上增加容重、有机质含量等输入项目,可以提高部分土壤水力学参数的预测精度,而有些参数的预测精度反而降低。以误差平方和为标准的比较结果表明,BP神经网络模型的预测效果总的来看要优于多元线性回归法。     

土壤硝态氮含量检测和分布图生成中的最优样本量

土壤参数的时空变异是实施精细农业时要考虑的重要因素，在土壤检测的栅格采样中有必要确定最优样本量。本研究的试验田是一块生长中的玉米地块，试验区的面积为4.2 m×4.2 m，该试验区被假定为土壤采样中的一个栅格，该栅格又被细分为49个0.6 m×0.6 m的子栅格。采样时，所分析的土壤参数为土壤硝态氮含量，从播种到收获共进行了7次采样。通过对土壤样本土壤硝态氮时空变异的分析，揭示了样本量和土壤硝态氮含量预测误差之间的相关关系。土壤硝态氮含量呈非正态分布，通过对玉米各个生长期获得的数据分析表明：含量水平的预测误差随深度的增加而增大；当从一个栅格只采集1个土壤样本时(样本量为1)，预测误差基本在50％左右(显著水平：α≈0.10)，而当从一个栅格采集5个土壤样本时(样本量为5)，预测误差将降至25％左右。另一方面，当要求预测误差低于30％时，对于普通生长条件下的土壤需要从1个栅格至少采集3个样本，而对于追肥后的土壤则至少需采集15个样本。     

基于支持向量机的土壤水力学参数预测

为了分析支持向量机在土壤水力学参数预测方面的效果,应用支持向量机构建用于预测土壤水力学参数的土壤传递函数,以土壤粒径分布、容重、有机质含量等土壤理化性质为输入项,分别预测土壤饱和导水率、饱和含水率、残余含水率,以及van Genuchten公式参数的对数形式。结果表明预测值和实测值不存在显著性差异,用支持向量机预测土壤水力学参数是可行的。不同输入项处理的预测分析表明,输入项为粒径分布、粒径分布和容重、粒径分布和有机质含量3种情况的预测效果差异不明显,而输入项为粒径分布、容重和有机质含量时预测效果优于前3种情况。支持向量机在预测土壤水力学参数方面的效果要优于多元线性逐步回归模型,而与BP神经网络模型相比不具有明显好的预测效果。     

土壤有机质可见光-近红外光谱预测样本优化选择

土壤有机质可见光-近红外光谱预测中建模样本的优化选择对提高有机质模型估算精度具有重要作用。本文以湟水流域土壤有机质为例,采用基于土壤单一属性信息考虑的建模样本选择方法:浓度梯度法、Kennard-Stone(KS)方法,以及基于土壤多种信息考虑的建模样本选择方法:Rank-KS(RKS)法、土壤类型结合浓度梯度法以及土壤类型结合KS法。通过偏最小二乘回归建模,探索可见光–近红外光谱预测青海湟水流域有机质的最优样本集。结果表明:不同级别样本数的最佳建模样本选择方法不同,整体表现为基于土壤多种信息挑选的建模样本集的模型精度相比土壤单一信息均较高,特别是KS方法结合土壤类型后的建模样本集模型精度明显提高且在样本数较少时更为明显。土壤类型可以优化建模样本选择方法提高模型预测精度。在保证固定验证样本模型预测精度的情况下,土壤类型参与建模样本的选择可以有效减少建模样本数,进而降低了建模成本。     

土壤有机质含量对土壤水动力学参数的影响

通过测定并分析不同有机质含量的壤质土样的饱和导水率,水分特征曲线,水分扩散率及几个水分常数,阐明了土壤有机质含量与水动力学参数的关系,从动力学角度探讨了有机质影响水分运动的机理。     

基于土壤粒度参数的荒漠草原地表粗粒化过程

草原退化特征已由植被变化为主演变为土壤退化的阶段,其植被覆盖变化可在一定程度上反映退化状况与过程,探明荒漠草原不同退化阶段(覆盖度)地表风蚀状况,对合理利用与保护草地资源意义重大。以希拉穆仁荒漠草原7个覆盖度(裸地,5%,20%,40%,60%,80%和100%)下的表层土壤为研究对象,利用激光衍射技术测量表层0—1cm土壤粒度组成,分析不同覆盖度下的平均粒径、标准偏差、偏度、峰态及分形维数等粒度参数变化情况及颗粒频率分布。结果表明:(1)土壤粒度组成均以沙粒和粉粒为主,黏粒含量较低;偏度可作为有效粒度参数指标。(2)随着盖度降低,平均粒径数值越大,分选性越好,频率曲线由近于对称—正偏—极负偏转变,峰态由尖锐变平缓,分形维数先增加后降低。(3)粒径分布基本呈双峰分布,盖度越小第二波峰滞后越明显,且分布均匀程度越低,易风蚀颗粒范围为144~869μm。     

Green-Ampt模型参数简化及与土壤物理参数的关系

简化模型表达形式从而减少参数个数,对于Green-Ampt入渗模型的实际应用具有重要的现实意义。该文通过推导湿润锋处平均基质吸力与Philip模型中土壤吸湿率关系基础上提出了简化的Green-Ampt入渗模型,基于新疆222兵团两块壤质土壤田块上土壤水分入渗试验资料,分析了Green-Ampt简化入渗模型参数与土壤物理参数之间的关系,建立了模型参数与土壤物理参数之间的定量经验转换函数。结果表明,入渗参数A(组合参数)与土壤初始含水率呈对数负相关,相关系数为0.77,A与土壤紧实度和黏粒含量均呈指数负相关,相关系数分别为0.70和0.74。饱和导水率Ks与土壤紧实度和黏粒呈指数负相关,相关系数分别为0.74和0.73。A和Ks与土壤初始含水率、土壤紧实度和黏粒含量呈高度和中度多元线性相关,相关系数分别为0.9和0.79。研究表明Green-Ampt简化入渗模型能够在一定精度下分析土壤入渗过程。     

土壤颗粒分布参数模型对黄土性土壤的适应性研究

土壤颗粒组成是土壤最基本的物理性质之一,其分布曲线可用来估算土壤的水力学性质,然而对于土壤颗粒分布曲线的完整表达需要借助于参数模型,对于不同类型的土壤,参数模型的拟合效果不尽相同.为了选择能够较好描述黄土性土壤颗粒分布状况的参数模型,该文采用了3个指标--相关系数(R),均方根误差(RMSE)和Akaike信息准则(AIC)值,对3类共10个参数模型(单参数模型2个,二参数模型6个,三参数模型2个)在黄土性土壤上的适应性进行了评价(共828个土壤颗粒分析资料).结果表明:简化的三参数Fredlund模型对黄土性土壤颗粒分布的拟合效果最好,且受质地影响较小,二参数Weibull模型次之,单参数的Jaky模型效果最差.三参数Fredlund模型是估算黄土性土壤颗粒组成的最适宜的模型.     

农田土壤含水率监测的无线传感器网络系统设计

为解决传统土壤含水率监测中所存在的监测区域面积小、采样率低等问题,设计和开发了基于无线传感器网络技术的土壤含水率监测系统,包括10个传感器节点,1个簇首和1个基站节点,可按任意时间间隔全自动地采集、处理、传输和存储地表以下4个不同土层土壤含水率变化状况;各类节点采用TinyOS操作系统,节点间通信遵循ZigBee协议;含水率测量采用EC-5传感器;太阳能供电模块的供电能力满足传感器节点及簇首的能耗需求;进行了数据包传输率试验,10个传感器节点中有7个的数据包正确传输率高于90%,1个节点的数据包正确传输率为89.2%,2个节点的传输率低于70%。造成2个节点数据包传输率较低的主要原因是太阳能供电电路制作,通过更换电路板解决了该问题。试验结果表明,系统能够实现稳定的数据传输,适合农田土壤含水率的实时监测。     

基于光谱分析的土壤游离铁预测研究

土壤游离铁含量的高低可作为土壤系统分类中判断土壤类型的诊断指标,同时也对土壤风化程度具有指示作用,并在一定程度上反映了土壤的成土环境。本研究调查了安徽宣城的91个土壤剖面,共398个土壤样品,采集了样品在350~2500 nm波段的漫反射光谱数据,并对游离铁含量进行化学分析。光谱数据包括反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。本文采用偏最小二乘回归算法(PLSR)和反向神经网络(BPNN)建模预测游离铁含量,并分析不同形式光谱数据的建模预测效果。结果表明:当存在游离铁20 g/kg的样本时,传统建模方法不能准确预测游离铁含量(R20.6,RPD1.5),相对R和Log(1/R)两种光谱数据,以FDR作为自变量建模预测游离铁含量的效果最差。     

Comparing local vs. global visible and near-infrared (VisNIR) diffuse reflectance spectroscopy (DRS) calibrations for the prediction of soil clay, organic C and inorganic C

Local, field-scale, VisNIR-DRS soil calibrations generally yield the most accurate predictions but require a substantial number of local calibration samples at every application site. Global to regional calibrations are more economically efficient, but don't provide sufficient accuracy for many applications. In this study, we quantified the value of augmenting a large global spectral library with relatively few local calibration samples for VisNIR-DRS predictions of soil clay content (clay), organic carbon content (SOC), and inorganic carbon content (IC). VisNIR models were constructed with boosted regression trees employing global, local + global, and local spectral data, using local samples from two low-relief, sedimentary bedrock controlled, semiarid grassland sites, and one granitic, montane, subalpine forest site, in Montana, USA. The local + global calibration yielded the most accurate SOC predictions for all three sites [Standard Error of Prediction (SEP) = 3.8, 6.7, and 26.2 g kg^− 1]. This was similarly true for clay (SEP = 95.3 and 102.5 g kg^− 1) and IC (SEP = 5.5 and 6.0 g kg^− 1) predictions at the two semiarid grassland sites. A purely local calibration produced the best validation results for soil clay content at the subalpine forest site (SEP = 49.2 g kg^− 1), which also had the largest number of local calibration samples (N = 210). Using only samples from calcareous soils in the global spectral library combined with local samples produced the best SOC and IC results at the more arid of the two semiarid sites. Global samples alone never achieved more accurate predictions than the best local + global calibrations. For the temperate soils used in this study, the augmentation of a large global spectral library with relatively few local samples generally improved the prediction of soil clay, SOC, and IC relative to global or local samples alone.     

拉曼光谱在精细农业土壤成分快速检测中的研究进展

拉曼光谱利用分子运动对入射光产生非弹性散射的原理对分子成分进行检测,具有受水分干扰小、样本预处理小、与红外光谱信息互补等特点,在土壤成分快速分析方面展现了很大的优势。但是拉曼光谱信号弱,受荧光干扰强,为土壤拉曼信号的有效获取带来困难。为了分析拉曼光谱在土壤成分检测中的应用潜力,该研究综述了移频激发差分拉曼光谱技术、共焦显微拉曼技术以及表面增强技等基于拉曼光谱的土壤成分检测技术,分析了土壤成分拉曼光谱检测的研究进展,并提出进一步研究建议。结果表明：1）脂肪族化合物以及芳香族化合物都具有拉曼活性,为基于拉曼光谱的土壤有机质含量的定性、定量分析提供了理论依据。为了弥补拉曼光谱对有机质整体定量预测精度的不足,采用红外-拉曼光谱融合方式补偿单独拉曼光谱数据中缺失的土壤有机质信息,可显著改善预测精度。2）利用表面增强技术可以增强土壤溶液中可溶性氮与土壤有效氮拉曼特征波峰的强度,获得了良好的定量预测效果,回归模型决定系数R2达到0.91～0.99。3）土壤中很多含磷的化合物都具有拉曼活性,拉曼光谱是识别土壤中不同磷酸盐形态的极其有效的工具,在土壤磷素含量的分析中,应用小波包分解的拉曼光谱对滤除有机质的磷酸盐参杂土壤中磷素浓度进行预测,回归模型精度R2达到0.94。拉曼光谱检测的样本范围取决于激发光照射在样本上的光点尺寸,而土壤样本的空间变异性为聚焦目标物质带来困难。因此,实现现场高分辨率检测的关键是获取有效拉曼信号、同时降低背景信号的干扰。移频激发技术与显微拉曼技术为农田土壤养分的原位测量提供了技术保障。建议：1）采用光谱融合方法提升回归模型的预测精度。2）降低冗余变量,提升模型的可解读性与重现性。3）充分考虑土壤对拉曼光谱的影响,为开发农田现场土壤成分快速监测技术提供参考。     

The response of potato crop to the spatiotemporal variability of soil compaction under centre pivot irrigation system

Precision agriculture techniques were employed to study the impact of the spatiotemporal variations of soil compaction on the performance of potato crop during its various growth stages. The study has been conducted on a 30 ha centre pivot irrigated potato field, located in Wadi Al-Dawasir area in Saudi Arabia. In situ soil compaction measurements were collected, in conjunction with Sentinel-2A satellite data, and correlated spatiotemporally against potato crop growth and yield parameters. The univariate and bivariate Moran's function (Moran's I), the linear regression and the analysis of variance (ANOVA) techniques were used to analyse the data and examine the interrelationships. The spatial correlations between the measured variables revealed high clustering, producing Moran's I of 0.87, 0.79 and 0.57 for soil compaction, yield and normalized difference vegetation index (NDVI), respectively. Compaction-yield relationship revealed a relatively high significant negative spatial correlation (Moran's I = 0.68). While, the spatial correlation between the average values of compaction and NDVI has negatively produced a Moran's I value of 0.45 (at 0.001 significance level), when 999 permutations were tested for all relationships. A significant positive correlation was observed between high compaction and high proportion of small size tubers, with R² and P > F values of 0.65 and .0001, respectively. In contrast, a significant negative correlation has been obtained between high compaction and high proportion of large size tubers, with R² and P > F values of 0.57 and .0001, respectively. Understanding the causes of disparity in the productivity of agricultural fields will help decision-makers and farmers to take proactive actions towards better agricultural practices.     

基于VNIR和机器学习算法的原状土剖面Cu含量预测

快速测量土壤剖面重金属含量是评估土壤重金属污染状况并选择相应修复技术的关键。为了探讨可见光-近红外光谱法（Visible and Near-Infrared Reflectance Spectroscopy,VNIR）预测原状土壤剖面重金属含量的潜力,以江西省两个典型工矿厂周边农田土壤为研究对象,共采集了19个深度约100 cm的完整土壤剖面样品,分别测定土壤剖面样品的VNIR数据及其Cu含量。采用偏最小二乘回归法（Partial Least Squares Regression,PLSR）、Cubist混合线性回归决策树（Cubist Regression Tree,Cubist）、高斯过程回归（Gaussian Process Regression,GPR）和支持向量机（Support Vector Machine Regression,SVM）方法研究不同光谱预处理方法对土壤Cu含量预测精度的影响。结果显示,Cubist、GPR和SVM这三种机器学习算法的预测精度普遍高于PLSR,其中一阶导数（First-Order Derivative,FD）预处理的SVM模型预测精度最高（R2=0.95,均方根误差为7.94 mg/kg,相对分析误差为4.34）。这表明利用VNIR和机器学习可以对原状土壤剖面Cu含量进行有效预测,为快速监测Cu及其他重金属含量的相关研究提供参考。     

Assessment of cocoa input needs using soil types and soil spectral analysis

In this study, diffuse reflectance spectroscopy (DRS) approach was examined for making input recommendations in the smallholder cocoa farms of Papua New Guinea (PNG). Soil samples were collected from four provinces of PNG. Soil samples from four different depths (0–10, 10–30, 30–60 and 60–90 cm) of 32 profiles in each of these site were used to create a database of soil chemical and physical properties. Spectral reflectance values at 1 nm interval covering visible to shortwave‐infrared (350–2,500 nm) were collected for each of these soil samples to develop partial least squares regression models. Soil textural fractions, soil organic carbon contents and available N were well predicted by the DRS approach with R² values larger than 0.75. Moderate to poor estimation efficiencies were observed for remaining parameters. Nevertheless, the estimated soil attributes and their corresponding measured soil parameters were used as inputs to an input recommendation model of soil diagnosis to create input recommendation for a targeted cocoa yield of 1,000 kg dry cocoa beans ha^‐1 Resulting input recommendations were similar for both of these input sources (measured and DRS‐estimated) suggesting that the DRS approach may provide an easy way to create input recommendations.