基于可見近紅外光譜檢測土壤養(yǎng)分及儀器開發(fā).pdf

1、實施精細(xì)農(nóng)業(yè)需要清晰地了解土壤的空間變異特性以及實時的營養(yǎng)狀況，數(shù)字農(nóng)業(yè)的發(fā)展也對土壤養(yǎng)分的測定迫切地提出了精確的時間和效率上的要求。土壤有機(jī)質(zhì)、全氮、堿解氮、速效磷和速效鉀是植物健康成長所必須的營養(yǎng)成分，這些土壤指標(biāo)參數(shù)是土壤養(yǎng)分管理和測土配方施肥的重要對象，目前這些指標(biāo)檢測實驗室和土肥站一直沿用常規(guī)檢測方法。這些檢測方法需要昂貴的檢測設(shè)備和對檢測人員要求較高，且存在指標(biāo)檢測效率低，檢測樣品數(shù)量小和成本高等問題，是實施精細(xì)農(nóng)業(yè)管理的一

2、個重要障礙因素。光譜分析技術(shù)作為一種快速、無損、簡便的綠色測量方法和分析技術(shù)，在土壤養(yǎng)分的測定方面扮演著越來越重要的角色。近紅外光譜檢測技術(shù)具有一系列的優(yōu)點(diǎn)，如快速、無需樣品制備和成本低等優(yōu)點(diǎn)。近紅外光譜能夠反映土壤如有機(jī)質(zhì)和全氮等養(yǎng)分信息，使得近紅外光譜檢測技術(shù)在農(nóng)業(yè)與農(nóng)業(yè)環(huán)境檢測中得到了廣泛應(yīng)用，近紅外光譜檢測能力主要依靠其對C-H、O-H和N-H功能鍵的能量吸收進(jìn)而反映相應(yīng)土壤養(yǎng)分含量等信息。土壤有機(jī)質(zhì)、氮、磷、鉀是農(nóng)作物生長的主

3、要養(yǎng)分，是土壤養(yǎng)分管理和測土配方施肥的重要對象，隨著測土配方施肥技術(shù)的大規(guī)模推廣，迫切需要一種低成本、可靠的土壤養(yǎng)分快速檢測方法。
　　本文比較研究了多種不同建模方法對土壤養(yǎng)分檢測效果，將獲得的原始光譜數(shù)據(jù)用于進(jìn)行主成分分析(PCA)得到的前6個主成分(PCs)和偏最小二乘回歸(PLSR)建模得到的6個潛變量(LVs)，分別作為BP傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和最小二乘支持向量機(jī)(LS-SVM)的輸入，共建立了6個模型，分別為PCR、

4、PLSR、BPNN-PCs、BPNN-LVs、LS-SVM-PCs和LS-SVM-LVs，對這些建模方法對預(yù)測的土壤有機(jī)質(zhì)、堿解氮、速效磷和速效鉀含量的結(jié)果進(jìn)行評價，從中篩選出最佳模型。在預(yù)測土壤有機(jī)質(zhì)、堿解氮、速效磷和速效鉀時，LS-SVM-LVs模型優(yōu)于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型。用LS-SVM-LVs模型得到的有機(jī)質(zhì)、堿解氮、速效磷和速效鉀預(yù)測集的決定系數(shù)和預(yù)測誤差分別為0.87

5、34,0.8310,0.7801,07353和2.92,16.49,4.97,13.42。
　　本文采用的光譜預(yù)處理包括標(biāo)準(zhǔn)正態(tài)變換(SNV)，多元散射校正(MSC)和SG(SavitzkyGolay)平滑結(jié)合一階導(dǎo)數(shù)，以消除系統(tǒng)噪聲和外部干擾，分別應(yīng)用偏最小二乘回歸(PLSR)和最小二乘支持向量機(jī)(LS-SVM)方法建立校正模型，LS-SVM回歸方法規(guī)避了高維數(shù)據(jù)處理時須面對的眾多問題，較好地解決了非線性和高維數(shù)等現(xiàn)實問題。最小

6、二乘支持向量機(jī)(LS-SVM)輸入分別包括主成分分析得到的主成分(PCs)、PLSR建模得到的潛在變量(LVs)和由PLSR模型回歸系數(shù)得到有效波長(EWs)。結(jié)果表明，三種輸入的LS-SVM模型都優(yōu)于PLS模型，其中EWs-LS-SVM模型最佳，堿解氮(N)的決定系數(shù)(R2)和預(yù)測均方誤差RMSEP分別0.82和17.2，速效鉀(K)為0.72和15.0。
　　由于采用原始光譜建模分析，數(shù)據(jù)量大，波長數(shù)多，本文探討了多種特征波長

7、提取方法，也稱特征變量提取方法，如連續(xù)投影算法、遺傳算法、無信息變量消除算法和有效波長提取方法等，并應(yīng)用這些特征波長替代原始光譜進(jìn)行建模分析，如為了提高模型分析方法的預(yù)測精度，研究了消除無信息建模變量對模型穩(wěn)定性的影響，原始光譜平滑后采用蒙特卡羅無信息變量消除(MonteCarloUninformativeVariablesElimination，MC-UVE)方法對土壤堿解氮(N)和速效鉀(K)的建模變量進(jìn)行篩選，應(yīng)用偏最小二乘(PL

8、S)方法建立校正模型。對于堿解氮(N)模型，采用MC-UVE-PLS方法，建模變量減少為210，堿解氮(N)的決定系數(shù)(R2)和預(yù)測均方誤差RMSEP分別0.86和17.1。對于速效鉀(K)的預(yù)測模型，采用MC-UVE方法后，建模變量減少為150，模型的預(yù)測決定系數(shù)為0.78，預(yù)測均方根誤差為15.4。結(jié)果表明，利用可見光和短波近紅外光譜(VIS/SW-NIR)(325-1075nm)結(jié)合MC-UVE方法可以有效的選擇建模變量，能提高模

9、型的穩(wěn)定性，可以作為一個精確的土壤理化性質(zhì)的測定方法。
　　遺傳算法在分析測量土壤堿解氮(N)和速效鉀(K)含量的應(yīng)用情況，根據(jù)遺傳算法優(yōu)化結(jié)果提取到的特征波長替代原始光譜數(shù)據(jù)作為輸入，應(yīng)用最小二乘支持向量機(jī)(LS-SVM)方法建立校正模型，預(yù)測結(jié)果優(yōu)于偏最小二乘(PLS)建模。應(yīng)用遺傳算法優(yōu)化后建模變量由原來的751個全譜變量減少到17個特征變量，大大簡化了模型復(fù)雜度，并提高了模型預(yù)測精度。堿解氮(N)的決定系數(shù)（R2）和預(yù)測均

10、方誤差RMSEP分別0.81和17.8，速效鉀(K)為0.71和15.6。表明應(yīng)用遺傳算法提取特征波長，將提取到的特征波長作為LS-SVM模型的輸入，建立預(yù)測模型，這種方法也可以作為一個精確的土壤理化性質(zhì)的測定方法。
　　應(yīng)用連續(xù)投影算法提取特征波長的方法，也是采用LS-SVM建模。分析過程是將原始光譜經(jīng)平滑結(jié)合一階微分預(yù)處理后，然后采集連續(xù)投影算法確定特征波長，作為建模集和預(yù)測集的光譜輸入數(shù)據(jù)。發(fā)現(xiàn)采用基于連續(xù)投影算法得到的特征

11、波長為輸入的最小二乘支持向量機(jī)模型優(yōu)于偏最小二乘回歸法模型，連續(xù)投影算法從大量原始光譜數(shù)據(jù)中提取少數(shù)幾列數(shù)據(jù)，高度概括了絕大多數(shù)樣品光譜數(shù)據(jù)的有用信息，避免了信息重疊，同時去除了冗余信息，簡化了模型。有機(jī)質(zhì)的決定系數(shù)和預(yù)測均方誤差分別0.8602和2.98，速效鉀為0.7305和15.78。
　　對于土壤全氮養(yǎng)分，應(yīng)用留一法交互驗證偏最小二乘回歸模型(PLSR)對三個不同地區(qū)土壤樣本光譜數(shù)據(jù)（三個獨(dú)立模型）和所有土壤樣本光譜數(shù)據(jù)（

12、通用模型）分別建立全氮預(yù)測模型，三個地區(qū)土壤樣本全氮獨(dú)立預(yù)測集的決定系數(shù)(R2)分別為0.81，0.70，0.31，剩余預(yù)測偏差(RPD)分別為3.01，2.09，1.08，均方根預(yù)測誤差(RMSEP)為0.06，0.03，0.03，通用模型獨(dú)立預(yù)測集的決定系數(shù)(R2)為0.72，剩余預(yù)測偏差(RPD)為2.23，均方根預(yù)測誤差(RMSEP)為0.05。研究發(fā)現(xiàn)，全氮理化值分布區(qū)問越大，R2和RPD也越大，故通用模型檢測結(jié)果優(yōu)于汪家和昌

13、東兩個地區(qū)，且樣本理化值標(biāo)準(zhǔn)偏差(standarddeviation，SD)越大，模型決定系數(shù)(R2)和剩余預(yù)測偏差(RPD)也越大，但是模型的均方根預(yù)測誤差(RMSEP)也越大。因此，建模選擇樣本時，應(yīng)確保模型的均方根預(yù)測誤差(RMSEP)值較小的條件下，應(yīng)盡量選擇理化值分布區(qū)間大的樣本用于建模，這樣得到的模型達(dá)到最優(yōu)。
　　本文研究開發(fā)了一款應(yīng)用近紅外光譜分析技術(shù)、基于USB4000的便攜式土壤養(yǎng)分（有機(jī)質(zhì)）含量測定儀。便攜式