1 塔里木大学农学院, 新疆 阿拉尔 843300
2 塔里木大学机械电气化工程学院, 新疆 阿拉尔 843300
3 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
4 中国农业大学土地科学与技术学院, 北京 100083
5 塔里木大学园艺与林学学院, 新疆 阿拉尔 843300
土壤有机质(SOM)含量是制定枣园土壤施肥方案的主要依据。 合理的施肥方案对提升红枣品质、 减少农户投入和增加枣园产出有重要意义。 利用传统方法获取枣园SOM含量耗费时间和资源, 不符合枣园精准施肥管理的需求, 土壤有机质高光谱检测是一种有效的替代方法。 为筛选南疆枣园SOM的高光谱快速检测模型, 采用网格布点法采集158个枣园土壤样品, 测定风干土样的室内高光谱数据和SOM含量。 分别将400~2400 nm全波段(R)和通过竞争自适应加权算法(CARS)、 连续投影算法(SPA)、 粒子群优化算法(PSO)三种数据降维算法筛选的数据集与偏最小二乘回归(PLSR)、 反向传播神经网络(BPNN)、 卷积神经网络(CNN)三种建模方法结合构建12种枣园SOM含量的组合反演模型, 通过对比模型的精度评价指标和训练时间, 筛选枣园SOM含量最优光谱反演模型。 结果表明: (1) CARS、 SPA、 PSO三种降维算法都能将光谱数据压缩至原来的10%以下, 筛选波长数分别由原来的2 001个变量降为98、 156、 102个, 降维组合模型的验证集RPD均大于1.50, 均能实现对枣园SOM含量的反演, 与R组合模型相比, 降维组合模型至少能节省30%的时间成本, 特别是与BPNN和CNN等构建的组合模型, 能节省90%的训练时间, 且模型稳定性更强, 模型效果更优。 (2) CARS数据集构建组合模型的验证集R2均大于0.85, RPD均大于2.50, RPIQ均大于1.60, 在三种降维算法中效果最好; PSO数据集的组合模型验证效果略低于CARS数据集, 但优于R数据集, R2均大于0.80、 RPD均大于2.00; SPA数据集构建组合模型的验证效果要低于R数据集, 在三种降维算法中效果最差。 (3) BPNN和CNN两种方法的反演模型验证效果均优于PLSR模型, 而在模型训练时间和模型验证效果等方面, BPNN模型优于CNN模型, 其结合CARS数据集的验证效果最优, R2为0.91、 PRD为3.34、 RPIQ为3.17、 nRMSE%为11.93, 训练时间为58.00 s, 模型符合快速检测枣园SOM含量的要求。 CARS-BPNN模型为反演南疆枣园SOM的最优模型, 研究结果能够为南疆枣园土壤养分快速检测与制定施肥方案提供参考。
枣园土壤有机质 CARS算法 CNN模型 BPNN模型 检测模型 Soil organic matter in Jujube orchard CARS algorithm CNN model BPNN model Detection model 光谱学与光谱分析
2023, 43(8): 2568
1 塔里木大学植物科学学院, 新疆 阿拉尔 843300
2 中国农业大学土地资源管理学院, 北京 100083
田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率, 但由于原位土壤中水分因素的影响, 土壤属性的预测精度很难达到预期。 如何有效去除土壤中的水分对土壤其他属性光谱预测的影响, 是利用田间原位光谱高精度预测土壤属性所面临的难题, 也是土壤光谱技术由室内转向田间的突破口。 该问题的有效解决, 可减除土壤样品的采集与室内预处理等过程, 实现土壤属性的田间原位光谱测定。 以新疆南部地区阿拉尔垦区十二团棉田为研究区, 采用网格采样法共采集了116个0~20 cm深度的表层土壤样品, 剔除1个异常值样品, 得到115个有用样品, 利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据, 土样经风干、 研磨和过筛等处理后测定其室内光谱和有机质含量。 利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集, 采用外部参数正交化法(EPO)、 光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、 反射率一阶微分(R')、 反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式, 运用随机森林(RF)模型进行不同组合模型的构建及精度评价。 结果表明: (1)土壤有机质含量越高, 土壤光谱反射率越低。 土壤田间原位光谱反射率低于土壤室内光谱反射率; (2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱, 室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。 (3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。 在去除水分算法模型中, 以EPO一阶微分模型去除水分效果最好, 决定系数R2由0.71提高到0.83, RPD由1.49提高到2.04, RMSE由2.17 g·kg-1降低至1.58 g·kg-1, MAPE由0.20降低至0.14。 本研究实现了去除土壤水分因素的影响, 提高了田间原位光谱预测土壤有机质的精度, 为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。
土壤有机质 外参数正交化(EPO) 光谱直接转换法(DS) 光谱间接转换法(PDS) 随机森林(RF) Soil organic matter External parameter orthogonalization (EPO) Direct standardization (DS) Segmented direct standardization (PDS) Random forest (RF) 
1 塔里木大学植物科学学院, 新疆 阿拉尔 843300
2 中国农业大学土地资源管理学院, 北京 100083
3 浙江大学环境与资源学院, 浙江 杭州 310058
土壤有机质是土壤肥力的物质基础, 其含量的高低是评价土壤肥力的重要标志。 土壤有机质组分根据其溶解性可分为胡敏素(HM)、 胡敏酸(HA)、 富里酸(FA), 不同组分的肥力特性差异显著, 因此, 土壤有机质组分数据可更加全面、 客观的反映土壤肥力状况。 传统土壤土壤有机质及组分的测定工序繁杂, 效率低下且时效性差, 大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本, 但关于可见光-近红外、 中红外光谱检测土壤有机质组分的报道鲜见。 为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性, 并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度, 以南疆地区农田土壤为例, 在阿克苏及和田地区共采集93个土样, 进行有机质、 胡敏素、 胡敏酸、 富里酸含量及光谱数据的测定。 其次, 利用可见-近红外(VNIR)、 中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集, 采用偏最小二乘(PLSR)、 支持向量机(SVM)、 随机森林(RF)三种建模方式对土壤有机质、 胡敏素、 胡敏酸、 富里酸含量进行组合模型分析预测。 结果表明: (1)土壤有机质及各组分均与光谱反射率有较好的相关性, 土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。 (2)有机质最优预测模型的模式为VNIR-MIR-RF, 该模型的决定系数R2为0.90; 胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型, R2均为0.92; 富里酸最优预测模型的模式为MIR-RF模型, R2为0.94。 (3) 基于胡敏素、 胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型, 两种模型的R2分别为0.93和0.90。 实现了土壤有机质组分的高效快速反演, 且基于有机质组分的组合模型提高了土壤有机质预测精度, 为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。
土壤有机质组分 光谱反射率 偏最小二乘 支持向量机 随机森林 反演模型 Soil organic matter Spectral reflectance Partial least squares regression (PLSR) Support vector machine regression (SVM) Random forest regression (RF) Inversion model 光谱学与光谱分析
2021, 41(10): 3069
