1 中国农业大学烟台研究院, 山东 烟台 264670
2 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈。 鉴于特征提取及非线性表达能力方面的优势, 深度学习模型具有较强的泛化能力。 提出一种融合自动编码器和卷积神经网络(Encoder-CNN)的土壤氮含量光谱预测模型, 探索模型结构和参数对模型性能的影响。 根据以往研究成果和相关性分析, 获得180个与氮含量强相关的波长, 将其作为Encoder-CNN模型输入, 而将土壤氮含量作为模型输出。 Encoder-CNN模型利用自动编码器的编码部分进行光谱数据降维, 然后输入到卷积神经网络进行土壤氮含量预测。 设计2种网络结构, 每种网络结构包含2种不同参数设置, 共4个模型, 用以探索Encoder-CNN土壤氮含量光谱预测模型结构和参数对模型性能的影响。 利用公开数据集LUCAS对模型进行训练。 按3σ原则对公开数据集LUCAS进行异常值检测与处理, 获得20 791个数据, 其中18 711个样本作为训练集, 2 080个样本作为测试集, 对Encoder-CNN模型进行训练。 结果表明: 对于自动编码器, 在相同隐含层数下, 最后的隐含层神经元个数为30时, 复现效果最优。 增加隐含层数, 会提升复现效果。 增加卷积核数量, 特别是尺寸为1×1卷积核, 能够提高模型的预测性能与可靠性。 增加池化层的网络结构, 模型预测精度提升至0.90以上。 增加全连接层神经元数量也会提升模型性能。 利用自采集的黑龙江黑土实时光谱数据集进行模型迁移, 观察模型泛化能力。 当模型迭代100次后, 在黑龙江数据集上的预测精度即可达到0.90以上; 当迭代次数为900时, 模型在训练集和测试集上的预测精度可以达到0.98。 结果表明, 所构建的Encoder-CNN土壤氮含量光谱预测模型具有较好的泛化能力。
土壤 氮含量 光谱预测 卷积神经网络 自动编码器 Soil Nitrogen content Spectral prediction Convolutional neural network Auto-encoder 光谱学与光谱分析
2022, 42(5): 1372
中国农业大学， 现代精细农业系统集成研究教育部重点实验室， 北京100083
利用Shimadzu UV2450分光光度计测量了含有不同叶绿素浓度的湖水样本在可见光和近红外区域的透射光谱， 并使用实验室手段测量了水体的叶绿素含量。 分析了湖水样本的透射光谱特性， 同时引入二维相关光谱技术， 利用叶绿素浓度值作为微扰量， 得到水体叶绿素的动态光谱， 进而结合二维同步谱图和异步谱图确定表征水体叶绿素浓度的特征波段。 综合观察二维相关光谱中的同步谱图和异步谱图， 更加精确地阐明了水体光谱特征， 同时剔除水体中其他物质对于光谱信息的影响， 更有效、 全面地提取反映水体叶绿素信息的敏感波段。 利用所选特征波段构建归一化水体叶绿素指数， 将特征波段与叶绿素指数分别与水体叶绿素浓度建立线性预测模型。 结果显示， 归一化水体叶绿素指数的预测模型测定R2达到0.771 2， 均方根误差是45.509 8 mg·L-1， 预测R2达到0.765 8， 均方根误差是39.503 8 mg·L-1。 模型精度较利用特征波段建立的多元线性回归模型有了较大的提高， 达到了实用水平。
二维相关光谱 光谱分析 叶绿素含量 Water Two-dimensional correlation spectrum Spectra analysis Chlorophyll concentration
现代精细农业系统集成研究教育部重点实验室, 中国农业大学, 北京100083
采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析, 分析结果显示波长560, 678以及786 nm处的光谱反射率（G560, R678, NIR786）与冬枣叶片氮素含量之间的灰色关联度最高。 利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。 进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度, 结果显示: 归一化植被指数（NDVI）、 绿色比值植被指数（GRVI）、 归一化差异绿度植被指数（NDGI）、 绿色归一化植被指数（GNDVI）和组合归一化植被指数（CNDVI）等5个指数与叶片氮素含量的灰色关联度较高。 利用3个特征波段的光谱反射率和5个关联度较高的植被指数, 分别采用最小二乘支持向量机（LS-SVM）以及GM（1, N）模型建立了冬枣叶片氮素含量预测模型。 结果表明, 采用特征波段光谱反射率（G560, R678, NIR786）建立的冬枣叶片氮素含量GM(1, N)模型的精度最高, 预测R2达0.928, 验证R2达0.896。
冬枣光谱 灰色关联度 植被指数 Spectra data of jujube Gray relation degree Vegetation index GM(1 GM(1 N) N) LS-SVM LS-SVM 光谱学与光谱分析
2013, 33(11): 3083
“现代精细农业系统集成研究”教育部重点实验室, 中国农业大学, 北京100083
利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一, 但是由于土壤水分在近红外波段的吸收系数较高, 影响了土壤全氮含量的实时预测精度。 使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描, 定性和定量的分析了土壤水分对近红外光谱的影响, 并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。 近红外光谱扫描结果显示在同一全氮含量水平下, 随着土壤水分含量的增加, 光谱吸光度呈逐渐上升的趋势, 且变化趋势为非线性。 通过对1 450和1 940 nm两个水分吸收波段的差分处理, 设计了水分吸收指数MAI（moisture absorbance index）, 再对土壤按照水分含量梯度进行分类, 提出了相应的修正系数。 修正后的6个土壤全氮特征波段处(940, 1 050, 1 100, 1 200, 1 300和1 550 nm)的土壤吸光度值作为建模自变量, 使用BP神经网络建立了土壤全氮预测模型, 模型的RC, RV, RMSEC, RMSEP和RPD分别达到了0.86, 0.81, 0.06, 0.05和2.75; 与原始吸光度所建模型相比较模型精度得到了显著提高。 实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响, 为土壤全氮含量实时预测提供了理论和技术支持。
土壤水分影响 近红外光谱技术 土壤全氮 精细农业 Effect of soil moisture Near infrared spectroscopy Soil total nitrogen Precision agriculture
“现代精细农业系统集成研究”教育部重点实验室， 中国农业大学， 北京100083
为了提高基于近红外光谱的温室番茄叶绿素含量预测精度， 采用小波变换消除光谱中的随机噪声。 但是在去噪的同时， 也会降低有效信息量。 因此， 引入平滑指数(SI)和时移指数(TSI)对去噪效果进行量化， 以控制变换尺度， 获得最佳变换效果。 实验表明TSI<0.01且SI>0.1004时， 在去噪的同时， 也能保留反映生化参量的特征峰， 从而实现自适应小波去噪。 通过小波变换反射率与叶绿素含量的相关分析， 提取了反映叶绿素含量变化的特征波段， 使用偏最小二乘法建立了叶绿素含量预测模型， 结果表明使用384， 405， 436， 554， 675和693 nm处的吸光度建立的模型， 预测系数Rc达到0.892 6， 验证系数Rv达到0.829 7， 可以作为温室番茄营养状态快速诊断的技术基础。
温室番茄 光谱分析 小波变换 叶绿素 Greenhouse tomato Spectral analysis Wavelet transform Chlorophyll 光谱学与光谱分析
2011, 31(11): 2936
中国农业大学, “现代精细农业系统集成研究”教育部重点实验室, 北京100083
开发了一款基于近红外漫反射测量的便携式土壤有机质测定仪。 测定仪主要由光学单元和电路单元组成。 光学单元包括光源、 入射和反射光信号传导光纤、 光电转换器件等。 电路单元包括光源驱动电路, 放大电路、 A/D转换电路、 液晶显示和U盘存储电路等。 工作时探头部分插入土壤形成密闭空间, 光源发出的光通过入射光纤传送到探头的顶端, 并照射顶端周围的土壤; 来自土壤的漫反射光沿反射光纤被传送到光电转换器件, 产生的电流再被送至电路单元进行放大、 滤波、 A/D转换、 显示和存储。 分别针对自然土样和烘干土样的性能试验结果表明, 反射率和SOM含量之间具有很高的相关性, 在土壤有机质实际含量大于2%时, 平均相对误差率低于5%。 开发的仪器能够满足农业生产需要。
近红外光谱学 漫反射 土壤有机质 测定仪 NIR spectroscopy Diffuse reflection Soil organic matter Detector 光谱学与光谱分析
2010, 30(4): 1146
中国农业大学,“现代精细农业系统集成研究”教育部重点实验室, 北京 100083
应用面向对象的软件开发理念开发了基于近红外光谱的土壤参数快速分析系统。系统设计了SOIL类，SOIL类的实例化对象即为具有某种特定类型、特定物理性质以及光谱特性的土壤样本。系统主要包括文件操作、光谱预处理、样品分析、建模和验证以及样品测定等子功能。系统首先接收土壤标定样本集的目标参数及光谱数据文件，并对其进行各种预处理，将处理结果显示在终端，并将建立的模型保存在模型数据库。系统通过预测土壤参数界面读取模型数据库中保存的各种模型及其参数，并将读入的待测样本光谱信息代入选定的模型，从而实现土壤参数分析功能。系统采取Visual C++6.0和Matlab 7.0协同完成功能开发，并采用Access XP来建立和管理模型数据库。
光谱分析 土壤参数 土壤类 预测模型 分析系统 Spectral analysis Soil parameter Soil class Forecasting model Analysis system 光谱学与光谱分析
2009, 29(10): 2633
中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
从田间采集了150个田间土壤样本, 在分析了所有样本的土壤参数统计特征之后, 对原始近红外光谱数据进行了聚类分析, 分别得到了50个土壤全氮和50个土壤有机质的等价样本及其对应光谱。 对样本光谱曲线进行8层Biorthogonal小波包分解, 分解得到的最低低频［80］结点对应着土壤水分以及土壤质地的光谱变化趋势, 最高高频［8 255］结点对应着土壤粒度、 光谱仪精度等引起的高频震荡。 对以上两个结点进行重构并从样本光谱曲线中剔除以上影响成分, 得到了对应的土壤参数特征光谱。 基于特征光谱建立了土壤参数偏最小二乘回归模型： 全氮偏最小二乘预测模型的预测系数rc达到了0.960, 验证系数rv达到了0.920； 有机质偏最小二乘预测模型的预测系数rc达到0.922, 验证系数rv达到0.883。 模型精度明显提高, 满足实际生产的需要。
光谱分析 土壤有机质 土壤全氮 小波分析 特征光谱 Spectral analysis Soil organic matter Soil total nitrogen Wavelet packet analysis Characteristic spectrum 光谱学与光谱分析
2009, 29(6): 1549
