1 塔里木大学农学院, 新疆 阿拉尔 843300
2 中国农业大学土地科学与技术学院, 北京 100083
3 浙江大学环境与资源学院, 浙江 杭州 310058
快速准确监测农田土壤全氮含量, 可显著提高土壤肥力诊断与评价工作的效率。 传统测定土壤全氮的方法存在耗时费力、 成本高、 环境污染等缺点, 而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。 中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言, 具有更多的波段数和信息量, 如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。 为了探索中红外光谱对土壤全氮监测的可行性, 以新疆南疆地区采集的246个农田土样为研究对象, 以室内测定的全氮含量和中红外光谱反射率数据为数据源, 分析了不同全氮含量土样的中红外光谱特征差异, 以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维, 然后采用偏最小二乘回归(PLSR)、 支持向量机(SVM)、 随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。 研究结果表明: (1)土壤在中红外波段光谱反射率随全氮含量的增加而增加, 在3 620, 2 520, 1 620和1 420 cm-1附近存在明显的吸收谷; 将中红外光谱数据进行最大值归一化处理后, 可明显提高土壤光谱反射率与全氮含量的相关性。 (2)对比两种数据降维方法, PCA和SPA分别使模型变量数减少了99.8%和97.5%, 但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型, 因此以PCA提取的主成分建模更适于土壤全氮模型的构建。 (3)在建模集中, PLSR和SVM模型以全波段建模精度最高, 但建模变量数多, 建模效率较低, 而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下, 可显著提高建模效率; 在预测集中, 基于PCA降维数据的BPNN模型预测能力最高, R2和RMSE分别为0.78和0.12 g·kg-1, RPD和RPIQ值分别为2.33和3.54, 模型具备较好的预测能力。 研究结果可为农田土壤全氮含量快速估测提供一定的参考价值。
中红外光谱 土壤全氮 反演模型 光谱数据降维 Mid-infrared spectrum Soil total nitrogen Inversion model Dimension reduction of spectral data 光谱学与光谱分析
2022, 42(9): 2768
1 武汉大学资源与环境科学学院, 湖北 武汉 430079
2 武汉大学苏州研究院, 江苏 苏州 215123
3 武汉大学地球空间信息技术协同创新中心, 湖北 武汉 430079
4 武汉大学教育部地理信息系统重点实验室, 湖北 武汉 430079
5 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
6 中国科学院地理科学与资源研究所, 北京 100101
土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。 当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映, 构建的样本集通常无法很好地代表目标土壤组分的变异。 光谱变换方法可以突出目标组分的光谱特征, 为此, 本文以湖北省江汉平原滨湖地区水稻土为研究对象, 结合包括一阶微分(FD)、 Savitzky-Golay(SG)、 Haar小波变换、 标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构, 通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响, 研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。 结果表明: 不同光谱变换会影响校正样本集的构建。 反射光谱经过SG或Haar小波变换后, 再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同, 建立的估算模型精度不变, 相对分析误差(RPD)分别为141和127。 结合FD, SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同, 建立的估算模型RPD分别从095, 148和142提高到113、 178和220。 研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性, 并可有效提高模型预测精度。
光谱变换 Kennard-Stone算法 校正集选择 模型精度 土壤全氮 Spectral transformation Kennard-Stone algorithm Calibration dataset construction Model accuracy Soil total nitrogen 光谱学与光谱分析
2017, 37(7): 2133
1 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046
2 绿洲生态教育部重点实验室, 新疆 乌鲁木齐 830046
3 新疆师范大学地理科学与旅游学院, 新疆 乌鲁木齐 830054
4 自治区重点实验室“新疆干旱区湖泊环境与资源实验室”, 新疆 乌鲁木齐 830054
以新疆艾比湖湿地保护区采集的300个荒漠土壤样品为研究对象, 利用ASD Field Spec○R 3 HR光谱仪获取的土壤可见-近红外光谱数据以及化学分析获取的土壤全磷数据为数据源, 将原始光谱数据经过卷积平滑、 标准正态变量变换以及一阶微分预处理后, 采用蚁群-遗传结合区间偏最小二乘法提取荒漠土壤全磷含量特征波长, 构建土壤全磷含量偏最小二乘回归预测模型; 并与全谱偏最小二乘、 蚁群-区间偏最小二乘、 遗传-偏最小二乘模型进行比较。 结果表明: 经蚁群-区间偏最小二乘法筛选后, 荒漠土壤全磷特征波段为500~700, 1 101~1 300, 1 501~1 700, 1 901~2 100 nm; 进一步采用遗传-区间偏最小二乘法进行变量选择, 得到共线性最小的13个有效波长, 分别为: 1 621, 546, 1 259, 573, 1 572, 1 527, 564, 1 186, 1 988, 1 541, 2 024, 1 118和1 191 nm。 建模方法比较显示, 采用蚁群-遗传结合区间偏最小二乘法选择的特征变量, 建立的模型精度最高, 其次是遗传算法、 蚁群算法和全光谱。 蚁群-遗传结合区间偏最小二乘法建立的土壤全磷含量的模型, 效验证均方根误差RMSECV以及预测集均方根误差RMSEP分别为0.122和0.108 mg·g-1, 效验证相关系数Rc以及预测集的相关系数Rp分别为0.535 7, 0.555 9。 因此, 经过卷积平滑、 标准正态变量变换以及一阶微分预处理, 并利用蚁群-遗传结合区间偏最小二乘法建立的模型不仅简单, 而且具有较高的预测精度和较好的稳健性, 可以估算荒漠土壤全磷含量。
光谱学 近红外光谱 蚁群-遗传区间偏最小二乘法 荒漠土壤全磷 Spectroscopy Vis-nir spectra Aco-ga-ipls Deserts soil total phosphorus content
1 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
2 华东交通大学轨道交通学院, 江西 南昌 330013
基于便携式短波近红外光谱技术检测了土壤总氮含量。 采集浙江省文城地区农田土壤样本243个, 将土壤样本分为三组, 一组未经过粉碎、 过筛等处理, 一组做过2 mm筛处理, 一组过0.5 mm筛过处理, 采用usb4000便携式光谱获取土壤光谱数据, 结合(savitzky-golay, SG)平滑算法, 波长压缩算法和小波变换对原始数据进行预处理, 然后采用竞争性自适应重加权、 随机青蛙和连续投影算法进行特征波长选择。 基于全光谱建立了偏最小二乘回归和基于特征波长建立了极限学习机和LS-SVM模型。 结果表明过筛处理后的样本模型结果优于未过筛的样本模型结果, 过0.5 mm筛处理的土壤样本模型预测结果略优于过2 mm筛处理的土壤样本模型预测结果, 最优预测集的决定系数为0.63, 预测均方根误差为0.007 9, 剩余预测偏差为1.58。 表明便携式仪器检测土壤总氮含量, 经过过筛处理的土壤样品检测结果优于未过筛土壤样品检测结果, 建议土壤样品检测总氮含量时需经过过筛处理, 这样得到的结果较为理想, 在此基础上采用性能较好的光谱仪器采集数据, 以减小原始光谱噪声。
便携式短波近红外光谱 土壤总氮 Portable short wave NIR spectra Soil total nitrogen LS-SVM LS-SVM
1 金华职业技术学院, 浙江 金华 321017
2 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
3 华东交通大学轨道学院, 江西 南昌 330013
4 浙江大学动物科学学院, 浙江 杭州 310058
基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究.采集农田土壤样本近红外光谱数据,土壤样本数量共394个.由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26.研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。
近红外光谱 土壤总氮 连续投影算法 回归系数分析 Visible near infrared spectroscopy Soil total N Regression coefficient analysis(RCA) Successive projections algorithm(SPA) 光谱学与光谱分析
2015, 35(5): 1248
1 浙江大学生物系统工程与食品科学学院, 浙江 杭州310058
2 农业部设施农业装备与信息化重点实验室, 浙江 杭州310058
3 浙江省农业科学院环境资源与土壤肥料研究所, 浙江 杭州310021
4 浙江大学智能系统与控制研究所, 工业控制技术国家重点实验室, 浙江 杭州310027
应用可见-近红外光谱技术进行定量分析时, 变量选择起着十分重要的作用。不同土壤样品之间的预测机制可能存在很大差异, 当待测样品出现新的特征信息时, 基于建模集选择的特征变量不一定能够很好地代表待测样品的有效信息, 继续采用原有特征变量建模就易导致预测误差增大。该研究采用递归变量选择方法在预测过程中递归更新土壤全氮与有机质的特征变量, 以保持预测模型的鲁棒性; 比较了偏最小二乘法(PLS), 递归偏最小二乘法(RPLS)和不同递归变量选择方法, 如: 变量投影重要性与RPLS相结合(VIP-RPLS), VIP-RPLS, 无信息变量消除法与PLS相结合(UVE-PLS)对于土壤全氮与有机质含量的预测效果。所用195份土壤样品来自浙江省文成县8个乡镇的农田。土壤样品随机分成两部分, 一部分作为建模集包含120份样品, 另一部分作为预测集包含75份样品。结果表明: VIP-RPLS建立的模型对于预测土壤全氮与有机质含量取得了最优的结果, 获得的决定系数(R2)分别为0.85与0.86, 获得的预测相对分析误差(RPD)分别为2.6%与2.7%。说明VIP-RPLS通过不断更新模型的特征变量, 能够捕获新加入到建模集样品的有效信息。相比于本研究中的其他方法, VIP-RPLS对于土壤全氮与有机质含量具有更高的预测精度。
可见近红外光谱 土壤全氮 有机质 递归偏最小二乘 递归变量选择 Visible and near-infrared spectroscopy Soil total nitrogen Organic matter Recursive partial least squares Recursive variable selection 光谱学与光谱分析
2014, 34(8): 2070
1 浙江大学环境与资源学院农业遥感与信息技术应用研究所, 浙江 杭州 310058
2 中国农业科学院农业资源与农业区划研究所农业部作物营养与施肥重点开放实验室, 北京 100081
3 塔里木大学植物科学学院, 新疆 阿拉尔 843300
4 浙江大学唐仲英传感材料及应用研究中心, 浙江 杭州 310058
充分挖掘大样本土壤光谱库中有效信息，建立普适性强的土壤全氮(TN)含量反演模型，是高光谱分析的重要应用方向之一。研究采用偏最小二乘回归(PLSR)全局建模、局部加权回归(LWR)和模糊K均值聚类结合PLSR(FKMC-PLSR)局部建模三种方法，分别建立了来自中国西藏、新疆、黑龙江、海南等13个省采集的17种土类1661个土壤样本TN值的高光谱反演模型，并对浙江省104个水稻土样本进行模型验证。结果表明，在大样本下PLSR全局模型对高TN值待预测样本存在低估现象，导致整体预测精度偏低； LWR和FKMC-PLSR局部模型比PLSR全局模型能够更为准确地反演TN含量。研究结果可为利用大样本光谱数据库建立稳定性和普适性较高的土壤TN含量预测模型提供参考。
光谱学 土壤光谱库 局部加权回归 模糊K均值聚类 土壤全氮 大样本
“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
1 中国科学院长春光学精密机械与物理研究所, 吉林 长春130033
2 中国科学院研究生院, 北京100049
讨论了如何利用连续投影算法提取土壤总氮的近红外特征波长。 使用连续投影算法对光谱数据进行初步压缩, 将优选出的波长按其对总氮贡献值的大小进一步筛选, 剔除不敏感的波长, 降低模型的复杂度。 分析85份土壤样品的近红外光谱, 使用连续投影算法得到了总氮的12个波长, 贡献值筛选后, 波长数量减少到6个, 所建模型的预测相关系数(Rp)为0.913, 预测均方根误差(RMSEP)为0.011%, 模型的预测精度与贡献值筛选前相当, 且优于全谱偏最小二乘回归结果。 结果表明结合贡献值筛选的连续投影算法能够有效选取待测成分的特征波长, 文章所优选的土壤总氮的6个特征波长可以作为小型滤光片式近红外光谱仪波长选择的参考依据。
连续投影算法 贡献值筛选 土壤总氮 特征波长 近红外光谱 Successive projection algorithm Screening on contribution Soil total nitrogen Characteristic wavelength Near-infrared spectra 光谱学与光谱分析
2009, 29(11): 2951
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
