西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量, 但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。 为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度, 利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机(PSO-LSSVM)校正模型, 预测M107B区的23个验证集样品的决定系数R2=0.859, 相对分析误差RPD=2.660; 将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测, 预测R2=0.562, 预测RPD=0.952, 模型的预测R2和预测RPD分别降低34.6%和64.2%, 表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时, 预测精度显著降低; 将N116B区部分土壤样品加入到M107B区样品集后重新建模, 并预测N116B区20个验证集样品的有机质含量, 当加入的N116B区土壤样品数量达到35以上, 预测R2>0.80, 预测RPD>2.0; 加入到校正集的N116B区土壤样品数量从0增加到50, 模型预测R2从0.562增加到0.811, 预测RPD从0.952增加到2.274, 精度逐渐提高。 结果表明, 在M107B区校正模型中加入N116B区部分土壤样品建模, 能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度; 加入的N116B区土壤样品数量达到50以上, 模型预测性能趋于稳定, 预测精度达到实用要求, 成功将M107B区土壤有机质含量校正模型传递给N116B区土壤; 优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模, 可有效避免模型传递时模型性能出现突变。 提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度, 为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法, 为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。
可见-近红外光谱 精细农业 土壤有机质 粒子群-最小二乘支持向量机 模型传递 Visible and near-infrared spectroscopy Precision agriculture Soil organic matter Particle swarm optimization-based least squares support vector machines Model transfer 光谱学与光谱分析
2022, 42(10): 3148
“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 浙江大学生物系统工程与食品科学学院, 浙江 杭州310029
2 东京农工大学农学部, 东京183-8509, 日本
果树的隔年结果现象严重影响果园的果实产量和经济效益。 选择受隔年结果现象影响较为严重的柑橘作为研究对象, 运用机载高光谱成像仪在较早生长季节(2003年4、 5、 6月)获取柑橘果树的高光谱图像, 利用偏最小二乘回归(PLS)确定基于高光谱图像数据的模型预测变量, 建立柑橘产量的多元线性回归(MLR)和人工神经网络(ANN)预测模型。 研究结果表明, 利用5月份获得的高光谱图像建立的模型具有最优的产量预测效果, 而且PLS-MLR模型比PLS-ANN模型具有更好的稳定性和一致性。 该研究结果为今后研制和开发基于高光谱成像技术的柑橘产量预测方法提供了重要的理论和技术基础。
柑橘 预测模型 变量技术 精细农业 Citrus PLS PLS MLR MLR ANN ANN Prediction model Variable rate technology Precision agriculture 光谱学与光谱分析
2010, 30(5): 1295
1 中国科学院遥感应用研究所 遥感科学国家重点实验室,北京 100101
2 中国科学院研究生院,北京 100039
3 国家农业信息化工程技术研究中心,北京 100097
光化学植被指数PRI(photochemical reflectance index)为估算植被的光能利用率LUE(light use efficiency)提供了一种快速、有效的方法。越来越多的研究关注外界环境对PRI和LUE之间关系的影响,这些因素包括水分含量、CO2浓度等等。文章选择了不同氮、钾施肥量处理的小麦,测量其LUE和PRI,分析不同肥料处理对二者关系的影响。实验表明,氮、钾施肥量的增加将提高冠层光谱的PRI值和叶片内部叶绿素的含量,在此基础上提高小麦的LUE。对于不同氮、钾处理的小麦,PRI和LUE之间都获得了很好的相关关系,总的相关系数R2分别是0.710 4和0.853 4。随着氮、钾肥量的增加,PRI和LUE之间的相关性也在增加。对1,2,3份的氮施肥量,相关系数R2分别是0.602 0,0.640 4和0.801 4;钾施肥量为1,2,3份时,R2分别为0.379 1,0.640 4和0.676 9。因此,PRI不仅能够获可靠精度的LUE,并且为监测小麦的肥料状况提供了一种间接方法,这将为田间管理和精细农业提供了必要的参考信息。
光化学植被指数PRI 光能利用率(LUE) 氮肥 钾肥 精细农业 Photochemical reflectance index (PRI) Light use efficiency (LUE) Nitrogen Kalium Precision agriculture
