1 河南农业大学信息与管理科学学院, 河南 郑州 450002 河南粮食作物协同创新中心, 河南 郑州 450002
2 河南农业大学信息与管理科学学院, 河南 郑州 450002
3 Universidade Nova de Lisboa, NOVA Informantion Managment School, Lisboa, 1070-312, Portuga
土壤全氮是重要的养分指标, 利用高光谱技术研究并构建砂姜黑土全氮含量高光谱估测模型, 为作物施肥及发展精确农业提供参考。 尝试研究离散小波估测土壤全氮含量的可行性, 以河南省商水县不同小麦氮肥处理为试验区, 采集100份0~20 cm的砂姜黑土, 土壤样本风干并经研磨过筛等处理后, 在实验室暗室内采集光谱。 利用含量梯度法, 将总样本(100个砂姜黑土)划分为建模集75个和验证集25个。 将原始光谱进行一阶导数变换, 并对一阶导数光谱分别进行相关分析和离散小波变换, 同时结合支持向量机和K邻近算法构建高光谱土壤全氮估测模型。 系统分析了原始光谱和一阶导数光谱的单波段与土壤全氮的相关性, 结果表明, 经一阶导数变换后的光谱与土壤全氮有更好的相关性, 在1 373 nm处相关系数达到最高为0.84。 利用离散小波算法对一阶导数光谱进行最佳母小波和分解层次选择, 结果显示, 经sym8函数分解的小波系数能较好的重构土壤全氮光谱信息, 进一步基于分解层L1—L11的低频系数分别建立支持向量回归和K邻近回归土壤全氮含量估测模型, 比较全部估测模型, 以分解层L5的低频系数结合K邻近构建的模型最优, 建模决定系数为0.90, 均方根偏差为0.09 g·kg-1, 相对分析误差为3.78, 验证决定系数为0.97, 均方根偏差为0.05 g·kg-1, 相对分析误差为4.30。 同时与全波段和经相关分析后挑选出的敏感波段作为输入构建的模型进行比较, K邻近模型精度提高了3.2%和9%, 支持向量机模型精度提高了6.7%和11.6%。 研究结果表明一阶导数变换与离散小波技术可有效减少噪声影响, 提高土壤全氮含量的估测精度, 又实现了光谱数据降维, 简化了模型复杂度, 为砂浆黑土全氮含量的精确估测提供参考。
砂姜黑土 全氮 高光谱 离散小波 K邻近算法 Shajiang black soil Total nitrogen Hyperspectral Discrete wavelet K-neighbor 光谱学与光谱分析
2023, 43(10): 3223
安徽省农业科学院土壤肥料研究所, 安徽 合肥 230031
氮素是作物生长发育必需的营养元素之一, 作物的全氮含量是表征其氮素状况的主要指标。 田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥, 减少环境污染。 无人机高光谱遥感具有分辨率高、 时效性高、 成本低等优势, 可为作物长势信息反演提供重要数据源。 XGBoost(extreme gradient boosting)作为一种新兴集成学习算法, 运行效率高, 泛化能力强, 可以有效的应用于构建冬小麦全氮含量遥感反演模型, 预测田块尺度冬小麦全氮含量空间分布。 以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象, 开展以下工作: (1)以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像, 结合地面采样数据, 获取126个样点全氮含量数据; (2)分析拔节期冬小麦冠层光谱特征, 并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性; (3)构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。 结果表明: (1)176个波段(400~1 000 nm)的光谱反射率与冬小麦全氮含量之间具有较强的相关性, 除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5; (2)基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度(R2=0.76, RMSE=2.68); (3)基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图, 总体上呈现较为显著的空间差异。 该研究可为冬小麦精准定量追肥提供一定的科学依据, 也为发展无人机高光谱遥感的精准农业应用提供了参考。
冬小麦全氮含量 无人机高光谱 遥感反演 Winter wheat total nitrogen content (TNC) UAV hyperspectral data XGBoost Remote sensing estimation XGBoost 光谱学与光谱分析
2022, 42(10): 3269
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
南京信息工程大学应用气象学院, 江苏省农业气象重点实验室, 江苏 南京 210044
土壤团聚体是土壤生态系统的重要组成部分, 其碳氮含量及动态决定着土壤碳氮循环过程、 稳定性及肥力。 由于团聚体分级方法的差异, 不同研究所获得的团聚体粒径也不尽相同, 应用红外光谱对土壤团聚体性质进行建模预测时若对不同粒径团聚体分别建模需要大量样本且难以对所有组分同时进行合理预测。 该研究对不同粒径团聚体样本进行综合建模预测, 探寻一种高效可行的不同粒径团聚体性质的综合预测方法。 采集了内蒙古淡栗钙土土壤样本进行傅里叶变换红外光谱分析, 用遗传算法对特征波长进行了选择, 基于偏最小二乘法(PLSR)、 支持向量机(SVM)、 人工神经网络(ANN)和随机森林(RF)等方法建立了不同粒径团聚体土壤有机碳(SOC)、 全氮(TN)和红外光谱吸光度之间的估测模型。 结果表明, 基于遗传算法筛选的特征光谱区间构建的土壤团聚体SOC和TN含量的ANN模型的预测能力均是最好的(RPD>2), 显著优于PLSR、 SVM及RF模型; 基于全谱数据的ANN模型对土壤团聚体SOC和TN的预测效果均低于基于GA选择的特征光谱区间的ANN模型, 说明基于GA的特征光谱区间选择不仅可以简化模型结构, 剔除无关的信息, 而且可以提高模型的精度和预测效果。 该研究将不同粒径土壤团聚体FTIR数据混合建模, 通过遗传算法筛选特征光谱, 发现人工神经网络模型可以很好地对土壤团聚体碳氮含量进行预测, 且不会受团聚体粒径的影响, 主要由于在遗传算法选择特征光谱时已将某些反映土壤矿物、 粘粒等特征的波长区间包含在内, 而人工神经网络所建立的模型可能已包含了不同粒径对土壤碳氮含量的影响, 该结果表明基于遗传算法筛选特征波长区间并采用人工神经网络可以将不同粒径土壤团聚体统一建模, 用于团聚体土壤有机碳和全氮含量的估测。
淡栗钙土 有机碳 全氮 团聚体 红外光谱 Light chestnut soil Soil organic carbon Total nitrogen Soil aggregates FTIR spectroscopy 光谱学与光谱分析
2020, 40(12): 3818
为实现现场、 快速且相对准确地获得规模化奶牛场粪便从牛舍到还田前各环节的全氮含量, 连续6天采集天津市某典型奶牛场粪便处理全过程环节(收集—筛分—堆储)111个粪便样品, 使用电热鼓风干燥箱将样品烘干后粉碎并过18目筛。 采用凯氏定氮仪测得各环节样品中全氮含量, 其浓度范围为0.20%~3.86%; 采用美国PE公司的傅里叶近红外光谱仪在4 000~12 000 cm-1范围内采集所有样品的近红外漫反射光谱。 基于蒙特卡洛交叉验证法对异常样品进行检查, 剔除17个异常样品, 并对剩余94个样品的近红外漫反射光谱进行SG一阶导数与去噪预处理。 接着对94个样品预处理后的近红外漫反射光谱数据进行主成分分析, 前两个主成分可以解释所有变量方差的89%, 通过主成分分析得出规模化奶牛场粪便处理全过程环节样品的变异情况: 从鲜粪到混合粪环节, 样品的性质和有机组分变化不大, 而到垫料环节, 性质和有机组分发生较大变化, 表明粪便样品随着处理环节的变化, 其性质和组成在发生动态的变化。 因此, 要实现对规模化奶牛场粪便处理全过程环节样品动态的、 实时的总氮快速检测, 就必须建立适用于粪便处理全过程环节的定量分析模型。 最后, 采用K-S法从94个样品中选择63个样品, 包括24个鲜粪样品、 28个混合粪样品、 11个垫料样品, 作为校正集建立规模化奶牛场粪便处理全过程环节定量分析总氮的偏最小二乘模型。 利用所建立的全环节模型对预测集31个未知样品, 包括12个鲜粪样品、 9个混合粪样品、 10个垫料样品, 进行预测, 预测浓度与实际浓度的相关系数(R)为0.91, 预测均方根误差(RMSEP)为0.151%。 表明: 将近红外漫反射光谱与化学计量学结合快速定量分析规模化奶牛场全程粪便中全氮的含量完全可行, 为粪便全氮快速检测近红外仪器的开发和现场应用提供理论和实验依据, 为粪便定量还田提供技术支撑。
规模化奶牛场 粪便 全氮 近红外漫反射光谱 偏最小二乘 Large-scale dairy farm Manure Total nitrogen (TN) Near-infrared diffuse reflectance spectroscopy Partial least squares 光谱学与光谱分析
2020, 40(10): 3287
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
南京信息工程大学地理与遥感学院, 江苏 南京 210044
反射光谱技术具有快速、 便捷等特点, 过去几十年中将其应用于土壤科学的研究呈指数增长, 且广泛用于土壤属性估算。 土壤全氮含量是一项非常重要的肥力指标, 光谱估算全氮含量可以为实现精准农业提供重要支持。 但反射光谱估算土壤全氮含量是基于全氮与有机碳的相关性还是基于氮本身的吸收特征仍然存在争议。 本文以江苏滨海土壤为研究对象, 利用偏最小二乘法分别构建全氮和有机碳在相同建模样本量、 不同全氮含量及变异程度情况下的估算模型, 通过分析模型精度变化规律及全氮与有机碳估算模型系数的相关性, 探讨土壤全氮反射光谱估算机理。 结果表明, 该地区土壤为1 000年来滨海滩涂经人为耕作发育形成, 全氮含量不高, 有机碳含量偏低。 全氮与有机碳之间存在较强的相关性, 相关系数高达0.98。 土壤全氮含量估算精度随样本集全氮含量的平均值、 标准差增大出现先增加后略有减小的变化规律, 与变异系数的变化规律相一致。 当全氮含量较低时(样本平均值小于0.27 g·kg-1), 土壤全氮与有机碳相关系数也较小, 实现反射光谱估算全氮是基于氮的吸收特征; 当全氮含量较高时(样本平均值大于0.29 g·kg-1), 全氮与有机碳相关性较强且有机碳模型精度高于全氮, 说明有机碳对光谱曲线的影响随其含量增加而增大, 并掩盖了氮的吸收特征, 实现反射光谱估算全氮是基于其与有机碳的相关性。 该研究揭示了土壤反射光谱估算全氮含量的机理, 从而为反射光谱快速估算土壤全氮含量提供理论依据。
反射光谱 全氮 有机碳 偏最小二乘回归 Reflectance spectroscopy Total nitrogen (TN) Soil organic carbon (SOC) Partial least squares regression (PLSR) 光谱学与光谱分析
2016, 36(10): 3222
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
华东交通大学光机电技术及应用研究所, 江西 南昌330013
选取赣南脐橙果园土壤作为研究对象, 探讨在4 000~7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。 采集的近红外光谱采用多元散射校正、 一阶微分、 二阶微分、 七点平滑等多种预处理对比分析, 分别建立了有机质和全氮含量偏最小二乘模型。 实验得出全氮预测模型在4 000~7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想, 校正集相关系数(rc)为0.802, 校正均方根误差(RMSEC)为2.754, 预测集相关系数(rp)为0.715, 预测均方根误差(RMSEP)为3.077; 有机质预测模型在4 000~7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想, rc为0.848, RMSEC为0.128, rp为0.790, RMSEP为0.152。 研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。
近红外 全氮 有机质 偏最小二乘法 Near infrared TN SOM PLS 光谱学与光谱分析
2013, 33(10): 2679