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。

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。

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。

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。