10.3964/j.issn.1000-0593(2023)07-2226-06
基于可见/近红外光谱和数据驱动的机器学习方法测量土壤有机质和总氮
土壤养分直接关系到作物产量与品质状况,然而传统化学方法检测存在化学试剂消耗大、耗时费力等问题,不能满足精细农业的需求.快速获取土壤养分信息是发展精细农业、绿色农业的关键,想要了解土壤肥力状况,必须先了解有机质和总氮的含量状况.许多研究表明,长波近红外光谱被广泛应用于土壤检测领域,然而短波可见/近红外光谱在土壤有机质和总氮的研究上却非常罕见.以江西省吉安市安福县和南昌市新建区的四个村庄作为研究区,根据 2×2 网格法采集了深度为 10～30 cm的棕壤、红壤和水稻土三种最为典型的土壤样品共 180 份.经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息.将土壤样品按照 2∶1(120∶60)划分为建模集和预测集.考虑到首尾端波段噪声较大,故去除325～349 和 1051～1075 nm波段,将 350～1050 nm波段用于光谱分析.通过连续投影算法(SPA)筛选出有机质 12 个特征波长点,总氮 11 个特征波长点,考虑到土壤光谱信息与土壤理化性质之间可能存在非线性联系,建立全波段与特征波长的线性偏最小二乘回归(PLSR)模型和非线性最小二乘支持向量机(LS-SVM)模型对土壤有机质和总氮进行研究,LS-SVM模型采用两步网格搜索法优化了两个超参数γ和σ2.研究结果表明:(1)土壤的光谱反射率随波长增加反射率升高,反射率曲线中 460、550、580、740 和 900 nm处有较为明显的吸收特征.(2)从PLSR模型和LS-SVM模型结果分析可知,非线性模型LS-SVM具有更好的预测精度,分析认为土壤光谱信息与土壤理化性质之间存在一些非线性关系.(3)通过连续投影算法筛选的特征波长提高了模型精度,优化了模型运行效率.SPA-LS-SVM模型是所有模型中最优的预测模型,其中有机质模型的R2pre为 0.8847,RMSEp 为 0.1048,RPD 为 2.9450,总氮模型的 R2pre为 0.9018,RMSEp为0.0104,RPD为 3.1911.(4)本研究说明可见/近红外光谱能够用于测量不同类型的土壤有机质和总氮含量,并且达到较好的预测效果.可见/近红外光谱在土壤检测领域具有巨大潜力.
土壤有机质、总氮、连续投影算法、偏最小二乘回归、最小二乘支持向量机
43
S151.5+5(土壤学)
国家自然科学基金;国家自然科学基金;国家自然科学基金;江西省自然科学基金;江西省03专项及5G项目
2023-07-26（万方平台首次上网日期，不代表论文的发表时间）
共6页
2226-2231
