基于可见-近红外光谱的多类型土壤养分检测方法研究
精细农业(PA)是当今世界农业工程研究的前沿领域之一。精细农业要求农业生产者精确掌握土壤生产力和空间变异，并据此决策农田土壤的合理肥料投入，提高农业产出与投入之比，并且提高农产品产量与质量，减少由于过度施肥而引起的环境污染。因此，需要实时监测土壤肥力及状况。可见-近红外(VNIR)光谱检测技术，为实现农田土壤养分实时在线监测成为可能，它在精细农业、智慧农业等领域中应用潜力巨大。国内外学者已做了大量关于土壤养分含量的可见-近红外光谱检测的研究工作，取得了很多成果。但是，迄今研究主要集中在特定土壤的氮、磷、钾等主要营养元素检测，对多种类型土壤的有机质(OM)、有效磷(P)、速效钾(K)、阳离子交换量(CEC)、酸性(pH)、钙(Ca)和镁(Mg)等含量检测研究较少，且存在精度较低的问题。 针对上述问题，本文研究基于可见-近红外漫反射光谱(VNIR-DRS)的多类型土壤养分检测方法，利用化学计量学理论和方法研究不同土壤类型的光谱信息，重点研究光谱预处理方法、样品集划分方法、波长范围、特征波长和建模方法等，以提高模型预测精度和稳定性;对于P和K等无明显特征吸收波长的养分含量检测，将探明影响模型预测精度和适应性的因素;对于土壤OM、CEC、pH、Ca、Mg等养分含量，利用特征波长提取算法提取出各自的特征波长，用建模方法建立精度较高的含量校正模型，为农田田间快速准确获取土壤养分含量提供理论和技术支持。 本文采集美国8个主要土地资源区(MLRA)的土壤样品1582个。将样品通过烘干、磨碎和2mm过筛后分成2份，一份按密苏里州规定的化学分析方法检测土壤OM、CEC、P、K、Ca、Mg、 pH等含量，另一份用ASD FieldSpec Pro FR光谱仪扫描3次，获取每个样品的可见-近红外光谱数据(350nm～2500nm)，比较同一样品的3组光谱曲线的相似性，剔除个别异常的光谱数据供试。 论文主要研究内容和结论如下: (1)探明了土壤母质、质地、OM含量水平、波长范围、预处理方法及建模方法对土壤P和K模型精度的影响。在信噪比高的401～2450nm区域，利用吸光度等12种常用的光谱预处理方法处理所有样品的光谱数据，用偏最小二乘回归(PLSR)建立校正模型，结果表明，用5nm间隔平均加吸光度加均值归一化加5点中值滤波平滑的光谱预处理效果最好;分别以母质、质地和有机质含量水平对1582个样品进行分组，用留一交叉验证的偏最小二乘回归方法建立每组样品的校正模型，结果表明，模型较好地估测来自M105B和M109区的土壤钾，交叉验证的决定系数(R2)、相对分析误差（RPD）分别为R2＞0.57，RPD＞1.51，但对磷的估测效果差;主要土地资源区(MLRAs)、质地和有机质(OM)含量水平都显著影响磷和钾的光谱预测精度，VNIR-DRS不能估测粘土的速效钾和有效磷含量，但可能用于估测有机质含量低的土壤速效钾和有效磷含量;1100～2450nm代替401～2450nm用于建模，基本不会降低土壤磷和钾的估测精度;用直接正交信号校正(DOSC)光谱建立的模型较未用DOSC处理的光谱建立的模型，验证决定系数R2增加83.87％(P)和59.52％(K)、相对分析误差RPD增加27.50％(P)和32.82％(K)，验证均方根误差RMSEP降低了21.51％(P)和24.65％(K)，因此，DOSC显著提高土壤磷和钾的校正模型精度，可为可见-近红外光谱检测土壤P和K含量提供一种有效的预处理方法。 (2)探明了不同土壤样品集划分方法对模型精度的影响。分别用X-Y共生矩阵法(SPXY)和Kennard-Stone(KS)样品分类方法划分样品为校正集和预测集，用PLSR建模方法建立校正集的OM、CEC、pH、Ca、Mg校正模型，用校正模型预测预测集的OM、CEC、pH、Ca、Mg含量，发现SPXY划分样本集后建立的校正模型精度较KS方法的模型精度高;因此，在土壤养分的农田在线检测中可采用SPXY法划分样品集。 (3)研究了土壤OM、CEC、pH、Ca、Mg的光谱预处理方法，探明了光谱预处理方法对各种养分含量预测精度的影响。用SPXY划分样品集，利用原始光谱、吸光度、吸光度加均值归一化、吸光度加均值归一化加5点中值滤波平滑、标准正态变量、多元散射校正等6种光谱预处理光谱，用PLSR建立有机质(OM)和阳离子交换量(CEC)的校正模型，原始光谱的模型预测精度稍高，预测决定系数R2分别为0.680、0.797，相对分析误差RPD分别为1.770、2.223;而对于pH、Ca，则吸光度加均值归一化加5点中值滤波平滑效果最好，R2分别为0.797、0.780，RPD分别为2.226、2.133;对于Mg，则多元散射校正方法效果最好，R2为0.633，RPD为1.652。因此，光谱预处理方法影响土壤养分含量的可见-近红外光谱预测精度。 (4)探明了特征波长筛选方法对土壤OM、CEC、pH、Ca、Mg模型精度的影响，提取了各养分的特征波长。用连续投影算法(SPA)提取OM特征波长33个，提取CEC的特征波长14个，提取pH的特征波长69个，提取Ca的特征波长13个，提取Mg的特征波长33个;用PLSR建模方法建立模型预测OM、CEC、Ca、Mg，提取特征波长的模型较未提取特征波长模型精度好，OM、CEC、Ca、Mg模型的预测决定系数分别为0.739、0.798、0.791、0.662，预测相对分析误差分别为1.961、2.321、2.192、1.721，CEC、Ca的模型精度达到A类水平，能很好地预测土壤CEC、Ca含量。但对pH预测，提取特征波长的PLSR模型精度较未提取特征波长的PLSR模型精度低，可能是由于提取pH的69个特征波长中包含干扰波长所致。因此，SPA方法可用于农田土壤OM、CEC、Ca、Mg含量在线检测建模中提取特征波长。 (5)探明了建模方法对土壤OM、CEC、pH、Ca、Mg模型精度的影响，提出了预测各养分的最佳建模方法。用最小二乘支持向量机(LSSVM)和偏最小二乘回归(PLSR)建模，结果表明LSSVM较PLSR效果好;对于OM和CEC，采用原始光谱，用SPXY划分样品组后用SPA提取特征波长，LSSVM建立的校正模型（用SPXY-SPA-LSSVM表示），预测决定系数R2、预测相对分析误差RPD、预测均方根误差RMSEP为0.799、2.176、0.325％(OM)和0.829、2.534、1.245cmol[+]/kg(CEC);对于pH、Ca，用吸光度加均值归一化加5点中值滤波平滑光谱建立SPXY-SPA-LSSVM，R2分别为0.801、0.831，RPD分别为2.238、2.495，RMSEP分别为0.247、217.500 mg/kg;对于Mg，用多元散射校正光谱建立SPXY-SPA-LSSVM模型，R2为0.771，RPD为2.236，RMSEP为32.120mg/kg。结果表明，SPXY-SPA-LSSVM模型能够很好地预测土壤OM、CEC、pH、Ca、Mg含量。
土壤养分;可见-近红外光谱;预测精度;特征提取
西北农林科技大学
博士
农业电气化与自动化
何东健
2017
中文
S158.3
137
2017-08-17（万方平台首次上网日期，不代表论文的发表时间）