Vis-NIR光谱技术辅助耕地质量评价关键指标获取研究

发布时间：2020-09-05 12:33

　　土地是人类生存的基本条件,耕地是土地中最重要的组成部分,其存量和质量是国家粮食安全的重要保障,在我国工业化和城镇化的快速发展、耕地数量减少、耕地质量下降等形势下,以及土地整治项目、高标准农田等项目的实施都对耕地质量评价工作提出了新要求。然而当前耕地质量评价工作中土壤理化性质、土壤健康状况等因素都是通过田间采样和实验室分析等方式获取,存在周期长、任务量大、时效性差等问题,严重制约了耕地质量评价工作效率。因此,如何快速可靠地获取耕地土壤信息、评定耕地质量,是工作中亟待解决的问题。本研究以可以实时获取耕地表面或剖面信息的土壤近地传感技术为依托,实现对耕地质量评价指标的快速获取,并尝试运用于耕地质量等别评定工作,研究可为耕地质量评价工作提供基础资料和科学依据,有助于推动土地科技创新。本研究在江西省18个县(市、区)共采集了294个耕地样点,利用ASD FieldSpec Pro FR型光谱仪采集了土壤样品的野外湿样光谱数据和室内干样光谱数据,并获得了所有样本的土壤理化性质实验室分析结果。分别采用PLSR线性模型和LS-SVM非线性模型对两种光谱数据进行土壤理化性质的预测,同时采用DS算法去除野外原位光谱环境因素影响,以提高野外光谱模型预测精度。在此基础上,运用DS算法处理后预测效果较好的土壤有机质、土壤质地野外原位光谱LS-SVM模型预测值对163个有效采样点耕地自然质量指数和耕地自然质量等别进行重新计算和评定,最后对耕地质量评定结果进行分析和验证。研究发现:(1)所有294个样品室内vis-NIR光谱PLSR模型可以实现对土壤有机质、土壤质地指标的较好预测,并可以实现对土壤总氮含量、碱解氮含量、土壤沙粒占比的粗略估测,LS-SVM模型对所有土壤属性的预测精度相较于线性模型均有所提升,可以实现对样品土壤有机质含量、土壤总氮含量、土壤质地的较好预测。野外原位光谱模型预测结果不如室内光谱,但LS-SVM模型同样改进了模型预测精度,可以实现对除土壤酸碱度之外指标的粗略估测;采用DS算法去除野外原位光谱水分影响后,野外原位光谱LS-SVM模型预测精度进一步提高,可以实现对土壤有机质含量和土壤质地的较好预测。(2)运用土壤有机质、土壤质地野外原位光谱预测结果对163个有效样点耕地质量评定结果表明,重新评定后的采样点国家耕地自然质量等指数与原国家耕地自然质量等指数的差值绝大部分在±400以内,当相对误差范围为[-15%,15%]时,运用土壤有机质、土壤质地预测结果计算的耕地国家自然质量等指数准确度达到95.09%,两者的相关系数达到0.7674,与实测值计算耕地自然质量等指数相关系数高达0.9546,当误差范围在[-15%,15%]之间时,预测结果准确度为99.39%;从等别评定结果来看,共有99个采样点光谱预测值计算耕地自然质量等别与原国家自然等别一致,比重为60.74%。(3)从验证结果来看,随机抽样结果显示,土壤有机质光谱预测值与数据库中土壤有机质含量均值的差值小于10g/kg(一个分值区间),且实测含量与预测含量均值十分接近,同时土壤质地野外原位光谱预测值与数据库结果一致率在90%以上。总体来说,在新一轮农用地分等定级工作和土地整治新增耕地质量评价工作中,利用基于土壤近地传感技术获取耕地土壤信息评定耕地质量等别大有可为。
【学位单位】：江西财经大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F323.211
【部分图文】：

技术路线图

图 3-1 研究区位置示意图Fig.3-1 Location of the study area in Jiangxi Province与处理等成果数据

示意图,采样点位,示意图,植物残留物

图 3.2 采样点位置示意图Fig3.2 Sample distribution作完成之后，将经过野外原位光谱测试的土壤样品密封放实验室进行风干处理。清除植物残留物和石块，碾磨后过

【参考文献】