水分和质地对土壤有机质NIR特性的影响及抗干扰模型的建立

发布时间：2020-10-31 16:45

　　 本文主要分析了土壤质地和土壤水分对近红外(Near Infrared Reflectance,NIR)土壤有机质(SOM)检测的影响,重点分析了土壤水分对SOM检测的影响。主要研究如下:1、对比分析砂土、壤土、黏土三种不同质地土壤的光谱特性,结果表明不同质地土壤的吸光度值不同,其中以砂土的吸光度值最大,黏土次之,壤土最小。且吸收峰的高度和宽度随质地不同有所变化。2、使用支持向量机(SVM)对不同质地土壤进行分类建模预测,结果得出SVM的分类精度达到91.67%,而且土壤质地的分类预测可以提高土壤有机质的预测精度。3、在山西省境内采集关帝山、中阳、方山、宁武、娄烦、太谷6个不同地方的50个土壤样本作为研究对象,在实验室经自然风干、过筛处理后,配制4%、8%、12%和16%四种含水率土样,随机选取41个干土样本作为建模样本,预测样本为不同含水率下(4%、8%、12%、16%和干土)的9个样本组成的预测集,分析土壤水分对近红外光谱检测的影响,结果表明预测相关系数(R)为0.569,预测标准误差(SEP)为0.835,和预测均方根误差(RMSEP)为0.898,模型效果不理想,说明土壤的吸光度光谱图中存在水分的吸收效应,干扰了模型的预测精度。4、为了降低水分对土壤有机质预测的干扰,利用水分敏感波段2210nm,1415nm和1929nm建立了水分修正系数MDI,使用MDI对不同含水率光谱进行校正,为了验证水分修正系数MDI的效果,选取同一批预测样本对比和分析了经过水分校正处理的不同含水率近红外光谱曲线图及模型预测结果。得出以下结论(1)经过水分系数校正后的等效干土光谱吸光度图明显低于未经校正处理的湿土光谱图,而且与原始干土样本光谱图比较接近。(2)使用所建干土有机质反演模型,预测经MDI校正后的由不同含水率组成的预测样本,得到预测相关系数(R)为0.783,预测标准误差(SEP)为0.505,和预测均方根误差(RMSEP)为0.558。可以看出经水分修正系数MDI校正后的预测样本统计参数明显优于未经校正处理的预测效果,相关系数R值上升了 0.214,预测标准误差SEP值降低了 0.33,预测均方根误差RMSEP的值降低了 0.34。这表明,本研究提出的水分修正系数算法可以降低水分对土壤样品吸光度光谱中的干扰,通过建立等效干土光谱可以降低水分影响,提高土壤有机质预测模型在不同含水率土壤样本下的适用5、使用直接标准化(D S)算法降低由土壤水分引起的测试条件导致的土壤有机质预测模型的传递问题,选取同一批样本对比和分析了经过DS算法校正处理的不同含水率近红外光谱曲线图及模型预测结果。得出以下结论(1)经过DS算法校正后的等效干土光谱吸光度图明显低于未经校正处理的湿土光谱图,而且与原始干土样本光谱图比较接近(2)使用所建干土有机质反演模型,预测经DS算法校正前后的由不同含水率组成的预测样本,得到预测相关系数(R)为0.628,预测标准误差(SEP)为0.683,和预测均方根误差(RMSEP)为0.691。可以看出经DS算法校正后的预测样本统计参数明显优于未经校正处理的预测效果,相关系数R值上升了 0.059,预测标准误差SEP值降低了 0.152,预测均方根误差RMSEP的值降低了 0.207。这表明,DS算法可以降低水分对土壤样品吸光度光谱中的干扰,提高土壤有机质预测模型在不同含水率土壤样本下的适用性。6、基于水分修正系数法和DS模型传递算法,所建立的不同含水率土壤有机质预测模型中,水分修正系数的模型预测效果相对比较好。
【学位单位】：山西农业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S153.6
【部分图文】：

图３Ｈ不同质地土壤吸光度光谱??Ｆｉｇ?３－１?Ｄｉｆｆｅｒｅｎｔ?ｔｅｘｔｕｒｅ?ｏｆ?ｓｏｉｌ?ａｂｓｏｒｂａｎｃｅ?ｓｐｅｃｔｒａ??从图３－１中可以清楚的看到在可见光区（３８０？７８０?ｎｍ）?３种质地土壤的光谱曲线重??叠严重，无法从光谱丨丨丨１线中分辨出土壤类型。相比较近红外区尤其是从１０００?ｎｍ开始，??不同质地土壤的吸光度值明显＋?Ｎ，其中以砂土的吸光值最大，黏土次之，壤土最小。??此外它们在整个波段范围都具有相同的变化趋势，都在１４００，?１６６０，１９００和２２００?ｎｍ??附近出现吸收峰，其中在１４００，?１９００，?２２００?ｎｍ波段的吸收峰分别是由分层间水（Ｈ２０）、??轻基（一ＯＨ），与羟基组合的Ａ１－ＯＨ和Ｍｇ－ＯＨ引起的，１６６０ｎｍ波段是由土壤有机??质引起的［５２】，其吸收峰的高度和宽度随Ｌ：壤质地的不同有所变化，可用于土壤ＳＶＭ分??类预测分析。??３．４基于ＳＶＭ不同土壤质地分类??宋海燕使用近红外光谱技术进行不同质地土壤有机质预测的研究，使用砂土和黏??土、壤土和黏土、砂土和壤土分别建立校正模型

测试集的预测正确率达到９１．６７％。表明ＳＶＭ应用在土壤分类预测准确性较高，??可以利用ＳＶＭ模型进行土壤属性？＾则。为了直观的观察结果，这里给出测试集预测结??果直观图３－２。??Ｉ?ｐｉ？?ｊ?ｇｄｉｔ?Ｉｎｓｅｒｔ?ｊｆｏｏｋ?Ｑｅｓｔｃｔｏｐ?Ｗｉｎｄｏｗ?ｆｃｊｅｌｐ??＾?＾?？?＞＊３．?□?＠?＾?＾??渕试ＪＪＳＳＶＭｆＪｉ测结果对比＜ＲＢＦ核函妇＞??ａｃｃｕｒａｃｙ＝９１?６６６７?＇％??３｜?—－．－Ｇ？－?ｒ—?．?．?

３．５基于ＳＶＭ壤土有机质含量预测??吸光度值是在波长范围为３５０？２５００范围内测得，低波段所测得的吸光度值太过敏??感，可能会受到其他因素的影响，无法从光谱曲线中分辨出土壤类型。从图３－３分析可??得，相比较近红外区从１０００?ｎｍ开始，不同质地土壤的吸光度值明显不同，可用于ＳＶＭ??建模分析。所以本文将低波段所得到的吸光度值踢出，只留波长范围在１１００？２５００所??测得的吸光度值用于ＳＶＭ建模分析。由于实验中所测得的原始数据，数据量比较庞大，??为了更方便的实现样本预测的准确度，本文对所测得的原始数椐进行归？化处理，归一??化通常有两种选择，一种是归一化到（－１，１），另－种是归一化到（０，１）。这串．将数据??归一化到（０，１），其采用如下公式：??ｘ；?＝?Ａ／￣Ｘｍｉｎ?（３－１）??■＾ｍａｘ?＾ｍｉｎ??根据对股始数則的观察比较，发现１５６个样本中有三个样本所测得的冇机质含量和??其他样本有明显差距
【相似文献】

相关期刊论文 前10条

1 黄翔;蔡海荣;施思;;术前NIR比值对非肌层浸润性膀胱癌术后的预后评估价值[J];中国现代医生;2017年01期

2 汪正宇;邱广仁;赵向阳;;利用NIR技术建立洛伐他汀胶囊一致性比对模型的研究[J];北方药学;2016年10期

3 桑育黎;郭方岩;王宇;赵月;张霞;汪栖;刘玉亭;赵国庆;;NIR法对六味地黄丸中山茱萸非药用部位的快速检测研究[J];辽宁大学学报(自然科学版);2015年03期

4 汪正宇;;基于NIR法雷公藤多甙片快检方法的研究[J];中国现代医生;2013年31期

5 石磊;王旭峰;邓丹雯;耿响;;近红外光谱分析技术(NIR)的研究现状及其在饲料检测中的应用[J];安徽农业科学;2012年21期

6 宋瑞丽;龚海燕;张雨;张晓霞;张卫;;NIR技术在黄芩配方颗粒快速鉴别中的应用[J];科技展望;2016年03期

7 陈晓峰;龙长江;牛智有;朱凯;;基于潜在语义分析与NIR的中药材分类研究[J];光学学报;2014年09期

8 尹创;;利用NIR技术建立灵芝胶囊一致性比对模型的研究[J];黑龙江医药;2014年04期

9 吴龙国;何建国;刘贵珊;贺晓光;王伟;王松磊;李丹;;基于NIR高光谱成像技术的长枣虫眼无损检测[J];发光学报;2013年11期

10 金垚;李栋;智秀娟;;奶粉中三聚氰胺含量的NIR检测技术[J];北京农学院学报;2015年01期

相关博士学位论文 前4条

1 石晓艳;甜菜亚硝酸还原酶（NiR）基因的克隆及其表达分析[D];东北农业大学;2011年

2 全智慧;NIR分析技术在制川乌配方颗粒制备过程中的应用研究[D];广州中医药大学;2013年

3 智秀娟;苦荞功能成分的研究及NIR技术在荞麦制品防伪中的应用[D];中国农业大学;2015年

4 吴志生;中药过程分析中NIR技术的基本理论和方法研究[D];北京中医药大学;2012年

相关硕士学位论文 前10条

1 胡晓艳;水分和质地对土壤有机质NIR特性的影响及抗干扰模型的建立[D];山西农业大学;2018年

2 李有志;三倍体毛白杨NIR预测及制浆造纸性能评估[D];北京林业大学;2011年

3 张贺龙;基于小波变换的NIR漫反射光谱信号的处理方法研究[D];长春理工大学;2011年

4 王聪;基于相思树NIR数据理论模型的软件设计[D];北京林业大学;2011年

5 高尚;基于NIR技术的面粉中偶氮甲酰胺含量检测技术研究[D];黑龙江大学;2016年

6 郝江波;金银花与山银花药材的NIR快速检测及其品质评价研究[D];北京中医药大学;2014年

7 唐志国;近红外（NIR）光谱法测定果冻中甜蜜素的研究[D];江苏大学;2007年

8 刁志伟;甜菜NR与NiR的偶联作用及其对氮素同化的调控[D];东北农业大学;2013年

9 杜婧;基于NIR技术的PET/PVC废旧塑料分离系统设计[D];浙江大学;2011年

10 许奕翔;NIR在食品检验及油品分析中的应用研究[D];福州大学;2014年

本文编号：2864216