基于可见-近红外光谱技术的田间土壤属性快速检测方法与设备研究
发布时间：2021-12-11 13:23
随着经济和科技的发展,传统的粗放式农业已无法满足现代人对于环境、资源、健康以及经济效益等的综合需求。精准农业模式应运而生,成为现代农业发展中的一个重要方向。精准农业中需要针对田间每一操作单元的不同土壤与作物条件,调整各项农业物资投入以获得最大经济效益和生态效益。土壤作为农业生产的基础,为作物生长提供必要的营养和环境条件,对其肥力的快速定量检测是实现精准农业的前提。传统化学方法测试需要将土样采回至实验室进行分析,虽然测试精度高,但需要大量人力成本与测试时间,时效性低,无法满足快速获取测试结果的需求。近年来飞速发展的土壤可见-近红外（Vis-NIR）光谱技术克服了传统方法成本高、周期长的缺点,在农业生产中获得广泛应用。本研究以河南省许昌市试验田为样区,在样区内采集240个土壤样品分别进行光谱测量和化学分析,探究不同光谱预处理方法与建模方法对土壤有机质（Soil organic matter,SOM）、全氮（Total nitrogen,TN）以及p H预测的适用性以及去除野外原位光谱中水分影响的方法。在此研究基础上,以平板电脑、Ocean Optics USB2000+VIS-NIR-ES...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：99 页
【学位级别】：硕士
【部分图文】：
可见近红外光谱波长范围Fig.1-1WavelengthrangeofVis-NIRspectra
浙江大学硕士学位论文第二章实验数据与方法介绍14第二章实验数据与方法介绍2.1土壤样本采集与化学测试河南省许昌市地区地处黄淮冲积平原，属于北暖温带季风气候区，独特的地形与气候条件，使其成为一个农业大市，小麦和玉米是两大主要粮食作物。许昌市耕地总面积337.89千公顷，其中水浇地面积250.23千公顷。凭借良好的农业生产条件和当地政府的大力推进，许昌市在农业机械化上发展迅速，目前拥有河南省最完整的农机产业链，农机研发、生产、销售及社会化服务基础较好，更是于2017年与中国农业机械化科学研究院签订了战略合作框架，成为现代农业信息技术的一个示范基地。行进式土壤属性快速预测设备和田间信息管理系统的研发，需要良好的农业基础和信息化基础，因此本研究将试验田选择在许昌市。土壤样本均采集许昌市建安区试验田内，该试验田经纬度范围及周边环境如图2-1所示。该地土壤类型为潮土，质地变化较多，呈中性至弱碱性，试验田的种植模式为冬小麦夏玉米轮作模式，南北向种植，种植间距60cm左右。图2-1研究区位置概况Fig.2-1Locationofthestudyarea土壤采样点采用网格布点法，在研究区内设置20m网格，每个网格中心设为一个采样点。采样过程中，用取样器获取0~20cm土层，分别在0、5、10、15、20cm处取等量土样，除去碎石、根系等杂物后混合均匀并装袋密封作为一
浙江大学硕士学位论文第二章实验数据与方法介绍15份样本，本次共采集土壤样本240份，样点实际田间分布情况如图2-2所示。土样运输至实验室后，需经过风干、研磨及过筛（2mm孔径）等处理，之后采用四分法将每份样品一分为二，一份用于化学分析法测定土壤理化值，另一份则用于室内光谱测试。图2-2样点分布图Fig.2-2Soilsamplingsites土壤理化值的测试项目为SOM、TN以及pH值，测试方法均采用常规化学分析方法：土壤有机质含量测定采用外加热-重铬酸钾容量法；土壤全氮含量测定采用凯氏定氮法；土壤pH值测定采用5.0:1.0水土比电极测定法（鲍士旦，2000）。测定结果统计数据如表2-1所示。表2-1土壤化学分析结果统计Table2-1Statisticsofsoilchemicalanalysisresults土壤理化值最小值最大值平均值标准差SOM（g·kg-1）9.1025.8018.192.87TN（g·kg-1）0.822.331.340.17pH7.118.637.770.342.2土壤可见-近红外光谱测量2.2.1光谱仪简介本研究采用美国ASD公司产品FieldSpecProFR型可见-近红外光谱仪配以
【参考文献】：
期刊论文
[1]基于可见-近红外光谱预处理建模的土壤速效氮含量预测[J]. 方向,金秀,朱娟娟,李绍稳. 浙江农业学报. 2019(09)
[2]化肥农药减量与农用地土壤污染治理研究[J]. 丛晓男,单菁菁. 江淮论坛. 2019(02)
[3]基于高光谱遥感技术对土壤氮磷钾的估算[J]. 乔璐,陈立新,董诚明. 森林工程. 2018(06)
[4]基于CWT的黑土有机质含量野外高光谱反演模型[J]. 林鹏达,佟志军,张继权,赵云升,李向前,朱晓萌. 水土保持研究. 2018(02)
[5]基于田间原位土壤含水量估测的可见/近红外光谱建模方法[J]. 刘广霖,郭焱,劳彩莲,徐兴阳,秦春丽. 中国农业大学学报. 2016(08)
[6]土壤有机质含量田间实时测定方法[J]. 何东健,陈煦. 农业机械学报. 2015(01)
[7]光谱多元分析校正集和验证集样本分布优选方法研究[J]. 刘伟,赵众,袁洪福,宋春风,李效玉. 光谱学与光谱分析. 2014(04)
[8]基于可见–近红外光谱的水稻土全磷反演研究[J]. 周鼎浩,薛利红,李颖,杨林章. 土壤. 2014(01)
[9]基于变量选择的偏最小二乘回归法和田间行走式近红外光谱进行土壤碳含量测定研究[J]. 沈掌泉,卢必慧,单英杰,许红卫. 光谱学与光谱分析. 2013(07)
[10]土壤成分与特性参数光谱快速检测方法及传感技术[J]. 李民赞,郑立华,安晓飞,孙红. 农业机械学报. 2013(03)
博士论文
[1]基于光谱分析技术的土壤养分检测方法与仪器研究[D]. 贾生尧.浙江大学 2015
[2]基于野外vis-NIR高光谱的土壤属性预测及田间水分影响去除研究[D]. 纪文君.浙江大学 2014
[3]基于可见近红外光谱检测土壤养分及仪器开发[D]. 刘雪梅.东华大学 2014
硕士论文
[1]脐橙果园土壤养分可见/近红外光谱快速检测及可视化表达[D]. 姜小刚.华东交通大学 2016
[2]基于可见近红外光谱的土壤有机质快速检测方法和仪器研究[D]. 祝旻.浙江工业大学 2015
[3]土壤可见—近红外光谱响应测量分析系统的试验与研究[D]. 杨凌.山西农业大学 2004
本文编号：3534757
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：99 页
【学位级别】：硕士
【部分图文】：
可见近红外光谱波长范围Fig.1-1WavelengthrangeofVis-NIRspectra
浙江大学硕士学位论文第二章实验数据与方法介绍14第二章实验数据与方法介绍2.1土壤样本采集与化学测试河南省许昌市地区地处黄淮冲积平原，属于北暖温带季风气候区，独特的地形与气候条件，使其成为一个农业大市，小麦和玉米是两大主要粮食作物。许昌市耕地总面积337.89千公顷，其中水浇地面积250.23千公顷。凭借良好的农业生产条件和当地政府的大力推进，许昌市在农业机械化上发展迅速，目前拥有河南省最完整的农机产业链，农机研发、生产、销售及社会化服务基础较好，更是于2017年与中国农业机械化科学研究院签订了战略合作框架，成为现代农业信息技术的一个示范基地。行进式土壤属性快速预测设备和田间信息管理系统的研发，需要良好的农业基础和信息化基础，因此本研究将试验田选择在许昌市。土壤样本均采集许昌市建安区试验田内，该试验田经纬度范围及周边环境如图2-1所示。该地土壤类型为潮土，质地变化较多，呈中性至弱碱性，试验田的种植模式为冬小麦夏玉米轮作模式，南北向种植，种植间距60cm左右。图2-1研究区位置概况Fig.2-1Locationofthestudyarea土壤采样点采用网格布点法，在研究区内设置20m网格，每个网格中心设为一个采样点。采样过程中，用取样器获取0~20cm土层，分别在0、5、10、15、20cm处取等量土样，除去碎石、根系等杂物后混合均匀并装袋密封作为一
浙江大学硕士学位论文第二章实验数据与方法介绍15份样本，本次共采集土壤样本240份，样点实际田间分布情况如图2-2所示。土样运输至实验室后，需经过风干、研磨及过筛（2mm孔径）等处理，之后采用四分法将每份样品一分为二，一份用于化学分析法测定土壤理化值，另一份则用于室内光谱测试。图2-2样点分布图Fig.2-2Soilsamplingsites土壤理化值的测试项目为SOM、TN以及pH值，测试方法均采用常规化学分析方法：土壤有机质含量测定采用外加热-重铬酸钾容量法；土壤全氮含量测定采用凯氏定氮法；土壤pH值测定采用5.0:1.0水土比电极测定法（鲍士旦，2000）。测定结果统计数据如表2-1所示。表2-1土壤化学分析结果统计Table2-1Statisticsofsoilchemicalanalysisresults土壤理化值最小值最大值平均值标准差SOM（g·kg-1）9.1025.8018.192.87TN（g·kg-1）0.822.331.340.17pH7.118.637.770.342.2土壤可见-近红外光谱测量2.2.1光谱仪简介本研究采用美国ASD公司产品FieldSpecProFR型可见-近红外光谱仪配以
【参考文献】：
期刊论文
[1]基于可见-近红外光谱预处理建模的土壤速效氮含量预测[J]. 方向,金秀,朱娟娟,李绍稳. 浙江农业学报. 2019(09)
[2]化肥农药减量与农用地土壤污染治理研究[J]. 丛晓男,单菁菁. 江淮论坛. 2019(02)
[3]基于高光谱遥感技术对土壤氮磷钾的估算[J]. 乔璐,陈立新,董诚明. 森林工程. 2018(06)
[4]基于CWT的黑土有机质含量野外高光谱反演模型[J]. 林鹏达,佟志军,张继权,赵云升,李向前,朱晓萌. 水土保持研究. 2018(02)
[5]基于田间原位土壤含水量估测的可见/近红外光谱建模方法[J]. 刘广霖,郭焱,劳彩莲,徐兴阳,秦春丽. 中国农业大学学报. 2016(08)
[6]土壤有机质含量田间实时测定方法[J]. 何东健,陈煦. 农业机械学报. 2015(01)
[7]光谱多元分析校正集和验证集样本分布优选方法研究[J]. 刘伟,赵众,袁洪福,宋春风,李效玉. 光谱学与光谱分析. 2014(04)
[8]基于可见–近红外光谱的水稻土全磷反演研究[J]. 周鼎浩,薛利红,李颖,杨林章. 土壤. 2014(01)
[9]基于变量选择的偏最小二乘回归法和田间行走式近红外光谱进行土壤碳含量测定研究[J]. 沈掌泉,卢必慧,单英杰,许红卫. 光谱学与光谱分析. 2013(07)
[10]土壤成分与特性参数光谱快速检测方法及传感技术[J]. 李民赞,郑立华,安晓飞,孙红. 农业机械学报. 2013(03)
博士论文
[1]基于光谱分析技术的土壤养分检测方法与仪器研究[D]. 贾生尧.浙江大学 2015
[2]基于野外vis-NIR高光谱的土壤属性预测及田间水分影响去除研究[D]. 纪文君.浙江大学 2014
[3]基于可见近红外光谱检测土壤养分及仪器开发[D]. 刘雪梅.东华大学 2014
硕士论文
[1]脐橙果园土壤养分可见/近红外光谱快速检测及可视化表达[D]. 姜小刚.华东交通大学 2016
[2]基于可见近红外光谱的土壤有机质快速检测方法和仪器研究[D]. 祝旻.浙江工业大学 2015
[3]土壤可见—近红外光谱响应测量分析系统的试验与研究[D]. 杨凌.山西农业大学 2004
本文编号：3534757
本文链接：https://www.wllwen.com/kejilunwen/nykj/3534757.html
