苹果园地土壤全氮含量的高光谱参数及估测模型研究

发布时间：2021-11-06 05:30

　　氮(N)是维持果树生长必需的营养元素和评价园地肥力的重要指标之一,土壤氮素含量的多寡直接影响果树的生长发育和果实的品质。统计资料表明,我国氮肥单位面积施用量约是美国的2.5倍,果农为了增加产量盲目施肥,不仅导致氮肥利用率低、资源浪费,还造成土地和水污染,影响了园地的可持续利用。因此,及时准确地监测果园土壤中氮素的含量水平对果园科学施肥和园地质量精准管理具有重要意义。传统的采样化验分析方法会在一定程度上损坏果树根系,且化验成本高、时间长,在果园管理中的应用受到很大限制。土壤理化性质的光谱估测技术发展为果园土壤监测和管理带来了新途径,对土壤全氮(Total Nitrogen,TN)的光谱估测也取得不少成果。但苹果园多分布于山地丘陵区,受地理、气候及土壤质地等因素的影响,果园土壤含氮量较低,光谱信号弱,易被干扰或掩盖,有效光谱信息较难获取。针对这些问题,本研究以山东省济南市长清区双泉镇一苹果园地为实验区,分别在果园幼果期、膨果期、品质期和月子期四个施肥期前10天采集土壤样品并测定土壤TN含量,利用ASD FieldSpec3地物光谱仪采集土壤样品的室外光谱数据,分析不同施肥采样期土壤TN光谱...

【文章来源】： 山东农业大学山东省

【文章页数】：87 页

【文章目录】：
符号说明
中文摘要
英文摘要
1 前言
    1.1 研究背景及意义
    1.2 土壤全氮含量的光谱估测技术研究进展
        1.2.1 土壤光谱预处理研究进展
        1.2.2 土壤光谱指数的研究进展
        1.2.3 土壤全氮含量的光谱估测模型研究
    1.3 高光谱技术在监测果园土壤氮素研究中存在的问题
    1.4 研究内容
        1.4.1 土壤全氮含量的特征波段提取
        1.4.2 土壤全氮含量的光谱特征指数的筛选
        1.4.3 土壤全氮含量的光谱估测模型构建
        1.4.4 基于连续小波变换的土壤全氮含量光谱估测研究
        1.4.5 果园土壤全氮含量的高光谱估测流程优选
    1.5 研究技术路线
2 研究区概况与数据处理
    2.1 研究区概况
    2.2 土壤样本的采集
    2.3 光谱数据采集与化验分析
        2.3.1 土壤样本的预处理
        2.3.2 土壤光谱数据的采集
        2.3.3 土壤样本的化验分析
    2.4 光谱数据预处理
        2.4.1 土壤光谱断点矫正及边缘噪声波段的去除
        2.4.2 SG平滑
        2.4.3 光谱变换
        2.4.4 数据求导
        2.4.5 连续统去除
        2.4.6 结果分析
3 苹果园地不同施肥期土壤全氮特征谱段及光谱参量的筛选
    3.1 不同施肥期土壤含氮量及其光谱特征
        3.1.1 不同施肥期土壤全氮含量统计特征
        3.1.2 不同施肥期土壤光谱的变化特征
    3.2 土壤全氮的特征谱段提取
        3.2.1 特征谱段的提取方法
        3.2.2 结果分析
    3.3 苹果园地土壤全氮含量的光谱特征指数筛选
        3.3.1 数据处理
        3.3.2 基于全波段范围内的光谱特征指数
    3.4 小结
4 苹果园地土壤全氮含量的光谱估测研究
    4.1 数据处理与方法
        4.1.1 数据处理
        4.1.2 建模方法
    4.2 不同施肥期土壤全氮含量高光谱估测模型
        4.2.1 一元回归分析
        4.2.2 多元回归分析
        4.2.3 基于思维进化算法优化的BP神经网络估测模型研究
        4.2.4 基于光谱指数的模型优选
    4.3 全施肥期土壤全氮含量高光谱估测模型
    4.4 小结
5 基于小波分析的土壤全氮含量的高光谱估测及模型优选
    5.1 数据处理与方法
        5.1.1 数据处理
        5.1.2 小波分析
    5.2 基于小波分析的土壤全氮含量的高光谱估测
        5.2.1 光谱分析
        5.2.2 相关性分析
        5.2.3 分解尺度的确定
        5.2.4 基于连续小波变换的土壤全氮含量高光谱估测模型的研究
    5.3 模型的优选
    5.4 小结
6 结论与讨论
    6.1 结论
    6.2 研究特色与创新
    6.3 讨论
参考文献
致谢
攻读学位期间发表论文情况
参与的科研项目


【参考文献】：
期刊论文
[1]基于数理统计方法研究金融股价与财务指标的相关性 [J]. 贾丽丽.  中国市场. 2020(02)
[2]海口市美兰区小学生视力现况及影响因素分析 [J]. 任韩,郭翠玲,赵仲平,何琼敏,陈得谜.  实用预防医学. 2020(01)
[3]一种自适应层进式Savitzky-Golay光谱滤波算法及其应用 [J]. 鲁一冰,刘文清,张玉钧,张恺,何莹,尤坤,李潇毅,刘国华,唐七星,范博强,余冬琪,李梦琪.  光谱学与光谱分析. 2019(09)
[4]基于BP神经网络的土壤全铁含量高光谱反演 [J]. 李佳姿,刘懿莹,刘泽栋.  科技经济导刊. 2019(22)
[5]基于连续小波变换和RF算法的夏玉米氮素估算模型 [J]. 刘丹丹,聂荣娟,许晓斌.  大麦与谷类科学. 2019(02)
[6]基于高光谱指数的土壤盐渍化遥感监测研究——以平罗县为例 [J]. 郭昆明,贾科利.  宁夏工程技术. 2019(01)
[7]基于高光谱的矿区复垦农田土壤全氮含量反演 [J]. 王世东,石朴杰,张合兵,王新闯.  生态学杂志. 2019(01)
[8]不同粒径处理的土壤全氮含量高光谱特征拟合模型 [J]. 王海江,刘凡,YUNGER John A,崔静,马玲.  农业机械学报. 2019(02)
[9]连续小波变换定量反演土壤有机质含量 [J]. 王延仓,张兰,王欢,顾晓鹤,庄连英,段龙方,李佳俊,林靖.  光谱学与光谱分析. 2018(11)
[10]煤矿区土壤有机碳含量的高光谱预测模型 [J]. 孙问娟,李新举.  水土保持学报. 2018(05)

博士论文
[1]基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[D]. 谢文.江西农业大学 2017
[2]土壤养分信息的光谱估测研究[D]. 张娟娟.南京农业大学 2009
[3]中国苹果产业经济研究[D]. 刘英杰.中国农业大学 2005
[4]土壤有机质含量高光谱预测模型及其差异性研究[D]. 周清.浙江大学 2004
[5]氮素对苹果果实发育与产量、品质的调控[D]. 彭福田.山东农业大学 2001

硕士论文
[1]基于植被指数的土壤重金属含量分区反演[D]. 袁涛.成都理工大学 2019
[2]年周期苹果氮素最大效率期及氮素变化动态研究[D]. 田歌.山东农业大学 2018
[3]耕地土壤有机质与速效氮磷钾含量高光谱遥感反演研究[D]. 邱壑.福建农林大学 2017
[4]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
[5]果园土壤养分可见/近红外光谱检测方法研究[D]. 熊松盛.华东交通大学 2015
[6]基于3S技术的苹果园信息提取与管理系统开发[D]. 张广波.山东农业大学 2015
[7]海南橡胶园土壤高光谱特性及土壤肥力指标的定量反演[D]. 杨磊.海南大学 2013
[8]土壤全氮及重金属铜含量的高光谱反演研究[D]. 王维.南京信息工程大学 2011
[9]基于一元回归分析模型的研究[D]. 石瑞平.河北科技大学 2009
[10]基于高光谱遥感的棉田土壤含氮量监测模型研究[D]. 潘文超.石河子大学 2009



本文编号：3479259