基于高光谱反演的土壤全氮估测技术及其影响机制研究
发布时间：2021-12-18 06:15
基于土壤养分的精准施肥策略对提高农业生态系统环境质量至关重要,运用土壤反射率规律和数理统计模型明确土壤全氮含量的高光谱特征,构建定量分析模型并探究响应机理,可为土壤全氮含量快速准确估测提供依据,为精准农业推广提供技术参考。以江苏省无锡市滨湖区水蜜桃种植园、山东省桓台县华北集约化农业生态系统试验站为研究区域,选取地理位置跨度大的代表性样品,进行光谱数据采集和土壤全氮含量测定。对光谱反射率进行一阶导数运算等预处理方法,运用相关系数峰谷值法筛选敏感波长,将敏感波长两两结合建立土壤光谱调节指数（MSASI）,运算后得到的数据分别采用多元线性回归分析（MLR）、反向传播神经网络（BPNN）和偏最小二乘法（PLSR）构建土壤全氮含量的高光谱定量分析模型。根据小麦、玉米秸秆还田后土壤有机质差异和不同的响应规律分别进行反演,构建最适模型,运用红外光谱（FTIR）、X射线衍射分析（XRD）、扫描电镜手段（SEM）对土壤有机质官能团、土壤矿物及表面形态比较分析,以探明土壤全氮含量高光谱响应机制。研究结果如下:（1）环太湖水蜜桃主要种植区内黄棕壤全氮含量高光谱敏感波段为420444 n...
【文章来源】：山东农业大学山东省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
技术路线图
山东农业大学硕士专业学位论文7明显差异较大，光谱间存在基线平移、倾斜等现象，这可能是由土壤颗粒以及土壤样品装填密度不同产生的散射影响造成的（乔星星等，2016）。采用适当的高光谱预处理方法可以有效提高土壤全氮诊断模型的适用能力，可有效过滤高光谱中的噪声信息，从而避免数据冗余，提高模型稳健性。对原始光谱数据进行一阶微分变换（图2）可以较好地削弱土壤背景的干扰并使波段间差异表现的更加明显，并且提高某些波段反射率与土壤养分含量的相关性（孙小香等，2018；陈思明等，2018）。通过11点平滑方法对数据进行平滑来减少测定环境、样品研磨、过筛带来的影响。图2一阶微分预处理后各波段反射率分布Fig.2Spectralcurveafterpretreatment为了更好地检验本研究中土壤全氮含量估算模型的精度，采用基于常用的光谱指数来构建土壤全氮含量的估算模型。张贤龙等（2018）应用光谱指数结合15种预处理方法优选了土壤盐分反演模型。本研究运用相关分析法对各波段的反射率和土壤全氮含量进行分析，选取相关系数≥0.4的波段420~444nm、480~537nm（图3），将其两两结合进行光谱指数运算（表2）。通过运算后的反射率与全氮含量进行相关性分析，MSASI的均值和最大值均高于其他三种光谱指数。各波段反射率与全氮含量的相关系数如图3所示，由于均值可以反映整体水平，选用均值和最大值结合数据分布作为高光谱指数选择的标准，筛选出最后82个波长作为建模光谱数据集，用于分析土壤全氮含量对光谱曲线变化的影响（刘昌华等，2018）。
基于高光谱反演的土壤全氮估测技术及其影响机制研究8图3不同波段反射率与土壤全氮含量相关性分析Fig.3Correlationanalysisbetweenreflectanceofdifferentbandsandsoiltotalnitrogencontent表2光谱指数及其公式Table2Typicalspectral-indexsandequation高光谱指数Hyperspectralindex计算公式Computationalequation归一化光谱指数NormalizeddifferentialspectralindexNDSI=(R1-R2)/(R1+R2)土壤调节光谱指数SoiladjustedspectralindexMSASI=(2R1+1-((2R1+1)2-8(R1-R2))1/2)/2复归一化光谱指数RenormalizeddifferentialspectralindexRDSI=(R1-R2)/(R1+R2)1/2比值光谱指数RatiospectralindexRSI=R1/R22.1.4模型分析方法选用多元线性回归模型、神经网络回归模型、偏最小二乘法三种方法进行建模，将62个样本与土壤全氮含量进行分析，31个样本进行验证，自变量为82个特征波段，因变量为实测全氮含量。选择决定系数R2、均方根误差值RMSE（RootMeanSquareError）、相对平均偏差RPD（RelativePercentDeviation），来筛选最佳模型（李岚涛等，2016）。R2越大，RMSE越小，表明模型估测精度越高，当RPD>2时，表明模型的估算能力较好；当1.4<RPD<2时，模型具有中等估算能力，可以通过模型优化处理提高模型的表现；当RPD<1.4时，表明模型的估算能力和普适性较差（王超等，2018；吕玮等，2017）。（1）多元线性回归多元线性回归（MultipleLinerRegression,MLR）又称逆最小二乘法，采用最小二乘法对系数矩阵进行估计（王惠文，1996）。利用62个建模样本数据，采用多元线性回归
【参考文献】：
期刊论文
[1]光谱预处理方法选择研究[J]. 第五鹏瑶,卞希慧,王姿方,刘巍. 光谱学与光谱分析. 2019(09)
[2]基于有机质光谱特征的土壤重金属Pb估算模型研究[J]. 贺军亮,李志远,李仁杰,周智勇,东启亮. 环境污染与防治. 2019(07)
[3]高粱和玉米秸秆腐解过程的红外光谱研究[J]. 刘佳琪,郭珺,武爱莲,董二伟,王劲松,王立革,焦晓燕. 山西农业科学. 2019(03)
[4]基于BP神经网络和遗传算法的并行迭代优化研究[J]. 胡海涛. 机械与电子. 2019(01)
[5]应用主成分分析评估红外高光谱仪器噪声特性[J]. 李路,漆成莉,张鹏,胡秀清,顾明剑. 光子学报. 2019(02)
[6]新疆有无人为干扰下土壤盐分估算的比较[J]. 王宁,熊黑钢,马利芳,叶红云,张芳. 干旱区研究. 2019(02)
[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]ASD Field Spec3野外便携式高光谱仪诊断冬小麦氮营养[J]. 刘昌华,方征,陈志超,周兰,岳学智,王哲,王春阳,Yuxin Miao. 农业工程学报. 2018(19)
[9]结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度[J]. 白丽敏,李粉玲,常庆瑞,曾凤,曹吉,芦光旭. 植物营养与肥料学报. 2018(05)
[10]还田作物秸秆腐解及其养分释放特征概述[J]. 张经廷,张丽华,吕丽华,董志强,姚艳荣,金欣欣,姚海坡,贾秀领. 核农学报. 2018(11)
博士论文
[1]基于机器学习的时间序列模型研究及其应用[D]. 杨玉军.电子科技大学 2018
[2]基于长期定位试验的土壤及冬小麦的高光谱响应特征[D]. 郝雅珺.西北农林科技大学 2015
[3]基于地统计学的江苏省环太湖地区土壤肥力质量演变特征研究[D]. 徐茂.南京农业大学 2006
硕士论文
[1]广西天然林赤红壤碳库、营养元素及红外光谱特征研究[D]. 李加博.广西大学 2017
[2]不同还田模式下黄土高原旱作农田秸秆腐解特征及养分释放规律研究[D]. 岳丹.甘肃农业大学 2015
本文编号：3541802
【文章来源】：山东农业大学山东省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
技术路线图
山东农业大学硕士专业学位论文7明显差异较大，光谱间存在基线平移、倾斜等现象，这可能是由土壤颗粒以及土壤样品装填密度不同产生的散射影响造成的（乔星星等，2016）。采用适当的高光谱预处理方法可以有效提高土壤全氮诊断模型的适用能力，可有效过滤高光谱中的噪声信息，从而避免数据冗余，提高模型稳健性。对原始光谱数据进行一阶微分变换（图2）可以较好地削弱土壤背景的干扰并使波段间差异表现的更加明显，并且提高某些波段反射率与土壤养分含量的相关性（孙小香等，2018；陈思明等，2018）。通过11点平滑方法对数据进行平滑来减少测定环境、样品研磨、过筛带来的影响。图2一阶微分预处理后各波段反射率分布Fig.2Spectralcurveafterpretreatment为了更好地检验本研究中土壤全氮含量估算模型的精度，采用基于常用的光谱指数来构建土壤全氮含量的估算模型。张贤龙等（2018）应用光谱指数结合15种预处理方法优选了土壤盐分反演模型。本研究运用相关分析法对各波段的反射率和土壤全氮含量进行分析，选取相关系数≥0.4的波段420~444nm、480~537nm（图3），将其两两结合进行光谱指数运算（表2）。通过运算后的反射率与全氮含量进行相关性分析，MSASI的均值和最大值均高于其他三种光谱指数。各波段反射率与全氮含量的相关系数如图3所示，由于均值可以反映整体水平，选用均值和最大值结合数据分布作为高光谱指数选择的标准，筛选出最后82个波长作为建模光谱数据集，用于分析土壤全氮含量对光谱曲线变化的影响（刘昌华等，2018）。
基于高光谱反演的土壤全氮估测技术及其影响机制研究8图3不同波段反射率与土壤全氮含量相关性分析Fig.3Correlationanalysisbetweenreflectanceofdifferentbandsandsoiltotalnitrogencontent表2光谱指数及其公式Table2Typicalspectral-indexsandequation高光谱指数Hyperspectralindex计算公式Computationalequation归一化光谱指数NormalizeddifferentialspectralindexNDSI=(R1-R2)/(R1+R2)土壤调节光谱指数SoiladjustedspectralindexMSASI=(2R1+1-((2R1+1)2-8(R1-R2))1/2)/2复归一化光谱指数RenormalizeddifferentialspectralindexRDSI=(R1-R2)/(R1+R2)1/2比值光谱指数RatiospectralindexRSI=R1/R22.1.4模型分析方法选用多元线性回归模型、神经网络回归模型、偏最小二乘法三种方法进行建模，将62个样本与土壤全氮含量进行分析，31个样本进行验证，自变量为82个特征波段，因变量为实测全氮含量。选择决定系数R2、均方根误差值RMSE（RootMeanSquareError）、相对平均偏差RPD（RelativePercentDeviation），来筛选最佳模型（李岚涛等，2016）。R2越大，RMSE越小，表明模型估测精度越高，当RPD>2时，表明模型的估算能力较好；当1.4<RPD<2时，模型具有中等估算能力，可以通过模型优化处理提高模型的表现；当RPD<1.4时，表明模型的估算能力和普适性较差（王超等，2018；吕玮等，2017）。（1）多元线性回归多元线性回归（MultipleLinerRegression,MLR）又称逆最小二乘法，采用最小二乘法对系数矩阵进行估计（王惠文，1996）。利用62个建模样本数据，采用多元线性回归
【参考文献】：
期刊论文
[1]光谱预处理方法选择研究[J]. 第五鹏瑶,卞希慧,王姿方,刘巍. 光谱学与光谱分析. 2019(09)
[2]基于有机质光谱特征的土壤重金属Pb估算模型研究[J]. 贺军亮,李志远,李仁杰,周智勇,东启亮. 环境污染与防治. 2019(07)
[3]高粱和玉米秸秆腐解过程的红外光谱研究[J]. 刘佳琪,郭珺,武爱莲,董二伟,王劲松,王立革,焦晓燕. 山西农业科学. 2019(03)
[4]基于BP神经网络和遗传算法的并行迭代优化研究[J]. 胡海涛. 机械与电子. 2019(01)
[5]应用主成分分析评估红外高光谱仪器噪声特性[J]. 李路,漆成莉,张鹏,胡秀清,顾明剑. 光子学报. 2019(02)
[6]新疆有无人为干扰下土壤盐分估算的比较[J]. 王宁,熊黑钢,马利芳,叶红云,张芳. 干旱区研究. 2019(02)
[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]ASD Field Spec3野外便携式高光谱仪诊断冬小麦氮营养[J]. 刘昌华,方征,陈志超,周兰,岳学智,王哲,王春阳,Yuxin Miao. 农业工程学报. 2018(19)
[9]结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度[J]. 白丽敏,李粉玲,常庆瑞,曾凤,曹吉,芦光旭. 植物营养与肥料学报. 2018(05)
[10]还田作物秸秆腐解及其养分释放特征概述[J]. 张经廷,张丽华,吕丽华,董志强,姚艳荣,金欣欣,姚海坡,贾秀领. 核农学报. 2018(11)
博士论文
[1]基于机器学习的时间序列模型研究及其应用[D]. 杨玉军.电子科技大学 2018
[2]基于长期定位试验的土壤及冬小麦的高光谱响应特征[D]. 郝雅珺.西北农林科技大学 2015
[3]基于地统计学的江苏省环太湖地区土壤肥力质量演变特征研究[D]. 徐茂.南京农业大学 2006
硕士论文
[1]广西天然林赤红壤碳库、营养元素及红外光谱特征研究[D]. 李加博.广西大学 2017
[2]不同还田模式下黄土高原旱作农田秸秆腐解特征及养分释放规律研究[D]. 岳丹.甘肃农业大学 2015
本文编号：3541802
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3541802.html
