论文部分内容阅读
土壤养分如总氮、有机质、速效钾和速效磷等是农作物生长的主要养分,这些土壤养分参数的检测一直沿用常规化学检测方法,对检测人员要求高,且需要昂贵的检测设备,存在检测成本高、效率低,不能大规模同时检测等问题。近红外光谱和高光谱成像分析技术具有成本低、快速和环保等优点,近年来在土壤养分测定方面得到了越来越广泛的应用。本文主要创新性成果有：(1)提出了将遗传算法和连续投影算法相结合,用于特征波长选择,建立了土壤有机质含量快速检测模型,预测集的决定系数为0.83,预测均方根误差为0.20,残余预测偏差为2.45,介绍了两种光谱压缩方法(LVs和PCs)和有效波长(EWs)提取方法,对于土壤有机质,LVs-LS-SVM模型的预测结果优于EWs-LS-SVM、PCs-LS-SVM模型,EWs-LS-SVM优于PCs-LS-SVM模型。(2)应用高光谱成像技术,建立了土壤有机质的光谱检测模型。系统地比较了多元散射校正,SG平滑算法和小波分析预处理方法,多元散射校正预处理效果较好,有效去除了光谱噪声,采用连续投影算法和遗传-偏最小二乘法选择特征波长,建立了偏最小二乘、BP神经网络和最小二乘支持向量机模型。最优模型为最小二乘支持向量机模型,其预测集的决定系数为0.78,预测均方根误差为0.29,残余预测偏差RPD为2.24。(3)提出了基于图像和光谱信息融合技术鉴别土壤不同类型。提取土壤样品感兴趣区域光谱,以第一主成分图像信息和611nm图像信息为灰度共生矩阵,结合图像信息数据与光谱信息数据,作为LS-SVM分类器的输入建立分类识别模型,预测集识别率达到100%。(4)提出了采用连续投影算法和回归系数方法提取特征波长,基于特征波长分别采用PLS、MLR和LS-SVM三种建模方法共建立了9个预测模型,预测总氮含量,最优MLR模型预测集的决定系数为0.81,残余预测偏差RPD为2.26。(5)应用短波近红外光谱技术,建立了土壤总氮含量快速检测模型。将土壤样本分为三组,一组未经过粉碎、过筛等处理,其余两组分别过2mm筛和0.5mm筛处理,采用基于USB4000开发的便携式光谱仪器获取土壤光谱数据,结合平滑算法,波长压缩算法和小波变换进行噪声处理,采用竞争性自适应重加权算法,Random frog和SPA进行特征波长选择。采用偏最小二乘,极限学习机和LS-SVM建立了检测模型。试验结果表明,过筛处理后的样本模型结果优于未过筛的样本模型结果,过0.5mm筛处理的土壤样本模型预测结果略优于过2mm筛处理的土壤样本结果,预测集的决定系数为0.63,RPD为1.58。(6)应用蒙特卡罗无信息变量消除算法(MC-UVE)结合遗传算法提取特征波长,建立了土壤速效钾快速检测模型。PLS模型预测集的决定系数为0.68,RMSEP为6.45,残余预测偏差(RPD)为1.70。应用竞争性自适应重加权算法选择的特征波长,建立了土壤速效磷快速检测模型。PLS模型预测集的决定系数为0.64,RMSEP为3.80,RPD为1.67。(7)开发了一款基于USB4000光谱仪的便携式土壤养分含量测定仪器,并应用于土壤总氮含量检测研究。硬件部分由机箱外壳、光纤、电压转换模块、光源、驱动电路、集成开发板、独立电源和触摸屏等组成；软件部分由模型加载模块、光谱采集模块、光谱保存模块、结果显示模块和参数设置等模块组成。上述研究成果实现了土壤养分和类型的无损、快速检测,为开发基于光谱和高光谱成像技术的土壤养分检测仪器奠定了理论基础,具有广阔的应用前景。