基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发

摘要

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2 mm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。

目录

声明

论文说明

致谢

摘要

图目录

表目录

缩略词表

1 绪论

1．1 研究目的和意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 光谱分析基础

1．4 研究目标、研究内容和技术路线

1．4．1 研究目标

1．4．2 研究内容

1．4．3 技术路线

1．5 本章小结

2 实验仪器与方法

2．1 试验仪器设备

2．1．1 可见近红外光谱仪器

2．1．2 高光谱成像检测仪器

2．2 试验材料

2．3 土壤有机质含量测定

2．4 土壤氮、磷和钾测定

2．4．1 土壤总氮的测量

2．4．2 土壤速效钾的测量

2．4．3 土壤速效磷的测量

2．5 本章小结

3 光谱预处理和多元校正计量学方法

3．1 光谱预处理方法概述

3．1．1 Savitzky-Golay卷积平滑算法

3．1．2 多元散射校正

3．1．3 标准正态变量变换

3．1．4 微分算法

3．1．5 小波变换

3．1．6 归一化

3．1．7 去趋势算法

3．1．8 正交信号校正

3．1．9 均值中心化

3．1．10 标准化

3．2 多元校正计量学方法

3．2．1 主成分回归

3．2．2 偏最小二乘回归

3．2．3 多元线性回归

3．2．4 最小二乘支持向量机

3．2．5 BP神经网络

3．2．6 极限学习机

3．3 特征变量提取方法

3．3．1 连续投影算法

3．3．2 无信息变量消除算法

3．3．3 遗传算法

3．3．4 竞争性自适应重加权算法

3．3．5 随机青蛙

3．4 模型评价标准

3．4．1 决定系数

3．4．2 校正预测均方根误差

3．4．3 预测均方根误差

3．4．4 残余预测偏差

3．5 化学计量学算法实现软件

3．6 本章小结

4 土壤有机质及土壤类型测定研究

4．1 引言

4．2 统计化学方法测定样本有机质含量

4．3 采集土壤样本光谱

4．4 遗传算法结合连续投影算法近红外光谱检测土壤有机质

4．4．1 遗传算法选取特征波长

4．4．2 遗传算法结合连续投影算法选取特征波长

4．4．3 小结

4．5 基于近红外光谱的不同波段检测土壤有机质研究

4．5．1 建模集和预测集的划分

4．5．2 PLS潜在变量和主成分因子的获取

4．5．3 不同波段建模研究

4．5．4 小结

4．6 基于高光谱成像技术检测土壤有机质含量研究

4．6．1 试验样本和方法

4．6．2 高光谱成像系统

4．6．3 光谱噪声去除

4．6．4 特征波长选择

4．6．5 建模分析方法

4．6．6 结果与讨论

4．6．7 小结

4．7 基于高光谱成像技术检测土壤类型研究

4．7．1 材料与方法

4．7．2 试验结果与分析

4．7．3 ROC曲线评价LS-SVM分类性能

4．7．4 小结

4．8 本章小结

5 基于近红外光谱技术土壤总氮和磷钾测定研究

5．1 前言

5．2 化学测定土壤总氮统计分析

5．3 采集土壤样本光谱和光谱预处理

5．4 基于不同变量选择方法和建模方法检测土壤总氮的研究

5．4．1 回归系数分析提取总氮关键变量

5．4．2 连续投影算法提取总氮特征波长

5．4．3 土壤总氮遗传算法提取特征波长

5．4．4 数学模型验证及评价

5．4．5 总氮含量检测结果与讨论

5．4．6 总氮检测结论

5．5 基于便携式短波近红外光谱仪器检测土壤总氮含量研究

5．5．1 试验样本采集和划分方法

5．5．2 土壤光谱噪声去除

5．5．3 土壤总氮特征波长选择算法

5．5．4 土壤总氮含量建模分析方法

5．5．6 土壤总氮含量检测结果与讨论

5．5．7 过筛和未过筛土壤样品检测总氮分析

5．6 基于近红外光谱技术检测土壤速效磷

5．6．1 无信息变量消除算法提取变量

5．6．2 土壤速效磷遗传算法选取特征波长

5．6．3 竞争性自适应重加权算法

5．6．4 小结

5．7 蒙特卡罗无信息变量消除算法结合遗传算法检测土壤速效钾

5．7．1 遗传算法选取特征波长

5．7．2 MC-UVE结合GA选取建模变量

5．7．3 小结

5．8 本章小结

6 基于光谱技术检测土壤总氮含量便携式仪器开发

6．1 引言

6．2 便携式检测仪器硬件集成

6．2．1 便携式土壤总氮含量检测仪器核心部件

6．2．2 便携式土壤总氮含量检测仪器电源供电

6．3 便携式仪器测量土壤总氮含量系统简介

6．3．1 便携式土壤总氮含量检测仪器设计思想

6．4 检测系统各子模块简介

6．4．1 便携式土壤总氮含量检测仪器软件

6．4．2 便携式土壤总氮含量检测仪器内部组成

6．4．3 便携式土壤总氮含量检测仪器整机实物

6．5 基于便携式仪器检测土壤总氮含量研究

6．5．1 便携式土壤总氮含量检测仪器检检测结果列表

6．5．2 便携式土壤总氮含量检测仪器和其它光谱仪比较

6．6 本章小结

7 结论与展望

7．1 研究的具体内容和主要结论

7．2 本研究的主要创新点

7．3 展望和建议

参考文献

附录

作者简介