基于光谱分析和数字图像处理技术的土壤信息检测研究

摘要

精细农业是当代信息技术与传统农业技术相结合的产物,能够减少农业生产污染和浪费,降低耕作成本,提高产量和品质,是未来农业发展的主要方向.土壤信息的采集与监测是精细农业一个重要的环节,如何快速,准确地检测土壤信息是是精细农业领域的一个难题,也是当前学界研究的热点问题.
　　 本论文针对目前国内外在土壤信息快速检测技术上存在的一些问题和不足,利用遥感光谱技术和数字图像处理技术对土壤有机质含量和水分含量的快速检测进行了研究,主要研究内容和成果如下:
　　 1、研究不同预处理方法对光谱模型检测土壤有机质含量精度的影响。分别采用不同的预处理方法处理光谱信号,然后分别建立全光谱波段(350～2500nm)的PLS模型,通过模型的预测检验结果发现:平滑法一般能够较好地提高全波段光谱PLS模型对土壤有机质含量的分析精度,其中SavitzkyGolay3点平滑法(SavitzkyGolaySmoothing,3)的处理效果最佳,模型预测相关系数R达到0.8694,预测均方根误差RMSEP仅为0.2558.
　　 2.研究了非线性模型“最小二乘支持向量机模型(LSSVM)”,和“BP神经网络模型(BPANN)”在土壤有机质光谱检测中的应用。利用波长范围为350～2500nm的原始光谱数据,经过PCA压缩后分别建立LSSVM和BPANN模型,经过预测检验,LSSVM模型的预测相关系数R为0.8544,RMSEP为0.2657;BPANN模型的预测相关系数R为0.8829,RMSEP为0.2618.而使用相同数据建立的PLS模型,其预测相关系数R为0.8373,RMSEP为0.2905.通过比较三个模型的检测结果,发现对于土壤有机质含量的预测,三种模型的预测精度依次为BPANN>LSSVM>PLS.
　　 3、研究了数字图像处理技术在检测土壤有机质含量中的应用.通过数字图像处理技术分别提取绿光(500nm)、红光(650nm)和近红外(800nm)三个通道图像中土壤图像的平均灰度值,然后分别建立线性PLS模型和非线性LSSVM模型。经过预测检验,PLS模型的预测相关系数R为0.7692,RMSEP为0.3316;LSSVM模型的预测相关系数R为0.7792,RMSEP为0.3163.
　　 4、研究了数字图像处理技术在检测“理想土壤”水分含量中的应用.人工制备不同水分含量的“理想土壤”样本,通过图像处理技术分别提取三个通道图像中土壤图像的平均灰度值,然后分别建立线性PLS模型和非线性LSSVM模型,模型预测检验的效果理想,PLS模型的预测相关系数R为0.9707,RMSEP为0.6997;LSSVM模型的预测相关系数R为0.9767,RMSEP为0.4016.

目录

文摘

英文文摘

致谢

1.绪论

1.1 引言

1.2 土壤信息采集与检测研究现状

1.2.1 位置信息的采集

1.2.2 土壤水分信息的检测

1.2.3 土壤营养物质信息的检测

1.2.4 土壤pH和EC信息的检测

1.3 遥感光谱技术

1.3.1 光谱技术概述

1.3.2 土壤遥感光谱技术研究现状

1.4 数字图像处理技术

1.4.1 数字图像处理技术概述

1.4.2 数字图像处理技术的研究内容

1.4.3 数字图像处理技术在土壤研究方面的应用现状

1.5 国内外研究中存在的问题

1.6 本文主要研究内容

2.数据获取与处理方法

2.1 数据获取设备

2.1.1 可见-近红外光谱仪(FieldSpecR 3 Hi-Res)

2.1.2 多光谱成像仪(Duncan MS3100 3CCD)

2.2 土壤成分化学测定方法

2.2.1 土壤有机质含量的化学测定方法

2.2.2 土壤水分含量的测定

2.3 数据处理方法

2.3.1 光谱数据预处理方法

2.3.2 光谱数据建模方法

2.3.3 模型评价

3.基于光谱信号分析技术的土壤信息检测

3.1 实验数据采集

3.1.1 实验材料

3.1.2 样本成分的化学测定

3.1.3 光谱信号的采集

3.2 光谱信号预处理

3.3 光谱信号建模与检测

3.3.1 基于不同光谱信号预处理方法的PLS模型建立与检测

3.3.2 LSSVM模型的建立与检测

3.3.3 BP神经网络模型的建立与检测

3.3.4 不同检测模型的比较

3.4 本章小结

4.基于数字图像处理技术的土壤信息检测

4.1 图像信息采集平台结构

4.1.1 成像仪

4.1.2 光源系统

4.1.3 软件系统

4.2 实验样本的采集与制备

4.2.1 检测有机质含量的土样的采集与制备

4.2.2 检测水分含量的土样的采集与制备

4.3 实验样本成分的测定

4.3.1 土壤样本有机质含量的测定

4.3.2 土壤样本水分含量的测定

4.4 图像数据的采集

4.5 数字图像处理及信息提取

4.5.1 图像分离

4.5.2 图像背景去除

4.6 土壤图像灰度信息提取

4.7 基于图像特征值的模型建立与检测

4.7.1 基于图像特征参数的土壤有机质检测模型

4.7.2 基于图像特征参数的土壤水分含量检测模型

4.8 本章小结

5.结论与展望

5.1 全文主要结论

5.2 展望

参考文献

附录

硕士期间发表论文