基于可见/近红外光谱分析的化肥土壤成分速测模型研究

摘要

土壤是农业的基础，化肥是农业的重要物资。化肥的使用起到了改善土壤肥力、提高作物产量的作用。然而，盲目施肥会造成化肥的浪费和环境的污染，导致巨大的经济损失。精准施肥可以提高化肥使用效率，减少环境污染，在精准农业中占有重要地位。但是传统的化学分析方法在测量化肥成分和土壤养分方面存在一系列缺点:分析周期长、过程复杂、成本高、还有可能带来二次污染。目前，农业上迫切需要一种快速、环保、实时、成本低的现场检测手段。
　　可见/近红外光谱分析技术具有操作简单、测试快捷、成本低廉、环保无污染的众多优点。本文采集了化肥和淮北平原典型土种——砂姜黑土的光谱信息，采用可见/近红外光谱分析结合化学计量学中的多元校正技术，研究了化肥总氮、总磷和总钾含量以及土壤有机质、总氮含量和pH值的快速测定方法，建立了相应的回归模型。本研究对精准施肥的推广具有重要意义。主要研究内容和成果如下:
　　(1)得到了化肥总氮、总磷、总钾以及土壤有机质、总氮和pH值的光谱速测模型，实现了化肥养分信息和土壤参数的快速精确无损检测。系统分析了17种预处理方法对光谱数据的预处理效果，得到了针对不同预测量各自最优的预处理算法;分别应用KS和SPXY方法选定建模集样本，利用连续投影算法(SPA)和遗传算法(GA)提取出特征波长，分别建立了基于全波长和特征波长的主成分回归(PCR)、偏最小二乘回归(PLS)和最小二乘支持向量机(LS-SVM)预测模型并对预测结果进行了评估对比，得出了其中最优的速测模型。
　　(2)对化肥样品的总氮含量，smooth-SPXY-SPA-LS-SVM模型结构最简单且预测结果较好，获得的相关系数(R)为0.9346，相对分析误差(RPD)为4.81;对总磷含量，SNV-KS-GA-PCR模型预测结果较好，获得的相关系数(R)为0.9336，RPD为3.44;对总钾含量，MSC+2nd Derivative-KS-GA-LS-SVM模型预测效果较好，获得的相关系数为0.9181，RPD为2.62;根据RPD分类标准，这些模型都是可以用作定量预测的。
　　(3)对砂姜黑土土壤样品的有机质含量，smooth+SNV-SPXY-GA-PCR模型预测结果较好，获得的相关系数(R)为0.9087，相对分析误差(RPD)为2.24;对总氮含量，MSC-SPXY-GA-PCR模型预测结果较好，获得的相关系数(R)为0.9702，RPD为4.00;对pH值，1st Derivative+SNV-SPXY-GA-PCR模型预测效果较好，获得的相关系数为0.9191，RPD为2.33;根据RPD分类标准，这些模型也都是可以用作定量预测的。
　　(4)通过SPA和GA算法很好地提取了每种成分的光谱特征波长，在不降低预测精度的同时，大大简化了模型的复杂度，为快速检测设备的研发提供了技术支撑。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 基于可见／近红外光谱的土壤养分检测研究现状

1．2．2 基于可见／近红外光谱的化肥成分检测研究现状

1．3 近红外光谱建模技术基础

1．3．1 光谱理论基础

1．3．2 近红外光谱的定量计算

1．4 研究目标、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 拟解决的关键问题

1．6 论文的整体章节结构

1．7 本章小结

第2章 样品采集、测试与光谱获取

2．1 化肥样本

2．2 土壤样本

2．3 化肥主要成分测定

2．3．1 化肥中氮含量的测定

2．3．2 化肥中总磷含量测定

2．3．3 化肥中总钾含量测定

2．4 土壤主要成分测定

2．4．1 土壤有机质含量的测定

2．4．2 土壤总氮含量的测量

2．4．3 土壤pH值的测量

2．5 样品光谱采集

2．6 近红外光谱建模所用软件

2．7 本章小结

第3章 可见／近红外光谱建模技术

3．1 光谱预处理技术

3．1．1 平滑

3．1．2 导数

3．1．3 标准正态变量转换

3．1．4 多元散射校正

3．1．5 正交信号校正

3．2 样本选择技术

3．2．1 随机选择法

3．2．2 KS法

3．2．3 SPXY法

3．3 波长优选技术

3．3．1 相关系数法和方差分析法

3．3．2 连续投影方法

3．3．3 无信息变量消除法

3．3．4 遗传算法

3．4 近红外建模技术

3．4．1 多元线性回归

3．4．2 主成分回归

3．4．3 偏最小二乘回归

3．4．4 最小二乘支持向量机

3．5 模型评价标准

3．5．1 相关系数

3．5．2 预测均方根误差

3．5．3 相对分析误差

3．6 本章小结

第4章 化肥成分可见／近红外光谱建模

4．1 光谱预处理

4．2 总氮预测模型

4．2．1 不同预处理方式的对比

4．2．2 不同建模集样本选择方式的对比

4．2．3 不同光谱建模方式的对比

4．2．4 不同特征波长优选技术的对比

4．2．5 小结

4．3 总磷预测模型

4．3．1 不同预处理方式的对比

4．3．2 不同建模集样本选择方式的对比

4．3．3 不同光谱建模方式的对比

4．3．4 不同特征波长优选技术的对比

4．3．5 小结

4．4 总钾预测模型

4．4．1 不同预处理方式的对比

4．4．2 不同建模集样本选择方式的对比

4．4．3 不同光谱建模方式的对比

4．4．4 不同特征波长优选技术的对比

4．4．5 小结

4．5 本章小结

第5章 土壤成分可见／近红外光谱建模

5．1 光谱预处理

5．2 有机质预测模型

5．2．1 不同预处理方式的对比

5．2．2 不同建模集样本选择方式的对比

5．2．3 不同光谱建模方式的对比

5．2．4 不同特征波长优选技术的对比

5．2．5 小结

5．3 总氮预测模型

5．3．1 不同预处理方式的对比

5．3．2 不同建模集样本选择方式的对比

5．3．3 不同光谱建模方式的对比

5．3．4 不同特征波长优选技术的对比

5．3．5 小结

5．4 PH值预测模型

5．4．1 不同预处理方式的对比

5．4．2 不同建模集样本选择方式的对比

5．4．3 不同光谱建模方式的对比

5．4．4 不同特征波长优选技术的对比

5．2．5 小结

5．5 本章小结

第6章 成果与展望

6．1 研究成果

6．2 论文创新点

6．3 工作展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果