摘要：准确、快速地估测土壤中的氮素含量是推动配方施肥顺利开展的保障.本研究在不同区域随机选取了30个点位,每个点位分别取其表土层(0～30cm)、心土层(30～48cm)以及底土层(48～60cm)三个部位进行取样,利用傅里叶型光谱分析仪MATRIX_I测量了含有不同氮素含量的土壤样本在近红外区域的吸收光谱,并使用实验室手段测量了土壤样本的水分及氮素含量.分析了不同层次土壤样本的吸收光谱特性,以及土壤水分、氮素不同层次的变化规律.同时对原始光谱透射率进行一阶微分处理,而后利用微分光谱与土壤全氮含量进行相关性分析,选取反应土壤全氮含量的敏感波段1387nm,1504nm,1738nm,1876nm,2120nm以及2316nm.利用所得敏感波段与土壤氮素含量分别建立多元线性回归模型,BP神经网络预测模型以及基于遗传算法优化的BP神经网络建模.rn 结果显示,基于遗传算法优化的BP神经网络建模,其测定系数Rc2为0.883,RMSEC=0.0278mg/Kg.表土层土壤的预测验证结果测定系数Rt2为0.716,RMSEP=0.031mg/Kg;心土层土壤的预测验证结果测定系数Rs2为0.801,RMSEP=0.030mg/Kg;底土层土壤的预测验证结果测定系数Rb2为0.667,RMSEP=0.033mg/Kg;无论是建模精度还是模型在土壤各个层次的预测精度相比于多元线性回归模型和BP神经网络模型相比都有了显著的提高,说明该方法在土壤全氮含量预测过程中具有明显的优势,可应用于实际生产.
