【摘要】：土壤速效養(yǎng)分主要包括速效氮、速效磷和速效鉀(N、P和K),這三種土壤屬性是作物賴以生存的基礎,其精確測量或估算對測土配方施肥、作物優(yōu)質(zhì)高產(chǎn)穩(wěn)產(chǎn)以及資源節(jié)約利用等均具有重要意義。土壤速效養(yǎng)分的測定通常采用實驗室理化測試法,由于其耗時、費力、低效等缺陷,已不適應現(xiàn)代精準農(nóng)業(yè)的發(fā)展要求。光譜分析技術(shù)具有快速、無損、高效等特點,在土壤屬性檢測中有很大的應用潛力。近年來,國內(nèi)外專家學者在土壤屬性光譜檢測領(lǐng)域開展了不少研究工作,尤其是有機質(zhì)、水分等屬性已取得了較好的檢測效果。而土壤速效養(yǎng)分由于含量極低,光譜特征不明顯,且野外條件下光譜易受光照、水分、大氣吸收和土壤表面屬性等環(huán)境因素的干擾,導致其檢測模型預測精度較差,迄今尚不能實現(xiàn)野外條件下的土壤速效養(yǎng)光譜定量檢測。本研究針對土壤速效養(yǎng)分光譜檢測模型預測精度較低的問題,以皖北麥玉輪作區(qū)的砂姜黑土和以色列內(nèi)蓋夫沙漠徑流收集系統(tǒng)的黃綿土為研究對象,分別使用室內(nèi)400-1000 nm可見近紅外(VNIR)成像高光譜和野外400-2500 nm可見近紅及短波近紅外(VNIR/SWIR)地物高光譜對土壤速效養(yǎng)分進行定量建模分析,通過改進預處理變換、優(yōu)化建模算法、去除無關(guān)信息等方法,提高了土壤速效養(yǎng)分高光譜檢測模型的精度。主要研究工作和成果總結(jié)如下:(1)比較了不同校正方法對土壤速效養(yǎng)分VNIR成像高光譜預測模型的影響。構(gòu)建了室內(nèi)成像高光譜采集系統(tǒng),分析了砂姜黑土400-1000 nm VNIR的反射率高光譜曲線特征;使用預處理變換光譜和原始光譜(共22種光譜)分別結(jié)合3種算法進行校正建模。結(jié)果表明,光譜經(jīng)濾波后再進行相應的導數(shù)變換、散射校正等處理,可以有效提高模型的預測性能,尤其是結(jié)合線性PLS-R建模算法。而非線性的LS-SVM和BPNN與部分未經(jīng)濾波的預處理變換光譜結(jié)合進行建模,也表現(xiàn)出了良好的效果。SNV/BPNN(相對分析誤差RPD=2.09,解釋總方差占總方差之比SSR/SST=0.85)被選用于P的校正預測,SG+LG/PLS-R(RPD=1.47,SSR/SST=0.95)被選用于K的校正預測,但N的預測是不成功的。(2)提出了基于PLS-BPNN的土壤速效磷高光譜預測方法。采用PLS對VNIR成像高光譜數(shù)據(jù)進行數(shù)據(jù)降維和特征提取,根據(jù)交叉驗證和變量投影重要性分別得到潛在變量和特征波長;再分別作為BP神經(jīng)網(wǎng)絡的輸入,以優(yōu)化土壤速效磷的SNV/BPNN定量回歸模型。通過與全部波長數(shù)據(jù)建立的BPNN模型進行對比分析,發(fā)現(xiàn)PLS-BPNN算法能夠有效減小高光譜數(shù)據(jù)冗余和共線性對模型性能的影響,利用PLS的潛在變量代替原始波長建立的模型更適合用于土壤速效磷的定量預測,相對于全部波長建模,預測精度提高了9.60%。(3)提出了基于多任務學習的土壤速效養(yǎng)分野外光譜預測方法。在野外條件下,采集土壤在350-2500 nm的VNIR/SWIR原位反射率高光譜,引入野外原位土壤中的水分含量(WC)、酸堿度(pH)、電導率(EC)和有機質(zhì)(OM)含量等重要土壤屬性作為參考響應變量,基于正則化混亂模型的線性多任務學習(LMTL)算法,利用不同屬性之間的共享特征和非共享特征同步建立了7種土壤屬性的預測模型;并與常用的單任務回歸算法(PLS-R)建立的模型進行預測性能上的對比。結(jié)果發(fā)現(xiàn),7種土壤屬性多任務模型的預測能力均優(yōu)于傳統(tǒng)的PLS-R單任務模型,其中,N和P的預測RPD分別為1.40和1.49,SSR/SST分別為0.58和0.64,K的RPD為1.22,SSR/SST為0.52。(4)分析了土壤野外原位VNIR/SWIR光譜的特征,明確了速效養(yǎng)分VNIR/SWIR光譜預測機理。綜合各個波段在PLS-R模型中的變量投影重要性(VIP)得分和在LMTL模型中的回歸系數(shù),研究了速效養(yǎng)分N、P和K以及其他4種屬性之間的特征波長分布規(guī)律,對比分析了各屬性預測模型之間的共享特征和非共享特征,探明了N、P和K的VNIR/SWIR光譜預測機理。發(fā)現(xiàn)N、P和K在VNIR/SWIR光譜中沒有直接的相關(guān)特征,而土壤中的鐵氧化物、水分含量、有機物和黏土礦物對土壤光譜有較大影響,在VNIR/SWIR中形成了4個特征塊區(qū)域,構(gòu)成了不同土壤屬性預測即不同任務之間共享特征的基礎;LMTL模型能夠借助這種共享特征來提高模型的泛化能力。(5)構(gòu)建了基于GLSW和Lasso的雙收縮光譜分析算法。利用Y-梯度廣義最小二乘加權(quán)算法(GLSW)建立野外原位光譜的濾波修正模型;使用濾波修正模型對光譜進行收縮濾波,去除數(shù)據(jù)中與響應變量(即N、P或K)無關(guān)的信息;再使用Lasso對濾波校正后的光譜進行回歸建模,實現(xiàn)對回歸系數(shù)的收縮。同時,使用GLSW濾波修正后的和未修正的光譜分別結(jié)合PLS-R和Lasso建立預測模型,比較分析各模型的預測性能。結(jié)果發(fā)現(xiàn),N、P和K的雙收縮模型僅利用了34個、29個和19個特征波長,預測RPD分別為1.42、1.65和1.33,預測精度優(yōu)于單收縮模型GLSW+PLS-R、Lasso,以及未收縮的PLS-R模型,甚至優(yōu)于LMTL模型。因此,雙收縮分析法能夠有效去除光譜數(shù)據(jù)中的噪聲等無關(guān)信息以及光譜冗余信息對模型預測精度的影響。論文研究成果明確了土壤速效養(yǎng)分高光譜預測機理,為土壤速效養(yǎng)分高光譜快速無損檢測模型精度的提高提供了新的思路,為土壤速效養(yǎng)分快速檢測與管理以及現(xiàn)代精準農(nóng)業(yè)技術(shù)的發(fā)展提供了重要的理論依據(jù)和實踐基礎。
【圖文】：

成像光譜技術(shù)研究成果較少，其對土壤速效養(yǎng)分的檢測性能仍然需要進一步開展研究。利用成像或非成像的高光譜進行土壤養(yǎng)分檢測的技術(shù)流程與傳統(tǒng)的近紅外光譜分析技術(shù)類似，一般如圖1-1所示，首先利用專業(yè)儀器設備采集土壤樣本的光譜信息，同時利用傳統(tǒng)化學計量檢測方法測出土壤樣本中養(yǎng)分的實際含量數(shù)值，再對光譜進行一定的預處理操作得到被測成分的特征光譜，進而結(jié)合特征光譜和化學測量值進行定量建模分析，最后利用建立的模型實現(xiàn)對土壤養(yǎng)分信息的反演預測。圖 1- 1 高光譜技術(shù)用于土壤養(yǎng)分檢測流程Figure 1- 1 The flowchart of predicting soil property using hyperspectral data國內(nèi)外不少學者將研究重點放在了室內(nèi)研究工作，土壤營養(yǎng)成分如有機質(zhì)（organic matter, OM）、總氮（total nitrogen, TN）等均有建立的室內(nèi)測量模型，，且預測精度較高。土壤速效養(yǎng)分 N、P 和 K 在土壤中的含量很低，且在 VNIR/SWIR 區(qū)域并無明顯的吸收帶

圖 1- 2ASD 高密度接觸式反射探頭Figure 1- 2 ASD high intensity contact reflectance probe接利用裸露光纖，以太陽光為光源，直接在光譜信號。這種方式快速，便捷，不需要對照強度和角度的干擾，且大氣中的水汽吸收用非接觸式采集了土壤原位 VNIR 數(shù)據(jù)（40、速效鉀的預測模型，其中模型決定系數(shù) R2用非接觸式采集了土壤原位 VNIR/SWIR 數(shù)的預測 R2分別為 0.45 和 0.43，遠低于室內(nèi)實時光譜測量法一般是由拖拉機等牽引裝置靠內(nèi)置光源實時動態(tài)測量土壤光譜。Mouaz 光譜儀的土壤傳感器，該傳感器附在深耕犁驗室建立的 PLS 校正模型進行土壤總碳、土壤水分含量的預測結(jié)果決定系數(shù)達到 0.89 ASD 可見近紅外光譜儀（350-2500nm）設計量室，建立了水分和粗糙度變化條件下的
【學位授予單位】：安徽農(nóng)業(yè)大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：S158

【相似文獻】

相關(guān)期刊論文 前10條

1 夏大中;周喜富;;土壤速效養(yǎng)分在不同時期的變化規(guī)律[J];現(xiàn)代化農(nóng)業(yè);1990年11期

2 劉淑欣;熊德中;吳少華;陳淑婷;;福建濱海豐產(chǎn)萄萄的土宜條件[J];福建農(nóng)學院學報;1989年04期

3 李純燕;楊恒山;薩如拉;張瑞富;曹倩;張麗娟;;不同耕作措施下秸稈還田對土壤速效養(yǎng)分和微生物量的影響[J];水土保持學報;2017年01期

4 張晉愛;;改良鹽堿地土壤速效養(yǎng)分變化特征[J];北京農(nóng)業(yè);2014年33期

5 王紅娟;白由路;魏義長;;東北平原土壤速效養(yǎng)分狀況與分布研究[J];中國土壤與肥料;2008年02期

6 盛建東,肖華,武紅旗,陳冰,王軍,楊新建;不同取樣尺度農(nóng)田土壤速效養(yǎng)分空間變異特征初步研究[J];干旱地區(qū)農(nóng)業(yè)研究;2005年02期

7 林穎 ,張丁娜,宋慶英;土壤速效養(yǎng)分變化趨勢及對策[J];黑河科技;2002年03期

8 吳志鵬;姜欣;許慧慧;張苗苗;唐寅;徐虎;王運;王志強;;用于土壤速效養(yǎng)分測定的多聯(lián)可控時速攪拌機設計[J];安陽工學院學報;2017年06期

9 劉志華;叢聰;智嘉禾;王嘉翼;李曉梅;孫彥坤;張麗莉;石瑛;李瑤;;干旱條件下生物炭施用量對馬鈴薯塊莖形成期土壤速效養(yǎng)分含量的影響[J];中國馬鈴薯;2015年03期

10 呂國紅;張玉書;紀瑞鵬;王笑影;陳鵬獅;;遼寧省農(nóng)田土壤速效養(yǎng)分的空間分布[J];貴州農(nóng)業(yè)科學;2010年06期

相關(guān)會議論文 前6條

1 燕興權(quán);;創(chuàng)新實驗教學“土壤速效養(yǎng)分的測定”案例分析[A];第五屆中國教育技術(shù)裝備論壇獲獎論文集（中）[C];2014年

2 袁媛;常慶瑞;;基于GIS的縣域耕地土壤速效養(yǎng)分豐缺度研究[A];第35屆中國氣象學會年會 S25 研究生論壇[C];2018年

3 高志勤;;毛竹林分土壤速效養(yǎng)分的變化特征[A];節(jié)能環(huán)保 和諧發(fā)展——2007中國科協(xié)年會論文集（三）[C];2007年

4 張乃明;文波龍;速東艷;陳澤濤;;滇池大清河流域農(nóng)田土壤氮素累積及對水環(huán)境的影響[A];土壤資源持續(xù)利用和生態(tài)環(huán)境安全——中國土壤學會第十一屆二次理事擴大會議暨學術(shù)會議論文集[C];2009年

5 路鈺;于福成;于明;程波;;生物有機肥肥效機理及對作物產(chǎn)量、品質(zhì)的影響[A];中國地壤學會第十次全國會員代表大會暨第五屆海峽兩岸土壤肥料學術(shù)交流研討會文集（面向農(nóng)業(yè)與環(huán)境的土壤科學專題篇）[C];2004年

6 王莉;王永剛;戴繼光;張永清;;ASI法P的浸出特征及生物有效性研究[A];中國植物營養(yǎng)與肥料學會2010年學術(shù)年會論文集[C];2010年

相關(guān)重要報紙文章 前4條

1 馮國民;新建大棚的培肥要訣[N];科學導報;2005年

2 余宏章;棉田蓋草 省肥不少[N];農(nóng)資導報;2014年

3 祝嘉;三類蔬菜如何施肥?[N];陜西科技報;2013年

4 記者 張連城;我市首批“綠色道路”通車[N];深圳特區(qū)報;2010年

相關(guān)博士學位論文 前2條

1 齊海軍;土壤速效養(yǎng)分高光譜檢測方法研究[D];安徽農(nóng)業(yè)大學;2018年

2 田福平;黃土高原單播人工草地碳儲量及其土壤速效養(yǎng)分特征研究[D];甘肅農(nóng)業(yè)大學;2015年

相關(guān)碩士學位論文 前10條

1 林寶平;采伐剩余物管理措施對二代杉木人工林土壤速效養(yǎng)分的長期效應[D];福建農(nóng)林大學;2017年

2 王豹;南方典型菜地土壤速效養(yǎng)分時空變異特征研究[D];山東農(nóng)業(yè)大學;2008年

3 楊可;養(yǎng)殖場沼液高效及安全利用技術(shù)的研究[D];華中農(nóng)業(yè)大學;2011年

4 柴穎;氮磷肥配施對土壤速效養(yǎng)分及玉米產(chǎn)量的影響[D];石河子大學;2015年

5 李強;不同氮素形態(tài)配比對冬小麥田土壤速效養(yǎng)分含量及酶活性的影響[D];河南科技大學;2013年

6 周箬涵;不同氮素形態(tài)及配比對娃娃菜產(chǎn)量、品質(zhì)及其養(yǎng)分吸收的影響[D];甘肅農(nóng)業(yè)大學;2015年

7 馬嘉偉;沼渣、竹炭對土壤肥力質(zhì)量和水稻產(chǎn)量及養(yǎng)分吸收的影響[D];浙江農(nóng)林大學;2013年

8 朱牧之;嘉興市南湖區(qū)土壤養(yǎng)分時空變異研究[D];浙江大學;2007年

9 姬艷艷;不同耕作方式對農(nóng)田土壤昆蟲生境影響的研究[D];山東農(nóng)業(yè)大學;2012年

10 何莉莉;生物炭對土壤微生態(tài)環(huán)境的影響及機理研究[D];中國林業(yè)科學研究院;2013年

本文編號：2685599