【摘要】：土壤養(yǎng)分對農(nóng)業(yè)種植非常重要,高效、準(zhǔn)確、非損傷性的獲取土壤養(yǎng)分信息是非常值得研究的問題。本文以華北平原農(nóng)田區(qū)為研究區(qū)域,選取了景縣、虞城縣和莘縣三個典型農(nóng)業(yè)大縣為試驗區(qū),以土壤養(yǎng)分全氮、有效磷、速效鉀為研究對象,高光譜數(shù)據(jù)為手段,采用pearson相關(guān)分析,篩選土壤全氮、有效磷、速效鉀的特征波長,利用多元線性回歸、偏最小二乘回歸、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)建立各養(yǎng)分含量的估測模型,針對整體土壤養(yǎng)分單一模型精度低的情況,對土壤樣本進(jìn)行分區(qū)建模,建立了基于質(zhì)地分區(qū)的土壤養(yǎng)分光譜估測模型,較好探索了華北平原農(nóng)田土壤養(yǎng)分的高光譜估測方法和分區(qū)應(yīng)用。主要研究內(nèi)容和結(jié)果如下:1)土壤主要養(yǎng)分的高光譜估測基于不同土壤養(yǎng)分含量的光譜反射率變化特征,應(yīng)用敏感波長估測土壤養(yǎng)分,華北農(nóng)田區(qū)全氮養(yǎng)分的特征波長是1060nm、1527nm、1543nm、1675nm、1776nm、1915nm,土壤有效磷敏感波長是1060nm、1131nm、1301nm、1469nm、1491nm、1817nm、1907nm、1950nm、1964nm、1994nm,速效鉀敏感波長是1131 nm、1539 nm、1059 nm、1760 nm、1645 nm、1950 nm、1909 nm。采用多元線性回歸、偏最小二乘回歸、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)四種方法建立土壤養(yǎng)分的高光譜估測模型,根據(jù)決定系數(shù)R~2和平均相對誤差大小優(yōu)選土壤養(yǎng)分最佳估測模型,土壤全氮、有效磷、速效鉀最佳估測模型分別是偏最小二乘回歸模型、多元線性回歸模型、偏最小二乘回歸模型。從養(yǎng)分間的模型精度看,有效磷最佳模型精度全氮最佳模型精度速效鉀最佳模型精度。從模型方法看,偏最小二乘回歸預(yù)測精度最高,其次是多元線性回歸。2)土壤主要養(yǎng)分光譜估測的分區(qū)指標(biāo)根據(jù)華北農(nóng)田區(qū)自然氣候條件、成土母質(zhì)、土壤質(zhì)地和養(yǎng)分狀況、管理水平等,參考該區(qū)耕地地力評價因子,結(jié)合本文選取試驗區(qū)樣點情況,綜合考慮從土壤質(zhì)地、灌排能力、氣候條件等選取土壤養(yǎng)分光譜估測的分區(qū)指標(biāo)。對土壤樣本的全氮、有效磷、速效鉀含量進(jìn)行分區(qū)特征統(tǒng)計分析,摸清試驗區(qū)土壤養(yǎng)分含量狀況,探索分區(qū)對土壤養(yǎng)分影響重要性,根據(jù)土壤養(yǎng)分在各分區(qū)因素等級的均值和變異性,最終選取土壤質(zhì)地作為養(yǎng)分光譜估測的分區(qū)指標(biāo)。質(zhì)地對土壤養(yǎng)分含量和變異的影響較為明顯,劃分質(zhì)地后,土壤養(yǎng)分變異性較整體降低。進(jìn)而分析了不同質(zhì)地的土壤光譜特性,在600nm~1900nm譜區(qū),三種質(zhì)地土壤光譜反射率差異較明顯,因此基于土壤質(zhì)地建立土壤主要養(yǎng)分高光譜估測分區(qū)模型是可行的。3)土壤主要養(yǎng)分光譜估測的分區(qū)應(yīng)用將土壤樣本數(shù)據(jù)按照土壤質(zhì)地分為壤土、砂土、粘土三類,對各質(zhì)地養(yǎng)分含量值進(jìn)行聚類運算,計算養(yǎng)分含量值與光譜反射率導(dǎo)數(shù)值的相關(guān)系數(shù),采用四種建模方法進(jìn)行養(yǎng)分估測建模,通過決定系數(shù)R~2和平均相對誤差大小選擇最優(yōu)模型,根據(jù)建模精度和驗證結(jié)果,壤土全氮、有效磷、速效鉀的最佳估測模型分別是多元線性回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型、偏最小二乘回歸模型;砂土全氮、有效磷、速效鉀的最佳估測模型分別是多元線性回歸模型、支持向量機(jī)模型、偏最小二乘回歸模型;粘土全氮、有效磷、速效鉀的最佳估測模型分別是人工神經(jīng)網(wǎng)絡(luò)模型、偏最小二乘回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型。養(yǎng)分建模結(jié)果對比,除粘質(zhì)土壤有效磷和速效鉀,不同質(zhì)地區(qū)土壤養(yǎng)分建模精度均高于整體土壤養(yǎng)分建模,表明劃分質(zhì)地后對土壤養(yǎng)分預(yù)測效果更好。建模方法對比顯示,偏最小二乘回歸和人工神經(jīng)網(wǎng)絡(luò)方法建模精度更高,準(zhǔn)確性更好。本研究探索華北平原糧食主產(chǎn)區(qū)土壤養(yǎng)分的無損、簡便、快速估測方法,研究土壤養(yǎng)分光譜估測和分區(qū)應(yīng)用,對于高光譜應(yīng)用于大區(qū)域土壤養(yǎng)分估測有重要理論和實際意義。
【圖文】：

技術(shù)路線圖

圖 2.1 研究區(qū)地理位置圖Fig.2.1 Geographical location map of the study area2.2 土壤樣本的采集與分析2.2.1 土壤樣本采集土壤樣本采集按照涵蓋各級養(yǎng)分含量、均勻分布的原則，在試驗區(qū)耕地區(qū)內(nèi)布點，采集樣點位置對應(yīng)土樣，土樣采集方法是：在作物收貨或播種前，依據(jù)地塊面積大小采用多點取樣，采樣深度 0-20cm，混合土樣后用四分法取土 1kg，共采集土樣 940 個。2.2.2 土壤樣本養(yǎng)分化學(xué)分析土樣處理過程為五點取樣、風(fēng)干、敲碎、去除雜質(zhì)，2mm 過篩，然后進(jìn)行土樣化學(xué)實驗，分析全氮、有效磷、速效鉀含量。全氮化驗采用凱氏定氮法，有效磷含量測定采用 0.05mol·L-1NaHCO3 浸提-鉬銻抗比色法,速效鉀含量化驗采用乙酸銨浸提-火焰光度法測定。2.2.3 土壤樣本異常值剔除
【學(xué)位授予單位】：山東農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：S158;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 俞益武,陳文龍;千島湖地區(qū)馬尾松樹干重量估測模型的初步研究[J];浙江林學(xué)院學(xué)報;1989年01期

2 湯軍;秦富倉;王娟;高玉寒;張美麗;姚云峰;;黃柳地上生物量估測模型的構(gòu)建[J];黑龍江農(nóng)業(yè)科學(xué);2015年11期

3 徐萍;徐天蜀;;森林蓄積量定量遙感估測模型研究[J];林業(yè)建設(shè);2007年06期

4 李選舉,向書堅;失真數(shù)據(jù)的判別與估測模型[J];中南財經(jīng)大學(xué)學(xué)報;1999年01期

5 楊柳;馮仲科;岳德鵬;孫金華;;結(jié)合紋理因子和地形因子的森林蓄積量多光譜估測模型[J];光譜學(xué)與光譜分析;2017年07期

6 呂杰;汪康寧;李崇貴;史曉亮;;基于高光譜遙感的玉米葉綠素含量估測模型[J];中國礦業(yè)大學(xué)學(xué)報;2016年02期

7 宋開山;張柏;王宗明;段洪濤;張淵智;李方;;半干旱區(qū)內(nèi)陸湖泊透明度高光譜估測模型研究——以松嫩平原查干湖為例[J];水科學(xué)進(jìn)展;2006年06期

8 張煒,王亞平,林杰;工程合理成本的模糊估測模型及應(yīng)用研究[J];鐵道學(xué)報;1998年03期

9 秦建華,姜志林,錢能志;福建洋口杉木生物量估測模型的選擇[J];南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版);1990年01期

10 程武學(xué);倪勇;楊存建;周介銘;周萬村;;基于小班對象的森林蓄積量遙感估測模型合理性診斷[J];湖北農(nóng)業(yè)科學(xué);2011年23期

相關(guān)會議論文 前4條

1 張曼胤;李夢潔;崔麗娟;王賀年;郭子良;李偉;魏圓云;楊思;;基于蘆葦葉片高光譜的水體氮磷含量估測模型比較[A];2017中國環(huán)境科學(xué)學(xué)會科學(xué)與技術(shù)年會論文集（第二卷）[C];2017年

2 黃鴻威;莫放;周漢林;徐萍;;4-6月齡犢牛尿中嘌呤衍生物排出規(guī)律的研究[A];中國畜牧獸醫(yī)學(xué)會動物營養(yǎng)學(xué)分會——第九屆學(xué)術(shù)研討會論文集[C];2004年

3 李亞兵;毛樹春;韓迎春;王香河;王國平;;基于數(shù)字圖像特征的棉花群體大小估測模型[A];中國棉花學(xué)會2007年年會論文匯編[C];2007年

4 馬榮華;戴錦芳;;太湖水色遙感中葉綠素和懸浮物的高光譜分析[A];中國地理學(xué)會2004年學(xué)術(shù)年會暨海峽兩岸地理學(xué)術(shù)研討會論文摘要集[C];2004年

相關(guān)博士學(xué)位論文 前8條

1 李向陽;煙草高光譜特性與農(nóng)藝、生理、品質(zhì)指標(biāo)關(guān)系和估測模型研究[D];河南農(nóng)業(yè)大學(xué);2007年

2 謝文;基于高光譜技術(shù)的森林土壤不同養(yǎng)分含量光譜特征及估測模型研究[D];江西農(nóng)業(yè)大學(xué);2017年

3 王蕊;大光斑激光雷達(dá)森林回波模擬和森林參數(shù)反演[D];東北林業(yè)大學(xué);2015年

4 齊波;大豆育種中產(chǎn)量和生長性狀的高光譜預(yù)測技術(shù)研究[D];南京農(nóng)業(yè)大學(xué);2014年

5 竇玉青;基于高光譜技術(shù)的煙草含氮化合物估測模型研究[D];山東農(nóng)業(yè)大學(xué);2016年

6 王妮;基于3S技術(shù)的森林資源變化動態(tài)監(jiān)測[D];南京林業(yè)大學(xué);2012年

7 高鑫;春玉米LAI和葉片氮素營養(yǎng)及產(chǎn)量的高光譜估測模型研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

8 張正楊;基于水氮互作的煙草高光譜特性及估測模型研究[D];河南農(nóng)業(yè)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 陳曉娜;華北平原農(nóng)田土壤主要養(yǎng)分高光譜估測模型及分區(qū)應(yīng)用[D];山東農(nóng)業(yè)大學(xué);2019年

2 林云;4G協(xié)議的通信能耗模型分析與優(yōu)化[D];廈門大學(xué);2017年

3 楊向陽;土壤全氮和有機(jī)質(zhì)高光譜估測模型研究[D];河南農(nóng)業(yè)大學(xué);2018年

4 尚璇;有機(jī)質(zhì)與含水量對土壤高光譜的交互影響及其估測模型[D];山東農(nóng)業(yè)大學(xué);2018年

5 馬紹楠;肉羊常用飼料消化能、代謝能估測模型的建立與比較及其數(shù)據(jù)庫的建立[D];塔里木大學(xué);2018年

6 葛思俊;基于感知與模型的設(shè)施番茄生長監(jiān)測與決策管理系統(tǒng)研究[D];揚州大學(xué);2018年

7 李明亮;土壤有機(jī)質(zhì)高光譜灰色關(guān)聯(lián)度估測模型研究[D];山東農(nóng)業(yè)大學(xué);2017年

8 張國圣;基于高光譜的水稻氮素診斷和產(chǎn)量估測模型[D];沈陽農(nóng)業(yè)大學(xué);2017年

9 謝碧裕;南方丘陵水稻土氧化鐵高光譜特性與估測模型研究[D];江西農(nóng)業(yè)大學(xué);2015年

10 許甜;基于影響因子的高等級公路造價估測模型研究[D];長安大學(xué);2012年

，

本文編號：2698536