發(fā)布時間：2020-10-31 16:45

　　 本文主要分析了土壤質(zhì)地和土壤水分對近紅外(Near Infrared Reflectance,NIR)土壤有機質(zhì)(SOM)檢測的影響,重點分析了土壤水分對SOM檢測的影響。主要研究如下:1、對比分析砂土、壤土、黏土三種不同質(zhì)地土壤的光譜特性,結果表明不同質(zhì)地土壤的吸光度值不同,其中以砂土的吸光度值最大,黏土次之,壤土最小。且吸收峰的高度和寬度隨質(zhì)地不同有所變化。2、使用支持向量機(SVM)對不同質(zhì)地土壤進行分類建模預測,結果得出SVM的分類精度達到91.67%,而且土壤質(zhì)地的分類預測可以提高土壤有機質(zhì)的預測精度。3、在山西省境內(nèi)采集關帝山、中陽、方山、寧武、婁煩、太谷6個不同地方的50個土壤樣本作為研究對象,在實驗室經(jīng)自然風干、過篩處理后,配制4%、8%、12%和16%四種含水率土樣,隨機選取41個干土樣本作為建模樣本,預測樣本為不同含水率下(4%、8%、12%、16%和干土)的9個樣本組成的預測集,分析土壤水分對近紅外光譜檢測的影響,結果表明預測相關系數(shù)(R)為0.569,預測標準誤差(SEP)為0.835,和預測均方根誤差(RMSEP)為0.898,模型效果不理想,說明土壤的吸光度光譜圖中存在水分的吸收效應,干擾了模型的預測精度。4、為了降低水分對土壤有機質(zhì)預測的干擾,利用水分敏感波段2210nm,1415nm和1929nm建立了水分修正系數(shù)MDI,使用MDI對不同含水率光譜進行校正,為了驗證水分修正系數(shù)MDI的效果,選取同一批預測樣本對比和分析了經(jīng)過水分校正處理的不同含水率近紅外光譜曲線圖及模型預測結果。得出以下結論(1)經(jīng)過水分系數(shù)校正后的等效干土光譜吸光度圖明顯低于未經(jīng)校正處理的濕土光譜圖,而且與原始干土樣本光譜圖比較接近。(2)使用所建干土有機質(zhì)反演模型,預測經(jīng)MDI校正后的由不同含水率組成的預測樣本,得到預測相關系數(shù)(R)為0.783,預測標準誤差(SEP)為0.505,和預測均方根誤差(RMSEP)為0.558�？梢钥闯鼋�(jīng)水分修正系數(shù)MDI校正后的預測樣本統(tǒng)計參數(shù)明顯優(yōu)于未經(jīng)校正處理的預測效果,相關系數(shù)R值上升了 0.214,預測標準誤差SEP值降低了 0.33,預測均方根誤差RMSEP的值降低了 0.34。這表明,本研究提出的水分修正系數(shù)算法可以降低水分對土壤樣品吸光度光譜中的干擾,通過建立等效干土光譜可以降低水分影響,提高土壤有機質(zhì)預測模型在不同含水率土壤樣本下的適用5、使用直接標準化(D S)算法降低由土壤水分引起的測試條件導致的土壤有機質(zhì)預測模型的傳遞問題,選取同一批樣本對比和分析了經(jīng)過DS算法校正處理的不同含水率近紅外光譜曲線圖及模型預測結果。得出以下結論(1)經(jīng)過DS算法校正后的等效干土光譜吸光度圖明顯低于未經(jīng)校正處理的濕土光譜圖,而且與原始干土樣本光譜圖比較接近(2)使用所建干土有機質(zhì)反演模型,預測經(jīng)DS算法校正前后的由不同含水率組成的預測樣本,得到預測相關系數(shù)(R)為0.628,預測標準誤差(SEP)為0.683,和預測均方根誤差(RMSEP)為0.691�？梢钥闯鼋�(jīng)DS算法校正后的預測樣本統(tǒng)計參數(shù)明顯優(yōu)于未經(jīng)校正處理的預測效果,相關系數(shù)R值上升了 0.059,預測標準誤差SEP值降低了 0.152,預測均方根誤差RMSEP的值降低了 0.207。這表明,DS算法可以降低水分對土壤樣品吸光度光譜中的干擾,提高土壤有機質(zhì)預測模型在不同含水率土壤樣本下的適用性。6、基于水分修正系數(shù)法和DS模型傳遞算法,所建立的不同含水率土壤有機質(zhì)預測模型中,水分修正系數(shù)的模型預測效果相對比較好。
【學位單位】：山西農(nóng)業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S153.6
【部分圖文】：

圖３Ｈ不同質(zhì)地土壤吸光度光譜??Ｆｉｇ?３－１?Ｄｉｆｆｅｒｅｎｔ?ｔｅｘｔｕｒｅ?ｏｆ?ｓｏｉｌ?ａｂｓｏｒｂａｎｃｅ?ｓｐｅｃｔｒａ??從圖３－１中可以清楚的看到在可見光區(qū)（３８０？７８０?ｎｍ）?３種質(zhì)地土壤的光譜曲線重??疊嚴重，無法從光譜丨丨丨１線中分辨出土壤類型。相比較近紅外區(qū)尤其是從１０００?ｎｍ開始，??不同質(zhì)地土壤的吸光度值明顯＋?Ｎ，其中以砂土的吸光值最大，黏土次之，壤土最小。??此外它們在整個波段范圍都具有相同的變化趨勢，都在１４００，?１６６０，１９００和２２００?ｎｍ??附近出現(xiàn)吸收峰，其中在１４００，?１９００，?２２００?ｎｍ波段的吸收峰分別是由分層間水（Ｈ２０）、??輕基（一ＯＨ），與羥基組合的Ａ１－ＯＨ和Ｍｇ－ＯＨ引起的，１６６０ｎｍ波段是由土壤有機??質(zhì)引起的［５２】，其吸收峰的高度和寬度隨Ｌ：壤質(zhì)地的不同有所變化，可用于土壤ＳＶＭ分??類預測分析。??３．４基于ＳＶＭ不同土壤質(zhì)地分類??宋海燕使用近紅外光譜技術進行不同質(zhì)地土壤有機質(zhì)預測的研究，使用砂土和黏??土、壤土和黏土、砂土和壤土分別建立校正模型

測試集的預測正確率達到９１．６７％。表明ＳＶＭ應用在土壤分類預測準確性較高，??可以利用ＳＶＭ模型進行土壤屬性？＾則。為了直觀的觀察結果，這里給出測試集預測結??果直觀圖３－２。??Ｉ?ｐｉ？?ｊ?ｇｄｉｔ?Ｉｎｓｅｒｔ?ｊｆｏｏｋ?Ｑｅｓｔｃｔｏｐ?Ｗｉｎｄｏｗ?ｆｃｊｅｌｐ??＾?＾?？?＞＊３．?□?＠?＾?＾??渕試ＪＪＳＳＶＭｆＪｉ測結果對比＜ＲＢＦ核函婦＞??ａｃｃｕｒａｃｙ＝９１?６６６７?＇％??３｜?—－．－Ｇ？－?ｒ—?．?．?

３．５基于ＳＶＭ壤土有機質(zhì)含量預測??吸光度值是在波長范圍為３５０？２５００范圍內(nèi)測得，低波段所測得的吸光度值太過敏??感，可能會受到其他因素的影響，無法從光譜曲線中分辨出土壤類型。從圖３－３分析可??得，相比較近紅外區(qū)從１０００?ｎｍ開始，不同質(zhì)地土壤的吸光度值明顯不同，可用于ＳＶＭ??建模分析。所以本文將低波段所得到的吸光度值踢出，只留波長范圍在１１００？２５００所??測得的吸光度值用于ＳＶＭ建模分析。由于實驗中所測得的原始數(shù)據(jù)，數(shù)據(jù)量比較龐大，??為了更方便的實現(xiàn)樣本預測的準確度，本文對所測得的原始數(shù)椐進行歸？化處理，歸一??化通常有兩種選擇，一種是歸一化到（－１，１），另－種是歸一化到（０，１）。這串．將數(shù)據(jù)??歸一化到（０，１），其采用如下公式：??ｘ；?＝?Ａ／￣Ｘｍｉｎ?（３－１）??■＾ｍａｘ?＾ｍｉｎ??根據(jù)對股始數(shù)則的觀察比較，發(fā)現(xiàn)１５６個樣本中有三個樣本所測得的冇機質(zhì)含量和??其他樣本有明顯差距
【相似文獻】

相關期刊論文 前10條

1 黃翔;蔡海榮;施思;;術前NIR比值對非肌層浸潤性膀胱癌術后的預后評估價值[J];中國現(xiàn)代醫(yī)生;2017年01期

2 汪正宇;邱廣仁;趙向陽;;利用NIR技術建立洛伐他汀膠囊一致性比對模型的研究[J];北方藥學;2016年10期

3 桑育黎;郭方巖;王宇;趙月;張霞;汪棲;劉玉亭;趙國慶;;NIR法對六味地黃丸中山茱萸非藥用部位的快速檢測研究[J];遼寧大學學報(自然科學版);2015年03期

4 汪正宇;;基于NIR法雷公藤多甙片快檢方法的研究[J];中國現(xiàn)代醫(yī)生;2013年31期

5 石磊;王旭峰;鄧丹雯;耿響;;近紅外光譜分析技術(NIR)的研究現(xiàn)狀及其在飼料檢測中的應用[J];安徽農(nóng)業(yè)科學;2012年21期

6 宋瑞麗;龔海燕;張雨;張曉霞;張衛(wèi);;NIR技術在黃芩配方顆�？焖勹b別中的應用[J];科技展望;2016年03期

7 陳曉峰;龍長江;牛智有;朱凱;;基于潛在語義分析與NIR的中藥材分類研究[J];光學學報;2014年09期

8 尹創(chuàng);;利用NIR技術建立靈芝膠囊一致性比對模型的研究[J];黑龍江醫(yī)藥;2014年04期

9 吳龍國;何建國;劉貴珊;賀曉光;王偉;王松磊;李丹;;基于NIR高光譜成像技術的長棗蟲眼無損檢測[J];發(fā)光學報;2013年11期

10 金垚;李棟;智秀娟;;奶粉中三聚氰胺含量的NIR檢測技術[J];北京農(nóng)學院學報;2015年01期

相關博士學位論文 前4條

1 石曉艷;甜菜亞硝酸還原酶（NiR）基因的克隆及其表達分析[D];東北農(nóng)業(yè)大學;2011年

2 全智慧;NIR分析技術在制川烏配方顆粒制備過程中的應用研究[D];廣州中醫(yī)藥大學;2013年

3 智秀娟;苦蕎功能成分的研究及NIR技術在蕎麥制品防偽中的應用[D];中國農(nóng)業(yè)大學;2015年

4 吳志生;中藥過程分析中NIR技術的基本理論和方法研究[D];北京中醫(yī)藥大學;2012年

相關碩士學位論文 前10條

1 胡曉艷;水分和質(zhì)地對土壤有機質(zhì)NIR特性的影響及抗干擾模型的建立[D];山西農(nóng)業(yè)大學;2018年

2 李有志;三倍體毛白楊NIR預測及制漿造紙性能評估[D];北京林業(yè)大學;2011年

3 張賀龍;基于小波變換的NIR漫反射光譜信號的處理方法研究[D];長春理工大學;2011年

4 王聰;基于相思樹NIR數(shù)據(jù)理論模型的軟件設計[D];北京林業(yè)大學;2011年

5 高尚;基于NIR技術的面粉中偶氮甲酰胺含量檢測技術研究[D];黑龍江大學;2016年

6 郝江波;金銀花與山銀花藥材的NIR快速檢測及其品質(zhì)評價研究[D];北京中醫(yī)藥大學;2014年

7 唐志國;近紅外（NIR）光譜法測定果凍中甜蜜素的研究[D];江蘇大學;2007年

8 刁志偉;甜菜NR與NiR的偶聯(lián)作用及其對氮素同化的調(diào)控[D];東北農(nóng)業(yè)大學;2013年

9 杜婧;基于NIR技術的PET/PVC廢舊塑料分離系統(tǒng)設計[D];浙江大學;2011年

10 許奕翔;NIR在食品檢驗及油品分析中的應用研究[D];福州大學;2014年

本文編號：2864216