【摘要】：精準農(nóng)業(yè)是當今世界農(nóng)業(yè)發(fā)展的前沿。精準農(nóng)業(yè)的發(fā)展需要充分了解土壤生產(chǎn)力及其空間變異特性,才能合理調節(jié)投入,減少環(huán)境污染,提高農(nóng)產(chǎn)品的產(chǎn)量與質量。因此,對土壤肥力和作物生長狀況進行定量實時監(jiān)測和診斷,是實現(xiàn)精準農(nóng)業(yè)的技術前提。在國家中長期科學和技術發(fā)展規(guī)劃綱要(2006-2020年)的農(nóng)業(yè)重點領域“農(nóng)業(yè)精準作業(yè)與信息化”中,明確了“重點研究開發(fā)動植物生長和生態(tài)環(huán)境信息數(shù)字化采集技術,實時土壤水肥光熱探測技術”的目標�；诳梢姟t外(vis-NIR)高光譜技術的土壤近地傳感器技術的興起,為這一目標的實現(xiàn)提供了可能,在數(shù)字土壤制圖和精準農(nóng)業(yè)等領域的應用潛力很大。國內(nèi)外學者在實驗室條件下基于vis-NIR高光譜做了大量工作,克服了土壤屬性常規(guī)化學分析周期長、成本高等缺點。但是,室內(nèi)光譜測量所需的樣品采集、運輸和制備過程,削弱了vis-NIR光譜技術無損快速的優(yōu)勢。而基于vis-NIR光譜的土壤近地傳感器技術可以在野外原位不破壞土壤結構的情況下進行快速測量,是一種相對簡單、高效、省力卻同時能夠獲取大量高密度的土壤空間信息的技術,滿足精準農(nóng)業(yè)的發(fā)展需要。然而,野外環(huán)境場中存在諸多不同于室內(nèi)測量的環(huán)境因素,如土壤水分、土壤表面狀況、環(huán)境雜散光等,對野外原位測量的光譜產(chǎn)生影響,遮蓋或部分遮蓋有些土壤屬性的光譜信息,增加從野外光譜中提取土壤屬性有效信息的難度,降低土壤屬性含量預測的準確程度。如何提高野外光譜預測土壤屬性的精度,使其在“快速”獲取土壤信息的同時滿足精準農(nóng)業(yè)中“準確”的要求,是近幾年來土壤光譜技術及其相關領域的研究熱點和難點。本研究圍繞上述熱點與難點,以浙江省分屬不同市縣的9塊排水疏干后的水稻田為研究區(qū)域,選擇104個采樣點在田間靜態(tài)采集其野外原位vis-NIR光譜,針對土壤有機碳(OC)、有機質(OM)、總氮(TN)、速效氮(AN)、速效磷(AP)、速效鉀(AK)和pH這七種重要土壤屬性,研究基于野外原位vis-NIR光譜對其進行預測的可行性,并通過各種化學計量學方法提高其預測精度,以期為精準農(nóng)業(yè)快速獲取土壤信息提供技術支撐與輔助決策指導。本論文的主要研究內(nèi)容和結果可以概括為以下幾個方面：(1) 野外原位vis-NIR光譜的主要環(huán)境影響因素分析野外環(huán)境無法進行實驗室中土壤樣品的烘干、研磨、過篩等預處理過程,土壤中的水分含量、土壤質地、土壤微聚體陰影、土壤表面的平整處理、土壤屬性的各向異性、土壤大孔隙、土壤中殘留的植物根系、石塊、垃圾等物質以及溫度、環(huán)境雜散光等都會影響野外原位光譜測量的精度。本研究首先在土壤采樣點進行野外原位vis-NIR光譜測量,然后采集土壤樣本帶回實驗室風干研磨并過2mm篩后測量其相應的室內(nèi)光譜。在野外原位光譜測量中,高密度接觸式反射探頭的使用能夠在野外環(huán)境中創(chuàng)造人工暗室環(huán)境,有效避免環(huán)境雜散光的影響；而直徑僅為2cm的探頭窗口有利于選擇較為平整的土壤表面并避開土壤大孔隙、作物根系、石塊等對野外原位光譜測量的影響。從光譜特征上研究在野外原位光譜測量過程中的主要環(huán)境影響因素及其對野外原位光譜的影響機理,采用連續(xù)統(tǒng)去除算法放大光譜特征,采用光譜配對wavelength t檢驗分析野外原位光譜與相應室內(nèi)光譜的差別。對原始的和經(jīng)連續(xù)統(tǒng)去除的野外原位光譜和室內(nèi)光譜進行比較后發(fā)現(xiàn),二者的主要區(qū)別在于代表水分吸收的1450nm和1940nm波段附近,水稻土的野外光譜曲線吸收谷在寬度和深度上都遠遠大于其室內(nèi)光譜曲線,而這主要是因為水稻土長期浸水導致的。(2)基于野外原位vis-NIR光譜的土壤重要屬性預測研究土壤不同組分分子在vis-NIR光譜波段的倍頻振動與合頻振動,構成了利用vis-NIR光譜進行土壤屬性預測的理論基礎。在野外原位進行土壤光譜測量,由于土壤水分、表面屬性及其他諸多環(huán)境因素的存在,可能會遮蓋或部分遮蓋某些土壤屬性的光譜特征,增加了從野外測量的土壤光譜中提取土壤屬性有效信息的難度。而對于長期處于水淹狀態(tài)的水稻土受到的環(huán)境影響因素,尤其是水分影響,更為明顯。本研究分別采用偏最小二乘回歸(PLSR)算法和最小二乘支持向量機(LS-SVM)算法,對利用野外原位vis-NIR光譜預測七種重要土壤屬性(OC、OM、TN、AN、AP、AK和pH)進行可行性分析,并與室內(nèi)光譜預測結果進行比較。研究結果發(fā)現(xiàn),利用野外原位vis-NIR光譜可以對土壤TN、AN、OC、 OM和pH進行定量預測,對AP和AK無法預測。對TN、AN、OC和OM的成功預測主要歸功于這些成分在vis-NIR光譜波段存在直接的光譜響應特征,對AP和AK無法預測則是因為它們在土壤vis-NIR光譜波段沒有直接的光譜響應特征；而對pH的成功預測可能是由于它與土壤中存在直接響應波段的礦物成分相關的緣故。與室內(nèi)光譜預測結果進行比較后發(fā)現(xiàn),無論采用PLSR還是LS-SVM算法,基于野外原位光譜的土壤屬性預測精度普遍低于室內(nèi)光譜。(3) 線性與非線性多元建模方法對野外原位vis-NIR光譜預測土壤屬性精度的影響土壤組分分子在vis-NIR波段的倍頻峰和合頻峰通常較為寬泛、相對微弱并且相互重疊,其光譜特征很難被肉眼區(qū)別開來。而且即使對于土壤組分的同一分子基團,所結合的元素種類發(fā)生變化時,其吸收峰位置也會出現(xiàn)輕微的移動。常規(guī)方法往往難以對土壤的vis-NIR光譜進行解析。隨著化學計量學的發(fā)展,越來越多的多元數(shù)據(jù)分析技術被用于土壤屬性光譜特征波段的提取和土壤組分的光譜預測建模。本研究利用線性的PLSR算法以及非線性的LS-SVM算法分別對野外原位測量的光譜進行7種重要土壤屬性的預測研究。與線性的PLSR算法相比,LS-SVM算法對OC、OM、TN和pH的預測精度有了很大程度的提高,對AN的預測精度沒有顯著變化,對AP和AK兩種算法都不能進行定量預測。研究結果表明,對于vis-NIR波段光譜可以預測的土壤屬性,非線性的LS-SVM算法可以提高利用野外原位光譜預測土壤屬性的精度。(4)野外原位vis-NIR光譜土壤水分影響去除研究從前面的研究結果可以看出,與基于實驗室測量的土壤屬性高光譜研究相比,直接在野外進行土壤高光譜測量省略了一系列風干、研磨、過篩等土壤樣本的預處理步驟,節(jié)省了大量的人力物力財力和時間。然而,由于土壤水分及其他諸多環(huán)境因素的存在,增加了從野外測量的土壤光譜中提取土壤屬性特征光譜的難度,降低了利用野外光譜進行土壤屬性預測的精度。因此,研究野外土壤光譜測量中的影響因素的去除算法非常有意義。迄今為止,對于土壤光譜的野外測量中影響因素的去除算法進行的研究報道為數(shù)不多。本研究使用額外參數(shù)正交化法(External parameter orthognolization, EPO)、光譜直接轉換法(Direct Standardization, DS)、光譜分段直接轉換法(Piecewise Direct Standardization, PDS)三種方法對野外原位光譜中的環(huán)境影響因素進行去除。EPO是將所測的光譜投影到與將要去除的環(huán)境影響因素相正交的空間上,從而達到去除這一影響因素的目的。DS算法通過對野外原位光譜與室內(nèi)光譜的差值光譜進行分析,建立野外原位光譜與室內(nèi)光譜的轉換關系,對野外原位光譜進行轉換,實現(xiàn)環(huán)境影響因素的去除。PDS算法與DS算法的基本原理相同。所不同的是,在DS算法中,室內(nèi)光譜中的全波段數(shù)據(jù)都被用來與野外光譜的每一個波段進行關聯(lián)并建立起線性關系進行轉換。而在PDS算法是將野外光譜中每個波段附近一個窗口內(nèi)的光譜數(shù)據(jù)與室內(nèi)光譜該波段的光譜數(shù)據(jù)進行關聯(lián)建立轉換關系,通過小窗口的移動,對野外光譜的所有波段進行轉換。研究結果表明,EPO、DS和PDS三種土壤水分影響去除算法都能有效提高基于野外原位光譜預測土壤有機碳的精度。未經(jīng)三種土壤水分影響去除算法處理的野外原位光譜可以對土壤有機碳進行粗略估測(1.4RPD2.0),而經(jīng)過處理后可以進行準確的定量預測(RPD2.0)。但是,三種算法各有優(yōu)劣。三種算法的共同點是都需要從整個樣本集中選擇具有代表性的一小部分樣本帶回實驗室,風干研磨過篩后測量其室內(nèi)光譜,用于建立野外原位光譜與室內(nèi)光譜之間的轉換關系,計算轉換系數(shù)。三種算法的不同點是,PDS算法是在移動的“小窗口”內(nèi)建立土壤野外原位光譜與室內(nèi)光譜之間的轉換關系,這一特性決定了PDS算法需要的轉換樣本數(shù)遠遠小于另外兩種算法。而轉換樣本數(shù)的減少,意味著節(jié)省了采樣以及樣品前處理所需要的時間和人力。但是,在本研究中成功使用PDS算法去除野外光譜中土壤水分及其他環(huán)境影響因素的前提是對光譜進行一階導預處理；而對于EPO和DS算法則無需進行進行這一光譜預處理過程。最后,對經(jīng)過三種去除水分算法處理后的野外原位光譜有機碳預測精度進行比較,結果發(fā)現(xiàn)DS算法的精度最高。(5)基于中國土壤光譜庫的野外原位vis-NIR光譜預測土壤有機碳研究中國土壤vis-NIR光譜庫包含有多種類型的土壤樣本,基于中國土壤光譜庫建立的土壤有機碳預測模型普適性高,可以實現(xiàn)對局部區(qū)域或田塊土壤有機碳的快速測量。然而,這一模型對野外原位采集的光譜并不適用,因為中國光譜庫中的光譜都是基于室內(nèi)測量的。本研究使用EPO、DS和PDS三種算法去除104個野外原位光譜中的水分影響因素后,利用中國土壤光譜庫模型進行野外原位vis-NIR光譜土壤有機碳的預測。研究結果表明,經(jīng)三種算法對野外原位光譜處理后,利用已有的中國土壤光譜庫模型對土壤有機碳的預測精度都有了大幅度的提高,從完全無法預測(RPD=0.23)提高到可以粗略估計(對于EPO和PDS算法：RPD1.40),甚至可以定量預測(對于DS算法：RPD=2.06)。使用DS算法處理后的野外原位光譜的預測精度接近于直接使用室內(nèi)光譜的預測精度(RPD=2.11)。因此,研究中結合DS算法給出了基于中國土壤光譜庫的野外原位vis-NIR光譜土壤有機碳快速預測的實際應用方案。應用該方案,只需要采集一小部分土壤樣本,無需進行任何理化分析實驗,即可實現(xiàn)土壤有機碳的定量預測。此外,研究還利用spiking算法將一部分野外原位光譜并入中國土壤光譜庫重新建立模型,成功對剩余樣本實現(xiàn)野外原位光譜的土壤有機碳預測。與傳統(tǒng)的光譜預測建模方法(即對所采集土壤樣本劃分為建模集和預測集進行土壤有機碳預測)相比,spiking算法只需要測量較少樣本(n=15-25)的土壤有機碳含量便可進行土壤有機碳的野外定量預測。本研究的研究對象為水稻土,由于水稻田存在水旱交替這種特殊的耕作形式,基于野外原位vis-NIR光譜測量技術對于保證在排水疏干的短暫時間內(nèi)完成土壤屬性的快速預量尤為必要。但是,與旱作土壤相比,其野外原位光譜中所受到的土壤水分及其他諸多環(huán)境因素的影響更為明顯,利用野外原位vis-NIR光譜預測其屬性的精度低于一般旱作土壤。因此,提高野外原位光譜預測水稻土屬性的精度,去除水稻土野外原位光譜中的水分影響因素,顯得更加迫切。本研究基本完成研究內(nèi)容,達到了預期的研究目標,在以下個方面取得了新進展：(1)已有較多研究使用和比較了各種線性和非線性數(shù)據(jù)挖掘算法對室內(nèi)光譜土壤屬性預測的模型精度影響。然而,利用非線性算法進行野外原位光譜土壤屬性預測建模的研究非常少。本研究使用LS-SVM算法進行基于野外原位光譜的土壤屬性預測,利用非線性數(shù)據(jù)挖掘算法提高對野外原位光譜中有效信息的提取能力,增加模型的預測精度。該研究為基于野外原位光譜的土壤屬性定量預測模型的建立提供了算法支持。(2)如何去除野外原位光譜中的環(huán)境影響因素以提高土壤屬性的預測精度一直是土壤野外光譜研究的熱點和難點,相關研究非常少見。本研究使用已有研究的EPO算法,并提出DS和PDS算法用于去除水稻土野外原位光譜中土壤水分的影響。經(jīng)三種算法處理后的野外原位光譜均能成功進行土壤屬性預測,并取得了很好的精度。該研究為基于野外原位光譜的土壤屬性定量研究提供了算法支持。(3)利用中國土壤光譜庫有機碳預測模型,結合野外原位光譜土壤水分影響去除算法,實現(xiàn)田間土壤有機碳含量快速獲取。本研究還提出了如何利用中國土壤光譜庫進行野外原位vis-NIR光譜土壤屬性快速預測在實際應用中的實施方案,為精準農(nóng)業(yè)快速獲取土壤屬性信息提供了一種途徑。
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：S151.9;TP18
【圖文】：

研究區(qū)域位于Ｎ２９°０３＇－Ｎ３０°１０＇，Ｅｌ邋１９°１０＇－Ｅ丨２２°４８＇之間。在浙江省內(nèi)不同地逡逑區(qū)選擇９塊水稻田作為研究區(qū)域，k胃鎏錕櫬笮≡冢埃玻擔埃倒曛�。实验体K殄義銜恢梅植既繽跡玻彼盡Ｆ渲校哺鎏錕槲揮詵锎ㄕ潁ㄔ諭賈兄氐桓觶�。哉喛辶x細鎏錕檳謁婊≡瘢福保陡鐾寥啦裳�，本磫柕验疫�慚∪×隋澹保埃錘鐾寥啦裳�。辶x媳敬問笛橛冢玻埃保蹦輳保痹濾咎鍤嶄睿滋旌蠼�。实验进行时，水稻替y械乃義弦雅懦霾⒏稍鏌歡問奔湟勻繁Ｒ巴庠還餛撞杉笛櫚乃忱麗,行。研究區(qū)域的土逡逑壤概況見表２－１。逡逑ｒ邋＾邋Ｉ逡逑Ｈａｎｇｚｈｏｕ邋Ｂａｙ邋ｇ逡逑ｔｅｉ逡逑圖２－１研究區(qū)試驗田位置分布逡逑Ｆｉｇ．邋２－１邋Ｔｈｅ邋ｇｅｏｇｒａｐｈｉｃ邋ｄｉｓｔｒｉｂｕｔｉｏｎ邋ｏｆ邋ｔｈｅ邋ｓｔｕｄｙ邋ｆｉｅｌｄｓ逡逑首先，在每個懫樣點處使用邋ＴＤＲ－３００邋（Ｓｐｅｃｔｒｕｍ邋Ｔｅｃｈｎｏｌｏｇｉｅｓ邋Ｉｎｃ．，邋ＵＳＡ）逡逑結合２０邋ｃｍ探針進行耕層（０－２０邋ｃｍ）邋土X趟趾康牟飭�。染忬，每个采样点辶x戲直鸞幸巴鈼\態(tài)原位“濕”邋土樣光譜采集和實驗室風干研磨“干”邋土樣光譜采逡逑集。兩種光譜懫集方式均采用ＡＳＤ公司生產(chǎn)的Ｆｉｅｌｄｓｐｅｃ邋ＰｒｏＦＲ便攜式野外光譜逡逑１７逡逑

２．２．１基于野外原位的土壤ｖｉｓ－ＮＩＲ光譜測量逡逑用方形土壤采樣器進行土壤樣本的采集，使用該采樣器采集的土壤樣本為一逡逑個２０邋ｃｍ深，橫截面為１０邋ｃｍＸ邋１０邋ｃｍ的土樣立方體（圖２－３邋（ａ））。在該土樣的逡逑垂直剖面的上中下部（不同深度）共隨機選３個位置進行野外原位土壤光譜的采逡逑集，每個位置采集丨０條光譜，３０條光譜算術平均后作為該采樣點耕層土樣的野逡逑外原位光譜數(shù)據(jù)（圖２－３邋（ｂ））。在野外原位光譜采集前注意將土壤垂直面小心弄逡逑平整，但同時不要涂抹表面以致過于光滑。在野外光譜測量過程中，應注意避開逡逑土樣中可能存在的石頭、作物根系以及其他雜物、土壤大孔隙等。在每個土壤采逡逑樣點測量光譜之前對光譜儀進行一次白板校正。為了方便，在下文中我們把這種逡逑情況下測得的光譜統(tǒng)稱為“野外原位光譜”。逡逑２０逡逑

在直徑１０ｃｍ，深１．５ｃｍ，內(nèi)部涂黑的盛樣器皿內(nèi)，土樣表面刮平�；趯嶒炇义义系墓庾V測量采用與野外原位測量所使用的同一臺光譜儀配備同樣的高密度接觸逡逑式反射探頭進行（圖２－４）。對于每個土壤樣品，隨機選３處位置進行測量，每個逡逑測量點測量１０條光譜，３０條光譜取平均后作為該土壤采樣點的室內(nèi)光譜。為了逡逑方便，在下文中我們把這種情況下測得的光譜統(tǒng)稱為“室內(nèi)光譜”。逡逑Ｙ＇邋‘‘邋’邋＇ｉｌｉ．＇ＭＷｆＷＢＷｇ邋＂■＇！邋＇ＩＶ邐Ｉ．．逡逑＊７邋丨丨丨瞧ＩＩＩ邋Ｉ邋Ｊｉｌｌ逡逑圖２－４基于實驗室的土壤ｖｉｓ－ＮＩＲ光譜測量逡逑Ｆｉｇ．邋２－４邋ｌａｂｏｒａｔｏｒｙ邋ｍｅａｓｕｒｅｍｅｎｔ邋ｏｆ邋ｓｏｉｌ邋ｖｉｓ－ＮＩＲ邋ｓｐｅｃｔｒａ逡逑２１逡逑

【參考文獻】

相關期刊論文 前10條

1 李學文;金蘭淑;李濤;李鑫;林國林;;近紅外無損檢測技術在棕壤速效磷分析中的應用[J];安徽農(nóng)學通報;2006年05期

2 周淑平;程貴敏;李衛(wèi)紅;田曉霞;;植煙土壤中全氮和有機質含量的近紅外快速分析[J];安徽農(nóng)業(yè)科學;2007年26期

3 陳禎;;土壤含水量、容重、光譜反射率之間相伴變化關系研究[J];安徽農(nóng)業(yè)科學;2011年17期

4 姚慧;呂成文;劉程海;方萍;;宣城市崗坡地土壤有機質含量光譜預測分析[J];安徽師范大學學報(自然科學版);2011年05期

5 梁秀英;李小昱;;用多波長和LS-SVM補償土壤溫度的方法研究[J];傳感技術學報;2011年08期

6 喬璐;陳立新;張杰;黃蘭英;;哈爾濱市土壤有機質高光譜模型[J];東北林業(yè)大學學報;2010年07期

7 徐永明,藺啟忠,黃秀華,沈艷,王璐;利用可見光/近紅外反射光譜估算土壤總氮含量的實驗研究[J];地理與地理信息科學;2005年01期

8 李希燦;王靜;李玉環(huán);王芳;趙杰;;基于模糊集分析的土壤質量指標高光譜反演[J];地理與地理信息科學;2008年04期

9 周萍;王潤生;閻柏琨;楊蘇明;王青華;;高光譜遙感土壤有機質信息提取研究[J];地理科學進展;2008年05期

10 溫健婷;張霞;張兵;趙冬;;土壤鉛含量高光譜遙感反演中波段選擇方法研究[J];地球科學進展;2010年06期

相關博士學位論文 前1條

1 程街亮;土壤高光譜遙感信息提取與二向反射模型研究[D];浙江大學;2008年

本文編號：2776760