论文部分内容阅读
冬小麦在我国粮食作物中占有重要地位,其生产与土壤质量的好坏有着直接的联系。土壤全氮作为麦田土壤的重要养分之一,是衡量麦田土壤肥力特征的重要指标,也是冬小麦生长发育、产量和品质形成所必需的元素。土壤全氮的传统测定主要通过实验室化学分析方法,结果虽较为可靠、精确,但存在耗时长、操作繁琐、成本高以及环境污染等问题。高光谱分析技术作为一种新兴的现代科学技术,具有快速、低成本、环保、无损伤和可重复等特点,可以大面积、及时地获取田间数据信息并满足当前“精准农业”的发展需求。本实验以闻喜县麦田土壤为研究对象,在县域内采集多点多样本土壤光谱和全氮含量数据的基础上,用于研究不同粒径土壤与高光谱的响应机理,以此来提取和确定土壤全氮的高光谱特征信息,并对比分析土壤不同粒径、光谱预处理方法和模型构建方法对土壤全氮模型整体表现的影响,确定实现土壤全氮监测的最佳土壤粒径和光谱预处理方法,最终实现土壤全氮含量的准确光谱监测。主要结论如下:(1)土壤粒径对土壤的光谱反射率曲线有明显的影响,不同粒径土壤光谱变化情况在400-2450nm范围内基本一致。(2)土壤粒径和土壤全氮含量与土壤的原始光谱反射率分别呈负相关和正相关关系,相关性经过反射率的不同变换处理后,有了明显的提高。其中FD预处理光谱与二者的相关性最好,相关系数分别为0.973和0.579。(3)本文利用逐步多元线性回归的方法提取土壤全氮含量的敏感波段主要位于410nm附近的可见光区域与1087nm、1330nm-1750nm及2030nm附近的近红外波段。(4)本研究分别构建了不同粒径的土壤全氮PLSR、SVM和PLS-SMLR的模型,通过对比PLSR全谱模型与SVM全谱模型可知,SVM的表现较优,达到了较好的预测结果;对比SVM与PLS-SMLR的验证结果得知,基于SVM构建的不同粒径土壤全氮含量的模型表现整体要优于PLS-SMLR的模型表现。其中,利用0.25mm粒径的FD变换光谱构建SVM模型的土壤全氮监测模型表现最好,校正模型的精度最好(R2=0.972),验证模型的精度最高(R2=0.971),验证误差最小(RMSEP=0.026)。本研究构建的SVM模型具有很好的预测能力,可以准确定量估测土壤全氮。因为PLSR-SMLR的模型是建立在提取特征波段的基础上,模型简单、计算简便,且达到了统计学的预测精度,具有一定的应用潜力。