基于光譜技術的土壤成分和植物生長信息快速獲取建模和儀器研究.pdf

1、土壤養(yǎng)分的快速測定是實現(xiàn)農田精準化施肥作業(yè)的前提條件。土壤成分，尤其是土壤碳吸附能力的變化，對地區(qū)乃至全球氣候變化影響深遠。本課題針對農場級土壤氮碳含量的快速測定問題，應用可見-近紅外光譜技術建立預測模型，重點研究了在保持模型預測性能不變的前提下，減少建模波長數(shù)的可能性及相關壓縮算法，分別對建模波長數(shù)和光譜采樣間隔進行了優(yōu)化。實驗土樣來自英國克萊菲爾德大學實驗農場，樣本數(shù)122，測試量有土壤總氮(TN)、總碳(TC)、有機碳(OC)和無

2、機碳(IC)。實驗使用美國ASD公司生產的LabSpec2500光譜儀，記錄波段范圍400-2499nm。樣本經干燥粉碎過篩后，分成建模集(70％)和預測集(30％)。對建模集使用偏最小二乘回歸(PLSR)建模方法，并用預測集對所建模型進行預測性能評估。分析結果表明，大幅度減少建模波長數(shù)是完全可能的。相比全譜(400-2500nm)PLSR模型(TN：確定系數(shù)R2=0.92，預測偏差比率RPD=3.75；TC：R2=0.90，RPD=3

3、.22；OC：R2=0.89，RPD=3.11；IC：R2=0.51，RPD=1.58)，基于可見光譜段(400-759nm)和可見-短波近紅外譜段(400-999nm)的偏最小二乘回歸(PLSR)模型的預測性能略微降低，但仍具有較高精度(TN：R2=0.88-0.91，RPD=3.16-3.53；TC：R2=0.84-0.87，RPD=2.60-2.86；OC：R2=0.86-0.88，RPD=2.71-2.96；IC：R2=0.41

4、-0.43，RPD=1.45-1.52)。無信息變量消除法(UVE)對全譜(2100個波長)壓縮效果顯著，壓縮后的波長數(shù)分別為71(TN)、129(TC)、66(OC)和15(IC)，基于壓縮后的波長建立PLSR模型，預測精度基本不變，但建模潛變量數(shù)有所減少。在UVE壓縮波長基礎上，再使用連續(xù)投影算法(SPA)可進一步將建模波長數(shù)減少到3(IC)或4(TN、TC和OC)?；谶@些簡約波長所建模型的預測性能相比全譜模型毫不遜色(TN：R2

5、=0.92，RPD=3.75；TC：R2=0.91，KPD=3.30；OC：R2=0.90，RPD=3.16；IC：R2=0.44，RPD=1.40)。采樣間隔優(yōu)化結果表明，土壤氮碳模型在很大程度上對采樣間隔(2-100nm)不敏感。采樣間隔為100nm(波長數(shù)僅為21)時各模型預測精度未見降低(TN：R2=0.92，RPD=3.75；TC：R2=0.90，RPD=3.30-3.26；OC：R2=0.90，RPD=3，16-3.24：I

6、C：R2=0.50，RPD=1.54-1.56)。雖然以上結果可能僅對小區(qū)域(農場級)土壤有效(由于土壤母質相同)，但所用的波長優(yōu)選方法對大區(qū)域土壤氮碳含量預測建模具有推廣應用價值，也為土壤養(yǎng)(成)分快速測試儀器的研發(fā)提供技術支撐。
　　 番茄果實生長階段的無損實時檢測對實現(xiàn)番茄采摘自動化具有重要意義。本課題應用可見-近紅外光譜技術對三個品種番茄果實的生長階段和采摘時機的判定機理和建模問題進行了探索性研究。實驗使用德國Tec5公

7、司生產的AgroSpec便攜式光纖光譜儀，波段范圍350-2200nm。實驗番茄植株來自英國伯德福德郡政府下屬園藝中心。本研究在分析文獻方法(Days模型)的缺陷基礎上，提出一種量化番茄果實生長階段的新編碼-GS指數(shù)。GS指數(shù)定義為番茄果實生長天數(shù)與成熟被采摘時在株時間之比。光譜采集每隔2-3天進行一次。光譜數(shù)據劃分成一個建模集(70％)和一個獨立預測集(30％)。對建模集應用偏最小二乘回歸法(PLSR)建立校正模型。對單品種數(shù)據和混合

8、數(shù)據分別建立模型，并比較模型預測性能。分析結果表明，基于GS指數(shù)的PLSR模型是成功和穩(wěn)定的。單品種模型預測性能為：R2=0.91-0.92，RPD=3.29-3.70；混合模型預測精度雖比單品種模型略差，但仍具有很高的預測精度，可通用于各品種。通過比較單品種模型和混合模型的PLS回歸系數(shù)曲線，發(fā)現(xiàn)對GS指數(shù)有著重要影響的特征波長分布具有一致性，不隨品種而變化，這證明了GS指數(shù)的品種無關性。同時，通過將光譜數(shù)據按時間順序拆分成兩個獨立數(shù)

9、據集，分別建立與番茄果實未成熟期(GS<0.5)和成熟期(GS>0.5)相對應的PLSR模型，比較分析了各自的PLS回歸系數(shù)曲線特征波長分布及其理化機理，證明了GS指數(shù)與番茄生長階段的無關性。進一步，通過建立全譜和部分譜PLSR模型驗證了僅僅依靠番茄果皮色素的變化不足以精確判定番茄果實生長階段，只有綜合可見光譜段和近紅外譜段信息才能建立精確可靠的判定模型。同時，應用多種特征波長提取方法，分別建立了UVE模型和UVE-SPA模型，并比較了

10、這些模型在獨立預測集上的預測性能。結果顯示，對番茄GS指數(shù)預測建模有重要影響作用的最佳特征波長組合序列為：403，502，519，562，649，666，777，1053，1120，1346，1403，2025nm。
　　 葉綠素含量對特定的植物也反映了氮含量。為了實現(xiàn)植物葉綠素含量的快速無損檢測，利用光纖反射光譜技術對植物葉片SPAD值進行了預測建模研究。實驗中選取70個樣本作為校正集，50個樣本作為獨立預測集。通過葉片光譜比

11、對，發(fā)現(xiàn)光譜紅邊段650-750nm對SPAD預測建模有直接關系。實驗確定了光強調節(jié)因子和葉片厚度影響因子。首先通過待定系數(shù)法構造出SPAD預測公式，然后用Visual Basic6.0設計的遺傳算法進行參數(shù)尋優(yōu)，最后確定最佳敏感波段為683.24-733.91nm。未經葉片厚度修正的校正集和獨立預測集R2分別為0.23和0.57。經過葉片厚度修正后的校正集和獨立預測集R2分別為0.87和0.92。結果表明，葉片厚度對SPAD值反射光譜