基于光譜和高光譜成像技術的土壤養(yǎng)分及類型檢測與儀器開發(fā).pdf

1、土壤養(yǎng)分如總氮、有機質、速效鉀和速效磷等是農作物生長的主要養(yǎng)分，這些土壤養(yǎng)分參數的檢測一直沿用常規(guī)化學檢測方法，對檢測人員要求高，且需要昂貴的檢測設備，存在檢測成本高、效率低，不能大規(guī)模同時檢測等問題。近紅外光譜和高光譜成像分析技術具有成本低、快速和環(huán)保等優(yōu)點，近年來在土壤養(yǎng)分測定方面得到了越來越廣泛的應用。本文主要創(chuàng)新性成果有:
　　(1)提出了將遺傳算法和連續(xù)投影算法相結合，用于特征波長選擇，建立了土壤有機質含量快速檢測模型，

2、預測集的決定系數為0.83，預測均方根誤差為0.20，殘余預測偏差為2.45，介紹了兩種光譜壓縮方法（LVs和PCs）和有效波長(EWs)提取方法，對于土壤有機質，LVs-LS-SVM模型的預測結果優(yōu)于EWs-LS-SVM、PCs-LS-SVM模型，EWs-LS-SVM優(yōu)于PCs-LS-SVM模型。
　　(2)應用高光譜成像技術，建立了土壤有機質的光譜檢測模型。系統(tǒng)地比較了多元散射校正，SG平滑算法和小波分析預處理方法，多元散射校

3、正預處理效果較好，有效去除了光譜噪聲，采用連續(xù)投影算法和遺傳-偏最小二乘法選擇特征波長，建立了偏最小二乘、BP神經網絡和最小二乘支持向量機模型。最優(yōu)模型為最小二乘支持向量機模型，其預測集的決定系數為0.78，預測均方根誤差為0.29，殘余預測偏差RPD為2.24。
　　(3)提出了基于圖像和光譜信息融合技術鑒別土壤不同類型。提取土壤樣品感興趣區(qū)域光譜，以第一主成分圖像信息和611nm圖像信息為灰度共生矩陣，結合圖像信息數據與光譜信

4、息數據，作為LS-SVM分類器的輸入建立分類識別模型，預測集識別率達到100％。
　　(4)提出了采用連續(xù)投影算法和回歸系數方法提取特征波長，基于特征波長分別采用PLS、MLR和LS-SVM三種建模方法共建立了9個預測模型，預測總氮含量，最優(yōu)MLR模型預測集的決定系數為0.81，殘余預測偏差RPD為2.26。
　　(5)應用短波近紅外光譜技術，建立了土壤總氮含量快速檢測模型。將土壤樣本分為三組，一組未經過粉碎、過篩等處理，其

5、余兩組分別過2 mm篩和0.5mm篩處理，采用基于USB4000開發(fā)的便攜式光譜儀器獲取土壤光譜數據，結合平滑算法，波長壓縮算法和小波變換進行噪聲處理，采用競爭性自適應重加權算法，Random frog和SPA進行特征波長選擇。采用偏最小二乘，極限學習機和LS-SVM建立了檢測模型。試驗結果表明，過篩處理后的樣本模型結果優(yōu)于未過篩的樣本模型結果，過0.5mm篩處理的土壤樣本模型預測結果略優(yōu)于過2mm篩處理的土壤樣本結果，預測集的決定系數

6、為0.63，RPD為1.58。
　　(6)應用蒙特卡羅無信息變量消除算法(MC-UVE)結合遺傳算法提取特征波長，建立了土壤速效鉀快速檢測模型。PLS模型預測集的決定系數為0.68，RMSEP為6.45，殘余預測偏差(RPD)為1.70。應用競爭性自適應重加權算法選擇的特征波長，建立了土壤速效磷快速檢測模型。PLS模型預測集的決定系數為0.64，RMSEP為3.80，RPD為1.67。
　　(7)開發(fā)了一款基于USB4000