关键词:
土壤有机质
总氮
连续投影算法
偏最小二乘回归
最小二乘支持向量机
摘要:
土壤养分直接关系到作物产量与品质状况,然而传统化学方法检测存在化学试剂消耗大、耗时费力等问题,不能满足精细农业的需求。快速获取土壤养分信息是发展精细农业、绿色农业的关键,想要了解土壤肥力状况,必须先了解有机质和总氮的含量状况。许多研究表明,长波近红外光谱被广泛应用于土壤检测领域,然而短波可见/近红外光谱在土壤有机质和总氮的研究上却非常罕见。以江西省吉安市安福县和南昌市新建区的四个村庄作为研究区,根据2×2网格法采集了深度为10~30 cm的棕壤、红壤和水稻土三种最为典型的土壤样品共180份。经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息。将土壤样品按照2∶1(120∶60)划分为建模集和预测集。考虑到首尾端波段噪声较大,故去除325~349和1051~1075 nm波段,将350~1050 nm波段用于光谱分析。通过连续投影算法(SPA)筛选出有机质12个特征波长点,总氮11个特征波长点,考虑到土壤光谱信息与土壤理化性质之间可能存在非线性联系,建立全波段与特征波长的线性偏最小二乘回归(PLSR)模型和非线性最小二乘支持向量机(LS-SVM)模型对土壤有机质和总氮进行研究,LS-SVM模型采用两步网格搜索法优化了两个超参数γ和σ^(2)。研究结果表明:(1)土壤的光谱反射率随波长增加反射率升高,反射率曲线中460、550、580、740和900 nm处有较为明显的吸收特征。(2)从PLSR模型和LS-SVM模型结果分析可知,非线性模型LS-SVM具有更好的预测精度,分析认为土壤光谱信息与土壤理化性质之间存在一些非线性关系。(3)通过连续投影算法筛选的特征波长提高了模型精度,优化了模型运行效率。SPA-LS-SVM模型是所有模型中最优的预测模型,其中有机质模型的R_(pre)^(2)为0.8847,RMSE_(p)为0.1048,RPD为2.9450,总氮模型的R_(pre)^(2)为0.9018,RMSE_(p)为0.0104,RPD为3.1911。(4)本研究说明可见/近红外光谱能够用于测量不同类型的土壤有机质和总氮含量,并且达到较好的预测效果。可见/近红外光谱在土壤检测领域具有巨大潜力。