下载文档原格式
基于光谱学原理与小波包分解技术预测苹果树叶片氮素含量第 29 卷增刊 1 农业工程学报 Vol.29 Supp.17>2013 年 4 月 Transactions of the Chinese Society of Agricultural Engineering Apr. 2013 101基于光谱学原理与小波包分解技术预测苹果树叶片氮素含量张瑶，郑立华※，李民赞，邓小蕾（中国农业大学“现代精细农业系统集成研究”教育部重点实验室，北京100083）摘要：为探索不同生理物候期苹果树叶片氮素含量的快速检测方法。
分别在果树坐果期、生理落果期和果实成熟期，使用光谱仪测量了果树叶片在可见光和近红外区域的反射光谱，同时在实验室测定了果树叶片的全氮含量。
研究首先将实验所得的光谱反射率与氮素含量以果树为单位进行聚类，利用小波包分析技术对每棵果树的光谱信息进行分解，提取出的低频信号和去除高频噪音后的信号分别组成了低频全光谱和去噪全光谱。
针对这两个全光谱均实施了主成分分析，利用提取主成分分别建立了果树不同生长阶段的氮素含量多元线性回归模型。
对比基于归一化植被指数（NDVI）建立的氮素含量估测模型发现，利用全光谱信息建立的氮素含量预测模型精度更高；在坐果期和果实成熟期，使用去噪全光谱提取的主成分建立的氮素预测模型最优；而在生理落果期，使用低频全光谱提取的主成分建立的模型最优。
结果表明，利用小波包分析技术能够有效地提高苹果果树叶片氮素含量的光谱预测能力。
关键词：氮素，主成分分析，光谱仪，苹果叶片，小波包分解， NDVI，多元线性回归doi：10.3969/j.issn.1002-6819.2013.z1.015中图分类号：O657.3; S126 文献标志码：A 文章编号：1002-68192013-Supp.1-0101-08张瑶，郑立华，李民赞，等. 基于光谱学原理与小波包分解技术预测苹果树叶片氮素含量 [J]. 农业工程学报，2013，29增刊 1：101－108.Zhang Yao, Zheng Lihua, Li Minzan, et al. Predicting apple tree leaf nitrogen content based on hyperspectral and waveletpacket analysis[J]. Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE, 2013, 29Supp.1: 101－108. in Chinese with English abstract0 引言氮素是植物必需的营养元素之一，是氨基酸、蛋白质、生物碱、核酸和叶绿素等物质的主要组成成分[1]。
不同粒径对土壤有机质含量可见—近红外光谱预测的影响钟翔君;杨丽;张东兴;崔涛;和贤桃;杜兆辉【期刊名称】《光谱学与光谱分析》【年(卷),期】2022(42)8【摘要】土壤有机质(SOM)是表征土壤肥力的重要指标,实现其快速准确检测可为精准农业区域管理提供有效的数据支撑。
土壤粒径对SOM的光谱预测及仪器开发有很大的影响,为了明确不同粒径对SOM预测的影响,分别制备了1~2,0.5~1,0.25~0.5,0.1~0.25和<0.1mm五种均匀粒径及<1mm混合粒径共计6种粒径土样并进行了可见-近红外(300~2500nm)光谱数据采集。
采用蒙特卡罗交叉验证分别剔除了不同粒径的异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理,比较了不同粒径样品的光谱反射率差异,并对平滑后的原始光谱R进行倒数IR、对数LR、一阶导数FDR等3种光谱变换并分析与SOM含量的相关性,基于竞争性自适应重加权算法(CARS)对光谱数据进行了特征波长提取,并结合偏最小二乘回归(PLSR)分别建立了相应的SOM含量预测模型。
结果表明,不同粒径土样的平均光谱反射率与变异系数随着粒径的减小逐渐增加,且在大于540nm波长范围内,差异明显。
随着粒径的减小,SOM含量与光谱反射率在全波段范围的相关性变化幅度愈加明显,FDR变换可明显改变全波段范围与SOM含量的相关性。
通过CARS算法对FDR变换后的光谱数据进行特征波长提取,筛选出特征波长数为全波段数量的13.1%,降低了光谱数据重叠及无效信息干扰。
对比不同SOM预测模型的结果,FDR变换光谱的建模精度较好,且粒径越小其模型的效果越好,特别在粒径<0.1mm时,模型的R达到0.91,RMSEP为2.20g·kg^(-1),RPD为3.33。
基于CARS特征变量构建的SOM含量预测模型中,粒径<0.1mm预测模型的效果最好,R为0.78,RMSEP为3.00g·kg^(-1),RPD为2.00,可以实现SOM含量的可靠预测,且其他粒径下的模型仍有可优化的空间。
doidoi:10.3969/j.issn.1002-2481.2022.05.08山西农业科学2022，50（5）：660-668JournalofShanxiAgriculturalSciences基于光谱指数的晋西黄土区土壤黏粒含量估测孙瑞鹏，丁皓希，毕如田，邓永鹏，朱洪芬（山西农业大学资源环境学院，山西太谷030801）摘要：
通过构建提高土壤黏粒含量预测精度的可行性方法光谱指数模型，为快速估测晋西黄土区土壤黏粒含
量提供技术支持，以晋西黄土区土壤为研究对象，利用光谱指数特征构建该区域土壤黏粒含量的光谱快速估测模型，使用ASD地物光谱仪测得土壤高光谱数据，对原始光谱（R）进行倒数变换（IR）、倒数的对数变换（LGIR）和倒数的一阶微分变换（FDIR）3种预处理，对以上4种光谱形式构建差值光谱指数（DSI）、比值光谱指数（RSI）、归一化光谱指数（Normalizeddifferencespectralindex，NDSI）3种光谱指数，并计算其与土壤黏粒含量的相关性；然后，选取相关系数中最显著的5个光谱指数用于多元线性回归（MLR）模型拟合，筛选出47个光谱指数用于偏最小二乘回归（PLSR）和反向传播神经网络（N）模型拟合。结果表明，原始光谱与土壤黏粒含量的相关性较低（相关系数最高仅为-0.28），而通过光谱变换及构建光谱指数后其相关性明显提升，其中，相关性较高的为FDIR-RSI、FDIR-NDSI、R-DSI、LGIR-RSI和LGIR-NDSI（相关系数分别为-0.70、0.69、-0.68、0.68、0.68），且
相关性均显著，置信水平P均小于0.001；预测精度最高的模型是LGIR-NDSI-BPNN，其预测集的R2和RMSE分别为0.64、1.32，验证集的R2、RMSE和RPD分别为0.74、1.13、1.96，明显提升了基于原始光谱土壤黏粒含量的预测精度。关键词：
光谱指数；土壤黏粒含量；晋西黄土区；土壤高光谱
土壤含水率对近红外光谱检测土壤氮含量的影响研究作者：朱琦董桂梅杨仁杰于亚萍姜全杨晓东来源：《科技创新与应用》2016年第11期摘要：土壤水分含量是影响土壤养分检测的重要因素之一，由于土壤水分在近红外波段的吸收系数较高，使土壤水分的差异给测量结果带来了较大误差。
文章基于近红外光谱技术，利用PLS法研究不同含水率土壤的吸收光谱与土壤氮含量预测的相关性。
实验表明：相同系列氮含量土壤样品在不同含水率下所建立的预测模型差异明显，含水率较高的土壤预测精度较差，证明了土壤含水率对近红外光谱建模精度的影响具有规律性。
关键词：土壤含水率；氮含量；近红外光谱；预测精度引言氮含量是土壤养分检测中的一项重要指标，相较于传统检测方法操作过程繁琐、耗时长且实时性差[1]，近红外光谱技术具有快速、无破坏、无污染、不需预处理及实时检测等优点，目前已广泛用于土壤氮含量的检测。
由于土壤水分在近红外波段的吸收系数较高，对土壤含氮量的检测产生很大的干扰，因此研究土壤水分对近红外光谱检测土壤养分的影响非常必要。
宋海燕等对含水率为20%、15%和10%的土壤进行研究，确定了水分对土壤近红外光谱检测影响的敏感波段和敏感程度[2]。
安晓飞等研究了土壤水分对土壤含氮量的影响，得出随着土壤水分的增加，土壤光谱反射率逐渐降低，吸光度逐渐升高[3]；Baumgardner等的研究中，发现1.4和1.9微米这两个波段是土壤中水对光谱影响主要体现的位置[4]。
由上述研究可知，土壤水分的含量与光谱反射率之间存在显著的相关性，其必对光谱预测模型造成影响。
本课题以检测土壤氮含量为例，基于近红外光谱技术，采用偏最小二乘法（PLS，partial least squares）分别建立不同含水率土壤的光谱预测模型，分析土壤含水率差异对于近红外光谱检测土壤氮含量的影响。
1 材料与方法1.1 土样制备实验以有效态成分分析标准物质GBW07412a（辽宁棕壤）为基础土样，取110g此标准土样，将其按质量均等分为22份，通过计算称量给每份土样添加不同质量的尿素（CO（NH2）2）粉末，同时加入去离子水使其达到饱和，待充分混合后静置12小时再完全烘干，配制成土壤氮含量分别为0.08%、0.10%、…、0.50%的22份土壤样品。
浙江农业学报 Acta Agriculturae Zhejiangensis, 2019,31(9) : 1523 - 1530 http://www.zjoyxb.co
方向，金秀，朱娟娟，等.基于可见-近红外光谱预处理建模的土壤速效氮含量预测％ J].浙江农业学报
,2019,31 (9 )：
1523 -1530-
DOI： 10. 3969/j. isso.
1004-1524. 2019. 09. 17
基于可见-近红外光谱预处理建模的土壤速效氮含量预测方向，金秀,朱娟娟，李绍稳
* *
收稿日期：
2019-04A8
基金项目：农业部948项目(2015-Z44
,2016-X34)
作者简介:方向(1995—),男，安徽舒城人，硕士研究生
，
主要从事土壤速效养分高光谱检测研究
。E-m/1：
2928676905@qq.com
* 通信作者,李绍稳，E-mail: SwliG ahau. edu.
cn
(安徽农业大学信息与计算机学院，智慧农业技术与装备安徽省重点实验室，安徽合肥
230036)
摘 要:以皖南地区采集的188份黄红壤样本为研究对象，利用地物非成像光谱仪获取原始光谱数据。首 先，分析样本在350〜
1 657 om波段经过预处理变换的平均光谱反射率曲线特征，再基于原始光谱,以及经29
种预处理变换后的光谱，分别结合偏最小二乘回归(PLSR)和径向基核函数
(RBF)
ALSR
算法，建立60个针
对土壤速效氮含量的预测模型，并进行模型优化
)然后
，以模型的决定系数
(R
2)和相对分析误差(RPD)
来评
价模型性能。结果显示
，基于
Sxvimky-Golxy卷积平滑和对数变换预处理的光谱，用PLSR建立的模型最适用
于土壤速效氮含量的校正预测,其在建模集中
R
2 =0- 94*RPD=3. 88,预测集中R2 =0. 91*RPD=3. 38
(该模
型达到A类预测精度，可实现对土壤速效氮含量的定量估测
。
关键词:高光谱分析)土壤速效氮
)预处理)模型
中图分类号:S153.6 文献标志码:A 文章编号：
1004A524(2019)09A523A8
PreSiction of soil available nitrogee
contest based
on visible and neae infrared spectroscopy
preerocess and modeling
FANG Xiaog, JIN Xin, ZHU Juaojuao,
LI Showeo
*
(Anhui Provincc Key Lo^ovo^ovo p Intelligent Agriculture Technology and Equipment, School 1 Ipformahop & Com-
puhe, Anhui Agricultural University, Hefd C30036, China)Abstract: Io the present study, 188 yellow-red loam soil samples were collected io Southero Aohui, and the oDgioal
spectrum was obtained by ooo-imayiog spectrometer. Firstly, the cha/cte/stics of the average spectral reflectaoce
curve at 350-1 657 om were analyzed Wter p/p/cessiog. Based on the o/gioal spectrum and spectra Wter 29 preprocesses, a total of 60 models were constructed either by partial least squares reg/ssioo ( PLSR) or radial basis fuoe-
tioo ( RBF) -PLSR, and the constructed models were optimized and evaluated by the models' decision coefficient
(R
2) and relative pe/eot deviation (
RPD). It was shown that the PLSR model constructed on spectra
after Savi-
taky-GoOy filteriog and Og Waosformafon ( SG + LG//LSR model) was most suitable for the prediction of soil availa
ble oit/geo cooteot. Ns
R
2 and RPD were 0. 94 and 3. 88 io cafbrafoo set and were 0. 91 and 3. 38 io prediction
set, which belooged to A level, and iodicated that this model was feasible for soil avaimbO oit/geo cooteot predietion.Key words: hyperspectrai aoalysis； soil avaimbO oit/geo； p/p/cessiog； model-1524 -
浙江农业学报第
31卷第
9期
土壤速效氮"AN）
是农作物生长发育过程中
的重要营养来源之一，其含量与土壤的有机质含
量有关，能够很好地反映出近期土壤氮素的供应
情况⑴（快速、准确地获取土壤速效氮的养分信
息对于指导精准施肥、
促进现代农业的发展具有
重要的意义。传统的土壤养分信息检测都是采 用化学方法,对检测人员要求高
,
且存在着检测
效率低、成本高、易造成环境污染等问题，
已不能
满足现代精准农业的发展要求。可见-近红外高
光谱分析技术具有易操作、无污染等优点，近年 来在土壤养分的定量测定方面越来越受到 重视%2-Shxv等%5&采集浙江不同地区的280份土壤 样本，分别利用偏最小二乘回归（PLSR）和最小 二乘支持向量机（LS-SVM）对土壤速效氮含量进 行预测建模，结果显示，LS-SVM的预测精度较 高。刘雪梅等［6］在可见/短波近红外光谱区域利 用蒙特卡罗无信息消除方法（MC-UVE）对土壤 碱解氮的建模变量进行筛选，应用偏最小二乘法 （PLS）建立校正模型，验证集的决定系数"R2）达 到了 0. 84O Kodaba等⑺以日本北海道Kasai区 十胜平原为实验研究区，分别建立了土壤铵态 氮、硝态氮、水解氮、总氮含量的PLSR模型，其总 氮预测集的g2大于0. 9，相对分析误差（RPD）大 于2.0,属于A类预测精度，具有良好的预测能 力;铵态氮和水解氮预测集的RPD大于1.4，属 于B类预测精度，具有中等的预测能力；硝态氮 预测集的RPD小于1.4,属于C类预测精度，不 能用于定量预测。齐海军等⑷在野外条件下利 用以色列中部和北部的2个实验点共76个土壤 样本展开研究，依次使用Sxvitaky-Golxy卷积平滑 （SG）、一阶导数、标准正态变换和均值中心化对 原始光谱进行预处理，在此基础上使用Y-GLSW 构建滤波模型对变换后的光谱进行滤波校正，最 后使用PLSR建立土壤速效氮含量的预测模型， 预测集的RPD达到了 2. 07，属于A类预测精度， 具有很好的预测效果。综合高光谱技术在土壤 速效氮含量检测方面的研究现状可知，在室内条 件下,基于可见-近红外光谱测定土壤速效氮含 量是可行的，且取得了一定的成果。本研究以皖南黄山市黄山区和池州市石台 县两地为研究区，进行野外土壤采样、室内理化 分析、光谱采集与处理等一系列工作，研究光谱 预处理变换、回归算法等建模环节对土壤AN含 量预测精度的影响，探索基于可见-近红外光谱的 土壤AN含量预测方法，为该区域土肥信息的遥 感监测提供参考。1材料与方法1.1研究区概况在安徽省农业信息化产业技术体系皖南综
合试验站的支持下，本研究于黄山市黄山区和池
州市石台县两地采集土壤样本。两地均属于典
型的皖南山地丘陵区，地理坐标为117。
29'7"-
118。11'1伍,
30。
8'23"~30。
22'25公
。皖南地区气
候温和，
水量充沛
,属于中亚热带
（北部）
湿润季
风气候，水稻-油菜轮作制是当地最主要的种植 方式。
黄红壤旱地有机质、氮磷缺乏，人工因土施
肥对作物增产稳产尤为重要；因此，
选择皖南地
区的黄红壤作为研究对象,
进行土壤速效氮含量
的高光谱预测研究。采集土壤样本的区域包括 黄山市黄山区乌石乡桃园基地和池州市石台县 大演乡。
1-2 土壤样本采集与制备实验集中在2018年
7月进行
，此时正值暑
假，天气晴朗
,
适合采集土壤样本。
采用对角线
法采样，共采集耕作层土样
188份
，采样深度为
0~20 cm。采集时简单地去除土壤剖面上的植
物根系、碎石块和其他杂物，
混匀后用四分法去
掉多余的土壤，
收集
1- 5 ky
的纯土壤样本作为1
份实验样本。
将采集得到的土壤样本带回实验
室，在通风环境下进行自然风干处理，风干后将
土壤磨碎，
过
2 mm筛，每份土壤样本分成
2份
:
-份用于高光谱数据采集，另-份用于理化检
测。土壤AN含量采用碱解扩散法测定。
1.3 土壤样本光谱采集土壤样本光谱反射率的测定，采用的是蔚海
光学仪器（上海）
有限公司生产的便捷式地物非
成像光谱仪（
型号
:
OFS-1700）
，
波谱范围为
200 ~
1 700
nm
,光谱分辨率为 2 nm（200 -950 nm）和 5
nm（950 - 1 700 nm），重采样间隔为1 nm。将处 理好的2 mm 土壤粉末放在直径4- 5 cm、深2. 5
