精准评估土壤质量是保障育种质量先决条件之一,对评估种子品质和精准施肥具有指导意义。土壤成分含量是土壤质量评估的重要指标,光谱技术已经被证实可以快速、绿色地进行土壤成分检测。然而单一模态光谱技术难以满足种田多种土壤成分含...精准评估土壤质量是保障育种质量先决条件之一,对评估种子品质和精准施肥具有指导意义。土壤成分含量是土壤质量评估的重要指标,光谱技术已经被证实可以快速、绿色地进行土壤成分检测。然而单一模态光谱技术难以满足种田多种土壤成分含量检测的需求。故运用原子激光诱导击穿光谱(LIBS)和分子可见-近红外光谱(VIS-NIR)技术结合化学计量学方法,对宁夏润丰种业育种玉米田采集的288份土壤样本进行分析,建立金属元素和土壤有机质(SOM)含量的预测模型,并实现金属元素和SOM含量空间可视化分布。首先,利用共线双脉冲LIBS系统采集土壤样本的LIBS数据,利用air-PLS对光谱数据进行基线矫正以减少试验误差。选择的金属元素特征谱线查找于美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)的标准原子光谱数据库。基于国家标准土样的LIBS光谱与其金属元素含量真实值,建立4种金属元素(Na、K、Mg、Mn)的偏最小二乘回归模型(PLSR),其中Mn含量的预测效果最好,R_(p)^(2)达到0.813,RMSEP为0.155 g·kg^(-1)。另一方面,采集可见-近红外光谱数据后,利用SG卷积平滑(SGCS)、一阶导数变换、多元散射矫正(MSC)对光谱数据进行预处理,并分别建立SOM含量的PLSR预测模型对三种预处理方法进行评价,经MSC预处理后所建立的PLSR模型效果最好;随后利用蒙特卡洛交叉验证法(MCCV)剔除SOM含量异常样本。利用竞争自适应重加权采样法(CARS)和连续投影算法(SPA)选择特征波长,分别建立SOM含量的PLSR预测模型对两种算法进行评价;得出利用CARS算法选择的特征波长建立的预测模型性能有所提高。用CARS算法选择的特征波长与SOM含量真实值,分别建立PLSR和反向传播人工神经网络(BPNN)预测模型,其中PLSR模型的效果最好,R_(p)^(2)达到0.864,RMSEP为0.612 g·kg^(-1),RPD_(v)为2.733。最后,利用国家标准土样所建立的PLSR模型预测玉米种田四种金属元素含量,建立PLSR模型预测值和BPNN模型预测值的空间分布图。研究结果表明,LIBS技术和可见-近红外光谱定量分析技术可以对种田土壤金属元素和SOM含量检测,为土壤成分含量的检测和空间可视化分布提供了参考价值并对土壤科学合理地施肥具有指导意义。展开更多
叶片氮素含量是衡量水稻健康的重要指标,无损检测叶片氮素含量对于确保水稻的生长发育和产量至关重要。然而,现有的检测仪存在价格昂贵、体积大、操作环境要求高、无法大面积推广等问题。该研究基于氮素光谱特征的优化与组合,设计了便...叶片氮素含量是衡量水稻健康的重要指标,无损检测叶片氮素含量对于确保水稻的生长发育和产量至关重要。然而,现有的检测仪存在价格昂贵、体积大、操作环境要求高、无法大面积推广等问题。该研究基于氮素光谱特征的优化与组合,设计了便携式多光谱水稻氮素无损检测仪。该设备的硬件系统由主机和外部叶夹组成,主机包括光谱采集模块、控制与显示模块和外部电源模块,外部叶夹用于固定水稻叶片。在Python3.11.4开发环境下使用PyQt5框架设计了上位机操作界面,用以实现光谱数据的采集、保存以及水稻氮素结果的显示。利用所开发的检测设备采集了“沈农9816”水稻叶片的光谱反射率,以光谱特征为输入,氮素含量为输出,分别构建基于偏最小二乘回归(partial least square regression,PLSR)、极限学习机(extreme learning machine,ELM)、基于蝙蝠算法优化的极限学习机(extreme learning machine based on bat optimization algorithm,BA-ELM)的水稻氮素含量预测模型,其中以特征波段和氮素特征转移指数(nitrogen characteristic transfer index,NCTI)组合所构成的光谱特征为输入的BA-ELM反演精度最高,模型训练集R2为0.792,RMSE为0.423%,测试集R2为0.783,RMSE为0.423%。将预测模型导入到检测设备后对设备的准确性和稳定性进行验证,使用最大残差验证设备检测准确性,得到最大残差绝对值为0.737%,使用变异系数验证设备稳定性,得到最大变异系数为1.901%。结果表明,该研究研发的便携式水稻氮素检测设备具有良好的准确度和稳定性,可以满足水稻氮素含量实时检测需求。展开更多
文摘精准评估土壤质量是保障育种质量先决条件之一,对评估种子品质和精准施肥具有指导意义。土壤成分含量是土壤质量评估的重要指标,光谱技术已经被证实可以快速、绿色地进行土壤成分检测。然而单一模态光谱技术难以满足种田多种土壤成分含量检测的需求。故运用原子激光诱导击穿光谱(LIBS)和分子可见-近红外光谱(VIS-NIR)技术结合化学计量学方法,对宁夏润丰种业育种玉米田采集的288份土壤样本进行分析,建立金属元素和土壤有机质(SOM)含量的预测模型,并实现金属元素和SOM含量空间可视化分布。首先,利用共线双脉冲LIBS系统采集土壤样本的LIBS数据,利用air-PLS对光谱数据进行基线矫正以减少试验误差。选择的金属元素特征谱线查找于美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)的标准原子光谱数据库。基于国家标准土样的LIBS光谱与其金属元素含量真实值,建立4种金属元素(Na、K、Mg、Mn)的偏最小二乘回归模型(PLSR),其中Mn含量的预测效果最好,R_(p)^(2)达到0.813,RMSEP为0.155 g·kg^(-1)。另一方面,采集可见-近红外光谱数据后,利用SG卷积平滑(SGCS)、一阶导数变换、多元散射矫正(MSC)对光谱数据进行预处理,并分别建立SOM含量的PLSR预测模型对三种预处理方法进行评价,经MSC预处理后所建立的PLSR模型效果最好;随后利用蒙特卡洛交叉验证法(MCCV)剔除SOM含量异常样本。利用竞争自适应重加权采样法(CARS)和连续投影算法(SPA)选择特征波长,分别建立SOM含量的PLSR预测模型对两种算法进行评价;得出利用CARS算法选择的特征波长建立的预测模型性能有所提高。用CARS算法选择的特征波长与SOM含量真实值,分别建立PLSR和反向传播人工神经网络(BPNN)预测模型,其中PLSR模型的效果最好,R_(p)^(2)达到0.864,RMSEP为0.612 g·kg^(-1),RPD_(v)为2.733。最后,利用国家标准土样所建立的PLSR模型预测玉米种田四种金属元素含量,建立PLSR模型预测值和BPNN模型预测值的空间分布图。研究结果表明,LIBS技术和可见-近红外光谱定量分析技术可以对种田土壤金属元素和SOM含量检测,为土壤成分含量的检测和空间可视化分布提供了参考价值并对土壤科学合理地施肥具有指导意义。
文摘叶片氮素含量是衡量水稻健康的重要指标,无损检测叶片氮素含量对于确保水稻的生长发育和产量至关重要。然而,现有的检测仪存在价格昂贵、体积大、操作环境要求高、无法大面积推广等问题。该研究基于氮素光谱特征的优化与组合,设计了便携式多光谱水稻氮素无损检测仪。该设备的硬件系统由主机和外部叶夹组成,主机包括光谱采集模块、控制与显示模块和外部电源模块,外部叶夹用于固定水稻叶片。在Python3.11.4开发环境下使用PyQt5框架设计了上位机操作界面,用以实现光谱数据的采集、保存以及水稻氮素结果的显示。利用所开发的检测设备采集了“沈农9816”水稻叶片的光谱反射率,以光谱特征为输入,氮素含量为输出,分别构建基于偏最小二乘回归(partial least square regression,PLSR)、极限学习机(extreme learning machine,ELM)、基于蝙蝠算法优化的极限学习机(extreme learning machine based on bat optimization algorithm,BA-ELM)的水稻氮素含量预测模型,其中以特征波段和氮素特征转移指数(nitrogen characteristic transfer index,NCTI)组合所构成的光谱特征为输入的BA-ELM反演精度最高,模型训练集R2为0.792,RMSE为0.423%,测试集R2为0.783,RMSE为0.423%。将预测模型导入到检测设备后对设备的准确性和稳定性进行验证,使用最大残差验证设备检测准确性,得到最大残差绝对值为0.737%,使用变异系数验证设备稳定性,得到最大变异系数为1.901%。结果表明,该研究研发的便携式水稻氮素检测设备具有良好的准确度和稳定性,可以满足水稻氮素含量实时检测需求。
