利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱...利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱。在分析吸收光谱和光谱指数与SOM关系的基础上,采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。结果表明,建模效果好的指标分别为特征波段(R2=0.91,RPD=3.28),归一化光谱指数(R2=0.90,RPD=3.08),特征波段与3个光谱指数组合(R2=0.87,RPD=2.67),全波段(R2=0.95,RPD=4.36)。光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势,不同的指标均达到了较好的预测效果。展开更多
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
文摘利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱。在分析吸收光谱和光谱指数与SOM关系的基础上,采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。结果表明,建模效果好的指标分别为特征波段(R2=0.91,RPD=3.28),归一化光谱指数(R2=0.90,RPD=3.08),特征波段与3个光谱指数组合(R2=0.87,RPD=2.67),全波段(R2=0.95,RPD=4.36)。光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势,不同的指标均达到了较好的预测效果。
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。
文摘利用可见-近红外光谱建立多品种模型以实现快速无损检测猕猴桃贮藏时的内部品质。以‘海沃德’‘金桃’和‘徐香’猕猴桃为实验对象,测定不同贮藏时间下硬度、可溶性固形物、可滴定酸和果肉颜色的变化规律,采集592~1102 nm波长范围内的光谱数据,采用一阶导数(first-order derivatives,FD)、标准正态变量变换(standard normal variate,SNV)、二阶导数、卷积平滑以及FD+SNV的预处理算法,结合竞争性自适应重加权采样法(competitive adaptive reweighted sampling,CARS)进行特征波长选择,建立基于偏最小二乘(partial least squares,PLS)和多元线性回归(multiple linear regression,MLR)的猕猴桃理化指标的品质预测模型。结果表明,FD和SNV预处理后的模型预测精度最高,单一品种模型SSC的相对预测偏差(relative prediction deviation,RPD)均高于2.3,除‘徐香’硬度RPD为1.8外,其他品种硬度RPD也高于2.3;采用CARS提取出600~700、930~990、1000~1100 nm是相关度较高的特征波段;各指标PLS模型的预测结果相对优于MLR模型;建立混合品种通用模型得到FD+SNV结合预处理后的预测性能显著提高,SSC、TA和a*模型的RPD分别为2.280、2.183和3.425,相较于单一品种的模型准确性更好。综上,利用可见-近红外光谱技术能够用于猕猴桃贮藏品质的定量检测,为猕猴桃的无损检测技术应用提供了依据和参考。
