基于高光谱技术的褐土土壤总氮含量的预测2.0-电子发烧友网

引言

土壤营养元素的含量是提高农作物产量和农产品品质的重要因素。对土壤营养元素进行准确测量是实施精细农业的基础。传统的土壤营养元素的测定方法为化学法，化学法测量结果精度高，但需要消耗大量的时间和人力，难以满足土壤营养元素实时监控的要求。高光谱技术光谱分辨率高、光谱通道数多，能够更加真实、全面地反映物体的固有光谱特性及其差异，从而能够提高土壤营养元素的预测精度。高光谱技术已广泛应用于土壤营养元素的预测与反演。

本文以山西典型褐土土壤为研究对象，所有土壤样品经风干后，未经研磨过筛处理，直接装入样品杯进行测量。并采用高光谱成像技术获取近红外高光谱图像，并提取平均光谱曲线（Ａ）、标准差曲线（Ｓ）和方差曲线（Ｖ）等统计参数。然后分别采用以平均光谱曲线（Ａ）、平均光谱曲线的一阶导数（Ｆ）、Ａ与Ｆ的乘积（Ａ＊Ｆ）、Ａ与Ｆ的商（Ａ／Ｆ）为基础的２０种光谱预处理方法，结合ＰＬＳ方法进行建模，并对验证集进行验证。

本文旨在构建一种结合高光谱成像技术特点的，针对未经研磨和过筛处理的褐土土壤总氮含量的定量预测模型，并为土壤其他营养元素的快速预测提供参考。

结果与分析

2.1 不同PLS模型的建模结果

分别采用Ａ、Ｆ、Ａ＊Ｆ、Ａ／Ｆ等２０种光谱预处理方法，结合ＰＬＳ方法进行建模，并对验证集进行验证。不同ＰＬＳ模型及对验证集的验证结果见表３。不同光谱数据预处理方法对验证集ＲＰＤｃ和Ｒｃ２的影响见图３和图４。

表３不同ＰＬＳ模型及对验证集的验证结果

图３不同光谱数据预处理方法对ＲＰＤｃ的影响

图４不同光谱数据预处理方法对Ｒｃ２的影响

由于在建模时优先考虑了模型对建模集的验证效果，并使所有模型的ＲＰＤｃ和Ｒｃ２基本相同，因此对模型进行评价只需要对比不同模型对验证集的验证效果即可。建模效果最好的预处理方法为Ｆ＊Ｓ，其ＰＬＳ模型的主因子个数为１１，验证集ＲＭＳＥｐ＝１５９．８９，ＲＰＤｐ＝２．１２０，Ｒｐ２＝０．８２６；其次为Ａ＊Ｆ＊Ｓ，其ＰＬＳ模型的主因子个数为１１，验证集ＲＭＳＥｐ＝１６５．８５，ＲＰＤｐ＝２．０１０，Ｒｐ２＝０．８０４。这两个模型的ＲＰＤｐ在２.０以上，Ｒｐ２在０．８以上，可以对褐土土壤的总氮含量进行有效预测；其它模型的ＲＰＤｐ均小于２．０，对总氮含量的预测效果较差。当只使用平均光谱曲线Ａ进行建模时，建模效果从好到坏依次为：Ｆ＞Ａ＊Ｆ＞Ａ＞Ａ／Ｆ。即使用平均光谱曲线的一阶导数Ｆ和平均光谱曲线与一阶导数的乘积Ａ＊Ｆ能够取得更好的建模效果。

当结合其它统计参数（Ｓ、Ｖ）进行建模时，以Ａ和Ａ／Ｆ为基础的ＰＬＳ模型的ＲＰＤｐ和Ｒｐ２均有大幅下降，即Ａ和Ａ／Ｆ不适合与Ｓ、Ｖ组合进行建模。对于以Ｆ和Ａ＊Ｆ为基础的ＰＬＳ模型，只有与标准差的乘积（＊Ｓ）能够提高建模效果；而其他方法（／Ｓ、＊Ｖ、／Ｖ）的建模效果均低于只使用Ｆ和Ａ＊Ｆ的建模效果。

讨论与结论

本文以山西典型褐土土壤为研究对象，所有土壤样品经风干后，未经研磨过筛处理，直接装入样品杯进行测量。并采用高光谱成像技术获取近红外高光谱图像，并提取平均光谱曲线（Ａ）、标准差曲线（Ｓ）和方差曲线（Ｖ）等统计参数。然后分别采用以Ａ、Ｆ、Ａ＊Ｆ、Ａ／Ｆ为基础的２０种光谱预处理方法，结合ＰＬＳ方法进行建模，并对验证集进行验证。

主要结论如下：

（１）平均光谱曲线随总氮含量先增加后减小，可能导致两个总氮含量差异极大的土壤样本的平均光谱曲线非常接近，从而影响预测模型的预测准确性。一阶导数曲线随总氮含量的增加而单调增加，使用一阶导数进行建模，可能能够获得更好的预测效果。

（２）建模效果最好的预处理方法为Ｆ＊Ｓ，其ＰＬＳ模型的主因子个数为１１，验证集ＲＭＳＥｐ＝１５９．８９，ＲＰＤｐ＝２．１２０，Ｒｐ２＝０．８２６；其次为Ａ＊Ｆ＊Ｓ，其ＰＬＳ模型的主因子个数为１１，验证集ＲＭＳＥｐ＝１６５．８５，ＲＰＤｐ＝２．０１０，Ｒｐ２＝０．８０４。这两个模型的ＲＰＤｐ在２.０以上，Ｒｐ２在０.８以上，可以对褐土土壤的总氮含量进行有效预测；其它模型的ＲＰＤｐ均小于２．０，对总氮含量的预测效果较差。

（３）当只使用平均光谱曲线Ａ进行建模时，使用平均光谱曲线的一阶导数Ｆ和平均光谱曲线与一阶导数的乘积Ａ＊Ｆ能够取得更好的建模效果。当结合其它统计参数（Ｓ、Ｖ）进行建模时，只有Ｆ和Ａ＊Ｆ与标准差的乘积（＊Ｓ）的预处理方法能够提高建模效果。

本文选用的土壤样本未经研磨和过筛处理，能够极大缩短制样时间，提高预测效率。本文结合高光谱成像技术的特点，提出了多种统计参数结合的光谱数据的预处理方法，可为高光谱成像技术的土壤营养元素的反演提供参考。本文研究结果可为近红外高光谱成像技术应用于褐土土壤其他营养成份的快速预测提供参考。光谱数据预处理方法对其他建模方式、其他土壤类型、其他营养元素的反演有待进一步研究。

推荐：

无人机高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。