论文部分内容阅读
我国很多省份都存在盲目、过量施肥的情况，不仅造成生产资源的浪费和农民生产成本的增加，而且会造成环境的污染，特别是对湖泊河流的富营养化。此外，施用化肥中因缺少技术指导，存在比例失调问题，氮、磷肥料过剩而钾肥不足，如何指导农民合理施肥迫在眉睫。现代农业中，变量施肥重要的环节就是了解土壤养分的分布情况，而快速的分析测试出土壤中养分含量一直是现代农业的瓶颈。本论文以江西万安县某脐橙果园的土壤为研究对象，设计了一个模块化的小型土壤养分检测装置，并以该装置采集光谱，对比了6种不同的预处理方法，使用了3种波段筛选算法简化变量，最后不同的预测模型，期望能够开发出快速检测土壤养分的便携式仪器，为农业发展做贡献。为验证仪器的准确性，本论文对土壤养分含量使用布鲁克TENSOR37型光谱仪进行对比研究，建立预测模型作为便携式仪器模型的参照。本论文取得的结论包括以下几点：（1）实验室的布鲁克TENSOR37型光谱仪适合使用数据标准化（Normalization）作为土壤养分光谱的预处理方法，该方法既能消除一定的噪声，又在一定程度上凸显了光谱的特征峰，使结果更接近土壤养分近红外光谱的实际情况。全氮建模时，结果发现偏最小二乘回归法（PLS）的效果比较好，预测模型因子数（PC）为5，预测相关系数（RP）为0.9494，预测均方根误差（RMSEP）为0.0118%；对全磷进行建模时，发现PLS模型效果比较好，预测因子数为2，预测相关系数为0.6562，预测均方根误差为0.1173g/kg；在对全钾进行建模时，结果发现PLS模型效果比较好，预测因子数为5，预测相关系数为0.9760，预测均方根误差为1.8528g/kg；对有机质建模时，结果发现PCR模型效果比较好，预测模型的因子数为4，预测相关系数为0.9787，预测均方根误差为4.1543g/kg。（2）基于可见光+短波近红外光设计的便携式土壤养分检测仪，主要包括便携式检测仪的设计方案、主要部件选择、光谱数据采集。论文还探讨了便携式检测仪原始光谱预处理算法的选择，结果发现基线校正（Baseline）算法效果比较好，可以消除仪器光源随着时间变化带来的影响，使得预处理后的土壤养分光谱数据更接近实际情况。（3）论文还对便携式检测仪采集的光谱进行波段筛选，采用遗传算法（GA）、连续投影算法（SPA）和正自适应加权算法（CARS）3种算法对便携式检测仪光谱数据进行变量提取，使模型更加简化，运算速率更快。使用这3种算法，对全氮、全磷、全钾和有机质这4个指标进行筛选，每个指标筛选出3组波长，共12组。（4）论文考虑到需要同时检测全氮、全磷、全钾和有机质4个指标，并且又需要检测速度快，因此便携式检测仪选择CARS-PLS的建模结果作为检测仪模型，该模型对于每个指标来说不一定是最优模型，但它是整体最优模型。全氮CARS-PLS模型的预测相关系数为0.8969，预测均方根误差为0.0133%；全磷CARS-PLS模型的预测相关系数为0.8187，预测均方根误差为0.0890g/kg；全钾CARS-PLS模型的预测相关系数为0.9719，预测均方根误差为2.2291g/kg；有机质CARS-PLS模型的预测相关系数为0.9734，预测均方根误差为4.6377g/kg。（5）综上所述，自主设计的便携式检测仪模型整体效果不错，在土壤养分检测方面，可以满足农业生产要求。