论文部分内容阅读
土壤养分是指土壤供给植物生长发育所必需的营养元素。土壤有机质和全氮是土壤养分的重要指标,是土壤的重要组成物质,更是现代精准农业发展所需获取的田间重要信息。因此,快速准确检测土壤有机质、全氮含量,掌握其动态变化对指导农业生产和保护自然生态环境均具有重要意义。本文将热裂解技术和人工嗅觉技术融合并应用于土壤养分的检测中,利用热裂解技术实现了土壤样本的快速裂解,采用人工嗅觉技术完成了裂解气体响应数据的采集,利用模式识别算法实现了土壤有机质、全氮预测模型的构建,为土壤有机质、全氮含量的检测提供了一种快捷、准确和低成本的解决方法。本文的主要研究内容和结果如下:（1）利用热裂解技术和人工嗅觉技术,提出了一种土壤有机质与全氮检测方法。采用热裂解炉、石英管和真空法兰组建热裂解设备完成了土壤裂解,采用10种不同类型的气体传感器构建气体传感器阵列实现了土壤裂解气体响应数据采集,设计信号处理电路完成了信号转换,利用Lab VIEW软件开发了上位机软件,实现了传感器响应数据的传输、显示和储存。选择不同浓度的甲烷、氨气、氯乙烯和硫化氢4种标准气体对该检测系统进行气体响应测试,试验结果表明:除某些传感器对特定标准气体响应不明显,其余气体传感器对不同标准气体的响应曲线呈快速上升趋势,之后达到稳定状态,且随着标准气体浓度的增加,传感器的响应强度明显增强,达到稳定状态的时间有较明显缩短。气体传感器阵列具有较高的特异性和一定的交叉敏感性,为该检测方法的组建奠定了基础。（2）以热裂解温度、热裂解时间和土壤重量为试验因素,采用单因素试验和响应面回归分析对该检测方法的工作参数进行了优化。单因素试验结果表明,土壤裂解的最佳热裂解温度为400℃,热裂解时间为3 min,土壤重量为2 g。以单因素试验最优的试验因素为零水平,设计三因素三水平的响应面回归试验,得到该检测方法的最佳工作参数为:热裂解温度为384℃,热裂解时间为2 min 41s,土壤重量为1.68 g。在最佳工作参数条件下,选取土壤样本中有机质含量最低、低、中等、高和最高5种样本进行线性判别分析模型的分类识别,识别正确率可达100%,为下一步土壤有机质与全氮检测方法的搭建奠定了试验基础。（3）研究了不同特征对构建土壤全氮模型预测性能的影响。提取传感器阵列响应数据的平均值、方差值、最大梯度值、最大值、响应面积值、第3秒的瞬态值和平均微分系数值,采用单一特征分别建立K近邻回归模型和BP神经网络（BPNN）模型,结果表明:特征方差值基本不能用于构建两种模型,且单一特征构建的模型预测精度均低于全部特征构建的预测模型。选择除方差值之外的特征组成特征空间（10个传感器×6个特征）,以模型的准确度为评价指标,分别采用2种单特征选择方法（皮尔森相关系数、方差分析）、3种特征优化方法（PCA、LDA、GA-BP）选取最优特征与土壤全氮含量建立K近邻回归模型,结果表明,特征空间经遗传算法优化BP神经网络（GA-BP）算法优化后建立的K近邻回归模型的R~2最高,为0.81,特征数目为30,减少了50%。利用GA-BP方法对特征空间进行优化降维,将土壤有机质特征空间从60维降至30维,得出特征平均值、最大值和平均微分系数值是体现该检测方法与土壤有机质含量内在联系的重要特征,传感器TGS821和TGS2603对构建土壤有机质特征空间的贡献最大;将土壤全氮特征空间从60维降至29维,得出特征响应面积值、平均值和最大值是体现该检测方法与土壤全氮含量内在联系的重要特征,传感器TGS2603和TGS826对构建土壤全氮特征空间的贡献最大。（4）对比评估了偏最小二乘回归（PLSR）、支持向量机回归（SVR）、极限学习机（ELM）和偏最小二乘回归结合极限学习机（PLSR-ELM）算法建立土壤有机质、全氮模型的预测性能。通过对比分析使用马氏距离、留一交叉验证法、K均值改进留一交叉验证法和蒙特卡洛交叉验证法（MCCV）剔除土壤全氮特征空间的异常样本后,新特征空间建立PLSR模型的预测性能,得出MCCV方法可有效剔除异常样本。对比分析了MCCV方法和GA-BP方法处理前后,PLSR、SVR、ELM和PLSR-ELM模型的预测性能,结果表明,经两种方法处理后,四种模型的预测性能均有一定的提升;原始土壤有机质和全氮特征空间中存在影响了模型预测效果的异常样本,MCCV方法可以有效寻找出异常样本并将其剔除;且土壤有机质和全氮特征空间存在一定的冗余特征信息,GA-BP方法可以有效选择出最佳特征。采用的四种算法中,PLSR-ELM算法建立的模型预测性能最佳,在土壤有机质检测中,其模型评级为“极佳”,预测性能指标R~2、RMSE和RPD分别为0.93、4.45和3.81;在土壤全氮检测中,PLSR-ELM模型评级也为“极佳”,预测性能指标R~2为0.93,RMSE为0.17,RPD为3.59。PLSR-ELM模型可有效提高PLSR模型的预测准确性,解决ELM模型泛化能力不足,为土壤有机质和全氮含量的测量提供一种可靠的关系模型。