果园土壤养分可见近红外光谱检测方法研究

《果园土壤养分可见近红外光谱检测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号______________________________密级______________________________ＵＤＣ______________________________编号______________________________全日制专业学位硕士论文果园土壤养分可见/近红外光谱检测方法研究学位申请人：熊松盛学科领域：机械工程校内导师：刘燕德教授校外导师：刘德力高工答辩日期：学院机电工程学院专业机械工程学号20120308520106论文题目果园土壤养分可见/近红外光谱检测方

2、法研究独创性声明本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表和撰写的研究成果，也不包含为获得华东交通大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人签名_______________日期____________摘要果园土壤养分可见/近红外光谱检测方法研究摘要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

3、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

4、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

5、（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

6、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

7、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I摘要检测速度快，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2.22

8、91g/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。关键词：近红外，土壤养分，便携式，无损检测IIAbstractResearchonDetectionMethodsofOrchardSoilNutrientBasedonVisible/NearInfraredSpectro