基于无人机多光谱植被指数的生菜全氮含量预测

我国露地蔬菜种植规模庞大,生产方式高度集约化,但过量施肥等导致的水氮利用效率低下的问题较为严重。为实现露地蔬菜规模化种植中精准施肥、高效生产的目标,以露地生菜为研究对象,设无氮(N0)、低氮(N1)、高氮(N2)三个处理,通过无人机搭载多光谱相机,建立3种多光谱植被指数(NDVI、RVI和SAVI)与生菜叶绿素、生物量、吸氮量、全氮含量数据集,并构建单生育期和多生育期氮素诊断模型。结果表明:(1)在莲座期和结球期,生菜各处理NDVI、RVI和SAVI值表现出随施氮量的增加而增大,但在收获期,N1处理达到最大值。(2)在生菜结球期,NDVI与生菜的产量、吸氮量、叶绿素均存在显著相关性,其中生菜全氮含量与叶绿素在p≤0.01水平下显著相关,相关系数(R)为0.51;综合生菜多生育期,NDVI值与生菜的产量、叶绿素、吸氮量和全氮含量均在p≤0.001水平下达到极显著相关,相关系数分别为0.85、0.82、0.81和0.71。(3)通过相应数据集拟合出指数、线性、对数和幂函数4种模型关系,建立生菜多生育期植株全氮最佳预测模型:全氮=16.52ln(NDVI)+73.514;应用生菜全氮估层模型反演基地生产田块,其平均相对误差为3.22%、RMSE=0.5566、NRMSE=0.0108,说明模型估算效果均较好,通过无人机多光谱遥感对蔬菜氮素诊断具有一定的可行性。

褐土全氮含量Vis/NIRS组合预测模型的构建

准确掌握农田土壤全氮含量对于评估土壤肥力,合理施用氮肥具有重要意义。为综合利用各个单预测模型的优势,提升整体预测性能、降低模型方差,提高鲁棒性,以农田褐土土壤为研究对象,基于近红外-可见光高光谱数据,提出了一种基于标准差的预测有效度组合预测模型(CPM),用于预测土壤全氮含量。对原高光谱数据采用Savitzky-Golay平滑和一阶微分变换,采用树模型进行特征波段提取,利用决策树回归(DTR)(模型1)、高斯核回归(GKR)(模型2)、随机森林回归(RF)(模型3)、LASSO回归(模型4)、多层感知器回归(MLP)(模型5)5个单预测模型,通过单预测模型的线性组合建立组合预测模型。结果表明:(1)通过广义简约梯度优化算法求得组合预测模型中5个单预测模型的权重分别为ω_(1)*=0.407,ω_(2)*=0.378,ω_(30*=0.215,ω_(4)*=0,ω_(5)*=0;(2)对于所有数据,基于5种单预测模型和组合预测模型对土壤全氮含量预测的预测有效度分别为M_(1)=0.855,M_(2)=0.856,M_(3)=0.847,M_(4)=0.785,M_(5)=0.796,M_(CPM)=0.880;与单模型预测有效度最大值相比,组合预测模型预测有效度提高了2.924%;(3)对于所有数据,基于5种单预测模型和组合预测模型对土壤全氮含量预测的预测精度和标准差分别为E(A_(1))=0.924,σ(A_(1))=0.075,E(A_(2))=0.928,σ(A_(2))=0.077,E(A_(3))=0.923,σ(A_(3))=0.082,E(A_(4))=0.882,σ(A_(4))=0.109,E(A_(5))=0.889,σ(A_(5))=0.104,E(A_(CPM))=0.937,σ(A_(CPM))=0.066,与单模型预测精度最大值相比,组合预测模型预测精度提高了0.970%,模型稳定性提高了12.000%,且为优性组合预测。组合预测模型可用于可见光-近红外光谱数据的农田褐土土壤全氮含量的有效估测,可为农田土壤全氮含量的快速监测提供依据和参考。

基于随机森林模型的旺业甸实验林场土壤全氮数字制图

为探究林场土壤全氮含量的空间分布特征及对环境因素的响应,以旺业甸实验林场为研究区,采用随机森林模型和Cubist模型建立了不同土层深度(0~10、10~30、30~50cm)土壤全氮含量与环境协变量(海拔、归一化植被指数、年平均降水量、年平均气温、y坐标和坡向)之间的定量关系模型,对该区土壤全氮含量进行预测并制图,并分析了影响土壤全氮空间变异的控制性因素。研究结果显示:0~10、10~30、30~50cm土层实测全氮含量的均值分别为3.20、2.02、1.47g/kg,土壤全氮的平均含量随土层深度的增加而降低;3个土层深度土壤全氮预测随机森林模型的决定系数R2分别为0.59、0.42和0.39,均优于决定系数R2分别为0.56、0.38和0.34的Cubist模型,2种模型预测精度都随土层深度的增加而降低,各环境因素对土壤全氮空间分布的影响作用随土层深度的增加而减小;从随机森林模型土壤全氮预测图来看,不同土层深度土壤全氮含量均呈现西部、北部和中部低,西南、东南和东部高的空间格局,不确定性图显示随机森林模型预测土壤全氮含量分布具有较低的标准差;海拔对土壤全氮含量的影响最大,其他依次为:归一化植被指数>年平均降水量>年平均气温>y坐标>坡向。结果表明,随机森林模型可以作为有效预测该林场不同土层深度土壤全氮含量的方法。

土壤有机质和全氮水平与土壤碳排放的相关性及估算模型

【目的】探明土壤有机质和全氮对土壤碳排放的影响及分析估算碳排放模型的可行性,为土壤固碳减排和创建简单易行、普适性高的土壤碳排放评估方法提供参考。【方法】采用田间试验和模型拟合相结合的方法,以土壤有机质9 g/kg、全氮0.4 g/kg(5~6级肥力)为CK,研究不同土壤肥力水平有机质和全氮含量[OL:有机质41.0 g/kg、全氮2.1 g/kg(1级肥力);SL:有机质31.0 g/kg、全氮1.6 g/kg(2级肥力);TL:有机质21.0 g/kg、全氮1.1 g/kg(3级肥力);FOL:有机质11.0 g/kg、全氮0.8 g/kg(4级肥力);FIL:有机质9.0 g/kg、全氮0.6 g/kg(5级肥力)]对土壤碳排放的影响,并分析以有机质和全氮含量为因子拟合模型用于土壤碳排放量估算的准确性和适用性。【结果】土壤肥力水平为1级时,土壤碳排放量与有机质和全氮含量呈负相关关系;土壤肥力水平为2级时,土壤碳排放量达峰值,为4320.22 kg/hm^(2),较CK显著提高88.81%;当土壤肥力水平为3~6级时,土壤碳排放量与有机质和全氮含量呈正相关关系。【结论】土壤碳排放量与有机质和全氮水平有一定的相关性,土壤有机质含量(x)、全氮含量(y)与土壤碳排放量(CE)的拟合公式为CE=2221.37-263.15x+6174.45y,该模型的预测性和准确性良好,可根据土壤肥力水平分级用于区域土壤的碳排放量估算。

长期施用有机肥对土壤有机碳、全氮及腐殖质组分的影响

本研究基于山东莱阳43年长期定位施肥试验,共设置7个处理,分别为不施肥对照(CK)、低量有机肥(M1,施用量30 t/hm^(2))、低量有机肥与低量氮肥(施氮量138 kg/hm^(2))配施(M1N1)、低量有机肥与高量氮肥(施氮量276 kg/hm^(2))配施(M1N2)、高量有机肥(M2,施用量60 t/hm^(2))、高量有机肥与低量氮肥配施(M2N1)和高量有机肥与高量氮肥配施(M2N2),研究长期施用有机肥对土壤有机碳、全氮及腐殖质组分的影响。结果表明,施用有机肥显著提高各土层土壤有机碳和全氮含量,其中M2N2处理的提升效果最好,土壤有机碳、全氮含量较CK分别提高239.02%、293.02%(0~5 cm),256.01%、319.37%(5~10 cm),247.51%、349.00%(10~20 cm)和164.67%、348.88%(20~30 cm)。长期施用有机肥后,土壤水溶性物质、可提取腐殖物质、胡敏素和胡敏酸含量有所提高,但M1N1和M2N1处理显著降低10~20 cm土层土壤富里酸含量。本试验条件下,M2N2处理对提高土壤有机碳、全氮含量及腐殖质组分效果最好。

呼伦贝尔市典型黑土区土壤有机质与全氮含量关系研究

为更好地保护黑土地,对呼伦贝尔市典型黑土区2238个土壤样品的有机质和全氮含量进行统计与线性回归分析。研究表明,土壤总氮与有机碳含量呈正相关,土壤有机质与土壤中总氮的线性回归关系存在较大差异。

全自动凯氏定氮仪测定水系沉积物、土壤、岩石全氮含量方法的优化探索

本文通过改变硫酸钾(K_(2)SO_(4))和五水硫酸铜(CuSO4·5H2O)两个联合消化催化剂比例,以及消化催化剂加入量、辛醇滴入量和浓硫酸加入量等条件,探究KII60型全自动凯氏定氮仪在测定水系沉积物与土壤中全氮含量方法的优化以及对比。该方法得出在加入硫酸钾(K_(2)SO_(4))与五水硫酸铜(CuSO4·5H2O)质量比为9:1,加入浓硫酸量为6mL,辛醇最佳滴入量2滴为最佳条件。方法检出限低至25μg/g,相对标准偏差小于2.2%,相对误差小于0.65%,测定结果与传统方法无显著性差异。该方法简便、快捷、准确度高、精密度好,环境友好型,适用于水系沉积物、土壤和岩石中全氮含量的批量测定。

基于高光谱遥感的苹果树冠层叶片全氮量估测

快速准确获取大面积果园冠层叶片全氮含量(leaf nitrogen content,LNC)是实现现代精准农业的基本要求。通过无人机高光谱成像仪(391.9~1006.2 nm)采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率(OD)、倒数光谱(RT)、对数光谱(LF)和一阶微分光谱(FD),构建任意两个光谱波段集组合的差值光谱指数(difference spectral index,DSI)、土壤调节植被指数(soil adjusted vegetation index,SAVI)、归一化差值光谱指数(normalized different spectral index,NDSI),分析3种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。结果表明,人工灌溉区的FD-SAVI(825,536)、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R²和ERMSE分别为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和ERMSE分别为0.6746和0.0665。试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。

全自动凯氏定氮仪测定酱油中全氮的方法探讨

为提高实验室数据的准确性和工作效率,减少实验误差,本文使用石墨消解炉加全自动凯氏定氮仪代替人工消解、蒸馏和滴定的方法进行酱油中全氮的测定。结果表明,改进方法和国标法无显著性差异(P> 0.05)。改进方法的回收率为100.8%~106.2%,精密度为0.889%,均符合《实验室质量控制规范食品理化检测》(GB/T 27404—2008)的规定。改进方法可以在实验室中推广应用。

绿肥还田对辣椒产量及土壤有机质、全氮含量的影响试验

为给贵州省盘州市提高辣椒产量、改良土壤提供科学依据,设计1个常规施肥处理和3个“常规施肥+绿肥还田”处理,探究绿肥还田对辣椒产量及田间土壤有机质、全氮含量的影响。试验结果表明,“常规施肥+绿肥还田”处理下辣椒单株产量和667 m~2产量均有所增加;“常规施肥+绿肥还田”处理下土壤有机质、全氮含量降低,有效磷、速效钾含量及阳离子交换量增加;“常规施肥+绿肥还田”处理下辣椒植株全氮、全钾吸收量大于常规施肥处理,辣椒果实全氮、全磷、全钾吸收量小于常规施肥处理。综上可知,绿肥还田在增加辣椒产量、改善土壤有机质和全氮含量,以及促进植株全氮、全磷、全钾吸收方面具有积极作用。

凯氏定氮仪测定土壤全氮方法优化

土壤样品在加速剂的参与下,用浓硫酸消煮时,各种含氮有机化合物,经过复杂的高温分解反应,转化为铵态氮。碱化后蒸馏出来的氨用硼酸吸收,以酸标准溶液滴定,求出土壤全氮含量。通过方法优化是解决了人工滴定存在的人为误差、消解完全、操作简单、污染小。

凯氏蒸馏法测定土壤全氮的改进方法

采用凯氏蒸馏法对4种不同类型的土壤进行全氮测定,通过实验数据以比较不同的还原剂、催化剂和氧化剂对全氮的影响,发现以五水合硫代硫酸钠做还原剂,以K2SO4+CuSO_(4)+TiO_(2)做催化剂和以硫酸为氧化剂,具有操作简便、省时、无污染的优点。该方法对应不同类型土壤的加标回收率为88.9%~93.1%,标样样品测试相对误差为0%,标准偏差为8.1%~16.5%,检出限为14 mg/kg。

杜马斯燃烧法测定有机肥料中全氮含量的可行性研究

考察了杜马斯燃烧法和行业标准《有机肥料》(NY/T 525—2021)中的方法测定有机肥料中全氮含量的精密度和加标回收率。结果表明:NY/T 525—2021中的方法测得5个有机肥料样品的全氮质量分数为1.76%~3.83%,加标回收率为99.5%~101.0%;杜马斯燃烧法测得5个有机肥料样品的全氮质量分数为1.70%~3.84%,加标回收率为98.1%~104.7%;两种方法的相对标准偏差为0.18%~2.45%,均可满足有机肥料中全氮含量的测定要求。与NY/T 525—2021中的方法相比,杜马斯燃烧法具有操作便捷安全、自动化程度高、测定耗时短等特点。

多样化种植对土壤团聚体组成及其有机碳和全氮含量的影响

【目的】阐明东北黑土区禾本科与豆科作物多样化种植模式下土壤团聚体组成及其碳氮分布特征,为促进黑土地用养结合型种植制度优化提供理论依据与技术指导。【方法】田间试验于2016—2020年在中国农业科学院作物科学研究所公主岭试验站进行,设置玉米大豆间作(M/S)、玉米大豆轮作(M-S)、玉米花生间作(M/P)和玉米花生轮作(M-P)等多样化种植模式,以玉米连作(CM)常规种植模式为对照。2020年作物收获后采集0—20和20—40 cm土层土壤样品,分析多样化种植模式对土壤团聚体及其有机碳、全氮含量的影响。【结果】多样化种植有利于增加0—20和20—40 cm土层水稳性大团聚体(>0.25 mm)含量,降低黏粉粒(<0.053 mm)含量,4种多样化种植模式的土壤团聚体平均重量直径和平均几何直径均显著高于CM处理(P<0.05)。M/S和M-S处理0—20 cm土层>0.25 mm土壤团聚体比例分别比CM处理高17.6%和13.4%,M/S、M-S和M-P处理20—40 cm土层>0.25 mm土壤团聚体比例则分别比CM处理高10.4%、8.3%和10.5%。多样化种植增加了土壤大团聚体中有机碳和全氮含量,0—20 cm土层,M/S、M-S、M/P和M-P处理>2 mm土壤团聚体有机碳含量分别比CM处理高20.7%、24.3%、18.8%和17.8%;0—20 cm土层,M-S、M/P和M-P处理>2 mm土壤团聚体全氮含量分别比CM处理高13.0%、16.8%和14.8%。M-S和M/P处理0—20 cm土层>2 mm土壤团聚体有机碳和全氮对土壤总有机碳和全氮贡献率高于CM处理,而M/S和M-S处理<0.053 mm土壤团聚体有机碳和全氮对总有机碳和全氮的贡献率则低于CM处理。【结论】东北黑土区多样化种植提高了土壤大团聚体含量,降低了黏粉粒含量,增加了土壤团聚体稳定性及有机碳和全氮含量,有利于促进农田土壤碳氮固持。

基于离散小波的土壤全氮高光谱特征提取与反演

土壤全氮是重要的养分指标,利用高光谱技术研究并构建砂姜黑土全氮含量高光谱估测模型,为作物施肥及发展精确农业提供参考。尝试研究离散小波估测土壤全氮含量的可行性,以河南省商水县不同小麦氮肥处理为试验区,采集100份0~20 cm的砂姜黑土,土壤样本风干并经研磨过筛等处理后,在实验室暗室内采集光谱。利用含量梯度法,将总样本(100个砂姜黑土)划分为建模集75个和验证集25个。将原始光谱进行一阶导数变换,并对一阶导数光谱分别进行相关分析和离散小波变换,同时结合支持向量机和K邻近算法构建高光谱土壤全氮估测模型。系统分析了原始光谱和一阶导数光谱的单波段与土壤全氮的相关性,结果表明,经一阶导数变换后的光谱与土壤全氮有更好的相关性,在1373 nm处相关系数达到最高为0.84。利用离散小波算法对一阶导数光谱进行最佳母小波和分解层次选择,结果显示,经sym8函数分解的小波系数能较好的重构土壤全氮光谱信息,进一步基于分解层L_(1)—L_(11)的低频系数分别建立支持向量回归和K邻近回归土壤全氮含量估测模型,比较全部估测模型,以分解层L_(5)的低频系数结合K邻近构建的模型最优,建模决定系数为0.90,均方根偏差为0.09 g·kg^(-1),相对分析误差为3.78,验证决定系数为0.97,均方根偏差为0.05 g·kg^(-1),相对分析误差为4.30。同时与全波段和经相关分析后挑选出的敏感波段作为输入构建的模型进行比较,K邻近模型精度提高了3.2%和9%,支持向量机模型精度提高了6.7%和11.6%。研究结果表明一阶导数变换与离散小波技术可有效减少噪声影响,提高土壤全氮含量的估测精度,又实现了光谱数据降维,简化了模型复杂度,为砂浆黑土全氮含量的精确估测提供参考。

基于野外原位光谱的棉田耕层土壤全氮含量监测模型研究

针对可见光和近红外光穿透力不强、难以监测到耕层土壤全氮的问题,以石河子垦区播前棉田土壤为研究对象,获取3种不同土壤质地类型的原位光谱及不同耕层的土壤全氮含量信息,通过Savitzky-Golay平滑处理及最大归一化处理对土壤原位光谱进行预处理,并利用广义传播神经网络(GRNN)、随机森林回归(RFR)、支持向量机回归(SVR)、最小二乘回归等4种建模方法,建立和筛选出不同土壤质地类型的棉田耕层土壤含量的最佳监测模型。结果表明:(1)不同建模方法在各耕层监测精度不同,在浅、中、深耕层表现最佳的监测模型均为GRNN模型(R^(2)分别为0.72、0.68、0.63)。(2)优化后的NGRO-GRANN模型监测精度高于GRNN模型,在浅、中、深三个耕层的预测精度提高16.2%~30.2%。(3)基于原位光谱建立不同耕层的土壤全氮监测模型具有较好的监测效果,且大量简化了室内光谱处理的繁琐步骤。该研究为野外原位光谱快速获取棉田播前土壤各耕层养分信息提供了理论基础与技术支撑,具有一定的可行性与鲁棒性。

基于1D-CNN的土壤全氮近红外光谱预测模型

于江苏无锡采集410个土壤样品测定土壤全氮含量,并在室内进行土壤样品光谱检测,用均值中心化、标准正态变换和趋势校正对光谱进行预处理,再运用偏最小二乘回归(PLS)、反向传播(BP)神经网络和一维卷积神经网络(1D-CNN)方法建立土壤全氮含量的回归预测模型。同时,每种模型在采用不同预处理方法的数据集上做十折交叉验证,记录预测模型的决定系数(R^(2))和均方根误差(RMSE)的平均值,对比3种预处理方法对模型精度的影响。结果表明:本研究基于土壤近红外光谱数据构建的1D-CNN模型预测土壤全氮含量结果可靠。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的R^(2)分别为0.907、0.931、0.922、0.964,而PLS模型R^(2)分别为0.856、0.863、0.861、0.880,BP神经网络模型的R^(2)分别为0.874、0.907、0.901、0.911。1D-CNN模型在原始数据和经预处理的光谱数据上的表现均优于PLS和BP神经网络模型,对光谱数据进行预处理能够有效提高1D-CNN模型的性能,尤其是趋势校正对模型的提升效果最明显。因此,1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系,有效地避免过拟合,在未经过预处理的光谱数据上依然能够达到一定的精度。

化肥与有机肥配施对设施土壤团聚体稳定性及其有机碳、全氮含量的影响

为探究设施栽培条件下化肥与有机肥配施对0~20 cm土层土壤团聚体稳定性及其有机碳、全氮含量的影响。以设施栽培连续7年定位施肥田间试验为依托,选择4个施用化肥处理(N0PK、N1PK、N2PK和N3PK)和4个化肥与有机肥配施处理(N0PKM、N1PKM、N2PKM和N3PKM),其中,N0、N1、N2和N3氮用量分别为0、187.5、375.0和562.5 kg·hm-2,磷(P2O5)和钾(K2O)用量分别为225.0和450.0 kg·hm-2,有机肥(M)为75000kg·hm-2,研究单施化肥及化肥与有机肥配施土壤团聚体稳定性及其有机碳、全氮含量。结果显示,与单施化肥相比,化肥与有机肥配施显著提高了土壤有机碳和全氮含量(P<0.05),提高幅度分别为93.21%~119.13%和106.69%~139.42%,均以N2PKM处理提高幅度最大,但单施化肥和化肥与有机肥配施的有机碳、全氮含量受施用化学氮量的影响均不显著。化肥与有机肥配施可使土壤大团聚体(>0.25 mm)的比例上升,微团聚体(<0.25 mm)的比例下降,提高了土壤团聚体平均重量直径及其稳定性,其中N1PKM、N2PKM、N3PKM处理土壤团聚体稳定性提高显著(P<0.05)。化肥与有机肥配施提高了大和微团聚体的有机碳和全氮含量,其含量的增幅以>2 mm团聚体为最大(285.30%和470.83%),其次为0.25~2 mm团聚体(235.32%和267.25%)和0.053~0.25 mm团聚体(113.69%和130.54%),<0.053 mm团聚体为最小(35.13%和34.10%);土壤有机碳(全氮)含量与各粒级团聚体有机碳(全氮)含量关系密切(P<0.05),但0.25~2和0.053~0.25 mm团聚体是赋存有机碳(全氮)的主要粒级,也是土壤有机碳(全氮)提升的关键。设施栽培田间试验条件下,连续7年化肥与有机肥配施促进了土壤大、微团聚体的形成,提高了土壤团聚体的稳定性,同时也显著增加了大团聚体(>0.25 mm)有机碳和全氮含量,提高了土壤有机碳(氮)库。

基于Sentinel-2卫星影像的黑龙江绥化市土壤全氮定量遥感反演

为及时准确评估黑土区土壤全氮(soil total nitrogen,STN)含量的空间分布,以指导作物精准施肥和提高农作物产量,该研究基于绥化市实测STN数据和Sentinel-2卫星Level-2A遥感影像反射率,构建光谱指数结合环境变量的STN预测模型,包括随机森林(random forest,RF)、自适应增强(adaptive boosting,AdaBoost)、梯度提升(gradient boosting categorical features,CatBoost)等集成学习算法和多元逐步线性回归(simple linear regression,SLR)、支持向量机(support vector regression,SVR)、神经网络(back propagation neural network,BPNN)等监督学习算法,并考虑波段1~12遥感反射率、波段1~12遥感反射率联合光谱指数和环境变量作为算法输入变量的2种情景。结果表明:1)绥化市实测STN平均含量为1904.06 mg/kg,变异系数为17.93%;2)以波段1~12遥感反射率作为输入变量时,6种STN模型验证集拟合决定系数(coefficient of determination,R^(2))小于0.6,模型验证集决定系数精度由大到小顺序为:RF、CatBoost、AdaBoost、BPNN、SLR、SVR;3)结合波段1~12遥感反射率、光谱指数和环境变量优选方法,构建STN含量预测模型,模型验证集决定系数精度由大到小顺序为:RF、CatBoost、BPNN、AdaBoost、SLR、SVR,验证集模型决定系数精度提升幅度从大到小依次为RF、SVR、BPNN、AdaBoost、CatBoost、SLR,其中RF模型验证集决定系数预测精度提升最大,决定系数增加0.22,均方根误差(root mean square error,RMSE)降低了35.30 mg/kg;4)基于光谱指数和环境变量优选的机器学习算法具有强大的非线性拟合能力,RF能够更好地模拟STN与遥感光谱信息及地形因子之间复杂的多元非线性关系,并获得较高的实测和反演模型拟合结果;5)结合模型,绥化市STN的空间分布呈现东北高西南低、由北向南逐渐降低及中部略高的空间分布特点。研究结果为东北黑土区STN含量实时动态监测、土地肥力评价和农业可持续发展提供技术支持,为开展黑土地保护与利用及农田生态系统保护提供决策依据。

基于连续投影算法的土壤全氮和碱解氮含量高光谱估测

基于高光谱数据构建土壤全氮和碱解氮含量估测模型,为准确快速检测植烟土壤全氮和碱解氮含量提供新方法。以会东县和会理市植烟土壤为研究对象,利用高光谱成像获取土壤光谱反射率数据,应用连续投影算法(SPA)和相关分析法(CA)筛选特征波段,并分别采用全波段和特征波段构建偏最小二乘回归(PLSR)、岭回归(RR)和核岭回归(KRR)模型来估测土壤全氮和碱解氮含量。结果表明:(1)原始光谱经4种预处理方法处理后,建立的估测模型精度均有提高;其中经一阶导数(D1)组合标准正态分布(SNV)预处理后,使用全波段建立的全氮和碱解氮含量估测模型精度均较高。(2)SPA筛选出了10个土壤全氮特征波段,13个土壤碱解氮特征波段,分别占全波段数量的2.58%和1.98%。(3)原始光谱经D1-SNV预处理后,用SPA筛选特征波段构建的全氮和碱解氮含量KRR估测模型性能均较好;全氮估测模型验证集决定系数(R^(2))为0.87,均方根误差(RMSEV)为0.23,相对分析误差(RPD)为2.77;碱解氮估测模型验证集的R^(2)为0.91,RMSEV为14.15,RPD为3.39。运用SPA结合KRR构建的模型能较好地估测研究区土壤全氮和碱解氮含量,D1-SNV-SPA-KRR方法可实现该地区全氮和碱解氮含量的准确估测。