快速预测畜禽粪便肥料成分含量方法研究进展

介绍了3种快速预测畜禽粪便肥料成分含量的方法,包括比重计测定法、电导仪测定法以及近红外光谱分析法。其中比重计法是基于比重与干物质之间较好的相关性进行测量的,因此它是一种间接预测粪便中的总氮、总磷的方法;电导仪预测铵态氮和总钾含量的精度较高,其中猪、牛粪便稀释以后的相关系数高于稀释前的相关系数;近红外光谱分析法则可快速地预测总氮、铵态氮、硝态氮以及水分等含量,并且精度较高。因此,可以用比重计法、电导仪法以及近红外光谱法快速预测畜禽粪便中的肥料成分含量。

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示:归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。

基于光谱特征参数的温室番茄叶片叶绿素含量预测

为了快速、准确估测温室番茄叶片叶绿素含量,提升作物精细管理水平,利用光谱分析技术研究了温室番茄不同生长阶段叶绿素含量和响应光谱的相关性,在幼苗营养生长阶段叶片叶绿素含量呈增长趋势,到移植50天前后达到最大值,在此期间反射光谱的红边会向红外方向(长波)偏移,同时绿峰向蓝光(短波)方向偏移,绿峰幅值减小。从结果期开始叶绿素含量呈下降趋势,而红边、绿峰及绿峰幅值向相反方向变化。为了定量分析叶绿素含量和叶片反射光谱间的关系,从自定义的68个光谱特征参数中提取了7个能反映叶绿素含量变化的最优参量,并使用逐步回归、岭回归、主成分分量回归和偏最小二乘回归消除了最优参量的多重共线性,建立了叶绿素含量预测模型,其中岭回归模型精度最佳,均方根误差(RMSE)为0.406,决定系数(R2)为0.839。

基于反射光谱的温室黄瓜叶片磷素含量分析与预测

以温室栽培黄瓜作物为对象,分析了叶片反射光谱与叶片磷素含量之间的相关关系,并建立了预测模型。首先利用便携式光谱辐射仪测量了自然光照条件下温室黄瓜叶片的光谱反射率,并计算了反射率光谱的一次微分光谱。相关分析表明反射率光谱与叶片含P量之间具有一定的相关性,但线性相关不显著。利用微分光谱可以部分消除系统误差、背景噪声等的影响,明显提高了相关系数,但预测模型精度仍然达不到实用程度。在理论分析的基础上,选取978,920,737和458nm等4个波长作为特征波长,分别利用人工神经网络和支持向量机建立了黄瓜叶片P素含量对应于微分光谱特性的非线性预测模型,结果表明两种算法都获得了较好的预测效果,支持向量机模型的预测能力(Rv=0.754)优于人工神经网络模型(Rv=0.712)。

基于可见光光谱分析的土壤参数分析(英文)

利用光谱分析技术 ,进行了农田原始状态土壤样品的可见光光谱与土壤参数之间的相关、回归分析。土壤样品采集于一块水分较低的玉米地和一块水分较高的牧草地 ,所分析的土壤参数有土壤水分、土壤有机质含量、土壤硝态氮含量、土壤电导率以及土壤 p H值 ,土样的可见光光谱由精密分光光度计测量。分析结果显示 ,有效的光谱特性值为反射光谱的一次微分 ,所有 5个土壤参数都可以利用土样的可见光光谱特性进行分析和检测。对于土壤水分、土壤有机质含量、土壤电导率以及土壤 p H值 ,线性模型是有效的 ;而对于土壤硝态氮含量 ,则需要利用多元指数模型进行分析或检测。

基于不同物候期苹果树叶片光谱特征预测果实糖度

苹果糖度是评价苹果品质的重要指标。通过分析苹果开花期、新梢生长期、萌芽开花坐果期、新梢旺长期、花芽分化期和落叶期等6个重要的生理物候期果树叶片的光谱特征,并与最终采集到的对应位置的果实糖度信息进行二维相关运算,获得了果树叶片光谱信息中反映果实糖度的敏感谱段,构建了糖度敏感光谱,通过引入计算获得的不同物候期糖度贡献权重,最终构建了带权糖度敏感光谱,并基于该光谱进行了糖度预测。通过对不同物候期的二维相关分析获得了果实糖度敏感谱段（530~570 nm和700~720 nm）,经过主成分分析分别获得了不同生理物候期的果叶光谱主成分,利用不同物候期的主成分进行了果实糖度回归分析,量化了某单一时期果树生长对果实糖度的贡献比例,并获得了光合作用强度变化等重要信息。利用各物候期的糖度贡献权重对原始果叶糖度敏感光谱进行变换,最终获得带权果叶糖度敏感光谱,并基于该光谱进行了果实糖度预测。分别建立了基于主成分分析的多元线性回归模型以及基于参数优化的支持向量机回归预测模型,结果显示,利用参数优化的支持向量机回归模型获得了较高的糖度预测精度。其测定系数Rc2为0.9202,RMSEC=0.3892 Brix,预测Rv2达到0.9443,均方根误差是0.5246 Brix。利用不同物候期果叶光谱预测苹果糖度的研究结果进一步揭示了果实糖度的积累过程。