«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第46卷

期数:

2018年第15期

页码:

287-291

栏目:

资源与环境

出版日期:

2018-08-05

文章信息/Info

Title:

Comparative study on estimation model of total nitrogen content in mountainous red soil based on hyperspectral data

作者:

孙小香;  赵小敏;  谢文

江西农业大学林学院/江西省鄱阳湖流域农业资源与生态重点实验室，江西南昌 330045

Author(s):

Sun Xiaoxiang; et al

关键词:

全氮含量; 高光谱; 山地红壤; 估测模型

Keywords:

-

分类号:

S155.2⁺5；S153.6⁺1

DOI:

-

文献标志码:

A

摘要:

土壤氮的缺乏是限制植物生长的首要因素，快速准确地估测土壤氮的含量对于判断植物生长状况以及评价土地质量等具有重要的意义。以江西省庐山地区的山地红壤为研究对象，采用全波段原始光谱结合偏最小二乘回归(PLSR)、BP神经网络(BPNN)和支持向量机(SVM)3种建模方法，构建不同的山地红壤全氮含量高光谱估算模型，对比模型精度值，筛选最优估测模型。结果表明，基于SVM构建的土壤全氮含量估算模型具有较高的精度，其实测全氮含量与预测全氮含量的验证决定系数(R_V²)、均方根误差(RMSE_V)和相对分析误差(RPD)分别为0.76、0.41 g/kg和2.07；其次为基于BPNN构建的土壤全氮含量估算模型，其实测全氮含量与预测全氮含量的R_V²、RMSE_V和RPD分别为0.76、0.43 g/kg和1.97；而基于PLSR构建的土壤全氮含量估算模型精度较差，其实测全氮含量与预测全氮含量的R_V²、RMSE_V和RPD分别为0.67、0.51 g/kg和1.66。比较而言，基于SVM构建的土壤全氮含量估算模型精度最高，可以较精确地估测庐山山地红壤全氮含量，基于BPNN和PLSR构建的估测模型预测效果较SVM差，但也可以用来粗略估测庐山山地红壤的全氮含量。

Abstract:

-

参考文献/References:

［1］焦雯珺，闵庆文，林焜，等. 植物氮素营养诊断的进展与展望［J］. 中国农学通报，2006，22(12)：351-355.
［2］Hummel J W，Sudduth K A，Hollinger S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor［J］. Computers and Electronics in Agriculture，2001，32(2)：149-165.
［3］彭玉魁，张建新，何绪生，等. 土壤水分、有机质和总氮含量的近红外光谱分析研究［J］. 土壤学报，1998，35(4)：553-559.
［4］张娟娟，田永超，姚霞，等. 基于高光谱的土壤全氮含量估测［J］. 自然资源学报，2011，26(5)：881-890.
［5］卢艳丽，白由路，王磊，等. 黑土土壤中全氮含量的高光谱预测分析［J］. 农业工程学报，2010，26(1)：256-261.
［6］吴明珠，李小梅，沙晋明. 亚热带红壤全氮的高光谱响应和反演特征研究［J］. 光谱学与光谱分析，2013，33(11)：3111-3115.
［7］Chang C W，Laird D A. Near-infrared reflectance spectroscopic analysis of soil C and N［J］. Soil Science，2002，167(2)：110-116.
［8］王一丁，赵铭钦，刘鹏飞，等. 基于高光谱分析的植烟土壤有机质和全氮含量预测研究［J］. 中国烟草学报，2016，22(3)：44-51.
［9］郑立华，李民赞，潘娈，等. 基于近红外光谱技术的土壤参数BP神经网络预测［J］. 光谱学与光谱分析，2008，28(5)：1160-1164.
［10］杨扬. 三江源区土壤全氮、全碳和碳氮比的高光谱反演［D］. 西宁：青海师范大学，2014.
［11］郑立华，李民赞，安晓飞，等. 基于近红外光谱和支持向量机的土壤参数预测［J］. 农业工程学报，2010，26(增刊2)：81-87.
［12］陈颂超，冯来磊，李硕，等. 基于局部加权回归的土壤全氮含量可见-近红外光谱反演［J］. 土壤学报，2015，52(2)：312-320.
［13］张强. 不同质地土壤养分含量的光谱估测研究［D］. 石河子：石河子大学，2016.
［14］Rao C R，Toutenburg H. Linear models［M］. New York：Springer，1995：67-71.
［15］Wold S，Ruhe A，Wold H，et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses［J］. SIAM Journal on Scientific and Statistical Computing，1984，5(3)：735-743.
［16］陈长生，徐勇勇，赵东涛. 医学重复观测数据裂区方差分析的假定条件的检验［J］. 第四军医大学学报，2001，22(7)：642-644.
［17］曹旭帆，叶舟，万俊，等. 基于BP神经网络的函数逼近实验及MATLAB实现［J］. 实验室研究与探索，2008，27(5)：34-38.
［18］丁世飞，齐丙娟，谭红艳. 支持向量机理论与算法研究综述［J］. 电子科技大学学报，2011，40(1)：2-10.
［19］赖宁，李新国，梁东. 开都河流域下游绿洲盐渍化土壤高光谱特征［J］. 干旱区资源与环境，2015，29(2)：151-156.
［20］吴明珠，李小梅，沙晋明. 亚热带土壤铬元素的高光谱响应和反演模型［J］. 光谱学与光谱分析，2014，34(6)：1660-1666.
［21］张佳佳，郭熙，赵小敏. 南方丘陵稻田土壤全磷、有效磷高光谱特征与反演模型［J］. 江苏农业科学，2016，44(7)：522-525.
［22］韩兆迎，朱西存，刘庆，等. 黄河三角洲土壤有机质含量的高光谱反演［J］. 植物营养与肥料学报，2014，20(6)：1545-1552.
［23］徐永明，蔺启忠，王璐，等. 基于高分辨率反射光谱的土壤营养元素估算模型［J］. 土壤学报，2006，43(5)：709-716.
［24］沈润平，丁国香，魏国栓，等. 基于人工神经网络的土壤有机质含量高光谱反演［J］. 土壤学报，2009，46(3)：391-397.
［25］崔东文. 多隐层BP神经网络模型在径流预测中的应用［J］. 水文，2013，33(1)：68-73.
［26］王定成，方廷健，唐毅，等. 支持向量机回归理论与控制的综述［J］. 模式识别与人工智能，2003，16(2)：192-197.

相似文献/References:

[1]王有宁,赵丽艳,章爱群,等.花生高光谱叶片营养诊断研究[J].江苏农业科学,2014,42(12):129.
　Wang Youning,et al.Study on nutrition diagnosis of peanut leaves based on hyperspectral data[J].Jiangsu Agricultural Sciences,2014,42(15):129.
[2]杨粉团,顾晓鹤,李刚,等.吐丝期玉米倒伏后地面高光谱特征参数分析[J].江苏农业科学,2016,44(03):85.
　Yang Fentuan,et al.Analysis of hyper-spectral characteristic parameters of lodging corn at silking stage[J].Jiangsu Agricultural Sciences,2016,44(15):85.
[3]孙俊,金夏明,毛罕平,等.基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别研究[J].江苏农业科学,2014,42(05):227.
　Sun Jun,et al.Study on detection of hyperspectral data of lettuce leaves with pesticide residue based on supervised feature extraction method[J].Jiangsu Agricultural Sciences,2014,42(15):227.
[4]赵文,刘国顺,贾方方,等.烤烟烟碱含量的高光谱预测模型[J].江苏农业科学,2014,42(03):275.
　Zhao Wen,et al.Hyperspectral prediction model of nicotine content in flue-cured tobacco[J].Jiangsu Agricultural Sciences,2014,42(15):275.
[5]田敏,周杰,张泽,等.基于高光谱植被指数对棉花叶绿素含量的估算[J].江苏农业科学,2017,45(02):216.
　Tian Min,et al.Estimation of cotton chlorophyll contents based on hyperspectral vegetation index[J].Jiangsu Agricultural Sciences,2017,45(15):216.
[6]喻俊,李晓敏,张权,等.基于实测高光谱数据的太湖湖滨带典型植被分类[J].江苏农业科学,2017,45(05):240.
　Yu Jun,et al.Classification of typical vegetation zones of Taihu Lake based on measured hyperspectral data[J].Jiangsu Agricultural Sciences,2017,45(15):240.
[7]杨荣超,田海清,李斐,等.基于甜菜冠层高光谱红边参数的SPAD值诊断[J].江苏农业科学,2017,45(11):153.
　Yang Rongchao,et al.SPAD value diagnosis based on red edge parameters of sugarbeet canopy hyperspectral[J].Jiangsu Agricultural Sciences,2017,45(15):153.
[8]张城芳,董恒.基于高光谱数据的作物净初级生产力估算方法[J].江苏农业科学,2017,45(22):260.
　Zhang Chengfang,et al.Estimation method of crop net primary productivity based on hyperspectral data[J].Jiangsu Agricultural Sciences,2017,45(15):260.
[9]李珣,吕小红.施氮处理对不同株型水稻品种土壤全氮含量及相关酶活性的影响[J].江苏农业科学,2017,45(23):55.
　Li Xun,et al.Effects of nitrogen treatments on nitrogen content in soil and related enzyme activity of different rice varieties[J].Jiangsu Agricultural Sciences,2017,45(15):55.
[10]向佳琳,姚鑫锋,刘倩,等.基于高光谱的温室网纹甜瓜不同叶位叶片含水率监测[J].江苏农业科学,2018,46(04):105.
　Xiang Jialin,et al.Hyperspectral monitoring of leaf water content in different leaf position of muskmelon in greenhouse[J].Jiangsu Agricultural Sciences,2018,46(15):105.

备注/Memo

备注/Memo:

收稿日期：2017-03-03
基金项目：国家自然科学基金(编号：41361049)；土壤与农业可持续发展国家重点实验室(中国科学院南京土壤研究所)项目(编号：0812201202)。
作者简介：孙小香(1994—)，女，江西丰城人，硕士研究生，主要从事土壤遥感研究。E-mail：1468621020@qq.com。
通信作者：赵小敏，博士，教授，博士生导师，主要从事土壤遥感研究。E-mail：zhaoxm889@126.com。

常用功能

更新日期/Last Update: 2018-08-05