本文主要分析了土壤質(zhì)地和土壤水分對(duì)近紅外(Near Infrared Reflectance,NIR)土壤有機(jī)質(zhì)(SOM)檢測(cè)的影響,重點(diǎn)分析了土壤水分對(duì)SOM檢測(cè)的影響。主要研究如下:1、對(duì)比分析砂土、壤土、黏土三種不同質(zhì)地土壤的光譜特性,結(jié)果表明不同質(zhì)地土壤的吸光度值不同,其中以砂土的吸光度值最大,黏土次之,壤土最小。且吸收峰的高度和寬度隨質(zhì)地不同有所變化。2、使用支持向量機(jī)(SVM)對(duì)不同質(zhì)地土壤進(jìn)行分類建模預(yù)測(cè),結(jié)果得出SVM的分類精度達(dá)到91.67%,而且土壤質(zhì)地的分類預(yù)測(cè)可以提高土壤有機(jī)質(zhì)的預(yù)測(cè)精度。3、在山西省境內(nèi)采集關(guān)帝山、中陽(yáng)、方山、寧武、婁煩、太谷6個(gè)不同地方的50個(gè)土壤樣本作為研究對(duì)象,在實(shí)驗(yàn)室經(jīng)自然風(fēng)干、過(guò)篩處理后,配制4%、8%、12%和16%四種含水率土樣,隨機(jī)選取41個(gè)干土樣本作為建模樣本,預(yù)測(cè)樣本為不同含水率下(4%、8%、12%、16%和干土)的9個(gè)樣本組成的預(yù)測(cè)集,分析土壤水分對(duì)近紅外光譜檢測(cè)的影響,結(jié)果表明預(yù)測(cè)相關(guān)系數(shù)(R)為0.569,預(yù)測(cè)標(biāo)準(zhǔn)誤差(SEP)為0.835,和預(yù)測(cè)均方根誤差(RMSEP)為0.898,模型效果不理想,說(shuō)明土壤的吸光度光譜圖中存在水分的吸收效應(yīng),干擾了模型的預(yù)測(cè)精度。4、為了降低水分對(duì)土壤有機(jī)質(zhì)預(yù)測(cè)的干擾,利用水分敏感波段2210nm,1415nm和1929nm建立了水分修正系數(shù)MDI,使用MDI對(duì)不同含水率光譜進(jìn)行校正,為了驗(yàn)證水分修正系數(shù)MDI的效果,選取同一批預(yù)測(cè)樣本對(duì)比和分析了經(jīng)過(guò)水分校正處理的不同含水率近紅外光譜曲線圖及模型預(yù)測(cè)結(jié)果。得出以下結(jié)論(1)經(jīng)過(guò)水分系數(shù)校正后的等效干土光譜吸光度圖明顯低于未經(jīng)校正處理的濕土光譜圖,而且與原始干土樣本光譜圖比較接近。(2)使用所建干土有機(jī)質(zhì)反演模型,預(yù)測(cè)經(jīng)MDI校正后的由不同含水率組成的預(yù)測(cè)樣本,得到預(yù)測(cè)相關(guān)系數(shù)(R)為0.783,預(yù)測(cè)標(biāo)準(zhǔn)誤差(SEP)為0.505,和預(yù)測(cè)均方根誤差(RMSEP)為0.558�？梢钥闯鼋�(jīng)水分修正系數(shù)MDI校正后的預(yù)測(cè)樣本統(tǒng)計(jì)參數(shù)明顯優(yōu)于未經(jīng)校正處理的預(yù)測(cè)效果,相關(guān)系數(shù)R值上升了 0.214,預(yù)測(cè)標(biāo)準(zhǔn)誤差SEP值降低了 0.33,預(yù)測(cè)均方根誤差RMSEP的值降低了 0.34。這表明,本研究提出的水分修正系數(shù)算法可以降低水分對(duì)土壤樣品吸光度光譜中的干擾,通過(guò)建立等效干土光譜可以降低水分影響,提高土壤有機(jī)質(zhì)預(yù)測(cè)模型在不同含水率土壤樣本下的適用5、使用直接標(biāo)準(zhǔn)化(D S)算法降低由土壤水分引起的測(cè)試條件導(dǎo)致的土壤有機(jī)質(zhì)預(yù)測(cè)模型的傳遞問(wèn)題,選取同一批樣本對(duì)比和分析了經(jīng)過(guò)DS算法校正處理的不同含水率近紅外光譜曲線圖及模型預(yù)測(cè)結(jié)果。得出以下結(jié)論(1)經(jīng)過(guò)DS算法校正后的等效干土光譜吸光度圖明顯低于未經(jīng)校正處理的濕土光譜圖,而且與原始干土樣本光譜圖比較接近(2)使用所建干土有機(jī)質(zhì)反演模型,預(yù)測(cè)經(jīng)DS算法校正前后的由不同含水率組成的預(yù)測(cè)樣本,得到預(yù)測(cè)相關(guān)系數(shù)(R)為0.628,預(yù)測(cè)標(biāo)準(zhǔn)誤差(SEP)為0.683,和預(yù)測(cè)均方根誤差(RMSEP)為0.691。可以看出經(jīng)DS算法校正后的預(yù)測(cè)樣本統(tǒng)計(jì)參數(shù)明顯優(yōu)于未經(jīng)校正處理的預(yù)測(cè)效果,相關(guān)系數(shù)R值上升了 0.059,預(yù)測(cè)標(biāo)準(zhǔn)誤差SEP值降低了 0.152,預(yù)測(cè)均方根誤差RMSEP的值降低了 0.207。這表明,DS算法可以降低水分對(duì)土壤樣品吸光度光譜中的干擾,提高土壤有機(jī)質(zhì)預(yù)測(cè)模型在不同含水率土壤樣本下的適用性。6、基于水分修正系數(shù)法和DS模型傳遞算法,所建立的不同含水率土壤有機(jī)質(zhì)預(yù)測(cè)模型中,水分修正系數(shù)的模型預(yù)測(cè)效果相對(duì)比較好。
【學(xué)位單位】：山西農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：S153.6
【部分圖文】：

圖３Ｈ不同質(zhì)地土壤吸光度光譜??Ｆｉｇ?３－１?Ｄｉｆｆｅｒｅｎｔ?ｔｅｘｔｕｒｅ?ｏｆ?ｓｏｉｌ?ａｂｓｏｒｂａｎｃｅ?ｓｐｅｃｔｒａ??從圖３－１中可以清楚的看到在可見(jiàn)光區(qū)（３８０？７８０?ｎｍ）?３種質(zhì)地土壤的光譜曲線重??疊嚴(yán)重，無(wú)法從光譜丨丨丨１線中分辨出土壤類型。相比較近紅外區(qū)尤其是從１０００?ｎｍ開(kāi)始，??不同質(zhì)地土壤的吸光度值明顯＋?Ｎ，其中以砂土的吸光值最大，黏土次之，壤土最小。??此外它們?cè)谡麄�(gè)波段范圍都具有相同的變化趨勢(shì)，都在１４００，?１６６０，１９００和２２００?ｎｍ??附近出現(xiàn)吸收峰，其中在１４００，?１９００，?２２００?ｎｍ波段的吸收峰分別是由分層間水（Ｈ２０）、??輕基（一ＯＨ），與羥基組合的Ａ１－ＯＨ和Ｍｇ－ＯＨ引起的，１６６０ｎｍ波段是由土壤有機(jī)??質(zhì)引起的［５２】，其吸收峰的高度和寬度隨Ｌ：壤質(zhì)地的不同有所變化，可用于土壤ＳＶＭ分??類預(yù)測(cè)分析。??３．４基于ＳＶＭ不同土壤質(zhì)地分類??宋海燕使用近紅外光譜技術(shù)進(jìn)行不同質(zhì)地土壤有機(jī)質(zhì)預(yù)測(cè)的研究，使用砂土和黏??土、壤土和黏土、砂土和壤土分別建立校正模型

測(cè)試集的預(yù)測(cè)正確率達(dá)到９１．６７％。表明ＳＶＭ應(yīng)用在土壤分類預(yù)測(cè)準(zhǔn)確性較高，??可以利用ＳＶＭ模型進(jìn)行土壤屬性？＾則。為了直觀的觀察結(jié)果，這里給出測(cè)試集預(yù)測(cè)結(jié)??果直觀圖３－２。??Ｉ?ｐｉ？?ｊ?ｇｄｉｔ?Ｉｎｓｅｒｔ?ｊｆｏｏｋ?Ｑｅｓｔｃｔｏｐ?Ｗｉｎｄｏｗ?ｆｃｊｅｌｐ??＾?＾?？?＞＊３．?□?＠?＾?＾??渕試ＪＪＳＳＶＭｆＪｉ測(cè)結(jié)果對(duì)比＜ＲＢＦ核函婦＞??ａｃｃｕｒａｃｙ＝９１?６６６７?＇％??３｜?—－．－Ｇ？－?ｒ—?．?．?

３．５基于ＳＶＭ壤土有機(jī)質(zhì)含量預(yù)測(cè)??吸光度值是在波長(zhǎng)范圍為３５０？２５００范圍內(nèi)測(cè)得，低波段所測(cè)得的吸光度值太過(guò)敏??感，可能會(huì)受到其他因素的影響，無(wú)法從光譜曲線中分辨出土壤類型。從圖３－３分析可??得，相比較近紅外區(qū)從１０００?ｎｍ開(kāi)始，不同質(zhì)地土壤的吸光度值明顯不同，可用于ＳＶＭ??建模分析。所以本文將低波段所得到的吸光度值踢出，只留波長(zhǎng)范圍在１１００？２５００所??測(cè)得的吸光度值用于ＳＶＭ建模分析。由于實(shí)驗(yàn)中所測(cè)得的原始數(shù)據(jù)，數(shù)據(jù)量比較龐大，??為了更方便的實(shí)現(xiàn)樣本預(yù)測(cè)的準(zhǔn)確度，本文對(duì)所測(cè)得的原始數(shù)椐進(jìn)行歸？化處理，歸一??化通常有兩種選擇，一種是歸一化到（－１，１），另－種是歸一化到（０，１）。這串．將數(shù)據(jù)??歸一化到（０，１），其采用如下公式：??ｘ；?＝?Ａ／￣Ｘｍｉｎ?（３－１）??■＾ｍａｘ?＾ｍｉｎ??根據(jù)對(duì)股始數(shù)則的觀察比較，發(fā)現(xiàn)１５６個(gè)樣本中有三個(gè)樣本所測(cè)得的冇機(jī)質(zhì)含量和??其他樣本有明顯差距
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃翔;蔡海榮;施思;;術(shù)前NIR比值對(duì)非肌層浸潤(rùn)性膀胱癌術(shù)后的預(yù)后評(píng)估價(jià)值[J];中國(guó)現(xiàn)代醫(yī)生;2017年01期

2 汪正宇;邱廣仁;趙向陽(yáng);;利用NIR技術(shù)建立洛伐他汀膠囊一致性比對(duì)模型的研究[J];北方藥學(xué);2016年10期

3 桑育黎;郭方巖;王宇;趙月;張霞;汪棲;劉玉亭;趙國(guó)慶;;NIR法對(duì)六味地黃丸中山茱萸非藥用部位的快速檢測(cè)研究[J];遼寧大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年03期

4 汪正宇;;基于NIR法雷公藤多甙片快檢方法的研究[J];中國(guó)現(xiàn)代醫(yī)生;2013年31期

5 石磊;王旭峰;鄧丹雯;耿響;;近紅外光譜分析技術(shù)(NIR)的研究現(xiàn)狀及其在飼料檢測(cè)中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2012年21期

6 宋瑞麗;龔海燕;張雨;張曉霞;張衛(wèi);;NIR技術(shù)在黃芩配方顆�？焖勹b別中的應(yīng)用[J];科技展望;2016年03期

7 陳曉峰;龍長(zhǎng)江;牛智有;朱凱;;基于潛在語(yǔ)義分析與NIR的中藥材分類研究[J];光學(xué)學(xué)報(bào);2014年09期

8 尹創(chuàng);;利用NIR技術(shù)建立靈芝膠囊一致性比對(duì)模型的研究[J];黑龍江醫(yī)藥;2014年04期

9 吳龍國(guó);何建國(guó);劉貴珊;賀曉光;王偉;王松磊;李丹;;基于NIR高光譜成像技術(shù)的長(zhǎng)棗蟲(chóng)眼無(wú)損檢測(cè)[J];發(fā)光學(xué)報(bào);2013年11期

10 金垚;李棟;智秀娟;;奶粉中三聚氰胺含量的NIR檢測(cè)技術(shù)[J];北京農(nóng)學(xué)院學(xué)報(bào);2015年01期

相關(guān)博士學(xué)位論文 前4條

1 石曉艷;甜菜亞硝酸還原酶（NiR）基因的克隆及其表達(dá)分析[D];東北農(nóng)業(yè)大學(xué);2011年

2 全智慧;NIR分析技術(shù)在制川烏配方顆粒制備過(guò)程中的應(yīng)用研究[D];廣州中醫(yī)藥大學(xué);2013年

3 智秀娟;苦蕎功能成分的研究及NIR技術(shù)在蕎麥制品防偽中的應(yīng)用[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

4 吳志生;中藥過(guò)程分析中NIR技術(shù)的基本理論和方法研究[D];北京中醫(yī)藥大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 胡曉艷;水分和質(zhì)地對(duì)土壤有機(jī)質(zhì)NIR特性的影響及抗干擾模型的建立[D];山西農(nóng)業(yè)大學(xué);2018年

2 李有志;三倍體毛白楊NIR預(yù)測(cè)及制漿造紙性能評(píng)估[D];北京林業(yè)大學(xué);2011年

3 張賀龍;基于小波變換的NIR漫反射光譜信號(hào)的處理方法研究[D];長(zhǎng)春理工大學(xué);2011年

4 王聰;基于相思樹(shù)NIR數(shù)據(jù)理論模型的軟件設(shè)計(jì)[D];北京林業(yè)大學(xué);2011年

5 高尚;基于NIR技術(shù)的面粉中偶氮甲酰胺含量檢測(cè)技術(shù)研究[D];黑龍江大學(xué);2016年

6 郝江波;金銀花與山銀花藥材的NIR快速檢測(cè)及其品質(zhì)評(píng)價(jià)研究[D];北京中醫(yī)藥大學(xué);2014年

7 唐志國(guó);近紅外（NIR）光譜法測(cè)定果凍中甜蜜素的研究[D];江蘇大學(xué);2007年

8 刁志偉;甜菜NR與NiR的偶聯(lián)作用及其對(duì)氮素同化的調(diào)控[D];東北農(nóng)業(yè)大學(xué);2013年

9 杜婧;基于NIR技術(shù)的PET/PVC廢舊塑料分離系統(tǒng)設(shè)計(jì)[D];浙江大學(xué);2011年

10 許奕翔;NIR在食品檢驗(yàn)及油品分析中的應(yīng)用研究[D];福州大學(xué);2014年

本文編號(hào)：2864216