基于光譜分析和數(shù)字圖像處理技術(shù)的土壤信息檢測研究.pdf

1、精細(xì)農(nóng)業(yè)是當(dāng)代信息技術(shù)與傳統(tǒng)農(nóng)業(yè)技術(shù)相結(jié)合的產(chǎn)物,能夠減少農(nóng)業(yè)生產(chǎn)污染和浪費(fèi),降低耕作成本,提高產(chǎn)量和品質(zhì),是未來農(nóng)業(yè)發(fā)展的主要方向.土壤信息的采集與監(jiān)測是精細(xì)農(nóng)業(yè)一個重要的環(huán)節(jié),如何快速,準(zhǔn)確地檢測土壤信息是是精細(xì)農(nóng)業(yè)領(lǐng)域的一個難題,也是當(dāng)前學(xué)界研究的熱點(diǎn)問題.
　　 本論文針對目前國內(nèi)外在土壤信息快速檢測技術(shù)上存在的一些問題和不足,利用遙感光譜技術(shù)和數(shù)字圖像處理技術(shù)對土壤有機(jī)質(zhì)含量和水分含量的快速檢測進(jìn)行了研究,主要研究內(nèi)容

2、和成果如下:
　　 1、研究不同預(yù)處理方法對光譜模型檢測土壤有機(jī)質(zhì)含量精度的影響。分別采用不同的預(yù)處理方法處理光譜信號,然后分別建立全光譜波段(350～2500nm)的PLS模型,通過模型的預(yù)測檢驗(yàn)結(jié)果發(fā)現(xiàn):平滑法一般能夠較好地提高全波段光譜PLS模型對土壤有機(jī)質(zhì)含量的分析精度,其中SavitzkyGolay3點(diǎn)平滑法(SavitzkyGolaySmoothing,3)的處理效果最佳,模型預(yù)測相關(guān)系數(shù)R達(dá)到0.8694,預(yù)測均方

3、根誤差RMSEP僅為0.2558.
　　 2.研究了非線性模型“最小二乘支持向量機(jī)模型(LSSVM)”,和“BP神經(jīng)網(wǎng)絡(luò)模型(BPANN)”在土壤有機(jī)質(zhì)光譜檢測中的應(yīng)用。利用波長范圍為350～2500nm的原始光譜數(shù)據(jù),經(jīng)過PCA壓縮后分別建立LSSVM和BPANN模型,經(jīng)過預(yù)測檢驗(yàn),LSSVM模型的預(yù)測相關(guān)系數(shù)R為0.8544,RMSEP為0.2657;BPANN模型的預(yù)測相關(guān)系數(shù)R為0.8829,RMSEP為0.2618.而

4、使用相同數(shù)據(jù)建立的PLS模型,其預(yù)測相關(guān)系數(shù)R為0.8373,RMSEP為0.2905.通過比較三個模型的檢測結(jié)果,發(fā)現(xiàn)對于土壤有機(jī)質(zhì)含量的預(yù)測,三種模型的預(yù)測精度依次為BPANN>LSSVM>PLS.
　　 3、研究了數(shù)字圖像處理技術(shù)在檢測土壤有機(jī)質(zhì)含量中的應(yīng)用.通過數(shù)字圖像處理技術(shù)分別提取綠光(500nm)、紅光(650nm)和近紅外(800nm)三個通道圖像中土壤圖像的平均灰度值,然后分別建立線性PLS模型和非線性LSSV

5、M模型。經(jīng)過預(yù)測檢驗(yàn),PLS模型的預(yù)測相關(guān)系數(shù)R為0.7692,RMSEP為0.3316;LSSVM模型的預(yù)測相關(guān)系數(shù)R為0.7792,RMSEP為0.3163.
　　 4、研究了數(shù)字圖像處理技術(shù)在檢測“理想土壤”水分含量中的應(yīng)用.人工制備不同水分含量的“理想土壤”樣本,通過圖像處理技術(shù)分別提取三個通道圖像中土壤圖像的平均灰度值,然后分別建立線性PLS模型和非線性LSSVM模型,模型預(yù)測檢驗(yàn)的效果理想,PLS模型的預(yù)測相關(guān)系數(shù)R