论文部分内容阅读
氮(N)是维持果树生长必需的营养元素和评价园地肥力的重要指标之一,土壤氮素含量的多寡直接影响果树的生长发育和果实的品质。统计资料表明,我国氮肥单位面积施用量约是美国的2.5倍,果农为了增加产量盲目施肥,不仅导致氮肥利用率低、资源浪费,还造成土地和水污染,影响了园地的可持续利用。因此,及时准确地监测果园土壤中氮素的含量水平对果园科学施肥和园地质量精准管理具有重要意义。传统的采样化验分析方法会在一定程度上损坏果树根系,且化验成本高、时间长,在果园管理中的应用受到很大限制。土壤理化性质的光谱估测技术发展为果园土壤监测和管理带来了新途径,对土壤全氮(Total Nitrogen,TN)的光谱估测也取得不少成果。但苹果园多分布于山地丘陵区,受地理、气候及土壤质地等因素的影响,果园土壤含氮量较低,光谱信号弱,易被干扰或掩盖,有效光谱信息较难获取。针对这些问题,本研究以山东省济南市长清区双泉镇一苹果园地为实验区,分别在果园幼果期、膨果期、品质期和月子期四个施肥期前10天采集土壤样品并测定土壤TN含量,利用ASD FieldSpec3地物光谱仪采集土壤样品的室外光谱数据,分析不同施肥采样期土壤TN光谱特征,对土壤反射率R进行1/R、LogR、R、(R)′、(1/R)′、(LogR)′、(R)′、CR共8种光谱变换和连续小波变换处理,并进行了基于全波段范围的光谱特征参数筛选,采用相关系数法和逐步回归分析(SMLR)法提取土壤TN的光谱特征波段,分别基于多元线性回归(MLR)和思维进化算法优化的BP神经网络(MEA-BP)方法构建光谱估测模型,并优选果园土壤TN的光谱估测流程。主要结果如下:(1)确定了苹果园地土壤TN的特征谱段范围基于不同施肥期的光谱数据,对土壤原始光谱R及其8种变换形式,分别采用相关系数法和多元逐步回归(SMLR)法进行土壤TN含量特征波段的筛选,总体来看土壤TN的光谱敏感区主要集中于500-900nm、1400-1500nm、1900-1950nm和2200-2400nm波段范围,其中全施肥期光谱数据中562nm、706nm、808nm、1933nm和2345nm波段受土壤TN含量的影响较为显著;幼果期541nm、808nm、1423nm、1462nm和2423nm波段受影响显著;膨果期554nm、812nm、1931nm和2301nm波段受影响显著;品质期556nm、826nm、2041nm、2313nm和2450nm波段受影响显著;月子期562nm、809nm、858nm、1912nm和2269nm波段受影响显著。(2)确立了苹果园地土壤特征光谱指数的筛选方法选取RSI、DI和NDSI三种常见的光谱指数,采用矩阵全波段两两组合方式,计算土壤原始光谱反射400-2450nm波段范围内所有光谱指数与土壤TN含量的相关性,确定了光谱指数的土壤TN含量敏感区不因采样期时间的不同发生大的变化,其中比值光谱指数(RSI)的敏感区域位于800-900nm、1900-1950nm和2200-2300nm波段范围内,差值光谱指数(DI)和归一化光谱参数(NDSI)的敏感区域均位于1900-1950nm和2200-2300nm波段范围内。(3)确定土壤TN含量特征谱段的筛选方式和光谱指数修正模型的建模效果针对不同施肥期,基于特征波段和特征光谱指数,构建土壤TN含量的MLR和MEA-BP神经网络估测模型,确定基于SMLR方法筛选的特征波段构建的模型预测效果较好,光谱指数的加入能够进一步提高模型的建模精度,其中幼果期、膨果期、品质期、月子期和全年统一的土壤TN含量最佳估测模型均为CR-SCI-MEA-BP神经网络模型。(4)引入连续小波变换构建果园不同施肥期独立和统一的土壤TN光谱估测模型基于土壤原始反射率及其8种变换,利用Gaus4函数对9种形式的光谱进行10个尺度的连续小波变换,利用SMLR方法确定最适分解尺度并提取小波系数,基于最佳尺度的小波系数和特征光谱参数,分别构建果园不同施肥期和全年的土壤TN的MLR和MEA-BP神经网络模型。结果显示:耦合传统光谱变换与连续小波变换可以提升土壤光谱对土壤TN的敏感性,模型精度也有所提升;综合考虑建模决定系数和预测效果,确定该果园各施肥期独立和统一的土壤TN含量估测模型均为基于CR-CWT-SCI-MEABP模型,5期模型的预测精度分别达到0.95、0.96、0.95、0.95和0.91,RMSE分别是0.0027、0.0023、0.0029、0.0026和0.0031。(5)优选提出了土壤TN含量的光谱估测流程从果园土壤TN含量快速、无损监测的需要出发,对比分析了研究中所用的光谱估测关键技术,形成了完整流程,即首先对土壤原始光谱R进行连续统去除(CR)和连续小波(CWT)的耦合处理,采用SMLR方法筛选第5尺度的特征小波系数;然后进行800-900nm、1900-1950nm和2200-2300nm波段范围内土壤特征光谱指数的逐波段计算,并筛选出相关性最好的特征指数;最后基于特征小波系数和特征光谱指数采用MEA-BP神经网络构建土壤TN含量的光谱估测模型。目前我国苹果园地的生产管理正处于新旧产能的交替阶段,部分果园逐步由传统粗放管理转向精确动态化管理。本研究利用土壤高光谱技术,探讨了不同施肥期果园土壤TN对应的光谱特征,建立了估测模型,优选提出了果园不同时期和全年统一的土壤TN快速估测技术流程,为今后开展苹果园地土壤TN的数字化无损诊断和园地质量的精准动态管理提供技术支持。