CN103884661A - 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 - Google Patents
基于土壤可见-近红外光谱库的土壤全氮实时检测方法 Download PDFInfo
- Publication number
- CN103884661A CN103884661A CN201410059842.4A CN201410059842A CN103884661A CN 103884661 A CN103884661 A CN 103884661A CN 201410059842 A CN201410059842 A CN 201410059842A CN 103884661 A CN103884661 A CN 103884661A
- Authority
- CN
- China
- Prior art keywords
- soil
- sample
- visible
- infrared spectrum
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法,包括以下步骤:测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据,构建土壤可见近红外光谱-全氮数据库;采集多个待检测土壤样本的可见-近红外光谱数据;采用局部加权回归算法,对每一待检测样本从光谱库中挑选建模样本构成定标子集,从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型,得出待检测样本的全氮含量,并对预测模型进行精度评定。本发明方法与以往单纯采用区域全部土壤样本光谱建模预测方法相比,预测模型具有很好的稳定性和普适性,预测能力显著提高,解决了土壤光谱重复采集、数据格式不统一无法共享、各建模模型无法通用的弊端。
Description
技术领域
本发明涉及土壤全氮快速检测方法,具体地说是涉及一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法。
背景技术
土壤全氮是土壤肥力三要素的重要组成部分,是影响作物生长发育的重要营养元素,其浓度含量将影响农作物的产量和品质。传统化学分析方法测定土壤全氮含量存在速度慢、费用高、污染环境等不足,无法满足精准农业对田间土壤全氮含量快速检测和数字制图的要求。光谱分析技术能够快速简便地检测土壤属性信息,并且具有环保、不破坏、田间实地分析、多种属性同时检测等优点。快速检测土壤全氮含量,对精准农业的实施、高效利用化肥资源等工作具有指导性意义。
然而目前已建立的局部区域土壤全氮光谱检测模型由于各区域土类及成土母质存在较大差异,难以外推至其他区域。同一地区不同单位重复采样浪费资源且共享性差,各自建立的预测模型稳定性和普适性较差。因此,大样本土壤光谱库的构建以及研究基于库的土壤全氮快速检测普适性强的方法非常必要。
近年来国际上对基于大尺度土壤光谱库土壤关键属性的预测研究有一些探索。PengYi等(2013)利用来自丹麦全国2688个土壤样品建立的光谱库,采用Spiking方法对局部地区35个样本的有机碳含量进行了建模预测;Stevens等(2013)利用来自于23个国家约20000个样本的欧洲尺度光谱库信息,采用偏最小二乘回归、BRT(Boosted regressiontrees)、Cubist、随机森林和支持向量机等对土壤氮、有机碳、CEC、pH和粘土矿物等多种属性进行预测。目前国际上基于光谱库对土壤氮属性研究的只有Stevens研究团队,但预测方法中没有应用局部加权回归算法。
国内虽然陆续开展了利用土壤光谱预测氮含量的研究,但大部分是小尺度范围的探索及应用。基于大尺度光谱库的土壤属性预测研究最新进展是史舟等(2013)基于1581个样本的光谱数据采用模糊k均值聚类结合偏最小二乘方法建立有机质预测模型。然而,还没有人将局部加权回归算法应用于大尺度土壤光谱库的土壤全氮含量预测研究。
发明内容
本发明的目的在于提供一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法,是利用局部加权回归模型,对待检测土壤样本的可见近红外光谱数据进行分析,得出全氮含量的方法。
本发明采用的技术方案的步骤如下:
步骤1)测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据,构建土壤可见近红外光谱-全氮数据库;
步骤2)采集多个待检测土壤样本的可见-近红外光谱数据;
步骤3)采用局部加权回归算法,对每一待检测样本从光谱库中挑选建模样本构成定标子集,从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型,得出待检测样本的全氮含量,并对预测模型进行精度评定。
步骤1)中,所述的测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据,构建土壤可见近红外光谱-全氮数据库的具体步骤如下:
步骤(1.1)采集全国各地土壤样本的光谱数据;
步骤(1.2)用化学方法分析全国各地土壤样本的全氮含量;
步骤(1.3)对所述光谱数据进行预处理,构建土壤可见近红外光谱-全氮数据库。
步骤(1.2)中,所述用化学方法分析是用半微量开氏法测定。
步骤(1.3)中,所述光谱数据进行预处理的方法为基于最小二乘的Savitzky-Golay经典平滑滤波与一阶微分变换相结合的方法。
步骤2)中,所述采集多个待检测土壤样本的可见-近红外光谱数据,采集方法及光谱预处理方法和构建光谱库所述方法一致。
步骤3)中,所述采用局部加权回归算法,对每一待检测样本从光谱库中挑选建模样本构成定标子集,从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型,得出待检测样本的全氮含量的具体步骤如下:
②确定用于每个局部建模集的主成分数(A)和样本数(C);
对每一个待检测样本:
③计算得分
其中x是通过与建模矩阵X相同的常数中心化得到的预测光谱;
④从光谱库中找到最接近待检测样本的C个样本用来建模,接近程度通过A个尺度中主成分得分的空间距离测量来定义,计算A个尺度得分向量和所在的所有行之间的距离,并从小到大排序,然后依次选取待检测样本与库中距离最小的C个样本作为建模集;
⑤用最小二乘准则来评估线性回归模型中的未知参数
在式中,yc是C个局部样本中y值的矢量,q是A得分回归系数的对应矢量,表示光谱库中最接近待检测样本的C个建模样本得分矩阵,l是最小二乘的矢量,q0是截距,如果预定义的加权函数是有效的,那么加权最小二乘可以取代常规最小二乘;
步骤3)中,所述预测模型精度评定,其具体过程如下:
预测模型精度统一选用决定系数R2、均方根误差RMSE以及测定值标准偏差与标准预测误差的比值RPD作为评价参数,其具体公式如下:
RPD=SD/RMSE (6)
本发明具有的有益效果是:
本发明提出了基于土壤光谱可见近红外-全氮数据库局部加权回归建模检测局部地区土壤全氮含量的方法,该方法与以往单纯采用区域全部土壤样本光谱建模预测方法相比,预测模型具有显著的稳定性和普适性,预测能力显著提高,解决了土壤光谱重复采集、数据格式不统一无法共享、各建模型无法通用的弊端。为充分挖掘土壤光谱-全氮数据库有效信息预测局部地区土壤全氮含量提供了方法和思路,并为精准农业中土壤全氮信息快速检测设备的研制提供技术支持。
附图说明
图1是本发明的流程图。
图2是局部加权回归方法主成分个数的设置与预测精度指标R2的关系图。
图3是局部加权回归方法相似点搜索个数的设置与预测精度指标R2的关系图。
图4是土壤光谱库中样本直接偏最小二乘回归方法得到的土壤全氮光谱检测结果图。
图5是基于光谱-全氮数据库利用局部加权回归方法得到的土壤全氮光谱检测结果图。
图6是某待检测样本在光谱库中挑选50个相似样本的前两个主成分得分值的分布图。
具体实施方式
以下结合附图和实施例对本发明作进一步的说明。
如图1所示,本发明包括以下步骤:
步骤1)测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据,构建土壤可见近红外光谱-全氮数据库;
步骤2)采集多个待检测土壤样本的可见-近红外光谱数据;
步骤3)采用局部加权回归算法,对每一待检测样本从光谱库中挑选建模样本若干构成定标子集,从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型,得出待检测样本的全氮含量,并对预测模型进行精度评定。
步骤1)中,所述的测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据,构建土壤可见近红外光谱-全氮数据库的具体步骤如下:
步骤(1.1)采集全国各地土壤样本的光谱数据;
采集来自浙江、四川、河南、山西、云南等13个省份共计17种土类,主要有黑土、水稻土、紫色土、潮土和褐土等1661个土壤样本;待检测土样为浙江省富阳上虞龙游地区的104个水稻土。所有土样采集深度为表层0-20cm,风干、研磨后过直径2mm筛。本实施方式采用美国ASD公司FieldSpec4型光谱仪,配备一个50W卤素灯作光源,一根25°视场角的光纤探头。该仪器由3个传感器组成,分别为UV-VNIR(350-1100nm),SWIR1(1000-1800nm)和SWIR2(1700-2500nm)。其波长范围涵盖350-2500nm,采样间隔为1.4nm(350-1000nm)和2nm(1000-2500nm),重采样间隔至1nm,共2150个波段。光谱测量在一个能控制光照条件的暗室内进行。光源是功率为50w的卤素灯,距土壤样品表面70cm,天顶角30°。待测土壤样本分别放置在直径10cm、深1.5cm的盛样器皿内,土样表面刮平。传感器探头位于土壤样本表面垂直上方15cm处。采用25°视场角探头,探头接受土壤光谱的区域为直径6.7cm的圆,远小于盛样器皿面积,保证探头接收的均为土壤的反射光谱。测试之前先进行白板校正。每个土样采集10条光谱曲线,将采集到10条光谱曲线进行算术平均计算后得到该土样的实际反射光谱数据。
将采集到的可见-近红外光谱数据按照不同土类不同省份分类存储,每个土样的光谱曲线去除噪声较大的边缘波段350~399nm和2401~2500nm波段。
步骤(1.2)用化学方法分析全国各地土壤样本的全氮含量;
本实施方式采用半微量开氏法测得全国各地土壤样本的全氮含量,记录各个样本的全氮含量的观测值。库中17种土类1661个土壤样品的全氮含量变幅较大,从0.016%到0.461%,这为建立土壤全氮反射光谱预测模型提供了较完整的样本。
步骤(1.3)对所述光谱数据进行预处理,构建土壤可见近红外光谱-全氮数据库;
步骤(1.3.1)用基于最小二乘的Savitzky-Golay经典平滑滤波去除光谱噪声;
基于最小二乘的Savitzky-Golay经典平滑滤波方法使用简化的最小二乘拟合卷积方法。假设光谱曲线为t次多项式,其中t为自然数,其公式为:
Y=a0+a1i+a2i2+a3i3+...+atit (7)
其中Y表示原始光谱数据值,a0、a1、a2、a3、ai为多项式系数,i表示光谱波长,t为自然数。
基于最小二乘的Savitzky-Golay经典平滑滤波方法的推导过程中,最后简化的一般最小二乘卷积方程为:
其中,Ci是窗口平滑时第i个光谱值系数,N是卷积中点值个数,y是原始光谱数据值,Y是平滑后的光谱数据值,N=2m+1为平滑窗口大小,对处于光谱两端的2m个(开始m个和最后m个)点,利用公式计算其平滑值。(i,j)为平滑窗口坐标值。
步骤(1.3.2)用一阶微分变换突出光谱反射率和土壤全氮之间的相关性;
一阶微分变换的方程式为:
式中,λi是波长值,ρ′(λi)是λi处的一阶微分光谱数据,ρ(λ)是λi处的原始光谱数据,λ是范围内的所有波长值,λi=(λi-1+λi+1)/2,Δλ=λi+1-λi-1。
步骤2)中,所述的采集待检测土壤样本的可见-近红外光谱数据,采集方法及光谱预处理方法和构建光谱库所述方法一致。
步骤3)中,所述的采用局部加权回归算法,对每一待检测样本从光谱库中挑选建模样本若干构成定标子集,从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型,得出待检测样本的全氮含量的具体步骤如下:
②确定用于每个局部建模集的主成分数(A)和库中挑选的相似样本数(C);
对于主成分数(A)和库中挑选相似样本数(C)这两个参数,通过逐步单因子变量的数值变化,分别建立局部加权回归模型,来计算预测精度指标R2。可以看出,对于参数主成分个数的设定,如图2所示,当其为5时,R2达到最大值0.764,明显高于主分数为4或6时的数值。对于相似点搜索个数的设定,如图3所示,当数值逐级以10为单位递增时,R2迅速增大,在达到50及以后,R2趋于稳定。因此本实施方式中主成分数(A)和库中挑选相似样本数(C)两个参数的最佳设定为5和50。
对每一个待检测样本:
③计算得分
其中x是通过与建模矩阵X相同的常数中心化得到的预测光谱;
④从光谱库中找到最接近待检测样本的50个样本用来建模,选取第一组分(PCA1,48%)、第二组分(PCA2,23%)、第三组分(PCA3,7%)、第四组分(PCA4,3%)和第五组分(PCA5,3%)得分数据作为局部加权回归方法的输入数据,接近程度通过5个尺度中主成分得分的空间距离测量来定义,计算5个尺度得分向量和所在的所有行之间的距离,并从小到大排序,然后依次选取待检测样本与库中距离最小的50个相似样本作为建模集;
⑤用最小二乘准则来评估线性回归模型中的未知参数
在式中,yc是50个局部样本中全氮值的矢量,q是5个得分回归系数的对应矢量,表示光谱库中最接近待检测样本的50个建模样本得分矩阵,l是最小二乘的矢量,q0是截距,如果预定义的加权函数是有效的,那么加权最小二乘可以取代常规最小二乘;
同样的方法应用于所有待检测样本。
同时将土壤光谱-全氮数据库经预处理和一阶微分变换后,直接进行全局片最小二乘回归建模,预测待检测样本土壤全氮含量,与上述局部加权回归方法加以对比。
将土壤光谱-全氮数据库直接进行偏最小二乘回归建模,检测结果如图4所示;基于土壤光谱-全氮数据库利用局部加权回归建模,检测结果如图5所示。
图6显示了某待检测样本从光谱库中搜索临近样点的样本空间分布情况,PC1和PC2占解释变量信息的71%。由图6中可以清楚看出,依据未知样本与库中样本空间马氏距离的远近,挑选出的建模样本集中紧密分布在未知样本周围。这样,在建立回归模型时,剔除了库中的无关信息,选取具有有效信息的相似样本构成建模集,能更好检测未知样本全氮含量。
局部加权回归算法对于每个待检测样本需要新的建模,看似繁琐,但在实际运用中,一个预测样本在每个局部集中只需要少量的样本和主成分,所以从计算的角度来看局部加权回归方法是简便的。
步骤3)中,所述预测模型精度评价,其具体过程如下:
预测模型精度统一选用决定系数R2、均方根误差RMSE以及测定值标准偏差与标准预测误差的比值RPD作为评价参数,其具体公式如下:
RPD=SD/RMSE (6)
表1偏最小二乘回归建模与局部加权回归建模的土壤全氮光谱检测精度比较
由表1、图4和图5中两种建模方法的对比发现,局部加权回归方法比偏最小二乘回归方法的预测精度显著提高,R2由0.64迅速提升到0.76,提升幅度高达18.75%,RPD值超过2,说明预测模型稳定可靠。因此,将来对新采集土样的全氮光谱检测,可以先基于土壤光谱-全氮数据库采用局部加权回归方法从库中挑选出相似样本,然后建立线性回归模型,预测其全氮含量。这样充分挖掘光谱库中有效信息,预测模型的稳定性和普适性较好。
本实施方式基于土壤光谱-全氮数据库,采用局部加权回归方法,对每一待检测样本从库中挑选具有相似光谱的样本,然后构成建模子集建立线性回归模型得出全氮预测结果,比传统偏最小二乘方法的检测精度有了显著提高,其检测结果的R2和RPD两个指数分别从0.64和1.4提高到0.76和2.1。本发明为充分挖掘大样本土壤光谱-全氮数据库有效信息预测局部地区土壤全氮含量提供了方法和思路,并为精准农业中土壤全氮信息快速检测设备的研制提供技术支持。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (7)
1.一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法,其特征在于,该方法的步骤如下:
步骤1)测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据,构建土壤可见近红外光谱-全氮数据库;
步骤2)采集多个待检测土壤样本的可见-近红外光谱数据;
步骤3)采用局部加权回归算法,对每一待检测样本从光谱库中挑选建模样本构成定标子集,从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型,得出待检测样本的全氮含量,并对预测模型进行精度评定。
2.根据权利要求1所述的一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法,其特征在于,步骤1)中,所述的测量全国各地土壤样本的可见-近红外光谱数据和全氮含量数据,构建土壤可见近红外光谱-全氮数据库的具体步骤如下:
步骤(1.1)采集全国各地土壤样本的光谱数据;
步骤(1.2)用化学方法分析全国各地土壤样本的全氮含量;
步骤(1.3)对所述光谱数据进行预处理,构建土壤可见近红外光谱-全氮数据库。
3.根据权利要求2所述的一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法,其特征在于,所述步骤(1.2)中,所述用化学方法分析是用半微量开氏法测定。
4.根据权利要求2所述的一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法,其特征在于,步骤(1.3)中,所述光谱数据进行预处理的方法为基于最小二乘的Savitzky-Golay经典平滑滤波与一阶微分变换相结合的方法。
5.根据权利要求1所述的基于土壤可见-近红外光谱库的土壤全氮实时检测方法,其特征在于,步骤2)中,所述采集多个待检测土壤样本的可见-近红外光谱数据,采集方法及光谱预处理方法和构建光谱库所述方法一致。
6.根据权利要求1所述的一种基于土壤可见-近红外光谱库的土壤全氮实时检测方法,其特征在于,步骤3)中,所述采用局部加权回归算法,对每一待检测样本从光谱库中挑选建模样本构成定标子集,从而构建基于土壤可见-近红外光谱数据库的全氮线性回归模型,得出待检测样本的全氮含量的具体步骤如下:
②确定用于每个局部建模集的主成分数(A)和样本数(C);
对每一个待检测样本:
③计算得分
其中x是通过与建模矩阵X相同的常数中心化得到的预测光谱;
④从光谱库中找到最接近待检测样本的C个样本用来建模,接近程度通过A个尺度中主成分得分的空间距离测量来定义,计算A个尺度得分向量和所在的所有行之间的距离,并从小到大排序,然后依次选取待检测样本与库中距离最小的C个样本作为建模集;
⑤用最小二乘准则来评估线性回归模型中的未知参数
在式中,yc是C个局部样本中y值的矢量,q是A得分回归系数的对应矢量,表示光谱库中最接近待检测样本的C个建模样本得分矩阵,l是最小二乘的矢量,q0是截距,如果预定义的加权函数是有效的,那么加权最小二乘可以取代常规最小二乘;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410059842.4A CN103884661A (zh) | 2014-02-21 | 2014-02-21 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410059842.4A CN103884661A (zh) | 2014-02-21 | 2014-02-21 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103884661A true CN103884661A (zh) | 2014-06-25 |
Family
ID=50953678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410059842.4A Pending CN103884661A (zh) | 2014-02-21 | 2014-02-21 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103884661A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778349A (zh) * | 2015-03-26 | 2015-07-15 | 浙江大学 | 一种用于水稻表土氮肥施用等级评定方法 |
CN105486655A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院南京土壤研究所 | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 |
CN106525729A (zh) * | 2015-09-12 | 2017-03-22 | 南京理工大学 | 一种基于光谱分析技术的物质元素含量信息检测方法 |
CN106990056A (zh) * | 2017-04-20 | 2017-07-28 | 武汉大学 | 一种土壤全氮光谱估算模型校正样本集构建方法 |
CN107219184A (zh) * | 2017-04-24 | 2017-09-29 | 仲恺农业工程学院 | 一种应用于产地溯源的肉类鉴别方法及装置 |
CN107421911A (zh) * | 2017-05-10 | 2017-12-01 | 浙江大学 | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 |
CN107505179A (zh) * | 2017-09-01 | 2017-12-22 | 浙江大学 | 一种土壤预处理与养分近红外光谱检测方法 |
CN107607486A (zh) * | 2017-09-25 | 2018-01-19 | 中国农业大学 | 一种土壤全氮检测方法及装置 |
CN108009569A (zh) * | 2017-11-15 | 2018-05-08 | 中国海洋大学 | 一种近红外光谱设备的稳定性判别方法 |
CN108960622A (zh) * | 2018-06-28 | 2018-12-07 | 河南理工大学 | 一种基于遥感影像的矿区复垦土地质量的自动化评价方法 |
CN108982402A (zh) * | 2018-08-01 | 2018-12-11 | 华北电力科学研究院有限责任公司 | 一种同类有机污染物对环境危害性的预测方法及系统 |
CN109145799A (zh) * | 2018-08-13 | 2019-01-04 | 湖南志东科技有限公司 | 一种基于多层信息的物体鉴别方法 |
CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
CN110414169A (zh) * | 2019-08-05 | 2019-11-05 | 上海神开石油科技有限公司 | 一种傅立叶红外气测录井方法及其装置 |
CN111721738A (zh) * | 2020-06-23 | 2020-09-29 | 陕西理工大学 | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
CN113702329A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学长三角研究院(湖州) | 一种土壤总氮的红外光谱分析方法 |
CN113791040A (zh) * | 2021-07-20 | 2021-12-14 | 广州华清环境监测有限公司 | 一种土壤重金属检测方法及系统 |
CN113916822A (zh) * | 2021-08-27 | 2022-01-11 | 电子科技大学长三角研究院(湖州) | 一种含水土壤的总氮含量红外光谱分析方法 |
CN114720665A (zh) * | 2022-06-10 | 2022-07-08 | 北京市农林科学院智能装备技术研究中心 | 测土配方施肥土壤全氮异常值检测方法及装置 |
CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798607A (zh) * | 2012-08-13 | 2012-11-28 | 浙江大学 | 一种利用中红外光谱技术估测土壤有机碳含量的方法 |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
-
2014
- 2014-02-21 CN CN201410059842.4A patent/CN103884661A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798607A (zh) * | 2012-08-13 | 2012-11-28 | 浙江大学 | 一种利用中红外光谱技术估测土壤有机碳含量的方法 |
CN103234922A (zh) * | 2013-03-29 | 2013-08-07 | 浙江大学 | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 |
Non-Patent Citations (3)
Title |
---|
L. RAMIREZ-LOPEZ等: "Distance and similarity-search metrics for use with soil vis–NIR spectra", 《GEODERMA》 * |
TORMOD NAES等: "Locally Weighted Regression and Scatter Correction for Near-Infrared Reflectance Data", 《ANALYTICAL CHEMISTRY》 * |
石雪等: "局部建模方法用于烟草样品的近红外光谱定量分析", 《光谱学与光谱分析》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778349B (zh) * | 2015-03-26 | 2017-11-10 | 浙江大学 | 一种用于水稻表土氮肥施用等级评定方法 |
CN104778349A (zh) * | 2015-03-26 | 2015-07-15 | 浙江大学 | 一种用于水稻表土氮肥施用等级评定方法 |
CN106525729A (zh) * | 2015-09-12 | 2017-03-22 | 南京理工大学 | 一种基于光谱分析技术的物质元素含量信息检测方法 |
CN105486655B (zh) * | 2015-11-23 | 2018-12-18 | 中国科学院南京土壤研究所 | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 |
CN105486655A (zh) * | 2015-11-23 | 2016-04-13 | 中国科学院南京土壤研究所 | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 |
CN106990056A (zh) * | 2017-04-20 | 2017-07-28 | 武汉大学 | 一种土壤全氮光谱估算模型校正样本集构建方法 |
CN107219184A (zh) * | 2017-04-24 | 2017-09-29 | 仲恺农业工程学院 | 一种应用于产地溯源的肉类鉴别方法及装置 |
CN107421911A (zh) * | 2017-05-10 | 2017-12-01 | 浙江大学 | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 |
CN107505179A (zh) * | 2017-09-01 | 2017-12-22 | 浙江大学 | 一种土壤预处理与养分近红外光谱检测方法 |
CN107607486A (zh) * | 2017-09-25 | 2018-01-19 | 中国农业大学 | 一种土壤全氮检测方法及装置 |
CN108009569A (zh) * | 2017-11-15 | 2018-05-08 | 中国海洋大学 | 一种近红外光谱设备的稳定性判别方法 |
CN108009569B (zh) * | 2017-11-15 | 2021-04-30 | 中国海洋大学 | 一种近红外光谱设备的稳定性判别方法 |
CN108960622A (zh) * | 2018-06-28 | 2018-12-07 | 河南理工大学 | 一种基于遥感影像的矿区复垦土地质量的自动化评价方法 |
CN108982402A (zh) * | 2018-08-01 | 2018-12-11 | 华北电力科学研究院有限责任公司 | 一种同类有机污染物对环境危害性的预测方法及系统 |
CN108982402B (zh) * | 2018-08-01 | 2021-01-08 | 华北电力科学研究院有限责任公司 | 一种同类有机污染物对环境危害性的预测方法及系统 |
CN109145799A (zh) * | 2018-08-13 | 2019-01-04 | 湖南志东科技有限公司 | 一种基于多层信息的物体鉴别方法 |
CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
CN110414169B (zh) * | 2019-08-05 | 2023-05-02 | 上海神开石油科技有限公司 | 一种傅立叶红外气测录井方法及其装置 |
CN110414169A (zh) * | 2019-08-05 | 2019-11-05 | 上海神开石油科技有限公司 | 一种傅立叶红外气测录井方法及其装置 |
CN111721738A (zh) * | 2020-06-23 | 2020-09-29 | 陕西理工大学 | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
CN113791040A (zh) * | 2021-07-20 | 2021-12-14 | 广州华清环境监测有限公司 | 一种土壤重金属检测方法及系统 |
CN113916822A (zh) * | 2021-08-27 | 2022-01-11 | 电子科技大学长三角研究院(湖州) | 一种含水土壤的总氮含量红外光谱分析方法 |
CN113702329A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学长三角研究院(湖州) | 一种土壤总氮的红外光谱分析方法 |
CN114720665A (zh) * | 2022-06-10 | 2022-07-08 | 北京市农林科学院智能装备技术研究中心 | 测土配方施肥土壤全氮异常值检测方法及装置 |
CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
CN116818687B (zh) * | 2023-06-21 | 2024-02-20 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103884661A (zh) | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 | |
Hong et al. | Estimating lead and zinc concentrations in peri-urban agricultural soils through reflectance spectroscopy: Effects of fractional-order derivative and random forest | |
Jin et al. | Remote estimation of soil organic matter content in the Sanjiang Plain, Northest China: The optimal band algorithm versus the GRA-ANN model | |
Shi et al. | Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations | |
CN101806730B (zh) | 一种醋糟有机基质含水量的检测方法 | |
CN103196838B (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
Wan et al. | Estimation of soil pH using PXRF spectrometry and Vis-NIR spectroscopy for rapid environmental risk assessment of soil heavy metals | |
Ren et al. | Estimating senesced biomass of desert steppe in Inner Mongolia using field spectrometric data | |
CN104697937B (zh) | 一种土壤属性高光谱识别的技术方法 | |
CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
CN107796764A (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
Srivastava et al. | Development of hyperspectral model for rapid monitoring of soil organic carbon under precision farming in the Indo-Gangetic Plains of Punjab, India | |
Chen et al. | Rapid determination of soil classes in soil profiles using vis–NIR spectroscopy and multiple objectives mixed support vector classification | |
Hong et al. | Diagnosis of cadmium contamination in urban and suburban soils using visible-to-near-infrared spectroscopy | |
CN109738380A (zh) | 一种土壤盐渍化程度的高光谱遥感判断方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN104778349A (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
Gholizadeh et al. | Models for estimating the physical properties of paddy soil using visible and near infrared reflectance spectroscopy | |
CN109932319A (zh) | 一种果园土壤速效钾含量获取方法、系统及装置 | |
CN105938098A (zh) | 一种基于激光诱导击穿光谱的岩土烧失量预测方法及系统 | |
Di Iorio et al. | Estimation of andic properties from Vis-NIR diffuse reflectance spectroscopy for volcanic soil classification | |
Wang et al. | Automatic detection of rice disease using near infrared spectra technologies | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140625 |