CN107764976B - 土壤氮素快速诊断方法及在线监测系统 - Google Patents
土壤氮素快速诊断方法及在线监测系统 Download PDFInfo
- Publication number
- CN107764976B CN107764976B CN201710898376.2A CN201710898376A CN107764976B CN 107764976 B CN107764976 B CN 107764976B CN 201710898376 A CN201710898376 A CN 201710898376A CN 107764976 B CN107764976 B CN 107764976B
- Authority
- CN
- China
- Prior art keywords
- soil
- sample data
- plant leaf
- nitrogen
- sample
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 226
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 196
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 98
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title abstract description 15
- 239000000126 substance Substances 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000010561 standard procedure Methods 0.000 claims description 17
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 7
- 239000004202 carbamide Substances 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000012136 culture method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 238000004879 turbidimetry Methods 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种土壤氮素快速诊断方法,包括如下步骤:实时采集传感器组的土壤理化指标、气象指标和高清植株叶片数字图像;对高清植株叶片数字图像进行颜色特征提取;对土壤理化指标、气象指标和植株叶片图像颜色特征进行预处理;进行特征指标的提取;进行土壤氮素的偏最小二乘模型;对所述偏最小二乘模型进行更新;对所述偏最小二乘模型进行正确性检验,当正确时,形成模型库;否则,返回继续对土壤理化指标、气象指标和植株叶片图像颜色特征进行预处理。本发明还涉及一种土壤氮素在线监测系统,实施本发明的土壤氮素快速诊断方法及在线监测系统,具有以下有益效果:能实现对土壤氮素的快速在线测量及诊断。
Description
技术领域
本发明涉及土壤监测领域,特别涉及一种土壤氮素快速诊断方法及在线监测系统。
背景技术
土壤氮素是保障作物生长的主要营养元素。根据土壤的实时供氮能力,指导肥料适当施用、合理规划农业作业,能有效提高肥料的利用率,缓解传统施肥方式造成土壤养分失衡、盐碱化等环境污染问题,并提高农产品的质量安全水平,其意义重大。
土壤氮素检测的常规分析方法分为两类:土壤直接培养法和化学法,前者耗时长,后者相对简单快速。常用的化学法有蒸馏定氮法、化学浸提法和解扩散法。化学法一般先人工取样,再在实验室进行预处理后,利用检测设备进行检测分析,如滴定法、比色法、比浊法、紫外-可见分光光度法、近红外光谱法、等离子光谱法、荧光法等。分光光度法的准确度较高,但采样、预处理和检测分析过程较为复杂,效率较低,设备采购与维护成本较高,需要专业人员进行操作管理,不能满足大量土壤样本的快速在线检测需求。
近年来,速测技术发展迅速,试纸比色、近红外光谱、等离子光谱等检测方法,因能实现田间土壤氮素的快速检测,且简小、便携,有望成为土壤现场速测的有力工具。但试纸法往往需要与浸提剂联用,检测精度低于常规化学法;基于光纤的近红外光谱和等离子光谱法,其检测速度快、灵敏,可同时检测多种成分,但需要建立合适的化学计量学模型才能得到可靠的分析结果,受背景信号干扰严重,设备成本高,设备组件不适于长时间暴露在高温、高湿、大风、大雨的田间环境中。因此严重影响了上述速测技术在农业领域的广泛应用。
随着农业物联网技术的发展,越来越多的农企、合作社和家庭农场开始广泛使用温度、水分、酸碱度、光照度、雨量、高清数字摄像头等各类传感监控设备,旨在实时准确获取田间土壤墒情(又称土壤温湿度)、气候气象指标和农作物生长信息。有研究表明,土壤水分(湿度)、酸碱度(pH值)、电导率、氧化还原电位(ORP)等指标的变化与土壤氮素变化有相关性。此外,通过摄像头获取的作物生长情况,往往能反映植株氮素是否缺失或过剩。然而现有技术中还没有能快速检测土壤氮素方法。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种能实现对土壤氮素的快速在线测量及诊断的土壤氮素快速诊断方法及在线监测系统。
本发明解决其技术问题所采用的技术方案是:构造一种土壤氮素快速诊断方法,包括如下步骤:
A)实时采集土壤理化指标监测传感器组所获取的第一土壤理化指标、气象指标监测传感器组所获取的第一气象指标和机器视觉传感器组所获取的第一高清植株叶片数字图像;所述第一土壤理化指标包括土壤温度、土壤湿度、土壤电导率、土壤pH值和土壤ORP,所述第一气象指标包括空气温湿度、光照度、风速、雨量、大气压力和CO2;
B)从所述第一高清植株叶片数字图像中提取第一植株叶片图像颜色特征;
C)对所述第一土壤理化指标、第一气象指标和第一植株叶片图像颜色特征进行预处理;所述预处理包括滤波、降噪、异常数据剔除和标准化处理;
D)从所述土壤理化指标监测传感器组所测的第一土壤中取出部分土壤作为化学分析的第一土样,采用国标法检测所述第一土样的土壤氮素;
E)配置不同浓度的尿素,分别加入到所述第一土壤中得到第二土壤,同时采集所述土壤理化指标监测传感器组对所述第二土壤监测到的第二土壤理化指标、所述气象指标监测传感器组监测到的第二气象指标和所述机器视觉传感器组对所述第二土壤监测到的第二高清植株叶片数字图像,从所述第二高清植株叶片数字图像中提取第二植株叶片图像颜色特征,从所述第二土壤中取出部分土壤作为化学分析的第二土样,并采用所述国标法检测所述第二土样的土壤氮素;
F)采用主因素分析法,从所述第二土壤理化指标、第二气象指标、第二高清植株叶片数字图像或其组合中筛选出与所述国标法所检测的土壤氮素之间具有相关关系的监测指标或监测指标的组合,并将其作为特征指标;
G)将所述特征指标作为样本数据集X,将所述国标法所检测的土壤氮素作为土壤氮素预测变量Y,所述采用最小二乘法,建立所述土壤氮素预测变量Y和样本数据集X的偏最小二乘模型;
H)基于时间序列的新样本加入后,重新选定样本数据集,并根据新进样本数据集Xnew,重新更新所述偏最小二乘模型;
I)重复所述步骤H),任意改变土壤含氮素量,检验所述偏最小二乘模型的正确性,判断偏差是否小于第一设定值,如是,将最后更新的所述偏最小二乘模型作为所述第一土壤的氮素分析模型,执行所述步骤J);否则,返回所述步骤C)直至模型正确为止;
J)重复所述步骤A)至H),建立不同种类土壤的氮素分析模型,形成土壤氮素分析模型库,供在线监测软件系统调用。
在本发明所述的土壤氮素快速诊断方法中,所述步骤B)进一步包括:
B1)对所述第一高清植株叶片数字图像从RGB颜色空间转换为HSI颜色空间;
B2)分别计算所述第一高清植株叶片数字图像的红色分量与所述第一高清植株叶片数字图像的蓝色分量的差值,计算所述差值与所述HSI颜色空间中饱和度的均值作为第一植株叶片图像颜色特征。
在本发明所述的土壤氮素快速诊断方法中,所述异常数据剔除包括如下步骤:
C1)对所述第一土壤理化指标和第一气象指标中的异常数据进行剔除,得到异常数据剔除后的实时数据;
C2)将所述异常数据剔除后的实时数据和所述第一植株叶片图像颜色特征进行标准化处理。
在本发明所述的土壤氮素快速诊断方法中,所述步骤H)进一步包括:
H1)对于选择的土壤氮素预测变量Y和样本数据集X,设定训练样本的最小长度为Low和最大长度为High,即设定时间窗口的样本数据的基本长度为Low~High,其中,Low<High;
H2)对于新样本数据加入后,对所述样本数据集X中的部分数据进行丢弃,丢弃的原则为:自第1个样本数据至第N-Low个样本数据,分别计算丢弃所述样本数据和不丢弃所述样本数据的预测模型,并采用预测均方根误差评价准则分别计算丢弃样本数据的预测模型的预测精度RMSEP1和不丢弃样本数据的预测模型的预测精度RMSEP2;
H3)比较丢弃样本数据的预测模型的预测精度RMSEP1与不丢弃样本数据的预测模型的预测精度RMSEP2,判断RMSEP1/RMSEP2是否小于第二设定值,如是,则丢弃第1个样本数据至第N-Low个样本数据,执行步骤H4);否则,保留所述第1个样本数据至第N-Low个样本数据,执行步骤H4);
H4)根据所述步骤H2)选定新进样本集Xnew,返回到步骤D)重新计算所述偏最小二乘模型。
本发明还涉及一种土壤氮素在线监测系统,包括环境生态监测传感器组、ARM电路板、供电设备、远程操作工作站和后台服务器,所述环境生态监测传感器组包括土壤理化指标监测传感器组、气象指标监测传感器组和机器视觉传感器组,所述ARM电路板包括数据集中采集与存储模块、数据预处理模块、定位模块、数据无线传输模块和供电管理模块,所述土壤理化指标监测传感器组与所述数据集中采集与存储模块连接、用于实时在线获取土壤理化指标,所述气象指标监测传感器组与所述数据集中采集与存储模块连接、用于实时在线获取气象指标,所述机器视觉传感器组与所述数据集中采集与存储模块连接、用于实时在线获取作物生长过程及生产现场环境的图像信息,所述数据预处理模块与所述数据集中采集与存储模块连接、用于对所述土壤理化指标进行滤波和融合预处理,所述定位模块与所述数据无线传输模块连接、用于进行定位,所述供电管理模块与分别与所述数据集中采集与存储模块和数据无线传输模块连接、用于对所述供电设备进行管理并为所述土壤氮素在线监测系统提供分时分区的电力支持,所述供电设备分别与所述环境生态监测传感器组和ARM电路板连接、用于供电,所述远程操作工作站与所述数据无线传输模块连接、用于数据接收、存储、分析、建模、显示和查询,所述后台服务器与所述数据无线传输模块连接、用于数据和氮素分析模型的接收、存储和查询。
在本发明所述的土壤氮素快速诊断方法中,所述土壤理化指标包括土壤温度、土壤湿度、土壤电导率、土壤pH值和土壤ORP,所述气象指标包括空气温湿度、光照度、风速、雨量、大气压力和CO2。
在本发明所述的土壤氮素快速诊断方法中,所述数据无线传输模块为LoRa模块、3G模块、4G模块或5G模块,所述定位模块为GPS/北斗双模定位模块。
在本发明所述的土壤氮素快速诊断方法中,所述远程操作工作站为安装有在线监测软件系统的台式电脑、笔记本电脑、或PAD。
在本发明所述的土壤氮素快速诊断方法中,所述机器视觉传感器组为高清网络摄像机或高清数字摄像机。
实施本发明的土壤氮素快速诊断方法及在线监测系统,具有以下有益效果:通过对实时获取的土壤理化指标、气象指标和高清植株叶片数字图像进行数学统计分析与建模,并对数字图像进行解析,建立上述指标与土壤氮素之间的相关关系,从而能实现对土壤氮素的快速在线测量及诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明土壤氮素快速诊断方法及在线监测系统一个实施例中的方法的流程图;
图2为所述实施例中从第一高清植株叶片数字图像中提取第一植株叶片图像颜色特征的具体流程图;
图3为所述实施例中常数据剔除的具体流程图;
图4为所述实施例中基于时间序列的新样本加入后,重新选定样本数据集,并根据新进样本数据集Xnew,重新更新所述偏最小二乘模型的具体流程图;
图5为所述实施例中装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明土壤氮素快速诊断方法及在线监测系统实施例中,其土壤氮素快速诊断方法的流程图如图1所示。图1中,该土壤氮素快速诊断方法包括如下步骤:
步骤S01实时采集土壤理化指标监测传感器组所获取的第一土壤理化指标、气象指标监测传感器组所获取的第一气象指标和机器视觉传感器组所获取的第一高清植株叶片数字图像:本步骤中,实时采集土壤理化指标监测传感器组所获取的第一土壤理化指标、气象指标监测传感器组所获取的第一气象指标和机器视觉传感器组所获取的第一高清植株叶片数字图像。其中,第一土壤理化指标包括土壤温度、土壤湿度、土壤电导率、土壤pH值和土壤ORP,第一气象指标包括空气温湿度、光照度、风速、雨量、大气压力和CO2。
步骤S02从第一高清植株叶片数字图像中提取第一植株叶片图像颜色特征:本步骤中,对机器视觉传感器组所获取的第一高清植株叶片数字图像中提取第一植株叶片图像颜色特征。
步骤S03对第一土壤理化指标、第一气象指标和第一植株叶片图像颜色特征进行预处理:本步骤中,对第一土壤理化指标、第一气象指标和第一植株叶片图像颜色特征进行预处理,上述预处理包括滤波、降噪、异常数据剔除和标准化处理,预处理后的数据集将用于下一步的数据融合分析与建模。
步骤S04从土壤理化指标监测传感器组所测的第一土壤中取出部分土壤作为化学分析的第一土样,采用国标法检测第一土样的土壤氮素:本步骤中,从土壤理化指标监测传感器组所测的第一土壤中取出部分土壤作为化学分析的第一土样,采用国标法检测第一土样的土壤氮素。
步骤S05配置不同浓度的尿素,分别加入到第一土壤中得到第二土壤,同时采集土壤理化指标监测传感器组对第二土壤监测到的第二土壤理化指标、气象指标监测传感器组监测到的第二气象指标和机器视觉传感器组对第二土壤监测到的第二高清植株叶片数字图像,从第二高清植株叶片数字图像中提取第二植株叶片图像颜色特征,从第二土壤中取出部分土壤作为化学分析的第二土样,并采用国标法检测第二土样的土壤氮素:本步骤中,配置不同浓度的尿素,分别加入到第一土壤中,这样就会得到第二土壤,同时采集土壤理化指标监测传感器组对第二土壤监测到的第二土壤理化指标、气象指标监测传感器组监测到的第二气象指标和机器视觉传感器组对第二土壤监测到的第二高清植株叶片数字图像,从第二高清植株叶片数字图像中提取第二植株叶片图像颜色特征,从第二土壤中取出部分土壤作为化学分析的第二土样,并采用国标法检测第二土样的土壤氮素。
步骤S06采用主因素分析法,从第二土壤理化指标、第二气象指标、第二高清植株叶片数字图像或其组合中筛选出与国标法所检测的土壤氮素之间具有相关关系的监测指标或监测指标的组合,并将其作为特征指标:本步骤中,采用主因素分析法,从第二土壤理化指标、第二气象指标、第二高清植株叶片数字图像或其组合中筛选出与国标法所检测的土壤氮素之间具有相关关系的监测指标或监测指标的组合,并将其作为特征指标。
步骤S07将特征指标作为样本数据集X,将国标法所检测的土壤氮素作为土壤氮素预测变量Y,采用最小二乘法,建立土壤氮素预测变量Y和样本数据集X的偏最小二乘模型:本步骤中,将特征指标作为样本数据集X,将国标法所检测的土壤氮素作为土壤氮素预测变量Y,采用最小二乘法,建立土壤氮素预测变量Y和样本数据集X的偏最小二乘模型,即Y=f(X),即建立特征指标与国标法检测的土壤氮素的偏最小二乘模型。
步骤S08基于时间序列的新样本加入后,重新选定样本数据集,并根据新进样本数据集Xnew,重新更新偏最小二乘模型:本步骤中,基于时间序列的新样本加入后,重新选定样本数据集,根据基于时间序列的新进样本数据集Xnew,重新更新偏最小二乘模型。
步骤S09重复步骤S08,任意改变土壤含氮素量,检验偏最小二乘模型的正确性,判断偏差是否小于第一设定值:本步骤中,重复步骤S08,任意改变土壤含氮素量,检验偏最小二乘模型的正确性,判断偏差是否小于第一设定值,如果判断的结果为是,则执行步骤S10;否则,返回步骤S03直到模型正确为止。值得一提的是,上述第一设定值为5%,当然,在本实施例的一些情况下,第一设定值也可以为其他值。
步骤S10将最后更新的偏最小二乘模型作为第一土壤的氮素分析模型:如果上述步骤S09判断结果为是,则执行本步骤。本步骤中,将最后更新的偏最小二乘模型作为第一土壤的氮素分析模型。执行完本步骤,执行步骤S11。
步骤S11重复步骤S01至S08,建立不同种类土壤的氮素分析模型,形成土壤氮素分析模型库,供在线监测软件系统调用:本步骤中,重复步骤S01至S08,建立不同种类土壤的氮素分析模型,形成土壤氮素分析模型库,供在线监测软件系统调用。
本发明的土壤氮素快速诊断方法能克服当前在线土壤养分传感器缺失,速测设备不成熟,离线检测方法操作繁琐、仪器设备价格昂贵、应用专业等缺点,解决“互联网+农业”中快速感知环节,从而为实时监测、自动控制和辅助决策等深入应用打下基础。本发明的土壤氮素快速诊断方法融合数字图像非结构化复杂数据,克服传统方法采用结构化数据建模缺点,即传统结构化建模可能造成土壤氮素模型与结构化的样本数据关联性不高、特异性不强、信息不足等问题,从而导致模型准确性差。本发明的土壤氮素快速诊断方法采用基于时间序列的动态软测量建模方法,能提高基于数据驱动的模型精度和鲁棒性。
对于本实施例而言,上述步骤S02还可进一步细化,其细化后的流程图如图2所示。图2中,上述步骤S02进一步包括:
步骤S21对第一高清植株叶片数字图像从RGB颜色空间转换为HSI颜色空间:本步骤中,对第一高清植株叶片数字图像从RGB颜色空间转换为HSI颜色空间。转换过程具体为:
其中:R表示第一高清植株叶片数字图像的红色分量,G表示第一高清植株叶片数字图像的绿色分量,B表示第一高清植株叶片数字图像的蓝色分量,H表示色调,S表示饱和度,I表示强度。
步骤S22分别计算第一高清植株叶片数字图像的红色分量与第一高清植株叶片数字图像的蓝色分量的差值,计算差值与HSI颜色空间中饱和度的均值作为第一植株叶片图像颜色特征:本步骤中,分别计算第一高清植株叶片数字图像的红色分量与第一高清植株叶片数字图像的蓝色分量的差值,即R-B,计算差值R-B与HSI颜色空间中饱和度S的均值作为第一植株叶片图像颜色特征。
图3为本实施例中常数据剔除的具体流程图,图3中,上述步骤S03进一步包括:
步骤S31对第一土壤理化指标和第一气象指标中的异常数据进行剔除,得到异常数据剔除后的实时数据:本步骤中,对第一土壤理化指标和第一气象指标中的异常数据进行剔除,得到异常数据剔除后的实时数据。具体的,设样本xi={xij}∈X,i=1,2,...,N,j=1,2,...,k,其中N为样本总数据,k为样本维度。分别计算样本数据集X中各维数据的平均值分别计算各维度标准误差其中,获取实时数据xij,根据判断条件若满足条件则从样本数据集X中剔除该数据。
步骤S32将异常数据剔除后的实时数据和第一植株叶片图像颜色特征进行标准化处理:本步骤中,将异常数据剔除后的实时数据和第一植株叶片图像颜色特征进行标准化处理:
对于本实施例而言,上述步骤S08还可进一步细化,其细化后的流程图如图4所示。图4中,上述步骤S08进一步包括:
步骤S81对于选择的土壤氮素预测变量Y和样本数据集X,设定训练样本的最小长度为Low和最大长度为High,即设定时间窗口的样本数据的基本长度为Low~High,其中,Low<High:本步骤中,对于选择的土壤氮素预测变量Y和样本数据集X,设定训练样本的最小长度为Low和最大长度为High,即设定时间窗口的样本数据的基本长度为Low~High,其中,Low<High。
步骤S82对于新样本数据加入后,对样本数据集X中的部分数据进行丢弃,丢弃的原则为:自第1个样本数据至第N-Low个样本数据,分别计算丢弃样本数据和不丢弃样本数据的预测模型,并采用预测均方根误差评价准则分别计算丢弃样本数据的预测模型的预测精度RMSEP1和不丢弃样本数据的预测模型的预测精度RMSEP2:本步骤中,对于新样本数据加入后,对样本数据集X中的部分数据进行丢弃,样本数据集X中数据的丢弃原则为:自第1个样本数据至第N-Low个样本数据,采用预测均方根误差评价准则分别计算丢弃样本数据的预测模型的预测精度RMSEP1和不丢弃样本数据的预测模型的预测精度RMSEP2,公式如下:
步骤S83比较丢弃样本数据的预测模型的预测精度RMSEP1与不丢弃样本数据的预测模型的预测精度RMSEP2,判断RMSEP1/RMSEP2是否小于第二设定值:本步骤中,比较丢弃样本数据的预测模型的预测精度RMSEP1与不丢弃样本数据的预测模型的预测精度RMSEP2,判断RMSEP1/RMSEP2是否小于第二设定值,即判断RMSEP1/RMSEP2<η,η为第二设定值,如果判断的结果为是,则执行步骤S85;否则,执行步骤S84。
步骤S84保留第1个样本数据至第N-Low个样本数据:如果上述步骤S83的判断结果为否,则执行本步骤。本步骤中,保留第1个样本数据至第N-Low个样本数据。上述N为大于Low的整数。执行完本步骤,执行步骤S86。
步骤S85丢弃第1个样本数据至第N-Low个样本数据:如果上述步骤S83的判断结果为是,则执行本步骤。本步骤中,丢弃第1个样本数据至第N-Low个样本数据。执行完本步骤,执行步骤S86。
步骤S86根据步骤S92选定新进样本集Xnew,返回到步骤S04重新计算偏最小二乘模型:本步骤中,步骤S92选定新进样本集Xnew,返回到步骤S04重新计算偏最小二乘模型Ynew=f(Xnew)。
图5为本实施例中土壤氮素在线监测系统的结构示意图,图5中,该土壤氮素在线监测系统包括环境生态监测传感器组1、ARM电路板2、供电设备3、远程操作工作站4和后台服务器5,其中,环境生态监测传感器组1包括土壤理化指标监测传感器组11、气象指标监测传感器组12和机器视觉传感器组13,ARM电路板2包括数据集中采集与存储模块21、数据预处理模块22、定位模块23、数据无线传输模块24和供电管理模块25,土壤理化指标监测传感器组11与数据集中采集与存储模块21连接、用于实时在线获取土壤理化指标,气象指标监测传感器组12与数据集中采集与存储模块21连接、用于实时在线获取气象指标,机器视觉传感器组13与数据集中采集与存储模块21连接、用于实时在线获取作物生长过程及生产现场环境的图像信息,土壤理化指标包括土壤温度、土壤湿度、土壤电导率、土壤pH值和土壤ORP,气象指标包括空气温湿度、光照度、风速、雨量、大气压力和CO2。
土壤理化指标监测传感器组11可根据检测需求增加或删减,气象指标监测传感器组12可根据检测需求增加或删减;第三类传感器组为机器视觉传感器组,机器视觉传感器组13为高清网络摄像机或高清数字摄像机。
数据集中采集与存储模块21与各传感器组连接,用于收集并贮存各传感器组实时在线获取的环境生态信息,数据预处理模块22与数据集中采集与存储模块21连接、用于对土壤理化指标进行滤波和融合预处理,定位模块23与数据无线传输模块24连接、用于进行定位,支持GPS定位和北斗两种定位方式,定位模块23为GPS/北斗双模定位模块。数据无线传输模块24为LoRa模块、3G模块、4G模块或5G模块。
供电管理模块25与分别与数据集中采集与存储模块21和数据无线传输模块24连接、用于对供电设备3进行管理,并为该土壤氮素在线监测系统提供分时分区的电力支持,供电设备3分别与环境生态监测传感器组1和ARM电路板2连接、用于供电,供电设备3可以是太阳能板、蓄电池和外部供电设备。这样,主要供电管理模块25就可以管理太阳能板产生的电量、蓄电池储存的电量和外部供电设备提供的电量,并为整个土壤氮素在线监测系统提供分时分区的电力支持。
远程操作工作站4为安装有在线监测软件系统的台式电脑、笔记本电脑、或PAD。远程操作工作站4与数据无线传输模块24连接、用于数据接收、存储、分析、建模、显示和查询,后台服务器5与数据无线传输模块24连接、用于数据和氮素分析模型的接收、存储和查询。
该土壤氮素在线监测系统的硬件部分主要用于采集、传输和存储环境生态监测数据(包括各传感器组获得的土壤、气象和作物信息),为信息分析建模、查询、显示提供硬件支持。该土壤氮素在线监测系统的软件系统分为两部分:一部分内置于ARM电路板2中,用于收集、存储和传输环境生态监测数据;另一部分安装在远程操作工作站中,用于数据的接收、存储、预处理、融合分析与建模、展示与查询等,并负责远程管理和调控硬件系统。
总之,本发明通过对田间环境与生态的监测信息进行预处理、融合分析与建模,筛选环境生态指标中与土壤氮素有关联关系的指标并建立能关联两者关系的模型,从而能实现对土壤氮素的快速在线测量及诊断。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种土壤氮素快速诊断方法,其特征在于,包括如下步骤:
A)实时采集土壤理化指标监测传感器组所获取的第一土壤理化指标、气象指标监测传感器组所获取的第一气象指标和机器视觉传感器组所获取的第一高清植株叶片数字图像;所述第一土壤理化指标包括土壤温度、土壤湿度、土壤电导率、土壤pH值和土壤ORP,所述第一气象指标包括空气温湿度、光照度、风速、雨量、大气压力和CO2;
B)从所述第一高清植株叶片数字图像中提取第一植株叶片图像颜色特征;
C)对所述第一土壤理化指标、第一气象指标和第一植株叶片图像颜色特征进行预处理;所述预处理包括滤波、降噪、异常数据剔除和标准化处理;
D)从所述土壤理化指标监测传感器组所测的第一土壤中取出部分土壤作为化学分析的第一土样,采用国标法检测所述第一土样的土壤氮素;
E)配置不同浓度的尿素,分别加入到所述第一土壤中得到第二土壤,同时采集所述土壤理化指标监测传感器组对所述第二土壤监测到的第二土壤理化指标、所述气象指标监测传感器组监测到的第二气象指标和所述机器视觉传感器组对所述第二土壤监测到的第二高清植株叶片数字图像,从所述第二高清植株叶片数字图像中提取第二植株叶片图像颜色特征,从所述第二土壤中取出部分土壤作为化学分析的第二土样,并采用所述国标法检测所述第二土样的土壤氮素;
F)采用主因素分析法,从所述第二土壤理化指标、第二气象指标、第二高清植株叶片数字图像或其组合中筛选出与所述国标法所检测的土壤氮素之间具有相关关系的监测指标或监测指标的组合,并将其作为特征指标;
G)将所述特征指标作为样本数据集X,将所述国标法所检测的土壤氮素作为土壤氮素预测变量Y,采用最小二乘法,建立所述土壤氮素预测变量Y和样本数据集X的偏最小二乘模型;
H)基于时间序列的新样本加入后,重新选定样本数据集,并根据新进样本数据集Xnew,重新更新所述偏最小二乘模型;
I)重复所述步骤H),任意改变土壤含氮素量,检验所述偏最小二乘模型的正确性,判断偏差是否小于第一设定值,如是,将最后更新的所述偏最小二乘模型作为所述第一土壤的氮素分析模型,执行步骤J);否则,返回所述步骤C)直至模型正确为止;
J)重复所述步骤A)至H),建立不同种类土壤的氮素分析模型,形成土壤氮素分析模型库,供在线监测软件系统调用;
所述步骤B)进一步包括:
B1)对所述第一高清植株叶片数字图像从RGB颜色空间转换为HSI颜色空间;转换过程具体为:
其中:R表示第一高清植株叶片数字图像的红色分量,G表示第一高清植株叶片数字图像的绿色分量,B表示第一高清植株叶片数字图像的蓝色分量,H表示色调,S表示饱和度,I表示强度;
B2)分别计算所述第一高清植株叶片数字图像的红色分量与所述第一高清植株叶片数字图像的蓝色分量的差值,计算所述差值与所述HSI颜色空间中饱和度的均值作为第一植株叶片图像颜色特征;
所述异常数据剔除包括如下步骤:
C1)对所述第一土壤理化指标和第一气象指标中的异常数据进行剔除,得到异常数据剔除后的实时数据;设样本xi={xij}∈X,i=1,2,...,N,j=1,2,...,k,其中N为样本总数据,k为样本维度;分别计算样本数据集X中各维数据的平均值分别计算各维度标准误差其中,获取实时数据xij,根据判断条件若满足条件则从样本数据集X中剔除该数据;
2.根据权利要求1所述的土壤氮素快速诊断方法,其特征在于,所述步骤H)进一步包括:
H1)对于选择的土壤氮素预测变量Y和样本数据集X,设定训练样本的最小长度为Low和最大长度为High,即设定时间窗口的样本数据的基本长度为Low~High,其中,Low<High;
H2)对于新样本数据加入后,对所述样本数据集X中的部分数据进行丢弃,丢弃的原则为:自第1个样本数据至第N-Low个样本数据,分别计算丢弃所述样本数据和不丢弃所述样本数据的预测模型,并采用预测均方根误差评价准则分别计算丢弃样本数据的预测模型的预测精度RMSEP1和不丢弃样本数据的预测模型的预测精度RMSEP2;
H3)比较丢弃样本数据的预测模型的预测精度RMSEP1与不丢弃样本数据的预测模型的预测精度RMSEP2,判断RMSEP1/RMSEP2是否小于第二设定值,如是,则丢弃第1个样本数据至第N-Low个样本数据,执行步骤H4);否则,保留所述第1个样本数据至第N-Low个样本数据,执行步骤H4);
H4)根据所述步骤H2)选定新进样本集Xnew,返回到步骤D)重新计算所述偏最小二乘模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710898376.2A CN107764976B (zh) | 2017-09-28 | 2017-09-28 | 土壤氮素快速诊断方法及在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710898376.2A CN107764976B (zh) | 2017-09-28 | 2017-09-28 | 土壤氮素快速诊断方法及在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107764976A CN107764976A (zh) | 2018-03-06 |
CN107764976B true CN107764976B (zh) | 2020-08-04 |
Family
ID=61267328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710898376.2A Active CN107764976B (zh) | 2017-09-28 | 2017-09-28 | 土壤氮素快速诊断方法及在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107764976B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108667069B (zh) * | 2018-04-19 | 2021-10-19 | 河海大学 | 一种基于偏最小二乘法回归的短期风电功率预测方法 |
CN110896319A (zh) * | 2018-09-13 | 2020-03-20 | 南京南大天域智能科技有限公司 | 一种基于电力载波通讯的土壤电导率传感器 |
CN110896320A (zh) * | 2018-09-13 | 2020-03-20 | 南京南大天域智能科技有限公司 | 一种基于电力载波通讯的光照传感器 |
CN110896321A (zh) * | 2018-09-13 | 2020-03-20 | 南京南大天域智能科技有限公司 | 一种基于电力载波通讯的大气压力传感器 |
CN110932756A (zh) * | 2018-09-14 | 2020-03-27 | 南京南大天域智能科技有限公司 | 一种基于电力载波通讯的空气湿度传感器 |
CN109725133B (zh) * | 2019-03-06 | 2022-01-21 | 河北谱尼测试科技有限公司 | 土壤水分实时监测系统及其监测方法 |
CN114720665B (zh) * | 2022-06-10 | 2022-09-16 | 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 |
CN117554301A (zh) * | 2023-11-08 | 2024-02-13 | 江西省农业科学院农业工程研究所 | 一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8144319B2 (en) * | 2009-05-07 | 2012-03-27 | Solum, Inc. | Automated soil measurement device |
CN101975764B (zh) * | 2010-09-29 | 2013-01-30 | 中国农业大学 | 基于近红外光谱技术的多波段土壤氮素检测装置和方法 |
CN102510397A (zh) * | 2011-10-24 | 2012-06-20 | 广州市健坤网络科技发展有限公司 | 一种农情信息采集装置和系统 |
CN102798597A (zh) * | 2012-08-13 | 2012-11-28 | 浙江大学 | 一种土壤总含氮量检测装置以及方法 |
FR3020876B1 (fr) * | 2014-05-06 | 2016-05-06 | Polyor Sarl | Diagnostic de l'etat diazotrophe de sols arables et preconisation des apports d'engrais n |
CN104990900B (zh) * | 2015-07-22 | 2017-12-05 | 中国农业大学 | 土壤氮素和含水率测量装置及方法 |
CN106770058A (zh) * | 2017-01-16 | 2017-05-31 | 中国科学院南京土壤研究所 | 基于红外光谱的土壤硝态氮的快速专用装置及其使用方法 |
CN106980750B (zh) * | 2017-02-23 | 2019-10-29 | 中国科学院南京土壤研究所 | 一种基于典型对应分析的土壤氮储量估算方法 |
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 |
-
2017
- 2017-09-28 CN CN201710898376.2A patent/CN107764976B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107764976A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107764976B (zh) | 土壤氮素快速诊断方法及在线监测系统 | |
CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
KR101810877B1 (ko) | 과일 수확 시기 예측 시스템 및 그 방법 | |
CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN113049509B (zh) | 一种基于光谱技术的农产品检测管理系统 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN108037081A (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN108387534A (zh) | 测定植株含水量方法和装置 | |
CN116310842B (zh) | 基于遥感图像的土壤盐碱区域识别划分方法 | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
CN115372281A (zh) | 一种土壤物理结构和化学构成的监测系统及方法 | |
CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
CN104006767A (zh) | 一种基于图像处理的高通量测定植物株型的方法 | |
CN114049370A (zh) | 一种基于深度学习方法的智能移动终端有色溶液浓度检测方法 | |
CN103048275A (zh) | 基于近红外光谱的自适应软仪表装置及其构造方法 | |
CN117607019B (zh) | 电力金具表面智能检测方法和检测系统 | |
CN112255383A (zh) | 一种基于大数据的水质监测分析系统 | |
CN113376107B (zh) | 基于云平台的水质监测系统和方法 | |
CN111458308A (zh) | 一种近红外光谱龙胆鉴别方法和系统 | |
CN118016201B (zh) | 一种便携式组网水质检测方法及系统 | |
CN105954481A (zh) | 一种水质监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |