CN110455726B - 一种实时预测土壤水分和全氮含量的方法 - Google Patents

一种实时预测土壤水分和全氮含量的方法 Download PDF

Info

Publication number
CN110455726B
CN110455726B CN201910697300.2A CN201910697300A CN110455726B CN 110455726 B CN110455726 B CN 110455726B CN 201910697300 A CN201910697300 A CN 201910697300A CN 110455726 B CN110455726 B CN 110455726B
Authority
CN
China
Prior art keywords
soil
total nitrogen
nitrogen content
moisture
prediction model
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
Application number
CN201910697300.2A
Other languages
English (en)
Other versions
CN110455726A (zh
Inventor
王琴琴
黄思源
张昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfang Zhigan (Zhejiang) Technology Co.,Ltd.
Original Assignee
Dongfang Zhigan Zhejiang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfang Zhigan Zhejiang Technology Co ltd filed Critical Dongfang Zhigan Zhejiang Technology Co ltd
Priority to CN201910697300.2A priority Critical patent/CN110455726B/zh
Publication of CN110455726A publication Critical patent/CN110455726A/zh
Application granted granted Critical
Publication of CN110455726B publication Critical patent/CN110455726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提出了一种实时预测土壤水分和全氮含量的方法，对土壤样本进行数据采集，以水分敏感波长和氮敏感波长的吸光度值作为输入自变量，建立含水状态下的土壤全氮含量预测模型；根据该模型建立多输出变量的预测模型；根据该预测模型的输出结果预测土壤水分和全氮含量。本发明基于不同类型土壤，通过敏感波长选择建立了一种通用型的光谱预测模型，无需进行复杂的光谱数据预处理和水分修正的工作，即可实现对不同类型土壤水分和全氮含量进行预测。相比于采集样本后再进行分析，本发明可在现场连续采集光谱信息的同时可以同步连续输出水分和全氮含量，保证了数据的实时性、真实性和可持续性，拓展了土壤水分和全氮含量的原位、实时和可持续监测应用。

Description

一种实时预测土壤水分和全氮含量的方法
技术领域
本申请涉及土壤检测分析领域，尤其涉及一种实时预测土壤水分和全氮含量的方法。
背景技术
土壤中的水分和氮素对作物的生长和果实的发育有着至关重要的作用。了解土壤水和全氮含量，因地合理灌溉和施肥，可以降低经济上的损失同时减少因过度施肥对环境产生的恶劣影响。所以发展快速、实时、原位、连续且无污染的检测方法具有重要的现实意义。
近红外光谱分析是集计算机科学、光谱学和化学计量学等多种学科知识的一种先进分析技术。因其无损、快速、无污染的特点，近些年在农业领域的应用受到了广泛的关注和研究。近红外光的波长范围为780nm至2560nm，其光谱信息主要是含氢基团，如C-H、O-H、N-H等化学键振动产生的合频与倍频的吸收。这些近红外光谱吸收蕴含着丰富的分子结构、组成状态等信息，这就为光谱技术定量分析样品的物理性质及化学成分提供了理论基础。
目前，采用近红外光谱分析技术判定土壤类型，检测土壤有机碳、水分和全氮等含量具有较高的检测精度，但是研究主要集中在实验室进行，并且通常建立的仅仅是针对某一块田地的局部光谱模型，很难在实际中应用施行。此外，大多研究选择全波长范围建模，通过繁琐的土样数据预处理，建立的模型较为繁冗，而且全波长范围建模因为包含太多无用光谱信息，反而降低了模型的预测精度。
近些年，有研究通过对水分、氮特征波长的选取，采用线性或非线性的方法对土壤水分和全氮含量进行预测，但是预测的方法是针对不同的参数采用不同的方法建立预测模型，若同时测量水分和全氮，需要分别对其进行建模分析。此外，因水分对全氮含量预测存在严重的干扰，通常在含水状态下对全氮含量预测需要进行水分修正处理，以消除水分影响，使得数据处理和建模分析更为繁琐、复杂。
发明内容
为解决上述技术问题之一，本发明提供了一种实时预测土壤水分和全氮含量的方法。
本发明实施例提供了一种实时预测土壤水分和全氮含量的方法，所述方法包括：
对土壤样本进行数据采集，根据所述数据采集结果获取水分敏感波长和氮敏感波长；
以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，建立含水状态下的土壤全氮含量预测模型；
根据所述含水状态下的土壤全氮含量预测模型建立多输出变量的预测模型；
根据所述多输出变量的预测模型的输出结果获取预测土壤水分和全氮含量。
优选地，在所述对土壤样本进行数据采集之前，所述方法还包括对所述土壤样本进行预处理的过程，所述对所述土壤样本进行预处理的具体过程为：
对所述土壤样本一次分组分为三组N1、N2和N3；
将三组中的其中两组进行二次分组分为N21至N2i和N31至N3i；
在所述N21至N2i中分别添加含量不同的蒸馏水，混合均匀后静置一段时间；
在所述N31至N3i中分别添加含量不同的尿素溶液，混合均匀后静置一段时间。
优选地，所述对土壤样本进行数据采集，根据所述数据采集结果获取水分敏感波长的具体过程为：
对所述添加有蒸馏水的N21至N2i组土壤样本进行光谱分析，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据；
将所述添加有蒸馏水的N21至N2i组土壤样本进行烘干，获取含水率数据；
将所述烘干后的N21至N2i组土壤样本碾磨后进行光谱分析和全氮检测，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据以及全氮含量数据；
根据所述可见-近红外吸收光谱数据获取不同含水率的土壤中含水率与吸收峰强度之间的关系；
根据所述不同含水率的土壤中含水率与吸收峰强度之间的关系获取所述水分敏感波长。
优选地，所述对土壤样本进行数据采集，根据所述数据采集结果获取氮敏感波长的具体过程为：
将所述添加有尿素溶液的N31至N3i组土壤样本进行光谱分析，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据；
将所述添加有尿素溶液的N31至N3i组土壤样本进行烘干，获取含水率数据；
将所述烘干后的N31至N3i组土壤样本碾磨后进行光谱分析和全氮检测，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据以及全氮含量数据；
根据所述可见-近红外吸收光谱数据获取不同全氮含量的土壤中全氮含量与吸收峰强度之间的关系；
根据所述不同全氮含量的土壤中全氮含量与吸收峰强度之间的关系获取所述氮敏感波长。
优选地，所述以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入变量，建立含水状态下的土壤全氮含量预测模型的具体过程为：
以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，土壤全氮含量作为输出因变量，采用第一误差反向传播神经网络和非线性最小二乘算法进行模型训练，建立含水状态下的土壤全氮含量预测模型。
优选地，所述第一神经网络结构包括一个隐含层、三个隐含节点和一个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次。
优选地，所述根据所述含水状态下的土壤全氮含量预测模型建立多输出变量的预测模型的具体过程为：
以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，土壤水分含量和土壤全氮含量作为输出因变量，采用第二误差反向传播神经网络和非线性最小二乘算法进行模型训练，建立多输出变量的预测模型。
优选地，所述第二神经网络结构包括一个隐含层、五个隐含节点和两个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次。
本发明的有益效果如下：本发明对不同类型的土壤进行光谱分析，通过水分和全氮特征波长的选取，建立了一种具有可通用性的预测模型，无需进行复杂的光谱数据预处理和水分修正的工作，即可实现对不同类型土壤水分和全氮含量进行预测，提高了预测精度。本发明在现场连续采集光谱信息的同时可以同步连续输出水分和全氮含量，无需将样本采集后分析，保证了数据的实时性、真实性和可持续性，拓展了土壤水分和全氮含量的原位、实时和可持续监测应用。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例所述的实时预测土壤水分和全氮含量的方法的流程图；
图2为本发明实施例所述的S102中神经网络结构的示意图；
图3为本发明实施例所述的S102中训练集的模型训练结果；
图4为本发明实施例所述的S102中验证集的模型训练结果；
图5为本发明实施例所述的S103中神经网络结构的示意图；
图6为本发明实施例所述的S103中训练集的模型训练结果；
图7为本发明实施例所述的S103中验证集的模型训练结果。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本实施例提出了一种实时预测土壤水分和全氮含量的方法，如图1所示，所述方法包括：
S101、对土壤样本进行数据采集，根据所述数据采集结果获取水分敏感波长和氮敏感波长。
具体的，本实施例中的土壤样本可选自不同地理位置的农田土壤，将其进行杂质剔除、自然风干、碾磨、过筛之后进行使用。在对土壤样本进行数据采集之前，本实施例首先将所述土壤样本一次分组分为三组N1、N2和N3；将三组中的其中两组进行二次分组分为N21至N2i和N31至N3i；在所述N21至N2i中分别添加含量不同的蒸馏水，混合均匀后静置一段时间；在所述N31至N3i中分别添加含量不同的尿素溶液，混合均匀后静置一段时间。
举例说明，采集全国各地不同地理位置的15种农田土壤，剔除剔除石头、树根等杂质，自然风干(含水率控制在3％以内)，碾磨，过1mm孔筛备用。
对上述的每一种土壤样品称量31等份50.00g的土壤样品，第1份不做处理，第2-16份，分别依次加入2g，3g，4g，5g，6g，7g，8g，9g，10g，12g，14g，16g，18g，20g，25g蒸馏水，混合均匀，常温静置12h；第17-31份，分别依次加入2g，3g，4g，5g，6g，7g，8g，9g，10g，12g，14g，16g，18g，20g，25g浓度为10g/kg的尿素溶液(CO(NH)2)，混合均匀，常温静置12小时。
在上述对土壤样本进行预处理之后，对所有的土壤样本进行光谱分析，以获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据。其中，光谱分析过程可采用ASD F ie l dSpec4地物光谱仪进行。
因考虑到土壤中的尿素在高温和高含水率条件下容易水解，故将所有的土壤样本在常温下自然风干2天，然后放入105℃的烘箱中烘干12小时，差重法测得每一组样本的真实含水率。之后，将所有干土样碾磨，使用E l ementar元素分析仪对所有土壤样本进行全氮检测，同时测量烘干土样的可见-近红外吸收光谱。
本实施案例合计获取459组样本数据，每组样本数据包括：含水土壤样本吸收光谱、不含水土壤样本吸收光谱、含水率和全氮含量。
对于水分敏感波长和氮敏感波长的选择，通过对不同含水率的土壤光谱分析，发现随着含水率的增加，在1450nm和1940nm波长处明显吸收峰强度增加，这2个波长作为预测土壤水分含量的水分敏感波段。
在实验中，可以通过对土壤样品加入不同量的尿素溶液从而调控样品中的全氮含量。通过烘干样品的光谱测量，发现随着土壤全氮含量的增加，在1460nm至1550nm，1960nm至2050nm以及2100nm至2130nm波段内明显有新的吸收峰出现，这些吸收峰可认为是由于氮含量增加而产生的。在本实施例中，选择1350nm、1475nm、1550nm、1710nm、1870nm、2010nm、2052nm、2123nm、2250nm、2350nm这10个波长作为本实施例中实时预测土壤全氮含量的氮敏感波长。
S102、以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，建立含水状态下的土壤全氮含量预测模型。
具体的，将上述选取的2个水分敏感波长和10个氮敏感波长的吸光度值作为输入自变量，土壤全氮含量作为输出因变量，采用如图2所示的神经网络结构，采用非线性最小二乘算法进行模型训练，建立含水状态下的土壤全氮含量预测模型。其中，图2所示的神经网络结构包括一个隐含层、三个隐含节点和一个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次。非线性最小二乘算法可采用Levenberg-Marquardt训练算法。
依据所获取的459组样本数据，训练集和验证集的数据按照2:1比例进行模型训练和验证，模型训练结果如图3和图4所示。其中训练集的拟合优度R2为0.931，均方根误差(RMSE)为0.30g/kg，验证集的R2为0.921，RMSE为0.33g/kg。
以上结果表明，通过将选择的水分和氮敏感波长吸光度同时作为输入变量，采用神经网络算法可以很好地预测混合土壤样本的全氮含量，建立了针对不同土壤类型可通用的全氮含量预测模型。
S103、根据所述含水状态下的土壤全氮含量预测模型建立多输出变量的预测模型。
具体的，本实施例在步骤S102的结果发现通过神经网络算法可以很好的拟合含水状态下的全氮含量预测模型，拟合优度很高。进而，本实施例采用同样水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，应用神经网络算法对土壤水分和全氮含量进行多因变量的模型拟合。
以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，土壤水分含量和土壤全氮含量作为输出因变量，采用图5所示的神经网络结构和非线性最小二乘算法进行模型训练，建立多输出变量的预测模型。其中，图5所示的神经网络结构包括一个隐含层、五个隐含节点和两个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次。非线性最小二乘算法可采用Levenberg-Marquardt训练算法。
依据所获取的459组样本数据，训练集和验证集的数据按照2：1比例进行模型训练和验证，模型训练结果见图6和图7所示。其中土壤含水率预测模型的训练集R2为0.94，RMSE为3.1％，验证集R2为0.95，RMSE为3.2％；土壤全氮含量预测模型的训练集R2为0.90，RMSE为0.36g/kg，验证集的R2为0.88，RMSE为0.43g/kg。以上结果表明，通过神经网络算法，可以通过同一个网络模型实现对土壤水分和全氮含量的同时预测，并且可以获取较优的预测效果，并且对比全氮含量单一变量的预测，多变量同时预测在预测结果上差异并不大，这就为多变量预测建模方法提供了一个新的思路，使得神经网络方法对土壤水分和全氮含量进行建模分析更为实用。
S104、根据所述多输出变量的预测模型的输出结果获取预测土壤水分和全氮含量。
具体的，通过上述多输出变量的预测模型的输出结果可作为预测土壤水分和全氮含量的依据，进而对不同地理位置的不同类型土壤进行水分和全氮含量进行预测和分析。
本实施例所提出的方法可以拓展应用到任何土壤类型上，不受土壤类型的限制，解决了以往基于单一土壤类型进行建模分析，或者是多种土壤分别建模所造成的普适性受限的问题。同时，本实施例能够利用同一个模型结构同时进行土壤水分和全氮的多元预测，并为以后的土壤多元预测开辟了新的思路。另外，以往的土壤全氮光谱分析都是基于自然风干或者烘干的土壤样本进行建模的，没有带入水分对光谱的影响。因为水分的存在，对光谱吸收有不可忽视的影响，而应用干土壤样本建立的全氮预测模型无法使用于含水的土壤样本，故无法做到监测的实时和可持续性。而本实施例所提出的方法充分考虑了水分的影响，并且不用复杂的水分修正就能实现高精度的水分和全氮预测，可进行实时和可持续性的土壤全氮分析。相比于以往研究，本实施例采用的神经网络结构更为简单化，模型预测精度更高，更具有实际应用价值。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (4)

1.一种实时预测土壤水分和全氮含量的方法，其特征在于，所述方法包括：
对土壤样本进行数据采集，根据所述数据采集结果获取水分敏感波长和氮敏感波长；
以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，建立含水状态下的土壤全氮含量预测模型；
所述建立含水状态下的土壤全氮含量预测模型的具体过程为：
以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，土壤全氮含量作为输出因变量，采用第一误差反向传播神经网络和非线性最小二乘算法进行模型训练，建立含水状态下的土壤全氮含量预测模型；
所述第一误差反向传播神经网络结构包括一个隐含层、三个隐含节点和一个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次；
根据所述含水状态下的土壤全氮含量预测模型建立多输出变量的预测模型；
所述建立多输出变量的预测模型的具体过程为：
以所述水分敏感波长的吸光度值和氮敏感波长的吸光度值作为输入自变量，土壤水分含量和土壤全氮含量作为输出因变量，采用第二误差反向传播神经网络和非线性最小二乘算法进行模型训练，建立多输出变量的预测模型；
所述第二误差反向传播神经网络结构包括一个隐含层、五个隐含节点和两个输出层，所述隐含层使用tanh激活函数作为传递函数，学习率为0.1，输出层函数为线性函数，迭代次数最大为1000次；
根据所述多输出变量的预测模型的输出结果获取预测土壤水分和全氮含量。
2.根据权利要求1所述的方法，其特征在于，在所述对土壤样本进行数据采集之前，所述方法还包括对所述土壤样本进行预处理的过程，所述对所述土壤样本进行预处理的具体过程为：
对所述土壤样本一次分组分为三组
Figure 645827DEST_PATH_IMAGE001
、
Figure 952043DEST_PATH_IMAGE002
和
Figure 266350DEST_PATH_IMAGE003
；
将三组中的其中两组进行二次分组分为
Figure 25227DEST_PATH_IMAGE004
至
Figure 699660DEST_PATH_IMAGE005
和
Figure 125962DEST_PATH_IMAGE006
至
Figure 369028DEST_PATH_IMAGE007
；
在所述
Figure 615202DEST_PATH_IMAGE004
至
Figure 578479DEST_PATH_IMAGE005
中分别添加含量不同的蒸馏水，混合均匀后静置一段时间；
在所述
Figure 328129DEST_PATH_IMAGE006
至
Figure 249817DEST_PATH_IMAGE007
中分别添加含量不同的尿素溶液，混合均匀后静置一段时间。
3.根据权利要求2所述的方法，其特征在于，所述对土壤样本进行数据采集，根据所述数据采集结果获取水分敏感波长的具体过程为：
对添加有蒸馏水的
Figure 717708DEST_PATH_IMAGE004
至
Figure 750255DEST_PATH_IMAGE005
组土壤样本进行光谱分析，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据；
将添加有蒸馏水的
Figure 869258DEST_PATH_IMAGE004
至
Figure 961848DEST_PATH_IMAGE005
组土壤样本进行烘干，获取含水率数据；
将烘干后的
Figure 917034DEST_PATH_IMAGE004
至
Figure 487693DEST_PATH_IMAGE005
组土壤样本碾磨后进行光谱分析和全氮检测，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据以及全氮含量数据；
根据可见-近红外吸收光谱数据获取不同含水率的土壤中含水率与吸收峰强度之间的关系；
根据所述不同含水率的土壤中含水率与吸收峰强度之间的关系获取所述水分敏感波长。
4.根据权利要求2或3所述的方法，其特征在于，所述对土壤样本进行数据采集，根据所述数据采集结果获取氮敏感波长的具体过程为：
将添加有尿素溶液的
Figure 211935DEST_PATH_IMAGE006
至
Figure 475427DEST_PATH_IMAGE007
组土壤样本进行光谱分析，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据；
将添加有尿素溶液的
Figure 917909DEST_PATH_IMAGE006
至
Figure 292259DEST_PATH_IMAGE007
组土壤样本进行烘干，获取含水率数据；
将烘干后的
Figure 402166DEST_PATH_IMAGE006
至
Figure 836558DEST_PATH_IMAGE007
组土壤样本碾磨后进行光谱分析和全氮检测，获取波长范围为350nm至2500nm的可见-近红外吸收光谱数据以及全氮含量数据；
根据可见-近红外吸收光谱数据获取不同全氮含量的土壤中全氮含量与吸收峰强度之间的关系；
根据所述不同全氮含量的土壤中全氮含量与吸收峰强度之间的关系获取所述氮敏感波长。
CN201910697300.2A 2019-07-30 2019-07-30 一种实时预测土壤水分和全氮含量的方法 Active CN110455726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910697300.2A CN110455726B (zh) 2019-07-30 2019-07-30 一种实时预测土壤水分和全氮含量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910697300.2A CN110455726B (zh) 2019-07-30 2019-07-30 一种实时预测土壤水分和全氮含量的方法

Publications (2)

Publication Number Publication Date
CN110455726A CN110455726A (zh) 2019-11-15
CN110455726B true CN110455726B (zh) 2022-02-11

Family

ID=68484147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910697300.2A Active CN110455726B (zh) 2019-07-30 2019-07-30 一种实时预测土壤水分和全氮含量的方法

Country Status (1)

Country Link
CN (1) CN110455726B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111508569B (zh) * 2020-03-19 2023-05-09 中国科学院南京土壤研究所 一种基于土壤传递函数的目标土壤性质含量预测方法
CN112098469B (zh) * 2020-09-15 2023-06-30 北京安赛博技术有限公司 一种土壤电导率检测系统及方法
CN112986531B (zh) * 2021-01-25 2023-06-27 南宁师范大学 一种基于水热条件预测土壤全氮含量的方法
CN113029974A (zh) * 2021-03-08 2021-06-25 中国农业大学 一种基于漫反射光谱的剖面土壤养分检测方法及装置
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104990900A (zh) * 2015-07-22 2015-10-21 中国农业大学 土壤氮素和含水率测量装置及方法
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
CN108088818A (zh) * 2017-12-19 2018-05-29 中国农业大学 一种车载式土壤含水率和全氮含量光谱测量系统及方法
CN109374860A (zh) * 2018-11-13 2019-02-22 西北大学 一种基于机器学习算法的土壤养分预测及综合评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
CN104990900A (zh) * 2015-07-22 2015-10-21 中国农业大学 土壤氮素和含水率测量装置及方法
CN108088818A (zh) * 2017-12-19 2018-05-29 中国农业大学 一种车载式土壤含水率和全氮含量光谱测量系统及方法
CN109374860A (zh) * 2018-11-13 2019-02-22 西北大学 一种基于机器学习算法的土壤养分预测及综合评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SOIL PROPERTIES PREDICTION FOR REAL-TIME SOIL SENSOR BASED ON NEURAL NETWORK;Eiji Morimoto et al.，;《Automation Technology for Off-Road Equipment》;20041007;第425-431页 *
基于近红外光谱分析的土壤分层氮素含量预测;张瑶等;《农业工程学报》;20150508(第09期);第121-126页 *

Also Published As

Publication number Publication date
CN110455726A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110455726B (zh) 一种实时预测土壤水分和全氮含量的方法
Cozzolino Use of infrared spectroscopy for in-field measurement and phenotyping of plant properties: instrumentation, data analysis, and examples
Zhang et al. Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection
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
CN110160967A (zh) 一种作物冠层叶片的全氮含量估算方法
CN110189793B (zh) 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类
CN105784628A (zh) 一种利用中红外光谱检测土壤有机质化学组成的方法
Mishra et al. Improved prediction of potassium and nitrogen in dried bell pepper leaves with visible and near-infrared spectroscopy utilising wavelength selection techniques
CN106770058A (zh) 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
CN105758819A (zh) 一种利用近红外光谱检测土壤的有机组分的方法
Guo et al. A robust method to estimate foliar phosphorus of rubber trees with hyperspectral reflectance
Lu et al. A feasibility quantitative analysis of NIR spectroscopy coupled Si-PLS to predict coco-peat available nitrogen from rapid measurements
Wang et al. Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics
Ge et al. Visible and near‐infrared reflectance spectroscopy analysis of soils
Xuemei et al. Using short wave visible–near infrared reflectance spectroscopy to predict soil properties and content
CN113670913A (zh) 水稻氮素含量反演高光谱植被指数构建方法
Lin et al. Mixture-based weight learning improves the random forest method for hyperspectral estimation of soil total nitrogen
CN115479902A (zh) 基于波长的叶绿素含量测定模型构建方法及其系统
CN102042967B (zh) 一种基于近红外光谱技术的葡萄糖水溶液快速识别方法
Yin et al. Study on the quantitative relationship among canopy hyperspectral reflectance, vegetation index and cotton leaf nitrogen content
Jie et al. Determination of Nitrogen Concentration in Fresh Pear Leaves by Visible/Near‐Infrared Reflectance Spectroscopy
Song et al. Fractional-order derivative spectral transformations improved partial least squares regression estimation of photosynthetic capacity from hyperspectral reflectance
Wang et al. Predicting organic matter content, total nitrogen and ph value of lime concretion black soil based on visible and near infrared spectroscopy
CN107796779A (zh) 橡胶树叶片氮素含量的近红外光谱诊断方法
Sanogo et al. Capability of visible-near infrared spectroscopy in estimating soils carbon, potassium and phosphorus

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
TA01 Transfer of patent application right

Effective date of registration: 20220107

Address after: 311221 room 1301, Shengzhong village, Xinjie street, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant after: Dongfang Zhigan (Zhejiang) Technology Co.,Ltd.

Address before: 101100 No. 2 (A-3), government road, Tongzhou Park optical electromechanical integration industrial base, Zhongguancun Science and Technology Park, Tongzhou District, Beijing

Applicant before: BEIJING INSENTEK TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant