CN116636369A - 一种基于可见-近红外光谱技术的施肥方法 - Google Patents

一种基于可见-近红外光谱技术的施肥方法 Download PDF

Info

Publication number
CN116636369A
CN116636369A CN202310885797.7A CN202310885797A CN116636369A CN 116636369 A CN116636369 A CN 116636369A CN 202310885797 A CN202310885797 A CN 202310885797A CN 116636369 A CN116636369 A CN 116636369A
Authority
CN
China
Prior art keywords
soil
fertilization
fertilizer
nutrient
module
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
Application number
CN202310885797.7A
Other languages
English (en)
Inventor
杨华民
杨宏伟
张婧
冯欣
蒋振刚
张昕
张剑飞
周超然
白森
戴加海
刘艳文
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.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
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 Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202310885797.7A priority Critical patent/CN116636369A/zh
Publication of CN116636369A publication Critical patent/CN116636369A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A01C21/007—Determining fertilization requirements
    • 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
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Soil Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Environmental Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

本发明属于农业施肥技术领域，尤其为一种基于可见‑近红外光谱技术的施肥方法，包括施肥推荐系统，施肥推荐系统包含数据采集模块、数据处理模块、土壤分级模块和施肥推荐模块，数据采集模块通过人工使用便携式手持光谱仪进行测定，数据处理模块由光谱数据库和土壤养分预测组成，土壤分级模块把预测结果按照分级标准对土壤进行分级。本发明通过阶梯施用量的试验，把施肥量与产量的数值带入函数，便可求出四元肥料效应函数方程式，根据肥料效应函数，进行定量施肥推荐，指导作物科学施肥。本发明克服了土壤肥力指标法中，测土的高成本、适用范围小、测土困难等问题，可以实现低成本，高效率，简单便捷的成分预测。

Description

一种基于可见-近红外光谱技术的施肥方法
技术领域
本发明涉及农业施肥技术领域，具体为一种基于可见-近红外光谱技术的施肥方法。
背景技术
本发明的背景：土壤养分含量是影响作物生长的关键因素，根据产量定律，当作物严重缺乏某种养分时，施肥与产量的关系往往是直线关系，但随着施肥量的继续增加，施肥量与产量之间变成曲线关系，在同一生产条件下，随着施肥量的增加，产量随之增加，但是作物的增产量随着施肥量的增加则逐渐递减，即报酬递减，而且当作物产量达到最高之后，再增加施肥量，反而会引起减产。
当有机质含量较低时，施用有机质肥和土壤氮、磷、钾肥的同时施用会更加有效的提高作物产量，当有机物质含量较高时，少量的土壤氮、磷、钾肥的施用能更有效的提高作物产量，但是，过多的施用有机质肥会“烧死”作物，氮肥因为易挥发、流失，利用率只有30%-50%，磷肥的利用率才10%-25%，钾的利用率只有50%左右。氮、磷、钾等一些化学物质易被土壤固结，使各种盐分在土壤中积累，造成土壤养分失调，超量使用化肥使果蔬生长性状低劣，并且容易腐烂，不宜存放。因此，适量施肥对于土壤保护和作物增产至关重要。
常用的施肥方法有以下几种：
1.经验施肥法：就是农民根据自己的经验确定施肥数量，此法不足之处在于没有考虑土壤的基本情况以及作物需肥量等因素，容易造成施肥过量或者施肥不足的后果。
2.土壤肥力指标法：根据测定的土壤有效养分，以生物相对指标校验土壤有确定相应的分级范围值。同时，在不同养分肥力指标的田块上根据养分肥力指标，设置施肥量试验，根据肥料效应函数计算出施肥量和肥料配方。
3.目标产量配方法：该方法基本原理是根据作物目标产量需要养分数量与土壤供应量之差计算施肥量。用公式表示为：某养分元素的合理用量=(一季作物的养分总吸收量-养分供应量)/肥料中养分的当季利用率，式中:一季作物的养分总吸收量=生物学产量，某养分在植株中平均含量、土壤养分供应量由测定的土壤养分含量计算出来，肥料中养分的当季利用率根据田间试验结果计算而得。方法同样需要测定土壤养分，同样存在土样测定的价格较高、测土服务站点少、土样测定耗时较长等不足。
4.田间试验配方法：通过单因子或多因子设计多点田间试验，选出最优配方确定肥料的施用量。此方法试验周期长、专业技术含量高，一般只用于科学研究，不易推广应用。另外，所获得的配方只能适用于某一特定作物，对其它作物则不适用。
5.营养诊断方法：作物在不同生育阶段的体内养分含量不同，通过诊断某种养分含量的丰缺判断是否需要施肥。营养诊断方法需要测定植株某一部位的养分含量，也存在测土服务站点少、成本高等不利因素，另一方面，往往等到植株表现出缺乏养分后，才采取补救施肥措施。
土壤肥力指标法：根据测定的土壤有效养分，以生物相对指标校验土壤有效养分肥力指标，确定相应的分级范围值，用以指导肥料施用。如能在不同肥力指标的田块上继续设置施肥量试验，还可根据肥料效应函数进一步计算出施肥量，提出定量化的施肥建议，指导作物科学施肥。目前，在我国农业生产实践中难以应用该方法，主要原因是：
(1)测定的价格较高。每次每一个样本测定费用150-200元，这一费用约占农村人均收入的1/10，农民难以承受。
(2)测土服务站点少。全国仅有少数的县(市)肥料站开展此项业务，多数县(市)土肥站由于经费、人员、场地、仪器设备等原因，不能开展此项业务。
(3)土样测定耗时较长。一般情况下，进行常规营养养分项目的测定分析，需要7-10天，不能及时为农户决策提供服务。
为解决上述技术问题，本发明提出一种基于可见-近红外光谱技术的施肥方法来解决上述缺陷。
发明内容
（一）解决的技术问题
本发明提出一种基于可见-近红外光谱技术的施肥方法，解决了上述背景技术中提出的问题。
（二）技术方案
本发明为了实现上述目的具体采用以下技术方案：
一种基于可见-近红外光谱技术的施肥方法，包括施肥推荐系统，施肥推荐系统包含数据采集模块、数据处理模块、土壤分级模块和施肥推荐模块。
S1、数据采集模块（1）通过人工使用便携式手持光谱仪进行测定，在农耕之前，由用户或者数据采集人员收集土壤光谱信息，使用五点采样法测量5组土壤光谱信息，5组信息进行平均即为一个采样点的数据，采样结果通过检测设备自动上传到数据处理模块进行处理。
S2、数据处理模块（2）由光谱数据库和土壤养分预测组成。
1）、光谱数据库的制备：首先通过颗粒大小划分土壤类型，分为沙土，粘土，壤土三种类型，按照土壤类型，每种土壤类型采200-500个采样样本，采样时使用五点采样法进行采样，采样所得的5个土壤样本进行混合，把混合的土壤去除杂质、晒干、研磨，取一半在实验室内按照国家标准的土壤养分测定法测定土壤有机质、全氮、有效磷、速效钾的含量。同时使用便携式手持光谱仪测定另一半土壤的可见-近红外光谱反射率，土壤养分数据和光谱数据一一对应。
2）、土壤养分预测：按照土壤类型建立土壤养分预测模型，划分土壤类型进行预测有助于提高预测模型的准确性和稳定性，土壤养分预测模型的建立一共有三步，数据预处理、特征波长选择、预测模型。
3）、数据预处理：首先对得到的光谱数据进行去除噪声处理，然后使用预处理算法处理数据，本发明使用乘性散射校正（MSC）算法进行处理，
MSC主要包括两个步骤：
1.修正系数的估计（加法和乘法贡献）。
2.校正记录的光谱。
其中是由近红外仪器测量的一个原始样品光谱，/>是用于整个数据集预处理的参考光谱，/>是/>的未建模部分，/>是校正后的光谱，/>和/>是标量参数，对每个样品都不同。
特征波长选择：预处理之后的结果使用竞争性自适应重加权采样（CARS）算法进行特征波长选择，得到N个特征波长。PLS（偏最小二乘）是一种广泛使用的基于潜在变量的和/>之间的线性关系建模方法。 假设得分矩阵用/>表示，它是/>以/>为组合系数的线性组合，/>是/>对/>的最小二乘法回归系数向量。因此，我们有以下公式：
；
其中是预测误差，/>是p维系数向量。/>中第/>个元素的绝对值/>反映了第/>个波长对/>的贡献。因此，很自然地说/>越大，第/>个变量就越重要。为了评估每个波长的重要性，将归一化权重定义为：
通过CARS消除的波长的权重被设置为零，使得权重向量总是p维的。根据权重大小设置概率，筛选出N个特征波长。
预测模型：预测模型使用偏最小二乘回归（PLSR）模型，按照上一步所得的N个特征波长作为输入进行预测。预测模型如下：
S3、把这三个土壤养分预测模型组成一个光谱库，使用时只需要输入土壤类型和对应的土壤可见-近红外光谱的反射率，通过定位系统获得土壤类型数据，第一步数据采集模块（1）的信息可直接通过网络上传到光谱数据库，就可以得到预测的土壤养分含量。
S4、由近红外光谱技术测量的土壤养分结果带入土壤分级模块，给有机质、全氮、有效磷、速效钾含量进行分级，得到分级结果，将分级结果输入施肥推荐模块。
S5、本发明所述的施肥推荐模块是通过土壤养分等级进行养分施肥指导，分为两步，第一步描述为：当某一土壤养分指标在二级及以上时，施肥对产量影响不大，不推荐进行施肥，当处于三级及以下时，则推荐施用相应养分的肥料。
第二步描述为：根据第一步施肥推荐，设置阶梯施肥量试验，根据肥料效应函数计算出施肥量和肥料配方，进行定量施肥推荐，指导作物科学施肥。
进一步地，土壤分级模块，根据国家第二次土壤检测标准，土壤有有机质、全氮、有效磷、速效钾含量的等级分为六级，由高到低分别为一级至六级。
进一步地，肥料效应函数是以田间施肥试验为基础，将不同处理的产量进行数理统计，求出在该试验条件下施肥量与产量的之间的定量函数关系，通过多个田间试验点的施肥量与产量进行统计分析，归纳整理，构建肥料效应函数方程式。
进一步地，肥料效应函数使用四元肥料效应函数，四元肥料效应函数如下：
其中，为函数的效应系数；/>为/>的主效应系数；/>为/>的主效应系数；为/>的主效应系数；/>为/>的主效应系数；/>为/>的主效应系数；，分别为/>的交互效应系数。
根据四元肥料效应函数，、/>、/>、/> 效应函分别代表有机质、全氮、有效磷、速效钾的化肥施用量，/>为产量，通过阶梯施用量的试验，把施肥量与产量的数值带入函数，便可求出四元肥料效应函数方程式，根据肥料效应函数，进行定量施肥推荐，指导作物科学施肥。
（三）有益效果
与现有技术相比，本发明提供了一种基于可见-近红外光谱技术的施肥方法，具备以下有益效果：
本发明克服了土壤肥力指标法中，测土的高成本、适用范围小、测土困难等问题，可以实现低成本，高效率，简单便捷的土壤养分预测。
附图说明
图1为本发明施肥推荐系统示意图；
图2为本发明数据采集模块示意图；
图3为本发明数据处理模块示意图；
图4为本发明土壤分级模块示意图；
图5为本发明施肥推荐模块示意图。
图中：1、数据采集模块；2、数据处理模块；3、土壤分级模块；4、施肥推荐模块。
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。
实施例
如图1-5所示，本发明一个实施例提出的一种基于可见-近红外光谱技术的施肥方法，包括基于可见-近红外光谱技术的施肥推荐系统，本发明中所述的施肥推荐系统一共包含四个模块，数据采集模块、数据处理模块、土壤分级模块、施肥推荐模块。
如图2所示，本发明所述的数据采集模块是通过人工使用便携式手持光谱仪进行测定，在农耕之前，由用户或者数据采集人员收集土壤光谱信息，使用五点采样法测量5组土壤光谱信息，5组信息进行平均即为一个采样点的数据，采样结果通过检测设备自动上传到光谱数据模块进行处理。
如图3所示，本发明所述的数据处理模块由两个部分组成，光谱数据库制备和土壤养分预测。
光谱数据库的制备：首先通过颗粒大小划分土壤类型，分为沙土，粘土，壤土三种类型，按照土壤类型，每种土壤类型采200-500个采样样本，采样时使用五点采样法进行采样，采样所得的5个土壤样本进行混合，把混合的土壤去除杂质、晒干、研磨，取一半在实验室内按照国家标准的土壤养分测定法测定土壤有机质、全氮、有效磷、速效钾的含量。同时使用便携式手持光谱仪测定另一半土壤的可见-近红外光谱反射率，土壤养分数据和光谱数据一一对应。
土壤养分预测模型：按照土壤类型建立土壤养分预测模型，划分土壤类型进行预测有助于提高预测模型的准确性和稳定性，土壤养分预测模型的建立一共有三步，数据预处理、特征波长选择、预测模型。
数据预处理：首先对得到的光谱数据进行去除噪声处理，然后使用预处理算法处理数据，本发明使用乘性散射校正（MSC）算法进行处理，
MSC主要包括两个步骤：
1.修正系数的估计（加法和乘法贡献）。
2.校正记录的光谱。
其中是由近红外仪器测量的一个原始样品光谱，/>是用于整个数据集预处理的参考光谱，/>是/>的未建模部分，/>是校正后的光谱，/>和/>是标量参数，对每个样品都不同。
特征波长选择：预处理之后的结果使用竞争性自适应重加权采样（CARS）算法进行特征波长选择，得到N个特征波长。PLS（偏最小二乘）是一种广泛使用的基于潜在变量的和/>之间的线性关系建模方法。 假设得分矩阵用/>表示，它是/>以/>为组合系数的线性组合，/>是/>对/>的最小二乘法回归系数向量。因此，我们有以下公式：
其中是预测误差，/>是p维系数向量。/>中第/>个元素的绝对值/>反映了第/>个波长对/>的贡献。因此，很自然地说/>越大，第/>个变量就越重要。为了评估每个波长的重要性，将归一化权重定义为：
通过CARS消除的波长的权重被设置为零，使得权重向量总是p维的。根据权重大小设置概率，筛选出N个特征波长。
预测模型：预测模型使用偏最小二乘回归（PLSR）模型，按照上一步所得的N个特征波长作为输入进行预测。预测模型如下：
本发明把这三个土壤养分预测模型组成一个光谱库，使用时只需要输入土壤类型和对应的土壤可见近红外光谱的反射率，通过定位系统获得土壤类型数据，第一步数据采集模块（1）的信息可直接通过网络上传到光谱数据库，就可以得到预测的土壤养分含量。
本发明所述的土壤分级模块，根据国家第二次土壤检测标准，土壤有机质、全氮、有效磷、速效钾含量的等级分为六级，由高到低分别为一级至六级。其中，养分分级表如下所示：
如图4所示，由近红外光谱技术测量的土壤养分结果带入养分分级模块，给有机质、全氮、有效磷、速效钾含量进行分级，得到分级结果，将分级结果输入施肥推荐模块。
如图5所示，本发明所述的施肥推荐模块是通过土壤养分等级进行养分施肥指导，分为两步，第一步描述为：当某一土壤养分指标在二级及以上时，施肥对产量影响不大，不推荐进行施肥，当处于三级及以下时，则推荐施用相应养分的肥料。
第二步描述为：根据第一步施肥推荐，设置阶梯施肥量试验，根据肥料效应函数计算出施肥量和肥料配方，进行定量施肥推荐，指导作物科学施肥。
本发明所述的肥料效应函数是以田间施肥试验为基础，将不同处理的产量进行数理统计，求出在该试验条件下施肥量与产量的之间的定量函数关系，通过多个田间试验点的施肥量与产量进行统计分析，归纳整理，构建肥料效应函数方程式。
本发明使用四元肥料效应函数：
其中，为函数的效应系数；/>为/>的主效应系数；/>为/>的主效应系数；为/>的主效应系数；/>为/>的主效应系数；/>为/>的主效应系数；，分别为/>的交互效应系数。
根据四元肥料效应函数，、/>、/>、/> 效应函分别代表有机质、全氮、有效磷、速效钾的化肥施用量，/>为产量，通过阶梯施用量的试验，把施肥量与产量的数值带入函数，便可求出四元肥料效应函数方程式。根据肥料效应函数，进行定量施肥推荐，指导作物科学施肥，从而证明本发明的有益性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (4)

1.一种基于可见-近红外光谱技术的施肥方法，包括施肥推荐系统，其特征在于：施肥推荐系统包含数据采集模块（1）、数据处理模块（2）、土壤分级模块（3）和施肥推荐模块（4）；
S1、数据采集模块（1）通过人工使用便携式手持光谱仪进行测定，在农耕之前，由用户或者数据采集人员收集土壤光谱信息，使用五点采样法测量5组土壤光谱信息，5组信息进行平均即为一个采样点的数据，采样结果通过检测设备自动上传到数据处理模块进行处理；
S2、数据处理模块（2）由光谱数据库和土壤养分预测组成；
1）、光谱数据库的制备：首先通过颗粒大小划分土壤类型，分为沙土，粘土，壤土三种类型，按照土壤类型，每种土壤类型采200-500个采样样本，采样时使用五点采样法进行采样，采样所得的5个土壤样本进行混合，把混合的土壤去除杂质、晒干、研磨，取一半在实验室内按照国家标准的土壤养分测定法测定土壤有机质、全氮、有效磷、速效钾的含量，同时使用便携式手持光谱仪测定另一半土壤的可见-近红外光谱反射率，土壤养分数据和光谱数据一一对应；
2）、土壤养分预测：按照土壤类型建立土壤养分预测模型，划分土壤类型进行预测有助于提高预测模型的准确性和稳定性，土壤养分预测模型的建立一共有三步，数据预处理、特征波长选择、预测模型；
3）、数据预处理：首先对得到的光谱数据进行去除噪声处理，然后使用预处理算法处理数据，本发明使用乘性散射校正（MSC）算法进行处理；
MSC主要包括两个步骤：
1.修正系数的估计（加法和乘法贡献）
；
2.校正记录的光谱
；
其中是由近红外仪器测量的一个原始样品光谱，/>是用于整个数据集预处理的参考光谱，/>是/>的未建模部分，/>是校正后的光谱，/>和/>是标量参数，对每个样品都不同；
特征波长选择：预处理之后的结果使用竞争性自适应重加权采样（CARS）算法进行特征波长选择，得到N个特征波长，PLS（偏最小二乘）是一种广泛使用的基于潜在变量的和/>之间的线性关系建模方法,假设得分矩阵用/>表示，它是/>以/>为组合系数的线性组合，/>是/>对/>的最小二乘法回归系数向量，因此，我们有以下公式：
；
；
其中是预测误差，/>是p维系数向量,/>中第/>个元素的绝对值反映了第/>个波长对/>的贡献，因此，很自然地说/>越大，第/>个变量就越重要，为了评估每个波长的重要性，将归一化权重定义为：
；
通过CARS消除的波长的权重被设置为零，使得权重向量总是p维的,根据权重大小设置概率，筛选出N个特征波长；
预测模型：预测模型使用偏最小二乘回归（PLSR）模型，按照上一步所得的N个特征波长作为输入进行预测,预测模型如下：
；
S3、把这三个土壤养分预测模型组成一个光谱数据库，使用时只需要输入土壤类型和对应的土壤可见-近红外光谱的反射率，通过定位系统获得土壤类型数据，第一步数据采集模块（1）采集的光谱信息可直接通过网络上传到光谱数据库，就可以得到预测的土壤养分含量；
S4、由近红外光谱技术测量的土壤养分结果带入土壤分级模块（3），给有机质、全氮、有效磷、速效钾含量进行分级，得到分级结果，将分级结果输入施肥推荐模块（4）；
S5、本发明所述的施肥推荐模块（4）是通过土壤养分等级进行养分施肥指导，分为两步，第一步描述为：当某一土壤养分指标在二级及以上时，施肥对产量影响不大，不推荐进行施肥，当处于三级及以下时，则推荐施用相应养分的肥料；
第二步描述为：根据第一步施肥推荐，设置阶梯施肥量试验，根据肥料效应函数计算出施肥量和肥料配方，进行定量施肥推荐，指导作物科学施肥。
2.根据权利要求1所述的一种基于可见-近红外光谱技术的施肥方法，其特征在于：土壤分级模块（3），根据国家第二次土壤检测标准，土壤有机质、全氮、有效磷、速效钾含量的等级分为六级，由高到低分别为一级至六级。
3.根据权利要求1所述的一种基于可见-近红外光谱技术的施肥方法，其特征在于：肥料效应函数是以田间施肥试验为基础，将不同处理的产量进行数理统计，求出在该试验条件下施肥量与产量之间的定量函数关系，通过多个田间试验点的施肥量与产量进行统计分析，归纳整理，构建肥料效应函数方程式。
4.根据权利要求3所述的一种基于可见-近红外光谱技术的施肥方法，其特征在于：肥料效应函数使用四元肥料效应函数，四元肥料效应函数如下：
；
其中，为函数的效应系数；/>为/>的主效应系数；/>为/>的主效应系数；/>为/>的主效应系数；/>为/>的主效应系数；/>为/>的主效应系数；，分别为/>的交互效应系数；
根据四元肥料效应函数，、/>、/>、/> 四个变量分别代表有机质、全氮、有效磷、速效钾的化肥施用量，/>为产量，通过阶梯施用量的试验，把施肥量与产量的数值带入函数，便可求出四元肥料效应函数方程式，根据肥料效应函数，进行定量施肥推荐，指导作物科学施肥。
CN202310885797.7A 2023-07-19 2023-07-19 一种基于可见-近红外光谱技术的施肥方法 Pending CN116636369A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310885797.7A CN116636369A (zh) 2023-07-19 2023-07-19 一种基于可见-近红外光谱技术的施肥方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310885797.7A CN116636369A (zh) 2023-07-19 2023-07-19 一种基于可见-近红外光谱技术的施肥方法

Publications (1)

Publication Number Publication Date
CN116636369A true CN116636369A (zh) 2023-08-25

Family

ID=87625039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310885797.7A Pending CN116636369A (zh) 2023-07-19 2023-07-19 一种基于可见-近红外光谱技术的施肥方法

Country Status (1)

Country Link
CN (1) CN116636369A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103125193A (zh) * 2013-03-05 2013-06-05 周海燕 冬小麦推荐施肥方法
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
CN106644978A (zh) * 2016-11-16 2017-05-10 山东省科学院海洋仪器仪表研究所 可判定精度的基于光谱特征波长分析土壤养分含量检测法
CN108663339A (zh) * 2018-05-15 2018-10-16 南京财经大学 基于光谱和图像信息融合的霉变玉米在线检测方法
CN109757175A (zh) * 2019-03-18 2019-05-17 中国农业科学院农业资源与农业区划研究所 一种基于无人机监测的玉米水肥一体化变量施肥方法
CN115777312A (zh) * 2023-02-10 2023-03-14 中国建设基础设施有限公司 一种基于土壤信息实时采集与分析的动态施肥方法
US20230078617A1 (en) * 2020-03-01 2023-03-16 The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103125193A (zh) * 2013-03-05 2013-06-05 周海燕 冬小麦推荐施肥方法
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
CN106644978A (zh) * 2016-11-16 2017-05-10 山东省科学院海洋仪器仪表研究所 可判定精度的基于光谱特征波长分析土壤养分含量检测法
CN108663339A (zh) * 2018-05-15 2018-10-16 南京财经大学 基于光谱和图像信息融合的霉变玉米在线检测方法
CN109757175A (zh) * 2019-03-18 2019-05-17 中国农业科学院农业资源与农业区划研究所 一种基于无人机监测的玉米水肥一体化变量施肥方法
US20230078617A1 (en) * 2020-03-01 2023-03-16 The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates
CN115777312A (zh) * 2023-02-10 2023-03-14 中国建设基础设施有限公司 一种基于土壤信息实时采集与分析的动态施肥方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆欣，谢英荷: "《图谱分析技术在农产品质量和安全评估中的应用》", 中国农业大学出版社, pages: 183 *

Similar Documents

Publication Publication Date Title
CN109187441B (zh) 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
CN110082300B (zh) 基于光谱参量的冬小麦冠层含水率监测模型建立方法
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
Luo et al. Patterns of plant biomass allocation in temperate grasslands across a 2500-km transect in northern China
CN110376167A (zh) 基于无人机高光谱的水稻叶片氮含量监测方法
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN112485204A (zh) 基于高光谱的水稻穗期氮营养监测与诊断方法及应用
CN107505271B (zh) 基于氮素组分辐射传输模型的植株氮素估算方法和系统
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
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
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
CN111044516B (zh) 一种水稻叶绿素含量遥感估测方法
CN113268703A (zh) 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
CN113049499A (zh) 水体总氮浓度间接遥感反演方法、存储介质和终端设备
CN111160680A (zh) 一种基于信息同化融合的农业干旱评估方法
CN115452822B (zh) 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置
CN112816618A (zh) 一种氮高效小麦品种的筛选方法
Wang et al. Solar-induced chlorophyll fluorescence as an indicator for determining the end date of the vegetation growing season
CN113670913B (zh) 水稻氮素含量反演高光谱植被指数构建方法
CN111426645A (zh) 一种快速测定植株不同器官氮含量的方法
CN114486786A (zh) 土壤有机质测定方法及测定系统
CN113552096A (zh) 一种基于光谱的菠萝叶片氮含量估算方法
Qiong et al. Field monitoring of wheat seedling stage with hyperspectral imaging
CN116636369A (zh) 一种基于可见-近红外光谱技术的施肥方法
Xie et al. Estimating stomatal conductance of citrus under water stress based on multispectral imagery and machine learning methods

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