光谱的信息来源于分子振动的倍频和合频,因此它通常用于含有C-H,N-H,O-H等基团的有机物分析。土壤中氮素绝大部分为有机结合态,与有机质含量相关性较强(故其敏感波段所在范围符合上述规律,可使用高光谱技术对其进行快速诊断。特征波长变量的选择对于高光谱分析具有重要意义,可以简化模型,更重要的是剔除不相关变量,从而提高模型的估测精度的研究筛选出350~540 nm、670~920 nm区间的光谱反射率进行建模,一阶微分光谱与土壤全氮呈较好的正相关。
该研究在选取敏感波段时,420~444、480~537、618~626、801~804、1248~1249、1322、1410~1412、1566~1568 nm等波段均有一定相关性,从数理统计的角度考虑,相关系数越高,该波段越具有选取价值,越有利于减少后续建模分析工作量。
高光谱存在着光谱信噪比低、光谱信息与被测性质间存在线性不相关、光谱间存在严重的多重相关性、光谱受外界环境因素变化等问题,异常光谱数据通常来自环境、样本本身、仪器、基础数据的误差。因此需要进行特征波长选择即选取最优的建模变量组合,从而得到误差最小、精度最高的估测模型。
该研究通过选取敏感波段有效去除了繁杂数据,并提取了有效信息,在避免冗余数据带来运算压力的同时最大限度的保留了特征波段。基于此进行了一系列光谱变换,用三种建模方法分别建立诊断模型,土壤调节光谱参数与多元线性回归的组合构建的模型可实现研究区黄棕壤全氮含量的有效估测。
多元线性回归分析
采用多元线性回归建立氮素营养指数估测模型的建模精度(图2),建模样本实测全氮含量与估算全氮含量的R2、RMSE分别为0.98、0.04;验证样本实测全氮含量与估测全氮含量的R2、RMSE和RPD分别为0.78、0.10和2.26。
图2多元线性回归建立全氮含量营养指数模型
神经网络模型
建模样本实测全氮含量的决定系数,均方根误差分别为0.69,0.15;利用神经网络模型的验证精度为R2、RMSE和RPD分别为0.67、0.15和1.46(图3)。
图3神经网络建立全氮含量营养指数模型精度
偏最小二乘模型
建模样本实测全氮含量与估测全氮含量的R2,RMSE分别为0.70,0.13;验证精度R2、RMSE和RPD分别为0.52、0.14、1.57(图4)。
图4 偏最小二乘法建立全氮含量营养指数模型精度
(3)项目之前的预期效果是什么?目前是否达到了预期效果。
我们预期利用核心技术制定精准施肥方案打包给肥料企业与肥料企业达成合作,同时开发出快速便捷的移动app,参与农业检测课题,面向大型农场、农村合作社、提供精准测土配方、供不同区域的土壤属性数据库,为不同的销售网点制定专用的配肥方案,目前我们已经达到了预期效果
(4)项目开展过程中还存在哪些问题。解决方法如何设置?
项目目前产品技术升级的持续性跨期可能相对较大,应对措施:1.以科技项目申报与国家专利为依托,保障权利;2.持续进行产品技术升级与售后服务;3.积极向技术顾问咨询。(4)资金风险:创业资金风险与融资成本风险,初入行业,资金相对较少,应对措施:1.积极与投资商协调,获取资金支持 2.尽可能节约成本,减少不必要开销 3.做好财务计划,争取利润最大化管理风险:人员为在校生,缺乏社会经验,参与实际创业少,应对措施:1.积极向企业顾问咨询 2.按时对项目管理人员进行培训 3.完善团队的内部制度,明确团队成员自身职责。
|