(1)项目自立项以来的进展情况
团队集成高光谱技术和数学建模手段,基于多元数据(土壤物化参数;植物冠层数据;产量、利用率)建模明确了典型土壤养分高光谱响应规律,结合卷积平滑优化神经网络模型,构建了基于 BPNN 模型的土壤养分快速诊断模型,进行验证优化方案,设计完善了土壤肥力评价与施肥推荐决策系统,进行区域作物针对性指导施肥。团队进行光谱数据采集和土壤全氮含量测定。对光谱反射率进行一阶微分等预处理方法,运用相关系数峰谷值法筛选敏感波长,将敏感波长两两结合建立土壤光谱调节指数(MSASI),运算后得到的数据分别采用多元线性回归分析(MLR;图1)和反向传播神经网络(BPNN;图2),构建土壤全氮含量的定量高光谱分析模型。根据小麦、玉米秸秆还田;后土壤有机质差异和不同响应规律分别进行反演,构建最适模型,运用红外光谱(FTIR)、X射线衍射分析(XRD)、扫描电镜手段(SEM)对土壤有机质官能团、土壤矿物及表面形态比较分析,以探明土壤全氮含量高光谱响应机制。由于不同的土壤养分含量高光谱响应特征有较大差异,团队通过多个土壤样品的养分含量和光谱数据规律,总结研究区土壤样品的反射特征,为研究土壤养分的含量提供理论依据。
A. 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1多元线性回归建立全氮含量营养指数模型
B. 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)。
C. 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2神经网络建立全氮含量营养指数模型精度
项目自立项以来取得的成绩。
构建定量分析模型,为土壤全氮含量快速准确估测提供依据,优化相关软件参数;待申请软件著作权1项。制定黄河三角洲地区夏玉米抗逆增产施肥方案,并通过系统研究明确效果和作用机制;在SCI一区期刊Agricultural water management(IF 5.12)发表论文1篇。未来,我们将不断精细测土配方施肥技术,提供不同区域的土壤属性数据库,服务农业绿色高质量发展。
图3 “土参谋”土壤高光谱肥力评价软件界面
(3)项目之前的预期效果是什么?目前是否达到了预期效果。
我们持续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,同时我们进一步修复老版app存在的问题,开发出更加快速便捷的移动app,我们继续参与农业检测课题,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?
研发期长:产品技术升级的持续性跨期相对较大。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;③ 积极向技术顾问咨询。
资金短缺: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,缺乏经验。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,明确成员自身职责。
|