摘要
土壤中氮磷元素的丰缺对农作物的生长影响极大。快速、实时、大范围的有效地监测土壤中的氮磷元素的含量，对精准农业与土壤化学污染有着重要的意义。随着高光谱技术的飞速发展，通过高光谱反演土壤微量元素已经成为估算土壤微量元素的重要手段之一。 本论文以许昌地区（灌溉试验站）的土壤数据为基础。在室内实验条件下利用ASD地物波谱仪采集土壤的反射光谱，结合化学方式测定氮磷含量，通过FD（一阶微分）、CR（去包络线），以及SD（二阶微分）等七种不同种类的光谱变换筛选土壤全氮与全磷的特征波段，以特征波段为自变量建立PLSR、SVR、BPNN的反演模型。通过分析得出以下结论： （1）全氮根据样品含氮量的不同按照800～1000mg、1000～1200mg以及1200～1400mg分为三个数量级的分类，分别对应N0、N1以及N2，整体光谱波段区间反射率与全氮的含量并不是呈线性关系。在400nm～800nm波段区间三者反射率比较接近；800nm～1900nm波段区间N2对应的反射率高于N0与N1；在1900nm～2400nm波段全氮含量与反射率成正比关系N2gt;N1gt;N0。全磷按照样品含磷量的不同，分为500～700mg、700～800mg以及800～900mg三个数量区间，分别以P0、P1和P2来命名，在400～600nm波段区间P1反射率要高于P0与P2，并且P0与P2的反射率重合；在600～2400nm波段区间P1gt;P2gt;P0，并且反射率差值较大。 （2）将不同土壤光谱数据反射率与其对应的全磷全磷含量进行相关性分析（共七种不同的光谱变换），筛选出全氮、全磷的特征波段，其中全氮的特征波段集中在：800～1100nm、1300～1800nm以及2100～2300nm，特征波段主要集中在1000nm以上。全磷的特征波段集中于：407～503nm、1000～1300nm、1400～1800nm以及2100～2300nm。此外，FD、SD以及CR三种光谱变换形式在提取的特征波段用于建模效果更好。 （3）基于七种不同光谱变换筛选的特征波段为自变量，结合PLSR、BPNN、SVR三种算法，分别构建土壤特征光谱与全氮、全磷的反演模型。全氮含量地最佳反演模型：①以RBF为核函数，SD变换筛选的特征波段为自变量的SVR反演模型，验证R2=0.83,RMSE=0.97mg/kg；②以FD变换筛选的特征为自变量的PLSRamp;nbsp;反演模型,验证R2=0.71,RMSE=1.21mg/kg；③以传递层函数为Tansig，训练函数为Traincgf，CR变换筛选的特征波段为自变量的BPNN反演模型,验证R2=0.73,RMSE=1.13mg/kg。全磷含量地最佳模型：①以RBF为核函数，FD光谱变换筛选的特征波段为自变量的SVR反演模型,验证R2=0.77,RMSE=0.13mg/kg；②以SD变换筛选的特征波段为自变量的PLS反演模型,验证R2=0.68,RMSE=0.21mg/kg；③以传递函数为Purelin，训练函数为Traincgb,以SD变换筛选的特征波段为自变量的BPNN反演模型,验证R2=0.84，RMSE=0.09mg/kg。 （4）TN模型反演效果:SVRgt;BPNNgt;PLSR；TP模型反演效果:BPNNgt;SVRgt;PLSR；总的来说，非线性模型的反演效果要优于线性反演模型的反演效果。线性模型PLSR在全氮与全磷反演效果上，验证精度均为0.7左右，并且RMSE与非线性模型的RMSE相比较大。
NETL