基于光谱技术的土壤快速分类方法研究  

Rapid discrimination of soil variety based on spectroscopic techniques

作　　者：王遵义[1] 金春华[2] 刘飞[3] 王艳艳[3] 鲍一丹[3] 

机构地区：[1]浙江万里学院,浙江宁波315100 [2]宁波大学生命科学与生物工程学院,浙江宁波315211 [3]浙江大学生物系统工程与食品科学学院,浙江杭州310029

出　　处：《浙江大学学报（农业与生命科学版）》2010年第3期282-286,共5页Journal of Zhejiang University:Agriculture and Life Sciences

基　　金："十一五"国家科技支撑计划资助项目(2006BAD10A0902);国家农业科技成果转化基金资助项目(2009GB23600517);浙江省宁波市自然科学基金资助项目(2007A610080)

摘　　要：针对浙江省4种典型土壤,研究应用可见-近红外光谱、近红外光谱和中红外光谱3个波段范围进行土壤快速分类的方法.在获取光谱信息的基础上,采用不同光谱建模方法以提高检测精度,简化分析计算;并分别采用主成分分析结合人工神经网络(PCA-ANN/BP)、偏最小二乘法(PLS)和偏最小二乘法结合人工神经网络(PLS-ANN)3种方法进行建模.结果表明:中红外光谱波段对土壤分类的效果不理想,而可见-近红外光谱、近红外光谱波段均能较好地进行土壤分类;在可见-近红外波段,PLS-ANN模型对土壤的分类效果优于PCA-ANN/BP和PLS模型,为土壤快速准确分类提供了一种简便可行的方法.Three spectral regions were investigated for the discrimination of four main soil varieties in Zhejiang Province.The three spectral regions included the visible-near infrared （Vis-NIR）,near infrared （NIR）,middle-infrared （MIR） spectroscopy.After spectral collection,different calibration methods were applied to improve the detection precision and to reduce the computational complexity.Principal component analysis （PCA） combined with back propagation neural networks （ANN/BP）,partial least squares （PLS） and PLS combined with ANN （PLS-ANN） were applied for calibration models.The results indicated that the performance of MIR was not quite acceptable.However,Vis-NIR and NIR made an excellent discrimination precision for soil varieties.In Vis-NIR region,PLS-ANN model outperformed PCA-ANN/BP and PLS models.This supplies a convenient and feasible approach for the rapid discrimination of soil variety.

关 键 词：光谱技术 土壤 分类 人工神经网络 主成分分析 偏最小二乘法 

分 类 号：S155[农业科学—土壤学] O657.33[农业科学—农业基础科学]