توضیحات
ABSTRACT
Nondestructive and rapid estimation of soil total nitrogen (TN) content by using near-infrared pectroscopy plays a crucial role in agriculture. The obtained original spectrum, however, presents everal disadvantages, such as high redundancy, large computation, and complex model, because it enerally processes a large amount of data. This study aimed to determine soil TN content-sensitive avebands with high information quality, considerable predictive ability, and low redundancy. This paper proposes an evaluation criterion in selecting sensitive wavebands based on three factors, namely, egree of relevance with target variables, representative ability of the entire spectral information, and edundancy of the selected wavebands. Based on these three factors, two methods, namely, mutual information (MI) algorithm and the combination of ant colony optimization (ACO) andMI, were innovatively developed to identify soil TN content-sensitive wavebands. After the analysis and comparison, a set of wavelengths, including 943, 1004, 1097, 1351, 1550, 1710, 2123, and 2254 nm, using theACO–MI combined method was selected as the soil TN content-sensitive wavebands to estimate the TN content of soil samples, under four soil types, collected from different regions. The partial least squares (PLS) modelsbased on full-spectral information, multiple linear regression (MLR) models and support vector machine (SVM) regression models based on the eight selected wavelengths for soil TN content were established separately. After the comparison, the MLR and SVM models achieved higher accuracies than the PLS models based on the full spectral information. In addition, the SVM models got the best results. In the calibration group, the coefficients of determination (R2) was 0.989, and the root mean square errors (RMSE) of calibration was 0.078 g/kg. In the validation group, the R2 was 0.96, and the RMSE of prediction was 0.219 g/kg. The residual predictive deviation (RPD) as 5.426. For the soil samples with TN content in the range of 0–1 g/kg, the detection precision also reached a high level. Therefore, the eight sensitive wavebands selected through the ACO–MI method performedgood mechanism, universality and predictive ability in soil TN content estimation. The ACO– MI method wouldbe valuable for soil sensing in precision agriculture.
چکیده
تخمین غیر تخریب و سریع توزیع نیتروژن خاک (TN) با استفاده از پتروسکوپ نزدیک به مادون قرمز نقش حیاتی در کشاورزی دارد. با این وجود، طیف اصلی به دست آمده، معایب ابدی را شامل می شود، مانند انحرافات بالا، محاسبات بزرگ و مدل پیچیده، زیرا مقدار زیادی اطلاعات را پردازش می کند. اين مطالعه با هدف تعيين خصوصيات حساس به محيط خاکي TN با کيفيت اطلاعات بالا، قابليت پيش بيني قابل توجه و کمبود بيش از حد انجام شده است. در این مقاله معیار ارزیابی در انتخاب نوارهای موج حساس براساس سه عامل پیشنهاد می شود، یعنی، ارتباط با متغیرهای هدف، توان نمایشی تمام اطلاعات طیفی و طول عمر موج های انتخاب شده. بر اساس این سه عامل، دو روش، یعنی الگوریتم اطلاعات متقابل (MI) و ترکیبی از بهینه سازی کلون مورچه (ACO) و MMI، به طور ابتکاری برای شناسایی موج های حساس به محتوای خاک TN توسعه یافتند. پس از تجزیه و تحلیل و مقایسه، مجموعه ای از طول موجها از جمله 943، 1004، 1097، 1351، 1550، 1710، 2123 و 2254 نانومتر، با استفاده از روش ترکیبی ACO-MI به عنوان نوارهای موج حساس محتوای خاک TN برای تخمین TN محتوای نمونه های خاک زیر چهار نوع خاک، از مناطق مختلف جمع آوری شده است. مدل های جزئی جزئی (PLS) براساس اطلاعات طیفی، مدل های رگرسیون چندگانه (MLR) و مدل های رگرسیون بردار پشتیبانی (SVM) براساس هشت طول موج انتخابی برای محتوای خاک TN به طور جداگانه تعریف شد. پس از مقایسه، مدل های MLR و SVM با دقت بیشتری نسبت به مدل های PLS بر اساس اطلاعات طیفی کامل دست یافتند. علاوه بر این، مدل SVM بهترین نتایج را به دست آورد. در گروه کالیبراسیون ضریب تعیین (R2) 0.989 و میانگین خطای مربع (RMSE) کالیبراسیون 0.078 g / kg بود. در گروه اعتبار سنجی، R2 0.96 بود و RMSE پیش بینی 0.219 g / kg بود. انحراف پیش بینی پیش بینی شده (RPD) به عنوان 5.426. برای نمونه های خاک با محتوای TN در محدوده 0-1 گرم در کیلوگرم، دقت تشخیص نیز به سطح بالا رسید. بنابراین، هشت موج حساس که از طریق روش ACO-MI انتخاب شده اند، مکانیسم جامع، قابلیت پذیری و قابلیت پیش بینی در محاسبه توزیع خاک TN را انجام دادند. روش ACO-MI برای سنجش خاک در کشاورزی دقیق ارزشمند خواهد بود.
Year: 2019
Publisher : ELSEVIER
By : Yao Zhang, Minzan Li,, Lihua Zheng, Qiming Qin, Won Suk Le
File Information: English Language/ 12 Page / size: 2.01 MB
سال : 1397
ناشر : ELSEVIER
کاری از : Y AO Zhang، min L من ،، من جورنال Z افقی، Q من نام Q در، برد SU KL
اطلاعات فایل : زبان انگلیسی / 12 صفحه / حجم : MB 2.01
نقد و بررسیها
هنوز بررسیای ثبت نشده است.