一种茶园土壤肥力水平的快速评价方法技术

本发明专利技术公开了一种茶园土壤肥力水平的快速评价方法，分别选取贫瘠茶园、良好茶园和优质茶园的土壤样品若干，并随机划分为校正集和预测集；根据含量高低的划分范围确定分类样品集；采集样品近红外光谱信息，连续多次扫描，取得所述样品在近红外波长下的全部平均光谱信息；对样品原始平均光谱进行不同的预处理，根据茶园土壤肥力水平判别模型的预测效果，确定光谱最佳预处理方法；采用连续投影算法提取的特征光谱信息；将特征光谱与全光谱结合上述三种判别方法进行对比，根据预测的分类准确率，确定最优的茶园土壤肥力水平判别模型，从而实现对茶园土壤肥力水平进行预测。本发明专利技术结合近红外光谱技术测量土壤肥力，能够实现在线、无损、快速的检测。 1

【技术实现步骤摘要】
一种茶园土壤肥力水平的快速评价方法
本专利技术涉及一种土壤肥力判别方法，尤其涉及的是一种茶园土壤肥力水平的快速评价方法。
技术介绍
土壤为茶树的生长提供营养和微量元素同时保持水分，是茶树生长的自然基础。土壤中的有机质是土壤肥力的关键评价指标，是茶叶吸收氮，磷，钾等无机元素的重要来源，并且对于增加土壤微生物群落、改善土壤理化性质起重要作用。土壤肥力水平的高低决定了茶叶的生产品质和生长效率，茶园土壤肥力水平的快速评价可以为优质茶园的管理和建设提供重要指导。农业投入(化肥)频繁使用会损害土壤性质，造成严重的环境污染。同时，土壤肥力的破坏，影响茶的产量和质量。因此，定期监测土壤养分状况和空间变异，根据茶园土壤养分的丰缺程度合理施肥至关重要。然而，实验室分析土壤有机质的含量通常需要强酸消化、高温煅烧样品进行分析，导致酸性气体排放到环境。不仅增加了沉重的环境负担，而且测定的过程繁琐，时间长、投入成本较高。因此，需要分析土壤有机质含量的高效、环保替代技术快速评价土壤肥力水平刻不容缓。近红外光谱(NearInfraredSpectroscopy,NIRS)是介于可见光区和中红外光区之间波长在780～2526nm范围的电磁波，其谱区几乎包含有机物中所有含氢基团(C-H,N-H,O-H)振动的合频与各级倍频的特征吸收信息。近红外光谱以此为基础对有机物组成和性质信息进行分析。现代近红外光谱分析结合化学计量学方法利用全波段或者多波长光谱信息进行定性或者定量分析，科学准确。该技术可同时测定多种化学组分，且具有检测速度快、成本低、无损、实时监控的特点。非常适合茶园土壤的快速判别分析，近年来已广泛应用于土壤养分信息的测定中。然而，国内外还未见有关基于近红外光谱分析技术结合茶园土壤有机质进行肥力水平判别的相关文章报道。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供了一种茶园土壤肥力水平的快速评价方法，能够实现在线准确、快速检测。本专利技术是通过以下技术方案实现的，本专利技术包括以下步骤：(1)样品的选取与预处理：分别选取有机质含量≤1.5％的贫瘠茶园、有机质含量为1.5～2.0％良好茶园和有机质含量≥2.0％的优质茶园的土壤样品若干，并随机划分为校正集和预测集；(2)检测土壤样品的化学值：测定样品的有机质含量,根据含量高低的划分范围确定分类样品集；(3)近红外光谱的获取与预处理(31)采集样品近红外光谱信息，连续多次扫描，取得所述样品在近红外波长下的全部平均光谱信息；(32)对样品原始平均光谱进行不同的预处理，根据茶园土壤肥力水平判别模型的预测效果，确定光谱最佳预处理方法；(4)预测模型的建立(41)获取样品的近红外光谱，以肥力水平分类标准作为指标，利用连续投影算法筛选特征光谱信息；(42)然后分别基于采用线性判别分析法，支持向量机算法以及极限学习机器算法建立茶园土壤肥力水平的分类判别模型；(43)将特征光谱与全光谱结合上述三种判别方法进行对比，根据预测的分类准确率，确定最优的茶园土壤肥力水平判别模型，从而实现对茶园土壤肥力水平进行预测。所述步骤(1)中，从六个地区不同土壤类型，土层厚度为0～45cm的茶园土壤中，选取有机质含量差异较大的有代表性茶园土壤样品。差异较大的土壤样品更有利于测量准确性。作为本专利技术的优选方式之一，所述步骤(1)中，将样品按照2:1的比例划分校正集和预测集。根据GB9834-1988采用重铬酸钾容量法测定样品中有机质的含量，根据土壤有机质含量的高低分布范围作为划分指标，利用连续投影算法筛选特征光谱变量。所述步骤(31)中，近红外光谱数据信息的获得具体如下：利用MPA型傅里叶变换近红外光谱仪进行光谱采集，近红外光谱的光谱范围为：12500cm-1～4000cm-1，分辨率为8cm-1，样品放入样品杯中，运用近红外漫反射光谱技术，分别从0°、120°和240°三个不同角度转换样品杯的位置对土壤样品扫描三次，得到三个平行光谱，收集了三个平行光谱，取平均光谱作为样品的近红外原始光谱值。为了减少实验误差,整个实验过程中保持恒定室温(25±1℃)和湿度(45％±1％)。选用三个平行光谱，取平均光谱作为样品的近红外光谱值，能够更进一步减少误差。所述步骤(42)中，将预处理后的光谱，结合连续投影算法优选23个特征光谱变量。所述步骤(42)中，设置分类变量，贫瘠茶园的土壤样品的分类变量设为1，良好茶园的土壤样品的分类变量设为2，优质茶园土壤样品的分类变量设为3，将筛选得到的23个特征光谱变量与对应的分类变量进行定性判别，利用线性判别分析LDA、支持向量机SVM、极限学习机ELM分别建立茶园土壤肥力水平的判别模型。将全光谱变量和连续投影算法筛选得到的特征光谱变量分别与对应的分类变量建立的预测模型进行定性判别，分别对预测的分类准确率进行对比，最终确定最优的茶园土壤肥力水平判别模型。在农业生产中，土壤肥力会随着水分、养分、空气、热量等因素的影响而发生改变，近红外光谱信息能够表征土壤的内部信息。在此过程中，有机质的含量变化程度较小，但在肥力等级分类中的变化较明显，所以通过连续投影算法筛选出与有机质含量有关的特征光谱变量，建立茶园土壤肥力水平的判别模型。本专利技术相比现有技术具有以下优点：本专利技术替代了传统分析方法的不足，结合近红外光谱技术测量土壤肥力，为土壤肥力水平的判别提供了一种科学、准确的定性判别方法，能够实现在线、无损、快速的检测。附图说明图1是本专利技术土壤取样地区的样点分布示意图；图2是不同地区不同样品的波数范围为3999.81cm-1～12493.12cm-1原始光谱图。具体实施方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。本实施例的具体判别过程如下：(1)样品的选取与预处理：在不同地区不同土壤类型，土层厚度为0～45cm的茶园土壤中，选取有机质含量差异较大的有代表性茶园土壤样品。如图1所示，从云南采样34个，福建采样25个，贵州采样35个，四川采样9个，山东采样26个，湖北采样64个，分别选取有机质含量≤1.5％的贫瘠茶园75份、有机质含量为1.5～2.0％良好茶园43份和有机质含量≥2.0％的优质茶园的土壤样品75份，并随机按2:1的比例划分为校正集和预测集，得到其中129份样品作为校正集，用于建立预测模型，剩下的64份作为预测集，用来检验模型的可靠性和预测能力；(2)检测土壤样品的化学值：根据GB9834-1988采用重铬酸钾容量法测定样品中有机质的含量，根据土壤有机质含量的高低分布范围作为划分指标，具体结果如表1所示：表1茶园土壤样品中有机质的含量统计结果参数样本数n最小值(％)最大值(％)均值(％)标准差(％)贫瘠750.4061.4661.0220.256良好431.5151.9861.7400.131优质753.0457.6184.5961.270(3)近红外光谱的获取与预处理如图2所示，利用MPA型傅里叶变换近红外光谱仪(附带Pbs检测器)进行光谱采集。为了减少实验误差,整个实验过程中保持恒定室温(25±1℃)和湿度(45％±1％)。近红外光谱的光谱范围为12500cm-1～4000cm-1(每隔3.本文档来自技高网...

【技术保护点】
1.一种茶园土壤肥力水平的快速评价方法，其特征在于，包括以下步骤：

【技术特征摘要】
1.一种茶园土壤肥力水平的快速评价方法，其特征在于，包括以下步骤：(1)样品的选取与预处理：分别选取有机质含量≤1.5％的贫瘠茶园、有机质含量为1.5～2.0％良好茶园和有机质含量≥2.0％的优质茶园的土壤样品若干，并随机划分为校正集和预测集；(2)检测土壤样品的化学值：测定样品的有机质含量,根据含量高低的划分范围确定分类样品集；(3)近红外光谱的获取与预处理(31)采集样品近红外光谱信息，连续多次扫描，取得所述样品在近红外波长下的全部平均光谱信息；(32)对样品原始平均光谱进行不同的预处理，根据茶园土壤肥力水平判别模型的预测效果，确定光谱最佳预处理方法；(4)预测模型的建立(41)获取样品的近红外光谱，以肥力水平分类标准作为指标，利用连续投影算法筛选特征光谱信息；(42)然后分别基于采用线性判别分析法，支持向量机算法以及极限学习机器算法建立茶园土壤肥力水平的分类判别模型；(43)将特征光谱与全光谱结合上述三种判别方法进行对比，根据预测的分类准确率，确定最优的茶园土壤肥力水平判别模型，从而实现对茶园土壤肥力水平进行预测。2.根据权利要求1所述的一种茶园土壤肥力水平的快速评价方法，其特征在于，所述步骤(1)中，从六个地区不同土壤类型，土层厚度为0～45cm的茶园土壤中，选取有机质含量差异较大的有代表性茶园土壤样品。3.根据权利要求1所述的一种茶园土壤肥力水平的快速评价方法，其特征在于，所述步骤(1)中，将样品...

【专利技术属性】
技术研发人员：宁井铭，邓威威，王玉洁，盛梦鸽，胡欣，侯智炜，张正竹，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：安徽,34