农业机械学报

作者：朱龙图,李名伟,夏晓蒙,黄东岩,贾洪雷

单位：吉林大学,吉林大学,吉林大学,吉林大学,吉林大学,

关键词：土壤有机质;人工嗅觉系统;蒙特卡罗抽样;特征降维;预测模型

基金：国家重点研发计划项目(2016YFD070030201)和吉林省科技计划项目(20190302116GX)

为了实现土壤有机质快速、准确的测量，提出了一种基于人工嗅觉的土壤有机质含量检测方法。首先，由不同温度控制的10个气体传感器所构成的阵列对土壤样品气体进行采集；然后，提取每个传感器响应曲线上的7个特征（包括最大值、最小值、平均值、平均微分系数、响应面积、第30秒的瞬态值和第60秒的瞬态值），构建嗅觉特征空间；对特征空间优化后，采用回归算法建立预测模型。为减小不同测定算法、异常样本以及冗余特征对模型预测性能的影响，在应用蒙特卡罗抽样（Monte Carlo sampling，MCS）法剔除异常样本的基础上，采用主成分分析（Principal component analysis，PCA）法对特征空间进行降维处理，评估了包括偏最小二乘法回归（Partial least square regression，PLSR）、支持向量机回归（Support vector machine regression，SVR）和BP神经网络（Back propagation neural network，BPNN）等3种建模方法对土壤有机质含量的预测性能，选用决定系数R2、均方根误差（RMSE）和预测偏差比（RPD）评价各模型的预测性能。测试集验证结果表明，PLSR、SVR和BPNN这3种模型的预测值和样本的观测值之间的R2分别为0.86、0.91和0.85，RMSE分别为2.49、2.05、2.68g/kg，RPD分别为2.49、3.02和2.32。SVR模型的预测性能高于PLSR模型和BPNN模型，可对土壤有机质含量进行准确预测。

来源：2020年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2020年第3期