Assessment for soil nutrient content prediction model based on visible-near infrared spectroscopy in the typical regions of Guangdong Province
-
摘要:目的
可见−近红外光谱(Visible-near infrared spectroscopy，VNIRS)可以利用少量土壤样品建立预测模型，从而无损快速地预测土壤养分含量。然而，至今鲜见广东省土壤养分的VNIRS预测模型的报道。本研究旨在通过传统化学分析方法和VNIRS技术对广东典型地区的耕地土壤进行分析，构建土壤全量及速效养分含量的VNIRS预测模型，并评估利用光谱分析土壤全量和速效养分含量的可行性，为广东省土壤养分的快速检测及质量评估提供科学参考。
方法本研究采集了粤东(梅州)、粤西(湛江)、粤北(韶关)、粤西北(肇庆)和珠三角(惠州和珠海) 5个地区共514份耕地土壤样品，测量样品有机质、全氮、可溶性有机碳、碱解氮和速效磷含量，同时利用VNIRS在400~2490 nm波长范围内探明其全光谱特征，筛选定标样品，结合偏最小二乘法和主成分分析，建立预测模型，并在此基础上进行反向验证，评估模型的可行性。
结果各地区土壤有机质、全氮、可溶性有机碳、碱解氮和速效磷含量及光谱特征均存在显著差异。有机质和全氮的定标预测模型效果较好，其中，粤西北地区的有机质定标相关系数达到0.831 1，珠三角地区的全氮定标相关系数达到0.789 8；可溶性有机碳、碱解氮和速效磷的预测模型效果在地区间差异较大，粤西北和珠三角地区碱解氮和速效磷的定标效果远优于其他地区。反向验证结果表明，有机质和全氮的预测值与实测值具有较好的相关性，决定系数(R2)最高分别达到0.69和0.65；粤西北和珠三角地区碱解氮的反向验证结果也较好，R2达到0.63和0.62；而可溶性有机碳和速效磷的反向验证结果总体较差。
结论VNIRS技术能够区分省域内不同地区的土壤来源，可以作为未来土壤分类和土壤质量调查的重要评价指标。VNIRS技术能够较好地直接预测耕地土壤有机质和全氮含量，对可溶性有机碳、碱解氮、速效磷含量的预测存在明显元素差别和地区差异，今后需进一步筛选光谱范围或采用更优方式构建模型。
Abstract:ObjectiveVisible-near-infrared spectroscopy (VNIRS) can non-invasively and rapidly predict soil nutrient contents based on models developed using data of some representative soil samples, but soil nutrient content prediction models for different regions of Guangdong Province are still lacking. In this study, representative agricultural soil samples were collected from Guangdong Province, and models were developed based on the traditional soil chemical analyses and VNIRS spectral signatures. The objective was to assess the predictive ability of the models for soil total and available nutrients so as to provide a scientific basis for rapid soil nutrient content estimation and soil quality evaluation in Guangdong Province.
MethodA total of 514 representative soil samples were collected from the east (Meizhou), west (Zhanjiang), north (Shaoguan), and northwest regions (Zhaoqing) and the Pearl River Delta (Huizhou and Zhuhai) in Guangdong Province, and the contents of soil organic matter, total nitrogen, dissolved organic carbon, available nitrogen, and available phosphorus were analyzed. In addition, the VNIRS spectral signatures of soil samples were obtained between 400 and 2 490 nm. Models were developed and calibrated using partial least squares regression combined with principal component analysis, and the models were reversely validated and assessed for their predictive abilities.
ResultThere were significant differences in the contents of soil organic matter, total nitrogen, dissolved organic carbon, available nitrogen and available phosphorus and VNIRS spectral signatures among the soils from different regions. The models for soil organic matter and total nitrogen showed good prediction performances, with validation determination coefficients of 0.831 1 for soil organic matter in the northwest region and 0.789 8 for total nitrogen in the Pearl River Delta. The models for dissolved organic carbon, available nitrogen, and available phosphorus showed very different prediction performances among regions, with much better performances for available nitrogen and available phosphorus in the northwest region and Pearl River Delta compared with other regions. Model validation showed good correlations between the predicted and measured values of soil organic matter and total nitrogen, with the highest coefficients of determination (R2) being up to 0.69 and 0.65, respectively. The predicted and measured values of available nitrogen in the northwest region and Pearl River Delta also showed good correlations, with R2 of 0.63 and 0.62, respectively. However, model validation showed generally poor correlations between the predicted and measured values of dissolved organic carbon and available phosphorus.
ConclusionVNIRS technology can predict soil organic matter and nutrient contents to differentiate soils from different regions at the provincial scale. Soil VNIRS spectral signature can be used as an important index for soil classification and soil quality evaluation. VNIRS technology shows good performance in the predictions of soil organic matter and total nitrogen contents, but its performance in the predictions of dissolved organic carbon, available nitrogen, and available phosphorus contents is element- and region-dependent. Therefore, future efforts should be focused on spectral range selection and model optimization.
-
2021年广东省菜心Brassica campestris L. ssp. chinensis var. utilis Tsen et Lee (Flowering Chinese cabbage)播种面积达36万hm2，是广东省绿叶蔬菜产销排名第一的作物[1-2]。当前菜心种植基地大多采用人工经验式管理下的露地种植、大棚种植方式，露地种植容易受到恶劣天气的影响，大棚种植能够大大降低这一负面影响。然而目前菜心大棚种植依靠人工较难准确地监测种植环境信息，在菜心生长环境偏离适宜条件时无法进行及时的准确调控，导致菜心品质、产量下降。随着智慧农业的发展[3-4]，通过农业传感器等智能设备[5]搭建蔬菜种植管控系统可以实现作物生长环境的远程监控和管理，而管控系统对环境调控的速度和精度是提高生产种植管理效率和质量的关键。
目前，作物管控系统已在国外得到广泛应用，利用农业智能设备与现代计算机技术实现农业生产、农事服务的高效管理[6-11]。如美国、日本、法国等国家已建立集生态化、产业化、标准化、集约化、规模化于一体的多个示范性现代农业产业园，提升了经济和环境效益。
近年来国内开展了一系列作物管控系统的研究[12-14]，王纪章等[15]通过有线、无线传感器感知种植环境及作物对气候的反应，并做出正确的、精准的环境调控决策，建立基于物联网的灌溉施肥系统，合理分配农业生产过程中的水和肥料，提高了生产力和质量，但在环境调控性能上仍存在调控不及时、不准确的问题。姬丽雯等[16]使用轻量级的MQTT协议设计了草莓监控系统，实现了对温室环境信息的实时采集和远程控制，但未涉及智能调控功能，无法给予农户专业指导。杨伟志等[17]基于土壤水分等相关信息建立了柑橘灌溉专家系统，但该系统仅采用无线通信的方式，在恶劣天气条件下抗干扰能力较差，无法准确稳定地传输环境信息，灌溉实时性和准确性不能保证。基于农业物联网技术，余国雄等[18]实现对荔枝园的远程环境监控和精准管控，吴久江等[19]对简易大棚种植草莓的水分利用率进行分析，使水分经济利用率得到一定的提高，但他们都未考虑环境因子对环境调控设备的依赖，在精准调控的实时性和准确性方面仍有不足。
模糊控制作为一种模拟人类思维而不依赖于参数调节的推理规则，能够适应实时系统的非线性控制问题[20]，已有相关研究将模糊控制应用于温室环境调控。韦玉翡等[21]基于环境参数模糊制定专家系统，实现对温室环境的智能调控，但监测的环境因子不够全面，未考虑土壤电导率对作物生长的影响。傅以盘等[22]利用模糊控制对大棚温度进行调节，将其数值稳定在合适范围内，但未对其他环境因子实现调控。由于环境因子对环境调控设备的依赖程度不同，环境调控设备对环境因子的影响并非一对一的关系，对多环境因子的精确调控策略需要结合专家知识。定性分析是一种依据专家的智慧、经验等进行决策的方法，将其与模糊控制相结合，有利于实现多环境因子的精确调控。
针对现有的作物种植管控系统存在的种植环境监测不全面、环境调控实时性和准确性欠佳等问题，本文设计并开发了一种菜心种植的精准管控模型及系统，利用物联网设备实时监测菜心各生长阶段的环境因子并传输至云端服务器，同时管控平台调用基于模糊控制与定性分析的环境管控模型指导环境调控设备工作，最后开展了管控系统模式和人工管理模式性能的对比试验，以期为实现设施菜心种植生产的高质量管理提供参考。
1. 管控系统模型及系统总体设计
设施菜心管控模型及系统整体框架如图1所示，主要由环境监测设备、环境管控模型和环境调控设备3部分组成。在菜心种植基地部署气象综合站采集基地不同环境下的气象数据，部署土壤综合站采集土壤数据环境，基于RS-485和Modbus-RTU协议与数据处理单元进行通信；数据处理单元基于MQTT协议与云端服务器进行数据交换；云端服务器负责接收、存储、管理、分析数据以供管控平台调用。部署水肥一体灌溉机、智能控制机作为设施菜心的水肥供给及环境调控设备。环境管控模型对菜心生长环境进行分析，形成环境调控决策方案，通过管控平台调用水肥一体灌溉机及智能控制机，维持各环境处于适宜生长范围，实现作物的高产、稳产。
![]()
图 1 设施菜心管控模型及系统框架Figure 1. Framework of the management model and system for protected flowering Chinese cabbage2. 设施菜心生长环境监测
2.1 菜心生长环境信息采集
设施菜心生长环境信息主要通过物联网设备采集并传输至云端服务器进行分析、存储，实现菜心生长环境的实时监测。基于物联网设备搭建气象综合站和土壤综合站收集菜心生长环境因子(空气温度、土壤温度、土壤湿度、土壤导电率)。菜心不同生长时期对生长环境的要求不同[23]，具体环境要求由农艺专家制定，如表1所示。其中，种子发芽需要25~30 ℃的空气温度、达标的土壤温度和水分条件以保证菜心的正常生长发育；叶片生长期的空气温度要求在20~25 ℃，有利于菜薹形成期糖分积累，产出质量好、品质高的菜心。土壤电导率反映了土壤中的总盐量，土壤中的养分主要以离子形式分散在土壤中，如氮、磷、钾、钙、镁等元素，这些元素的含量将直接影响作物产量，同时也需要避免过量施肥导致土壤污染。气象综合站和土壤综合站中环境因子采集传感器的具体信息如表2所示。
表 1 环境因子适宜范围Table 1. Suitable range of environmental factors生长时期
Growth periodθ空气/℃
Atmospheric temperatureθ土壤/℃
Soil temperature土壤相对湿度/%
Soil relative moistureσ土壤/(mS·cm−1)
Soil electrical conductivity种子发芽期
Seed germination period25~30 25~30 60~80 0.1~0.2 叶片生长期
Leaf growth period20~25 20~35 70~90 0.2~0.3 菜薹形成期
Stalk formation period20~25 20~25 60~80 0.3~0.4 表 2 传感器具体信息Table 2. Specific information of sensors传感器类型
Sensor type数据传输方式
Data transmission method型号
Model详情
Detail大气温、湿度
Atmospheric temperature and humidityRS-485 威盟士VMS-3002-WS 温度精度为±0.5 ℃、相对
湿度测量精度为±3%土壤温、湿度
Soil temperature and humidityRS-485 威盟士VMS-3001-TR-*-N01 温度测量精度为±0.5 ℃、
相对湿度测量精度为±3%土壤电导率
Soil electrical conductivityRS-485 威盟士VMS-3001-TR-*-N01 分辨率为1 µS·cm−1、土壤
电导率测量精度为±3% FS2.2 生长环境信息数据传输
将气象综合站和土壤综合站采集到的数据稳定传输至云端，是实现环境精准调控的前提，本研究底层传感器由两类构成，一是数据采集类传感器，二是设备执行类传感器。相较于无线传输，有线传输在面临恶劣天气时抗干扰性更强，而无线传输的成本更低。因此本研究采用无线传感网、有线通信相融合的组网设计，并接入生产环境中的风机、湿帘、控制箱等传感器设备，监控设备运行状态，对设备异常状况进行报警；同时依据传感器情况，采用RS-485结合Modbus-RTU协议的方式接入传感器设备，并使用MQTT协议，将数据内容传输到云端物联网平台，进行初步运算存储。
2.2.1 底层物联网与数据处理单元的数据传输
由于无线信号抗干扰能力较弱且实验园夏季高频发生雷雨天气，因此选择485信号线将传感器与数据处理单元连接，传感器设备与数据处理单元通过标准RS-485通信接口进行数据传输，问询帧的地址码和功能码为1字节，起始地址、请求寄存器数量和校验码为2字节，应答帧的地址码、功能码和数据长度为1字节，回传数据内容和校验码为2字节。其中，地址码代表设备地址，在通信网络中是唯一的，多个传感器设备共用1条485总线，与数据处理单元连接构成1个综合站，每个传感器设备对应1个设备地址。地址码由用户设置，表明该信息来自何处；由于传感器设备只支持读取操作，因此将功能码固定为只读，寄存器地址0001H定义为空气温度(单位为0.1 ℃)，只读操作；0002H定义为土壤温度(单位为0.1 ℃)，只读操作；0003H定义为土壤湿度(单位为0.1% RH)，只读操作；0007H定义为土壤电导率(单位为1 µS/cm)，只读操作。校验码用于判断接收到的数据是否正确，避免传输过程中电子噪声或其他噪声的干扰。
2.2.2 基于MQTT的云端数据传输
数据处理单元通过MQTT协议与云端进行数据交换，MQTT通信协议使用订阅和发布消息模式，实现农业数据的高效推送。在MQTT协议中，1个数据包由固定头、可变头、消息体组成。其中，固定头包含数据处理单元序列号、传感器设备地址码；可变头包含传输数据类型、协议版本等；消息体包含气象数据如空气温度、大气湿度、光照等。
MQTT物联网传输协议具有网络连接速度快、实时性高、数据传输稳定、下位机系统高效稳定和环境参数精度高等特点，使得物联网设备监测菜心各生长阶段环境因子(空气温度、土壤温度、土壤湿度和土壤电导率)拥有较高的实时性。
3. 设施菜心生长环境管控模型
3.1 功能设计
环境管控模型是实现菜心生长环境精准管控的关键，水肥一体灌溉机按照菜心各生长时期的需求，通过滴灌方式将水肥溶液输送到作物根部。智能控制机集成风机、灯光、湿帘等设备，为菜心提供精准、定量、定时的环境调控条件。开发设施菜心精准种植管控平台，调用布置在云端服务器的模糊调控模型，分析空气温度、土壤温度、土壤湿度和土壤电导率，做出相对应的环境调控决策，图2为管控平台界面。
环境调控系统工作过程如下：环境监测系统通过各种传感器采集温室内环境因子数据并传送至云端服务器；云端服务器一方面对数据进行预处理并保存，另一方面传达信号，控制环境调控设备的开启程度，以维持菜心的最佳生长环境；采集、接收数据后，管控平台将环境数据与根据专家知识设置的菜心各时期最优参数进行比较，得出偏差和偏差的变化率等，调用模糊调控模型得到各环境因子的模糊控制量，最后基于定性分析法形成精准的环境调控决策方案，控制水肥一体灌溉机和智能控制机进行适当的喷灌降温、喷洒肥料、开关大棚风机等操作，保证菜心的正常生长；反馈实施结果到管控平台，为后续优化提供依据。
3.2 基于模糊控制的环境调控
控制多因素环境变量稳定是设施菜心环境智能调控的关键。设施菜心生长环境变量相互联系、相互影响。如太阳辐射量过高，会导致温度升高，从而湿度降低等[17]。优秀的环境调控系统设计需考虑多因素环境变量的综合影响。本研究综合菜心不同生长阶段的环境因子，基于模糊控制和专家知识形成环境调控设备的最佳模糊调控模型，其结构如图3所示。其中，本研究的专家知识为农艺师根据菜心种植管理以及环境调控设备使用经验综合分析制定的数据库和规则库。
将环境监测系统采集到的环境因子的实时数据与设定的菜心生长环境因子适宜范围(表1)比较，获得空气温度偏差
$ {E}_{{\rm{T}}1} $ 和偏差变化率$ \Delta {E}_{{\rm{T}}1} $ 、土壤温度偏差$ {E}_{{\rm{T}}2} $ 和偏差变化率$ \Delta {E}_{{\rm{T}}2} $ 、土壤湿度偏差$ {E}_{\rm{H}} $ 和偏差变化率$ \Delta {E}_{\rm{H}} $ 以及土壤电导率偏差$ {E}_{\rm{C}} $ 和偏差变化率$ \Delta {E}_{\rm{C}} $ 。为保证设施菜心的环境变量处于最佳，设计二输入的模糊控制规则使调控模型处于动态稳定状态。将各环境因子偏差值和偏差变化率作为模糊控制模型的输入量，参考专家知识将输入值转化为模糊控制理论语言值，具体转换公式如下：
$$ Y=\dfrac{4}{a-b}\left[X-\dfrac{a+b}{2}\right] \text{，} $$ (1) 式中，
$ X $ 为偏差值及其变化率，$ a $ 为论域上限，$ b $ 为论域下限，$ Y $ 为连续量。设定空气温度、土壤温度、土壤湿度、土壤电导率的偏差模糊集论域为
$ [-3, 3] $ ，可分为7个等级{−3, −2, −1, 0, 1, 2, 3}，这是输入值的量化过程。输入量偏差值的模糊语言值取：{NB=负大，NM=负中，NS=负小，Z=零中，PS=正小，PM=正中，PB=正大}。同理，输入量偏差值的变化率也根据上述方法划分3个等级模糊语言值：{N=负，Z=零中，P=正}；模糊控制模型输出控制量的模糊值取：{NB=负大，NM=负中，Z=零中，PM=正中，PB=正大}，结合专家知识将模糊输出语言值转化为各环境因子的模糊控制量。模糊调控模型具体规则如下：当偏差
$ E $ 及其变化率$ \Delta E $ 较大时，应尽快消除偏差；当它们较小或为零时，需优先保持调控模型稳定性。模糊控制状态表如表3所示。表 3 模糊控制状态1)Table 3. Fuzzy control statesE △E P Z N PB PB PB PM PM PB PM PS PS PM PM Z Z PM Z Z NS PS Z NM NM Z NM NB NB NM NM NB 1) E：偏差，∆E：偏差变化率；P=正，N=负，NB=负大，NM=负中，NS=负小，Z=零中，PS=正小，PM=正中，PB=正大
1) E: Deviation, ∆E: Change rate of deviation; P=positive, N=negative, NB=negative big, NM=negative medium, NS=negative small, Z=zero medium, PS=positive small, PM=positive medium, PB=positive big3.3 环境调控定性决策优化
根据模糊调控模型输出的各环境因子的模糊控制量，结合专家知识制定环境调控设备的调控规则。对于水肥一体灌溉机，采用定量控制的方式，依据设备最大极限浇灌量划分为0、25%、50%、75%和100% 5个调控等级。对于灯光、风机、湿帘等长时间运行设备，设备调控的影响程度与开启时间呈正比例关系，因此采用定时控制的方式，将设备开启时间划分为5个调控等级(0、2、4、6、8 h)，相应调控规则如表4所示。
表 4 环境调控设备控制规则Table 4. Control rules for environmental control equipment模糊控制状态1)
Fuzzy control
state定量调控等级/%
Quantitative
regulation level定时调控等级/h
Timing regulation
levelNB 0 0 NM 25 2 Z 50 4 PM 75 6 PB 100 8 1) NB=负大，NM=负中，Z=零中，PM=正中，PB=正大
1) NB=negative big, NM=negative medium, Z=zero medium, PM=positive medium, PB=positive big然而，环境调控设备对环境因子的影响并非一对一的关系，如水肥一体灌溉机直接对土壤湿度和土壤电导率产生影响，间接对大气湿度、空气温度产生影响；水泵的开启程度和时间直接对土壤湿度、大气湿度产生影响，间接影响土壤温度、空气温度；在夏季当湿帘发挥降温加湿作用时，室内温度下降，湿度会略增加；打开风机进行通风换气，可以降低温度和湿度。因此需要采用定性决策的方法确定环境调控设备的调控量。
将空气温度、土壤温度、土壤湿度、土壤电导率4个环境因子对控制设备的依赖程度分为5个等级：非常高(1.0)、高(0.8)、中(0.5)、低(0.3)、非常低(0)，若依赖程度处于2个等级之间，则取这2个等级间的评定值。
根据前期试验和专家意见得出空气温度、土壤温度、土壤湿度、土壤电导率4个环境因子受5个控制设备(湿帘、水肥一体灌溉机开启前需开启水泵)的影响程度，如表5所示。
表 5 环境因子对环境调控设备的依赖程度Table 5. Dependence degree of environmental factors on environmental control equipment设备
Equipment空气温度
Atmospheric temperature土壤温度
Soil temperature土壤湿度
Soil moisture土壤电导率
Soil electrical conductivity水肥一体灌溉机
Fertigation system0.3 0.3 1.0 1.0 水泵 Water pump 0.3 0.3 1.0 0.8 灯光 Light 0.5 0.5 0 0 风机 Fan 0.8 0.8 0.3 0.3 湿帘 Wet curtain 0.8 0.5 0.3 0 由表5可计算评价模糊矩阵
$ R $ 。$$ {\boldsymbol{R}}=\left[\begin{array}{cc}\begin{array}{cc}0.3& 0.3\\ 0.3& 0.3\end{array} \begin{array}{cc}1.0& 1.0\\ 1.0& 0.8\end{array}\\ \begin{array}{cc}0.5& 0.5\\ 0.8& 0.8\end{array} \begin{array}{cc}0& 0\\ 0.3& 0.3\end{array}\\ \begin{array}{cc}0.8& 0.5\end{array}\begin{array}{cc}0.3& \;\;0\end{array}\end{array}\right] 。 $$ (2) 按照公式(3)，对模糊矩阵
$ {\boldsymbol{R}} $ 最大特征值所对应的特征向量归一化，得到相对权重($ A $ )。由公式(4)计算得到各控制设备的重要性评价系数矩阵($ {\boldsymbol{U}} $ )，在各环境因子控制存在耦合或设备调控量存在矛盾时，形成精准环境调控决策。$$ A={\left[0.670\,7,\,0.243\,4,\,0.546\,9,\,0.438\,0\right]}^{{\rm{T}}} \text{，} $$ (3) $$ {\boldsymbol{U}}={\boldsymbol{R}}\times A={\left[1.259\,1,\,1.171\,5,\,0.457\,0,\,1.026\,8,\,0.822\,3\right]}^{{\rm{T}}} 。 $$ (4) 4. 基地试验
设施菜心管控系统试验在华南农业大学农业农村部华南热带智慧农业技术重点实验室试验基地进行，设有2个菜心种植区，占地300
${{\rm{m}}}^{2}$ ，可种植1 000株菜心。试验基地针对菜心种植区部署气象综合站1套、土壤综合站10套、水肥一体灌溉机1套和智能控制机1台(控制10个风机、1个湿帘以及1套补光设备)。2个菜心种植区分别采用设施菜心管控系统模式和人工经验管理模式对菜心生长进行管理，1套气象综合站布置于2个菜心种植区之间，10套土壤综合站以五点采样法的分布形式分别布置于2个菜心种植区，采集土层表面5 cm的土壤环境因子数据。本试验种植的菜心品种为‘青梗皱叶迟菜心’，在高架上使用基质种植，基质由农艺专家配制，原料主要有泥炭、椰糠、珍珠岩和蛭石。菜心种植株距16 cm，行距16 cm。以2021年9月1日至2021年10月21日种植菜心的种子发芽期(9月1日至9月7日)、叶片生长期(9月8日至10月2日)、菜薹形成期(10月3日至10月21日)作为试验时期。为验证智能设施菜心管控系统性能，本文进行设施菜心管控模式性能对比试验，分别是管控系统模式和人工经验管控模式，比较环境调控的实时性和准确性。管控系统模式下，监测系统实时采集试验菜心种植区空气温度、土壤温度、土壤湿度和土壤电导率4个环境因子数据，通过模糊控制器得到环境因子模糊控制量，结合专家知识生成环境调控决策，指导智能控制机和水肥一体灌溉机调节菜心生长环境。人工经验管控模式下，种植者在工作时间内定时(06:00、12:00和18:00)测量环境因子数据，根据测量数据和人工经验控制环境调控设备，进而调节菜心生长环境。针对本文优选的4个关键环境因子，通过设施管控系统监测并记录菜心不同生长时期的数据，暂存在本地计算机内，用于试验结果对比分析。其中，种子发芽期数据336个、叶片生长期数据1 200个、菜薹形成期数据912个。
计算环境因子超出菜心适宜生长范围后，经过系统或人工调控到适合生长范围内所需的时间，以此比较不同管理模式对环境因子调控的实时性，对应指标计算如公式(5)所示。
$$ \left\{\begin{aligned} & {p}_{{\rm{t}}}=\dfrac{\displaystyle\sum \nolimits _{i=1}^{n}{t}_{{\rm{b}}i}-{t}_{{\rm{e}}i}}{24n}\,\;\;\;\;\quad 空气温度、土壤温度\\& {P}_{{\rm{t}}}=\dfrac{\displaystyle\sum \nolimits _{i=1}^{n}{T}_{{\rm{b}}i}-{T}_{{\rm{e}}i}}{n{P}_{{\rm{d}}}}\,\quad 土壤湿度、土壤电导率 \end{aligned}\right. \text{，} $$ (5) 式中，
${p}_{\rm{t}}$ 、$ {P}_{\rm{t}} $ 分别为不同环境因子的实时性指标；$ n $ 为管控系统或人工介入调控的次数；$ {t}_{{\rm{e}}i} $ 为空气温度和土壤温度第$ i $ 次超出适宜范围的时间，h；$ {t}_{{\rm{b}}i} $ 为调控空气温度和土壤温度第$ i $ 次回到适宜范围的时间，h；$ {T}_{{\rm{e}}i} $ 为土壤湿度和土壤电导率第$ i $ 次超出适宜范围的时间，d；$ {T}_{{\rm{b}}i} $ 为调控土壤湿度和土壤电导率第$ i $ 次回到适宜范围的时间，d；$ {P}_{{\rm{d}}} $ 为菜心当前总生长天数，d。实时性指标越小代表实时性越好。统计环境因子处于菜心适宜生长环境范围内的频数(数据量)，并计算其占总数据量的比例，以此比较不同管理模式对环境因子调控的准确性，对应指标计算如公式(6)所示。
$$ {P}_{{\rm{a}}}=\dfrac{{D}_{1}}{D} \text{，} $$ (6) 式中，
$ {P}_{{\rm{a}}} $ 为准确性指标$ ；D $ 为本试验中记录的菜心生长各个时期对应环境因子的数据量；$ {D}_{1} $ 为环境因子处于菜心适宜生长环境范围内的频数。5. 结果与分析
5.1 管控模式实时性分析
随机选取菜心3个生长时期(种子发芽期、叶片生长期、菜薹形成期)其中一天的空气温度和土壤温度作为对比，如图4所示。人工管理模式的空气温度大部分时间处于适宜范围之外，且这一情况存在于菜心生长的3个时期。管控系统模式的空气温度和土壤温度根据菜心生长时期变化而变化，基本处于适宜范围内；其中，土壤温度在整个叶片生长期都保持在适宜范围内。说明当空气温度和土壤温度超出适宜范围时，管控系统能及时调控使其快速回到适宜范围内。
![]()
图 4 空气温度和土壤温度变化曲线Figure 4. Variation curves of atmospheric temperature and soil temperature图5a、5b分别为菜心3个生长时期(种子发芽期、叶片生长期、菜薹形成期)土壤湿度和土壤电导率的平均日变化曲线。管控模式下的土壤湿度和土壤电导率变化总是先于人工管理模式，且调控趋势更强烈，反映出人工管理模式介入调控相对滞后，导致土壤湿度和土壤电导率几乎都处于适宜范围之外。土壤电导率反映了土壤营养物质的含量，人工管理导致土壤电导率偏低，不利于菜心生长；管控系统模式的土壤湿度和土壤电导率随着菜心生长时期的变化而及时改变，说明管控系统能够频繁介入调控使其处于适宜范围内。
![]()
图 5 土壤湿度(a)和土壤电导率(b)变化曲线浅蓝色为种子发芽期，浅绿色为叶片生长期，浅黄色为菜薹形成期Figure 5. Variation curves of soil moisture (a) and soil electrical conductivity (b)Light blue is for seed germination period, light green for leaf growth period, light yellow for stalk formation period统计菜心3个生长阶段各环境因子实时性试验结果，如图6所示。从平均实时性来看，3个生长阶段管控系统模式对环境因子的平均调控实时性分别为0.10、0.17和0.18，人工管理模式分别为0.37、0.41和0.43。管控模式调控的实时性明显比人工管理模式高，所需平均调控时间缩短50%以上，平均实时性提高62.50%。3个生长阶段管控系统模式对土壤湿度的平均调控实时性分别为0.05、0.01和0.03，对土壤电导率的平均调控实时性分别为0.01、0.02和0.03；人工管理模式对土壤湿度的平均调控实时性分别为0.36、0.23和0.24，对土壤电导率的平均调控实时性分别为0.50、0.31和0.42。人工管理模式对土壤湿度和土壤电导率的调控实时性与管控系统模式存在巨大的差距，形成这种巨大差距的原因可能是，当土壤湿度和电导率处于不利于菜心生长状况时，人工经验管理对土壤状况观测不及时、判断不准确等主观原因导致调控滞后，而管控系统的环境监测使土壤湿度和土壤电导率的实时调控成为可能，使得菜心始终处于适宜生长条件。
5.2 管控模式准确性分析
本试验管控系统模式和人工管理模式的各环境因子在菜心种子发芽期、叶片生长期和菜薹形成期的监测数据如表6所示。管控系统模式下各环境因子处于适宜范围内的频数均高于人工管理模式，其中土壤湿度和土壤电导率的优势最为明显。综合3个时期来看，土壤湿度和土壤电导率在管控系统模式下处于适宜范围内的频数分别为1 887和1 738，相比人工管理模式的484和102，分别有近3和16倍的提升；这是由于灌溉时间、灌溉方式、肥料比例对土壤湿度和土壤电导率的影响较大，依靠人工经验管理较难准确把握灌溉调控时机，而管控系统在准确的环境监测基础上能够做出及时精准的调控决策，因此调控效果优势明显。相对于土壤湿度和土壤电导率，管控系统对空气温度和土壤温度调控的优势较小，仅有不到1倍的提升；可能原因是与土壤湿度和土壤电导率相比，人工经验对于温度变化更为敏感，因此空气温度和土壤温度能够得到及时的调控。
表 6 准确性监测结果1)Table 6. Monitoring data of accuracy生长时期
Growth period空气温度
Atmospheric temperature土壤温度
Soil temperature土壤湿度
Soil moisture土壤电导率
Soil electrical conductivity系统
System人工
Artificial系统
System人工
Artificial系统
System人工
Artificial系统
System人工
Artificial种子发芽期
Seed germination period190/146 141/195 262/74 224/112 330/6 23/313 263/73 20/316 叶片生长期
Leaf growth period651/549 445/755 1 023/177 944/278 746/454 185/1 019 808/392 45/1 155 菜薹形成期
Stalk formation period513/399 252/660 725/187 513/377 811/101 276/632 667/245 37/875 总计 Total 1 354/1 094 838/1 610 2 010/438 1 681/767 1 887/561 484/1 964 1 738/710 102/2 346 1)“/”上方为处于适宜范围内的数据量，下方为偏离适宜范围的数据量
1) The data above “/” are the amount of data in the appropriate range, and the data below “/” are the amount of data that deviate from the appropriate range图7为管控系统模式与人工管理模式的准确性对比结果。对比3个时期试验结果发现，管控系统模式对4个环境因子的调控准确性均超过0.50，而人工管理模式下仅有土壤温度的调控准确性超过0.50。综合3个时期，对比人工管理模式，管控系统对空气温度、土壤温度、土壤湿度和土壤电导率的调控准确性分别有56.66%、20.33%、3.76倍和13.78倍的提升，平均准确性提高1.34倍。此外，人工经验管理模式在3个时期对土壤湿度的调控准确性均低于0.35，对土壤电导率的调控准确性均低于0.10，与管控系统模式存在较大差距。从平均准确性来看，管控系统模式在3个生长阶段对4个环境因子的平均调控准确性分别为0.78、0.68和0.74，人工管理模式分别为0.31、0.34和0.30。管控模式的调控准确性均为人工管理模式的2倍以上，说明人工管理由于环境观测滞后性较难对环境因子实现准确调控，导致菜心的生长环境无法长时间稳定地控制在适宜范围内，对菜心的健康生长造成负面影响。试验的准确性分析结果表明，管控系统对环境因子的调控准确性更优，更有利于菜心的生产管理。
6. 结论
1)设计并开发了一种基于模糊控制的设施菜心生产环境管控模型及系统，主要由环境监测设备、环境管控模型和环境调控设备3部分组成，具有对菜心生长环境实时监控及准确调控的功能，实现了菜心生长高效管理，保证了菜心产量和品质。
2)利用本研究的管控系统对菜心生长环境信息进行采集和传输，提高了获取环境信息的实时性。模糊推理与定性分析相结合的方法优化了环境因子控制量及环境调控设备的调控决策，提高了对环境因子调控的准确性。
3)与传统人工管理模式对比，管控系统能够更及时、准确地监控和调控菜心生长环境，对比试验表明：管控系统模式的平均实时性提高62.50%，平均准确性提高1.34倍。
-
![]()
图 1 广东省不同地区土壤养分含量的差异
NG：粤北，EG：粤东，WG：粵西，NWG：粤西北，PRD：珠三角；各小图中不同小写字母表示不同地区间差异显著(P < 0.05，Duncan’s法)
Figure 1. Differences of soil nutrient contents in different areas of Guangdong Province
NG: North Guangdong, EG: East Guangdong, WG: West Guangdong, NWG: Northwest Guangdong, PRD: Pearl River Delta; Different lowercase letters in each figure indicate significant differences among different areas (P < 0.05, Duncan’s method)
![]()
图 2 广东省各地区耕地土壤养分主成分分析
SOM：土壤有机质；DOC：可溶性有机碳；TN：全氮；AN：碱解氮；AP：速效磷
Figure 2. Principal component analyses of soil nutrients in different areas of Guangdong Province
SOM: Soil organic matter; DOC: Dissolved organic carbon; TN: Total nitrogen; AN: Available nitrogen; AP: Available phosphorus
![]()
图 3 广东省不同地区土壤养分含量实测值与VNIRS预测值的相关性
Figure 3. Correlation between measured and VNIRS predicted values of soil nutrient contents in different regions of Guangdong Province
表 1 采样区概况
Table 1 Information about sampling pots
地区
Region行政市
Administrative city样点数量
Sampling point number气候类型
Climate type土壤类型
Soil type粤北
North Guangdong韶关 100 亚热带季风气候 以红壤为主，风化程度深，富铁铝化作用明显，质地较黏重 粤东
East Guangdong梅州 102 亚热带季风气候 以赤红壤、黄壤为主 粤西
West Guangdong湛江 98 热带北缘季风气候 有赤红壤、砖红壤，土层深厚，质地黏重，呈强酸性反应，铁铝富集最为显著 粤西北
Northwest Guangdong肇庆 99 南亚热带季风气候 以赤红壤为主，农田土壤整体偏酸 珠三角
Pearl River Delta惠州 65 亚热带季风气候 有红壤、赤红壤和黄壤，以赤红壤类型分布最广，土壤呈酸性，阳离子交换量较低，矿质养分较贫乏 珠海 50 亚热带季风海洋性
气候有红壤和赤红壤，红壤面积较少，分布不广，300 m以上的丘陵台地多分布有红壤 
下载: 导出CSV
表 2 广东省各地区的土壤养分模型预测效果1)
Table 2 Prediction performance of soil nutrient models in different areas of Guangdong Province
指标
Index地区
AreaSEC RSQ SECV 1-VR 有机质
Soil organic matter粤北 4.260 2 0.662 2 5.666 3 0.406 5 粤东 10.191 2 0.476 4 11.699 5 0.337 7 粤西 3.803 4 0.837 8 7.071 8 0.595 1 粤西北 3.985 1 0.831 1 5.032 2 0.735 8 珠三角 5.057 6 0.817 2 6.123 1 0.729 5 全氮
Total nitrogen粤北 0.107 4 0.898 6 0.180 9 0.731 9 粤东 0.295 9 0.784 0 0.382 5 0.646 6 粤西 0.219 8 0.660 5 0.347 6 0.336 7 粤西北 0.245 3 0.704 7 0.310 4 0.540 2 珠三角 0.245 4 0.789 8 0.308 9 0.677 0 可溶性有机碳
Dissolved organic carbon粤北 24.437 4 0.694 1 26.896 4 0.641 1 粤东 31.206 8 0.141 4 34.763 2 0.043 9 粤西 25.987 2 0.471 5 30.433 7 0.324 5 粤西北 31.937 4 0.281 6 33.930 4 0.216 6 珠三角 27.896 4 0.132 6 30.310 7 −0.021 7 碱解氮
Available nitrogen粤北 61.912 7 0.108 7 72.340 4 −0.040 3 粤东 50.192 4 0.323 6 57.612 0 0.148 8 粤西 42.216 6 0.380 4 53.081 4 0.130 4 粤西北 19.314 8 0.731 4 25.338 4 0.536 7 珠三角 20.557 2 0.820 0 27.365 0 0.685 0 速效磷
Available phosphorus粤北 15.325 8 0.225 1 18.882 4 0.077 8 粤东 24.353 7 0.070 1 27.115 0 −0.040 5 粤西 31.471 9 0.482 7 34.417 0 0.374 3 粤西北 18.240 2 0.647 6 28.404 3 0.400 4 珠三角 28.844 6 0.694 9 35.797 0 0.546 2 1) SEC：定标标准误差；RSQ：定标相关系数；SECV：交互验证标准误差；1-VR：交叉验证相关系数
1) SEC: Standard error of calibration; RSQ: Coefficient of determination for validation; SECV: Standard error of cross validation; 1-VR: 1 minus the variance ration
下载: 导出CSV
-
[1] 赵其国, 孙波, 张桃林. 土壤质量与持续环境Ⅰ: 土壤质量的定义及评价方法[J]. 土壤, 1997(3): 113-120. [2] 张甘霖, 朱永官, 傅伯杰. 城市土壤质量演变及其生态环境效应[J]. 生态学报, 2003, 23(3): 539-546. [3] XIAO R, SU S, ZHANG Z, et al. Dynamics of soil sealing and soil landscape patterns under rapid urbanization[J]. Catena, 2013, 109: 1-12. doi: 10.1016/j.catena.2013.05.004
[4] 江恩赐, 陈林, 颜继忠, 等. 智能高光谱成像融合CARS特征波段筛选快速检测硫熏牛膝SO2含量[J]. 中国中药杂志, 2022, 47(7): 1864-1870. [5] 王巧华, 马逸霄, 付丹丹. 基于光谱技术的禽蛋内部品质无损检测研究进展[J]. 华中农业大学学报, 2021, 40(6): 220-230. [6] 宋亮, 刘善军, 虞茉莉, 等. 基于可见−近红外和热红外光谱联合分析的煤和矸石分类方法研究[J]. 光谱学与光谱分析, 2017, 37(2): 416-422. [7] BADARÓ A T, MORIMITSU F L, FERREIRA A R, et al. Identification of fiber added to semolina by near infrared (NIR) spectral techniques[J]. Food Chemistry, 2019, 289: 195-203. doi: 10.1016/j.foodchem.2019.03.057
[8] 孙园园, 蔡怡聪, 谢黎虹, 等. 近红外光谱分析技术在稻米品质测定和遗传分析中应用研究概述[J]. 中国稻米, 2016, 22(6): 1-3. [9] MENDES DE OLIVEIRA D, FONTES L M, PASQUINI C. Comparing laser induced breakdown spectroscopy, near infrared spectroscopy, and their integration for simultaneous multi-elemental determination of micro-and macronutrients in vegetable samples[J]. Analytica Chimica Acta, 2019, 1062: 28-36. doi: 10.1016/j.aca.2019.02.043
[10] ELLE O, RICHTER R, VOHLAND M, et al. Fine root lignin content is well predictable with near-infrared spectroscopy[J]. Scientific Reports, 2019, 9: 6396. doi: 10.1038/s41598-018-37186-2
[11] BELLON-MAUREL V, MCBRATNEY A. Near-infrared (NIR) and mid-infrared (MIR) spectroscopic techniques for assessing the amount of carbon stock in soils: Critical review and research perspectives[J]. Soil Biology and Biochemistry, 2011, 43(7): 1398-1410. doi: 10.1016/j.soilbio.2011.02.019
[12] 刘燕德, 熊松盛, 刘德力. 近红外光谱技术在土壤成分检测中的研究进展[J]. 光谱学与光谱分析, 2014, 34(10): 2639-2644. [13] VELASQUEZ E, LAVELLE P, BARRIOS E, et al. Evaluating soil quality in tropical agroecosystems of Colombia using NIRS[J]. Soil Biology and Biochemistry, 2005, 37(5): 889-898. doi: 10.1016/j.soilbio.2004.09.009
[14] DE SANTANA F B, DE SOUZA A M, POPPI R J. Visible and near infrared spectroscopy coupled to random forest to quantify some soil quality parameters[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 191: 454-462. doi: 10.1016/j.saa.2017.10.052
[15] JOUQUET P, HENRY-DES-TUREAUX T, MATHIEU J, et al. Utilization of near infrared reflectance spectroscopy (NIRS) to quantify the impact of earthworms on soil and carbon erosion in steep slope ecosystem: A study case in Northern Vietnam[J]. Catena, 2010, 81(2): 113-116. doi: 10.1016/j.catena.2010.01.010
[16] 张欣跃, 赵玉国, 刘峰, 等. 基于可见−近红外光谱与化学属性的土壤来源地判别[J]. 土壤学报, 2019, 56(5): 1060-1071. [17] MOUAZEN A M, KUANG B, DE BAERDEMAEKER J, et al. Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy[J]. Geoderma, 2010, 158(1/2): 23-31. doi: 10.1016/j.geoderma.2010.03.001
[18] 李伟, 张书慧, 张倩, 等. 近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量[J]. 农业工程学报, 2007, 112(1): 55-59. [19] 赵明松, 谢毅, 陆龙妹, 等. 基于高光谱特征指数的土壤有机质含量建模[J]. 土壤学报, 2021, 58(1): 42-54. [20] 陈秋宇, 杨仁敏, 朱长明. 基于 VIS-NIR 光谱的互花米草入侵湿地土壤有机碳预测研究[J]. 土壤学报, 2021, 58(3): 694-703. [21] QIAO Y, ZHANG S. Near-infrared spectroscopy technology for soil nutrients detection based on LS-SVM[C]//International Conference on Computer and Computing Technologies in Agriculture. Berlin, Heidelberg: Springer, 2012: 325-335.
[22] 陈滢伊, 司友涛, 鲍勇, 等. 隔离降雨对亚热带米槠天然林土壤可溶性有机质数量及光谱学特征的影响[J]. 应用生态学报, 2019, 30(9): 2964-2972. [23] LIU S, ZHU Y, LIU L, et al. Cation-induced coagulation of aquatic plant-derived dissolved organic matter: Investigation by EEM-PARAFAC and FT-IR spectroscopy[J]. Environmental Pollution, 2018, 234: 726-734. doi: 10.1016/j.envpol.2017.11.076
[24] 刘雪梅, 柳建设. 基于MC-UVE的土壤碱解氮和速效钾近红外光谱检测[J]. 农业机械学报, 2013, 44(3): 88-91. [25] 贾生尧, 杨祥龙, 李光, 等. 近红外光谱技术结合递归偏最小二乘算法对土壤速效磷与速效钾含量测定研究[J]. 光谱学与光谱分析, 2015, 35(9): 2516-2520. [26] 方向, 金秀, 朱娟娟, 等. 基于可见−近红外光谱预处理建模的土壤速效氮含量预测[J]. 浙江农业学报, 2019, 31(9): 1523-1530. [27] 汪六三, 鲁翠萍, 王儒敬, 等. 土壤碱解氮含量可见/近红外光谱预测模型优化[J]. 发光学报, 2018, 39(7): 1016-1023. [28] 何电源. 华南热带土壤养分含量状态及肥力评价[J]. 土壤学报, 1983, 20(2): 154-166. [29] 孟鑫鑫, 于雷, 周勇, 等. 基于可见近红外和中红外近地面光谱数据融合的土壤有机碳含量反演[J]. 土壤通报, 2022, 53(2): 301-307. [30] SHI Z, WANG Q L, PENG J, et al. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations[J]. Science China Earth Sciences, 2014, 57(7): 1671-1680. doi: 10.1007/s11430-013-4808-x
[31] TZIOLAS N, TSAKIRIDIS N, OGEN Y, et al. An integrated methodology using open soil spectral libraries and Earth Observation data for soil organic carbon estimations in support of soil-related SDGs[J]. Remote Sensing of Environment, 2020, 244: 111793. doi: 10.1016/j.rse.2020.111793
[32] 鲁如坤. 土壤农业化学分析方法[M]. 北京: 中国农业科技出版社, 1999: 146-191. [33] 刘磊, 沈润平, 丁国香. 基于高光谱的土壤有机质含量估算研究[J]. 光谱学与光谱分析, 2011, 31(3): 762-766. [34] 张雪莲, 李晓娜, 武菊英, 等. 不同类型土壤总氮的近红外光谱技术测定研究[J]. 光谱学与光谱分析, 2010, 30(4): 906-910. [35] 王昶. 近红外光谱快速评估土壤和有机肥质量研究[D]. 南京: 南京农业大学, 2014. [36] BEN-DOR E, HELLER D, CHUDNOVSKY A. A novel method of classifying soil profiles in the field using optical means[J]. Soil Science Society of America Journal, 2008, 72(4): 1113-1123. doi: 10.2136/sssaj2006.0059
[37] 曾招兵, 曾思坚, 汤建东, 等. 广东省耕地土壤有效磷时空变化特征及影响因素分析[J]. 生态环境学报, 2014, 23(3): 444-451. [38] 王文俊, 李志伟, 王璨, 等. 高光谱成像的褐土土壤速效钾含量预测[J]. 光谱学与光谱分析, 2019, 39(5): 1579-1585. -
期刊类型引用(11)
1. 李欣宇，叶尔江·拜克吐尔汉，王娟，张新娜，张春雨，赵秀海. 基于非线性混合效应模型的东北红松树高-胸径关系. 北京林业大学学报. 2025(03): 38-48 . 
百度学术
2. 程雯，武晓昱，叶尔江·拜克吐尔汉，王娟，赵秀海，张春雨. 基于混合效应和分位数回归的温带针阔混交林树高与胸径关系研究. 北京林业大学学报. 2024(02): 28-39 . 百度学术
3. 王维芳，崔梦琦，邢凯然. 包含哑变量的大兴安岭天然白桦林碳密度模型. 森林工程. 2024(05): 74-81 . 百度学术
4. 吕乐乐，王文彬，董灵波. 基于哑变量和分位数回归的兴安落叶松更新幼树的树高-胸径模型. 应用生态学报. 2023(09): 2355-2362 . 百度学术
5. 夏洪涛，郭晓斌，张珍，田相林，郭福涛，孙帅超. 基于不同立地质量评价指标的杉木大径材林分树高-胸径模型. 中南林业科技大学学报. 2023(10): 80-88 . 百度学术
6. 郭卫红，郑庆荣，胡砚秋，陈晓江，李眉红. 山西五台山主要针叶树种树高—胸径曲线模型研究. 湖南林业科技. 2022(06): 72-77 . 百度学术
7. 王泳腾，黄治昊，王俊，张童，郎立华，孙国明，崔国发. 濒危植物黄檗的生存压力研究. 北京林业大学学报. 2021(01): 49-57 . 百度学术
8. 陈浩，罗扬. 马尾松树高-胸径非线性混合效应模型构建. 森林与环境学报. 2021(04): 439-448 . 百度学术
9. 张冬燕，王冬至，李晓，高雨珊，李天宇，陈静. 基于分位数回归的针阔混交林树高与胸径的关系. 浙江农林大学学报. 2020(03): 424-431 . 百度学术
10. 邓楠，马丰丰，宋庆安，周满，杨蕊，李典军，彭湃，田育新. 环境梯度对杉木公益纯林分布特征及生长的影响. 湖南林业科技. 2020(04): 8-15 . 百度学术
11. 韩辉，袁春良，张学利，宋鸽，安宇宁，孙晓辉. 基于林分生长量的沙地樟子松初植造林密度确定. 辽宁林业科技. 2020(06): 1-9+58 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 237
- HTML全文浏览量: 109
- PDF下载量: 68
- 被引次数: 16
