共查询到20条相似文献，搜索用时 296 毫秒
1.
基于人工嗅觉系统的土壤有机质检测方法研究 总被引：1，自引：0，他引：1
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. 68 g/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。 相似文献
2.
针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。 相似文献
3.
基于同步荧光光谱的鸡肉中抗生素残留量快速检测 总被引：1，自引：0，他引：1
研究应用同步荧光技术对鸡肉中盐酸沙拉沙星（SARH）和盐酸强力霉素（DCH）残留快速检测的可行性。首先,分析了SARH标准溶液、DCH标准溶液、空白鸡肉提取液和含SARH及DCH的鸡肉提取液的三维同步荧光光谱,确定了鸡肉中SARH和DCH残留检测的波长差Δλ都为110nm,荧光激发峰分别为320nm和381nm。其次,采用单因素试验考察了硫酸镁溶液浓度和SDS溶液浓度及时间对荧光强度的影响,确定了鸡肉中SARH和DCH残留的最佳检测条件为：硫酸镁溶液浓度0.375mol/L、SDS溶液浓度0.300mol/L和采集时间12min。最后,利用多元线性回归（MLR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）算法分别建立了鸡肉中SARH和DCH残留的预测模型。试验结果表明,与基于MLR和SVR的预测模型相比,基于PLSR的预测模型综合评价更好。基于PLSR的SARH残留预测模型的预测集决定系数R2P为0.8465,预测集均方根误差（RMSEP）为0.3441mg/kg,相对预测误差（RPD）为2.5882。基于PLSR的DCH残留预测模型的R2P为0.9141,RMSEP为5.8909mg/kg,RPD为3.2435。由此可见,应用同步荧光技术检测鸡肉中SARH和DCH残留是可行的,该方法简便、快速,为鸡肉中SARH和DCH残留的快速检测提供了参考。 相似文献
4.
为研究温室内番茄冠层作物水分胁迫指数（CWSI）问题,通过布设多参数传感器,实时获取温室内外各环境参数。利用灰度关联分析,计算各环境参数与番茄冠层CWSI的关联度,根据关联度对环境参数进行排序,同时考虑对模型精度的影响,最终从9个环境参数中选取7个作为模型输入,建立基于LightGBM的温室番茄冠层CWSI预测模型。结合贝叶斯算法优化其中的关键参数,将模型预测结果与通过Jones经验公式计算出的CWSI做相关性分析,在相同的运算环境下,分别与GBRT和SVR模型对比。试验结果表明,基于贝叶斯优化LightGBM模型的决定系数（R2）、平均绝对误差（MAE）、均方根误差（RMSE）和运算时间分别为0.9601、0.0218、0.0314和0.0518s,与GBRT和SVR模型相比,其R2分别提高2.14%和14.05%,MAE分别降低0.0093和0.0612,RMSE分别降低0.0097和0.0591,时间分别缩短0.0459s和0.0612s。表明本研究提出的LightGBM模型性能更有效地提高了温室番茄冠层CWSI的预测精度,为实现温室番茄按需灌溉提供了参考。 相似文献
5.
基于无人机可见光影像的玉米冠层SPAD反演模型研究 总被引：2，自引：0，他引：2
叶绿素是植物进行光合作用的重要色素,利用作物光谱、纹理信息对叶绿素进行反演,为作物的实时监测和健康状况诊断提供重要依据。以大田环境下5个不同品种四叶期、拔节期的玉米为研究对象,利用无人机获取试验区可见光影像,对土壤背景进行掩膜处理,提取25种可见光植被指数、24种纹理特征,综合分析植被指数、纹理特征与玉米冠层叶绿素相对含量（SPAD）的相关性,分别建立基于植被指数、纹理特征和植被指数+纹理特征的逐步回归（SR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）模型,定量估算叶绿素相对含量。在SR模型中,植被指数+纹理特征模型与植被指数模型相同,R2为0.7316,RMSE为2.9580,RPD为1.926,优于纹理特征模型;在PLSR模型中,植被指数+纹理特征模型较优,R2为0.8025,RMSE为2.4952,RPD为2.284,纹理特征模型次之,植被指数模型最差;在SVR模型中,植被指数+纹理特征模型较优,R2为0.8055,RMSE为2.6408,RPD为2.158,植被指数模型次之,纹理特征模型最差。综合分析采用基于PLSR植被指数+纹理特征模型可以实现玉米冠层SPAD快速、准确提取,为叶绿素反演提供一种新的方法,可为无人机遥感作物长势监测提供参考。 相似文献
6.
花生在储运过程中极易受到各种霉菌的污染而产生真菌毒素,其中以黄曲霉毒素B1（AFB1）最为常见。提出了基于嗅觉可视化技术的花生AFB1定量检测。利用顶空固相微萃取气相色谱-质谱联用技术（HS-SPEM-GC-MS）分析得到不同霉变花生的指示性挥发性物质成分,据此选择12种化学染料制备特异性强的色敏传感器阵列,用于采集不同霉变程度花生样本的气味信息。引入遗传算法（GA）结合反向传播神经网络（BPNN）优化预处理后的传感器特征图像的颜色分量。借助支持向量回归（SVR）构建基于优化特征颜色分量组合的定量模型实现花生AFB1的定量检测;在此过程中,比较网格搜索（GS）和麻雀搜索算法（SSA）对SVR参数的优化性能。研究结果显示：SSA-SVR模型性能整体优于GS-SVR模型性能;且基于7个特征颜色分量组合的最佳SSA-SVR模型的预测相关系数（RP）达到0.9142,预测均方根误差为5.6832μg/kg,剩余预测偏差为2.3926。研究结果表明,利用嗅觉可视化技术可实现花生AFB1的定量检测。 相似文献
7.
研究土壤有机质含量与土壤盐分参数之间的相关关系,可以为土壤施肥、增产增收及资源有效利用等方面提供理论支撑。研究采集了试验地中165个土样,并测定了土样的HCO~-_3、SO■、Cl~-、Na~+、Ca~(2+)、K~+、Mg~(2+)等离子的含量、土壤全盐含量及土壤有机质含量等数据,研究了土壤有机质含量与土壤盐分参数之间的相关关系以及核函数对预测模型的影响。结果表明:土壤盐分参数与土壤有机质含量之间有较强的相关性,使用基于BP神经网络(BPNN)与回归型支持向量机(SVR)建立的改进BPNN-SVR模型预测土壤有机质含量具有较高的可信度。明确了最优的核函数参数后,随机抽取120个样本数据作为训练集,剩余45个样本数据为测试集,数据归一化后用改进BPNN-SVR预测训练集的决定系数达到0.938,均方差为0.074 2,测试集的决定系数达到0.941 5,均方误差为0.106 5,显示了改进BPNN-SVR优良的泛化能力和预测性能;用传统的BPNN模型预测土壤有机质作为对比试验,测试集的决定系数为0.870 3,均方差为0.116 2。因此,改进BPNN-SVR模型相较于传统BPNN模型的测试集均方差降低了30.99%,决定系数提高了8.18%。在同一训练集和测试集条件下,不同核函数对改进BPNN-SVR模型也有显著的影响,其中RBF核函数表现最佳,决定系数达0.908 6,平均相对误差(5.98%)和均方误差(0.074 6)均小于其他核函数类型。因此,基于RBF核函数的改进BPNN-SVR模型可以利用土壤盐分参数有效地估算土壤有机质含量,且精度和可靠性较高。 相似文献
8.
不同土壤质地直接影响土壤水分渗透程度和农作物养分吸收，进而影响农作物的产量及质量，针对土壤质地难以开展高效、精准识别等问题，基于卷积神经网络-随机森林(CNN-RF)模型算法用于实现土壤质地高效、精准识别。首先用比重法测定土壤样本中砂粒、粉粒和黏粒的百分比，然后采用自主研制的便携图像采集装置，对广州地区的土壤进行1 000个样本采集并对土壤研磨、筛选、拍摄，建立土壤样本质地和图像的数据库，提取图像中的颜色特征和纹理特征，利用CNN-RF模型并结合3种组合(颜色、纹理、颜色+纹理)方法对土壤样本中的黏粒、粉粒和砂粒百分含量进行回归预测。采用平均绝对误差(MAE)、均方根误差(RMSE)和判定系数(R2)进行模型回归性能评估。从混淆矩阵进行模型分类结果可知，预测砂粒的MAE、RMSE、R2值分别为3.37、3.71和0.99；粉粒的MAE、RMSE、R2值分别为3.48、3.79和0.98；黏粒的MAE、RMSE和R2值分别为3.38,3.76,0.99。与RF、KNN、VGG6-RF模型相比，这种CNN-RF模型得到的MA... 相似文献
9.
利用自主研制的嗅觉可视检测仪对镇江产的3种原料的食醋进行鉴别,并对3种不同批次的米醋进行区分。利用不同色敏材料对不同食醋挥发气体的响应信号进行判别分析,得出了9种卟啉和6种酸碱指示剂组成的传感器阵列的LDA训练集和预测集的识别率均为100％,说明嗅觉可视化可很好地用于食醋种类的鉴别;单纯通过5种酸碱指示剂鉴别的LDA训练集和预测集的识别率分别为100％,98．33％,说明酸碱指示剂对不同种类食醋的鉴别起了主要作用;单纯利用5种卟啉对3种食醋的训练集和预测集的识别率分别为96．67％,80％,说明传感器阵列可抑制醋中高浓度乙酸,响应醋中的微量成分。用15种色敏材料制得的传感器阵列对3个批次的米醋的响应信号进行判别分析,其训练集和预测集的识别率均为77．78％。结果表明,嗅觉可视检测仪对不同原料和批次的食醋均有很好的识别能力。 相似文献
10.
基于无人机多光谱遥感的玉米根域土壤含水率研究 总被引：3，自引：0，他引：3
及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。 相似文献
11.
利用野外便携式ASD Qualityspec光谱仪,实测了田间甜菜冠层光谱数据,采用植被指数对氮含量进行预测,发现估算精度较低,分析NDVI与VLOPT与氮含量的相关性,得出氮含量在很小的时候就达到饱和水平。根据4种预处理下的甜菜冠层光谱,分别采用偏最小二乘回归(PLSR)和主成分回归(PCR)建立甜菜氮含量估算模型,比较不同预处理和不同回归方法对估算精度的影响。结果表明:对PLSR来说,一阶导数处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg,RE=19.6%),平滑、MSC和SNV建立的估算模型次之;对PCR来说,平滑处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg,RE=19.4%)。总的看来,不同预处理对估算模型精度有一定的差异,但PLSR和PCR两种回归方法对甜菜氮含量估算模型影响不大。 相似文献
12.
叶绿素是衡量作物光合作用的重要指标，监测马铃薯关键生育期叶片叶绿素含量(Leaf chlorophyll content, LCC)至关重要。获取马铃薯块茎形成期、块茎增长期和淀粉积累期的无人机RGB和多光谱影像，提取无人机多光谱影像的光谱反射率构建植被指数(Vegetation index, VIs),利用Gabor滤波器提取RGB影像的纹理信息(Texture information, TIs)。然后利用机器学习SVR-REF方法进行数据降维获取植被指数和纹理特征重要性排序，并采用迭代的方法在植被指数最佳模型中加入纹理信息，观察每次加入的纹理信息对模型的动态影响。最后使用支持向量机(Support vector machine, SVR)和K-最近邻算法(K-nearest neighbor, KNN)2种机器学习方法进行建模。结果表明，马铃薯3个关键生育期，加入纹理特征后的2种模型精度和稳定性均有提高，且SVR模型精度优于KNN。块茎形成期，SVR模型建模R2由0.61提升至0.71,RMSE由0.20 mg/g降为0.17 mg/g,精度提升14.2%,验... 相似文献
13.
14.
基于机器学习算法的土壤有机质
质量比估算 总被引：2，自引：0，他引：2
为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R2)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法. 相似文献
15.
储粮害虫会降低粮食及其产品的重量、品质和营养健康指数,并且我国粮虫检测方式仍然以人工检测为主。为满足储粮害虫快速检测的需求,采用气相色谱-质谱联用仪（GC-MS）获得了赤拟谷盗（Tribolium castaneum（Herbst））的主要特定挥发性有机化合物（VOCs）,根据这些化合物的性质筛选出多个金属氧化物气敏传感器,并以传感器阵列为核心开发了储粮害虫电子鼻检测装置。该装置采集了赤拟谷盗、被赤拟谷盗侵染的面粉、被长头谷盗（Latheticus oryzae Waterhouse）侵染的面粉3种实验对象的气味信息,提取每条响应曲线的相对变化值和相对积分值作为原始特征矩阵（10×2）,使用主成分分析（PCA）和偏最小二乘回归算法（PLSR）对原始特征矩阵进行分析,并通过建立回归预测模型,实现了对面粉中赤拟谷盗和长头谷盗虫口密度的预测。优化后的传感器数量由10个减少至8个,赤拟谷盗样品的两个主成分累计的贡献率为79.4%。基于PLSR的预测模型对面粉中赤拟谷盗的数量有很好的预测效果（校正集：相关系数r=0.88,均方根误差为8.09;验证集：r=0.89,均方根误差为7.75）;该预测模型对面粉中长头谷盗的数量也有很好的预测效果（校正集：r=0.94,均方根误差为5.85;验证集：r=0.94,均方根误差为6.08）。研究结果表明：该装置能够满足判别储粮中不同虫口密度样本的基本需要,并且具有可靠的稳定性。 相似文献
16.
为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R2为0.801,RMSE为0.675 m2/m2,MRE为18.684%;地上部生物量估算模型验证集的R2为0.745,RMSE为1 548.140 kg/hm2,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预... 相似文献
17.
土壤水分是研究土壤-植物-大气循环系统中能量与物质交换的关键,通过尺度转换方法将无人机遥感数据上推以修正卫星数据,可有效改善卫星遥感反演模型精度。本文以河套灌区为研究对象,分别采用重采样和TsHARP升尺度法,引入多元线性回归(MLR)、BP神经网络(BPNN)和支持向量机(SVM)算法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。研究结果表明：重采样升尺度法在不同土壤深度下模型整体精度由高到低依次为SVM、MLR、BPNN,其中在土壤深度0～60 cm下采用SVM模型最优,R2达到0.571,RMSE为0.022%;TsHARP升尺度法在不同土壤深度下模型整体精度由高到低依次为BPNN、SVM、MLR,其中在土壤深度0～60 cm下采用BPNN模型最优,R2达到0.829,RMSE为0.015%。与升尺度修正前对应土壤深度模型对比,两种升尺度方法均能明显提高卫星遥感对土壤含水率的反演精度,但TsHARP升尺度法整体优于重采样法;重采样法的R2由0.413提升至0.571,RMSE由0.026%降至0.022%... 相似文献
18.
基于无人机多时相植被指数的冬小麦产量估测 总被引：1，自引：0，他引：1
通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R2提高约0.021,支持向量机回归模型R2提高约0.015,随机森林回归模型R2提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R2、RMSE分别为0.459、1 822.746 kg/hm2,支持向量机回归模型估测精度最高时的R2、RMSE分别为0.540、1 676.520 kg/hm2,随机森林回归模型估测精度最高时的R2、RMSE分别为0.560、1 633.896 kg/hm2,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。 相似文献
19.
农田尺度下作物叶面积指数(Leaf area index, LAI)的精准监测,对于研究群体结构对产量和管理措施的响应具有重要意义。目前普遍采用无人机光谱特征反演作物的LAI指数,作为长势和冠层结构诊断的重要依据,其估测精度的准确性是否可以提高仍有待研究。作物表面特征,如灰度和颜色,在不同生育阶段会发生变化。为此,本研究考虑到LAI的影响因素,设置不同的种植密度和氮素水平营造差异化的冠层结构,利用搭载多光谱传感器的无人机获取主要生育时期棉花的冠层图像得到植被指数(Vegetation indexs, VIs),基于二阶概率统计滤波(Co-occurrence measures)方法获取均值(MEA)、方差(VAR)、协同性(HOM)、对比度(CON)、相异性(DIS)、信息熵(ENT)、二阶矩(SEM)和相关性(COR)等8个纹理特征值(Texture features, TFs)。最后,采用支持向量机回归(SVR)、偏最小二乘法(PLSR)、深度神经网络(DNN)分别建立基于光谱特征、纹理特征以及二者结合的棉花LAI的估算模型,并比较差异。试验结果表明：VI((... 相似文献
20.
基于土壤水分的播深调整技术,需要对播种沟土壤水分进行测量,以便根据落种点处的土壤水分信息进行播种调节,改变播种策略。本文设计了一种可见光近红外(Visible and near-infrared,VIS NIR)式土壤水分传感器。使用高分辨率光谱仪采集不同水分梯度的土壤光谱数据,采用偏最小二乘回归法(Partial least squares regression,PLSR)进行建模分析,并结合多种数据降维方法进行变量筛选,得出不同土壤含水率的敏感波段分别在410、540、780、970 nm附近;通过对这4种波长进行组合建模分析,选择得出预测最优的VIS和NIR波长组合为410 nm和970 nm。采用这两种波长设计传感器,并进行实验室试验,结果表明:当传感器与被测土壤表面距离d较近时(0~3 mm),测量精度和稳定性最好;当d为0~3 mm、土壤质量含水率处于0.69%~28.45%时,真实值与预测值之间决定系数R2达到0.81,均方根误差(RMSE)为2.90%;当土壤质量含水率处于0.69%~22%时,真实值与预测值之间R 2提高至0.93,此时均方根误差降低为1.72%。通过析因试验得出,在显著性水平为0.05时,温度与光照强度对传感器正常工作没有明显影响。土槽试验表明,真实值与预测值之间R2为0.82,RMSE为1.23%,满足玉米等作物播种环节土壤水分的测量要求。 相似文献