基于热裂解和电子鼻的土壤全氮检测方法及特征优化.pdf

第 37 卷 第 24 期 农 业 工 程 学 报 Vol.37 No.24 2021 年 12 月 Transactions of the Chinese Society of Agricultural Engineering Dec. 2021 73 基于热裂解和电子鼻的土壤全氮检测方法及特征优化 ※ 李名伟，夏晓蒙，朱庆辉，刘 鹤，黄东岩 ，王 刚 （1. 吉林大学生物与农业工程学院，长春 130022 ；2. 吉林大学工程仿生教育部重点实验室，长春 130022 ） 摘 要：土壤氮是作物生长发育所必需的营养元素，也是衡量土壤肥力特征的重要指标。为快捷准确测定土壤全氮含量， 该研究提出了一种基于热裂解和电子鼻的土壤全氮含量检测方法。采用 10 种不同类型的气体传感器构建传感器阵列，并 对其进行了不同浓度甲烷、氯乙烯和氨气等标准气体的响应测试试验。使用马弗炉裂解土壤样本得到裂解气体，采用气 体传感器阵列检测裂解气体的响应曲线。提取响应曲线的平均值（V ）、方差值（V ）、最大梯度值（V ）、最大 mean vav mgv 值（V ）、响应面积值（V ）、第 8 秒的瞬态值（V ）和平均微分系数（V ）7 个特征构建 121×10×7 （121 为土壤 max rav 8 mdc 样本，10 为传感器数量，7 为特征）的特征空间，采用 GA-BP 特征优化方法将特征降至 33 维，形成 121×33 的特征空间。 GA-BP 算法优化结果表明，构建的传感器阵列对该文检测方法无冗余影响，其中传感器 TGS826 、TGS2603、TGS2611 和 TGS2600 对新特征空间的构建贡献最大，特征 V 、V 、V 、V 和 V 是反映该文检测方法与土壤全氮含量内在 mean mgv rav 8 mdc 关系的重要特征。采用反向传播神经网络算法（BPNN ）、偏最小二乘回归算法（PLSR ）和反向传播神经网络与偏最小二 乘回归结合算法（PLSR-BPNN ）建立特征空间与土壤全氮含量的预测模型，使用决定系数（R2 ）、均方根误差（RMSE ） 和相对分析误差（RPD ）作为模型性能指标。建模结果表明，PLSR 、BPNN 和 PLSR-BPNN 模型的 R2 分别为 0.91、0.81 和 0.93，RMSE 分别为 0.25、0.37 和 0.22，RPD 分别为 3.24、2.19 和 3.79，PLSR-BPNN 模型拥有最高的 R2 和 RPD ，最 小的 RMSE 。结果表明，土壤热解气体与土壤全氮含量之间存在较高的相关性，采用该文检测方法建立的 PLSR-BPNN 模型可以实现土壤全氮含量的准确预测。 关键词：土壤；全氮；传感器；热裂解；电子鼻；特征优化；模式识别 doi ：10.11975/j.issn.1002-6819.2021.24.009 中图分类号：S158.2 ；TP212.9 文献标志码：A 文章编号：1002-6819(2021)-24-0073-12 李名伟，夏晓蒙，朱庆辉，等. 基于热裂解和电子鼻的土壤全氮检测方法及特征优化[J]. 农业工程学报，2021，37(24)： 73-84. doi ：10.11975/j.issn.1002-6819.2021.24.009 Li M