近红外漫反射光谱检测土壤有机质和速效N的研究

本资料包含pdf文件1个，下载需要1积分

精细农业变量施肥撒于对农 田的土壤养分分布信息的了解.快速获取土壤信息是实施精细农业的基础 土壤有机质和速效 N是鉴别土壤肥力 的重要指标.有机质和氮是植物生长发育所必需的营养元素。

探测土壤的有机质和速效 N含量是 了解土壤肥力的重要途径.土壤有机质和速效 N含量信息的获取对于农业和环境等方面的研究很有意义 Ⅲ 近红外光谱fNIR1分析方法具有快速、高效 、无损和适合在线分析等优点.近年来.采用近红外光谱技术获取土壤养分信息，成为国内外学者研究的重点[2-6]。因此，有必要研究-种快速检测方法对土壤有机质 和速效 N含量进行检测研究表明.对光谱进行预处理能够较好的移除噪声、突出光谱曲线特征并为建立具有较高精度的估测模型提供可能。常用的预处理方法包括：小波变换 81、正交信号校正[91、SNVtl0J、平滑l1、-阶微分[121和多元散射校正l3等 .不 同预处理方法对模型的预测精度影响较大.系统地 比较不同预处理方法对建模精度影响的研究还较少 不同建模方法所建立的土壤养分估测模型在精度上也表现出较大差异 如偏最小二乘法、主成分分析、逐步多元回归、人工神经网络等[14，15]均被用于土壤养分的建模 当中.表现出不 同的预测精度因此 .如何针对某些具体土壤养分 f如有机质含量和速效 N含量1来选择最优建模方法还需进-步研究明确 因此 .本文 比较了最小二乘支持向量机 fLS-SVM1和偏最小二乘法 fPLS1建模方法对土壤有机质和速效 N估测 的效果1 材料与方法1.1 检测仪器及参数设置光谱测定范围为4000～10000波数/am.光谱采样间 隔为 lnm，扫 描 时 间 为 lOOms/次 .检 测 距 离 为4cm，扫描次数为 15次 。探头视城为 5o1.2 样品来源及常规分析土壤样本采集于江西省遂川县枚江乡豪溪村、张塘村和东江村 .每村各 50个 土样 .共取 自0～20cm耕层的水稻土样 150个.挑去杂物和石块.手工捏碎- 些比较大的土壤颗粒 因采集的光谱信号不仅与样品的化学组分有关 ，而且与样品的颗粒大小 、形状 、密度等有关。为了消除土壤粒径大小对有机质和速效收稿 Et期 ：2012年 5月 9日 修 回日期 ：2012年 7月 3日基金项 目：国家自然科学基金项 目 (41073060)；江西势技支撑项目江西势技支撑项目f2009AE01603，2010EHB02000)；铁路环境振动与噪声教育部工程研究中心资助作者简介：刘雪梅，女，1978年生，江西吉安人，博士生，副教授；研究方向为环境工程和农产品无损检测。E-mail：lyumu###163.corn第 2期 刘雪梅：近红外漫反射光谱检测土壤有机质和速效 N的研究N含量的影响.所有样本使用研钵将其磨碎.并分别通过 lmm的筛子 .得到大致相同粒径的样本。抽取126用于建模集 .其余 24个样本作为预测集。按照土壤属性理化分析国家标准方法 .采用 lmol/L NaOH碱解扩散法测定土壤有机质含量.用凯式定氮法测定土壤速效 N含量垌 表 1是校正集与预测集土壤样 品有机质和速效 N含量的统计分布表 1 土壤样 品有机质和速效 N含量的实测 结果Tab.1 Samples of soil organic matter and available N content ofmeasured results1.3 样品光谱采集土壤样品放入直径为 80mm、厚度为 15mm 的玻璃培养皿中.光谱仪置于土样上方距土样表面 12cm。

采用漫反射方式进行样 品光谱采样 .光 照入 射角为45。土壤的典型近红外光谱曲线如图 1所示 从图 1中可看出.不同样本的光谱形状具有相似性.且吸收峰位置差异性很小 ，在 7500～7000波数/am、55005000波数/cm、4500～4000波数/cm处有 比较明显的波峰或波谷.这与李颉等[31研究结果接近0.760.74O.720.70O.68O.660.64l0000 9000 8OO0 70O0 6000 5000 4000波数 cm-1图 1 原始光谱 吸光度Fig.1 The original spectral absorbance1.4 光谱数据处理光谱数据 由挪威 CAMO公 司的 Uriserambler V9.7软件中的 PLS和 matlab 2010工具箱最dx-乘支持 向量机 fLS-SVM1方法进行处理，得到的数据由数据处理和绘图软件 Orgin 8.5生成图1.5 数学模型验证及评价模型分别采用完全交互验证和外部验证对其性能进行评价，由相关系数 21、验证均方差 (RMSECV1和预测均方差 (RMSEP)进行评价。在建模分析中，。偏高为好 ，RMSECV偏小为好 ，建模方法 的选取- 定要适当，避免出现过拟合现象，又要保证预测具有较高的精度，RMSEP要校2 结果与讨论2.1 光谱预处理方法选择测试中由于仪器噪声 、样本粒径大小引起的散射会影响有效光谱信息的分析和提取 采集-个土壤样本光谱保存 3次.为保证光谱数据具有代表性 .用Matlab将保存的 3次数据求平均.将平均值作为土壤样本最终的光谱数据。同时为了降低基线漂移、光散射、光程的变化、高频随机噪声等影响～光谱数据进行平滑处理、SNV预处理和-阶微分处理，比较各种 预 处 理 方 法 的 结 果 .所 有 预 处 理 都 是 在Unscrambler V9.7软件 中进行 ，然后采用 PLS法建模 。

结果见表 2。通过比较分析表 2可知 ，采用-阶微分后光谱建立的 PLS回归模型有机质的 ，和RMSECV分别为 0.8670和 2.78。速效 N的 尺 和 RMSECV分别为 0.8280和 16.5.其预测 能力优 于另外 2种预处理方法表 2 PLS模型不同光谱预处理方法测 量土壤样 品有机质和速效 N含量Tab.2 Different spectral pretreatment methods on soil organicmatter and available N based on PLS model2.2 最佳定标模型的确定PLS方法将光谱数据与变量进行线性回归.其分析过程为 ：11建立校正集样本变量：2)校正集样本变量 与光谱数据 的 PLS分 析 .建立校正集样本变量和光谱数据间的PLS校正模型：31根据校正集建立的PLS校正模型对预测集样品进行预测验证最小二乘支持向量机 fLS-SvM1通过非线性映射函数 )建立回归模型，将输入变量映射到高维特征空间：然后将优化问题改成等式约束条件。利用拉格朗日算子求解最优化问题.对各个变量求偏微分。根中国农 机化学报据 Mercer条件，存在映射函数 )和核函数 K ，xj)使得：f)K f) k，/l，，/Z. (1)核函数为满足 Mercer条件的任意对称函数.常用的有 ：线性核函数、多项式核函数 、径向基函数(radial basis function，RBF)、多层感知核函数等。本文采用RBF作为核函数，其表达式为：K /)exp(-IlXk，Xt12/(20"2) (2)从而得到 LS-SVM 的函数估计为：nY ) akK 6 (3)k 1式中： --拉格朗13乘子；6--偏差LS-SVM需要调节的参数为核参数 cr2和惩罚系数 。惩罚系数 主要是控制对错分样本惩罚的程度.实现在错分样本的比例与算法复杂度之间的折中。RBF核函数的核参数 的选择对模型的准确度起到很大的作用.选的太小则会造成过学习.选的太大会造成欠学习研。

4ojII38美36盂3432302013正采用平滑光谱预处理方法.分别建立土壤样品有机质和速效 N含量最小二乘支持向量机 fLS-SVM1和偏最小二乘法 (PLS)校正模型，结果如表 3所示。

从表 3可知，采用 LS-SVM方法所建模 型的精确性优于 PLS方法表 3 采用 PLS和 LS-SVM方法建立的土壤样 品有机质和速效 N含量的精确性 比较Tab.3 Using PLS and LS-SVM method to build samples of soilorganic mater and available N content accuracy comparison图 2为基于-阶微分的 LS-SVM 回归模型对土壤样 品有机质和速效 N含量 的校正结果 .图 3为采用- 阶微分处理后 LS-SVM模型对土壤样品有机质和速效 N含量的预测结果。

30 32 34 36 38 40 42 155 160 165 170 175 180 185 190 195 200有机质校正集实测值 速效N校正集实测值图 2 Ls-SVM模型对土壤样 品有机质和速效 N含量的校正结果Fig.2 LS-SVM model for samples of soil organic mater and available N content calibration results34 35 36 37 38 39 40 41有机质预测 集实测值趔雕 Z 较160 165 170 175 180 185 190速效 N预测集实测值图 3 Ls-SVM模型对土壤样 品有机质和速效 N含量的预测结果Fig.3 LS-SVM model for samples of soil organic mater and available N content prediction results5 O 5 O 5 0 5 O " "嚣 z较蚓舳 加 ：合 ∞弧 "嚣 嚣聪瞧器第 2期 刘雪梅：近红外 漫反射光谱检 测土壤有机质 和速效 N的研究2.3 2种模型的可靠性验证为了检验校正模型的可靠性和适应性.分别将优化后 的 PLS和 LS-SVM 回归模型用于预测集中样本的预测 .结果如表 4所示。由表 4可知 .对于有机质的IS-SVM模型 .其 RMSEP值为 2.84.LS-SVM模型的预测性能优于PLS模型的2.98.对于速效 N的 LS-SVM模型.其 RMSEP值为 16.80.LS-SVM模型的预测性能也优于 PLS模型的 17.88.将 2种模型与所建立的定标模型综合对比分析后可知.LS-SVM校正模型的稳定 性和适应性稍好 .LS-SVM 预测模型在 实际应用 中更加稳定与可靠表 4 采用 PLs和 LS-SVM 模型 对土壤样 品有机质和速效 N含量预测 结果的比较Tab.4 Using PLS and LS-SVM models to the samples of soilorganic mater and available N content prediction results3 讨论为了对模型的稳定性进行分析 .分别对土壤样 品有机质和速效 N含量模型的校正相关系数R ，、预测相关系数 R2pre、RMSECV、RMSEP值进行 比较。

对于有机质的 LS-SVM模型.其校正决定系数R 为 0.8670，预测决定系数 尺 为 0.8255，对应的RMSECV和RMSEP值分别为 2.78和 2.84.从比较结果可知 .模型拟合效果校好 ：对于速效 N的 LS-SVM模 型 .其 校 正 和 预 测 决 定 系 数 分 别 为 0.8280和0.8015.对应 的 RMSECV和 RMSEP值分 别 为 16.50和 16.80.可知校正和预测结果相 近 .说 明该模型不存在过拟合和欠拟合现象.LS-SVM模型比较稳健对于有机质的PLS模型，其校正决定系数R ，为0.8475， 预 测 决 定 系 数 为 0.7977， 对 应 的RMSECV和RMSEP值分别为 2.89和 2。98.从比较结果可知，校正模型拟合效果校好：对于速效 N的PLS模 型 . 其 校 正 和 预 测 决 定 系 数 分 别 为 0.8041和0.7819.对应的 RMSECV和 RMSEP值分别为 17.28和 l7.88.可知校正和预测结果相 近 .说 明该模型也不存在过拟合和欠拟合现象.PLS模型也比较稳健综合比较.LS-SVM模型优于 PLS模型4 结论对土壤样品的原始光谱采用 3点移动窗口平滑处理 、SNV和-阶微分 3种方法分别进行光谱预处理，然后分别应用 LS-SVM和PLS方法建模.发现经-阶微分预处理后采用 LS-SVM方法建模.对土壤样品有机质和速效 N含量的预测效果优于 PLs预测模型：应用 IS-SVM方法建立的预测模型.对未知土壤样品有 机质和速效 N含量进行 预测 .结果 表明对 于有机质 预测和速 效 N模型 的拟合 结果 较好 由此可知 。

采用近红外光谱检测土壤样品有机质和速效 N含量是 可行的 本研究 是对土壤样品有机质和速效 N含量建模.提高了模型的适应范围.研究结果可为近红外漫反射光谱检测技术应用于土壤样品有机质和速效N含量 以外营养成份的分析提供参考 。