基于連續(xù)統(tǒng)去除的土壤有機(jī)質(zhì)近紅外光譜敏感波段提取研究

閆姍姍，程旭，宋海燕

(山西農(nóng)業(yè)大學(xué) 工學(xué)院, 山西 太谷 030801)

?

基于連續(xù)統(tǒng)去除的土壤有機(jī)質(zhì)近紅外光譜敏感波段提取研究

閆姍姍，程旭，宋海燕*

(山西農(nóng)業(yè)大學(xué) 工學(xué)院, 山西 太谷 030801)

摘要：土壤是一個(gè)復(fù)雜的三相集合體，由土壤中不同物質(zhì)引起的譜帶信息重疊現(xiàn)象非常嚴(yán)重，故通過(guò)適當(dāng)?shù)淖V圖預(yù)處理來(lái)提取其敏感波段顯得尤為重要。本研究將連續(xù)統(tǒng)去除方法引入到土壤有機(jī)質(zhì)敏感波段的提取中，分析了當(dāng)土壤有機(jī)質(zhì)含量變化時(shí)其譜圖的變化規(guī)律，結(jié)果表明：采用連續(xù)統(tǒng)去除方法可以很好的提取土壤有機(jī)質(zhì)敏感波段，且以提取的敏感波段600 nm、900 nm和2 210 nm為中心，建立的土壤有機(jī)質(zhì)模型可以較準(zhǔn)確的預(yù)測(cè)土壤有機(jī)質(zhì)含量，其所建模型中預(yù)測(cè)樣本均方根誤差MSE為0.286，相關(guān)系數(shù)R為0.979，均優(yōu)于全波段所建模型中預(yù)測(cè)樣本的均方根誤差3.395和相關(guān)系數(shù)0.861。連續(xù)統(tǒng)去除方法可以很好的提取土壤有機(jī)質(zhì)敏感波段，該研究對(duì)土壤有機(jī)質(zhì)快速定量測(cè)試儀的研制具有重要意義。

關(guān)鍵詞：土壤; 有機(jī)質(zhì); 連續(xù)統(tǒng)去除; 敏感波段; 神經(jīng)網(wǎng)絡(luò)

土壤有機(jī)質(zhì)含量是土壤肥力檢測(cè)的重要指標(biāo)，采用近紅外光譜(Near infrared reflectance，縮寫NIR)技術(shù)對(duì)土壤有機(jī)質(zhì)含量進(jìn)行檢測(cè)已開(kāi)展了大量的研究工作[1~3]。近紅外光譜主要反映的是有機(jī)物質(zhì)的倍頻和合頻吸收[4]，土壤是一個(gè)復(fù)雜的三相集合體[5]，故在對(duì)土壤有機(jī)質(zhì)進(jìn)行光譜檢測(cè)時(shí)，土壤中的其他物質(zhì)將會(huì)引起嚴(yán)重的譜帶信息重疊，在定性定量分析時(shí)，全波段波譜中冗余的信息會(huì)直接影響到模型的通用性和精度。因此，在近紅外光譜檢測(cè)中，通過(guò)適當(dāng)?shù)淖V圖預(yù)處理技術(shù)來(lái)提取其敏感波段顯得尤為重要。

為發(fā)展土壤有機(jī)質(zhì)快速測(cè)定技術(shù)，前人已經(jīng)進(jìn)行了較多的光譜分析[6~9]，表明將土壤有機(jī)質(zhì)含量引入到譜圖分析中對(duì)其敏感波段的提取及有機(jī)質(zhì)定量預(yù)測(cè)模型建立的精度、通用性均有影響。

連續(xù)統(tǒng)去除是礦物高光譜數(shù)據(jù)處理中常用的方法之一，它為光譜反射率曲線中反射率峰之間的線性連接部分，描述了不同物質(zhì)的平均光學(xué)路徑長(zhǎng)度與不同的吸收過(guò)程[10]，它可以去除土壤中特定物質(zhì)電子躍遷或分子振動(dòng)引起的特征吸收帶以后的吸收特征，可以使弱的吸收特征得到增強(qiáng)[11]，具有去除背景吸收影響，突出分析物質(zhì)吸收特征的優(yōu)點(diǎn)[12,13]。

為此，本研究將連續(xù)統(tǒng)去除方法引入到土壤有機(jī)質(zhì)敏感波段的提取中，使弱的吸收特征得到增強(qiáng)，去除背景吸收影響，突出土壤有機(jī)質(zhì)的吸收特征。

1材料與方法

1.1　實(shí)驗(yàn)材料及儀器

實(shí)驗(yàn)樣本為山西省境內(nèi)不同植被下的51個(gè)土壤樣本，前36個(gè)土壤樣本在太谷縣采取，后15個(gè)土壤樣本在關(guān)帝山采取。實(shí)驗(yàn)儀器為美國(guó)ASD公司的FieldSpec 3便攜式光譜儀，光譜儀器配備了外置光源和銦鎵砷檢測(cè)器。實(shí)驗(yàn)參數(shù)中光譜測(cè)量范圍為350~2 500 nm，光譜采樣間隔為1.500 nm，分辨率為3.500 nm。

1.2　實(shí)驗(yàn)方法

將采集回來(lái)的土壤樣本編號(hào)并風(fēng)干3天后，分別從每個(gè)樣本中取出一少部分，按照土壤有機(jī)質(zhì)含量標(biāo)準(zhǔn)測(cè)試方法處理土樣，并進(jìn)行土壤有機(jī)質(zhì)含量測(cè)定，最后測(cè)得的有機(jī)質(zhì)含量范圍為0.402%~7.92%。

將剩余的土壤樣本分別過(guò)2.500 mm的標(biāo)準(zhǔn)篩，烘箱烘干并冷卻后進(jìn)行光譜檢測(cè)。光譜測(cè)量時(shí)首先將土壤樣本置于直徑為12.5 cm的培養(yǎng)皿中，然后用三角尺將其表面刮平，最后再放入一自制的暗室內(nèi)進(jìn)行光譜采集，光譜采集時(shí)通過(guò)旋轉(zhuǎn)培養(yǎng)皿(約120°)來(lái)獲取樣本表面不同位置處的光譜圖，每一位置掃描3次，3個(gè)位置共獲得9條譜線，將這9條譜線的平均值作為該樣本的最終光譜曲線。

2結(jié)果和分析

在本研究中，譜線在1 000 nm左右出現(xiàn)跳躍，根據(jù)儀器使用說(shuō)明，此現(xiàn)象并不會(huì)影響到所采集數(shù)據(jù)的質(zhì)量，可采用ASD公司ViewSpec軟件中的Splice Correction修正功能對(duì)數(shù)據(jù)進(jìn)行修正，因此，首先采用該方法對(duì)譜圖進(jìn)行了預(yù)處理。圖1為經(jīng)Splice Correction校正后的土樣的原始光譜圖。

圖1　土壤樣本的原始光譜圖Fig.1　The original spectra of soil samples

由圖1中可以看出，當(dāng)土壤有機(jī)質(zhì)含量不同時(shí)，不同土樣的原始光譜特性曲線是有變化的，但整體趨勢(shì)是一致的，曲線均在1 415、1 920和2 210 nm波段附近有峰值產(chǎn)生。為更明顯的體現(xiàn)有機(jī)質(zhì)含量變化引起的譜圖變化，把51個(gè)土壤樣本按有機(jī)質(zhì)含量分6個(gè)梯度進(jìn)行了歸類，即有機(jī)質(zhì)含量值分別在0.402%~1.5%，1.5%~2%，2%~2.5%，2.5%~3.5%，3.5~4.5%和4.5%~7.92%之間的樣本歸類，然后對(duì)每個(gè)類別的全部光譜數(shù)據(jù)進(jìn)行平均，最后得到6個(gè)類別的6個(gè)光譜數(shù)據(jù)，在后續(xù)敏感波段提取的研究中我們將對(duì)這6個(gè)光譜數(shù)據(jù)進(jìn)行分析。

2.1　土壤有機(jī)質(zhì)敏感波段提取

連續(xù)統(tǒng)去除的基本思路是：找出光譜曲線的極大值和最大值點(diǎn)，將最大值點(diǎn)作為連續(xù)統(tǒng)的一個(gè)端點(diǎn)，通過(guò)計(jì)算該點(diǎn)與長(zhǎng)波方向的各個(gè)極大值點(diǎn)所連直線的斜率，找出斜率最大的點(diǎn)作為包絡(luò)線的下一個(gè)端點(diǎn)；再以這一點(diǎn)為起點(diǎn)循環(huán)以上步驟，直到最后一點(diǎn)；同時(shí)向短波方向也進(jìn)行類似計(jì)算，并選擇斜率最小點(diǎn)作為下一端點(diǎn)；最后將這些端點(diǎn)用直線連接即形成連續(xù)統(tǒng)，通過(guò)計(jì)算每個(gè)波段的實(shí)際反射率與連續(xù)統(tǒng)反射率比值，結(jié)果即為連續(xù)統(tǒng)去除的反射率[11]。本研究中的連續(xù)統(tǒng)去除是在ENVI4.8環(huán)境內(nèi)利用Continuum Removed模塊實(shí)現(xiàn)的，如圖2(a)所示，其波段的局部放大圖如圖2(b)所示。

圖2(a)　不同類別有機(jī)質(zhì)含量土壤樣本的連續(xù)統(tǒng)去除光譜圖Fig.2(a)　 The continuous removal spectra of different kinds of soil samples

圖2(b)　波段局部放大圖Fig.2(b)　Bands of partial enlargement

由圖2可以看出：在460、900、1 120、1 415、1 920、2 210和2 350 nm處，均出現(xiàn)明顯的吸收峰，但只有900和2 210 nm波段處的連續(xù)統(tǒng)去除值會(huì)隨著有機(jī)質(zhì)含量的升高，呈一定的變化規(guī)律，即明顯的遞增排列規(guī)律。故可得出結(jié)論：900和2 210 nm波段可能是土壤有機(jī)質(zhì)的敏感波段。

此外，在600 nm波段附近，其連續(xù)統(tǒng)去除值有快速上升趨勢(shì)，且在上升至最高點(diǎn)處其連續(xù)統(tǒng)去除值隨著有機(jī)質(zhì)含量的升高呈現(xiàn)遞減的排列規(guī)律。經(jīng)查閱文獻(xiàn)得知，土壤有機(jī)質(zhì)在可見(jiàn)光區(qū)域內(nèi)有一定的敏感波段，是土壤有機(jī)質(zhì)定量分析中必不可少的波段[14~16],鑒于上述分析，本研究將600 nm也視為有機(jī)質(zhì)的敏感波段，開(kāi)展后續(xù)研究工作。

2.2　敏感波段準(zhǔn)確性驗(yàn)證

為進(jìn)一步驗(yàn)證上述波段是土壤有機(jī)質(zhì)的敏感波段，我們將此方法運(yùn)用到土壤水分敏感波段的提取中。

(1)

在室內(nèi)，按照公式(1)采用具有相同土壤顏色、土壤質(zhì)地、土壤結(jié)構(gòu)的土壤壤土樣本分別配制了含水率為5%、10%、15%、17%的土壤樣本，并采用與前述相同的檢測(cè)方法和譜圖預(yù)處理方法對(duì)土壤樣本進(jìn)行了光譜檢測(cè)，圖3(a)為隨機(jī)選取的樣本在不同含水率下的歸一化譜圖，其波段局部放大圖如圖3(b)所示。

圖3(a) 　不同含水率土壤樣本的連續(xù)統(tǒng)去除光譜圖Fig.3(a)　The normalized spectra of soil samples

圖3(b)　波段局部放大圖Fig.3(b)　Bands of partial enlargement

由圖3可以看出：在460、900、1 120、1 415、1 920、2 210和2 350 nm處，均出現(xiàn)明顯的吸收峰，但只有1 415和1 920 nm波段處隨著土壤含水率的升高其連續(xù)統(tǒng)去除值呈一定的排列規(guī)律，即遞減的排列規(guī)律。同樣的，其他樣本均能得出相同的結(jié)論。由文獻(xiàn)可知，1 425和1 929 nm是水分子中O—H鍵在近紅外光譜區(qū)的兩個(gè)特征譜帶[17,18]，而本研究得到的1 415和1 920 nm正好屬于該波段附近，由此可見(jiàn)，通過(guò)連續(xù)統(tǒng)去除可準(zhǔn)確得到水分的敏感波段，該結(jié)論從另一角度證實(shí)了采用連續(xù)統(tǒng)去除方法提取土壤有機(jī)質(zhì)敏感波段是可行的。

2.3　BP神經(jīng)網(wǎng)絡(luò)建模分析

為了進(jìn)一步分析提取的600、900和2 210 nm這3個(gè)波段對(duì)土壤有機(jī)質(zhì)的預(yù)測(cè)能力，我們采用BP神經(jīng)網(wǎng)絡(luò)建立了土壤有機(jī)質(zhì)的定量預(yù)測(cè)模型。模型建立時(shí)，建模樣本為35個(gè)，驗(yàn)證樣本為8個(gè)，預(yù)測(cè)樣本為8個(gè)。建模樣本、驗(yàn)證樣本和預(yù)測(cè)樣本的選取都是隨機(jī)形成的。評(píng)價(jià)模型好壞的指標(biāo)為有較高的相關(guān)系數(shù)(R)和較低的均方根誤差(MSE)。

考慮到當(dāng)檢測(cè)方法或檢測(cè)樣本不同時(shí)，敏感波段會(huì)有小范圍的波動(dòng)，建模時(shí)我們以上述敏感波段為中心進(jìn)行了適當(dāng)?shù)臄U(kuò)大，即以600 nm為中心選用的波段范圍為580~620 nm、以900 nm波段為中心選用的波段范圍為880~920 nm、以2210 nm為中心選用的波段范圍為2 190~ 2230 nm。將上述3個(gè)波段范圍對(duì)應(yīng)的反射率作為神經(jīng)網(wǎng)絡(luò)的輸入，土壤有機(jī)質(zhì)含量作為輸出值，建立了土壤有機(jī)質(zhì)的預(yù)測(cè)模型，并與全波段350~2 500 nm建立的模型進(jìn)行了比較分析。其建模樣本、預(yù)測(cè)樣本統(tǒng)計(jì)參數(shù)見(jiàn)表1。

表1　兩種模型的參數(shù)比較

均方根誤差反映了預(yù)測(cè)值與真實(shí)值之間的變化程度，均方根誤差越小說(shuō)明模型描述實(shí)驗(yàn)數(shù)據(jù)的精確度越高。由表1可以看出，對(duì)于驗(yàn)證樣本，雖然全波段建模后獲得的相關(guān)系數(shù)略低于3波段模型，但是其均方根誤差遠(yuǎn)遠(yuǎn)小于3波段模型，因此從驗(yàn)證樣本的角度來(lái)說(shuō)，全波段模型要優(yōu)于3波段模型，但對(duì)于預(yù)測(cè)樣本來(lái)說(shuō)，結(jié)論則恰恰相反。分析其原因，這可能就是因?yàn)楫?dāng)采用全波段建模時(shí)冗余的信息影響了模型的通用性。

3討論與結(jié)論

土壤有機(jī)質(zhì)是土壤中各種營(yíng)養(yǎng)元素特別是氮、磷元素的重要來(lái)源，故土壤有機(jī)質(zhì)含量是土壤肥力檢測(cè)的重要指標(biāo)。在對(duì)土壤有機(jī)質(zhì)進(jìn)行光譜檢測(cè)時(shí)，通過(guò)適當(dāng)?shù)淖V圖預(yù)處理技術(shù)來(lái)提取其敏感波段，減少由全波段建模引起的冗余信息顯得尤為重要。本研究在土壤有機(jī)質(zhì)敏感波段提取方面開(kāi)展了研究工作，采用連續(xù)統(tǒng)去除方法分析了不同梯度有機(jī)質(zhì)含量的譜圖變化規(guī)律，研究發(fā)現(xiàn)在900和2 210 nm波段處有明顯的吸收峰，且隨著有機(jī)質(zhì)含量的升高，其連續(xù)統(tǒng)去除值呈遞增的排列規(guī)律，而在其他有明顯吸收峰波段處，隨著有機(jī)質(zhì)含量的升高，其連續(xù)統(tǒng)去除值均沒(méi)有明顯的遞增或遞減排列規(guī)律；在600 nm處有一弱吸收峰，且隨著有機(jī)質(zhì)含量的升高，其連續(xù)統(tǒng)去除值呈遞減的排列規(guī)律。

為進(jìn)一步驗(yàn)證上述波段就是土壤有機(jī)質(zhì)的敏感波段，我們將該方法又運(yùn)用到土壤水分敏感波段的提取中。分析了同一有機(jī)質(zhì)含量在不同含水率下其譜圖的變化規(guī)律，結(jié)果發(fā)現(xiàn)在1 415和1 920 nm波段處其連續(xù)統(tǒng)去除值隨含水率變化呈遞減的變化規(guī)律，而在其他有明顯吸收峰波段處，隨著土壤含水率的升高，其連續(xù)統(tǒng)去除值均沒(méi)有明顯的遞增或遞減排列規(guī)律，與前人提出的水分敏感波段接近[17,18]，說(shuō)明采用連續(xù)統(tǒng)去除方法提取的土壤有機(jī)質(zhì)敏感波段是可行的。

為了分析提取的敏感波段可否實(shí)現(xiàn)土壤有機(jī)質(zhì)含量的定量預(yù)測(cè)，本研究分別以600、900和2 210 nm為中心，將580~620、880~920和2 190~2 230 nm波段處的反射率作為神經(jīng)網(wǎng)絡(luò)輸入，建立了土壤有機(jī)質(zhì)的BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明其預(yù)測(cè)樣本均方根誤差MSE為0.286，相關(guān)系數(shù)R為0.979，優(yōu)于全波段所建模型，進(jìn)一步說(shuō)明了所提敏感波段的準(zhǔn)確性。

參考文獻(xiàn)

[1]彭杰，張楊珠，龐新安，等. 新疆南部土壤有機(jī)質(zhì)含量的高光譜特征分析[J].干旱區(qū)地理, 2010, 33(5): 740-746.

[2]劉煥軍，吳炳方，趙春江，等. 光譜分辨率對(duì)黑土有機(jī)質(zhì)估算模型的影響[J].光譜學(xué)與光譜分析, 2012, 32(3): 739-742.

[3]王延倉(cāng)，顧曉鶴, 朱金山，等. 利用反射光譜及模擬多光譜數(shù)據(jù)定量反演北方潮土有機(jī)質(zhì)含量[J].光譜學(xué)與光譜分析, 2014, 34(1): 201-206.

[4]章海亮，劉雪梅,何勇. SPA-LS-SVM檢測(cè)土壤有機(jī)質(zhì)和速效鉀研究[J].光譜學(xué)與光譜分析, 2014, 34(5)：1348-1351.

[5]張雪蓮, 李曉娜, 武菊英，等. 不同類型土壤總氮的近紅外光譜技術(shù)測(cè)定研究[J].光譜學(xué)與光譜分析, 2010, 30 (4): 906-910.

[6]Wu C Y, Jacobson A R, Laba M, et al. Alleviating moisture content effects on the visible near-infrared diffuse-reflectance sensing of soils[J].Soil science, 2009, 174, 456-465．

[7]劉磊, 沈潤(rùn)平, 丁國(guó)香. 基于高光譜的土壤有機(jī)質(zhì)含量估算研究[J].光譜學(xué)與光譜分析, 2011, 31(3): 762-766.

[8]賀軍亮, 蔣建軍. 土壤有機(jī)質(zhì)含量的高光譜特性及其反演[J].中國(guó)農(nóng)業(yè)科學(xué), 2007, 40(3): 638-643.

[9]田永超, 張娟娟, 姚霞, 等. 基于近紅外光譜的土壤有機(jī)質(zhì)含量定量建模方法[J].農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(1): 145-152.

[10]劉慶杰, 藺啟忠, 王欽軍, 等. 基于連續(xù)統(tǒng)快速傅里葉變換的紅外光譜處理技術(shù)[J].光譜學(xué)與光譜分析, 2009, 12(12): 3279-3282.

[11]吳昀昭. 南京城郊農(nóng)業(yè)土壤重金屬污染的遙感地球化學(xué)基礎(chǔ)研究[D].南京: 南京大學(xué), 2005.

[12]楊可明, 郭達(dá)志. 植被高光譜特征分析及其病害信息提取研究[J].地理與地理信息科學(xué), 2006, 22 (4): 31-34.

[13]武中臣, 徐曉軒, 張靜，等. 近紅外差譜法選擇信息區(qū)提高同分異構(gòu)體預(yù)測(cè)模型準(zhǔn)確度[J].光譜實(shí)驗(yàn)室, 2005, 22 (1): 38-41.

[14]Mervian St Luce, Noura Ziadi, Bernie J Zebarth, et al. Rapid determination of soil organic matter quality indicators using visible near infrared reflectance spectroscopy[J].Geoderma, 2014, 232-234: 449-458.

[15]宋海燕, 秦剛, 韓小平，等. 基于可見(jiàn)光譜的不同質(zhì)地土壤有機(jī)質(zhì)快速測(cè)定[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(7): 69-72.

[16]陳旭. 水分對(duì)土壤有機(jī)質(zhì)近紅外光譜檢測(cè)影響的研究[D].晉中: 山西農(nóng)業(yè)大學(xué), 2014.

[17]宋海燕, 陳旭. 水分對(duì)土壤近紅外光譜檢測(cè)影響的二維相關(guān)光譜解析[J].光譜學(xué)與光譜分析, 2014, 34(5): 1240-1243.

[18]姚艷敏, 魏娜, 唐鵬欽, 等. 黑土土壤水分高光譜特征及反演模型[J].農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(8): 95-100.

(編輯：李曉斌)

Study on the ertraction of sensitive band of soil organic matter near infrared spectrum based on continuum removal

Yan Shanshan, Cheng Xu, Song Haiyan*

(CollegeofEngineering,ShanxiAgriculturalUniversity,Taigu030801,China)

Abstract:The soil is a complex three phase aggregate and the overlapping bands of information caused by its different substances is very serious. Therefore, it is important to extract the sensitive bands through appropriate spectrum processing. The continuum removal method was introduced to extract the sensitive wave bands of soil organic matter and analyse the changing rules of the spectra with the changing of soil organic matter content. In order to further verify that these bands are the sensitive bands of soil organic matter, we applied this method to the extraction of soil moisture sensitive bands, the results were close with previous proposed moisture sensitive wavelengths. Then the soil organic matter prediction model was established by using BP neural network, the 600 nm, 900 nm and 2210 nm as the center of sensitive wavelengths, the results were the root mean square error was 0.286 and the correlation coefficient was 0.979, they were better than the whole band the root mean square error 3.395 and correlation coefficient 0.861. It indicated that it was feasible to extract the sensitive bands of organic matter by using the continuum removal method. It was of great significance to the development of rapid quantitative test instrument of soil organic matter.

Key words:Soil; Organic matter; Continuum removal; Sensitive bands; Neural

中圖分類號(hào)：S153.6+21

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1671-8151(2016)01-0072-05

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(41201294)；山西省科技攻關(guān)項(xiàng)目(20130313010-6)

通訊作者：*宋海燕，教授，博士，碩士生導(dǎo)師。Tel：0354-6288400；E-mail:yybbao@163.com

作者簡(jiǎn)介：閆姍姍(1989-)，女(漢)，山西長(zhǎng)治人，碩士研究生，研究方向：農(nóng)田及農(nóng)副產(chǎn)品信息采集及相關(guān)技術(shù)

收稿日期：2015-11-09修回日期：2015-11-23