基于高光譜技術(shù)的褐土土壤總氮含量的預(yù)測(cè)

王文俊，王璨，李志偉*，杜慧玲

(1.山西農(nóng)業(yè)大學(xué) 工學(xué)院，山西 太谷 030801；2.山西農(nóng)業(yè)大學(xué) 文理學(xué)院，山西 太谷 030801)

土壤營(yíng)養(yǎng)元素的含量是提高農(nóng)作物產(chǎn)量和農(nóng)產(chǎn)品品質(zhì)的重要因素。對(duì)土壤營(yíng)養(yǎng)元素進(jìn)行準(zhǔn)確測(cè)量是實(shí)施精細(xì)農(nóng)業(yè)的基礎(chǔ)。傳統(tǒng)的土壤營(yíng)養(yǎng)元素的測(cè)定方法為化學(xué)法，化學(xué)法測(cè)量結(jié)果精度高，但需要消耗大量的時(shí)間和人力，難以滿足土壤營(yíng)養(yǎng)元素實(shí)時(shí)監(jiān)控的要求。由于近紅外光譜技術(shù)具有高效、快速、無損和適合在線分析等特點(diǎn)，近紅外光譜技術(shù)用于土壤營(yíng)養(yǎng)成分的預(yù)測(cè)已成為國(guó)內(nèi)外學(xué)者的研究重點(diǎn)。高光譜技術(shù)光譜分辨率高、光譜通道數(shù)多，能夠更加真實(shí)、全面地反映物體的固有光譜特性及其差異，從而能夠提高土壤營(yíng)養(yǎng)元素的預(yù)測(cè)精度。高光譜技術(shù)已廣泛應(yīng)用于土壤營(yíng)養(yǎng)元素的預(yù)測(cè)與反演。

李焱等[1]通過土壤高光譜反射率及其變形全氮含量的相關(guān)性，采用多元逐步線性回歸(MSLR)和偏最小二乘回歸法(PLS)對(duì)全氮含量進(jìn)行預(yù)測(cè)分析。結(jié)果表明：MSLR和PLS均能對(duì)土壤總氮含量進(jìn)行較好預(yù)測(cè)；采用反射率的二階微分能夠提高預(yù)測(cè)精確度。王一丁等[2]采用PLS方法建立了植煙土壤高光譜與總氮之間的定量反演模型，結(jié)果表明：采用光譜曲線的一階微分及正交信號(hào)校正的光譜預(yù)處理方法能夠提供預(yù)測(cè)精度。陳紅艷等[3]采用高光譜技術(shù)對(duì)山東典型潮土土壤堿解氮含量進(jìn)行了預(yù)測(cè)，結(jié)果表明采用遺傳算法(GA)結(jié)合偏最小二乘法(PLS)可有效提高預(yù)測(cè)精度。D. Xu等[4]研究發(fā)現(xiàn)偏最小二乘回歸(PLSR)能夠較好預(yù)測(cè)土壤主要成分，是一種快速有效的土壤分類方法。Said Nawar等[5]發(fā)現(xiàn)多元自適應(yīng)回歸樣條法(MARS)比支持向量機(jī)(SVM)和PLS能夠更好的預(yù)測(cè)土壤中總氮含量。劉秀英等[6]采用近紅外高光譜技術(shù)構(gòu)建了基于相關(guān)分析和PLS的黃綿土土壤總氮和堿解氮含量的高光譜預(yù)測(cè)模型。X. Yu等[7]對(duì)膠東半島蘋果園土壤的總氮含量進(jìn)行了研究，結(jié)果表明：多元線性逐步回歸(MLSR)的預(yù)測(cè)效果要好于PLS。Antonios Morellos等[8]分別研究主成分分析(PCA)、PLS、最小二乘支持向量機(jī)(LS-SVM)和Cubist數(shù)據(jù)挖掘算法對(duì)德國(guó)Premslin地區(qū)土壤總氮含量的預(yù)測(cè)效果，結(jié)果表明Cubist數(shù)據(jù)挖掘算法對(duì)總氮含量的預(yù)測(cè)效果最好。汪志濤等[9]研究了重慶蓬萊鎮(zhèn)組紫色土壤樣品粒徑和厚度對(duì)光譜反射率的影響，結(jié)果表明：土樣光譜反射率隨土樣厚度增加而增大，隨土樣粒徑增大而減??；堿解氮含量光譜預(yù)測(cè)精度有隨土樣厚度增加、粒徑增大而提高的趨勢(shì)；在土樣厚度30 mm、粒徑0.250～0.850 mm條件下采集可見近紅外光譜的預(yù)測(cè)效果較好。郭熙等[10]等構(gòu)建了南方丘陵稻田土堿解氮高光譜特征及反演模型。林麗新等[11]采用高光譜技術(shù)對(duì)國(guó)家礦山公園有效氮進(jìn)行反演，結(jié)果表明采用進(jìn)入法-偏最小二乘回歸(Enter-PLS)能夠降低自變量個(gè)數(shù)，提高計(jì)算效率。

目前，幾乎所有實(shí)驗(yàn)室條件下的土壤營(yíng)養(yǎng)元素的近紅外的高光譜反演都要首先對(duì)土壤樣本進(jìn)行磨碎和過篩處理，而直接采集和利用原始土壤高光譜數(shù)據(jù)進(jìn)行建模的較少；其次幾乎所有的光譜數(shù)據(jù)的預(yù)處理方法都以平均光譜曲線(A)及其數(shù)學(xué)變換為主，而結(jié)合光譜成像技術(shù)的特點(diǎn)，提取并使用特征統(tǒng)計(jì)參數(shù)(標(biāo)準(zhǔn)差S、方差V)進(jìn)行建模的極少。

本文以山西典型褐土土壤為研究對(duì)象，所有土壤樣品經(jīng)風(fēng)干后，未經(jīng)研磨過篩處理，直接裝入樣品杯進(jìn)行測(cè)量。并采用高光譜成像技術(shù)獲取近紅外高光譜圖像，并提取平均光譜曲線(A)、標(biāo)準(zhǔn)差曲線(S)和方差曲線(V)等統(tǒng)計(jì)參數(shù)。然后分別采用以平均光譜曲線(A)、平均光譜曲線的一階導(dǎo)數(shù)(F)、A與F的乘積(A*F)、A與F的商(A/F)為基礎(chǔ)的20種光譜預(yù)處理方法，結(jié)合PLS方法進(jìn)行建模，并對(duì)驗(yàn)證集進(jìn)行驗(yàn)證。本文旨在構(gòu)建一種結(jié)合高光譜成像技術(shù)特點(diǎn)的，針對(duì)未經(jīng)研磨和過篩處理的褐土土壤總氮含量的定量預(yù)測(cè)模型，并為土壤其他營(yíng)養(yǎng)元素的快速預(yù)測(cè)提供參考。

1 材料和方法

1.1 土壤樣本

試驗(yàn)用土壤樣本共149個(gè)，采集自山西農(nóng)業(yè)大學(xué)試驗(yàn)田，土壤類型均為褐土土壤，采集深度為0～20 cm，為農(nóng)田耕層土壤。土壤樣本經(jīng)自然風(fēng)干處理，手動(dòng)捏碎較大的土壤顆粒并剔除較大的非土壤雜質(zhì)(例如農(nóng)作物根莖葉等殘留)后，采用四分法取樣，一式兩份：其中一份直接用于實(shí)驗(yàn)室條件下土壤近紅外高光譜圖像的采集；另外一份用于實(shí)驗(yàn)室采用半微量開氏法測(cè)定土壤總氮含量。

在PLS建模時(shí)需要將土壤樣本分類建模集和驗(yàn)證集兩類。通常的做法是隨機(jī)抽取總樣本的80%到90%作為建模集，剩下的部分作為驗(yàn)證集。因此，本文隨機(jī)選取約80%(119個(gè))的土壤樣本作為建模集，用于土壤總氮含量預(yù)測(cè)模型的建模；剩余20%(30個(gè))作為驗(yàn)證集，用于預(yù)測(cè)模型的驗(yàn)證。根據(jù)實(shí)驗(yàn)室化學(xué)法測(cè)定結(jié)果，土壤總氮含量的特征統(tǒng)計(jì)見表1。建模集、驗(yàn)證集與所有土壤樣本的總氮含量的范圍、均值、校準(zhǔn)差和差異系數(shù)均較為接近，即建模集和驗(yàn)證集均能較好反映土壤樣本的統(tǒng)計(jì)特性。

表1土壤總氮含量的特征統(tǒng)計(jì)

Table1 Characteristic statistics of total nitrogen content in soil

樣本分類樣本數(shù)最小值/mg·kg-1Min最大值/mg·kg-1Max平均值/mg·kg-1E標(biāo)準(zhǔn)差/mg·kg-10σ差異系數(shù)/%CV所有149574.78 1 316.43 778.05 139.73 17.96 建模集119574.78 1 316.43 781.93 141.19 18.06 驗(yàn)證集30630.40 1 307.16 762.66 134.98 17.70

1.2 近紅外高光譜圖像的采集

采用美國(guó)Headwall Photonics公司的Starter Kit室內(nèi)移動(dòng)掃描平臺(tái)采集所有土壤樣本的近紅外高光譜圖像。該采集系統(tǒng)主要由室內(nèi)移動(dòng)掃描平臺(tái)、微型近紅外高光譜成像儀、光源、控制器和電腦等組成。微型近紅外高光譜成像儀的具體參數(shù)為：光圈1.4、焦距25 mm、光譜范圍900～1 700 nm，入射狹縫寬度30 μm，光譜分辨率4.715 nm，共170個(gè)波段。采樣參數(shù)為：物距320 mm，平臺(tái)移動(dòng)速度15.55 mm/s，曝光時(shí)間0.9 ms。由于在900 nm和1 700 nm附近，實(shí)測(cè)光譜反射率呈現(xiàn)振蕩，誤差較大，因此本文選取光譜范圍為950～1 650 nm，共148個(gè)波段的光譜反射率作為建模和預(yù)測(cè)參數(shù)。土壤樣本裝入直徑約3 cm，深約1 cm的樣品杯，抹平并壓實(shí)，然后放在移動(dòng)掃描平臺(tái)上采集近紅外高光譜圖像。每個(gè)土壤樣本均采集1幅高光譜圖像。

1.3 光譜數(shù)據(jù)的提取

高光譜成像技術(shù)能夠同時(shí)獲取土壤樣本的光譜信息和圖像信息。高光譜圖像上的每一個(gè)像素點(diǎn)，都有一條光譜范圍為950～1 650 nm，共148個(gè)波段的漫反射光譜曲線與之相對(duì)應(yīng)。本文采用SpectralView軟件提取高光譜圖像上土壤樣本范圍內(nèi)所有像素點(diǎn)的漫反射光譜曲線。對(duì)每個(gè)波段所有像素點(diǎn)的光譜反射率進(jìn)行統(tǒng)計(jì)，獲取其算術(shù)平均值、標(biāo)準(zhǔn)差和方差。將所有波段的統(tǒng)計(jì)參數(shù)連接起來，即可獲得對(duì)應(yīng)土壤樣本的平均光譜曲線(average reflectivity，A)、標(biāo)準(zhǔn)差曲線(standard deviation，S)和方差曲線(variance，V)。

1.4 光譜數(shù)據(jù)預(yù)處理方法

平均光譜曲線(A)及平均光譜曲線的一階導(dǎo)數(shù)曲線(first derivative，F(xiàn))能夠反映土壤總氮對(duì)光譜反射率的影響；而標(biāo)準(zhǔn)差曲線(S)和方差曲線(V)能夠一定程度反映土壤樣本的表面特性。因此本文選取平均光譜曲線(A)、平均光譜曲線的一階導(dǎo)數(shù)曲線(F)、標(biāo)準(zhǔn)差曲線(S)和方差曲線(V)等4種曲線作為基本預(yù)處理方法，然后選取其中的一種或多種基本預(yù)處理方法的組合對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。詳細(xì)的預(yù)處理方法見表2。

表2 光譜數(shù)據(jù)預(yù)處理方法匯總Table 2 Summary of preprocessing methods of spectral data

1.5 建模與評(píng)價(jià)

偏最小二乘(partial least square，PLS)方法是結(jié)合多元線性回歸和主成分分析的化學(xué)計(jì)量學(xué)方法，是近紅外光譜預(yù)測(cè)反演土壤營(yíng)養(yǎng)元素最常用、最有效的建模方法之一。本文選取主因子個(gè)數(shù)的方法為：調(diào)整主因子個(gè)數(shù)，使模型對(duì)建模集的驗(yàn)證結(jié)果為決定系數(shù)(R2)不小于0.9；且最大主因子個(gè)數(shù)不超過20個(gè)。該P(yáng)LS主因子數(shù)的選取方法可以使所建模型對(duì)建模集的驗(yàn)證效果基本相同，因此模型的好壞只需要對(duì)比分析不同模型對(duì)驗(yàn)證集的驗(yàn)證效果即可。

本文采用建模集決定系數(shù)(Rc2)、驗(yàn)證集決定系數(shù)(Rp2)、建模集均方根誤差(RMSEc)、驗(yàn)證集均方根誤差(RMSEp)、建模集相對(duì)分析誤差(RPDc)、驗(yàn)證集相對(duì)分析誤差(RPDp)等指數(shù)來對(duì)模型進(jìn)行評(píng)價(jià)。其中：決定系數(shù)(R2)越大越好，但不能超過1，越接近1表明模型的預(yù)測(cè)能力越強(qiáng)。均方根誤差(RMSE)越小越好。相對(duì)分析誤差(RPD)越大越好。當(dāng)RPD≥2.0時(shí)，表明模型較好，可用于土壤總氮含量的定量預(yù)測(cè)；當(dāng)RPD在1.0～2.0之間時(shí)，表明模型預(yù)測(cè)效果較差；當(dāng)PRD≤1.0時(shí)，表明模型預(yù)測(cè)效果極差，無法用于定量分析。

2 結(jié)果與分析

2.1 不同總氮含量的光譜響應(yīng)特征

按實(shí)驗(yàn)室化學(xué)法實(shí)測(cè)總氮含量對(duì)所有土壤樣本進(jìn)行分類，分別統(tǒng)計(jì)總氮含量低于700 mg·kg-1，700～800 mg·kg-1，800～900 mg·kg-1，900～1 000 mg·kg-1及1 100 mg·kg-1以上的光譜反射率，計(jì)算每類土壤樣品的平均光譜曲線；并對(duì)平均光譜曲線求導(dǎo)，獲取每類平均光譜曲線的一階導(dǎo)數(shù)曲線。其結(jié)果如圖1、圖2所示。

圖1 不同總氮含量的平均光譜曲線Fig.1 Average spectral curves of different total nitrogen content

圖2 不同總氮含量的平均光譜曲線的一階導(dǎo)數(shù)Fig.2 First derivative of the average spectral curve of different total nitrogen content

由圖1可知，土壤的平均光譜反射率隨波長(zhǎng)的增加逐漸增大；在1 400 nm附近有顯著的水吸收特征，這可能與自然風(fēng)干后的土壤樣本內(nèi)仍有少量水分殘留有關(guān)。當(dāng)總氮含量低于1 000 mg·kg-1時(shí)，平均光譜反射率隨總氮含量的增加而增加；當(dāng)總氮含量高于1 000 mg·kg-1時(shí)，光譜反射率隨總氮含量的增加急劇減小；且光譜波長(zhǎng)越短，反射率減小的越多。平均光譜曲線隨總氮含量先增加后減小的特點(diǎn)，可能導(dǎo)致兩個(gè)總氮含量差異極大的土壤樣本的平均光譜曲線非常接近，從而影響預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性。

由圖2可知，一階導(dǎo)數(shù)曲線隨著總氮含量的增加逐漸增加?？偟吭?00 mg·kg-1以下的一階導(dǎo)數(shù)曲線比在700～800 mg·kg-1之間的一階導(dǎo)數(shù)曲線略有增加，在圖2中顯示為基本完全重合。當(dāng)總氮含量高于1 000 mg·kg-1時(shí)，一階導(dǎo)數(shù)曲線隨總氮含量的增加出現(xiàn)顯著的增加。由于一階導(dǎo)數(shù)曲線隨總氮含量的增加單調(diào)增加，因此使用一階導(dǎo)數(shù)進(jìn)行建模，可能能夠獲得更好的預(yù)測(cè)效果。

2.2 不同PLS模型的建模結(jié)果

分別采用A、F、A*F、A/F等20種光譜預(yù)處理方法，結(jié)合PLS方法進(jìn)行建模，并對(duì)驗(yàn)證集進(jìn)行驗(yàn)證。不同PLS模型及對(duì)驗(yàn)證集的驗(yàn)證結(jié)果見表3。不同光譜數(shù)據(jù)預(yù)處理方法對(duì)驗(yàn)證集的RPDc和Rc2的影響見圖3和圖4。由于在建模時(shí)優(yōu)先考慮了模型對(duì)建模集的驗(yàn)證效果，并使所有模型的RPDc和Rc2基本相同，因此對(duì)模型進(jìn)行評(píng)價(jià)只需要對(duì)比不同模型對(duì)驗(yàn)證集的驗(yàn)證效果即可。

建模效果最好的預(yù)處理方法為F*S，其PLS模型的主因子個(gè)數(shù)為11，驗(yàn)證集RMSEp=159.89，RPDp=2.120，Rp2=0.826；其次為A*F*S，其PLS模型的主因子個(gè)數(shù)為11，驗(yàn)證集當(dāng)只使用平均光譜曲線A進(jìn)行建模時(shí)，建模效果從好到壞依次為：F>A*F>A>A/F。即使用平均光譜曲線的一階導(dǎo)數(shù)F和平均光譜曲線與一階導(dǎo)數(shù)的乘積A*F能夠取得更好的建模效果。當(dāng)結(jié)合其它統(tǒng)計(jì)參數(shù)(S、V)進(jìn)行建模時(shí)，以A和A/F為基礎(chǔ)的PLS模型的RPDp和Rp2均有大幅下降，即A和A/F不適合與S、V組合進(jìn)行建模。對(duì)于以F和A*F為基礎(chǔ)的PLS模型，只有與標(biāo)準(zhǔn)差的乘積(*S)能夠提高建模效果；而其他方法(/S、*V、/V)的建模效果均低于只使用F和A*F的建模效果。

表3 不同PLS模型及對(duì)驗(yàn)證集的驗(yàn)證結(jié)果Table 3 Different PLS models and validation results

圖3 不同光譜數(shù)據(jù)預(yù)處理方法對(duì)RPDc的影響Fig.3 Influence of different spectral data preprocessing methods on RPDc

圖4 不同光譜數(shù)據(jù)預(yù)處理方法對(duì)的影響Fig.4 Influence of different spectral data preprocessing methods on

RMSEp=165.85，RPDp=2.010，Rp2=0.804。這兩個(gè)模型的RPDp在2.0以上，Rp2在0.8以上，可以對(duì)褐土土壤的總氮含量進(jìn)行有效預(yù)測(cè)；其它模型的RPDp均小于2.0，對(duì)總氮含量的預(yù)測(cè)效果較差。

3 討論與結(jié)論

本文以山西典型褐土土壤為研究對(duì)象，所有土壤樣品經(jīng)風(fēng)干后，未經(jīng)研磨過篩處理，直接裝入樣品杯進(jìn)行測(cè)量。并采用高光譜成像技術(shù)獲取近紅外高光譜圖像，并提取平均光譜曲線(A)、標(biāo)準(zhǔn)差曲線(S)和方差曲線(V)等統(tǒng)計(jì)參數(shù)。然后分別采用以A、F、A*F、A/F為基礎(chǔ)的20種光譜預(yù)處理方法，結(jié)合PLS方法進(jìn)行建模，并對(duì)驗(yàn)證集進(jìn)行驗(yàn)證。主要結(jié)論如下：

(1)平均光譜曲線隨總氮含量先增加后減小，可能導(dǎo)致兩個(gè)總氮含量差異極大的土壤樣本的平均光譜曲線非常接近，從而影響預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性。一階導(dǎo)數(shù)曲線隨總氮含量的增加而單調(diào)增加，使用一階導(dǎo)數(shù)進(jìn)行建模，可能能夠獲得更好的

預(yù)測(cè)效果。

(2)建模效果最好的預(yù)處理方法為F*S，其PLS模型的主因子個(gè)數(shù)為11，驗(yàn)證集RMSEp=159.89，RPDp=2.120，Rp2=0.826；其次為A*F*S，其PLS模型的主因子個(gè)數(shù)為11，驗(yàn)證集RMSEp=165.85，RPDp=2.010，Rp2=0.804。這兩個(gè)模型的RPDp在2.0以上，Rp2在0.8以上，可以對(duì)褐土土壤的總氮含量進(jìn)行有效預(yù)測(cè)；其它模型的RPDp均小于2.0，對(duì)總氮含量的預(yù)測(cè)效果較差。

(3)當(dāng)只使用平均光譜曲線A進(jìn)行建模時(shí)，使用平均光譜曲線的一階導(dǎo)數(shù)F和平均光譜曲線與一階導(dǎo)數(shù)的乘積A*F能夠取得更好的建模效果。當(dāng)結(jié)合其它統(tǒng)計(jì)參數(shù)(S、V)進(jìn)行建模時(shí)，只有F和A*F與標(biāo)準(zhǔn)差的乘積(*S)的預(yù)處理方法能夠提高建模效果。

本文選用的土壤樣本未經(jīng)研磨和過篩處理，能夠極大縮短制樣時(shí)間，提高預(yù)測(cè)效率。本文結(jié)合高光譜成像技術(shù)的特點(diǎn)，提出了多種統(tǒng)計(jì)參數(shù)結(jié)合的光譜數(shù)據(jù)的預(yù)處理方法，可為高光譜成像技術(shù)的土壤營(yíng)養(yǎng)元素的反演提供參考。本文研究結(jié)果可為近紅外高光譜成像技術(shù)應(yīng)用于褐土土壤其他營(yíng)養(yǎng)成份的快速預(yù)測(cè)提供參考。光譜數(shù)據(jù)預(yù)處理方法對(duì)其他建模方式、其他土壤類型、其他營(yíng)養(yǎng)元素的反演有待進(jìn)一步研究。