基于VIS-NIR的播種溝內土壤水分測量傳感器研究

張東興 劉 江 楊 麗 崔 濤 和賢桃 張?zhí)炝?/p>

(1.中國農(nóng)業(yè)大學工學院， 北京 100083； 2.農(nóng)業(yè)農(nóng)村部土壤-機器-植物系統(tǒng)技術重點實驗室， 北京 100083)

0 引言

在農(nóng)業(yè)領域，適宜的土壤水分對種子萌發(fā)、作物生長具有重要作用。相關研究表明，基于土壤水分信息對播種深度進行實時調控能有效促進種子萌發(fā)和出苗，對作物增產(chǎn)增收具有重要意義[1-2]?；谕寥浪终{整播深的技術需要對種子落種環(huán)境即種溝的土壤進行測量，以便根據(jù)種溝的土壤水分信息進行播種調節(jié)和改變播種策略。

傳統(tǒng)的烘干法進行土壤含水率測定具有精度高的優(yōu)點，但該方法不能原位測量，對土壤具有破壞性，且測量耗時長。介電法(包括時域反射法、頻域反射法、時域傳輸法等)利用土壤的介電特性來測量土壤含水率[3-6]。通常將基于此原理開發(fā)的傳感器探針插入土壤，通過與土壤接觸獲得時間、電壓等參數(shù)來間接測量土壤水分。這種方法獲得的是某一立體空間內的土壤含水率，難以實現(xiàn)某一點或某一層土壤水分的測量。對于種溝土壤水分測量需要頻繁地將探針插入土壤，易引起腐蝕和磨損，影響使用壽命。

隨著光譜學分析技術的發(fā)展，可見光-近紅外(Visible and near-infrared，VIS-NIR)方法被廣泛應用到土壤特性參數(shù)測量研究上[7-10]。在VIS-NIR波段內，土壤含水率影響其反射光譜，一般在近紅外區(qū)最為敏感[8]，在可見光區(qū)有一定的敏感性[11]。采用此法開發(fā)的土壤水分傳感器可以實現(xiàn)對土壤水分的快速測量，是土壤水分測量發(fā)展的重要方向。國內外許多學者對應用可見光、近紅外技術測量土壤水分進行了相關研究[11-18]，部分學者研究了土壤水分光譜模型分析的構建方法，為傳感器的開發(fā)奠定了理論基礎?；诠庾V原理開發(fā)的土壤水分測量設備[12-13]，其機械結構和光譜測量模型適用于自身測量設備提供的特定環(huán)境，難以直接用于對播種溝內的土壤水分測量。因此，研究適用于播種溝土壤水分測量的傳感器對基于土壤含水率的播深調整技術的推廣和使用具有重要意義。

為實現(xiàn)精密播種溝單點土壤水分的快速測量，本文分析波段400～1 000 nm內不同含水率土壤的反射光譜，應用多種數(shù)據(jù)降維方法選取特征波長，在對不同特征波長進行組合建模分析后，設計一種VIS光源和短波NIR雙波長光源式土壤水分傳感器，并對其進行測試和性能評價。

1 結構與原理

傳感器結構如圖1所示，VIS光源、NIR光源與水平方向呈45°，被對稱膠固于W形支架上且位于光電傳感器兩側。為避免VIS光源與NIR光源相互干擾，單片機供電并控制兩個光源交替發(fā)光，照射土壤。土壤的反射光通過藍寶石窗口集中后由光電傳感器接收，并將光強信號轉換為對應大小的電壓信號。由于光電傳感器轉換后的電壓強度很微弱，為提高其信噪比，采用運算放大器對電壓信號進行濾波和放大，并輸入到數(shù)據(jù)采集卡中。數(shù)據(jù)采集卡將采集的模擬電壓數(shù)據(jù)轉換為數(shù)字信號后傳輸至計算機端進行處理，由計算機端構建的土壤水分預測模型得到土壤含水率。

2 光源波長的確定

光源是傳感器的核心元件，確定最佳光源波長是傳感器正常高效工作的關鍵，因此需要對不同含水率土壤進行光譜數(shù)據(jù)獲取和分析，以篩選出適合土壤水分測量的最佳光源波長。

2.1 土壤光譜數(shù)據(jù)的獲取

試驗土壤采用砂壤土，將取回的土壤樣本用恒溫干燥箱(DHG-9123A型,上海)在105℃下干燥12 h，干燥至恒質量后用10目土壤篩過篩。向過篩后的土壤中加入不同質量的水，獲得7個梯度含水率的土壤，將土壤放入直徑為60 mm的玻璃皿中，每個梯度配置3份樣本，共21份樣本。實際播種過程，開溝器會對種溝起一定的刮平作用，因此試驗過程中刮平樣本表面以減小土壤顆粒間隙對數(shù)據(jù)采集的影響。

使用QE Pro型高性能光譜儀(Ocean Optics, Inc.，美國)采集不同含水率下的土壤光譜數(shù)據(jù)，其可測波段范圍為185～1 100 nm，光譜分辨率(FWHM)為1.1 nm，使用前進行白板校正。光源為HL-2000型鹵鎢燈光源(Ocean Optics, Inc.，美國)，配合VIS-NIR實驗室級分叉光纖(Ocean Optics, Inc.，美國)進行試驗。試驗時，將表面刮平的土壤樣本迅速放至光譜儀光纖探頭下，以減少樣本表面水分散失對采集結果的影響。采用五點取樣法獲得每份樣本上5個點的土壤反射光譜。

測量完畢后的土壤樣品被放至鋁盒中進行稱量，然后將土壤樣品放入恒溫干燥箱中，在105℃下干燥12 h，再讓其冷卻至室溫后進行二次稱量，兩次質量差與干燥后土壤質量的比值即為土壤質量含水率，以此獲得所測土壤試樣的準確含水率。共獲得7個水平的土壤含水率，分別為0.01%、4.35%、8.45%、12.19%、16.54%、19.73%、23.66%，以及105個與土壤含水率相關的反射光譜數(shù)據(jù)。

2.2 土壤光譜數(shù)據(jù)分析

2.2.1光譜數(shù)據(jù)的預處理

由于低于400 nm和高于1 000 nm波長的光譜數(shù)據(jù)信噪比低，故不采用上述波段的光譜數(shù)據(jù)，只采用波段400～1 000 nm光譜數(shù)據(jù)進行分析。考慮到探頭至土壤樣本表面的距離不能保證絕對穩(wěn)定，需要對獲得的反射光譜數(shù)據(jù)進行去異常處理。采用蒙特卡洛交叉驗證(Monte Carlo cross validation，MCCV)對異常樣本值進行篩選，獲得91個有效數(shù)據(jù)。

表1 不同預處理方法的建模結果Tab.1 Results of different pretreating methods

2.2.2特征波長的選取

為選取出能預測土壤含水率的最佳波長，采用相關系數(shù)法、連續(xù)投影算法(Successive projections algorithm，SPA)、無信息變量消除法(Uninformative variables elimination，UVE)、競爭自適應加權采樣法(Competitive adaptive reweighted sampling，CARS)、隨機跳蛙法(Random frog，RF)等方法[20-25]對SG平滑預處理后的光譜數(shù)據(jù)進行特征波長的選取。相關系數(shù)法即利用PLSR模型各波長相關系數(shù)表示其在模型中的重要程度，即相關系數(shù)絕對值越大，說明該波長表征的信息越多，如圖2a所示，采用該方法得到4個峰值點，共選取4個特征波長。SPA方法可以通過提取少量變量達到提取較多模型有效信息，以減少信息重疊，當預測平均標準偏差達到最小值時所對應的變量個數(shù)即為選取的特征波長數(shù)量，如圖2b所示，采用該方法在運行次數(shù)N=10時RMSE最小，此時共選擇10個特征波長。UVE法通過在光譜信息中加入噪聲信息，進行交叉驗證后剔除無關變量，得到新的系數(shù)矩陣，通過比較系數(shù)矩陣絕對值大小可選擇特征變量，如圖2c所示，采用該方法以穩(wěn)定性大于3為閾值條件選取37個特征波長，由于選出的特征波長數(shù)量較多，在其基礎上采用SPA法進行二次選擇，如圖2d所示，UVE+SPA法選擇出5個特征變量。CARS法是對PLSR模型回歸系數(shù)根據(jù)“適者生存”原則進行篩選，除去絕對值小的系數(shù)后進行交叉驗證，交叉驗證均方根誤差小即為最優(yōu)變量，如圖2e所示，根據(jù)該方法在運行24次時獲得最小RMSECV，此時選取47個特征波長，同理，在其基礎上采用SPA法進行二次選擇，如圖2f所示，CARS+SPA法選擇出5個特征變量。RF算法通過不斷更新變量子集直至到達預設迭代次數(shù)后，統(tǒng)計每個變量被選擇的概率，依據(jù)此概率選擇最優(yōu)波段，如圖2g所示，采用該方法在迭代10 000次后，可直觀看出4個最優(yōu)波段。

上述方法選擇出的特征波長或波段中，在波長410、540、780、970 nm附近的特征波長被選中的次數(shù)最多，說明這4種波長最能表征波段400～1 000 nm內土壤水分信息，因此將這4個波長作為土壤水分傳感器的候選波長。

2.2.3最佳波長組合的選取

本文采用雙波長光源進行土壤水分測量傳感器的設計，在選擇的4個主要特征波長中，410、540 nm屬于VIS范圍，780、970 nm屬于NIR范圍。將4種波長兩兩組合并進行二元線性回歸分析，共得到6種組合方式，計算每種組合方式預測值與真實值的決定系數(shù)R2、均方根誤差(RMSE)、擬合值標準差(SD)以及相對分析誤差(RPD)。R2越大，擬合度越優(yōu)；RMSE越小，估算能力越好；RPD是SD與RMSE的比值，當RPD大于2時，說明有很好的預測能力[15]。不同波長組合計算獲得的參數(shù)如表2所示。

表2 不同波長組合預測結果Tab.2 Results of different wavelength combinations

從表2可知，780 nm與970 nm組合的RPD最高，說明這兩種波長組合對土壤含水率預測能力最優(yōu)，而410 nm與970 nm組合的R2和RPD略低于780 nm與970 nm組合，考慮到使用VIS光源可以降低設計成本且更利于傳感器搭建，因此采用410 nm VIS光源與970 nm NIR光源作為傳感器光源。

3 傳感器設計

3.1 光源與光電傳感器

根據(jù)2.2.3節(jié)分析要求的VIS-NIR光源，選用3535型410 nm單色波長LED與3535型970 nm單色波長LED作為傳感器光源。其中410 nm波長LED正常工作電壓為3.2～3.6 V，970 nm波長LED正常工作電壓為2.0～2.2 V，工作電流均不大于700 mA，發(fā)光角均為120°，通過藍寶石窗口后能形成較大區(qū)域的光斑。為提高LED散熱性能以及便于燈珠的固定，采用回流焊將LED焊接在8 mm直徑3535型LED專用鋁基板上。

光電傳感器采用SGPN96CR型線性硅光電池，該半導體體積小、靈敏度高、響應速度快、線性度好。本文采用面積為3.5 mm×5.5 mm的SGPN96CR型線性硅光電池，其光譜響應范圍為360～1 100 nm，能同時接收前述兩種光源的反射光；暗電流為5 nA，不影響正常情況下反射光的接收；響應時間約為2 μs，響應迅速。

如表3所示，本文所采用的光源、光電傳感器成本較低。通常情況下，光譜儀的價格在上萬元，長波近紅外光源及配套的光電探測器價格也在百元以上且需要定制。因此，與采用光譜儀式和長波近紅外式傳感器相比，本設計降低了開發(fā)成本。

表3 VIS-NIR傳感器與光譜儀式、長波近紅外式成本對比Tab.3 VIS-NIR sensor compared with using spectrometer or LW-NIR light source in cost 元

3.2 電路設計

兩個LED正常工作電流需不大于700 mA，使用單片機模塊輸出5 V電壓并搭建電阻分壓電路對其進行供電。同時，單片機IO口控制LED負極電平，當IO口為低電平狀態(tài)時LED發(fā)光，為高電平狀態(tài)時LED熄滅。兩個LED間隔約2 s交替發(fā)光，以便采集到穩(wěn)定的數(shù)據(jù)。由于硅光電池接收到的反射光較微弱，輸出電壓信號較小，需要對信號進行放大處理，采用LM358直流放大模塊對信號進行放大處理，增益約100倍。采用MPS-010602型數(shù)據(jù)采集卡對傳感信號進行數(shù)據(jù)采集，該采集卡的AD轉換模塊可將采集到的模擬電壓信號轉換為數(shù)字電壓信號，分辨率可達2.5×10-3V，精度較高，滿足數(shù)據(jù)采集要求。將采集的電壓信號保存至上位機，便于后續(xù)分析處理。

4 試驗與結果分析

4.1 測量距離影響試驗

4.1.1試驗材料與方法

通過Matlab中的rand函數(shù)隨機生成0～24%之間共60組含水率，用恒溫干燥箱將試驗土壤在105℃下干燥12 h，干燥至恒質量后按隨機生成的土壤含水率加入不同質量的水混合均勻。將配置好的試驗樣品裝入玻璃皿中刮平進行測量。

如圖3所示，將傳感器固定在支架上，裝有試驗土壤的玻璃皿放在傳感器下方，玻璃皿下方墊有6塊厚度為3 mm的平整塑料板，此時土壤表面緊貼傳感器下表面的藍寶石窗口。通過移除塑料板可改變傳感器與土壤表面的距離d，以此探討傳感器與土壤表面距離對測量結果的影響。通過MPS-010602型數(shù)據(jù)采集卡采集電壓信號，采集速度為每秒10個數(shù)據(jù)，計算機接收數(shù)據(jù)并實時顯示采集的電壓信號曲線，圖4為采集到的信號波形圖。其中高電壓為NIR光源發(fā)光時光電傳感器接收NIR反射光后產(chǎn)生的電壓，低電壓為VIS光源發(fā)光時光電傳感器接收VIS反射光后產(chǎn)生的電壓。間隔2 s采集一次數(shù)據(jù)，每次采集20個電壓數(shù)據(jù)。

每次測試完后將試驗土壤裝入鋁盒稱量，放入恒溫干燥箱干燥12 h后進行二次稱量，獲得60組試驗土壤含水率，由于不同含水率土壤配置存在誤差，獲得的實際試驗土壤含水率中最小為0.69%，最大為28.45%。

4.1.2結果分析

對采集到的電壓進行分析，獲得不同土壤含水率下光電傳感器分別接收VIS和NIR反射光產(chǎn)生的電壓平均值。由于波長410 nm與970 nm反射強度與土壤含水率之間具有較好的線性預測度，所以認為光電傳感器兩端輸出電壓與土壤含水率之間也存在線性關系，可用電壓與土壤含水率構建線性回歸模型，通過分析預測值與真實值的相關程度評價傳感器效果。不同測量距離d下的預測值與真實值的相關性如圖5所示。

從圖5a、5b可以看出，當d為0、3 mm時，預測值與真實值之間相關程度較高，R2分別為0.80和0.81，說明本文設計的傳感器在距離土壤較近時(0～3 mm)具有較好的土壤含水率測量精度，當測量距離d由0 mm增加到3 mm時，測量結果受影響很小，因此在該范圍內的測量距離具有較高的測量穩(wěn)定性。當d>3 mm時，預測值與真實值線性相關程度驟然降低且趨于平穩(wěn)，這可能是由于測量距離過大，光被漫反射至各個方向，無法通過藍寶石窗口進行集中，光電傳感器接收到的信號過弱導致其兩端電壓沒有明顯變化造成的。因此，為保證傳感器較高的測量精度和穩(wěn)定性，在對土壤水分進行測量時，應將傳感器與土壤表面的距離維持在0～3 mm。

當d=3 mm時，預測值與真實值之間的線性相關度最好，從圖5b可以看出，含水率大于22%偏離預測趨勢最遠，可能是由于當試樣土壤含水率大于22%時，試驗所用土壤表面已經(jīng)逐漸開始出現(xiàn)水分滲出現(xiàn)象，影響了反射光的接收。去除大于22%的土壤含水率后進行線性相關性分析，結果如圖6所示，R2提高至0.93，RMSE降低為1.72%，說明本文設計的傳感器在土壤含水率低于22%時有更好的預測能力。而玉米等作物適宜播種的含水率為15%～20%[26]，可以滿足其播種作業(yè)環(huán)節(jié)的土壤水分測量需求。

4.2 溫度與光照強度影響試驗

4.2.1試驗材料與方法

本文研究的是基于光學的土壤水分傳感器，其測量準確度可能會受到環(huán)境光影響。本文設計的傳感器主要用于精播過程中對土壤水分的測量，不同時節(jié)播種環(huán)境溫度有差異，溫度可能會對傳感器造成影響。因此，本文以光照強度、溫度為因子對傳感器進行析因試驗分析，探討溫度、光照強度以及二者的交互效應對傳感器工作的影響。表4為兩因子析因設計，試驗重復4次。

表4 兩因子析因設計Tab.4 Factorial design with two factors

將實驗室試驗所用同種土壤裝入體積為150 mm×500 mm×200 mm的花盆中，放入可設置不同溫度、光照強度的智能氣候箱(HornTech, GC-450C)中，采用本文傳感器按析因設計表中的因子水平進行土壤含水率測量，并在測量完后取相應測量點處的土壤裝入鋁盒，用烘干法測得真實含水率。

4.2.2結果分析

取每次傳感器獲得的預測值與烘干法獲得的真實值之差的絕對值Δw作為評價標準，對試驗結果進行方差分析，方差分析結果如表5所示。在顯著性水平α為0.05時，對于因子A有FA

表5 析因試驗方差分析Tab.5 Analysis of variance of factorial test

4.3 土槽試驗

土槽實驗室可以較好地模擬田間環(huán)境與土壤分布，試驗土槽為中國農(nóng)業(yè)大學土槽實驗室土槽，其土壤與實驗室試驗所用土壤為同一種土壤。通過環(huán)刀法測得試驗區(qū)域土壤容重為1.40 g/cm3。播種機在土槽上開出種溝，使用本文設計的傳感器每隔一定距離采集1次數(shù)據(jù)，共采集30個單點土壤含水率。每次采用本文傳感器采集后，立即采集該點土壤裝入鋁盒，通過烘干法獲得實際含水率。分析土壤含水率預測值與真實值之間的相關性，得出預測值與真實值之間R2僅為0.62，相關性較弱。從圖7可以看出，點4與點15處的土壤含水率預測值與真實值之間差異過大，導致整體相關性較低。

圖8為測量中存在的干擾情況。點4和點15處土壤含水率預測值明顯高于該點處真實值。對于點4，原因是測量點處存在石塊。傳感器光源發(fā)出的光照射在石塊表面，由于石塊和土壤在顏色、密度等物理性質上有著明顯差異，且其對不同波長光敏感度也不同，光電傳感器接收到異常的反射光，導致異常測量結果。對于這種情況，在發(fā)現(xiàn)異常后可通過觀察測量點是否存在石塊進行排除，也可以通過對比土壤含水率整體趨勢進行異常排除。點15處預測值雖然也明顯高于真實值，但該點處的土壤含水率真實值與土壤整體含水率趨勢明顯存在較大差異，這可能是烘干法取樣操作失誤導致。在取土用于烘干法測量真實值的過程中，拿起傳感器過程中的碰撞或實驗人員對種溝邊緣的踩踏等會導致表層干土掉落至測量點，從而引起所取土樣含水率產(chǎn)生誤差。

除去上述2個異常點后，預測值與真實值之間R2為0.82，RMSE為1.23%，測量效果較好。但該結果與實驗室測量效果存在差距，原因是實驗室試驗的土壤樣本為人為配置，土壤含水率均勻，而實地試驗測量點土壤與所取用于烘干法的土壤樣本含水率存在一定差異，即實驗室所用土樣通過烘干法獲得的土壤含水率比實地土樣通過烘干法獲得的土壤含水率準確度高。

5 結論

(1)通過試驗與光譜數(shù)據(jù)分析，獲得了波段400～1 000 nm內不同含水率土壤的敏感波段分別在波長410、540、780、970 nm附近；通過對這4種波長進行組合建模分析，選擇出組合預測最優(yōu)的VIS和NIR波長為410 nm和970 nm。

(2)以410 nm VIS光源與970 nm NIR光源設計雙波長VIS-NIR土壤含水率傳感器。試驗表明，當傳感器距被測土壤表面0～3 mm時，土壤含水率在0.69%～28.45%范圍內，預測值與真實值之間R2可達0.81，RMSE為2.90%；在0.69%～22%范圍內，預測值與真實值之間R2可達0.93，RMSE為1.72%，具有更高的測量性能。

(3)研究了傳感器底面與被測土壤表面之間的距離d對傳感器測量結果的影響。結果表明，當d為0～3 mm時，傳感器測量效果較好；當d>3 mm時，傳感器預測效果較差，并不再發(fā)生變化。因此傳感器正常工作的最佳方式是使傳感器底部緊貼或靠近被測土壤表面。

(4)研究分析了傳感器實際工作效果，通過析因試驗得出溫度、光照強度對傳感器正常工作沒有顯著影響。通過土槽試驗得出，土壤中存在石塊、取土操作會引起測量異常，影響預測值與真實值之間的相關性。去除異常值后，預測值與真實值之間R2為0.82，RMSE為1.23%，具有較好的測量效果。