用多波長(zhǎng)和LS-SVM補(bǔ)償土壤溫度的方法研究*

梁秀英，李小昱，2*

(1.華中農(nóng)業(yè)大學(xué)工學(xué)院，武漢 430070;2.黃土高原土壤侵蝕與旱地農(nóng)業(yè)國(guó)家重點(diǎn)實(shí)驗(yàn)室中國(guó)科學(xué)院水利部水土保持研究所，山西楊凌 712100)

水分是土壤的重要組成部分，快速、準(zhǔn)確地測(cè)定土壤水分對(duì)土壤侵蝕預(yù)測(cè)預(yù)報(bào)、農(nóng)業(yè)水土工程管理、實(shí)施精準(zhǔn)農(nóng)業(yè)、農(nóng)業(yè)試驗(yàn)、農(nóng)業(yè)氣象、灌溉管理和旱情監(jiān)測(cè)具有重要的意義。

近紅外光譜分析技術(shù)具有無(wú)前處理、無(wú)污染、無(wú)破壞性、可在線檢測(cè)、測(cè)定速度快等優(yōu)點(diǎn)，在土壤［1－7］、農(nóng)產(chǎn)品［8－9］、水果［10－12，24－25］等方面得到了廣泛的應(yīng)用。近紅外區(qū)域的信息主要來(lái)源于有機(jī)分子中含氫基團(tuán)(O－H、N－H、C－H)的吸收為主，而溫度的變化會(huì)改變樣品分子間和分子內(nèi)的作用力［13－14］，從而引起振動(dòng)光譜的非線性變化［15］，特別是水分的光譜，當(dāng)溫度升高時(shí)，羥基官能團(tuán)處的光譜向低波長(zhǎng)處移動(dòng)且變窄。高鵬程等［14］分析了土壤最大有效含水量與溫度的關(guān)系，結(jié)果表明土壤最大有效含水量隨溫度升高而降低。Wülfert等［15］研究了溫度對(duì)乙醇/水/異丙醇混合物短波近紅外光譜的影響，結(jié)果表明:當(dāng)某一特定溫度下的局部模型去預(yù)測(cè)另一溫度下的樣品時(shí)，精度較差。Wülfert等［16］采用線性回歸法補(bǔ)償溫度對(duì)近紅外光譜的影響，結(jié)果表明:把溫度作為外部變量引入到校正模型中并不能提高模型的預(yù)測(cè)能力，采用線性回歸法不能補(bǔ)償由溫度引起的非線性影響。Peirs等［17］應(yīng)用近紅外光譜技術(shù)研究了溫度對(duì)蘋(píng)果果實(shí)可溶性固形物含量的影響，結(jié)果表明，溫度以非線性的方式影響近紅外光譜，光譜反射率隨著溫度的升高而減小。張軍等［18］研究了環(huán)境溫度(4℃ ～29℃)對(duì)小麥粉末蛋白質(zhì)含量近紅外光譜定量分析結(jié)果的影響，將溫度作為外部變量采用逐步多元線性回歸建立溫度修正模型，結(jié)果表明，預(yù)測(cè)標(biāo)準(zhǔn)差隨環(huán)境溫度與建模時(shí)溫度差的增大而增大。

綜上所述，近紅外光譜易受外界環(huán)境的影響，溫度是以非線性的方式影響近紅外光譜，用線性回歸法補(bǔ)償溫度的影響效果不顯著或模型很復(fù)雜。支持向量機(jī)(SVM)是Vapnik等在1995年提出的用于分類(lèi)與非線性回歸的方法，最小二乘支持向量機(jī)(LSSVM)是SVM的一種改進(jìn)方法，能較好地解決小樣本、非線性、高維數(shù)等眾多實(shí)際問(wèn)題［19］。李世勇等［20］采用LS-SVM回歸法和偏最小二乘回歸(PLSR)法分別建立了煙葉總糧含量的NIR預(yù)測(cè)模型，結(jié)果表明:LSSVM回歸法模型的預(yù)測(cè)準(zhǔn)確度比PLSR法的高。Chauchard 等［21］采用 LS-SVM、PLSR、MLR 建立了三種不同種類(lèi)葡萄酸度的近紅外模型，通過(guò)預(yù)測(cè)表明，LS-SVM回歸法的預(yù)測(cè)精度高于PLSR和MLR。

論文采用多尺度小波變換和LS-SVM方法研究溫度對(duì)近紅外光譜檢測(cè)土壤含水率的影響，利用多尺度小波變換提取特征光譜，采用多波長(zhǎng)LS-SVM法補(bǔ)償土壤溫度對(duì)近紅外光譜分析模型預(yù)測(cè)結(jié)果的影響。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)土壤樣品為湖北地區(qū)的黃棕壤，土壤經(jīng)風(fēng)干、去雜、粉碎、過(guò)篩(2 mm)等處理后進(jìn)行水分配比，實(shí)測(cè)土壤含水率的范圍為2.467% ～31.485%(濕基)，剔除了3個(gè)異常樣品后，獲得47個(gè)樣品。土壤樣品光譜采集采用Ocean Optics NIR256－2.5擴(kuò)展近紅外光譜儀，光譜掃描范圍為900 nm～2 550 nm，采用光纖探頭采集數(shù)據(jù)，光學(xué)分辨率為6.68 nm，視場(chǎng)角為12.5°。土壤樣品含水率(質(zhì)量百分比)按標(biāo)準(zhǔn)GB 7172—87烘干稱(chēng)重法測(cè)定。

1.2 試驗(yàn)方法

將經(jīng)過(guò)配水的47個(gè)樣品放入培養(yǎng)箱，調(diào)整培養(yǎng)箱的溫度分別為5℃、10℃、15℃、20℃、25℃、30℃等6個(gè)水平制成不同溫度的樣品，共獲得282個(gè)樣品。每次調(diào)整培養(yǎng)箱溫度后，土壤樣品在培養(yǎng)箱內(nèi)放置24 h，以使土壤樣品各部分的溫度均勻，土壤樣品從培養(yǎng)箱中取出后馬上用Ocean Optics NIR256－2.5擴(kuò)展近紅外光譜儀采集樣品光譜反射率，每份樣品采集3次光譜，取其平均光譜。

1.3 檢測(cè)方法

在室溫條件下，近紅外儀預(yù)熱1 h后，將裝有土樣的鋁盒置于近紅外光纖探頭正下方2 cm處，此時(shí)獲得近紅外光譜反射率值最大。光譜采集范圍為874.04 nm ～2588.56 nm，數(shù)據(jù)間隔 6.68 nm。由于光譜邊緣存在很大的隨機(jī)噪聲，因此建模時(shí)選擇光譜范圍為954.23 nm～2498.48 nm的共230個(gè)波長(zhǎng)點(diǎn)處的光譜反射率數(shù)據(jù)進(jìn)行建模和預(yù)測(cè)，以提高模型的預(yù)測(cè)能力［6－7］。

2 結(jié)果與分析

2.1 小波分解尺度的確定

采用Mallat算法對(duì)光譜信號(hào)進(jìn)行多尺度小波分解與重構(gòu)，多尺度小波分析在Matlab R2007b平臺(tái)中編程實(shí)現(xiàn)。對(duì)原始光譜曲線進(jìn)行6層“db4”小波分解，分別提取小波低頻系數(shù)進(jìn)行信號(hào)重構(gòu)，重構(gòu)后的信號(hào)與原始光譜信號(hào)進(jìn)行比較，結(jié)果表明，當(dāng)分解尺度小于等于3時(shí)，重構(gòu)后的信號(hào)與原信號(hào)重合，當(dāng)分解尺度等于4時(shí)，水分的特征吸收峰開(kāi)始發(fā)生偏移，當(dāng)分解尺度大于4時(shí)，重構(gòu)后信號(hào)波形失真，即多尺度小波變換的分解尺度不能太高，否則會(huì)引起信號(hào)失真。因此論文選取4階小波分解。

2.2 LS-SVM 模型

用多尺度小波變換對(duì)原始光譜數(shù)據(jù)進(jìn)行4層分解，采用軟閾值法對(duì)光譜數(shù)據(jù)進(jìn)行消噪及數(shù)據(jù)壓縮后，運(yùn)用最小二乘支持向量機(jī)(LS-SVM)在光譜范圍954.23 nm～2 498.48 nm建立回歸模型，采用相關(guān)系數(shù)R作為模型預(yù)測(cè)能力的評(píng)價(jià)指標(biāo)［22－23］。其中LS-SVM采用RBF核函數(shù)，參數(shù)γ和σ2采用二步格點(diǎn)搜索法和留一法相結(jié)合進(jìn)行選擇，分別為2 936.215 6和441.769 67。為便于模型之間的相互比較，在對(duì)6個(gè)溫度的光譜集進(jìn)行建模和預(yù)測(cè)時(shí)，選擇每組光譜集中相同樣品號(hào)的15個(gè)樣品作為驗(yàn)證集。

采用4階小波分解尺度LS-SVM回歸方法在每個(gè)樣品溫度下以32個(gè)校正集樣品建立土壤含水率近紅外光譜定量分析模型，并預(yù)測(cè)沒(méi)有參與建模的15個(gè)樣品，結(jié)果如表1所示。

表1 在各溫度下模型的預(yù)測(cè)結(jié)果

由表1可知，用各自溫度下建立的模型預(yù)測(cè)各自溫度下的樣品，精度都較高。為了分析溫度對(duì)近紅外光譜預(yù)測(cè)土壤含水率的影響，用樣品溫度為20℃的土壤樣品校正集建立模型，預(yù)測(cè)其它各個(gè)溫度下的土壤樣品，預(yù)測(cè)結(jié)果如表2所示。

從表2可知，除了樣品溫度20℃以外，其它樣品溫度下的預(yù)測(cè)均方差都比較大，即樣品溫度不同引起近紅外光譜發(fā)生變化，影響近紅外光譜分析模型的預(yù)測(cè)精度，因此在建模和預(yù)測(cè)時(shí)應(yīng)補(bǔ)償樣品溫度的影響。

2.3 基于多波長(zhǎng)法特征光譜提取

在全譜范圍內(nèi)建立的模型復(fù)雜，且預(yù)測(cè)時(shí)間較長(zhǎng);使用單一波長(zhǎng)建模則信息量少且預(yù)測(cè)結(jié)果不穩(wěn)定，如易受電源電壓不穩(wěn)定等的影響。通過(guò)理論分析和試驗(yàn)研究，論文選取水分在近紅外區(qū)的敏感波長(zhǎng)即特征吸收波長(zhǎng)1450 nm、1940 nm和不敏感即參考波長(zhǎng)1300 nm、1800 nm等4個(gè)波長(zhǎng)處的光譜數(shù)據(jù)進(jìn)行建模分析。

把在不同溫度下測(cè)得的光譜曲線進(jìn)行4層小波分解，分別用每層小波高頻系數(shù)進(jìn)行信號(hào)重構(gòu)，提取重構(gòu)信號(hào)在1450 nm、1940 nm、1300 nm和1800 nm等4個(gè)波長(zhǎng)處的光譜數(shù)據(jù)分別與土壤溫度、土壤含水率進(jìn)行回歸分析，分析結(jié)果如表3所示。

分析表3可知，由第1層小波高頻系數(shù)重構(gòu)信號(hào)與土壤溫度的決定系數(shù)R2為0.6675，與土壤含水率的決定系數(shù)R2為0.4601，即第1層小波高頻系數(shù)主要由溫度引起。第2、3、4層高頻小波系數(shù)重構(gòu)信號(hào)與土壤含水率的決定系數(shù)都高于與土壤溫度的決定系數(shù)，即這幾層小波系數(shù)主要由土壤水分引起。因此，從原始光譜曲線中減去第1層高頻小波系數(shù)重構(gòu)后的信號(hào)可剔除溫度對(duì)光譜的影響。

表3 小波高頻系數(shù)重構(gòu)信號(hào)與土壤溫度、土壤含水率的決定系數(shù)R2

2.4 基于特征光譜和LS-SVM的土壤含水率建模

為了消除由于電源電壓波動(dòng)等外界因素的影響，將提取的特征光譜進(jìn)行如下變換:

式中R1450，R1940，R1300，R1800分別表示水分敏感波長(zhǎng)1450 nm、1940 nm和不敏感波長(zhǎng)1300 nm、1800 nm處的反射率;

在各個(gè)溫度下，以變換后的32個(gè)特征光譜數(shù)據(jù)建立LS-SVM模型，預(yù)測(cè)各個(gè)溫度下未參加建模的15個(gè)樣品，結(jié)果如表4所示。

表4 基于多波長(zhǎng)法各溫度下模型的預(yù)測(cè)結(jié)果

比較表4和表1可知，采用多波長(zhǎng)法建立預(yù)測(cè)模型的預(yù)測(cè)均方差都大于在全譜范圍內(nèi)建立的預(yù)測(cè)模型，但相差不大;通過(guò)試驗(yàn)表明，基于多波長(zhǎng)法和多尺度小波特征光譜提取法建立模型的預(yù)測(cè)速度比在全譜范圍內(nèi)預(yù)測(cè)速度快。

在樣品溫度為15℃下建模，預(yù)測(cè)其它溫度下的樣品，預(yù)測(cè)均方差如表5所示。

表5 基于多波長(zhǎng)法15℃下模型的預(yù)測(cè)結(jié)果

從表5可知，利用特征光譜提取法可較好地消除樣品溫度對(duì)預(yù)測(cè)結(jié)果的影響。15℃模型預(yù)測(cè)其它溫度下土壤含水率的預(yù)測(cè)值與測(cè)量值的關(guān)系如圖1所示，其中圖(a)、(b)、(c)、(d)、(e)、(f)分別為用15℃模型預(yù)測(cè)溫度為30℃、25℃、20℃、15℃、10℃和5℃下土壤含水率的預(yù)測(cè)值與測(cè)量值的關(guān)系圖，預(yù)測(cè)值和測(cè)量值具有較好的線性關(guān)系。

圖1 用15℃模型預(yù)測(cè)其它溫度下土壤含水率的預(yù)測(cè)值與測(cè)量值的關(guān)系圖

3 結(jié)論

(1)采用4階小波分解尺度，在全譜范圍內(nèi)，用樣品溫度為20℃的32個(gè)樣品建立了基于離散小波軟閾值消噪和LS-SVM回歸方法的土壤含水率近紅外定量分析模型，并用此模型預(yù)測(cè)樣品溫度為5℃、10℃、15℃、20℃、25℃和30℃的土壤含水率，結(jié)果表明:樣品溫度影響近紅外光譜土壤含水率的預(yù)測(cè)精度。

(2)采用多尺度小波分析提取了近紅外原始光譜數(shù)據(jù)中對(duì)溫度敏感的數(shù)據(jù)，從原始光譜數(shù)據(jù)中減掉溫度敏感的數(shù)據(jù)，應(yīng)用水分的敏感波長(zhǎng)1450 nm、1940 nm和不敏感波長(zhǎng)1300 nm、1800 nm等4個(gè)波長(zhǎng)處的特征光譜數(shù)據(jù)建立LS-SVM近紅外土壤含水率預(yù)測(cè)模型，試驗(yàn)結(jié)果表明，應(yīng)用多尺度小波特征提取和多波長(zhǎng)法能較好地消除樣品溫度對(duì)預(yù)測(cè)結(jié)果的影響，且預(yù)測(cè)速度較快，為今后田間在線檢測(cè)土壤含水率提供了理論基礎(chǔ)。

［1］肖武，李小昱，李培武，等.基于近紅外光譜土壤水分檢測(cè)模型的適應(yīng)性［J］.農(nóng)業(yè)工程學(xué)報(bào)，2009，25(3):33－36.

［2］李小昱，肖武，李培武，等.基于近紅外傅里葉特征提取方法的土壤含水率檢測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(5):64－67.

［3］孫建英，李民贊，鄭立華，等.基于近紅外光譜的北方潮土土壤參數(shù)實(shí)時(shí)分析［J］.光譜學(xué)與光譜分析，2006，26(3):426－429.

［4］Paulo H F，Ronei J P，Joao C de A.Determination of Organic Matter in Soils Using Radial Basis Function Networks and Near Infrared Spectroscopy［J］.Analytica Chimica Acta 2002，453:125－134.

［5］Michael L Wh，Lin L，Susan L U.Predicting Water Content Using Gaussian Model on Soil Spectra［J］.Remote Sensing of Environment，2004，89:535－552.

［6］Mouazen A M，Baerdemaeker J D，Ramon H.Towards Development of on-Line Soil Moisture Content Sensor Using a Fibre-Type NIR Spectrophotometer［J］.Soil＆ Tillage Research，2005，80:171－183.

［7］Mouazen A M，Maleki M R，Baerdemaeker J D，et al.On-Line Measurement of Some Selected Soil Properties Using a VIS-NIR Sensor［J］.Soil＆ Tillage Research，2007，93:13－27.

［8］蔣煥煜，謝麗娟，彭永石，等.溫度對(duì)葉片近紅外光譜的影響［J］.光譜學(xué)與光譜分析，2008，28(7):1510－1513.

［9］黃康，汪輝君，徐惠榮，等.基于最小二乘支持向量機(jī)的番茄汁糖酸度分析研究［J］.光譜學(xué)與光譜分析，2009，29(4):931－934.

［10］夏俊芳，李小昱，李培武，等.基于小波變換的柑橘維生素C含量近紅外光譜無(wú)損檢測(cè)方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23(6):170－174.

［11］Kawano S，Sato T，Iwamoto M.Determination of Sugars in Satsuma Orange Using NIR Transmittance［C］//Proceedings of the Fourth International Conference on NIR Spectroscopy，by Ed.Murray I，School of Agriculture，Aberdeen，Scotland，1992.

［12］孫通，應(yīng)義斌，劉魁武，等.梨可溶性固形物含量的在線近紅外光譜檢測(cè)［J］.光譜學(xué)與光譜分析，2008，28(11):2536－2539.

［13］李民贊.光譜分析技術(shù)及其應(yīng)用［M］.北京:科學(xué)出版社，2006:70－71.

［14］高鵬程，張一平，張海，等.溫度對(duì)土壤水分性狀的影響［J］.西北林學(xué)院學(xué)報(bào)，2003，8(1):77－79.

［15］Wülfert F，Wim Th K，Age K S.Influence of Temperature on Vibrational Spectra and Consequences for the Predictive Ability of Multivariate Models［J］.Anal.Chem，1998，70:1761－1767.

［16］Wülfert F，Wim Th K，Onno E de N，et al.Linear Techniques to Correct for Temperature-Induced Spectral Variation in Multivariate Calibration［J］.Chemometrics and Intelligent Laboratory System，2000，51:189－200.

［17］Peirs A，Scheerlinck N，Nicolaǐ B M.Temperature Compensation for Near Infrared Reflectance Measurement of Apple Fruit Soluble Solids Contents［J］.Postharvest Biology and Technology，2003，(30):233－248.

［18］張軍，陳華才，陳星旦.近紅外光譜溫度修正定量分析模型的研究［J］.光譜學(xué)與光譜分析，2005，25(6)，890－893.

［19］侯振雨，湯長(zhǎng)青，姚樹(shù)文，等.離散小波變換－支持向量回歸方法及其在谷物分析中的應(yīng)用［J］.河南農(nóng)業(yè)科學(xué)，2006，(8):40－42.

［20］李世勇，王芳，邵學(xué)廣.最小二乘支持向量回歸與偏最小二乘回歸建立煙草總糖NIR預(yù)測(cè)模型比較［J］.煙草科技，2006，(11):45－48.

［21］Chauchard F，Cogdill R，Roussel S，et al.Application of LS-SVM to Non-Linear Phenomena in NIR Spectroscopy:Development of a Robust and Portable SensorforAcidity Prediction in Grapes［J］.Chemometrics and Intelligent Laboratory Systems，2004，71:141－150.

［22］王惠文.偏最小二乘回歸方法及其應(yīng)用［M］.北京:國(guó)防工業(yè)出版社，1999.

［23］徐志龍，趙龍蓮，嚴(yán)衍祿.減小樣品溫度對(duì)近紅外定量分析數(shù)學(xué)模型影響的建模方法［J］.現(xiàn)代儀器，2004，(5):29－31.

［24］劉燕德，應(yīng)義斌.光纖傳感技術(shù)在水果內(nèi)部品質(zhì)檢測(cè)中的應(yīng)用研究［J］.傳感技術(shù)學(xué)報(bào)，2003，(2):170－174.

［25］劉燕德，應(yīng)義斌，蔣煥煜.基于光纖傳感的富士蘋(píng)果糖度檢測(cè)試驗(yàn)研究［J］.傳感技術(shù)學(xué)報(bào)，2003，(3):328－331.