基于正交信號校正的Vis-NIR光譜土壤質(zhì)地預(yù)測

王德彩， 蔚 霖， 張俊輝， 楊紅震， 黃家榮， 孫孝林

(1.河南農(nóng)業(yè)大學(xué)林學(xué)院，河南 鄭州 450002；2.河南農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，河南 鄭州 450002； 3.中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣東 廣州 510275)

基于正交信號校正的Vis-NIR光譜土壤質(zhì)地預(yù)測

王德彩1， 蔚 霖2， 張俊輝1， 楊紅震1， 黃家榮1， 孫孝林3

(1.河南農(nóng)業(yè)大學(xué)林學(xué)院，河南 鄭州 450002；2.河南農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，河南 鄭州 450002； 3.中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣東 廣州 510275)

為提高基于VIS-NIR光譜的土壤質(zhì)地預(yù)測精度，引入了正交信號校正(OSC)光譜預(yù)處理算法。分別用原始光譜、微分處理、OSC處理光譜,建立偏最小二乘回歸(PLSR)模型。結(jié)果表明，OSC-PLSR模型驗證精度高于其他兩種方法所建模型，砂粒含量OSC-PLSR模型的RMSEp為5.94，粘粒含量OSC-PLSR模型RMSEp為1.25，相比PLSR模型，分別降低22.22%和9.42%。OSC算法在土壤質(zhì)地的VIS-NIR反演中能有效消除不相關(guān)因素的影響，提高模型預(yù)測精度。

Vis-NIR光譜；土壤質(zhì)地；正交信號校正；偏最小二乘回歸

土壤質(zhì)地作為一種比較穩(wěn)定的土壤自然屬性，對土壤物理和化學(xué)性質(zhì)有重要影響，特別是在土壤結(jié)構(gòu)、孔隙、保水性等方面[1-2]。測定土壤質(zhì)地一般采用傳統(tǒng)的比重計法和激光粒度儀法，均需要進行野外大規(guī)模采樣和前期處理工作，且無法解釋區(qū)域土壤質(zhì)地的確定問題。光譜方法因其快速、簡便等優(yōu)點被用來估測土壤顆粒含量。高光譜數(shù)據(jù)為土壤評價與理化性質(zhì)的監(jiān)測提供了強有力的工具，該技術(shù)已經(jīng)被廣泛應(yīng)用于土壤濕度、有機質(zhì)含量、土壤質(zhì)地等方面。1965年BOWER等[3]指出，影響土壤反射的因素主要有有機質(zhì)含量、表面粗糙度、氧化鐵含量、土壤水分含量和土壤質(zhì)地。土壤光譜特征主要受土壤的有機質(zhì)含量、氧化鐵含量、質(zhì)地、含水量及母質(zhì)類型等特征的影響[4]。土壤質(zhì)地因其影響土壤持水能力，所以對光譜反射率有很大影響[5]。研究表明，近紅外光譜分析技術(shù)具有可以在短時間內(nèi)分析大量土樣、實現(xiàn)土壤參數(shù)的實時在線測量的能力，適應(yīng)精準農(nóng)業(yè)的發(fā)展要求[6]。張娜等[7]和白燕英等[8]運用回歸和BP神經(jīng)網(wǎng)絡(luò)建立光譜反射率進行土壤質(zhì)地模擬，結(jié)果均較為滿意。Vis-NIR光譜可以預(yù)測土壤質(zhì)地[9-10]?；谡煌队暗恼恍盘栃Ｕ?Orthogonal Signal Correction, OSC)算法作為一種光譜過濾手段于1998年由WOLD等[11]提出。傳統(tǒng)土壤質(zhì)地的高光譜處理方式是消除顏色等對光譜的影響。而OSC算法可以通過正交的數(shù)學(xué)方法將光譜陣用濃度陣正交，濾除光譜與濃度陣不相關(guān)的正交主成分，最大量地保留與濃度陣信息有關(guān)的光譜特征。劉賢等[12]研究表明,基于OSC算法的預(yù)處理方法在秸稈飼料近紅外光譜模型可用于實際預(yù)測。張海東等[13]在對蘋果的近紅外光譜進行預(yù)處理時結(jié)合偏最小二乘法，發(fā)現(xiàn)OSC算法能有效濾除原始光譜中的部分噪聲，但又保留原光譜中的主要信息。胡國田等[14]發(fā)現(xiàn)采用OSC算法在多類型土壤的磷和鉀的VNIR測定中能有效消除由于土壤質(zhì)地、類型等引起的噪聲信息。宋海燕等[15]發(fā)現(xiàn)將OSC算法和偏最小二乘算法回歸(PLSR)相結(jié)合，可以有效消除噪聲信息對土壤有機質(zhì)含量預(yù)測的影響。OSC算法與PLSR的聯(lián)合應(yīng)用在多元數(shù)據(jù)校正上體現(xiàn)出良好的前景。本研究采用OSC算法對土壤光譜進行數(shù)據(jù)預(yù)處理，然后采用偏最小二乘回歸建立土壤顆粒含量的定量分析模型，以提高土壤質(zhì)地的預(yù)測精度，為土壤質(zhì)地的高光譜反演提供一種新的預(yù)處理方法。

1 材料與方法

1.1土壤樣本采集和質(zhì)地分析

本研究從河南省封丘縣采集土壤樣本，樣品采集時間是2013-06-28—2013-07-02。莊稼完全收割后。在封丘縣境內(nèi)共設(shè)置103個采樣樣點，主要土壤類型為雛形土。采樣深度為0～20 cm，采樣方法為五點混合法。以多點混合方式采樣，每個采樣點中心及四角周圍10 m采5個樣進行混合，均勻采取5個表層土樣混合而成。將采回的樣本在室內(nèi)攤開，自然風(fēng)干后磨碎并過2 mm 篩后取1份用于實驗室質(zhì)地分析，另1份樣本用于光譜分析。土壤質(zhì)地采用激光衍射法(Beckman Coulter LS230，USA，測試粒徑范圍0.04～2 000μm) 測定。本研究在土壤質(zhì)地分類標準上，采用美國制粘粒(<0.002 mm)、粉粒(0.002～0.05 mm)及砂粒(0.05～2 mm),3種粒級之和為100%，得知其中任意2個粒級含量，便可知第3種粒級含量，所以本試驗只對粘粒和砂粒進行研究。

1.2測量儀器及方法

使用ASD公司的FieldSpec 3型光譜儀，波長范圍為350～2 500 nm，在室溫環(huán)境下，掃描獲得樣本的反射率，重采樣間隔為1 nm，輸出波段數(shù)為2 151。操作過程在黑暗環(huán)境的實驗室進行，光譜測量幾何條件：光源方位角70°，光源照射方向與垂直方向夾角50°，光源到土壤表層中心的距離為40 cm，光纖探頭視場角為10°，探頭垂直土樣表面，探頭到土樣表面距離為15 cm。每個樣品旋轉(zhuǎn)4次，每個角度掃描5次，共20次，取平均值作為其樣本光譜。每次測量前進行標準白板校正。由于350～380 nm 與2 450～2 500 nm 信噪比低，故本研究去除上述波段[16]，選取380～2 450 nm 波段的反射光譜。

1.3光譜處理和分析

為消除光譜中的噪聲、提高模型預(yù)測精度，采用OSC算法對預(yù)處理的光譜進行處理。隨著各國化學(xué)計量學(xué)者的不斷研究，現(xiàn)已發(fā)展有多種OSC算法，其中常用的有：S Wold、NIPALS、Fearn、O-PLS、POSC、DO、DOSC算法。DO算法是直接將光譜陣與濃度陣正交來濾除無關(guān)的信號[17]。因此，DO算法較簡單，運行速度快，其運算步驟如下[18]：

(1) 將原始校正集光譜陣X(n×m)和濃度陣Y(n×1)進行均值化中心化或標準化處理 ；

(2) 計算M=X′Y(Y′Y)- 1；

(3) 計算Z=X-YM′；

(4) 對Z進行主成分分析 ，取前f個需正交處理的得分矩陣Tf和載荷矩陣Pf；

(5) 計算新的Tf，Tfnew=XPf；

(6)XOD=X-TfnewPf′；

(7) 對于預(yù)測向量Xnew，由載荷Pf求出校正后的光譜：T=XnewPf,X’OD=Xnew-TPf′。

本研究中的OSC預(yù)處理運行程序在Matlab 2012 b(The Math Natick，美國)中進行，正交主因子數(shù)的選取是根據(jù)累計貢獻率來確定的，即累計選取貢獻率達到85%以上所對應(yīng)的因子數(shù)為最佳主因子數(shù)。

1.4模型的建立與驗證

采用分層機械取樣法，把98個樣本數(shù)據(jù)分為2個數(shù)據(jù)集，建模樣本集(66個)和驗證樣本集(32個)，其中建模樣本占2/3，驗證樣本占1/3。

1.4.1 模型建立 本研究采用PLSR 建立土壤質(zhì)地與光譜之間的定量模型，通過UNSCRAMBLER 9.7(CAMO ASA, Trondheim, Norway)完成。PLSR是一種常用的全光譜多元分析方法，該方法是將主成分分析和回歸分析相結(jié)合，在分解時將光譜矩陣X和濃度矩陣Y同時進行分解，且充分考慮X和Y之間的關(guān)系，加強對應(yīng)計算關(guān)系，從而保證獲得最佳的校正模型[19]。PLSR建模中，最優(yōu)主成分數(shù)量的選擇是建模的關(guān)鍵，本研究采用完全交叉驗證(Full cross validation)輸入20個潛在因子數(shù)進行建模，首次出現(xiàn)局部最小值時的主成分數(shù)目為最優(yōu)模型主成分數(shù)目[20]。

1.4.2 模型建立和驗證評價參數(shù) 選取土壤質(zhì)地實測值和預(yù)測值之間的決定系數(shù)R2、均方根誤差RMSE、相對均方根誤差RRMSE、相對分析誤差RPD評價模型、平均誤差ME、平均絕對誤差MAE。

(1)

RRMSE=(RMSEO-RMSEOSC)/RMSEO×100%

(2)

(3)

(4)

(5)

式中：Pj，Oj分別為預(yù)測值、實測值，N為樣本數(shù)。RMSE是對模型精度及穩(wěn)定性的度量；RRMSE表示模型均方根誤差相對減少比例；ME和MAE是對模型的總體準確度的度量；模型精度根據(jù)RPD和R2分為3種類型：RPD>2.0 說明模型較好；RPD<1.4時，模型不可靠；1.4

2 結(jié)果與分析

2.1土壤質(zhì)地統(tǒng)計特征分析

由表1可知，6組樣本峰度和偏度為0～1.41，土壤質(zhì)地數(shù)據(jù)接近正態(tài)分布。此次試驗總樣本數(shù)為98，建模樣本和驗證樣本按2∶1的比例挑選，且建模樣本和驗證樣本均涵蓋了總樣本量的數(shù)據(jù)分布范圍，有很好的代表性。

圖1和圖2分別是樣本中其中一個樣本的反射光譜圖和經(jīng)過OSC校正后的光譜圖。由于350～380 nm與2 400～2 500 nm信噪比低，故去除只保留380～2 400 nm波段的反射光譜數(shù)據(jù)?？梢钥吹浇?jīng)過OSC算法預(yù)處理后，光譜1 400 nm處的吸收峰明顯消失，且光譜形狀發(fā)現(xiàn)明顯變化。

表1 土壤質(zhì)地統(tǒng)計結(jié)果Table 1 Statistical of soil texture

圖1 66號樣本反射光譜圖Fig.1 Reflectance spectral of sample No.66

2.2PLSR定量模型的建立參數(shù)及驗證結(jié)果

分別用原始光譜、OSC算法處理、微分處理3種方法建立預(yù)測模型。各模型參數(shù)和預(yù)測結(jié)果如表2。

由表2可知，粘粒模型中，各光譜模型驗證均方根誤差為1.25～1.42，MAE為1.00～1.09，誤差均較小。模型建立的決定系數(shù)0.83小于模型驗證的0.89，說明驗證集里的樣本數(shù)據(jù)對建模集本身有更好的支持。模型建立的均方根誤差稍差，模型驗證的均方根誤差小于其他2個模型。且經(jīng)OSC校正后模型的相關(guān)系數(shù)都有所提高，說明模型的可解釋性明顯增強。相比PLSR模型，OSC-PLSR模型的均方根誤差為1.25，降低9.42%，決定系數(shù)為0.89，提高3.49%，相對分析誤差為2.76，提高10.40%。采用OSC處理過的光譜模型結(jié)果略優(yōu)于其他兩個模型，提升不顯著。

圖2 OSC校正后的66號樣本反射光譜圖Fig.2 Reflectance spectral of sample No.66 after OSC correction

表2 不同模型的校正樣本和預(yù)測樣本統(tǒng)計參數(shù)

注：“O-PLSR”表示原始光譜的偏最小二乘回歸模型； “D-PLSR”表示一階微分處理后的偏最小二乘回歸模型; “OSC-PLSR”表示OSC校正處理后的偏最小二乘回歸模型；RRMSE表示相對原始光譜的偏最小二乘回歸模型的RMSE提高程度。

Note: “O-PLSR” means the partial least squares regression model of original spectrum; “D-PLSR” means the partial least squares regression of first order differential treatment; “OSC-PLSR” means the partial least squares regression after the orthogonal signal correction model; RRMSE means improvement degree of relative RMSE of O-PLSR.

砂粒模型中，各光譜模型驗證均方根誤差為5.94～7.54，MAE為4.51～5.53，誤差大于粘粒模型。模型建立的3個參數(shù)方面，采用OSC處理過的光譜模型結(jié)果優(yōu)于其他2個模型；在模型驗證中，OSC-PLSR模型的均方根誤差5.94明顯低于7.54和6.90，決定系數(shù)0.79高于0.68和0.71。OSC-PLSR方法的模型建立和模型驗證的均方根誤差均小于O-PLSR和D-PLSR的方法，且經(jīng)OSC校正后模型的相關(guān)系數(shù)都有所提高，說明模型的可解釋性明顯增強。相比PLSR模型，OSC-PLSR模型的均方根誤差為5.94，降低21.22%，決定系數(shù)為0.79，提高16.18%，相對分析誤差為2.03，提高26.88%。采用OSC處理過的光譜模型結(jié)果明顯優(yōu)于其他2個模型，提升顯著。圖3給出砂粒含量預(yù)測值和實測值散點圖，基于OSC-PLSR模型的砂粒含量預(yù)測值和實測值分布離散程度也明顯低于其他2個模型。圖4給出粘粒含量預(yù)測值和實測值散點圖，粘粒含量各模型對應(yīng)預(yù)測值和實測值散點圖差異不顯著，基于OSC-PLSR模型砂粒含量預(yù)測值和實測值分布離散程度略低于其他2個模型。

圖3 不同校正模型砂粒含量預(yù)測值和實測值之間關(guān)系Fig.3 Correlation diagram between measured values and predictive values for different models of sand content

土壤質(zhì)地是土壤不同粒徑顆粒的組成，其不僅可以影響土壤的蓄水能力進而影響光譜反射，而且本身土壤顆粒大小對土壤光譜反射率也有顯著影響。在PLSR模型和平滑處理模型中，經(jīng)過處理的光譜信息不包括與濃度陣質(zhì)地?zé)o關(guān)信息，因此其預(yù)測能力低于OSC-PLSR模型。粘粒含量模型和砂粒含量模型經(jīng)過OSC處理，通過正交的方式去除了自變量光譜矩陣中的噪聲信號，減少了由土壤顏色等引起的差異，因此模型的預(yù)測能力有所提高，尤其砂粒含量預(yù)測精度提升明顯。這是因為光譜之所以能預(yù)測土壤質(zhì)地，一是基于不同質(zhì)地土壤粗糙度引起的光譜曲線差異，二是基于不同土壤黏粒礦物引起的吸收峰的差異。而常用的光譜預(yù)處理方法，如微分處理，常常將土壤粗糙度引起的光譜曲線的變化作為干擾去除，因此不利于土壤質(zhì)地，尤其是砂粒含量的預(yù)測，OSC算法在保留濃度陣(質(zhì)地信息)相關(guān)信息的基礎(chǔ)上去除干擾因素，加強與土壤質(zhì)地的關(guān)系，因此可提高模型預(yù)測精度。

圖4 不同校正模型粘粒含量預(yù)測值和實測值之間關(guān)系Fig.4 Correlation diagram between measured values and predictive values for different models of clay content

3 結(jié)論

采用OSC算法校正處理的光譜建立砂粒含量和粘粒含量預(yù)測模型，并與原始光譜和微分處理光譜模型進行對比，OSC-PLSR模型預(yù)測結(jié)果明顯優(yōu)于原始光譜和微分處理的模型，且砂粒含量預(yù)測精度提升度高于粘粒含量。砂粒含量RMSEp為5.94，粘粒含量RMSEp為1.25，相比PLSR模型，分別降低22.22%和9.42%。傳統(tǒng)的光譜處理方式，如微分處理，往往將土壤質(zhì)地引起的光譜曲線的細微變化當(dāng)作干擾因素消除掉，不適宜預(yù)測土壤質(zhì)地的光譜預(yù)處理。OSC算法在保留濃度陣(質(zhì)地信息)相關(guān)信息的基礎(chǔ)上去除干擾因素，強化與土壤質(zhì)地的關(guān)系，提高了模型預(yù)測精度，為土壤質(zhì)地高光譜反演提供了一種可靠的光譜預(yù)處理方法。

[2] HUMMEL J W, SUDDUTH K A, HOLLINGER S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor [J]. Computers & Electronics in Agriculture, 2001, 32(1):149-165.

[3] BROWN D J, BRICKLEMYER R S, MILLER P R. Validation requirements for diffuse reflectance soil characterization models with a case study of VNIR soil C prediction in Montana [J]. Geoderma, 2005, 129(3):251-267.

[4] 徐彬彬.土壤剖面的反射光譜研究[J].土壤,2000,32(6):281-287.

[5] 童慶禧,張兵,鄭蘭芬.高光譜遙感:原理、技術(shù)與應(yīng)用[M].北京:高等教育出版社,2006:246-289.

[6] 何東健,楊成海,楊青,等.面向精準農(nóng)業(yè)的農(nóng)田土壤成分實時測定研究進展[J].農(nóng)業(yè)工程學(xué)報,2012,28(7):78-85.

[7] 張娜,張棟良,李立新,等. 基于高光譜的區(qū)域土壤質(zhì)地預(yù)測模型建立與評價—以河套灌區(qū)解放閘灌域為例[J]. 干旱區(qū)資源與環(huán)境,2014, 28(5):67-72.

[8] 白燕英,魏占民,劉全明,等. 基于高光譜的河套灌區(qū)農(nóng)田表層土壤質(zhì)地反演研究[J]. 地理與地理信息科學(xué),2013,29(5):68-71.

[9] 曾慶猛,孫宇瑞,嚴紅兵,等.土壤質(zhì)地分類的近紅外光譜分析方法研究[J].光譜學(xué)與光譜分析,2009,29(7):1759-1763.

[10] 沈掌泉,單英杰, 王珂.田間行走式測定的紅外光譜數(shù)據(jù)與土壤質(zhì)地之間的相關(guān)性研究[J].光譜學(xué)與光譜分析,2009,29(6):1526-1530.

[11] WOLD S, ANTTI H, LINDGERN F, et al. Orthogonal signal correction of near-infrared spectra[J]. Chemometrics and Intelligent Laboratory Systems,1998,44:175-185.

[12] 劉賢,韓魯佳,楊增玲,等. 基于正交信號校正的秸稈青貯飼料粗蛋白近紅外分析模型傳遞方法[J]. 分析化學(xué),2012,40(4):596-601.

[13] 張海東,趙杰文,劉木華. 基于正交信號校正和偏最小二乘(OSC/PLS)的蘋果糖度近紅外檢測[J]. 食品科學(xué),2005,26(6):189-192.

[14] 胡國田,何東健,KENNETH A S. 基于直接正交信號校正的土壤磷和鉀VNIR測定研究[J]. 農(nóng)業(yè)機械學(xué)報,2015, 46(7):139-145.

[15] 宋海燕,何勇. 基于OSC和PLS的土壤有機質(zhì)近紅外光譜測定[J]. 農(nóng)業(yè)機械學(xué)報,2007,38(12):113-115.

[16] 周清. 土壤有機質(zhì)含量高光譜預(yù)測模型及其差異性研究[D].杭州: 浙江大學(xué),2004.

[17] ANDERSSON C A. Direct orthogonalization[J].Chemometr Intell Lab Syst, 1999, 47(1): 51-63.

[18] 褚小立,袁洪福,陸婉珍,等.近紅外分析中光譜預(yù)處理及波長選擇方法進展與應(yīng)用[J].化學(xué)進展,2004,16(4):528-542.

[19] 陸婉．現(xiàn)代近紅外光譜分析技術(shù)(第二版)[M]．北京：中國石化出版社，2006:46-47．

[20] BROWN D J, BRICKLEMYER R S, MILLER P R. Validation requirements for diffuse reflectance soil characterization models with a case study of VNIR soil C prediction in Montana [J]. Geoderma, 2005, 129(3):251-267.

[21] CHANG C W, LAIRD D A, MAUSBACH M J. Near infrared reflectance spectroscopy-principal components regression analyses of soil properties [J]. Soil Science Society of America Journal, 2001, 65(2): 480-490.

(責(zé)任編輯：李瑩)

PredictionofsoiltextureusingVis-NIRspectrabasedonorthogonalsignalcorrection

WANG Decai1， WEI Lin2， ZHANG Junhui1， YANG hongzhen1， HUANG Jiarong1， SUN Xiaolin3

(1.College of Forestry, Henan Agricultural University, Zhengzhou 450002, China； 2.College of Resources and Environment, Henan Agricultural University, Zhengzhou 450002, China; 3.College of Geographical Science and Planning, Sun Yat-sen University, Guangzhou 510275, China)

In order to improve the prediction accuracy soil texture based on VIS-NIR spectra this paper introduces the orthogonal signal correction (OSC) spectra pretreatment method. Separate partial least squares regression (PLSR) model was established using the original spectrum, derivative analysis spectra, and OSC processing spectra respectively. The results showed that OSC-PLSR model validation’s accuracy is higher than that of the other two models. The RMSEp of prediction from the OSC-PLSR models of content of sand and clay separates were 5.94 and 1.25, which were 22.22% and 9.42% lower than of the PLSR model respectively. The results of this research showed OSC algorithm can effectively eliminate the influence of unrelated factors and improve the accuracy of prediction when using Vis-NIR spectra to predict soil texture.

Vis-NIR spectroscopy; soil texture; orthogonal signal correction; partial least squares regression

S127

：A

2015-12-29

國家自然科學(xué)基金項目(41201210)

王德彩(1983-)，女，山東費縣人，講師，博士，主要從事3S技術(shù)及其應(yīng)用研究。

黃家榮(1957-)，男，貴州水城人，教授，博士。

1000-2340(2017)03-0408-06