可見(jiàn)近紅外光譜的山西玉米地土壤氮含量建模

馬瑋鍵，邢澤炳，韓春風(fēng)，桑梓繁，尚愷霖，李宇航

（山西農(nóng)業(yè)大學(xué) 農(nóng)業(yè)工程學(xué)院，山西 太谷 030801）

氮素在作物生長(zhǎng)發(fā)育過(guò)程中發(fā)揮著重要的作用，而作物所吸收的氮素主要來(lái)源于土壤[1]。氮素作為土壤養(yǎng)分的重要組成成分，其土壤中的氮含量水平影響著作物生長(zhǎng)發(fā)育，氮含量過(guò)少會(huì)引起作物植株矮小，葉片枯黃等問(wèn)題，過(guò)多又會(huì)引起作物植株抗逆性差、環(huán)境污染等問(wèn)題，分析測(cè)定土壤中的氮含量對(duì)于了解土壤氮素供給水平和指導(dǎo)施肥具有重要意義[2-9]。目前，傳統(tǒng)的測(cè)量土壤氮含量方法如凱氏定氮法和堿解擴(kuò)散法，普遍存在測(cè)量時(shí)間長(zhǎng)、操作復(fù)雜等問(wèn)題，無(wú)法快速大規(guī)模測(cè)定土壤氮含量，難以滿足精確農(nóng)業(yè)的需求。近年來(lái)，基于近紅外光譜技術(shù)（Near Infrared，NIR）的分析方法因其快速、無(wú)損的優(yōu)勢(shì)在食品檢測(cè)、藥物檢測(cè)、土壤養(yǎng)分檢測(cè)等領(lǐng)域被廣泛應(yīng)用[10-14]。近紅外波段的光譜特征往往與官能團(tuán)對(duì)紅外光的選擇性吸收有關(guān)（如O-H、N-H、C-H 結(jié)合的化學(xué)鍵對(duì)紅外光的吸收波長(zhǎng)和強(qiáng)度不同），所以，可以利用NIR 測(cè)定土壤中的水分、氮、有機(jī)質(zhì)等參數(shù)[15]。

多年來(lái)，許多專家學(xué)者利用NIR 在檢測(cè)土壤氮含量方面做了大量研究。郭志新等[16]利用NIR 建立了林地土壤養(yǎng)分的預(yù)測(cè)模型，達(dá)到了良好的預(yù)測(cè)效果，為林地土壤肥力檢測(cè)提供了新的方法。彭海根等[17]利用NIR 結(jié)合競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）變量選擇算法，建立了昆明地區(qū)土壤水解氮的預(yù)測(cè)模型，有效預(yù)測(cè)了昆明地區(qū)土壤的水解氮含量。劉燕德等[18]利用NIR 檢測(cè)贛南臍橙果園土壤全氮和有機(jī)質(zhì)，建立了全氮和有機(jī)質(zhì)預(yù)測(cè)模型。綜上所述，許多專家學(xué)者利用NIR 對(duì)不同類型土壤氮含量進(jìn)行檢測(cè)，但對(duì)于山西玉米地土壤的近紅外檢測(cè)研究較少。

土壤的光譜特征是土壤內(nèi)在理化性質(zhì)的綜合反映，土壤的粒度、水分等因素都會(huì)對(duì)土壤的近紅外光譜特征造成影響，不同地區(qū)、不同類型的土壤光譜特征也不同[19]。玉米是山西主要種植作物之一，在我國(guó)糧食生產(chǎn)中具有重要作用。山西多為旱地，玉米作為耐旱作物主要種植在平原臺(tái)地、漫崗地和河谷階地，海拔30～1150 m，年降水量170～800 mm，土壤類型多為白漿土、褐土等，山西玉米地土壤因地理位置和氣候等因素使其不同于其他地區(qū)[20]。

本試驗(yàn)以山西玉米地土壤為研究對(duì)象，探究利用可見(jiàn)近紅外光譜建立土壤氮含量的預(yù)測(cè)模型，并利用不同的預(yù)處理和建模方法優(yōu)化預(yù)測(cè)模型，旨在為利用可見(jiàn)近紅外光譜對(duì)土壤養(yǎng)分分析提供理論依據(jù)。

1 材料和方法

1.1 檢測(cè)儀器

試驗(yàn)使用FieldSpec3 光譜儀采集土壤光譜數(shù)據(jù)，該光譜儀由美國(guó)ASD（Analytical Spectral Devices）公司生產(chǎn)，光譜測(cè)量范圍為350～2500 nm，數(shù)據(jù)間隔為1 nm，波長(zhǎng)精度為±1 nm，波長(zhǎng)重復(fù)性為±0.02 nm，光譜分辨率在350～1000 nm 波段為3 nm，在1000～2500 nm 波段為10 nm。土壤氮含量由中國(guó)力辰科技（LICHEN）公司的全自動(dòng)凱氏定氮儀測(cè)量。

1.2 土壤樣本采集及理化分析

試驗(yàn)土壤來(lái)自山西農(nóng)業(yè)大學(xué)太谷區(qū)玉米試驗(yàn)田，土壤類型為褐土。試驗(yàn)田按8 kg/m2的用量均勻施用有機(jī)肥，經(jīng)過(guò)一季玉米生長(zhǎng)后，采集土壤樣本。采樣深度為0～20 cm，采用梅花法用土鉆采集5 點(diǎn)的混合樣本，挑去其中的樹(shù)葉和小石塊，自然風(fēng)干后研磨成粉末，過(guò)0.42 mm 的篩子，最終得到土壤樣本120 個(gè)。將每份樣本一分為二，一份用于采集光譜數(shù)據(jù)，一份用于測(cè)量土壤全氮含量。試驗(yàn)所測(cè)土壤全氮含量如表1 所示，其中，校正集和預(yù)測(cè)集采用光譜-理化值共生距離（Sample set partitioning based on joint x-y distances，SPXY）算法[21]按2∶1 的比例劃分得到。

表1 土壤全氮實(shí)測(cè)統(tǒng)計(jì)Tab.1 Statistical table of actual measurement of soil total nitrogen

1.3 光譜數(shù)據(jù)測(cè)量

光譜數(shù)據(jù)由光譜儀采用漫反射的形式采集，數(shù)據(jù)采集前，關(guān)閉日光燈，打開(kāi)近紅外光源預(yù)熱20 min，這樣可以確保光源的穩(wěn)定。土壤樣本均勻放置于直徑80 mm 的黑色尼龍樣品盒中。光譜儀采集器置于樣品盒斜上方15 cm 處，光照入射角和采集器角度均為45°。對(duì)每個(gè)樣本采集3 次數(shù)據(jù)，取平均值作為土壤樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)，以減小噪聲和樣品顆粒大小所引起的散射等因素對(duì)光譜數(shù)據(jù)的影響，使光譜數(shù)據(jù)更有代表性。

1.4 數(shù)據(jù)分析

1.4.1 數(shù)據(jù)處理軟件 光譜數(shù)據(jù)平均及轉(zhuǎn)換采用ViewSpecPro 數(shù)據(jù)處理軟件來(lái)完成。光譜預(yù)處理及建模由挪威CAMO 公司的Unscrambler v 10.4 軟件來(lái)完成。樣本集劃分采用SPXY 算法在MATLAB軟件中完成。數(shù)據(jù)圖由Origin 繪圖軟件繪制。

1.4.2 模型驗(yàn)證與評(píng)價(jià) 預(yù)測(cè)模型由決定系數(shù)（Determination coefficient，R2）、預(yù)測(cè)均方根誤差（Root mean square error of prediction，RMSEP）和校正均方根誤差（Root mean square error of calibration，RMSEC）來(lái)評(píng)價(jià)。R2越接近1，RMSE 越小，模型的擬合效果越好；當(dāng)R2＞0.80 時(shí)，就認(rèn)為模型是成功的（Moderately successful）；當(dāng)R2＞0.90 時(shí)，模型為優(yōu)秀（successful）。

1.5 光譜數(shù)據(jù)預(yù)處理方法

試驗(yàn)采集的土壤近紅外光譜數(shù)據(jù)不僅有土壤的光譜特征，還包含有大量的無(wú)關(guān)信息和噪聲，比如樣品背景和雜散光等因素都有可能對(duì)建模分析產(chǎn)生影響，所以，需要利用光譜預(yù)處理方法提高光譜的信噪比。為獲得更好的建模效果，本研究選擇可以消除光譜數(shù)據(jù)中隨機(jī)噪聲的平滑處理（Smoothing）、可以消除樣品顆粒大小和樣品表面散射影響的標(biāo)準(zhǔn)狀態(tài)變換（SNV）、可以提高光譜數(shù)據(jù)穩(wěn)定性和減小偏差的基線校正（Baseline）、可以消除數(shù)據(jù)偏移的去趨勢(shì)處理（Detrend）、可以歸納統(tǒng)一光譜數(shù)據(jù)統(tǒng)計(jì)分布性的歸一化（Normalize）和可以消除光譜散射效應(yīng)和顆粒分布不均勻影響的多元散射矯正（MSC）6 種光譜預(yù)處理方法對(duì)原始光譜數(shù)據(jù)進(jìn)行處理。

1.6 建模方法

不同的建模方法由于原理不同，也會(huì)對(duì)模型精度產(chǎn)生影響。本研究采用可以在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模及更易于辨識(shí)系統(tǒng)信息與噪聲的偏最小二乘法（Partial least square，PLS）、可以有效地解決數(shù)據(jù)分析中高維特征回歸問(wèn)題的支持向量機(jī)（Support vector machine，SVM）和可以降低維數(shù)和解決多重共線性問(wèn)題的主成分回歸（Principal Component regression，PCR）3 種建模方法建立土壤氮含量預(yù)測(cè)模型。

2 結(jié)果與分析

2.1 土壤近紅外光譜分析

將試驗(yàn)所采集的土壤近紅外漫反射光譜數(shù)據(jù)經(jīng)過(guò)平均和轉(zhuǎn)換成吸收光譜數(shù)據(jù)后，得到土壤近紅外光譜圖（圖1），因?yàn)樵?50～500、2300～2500 nm波段內(nèi)的噪聲較大，所以，本研究采用500～2300 nm波段內(nèi)的光譜數(shù)據(jù)。從圖1 可以看出，不同土壤樣本的光譜波形大致相同，在相近的位置都有比較明顯的吸收峰，波峰或波谷出現(xiàn)在1200、1450、1830、1940 nm 等位置。

圖1 土壤近紅外光譜Fig.1 Near-infrared spectroscopy of soil

經(jīng)過(guò)光譜預(yù)處理可有效消除噪聲，圖2 為經(jīng)過(guò)標(biāo)準(zhǔn)狀態(tài)變換（SNV）預(yù)處理后的光譜圖。由圖2可知，經(jīng)過(guò)處理后光譜數(shù)據(jù)的光譜特征更加明顯，噪聲的影響也大大減少，不同土壤樣本的光譜信息差別更容易被解析提取。

圖2 經(jīng)SNV 處理后的光譜Fig.2 The spectroscopy after SNV treatment

2.2 不同模型預(yù)測(cè)效果

2.2.1 PLS 模型預(yù)測(cè)效果 利用原始光譜數(shù)據(jù)及6種預(yù)處理方法結(jié)合PLS建立Original-PLS、Baseline-PLS、Smoothing-PLS、SNV-PLS、Detrend-PLS、Normalize-PLS、MSC-PLS 等7 種土壤氮含量預(yù)測(cè)模型。相關(guān)模型結(jié)果如表2 所示，7 種模型校正集Rc2均大于0.8，可以認(rèn)為模型是成功的，其中Original-PLS、Baseline-PLS 和Smoothing-PLS 模型的預(yù)測(cè)集預(yù)測(cè)效果優(yōu)于其他模型，其均大于0.9，可以認(rèn)為模型的預(yù)測(cè)效果優(yōu)秀。由于試驗(yàn)樣本經(jīng)過(guò)充分過(guò)篩，顆粒大小均勻，且光譜采集時(shí)背景干擾小，儀器性能穩(wěn)定，所以，Original-PLS 與Smoothing-PLS 模型的預(yù)測(cè)效果優(yōu)于其他模型，Rp 2達(dá)到0.907，RMSEP 為0.086。因?yàn)镾moothing 預(yù)處理可以消除光譜數(shù)據(jù)中的隨機(jī)噪聲，所以，選擇Smoothing-PLS 為最佳模型。

表2 土壤光譜預(yù)處理后PLS 建模結(jié)果Tab.2 Modeling results of PLS after soil spectroscopy pre-processing

2.2.2 SVM 模型預(yù)測(cè)效果 土壤光譜預(yù)處理后SVM 建模結(jié)果如表3 所示。

表3 土壤光譜預(yù)處理后SVM 建模結(jié)果Tab.3 Modeling results of SVM after soil spectroscopy pre-processing

SVM 由于不包括主成分降維處理，所以，需要先利用主成分分析（Principal component analysis，PCA）進(jìn)行降維處理。經(jīng)過(guò)降維處理后，前4 個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)到86.23%，包含了原始光譜數(shù)據(jù)的大部分特征信息，選擇這4 個(gè)主成分作為新的輸入變量，用80 份校正集樣本建立Original-SVM、Baseline-SVM、 Smoothing-SVM、 SNV-SVM、Detrend-SVM、Normalize-SVM、MSC-SVM 等7 種預(yù)測(cè)模型，之后利用剩余40 份預(yù)測(cè)集樣本對(duì)所建立的SVM 預(yù)測(cè)模型的精度和預(yù)測(cè)效果進(jìn)行驗(yàn)證。由表3 可知，7 種模型校正集Rc2均大于0.8，所構(gòu)建的模型是成功的，用預(yù)測(cè)集數(shù)據(jù)驗(yàn)證模型預(yù)測(cè)效果后，最佳的預(yù)測(cè)模型為基于Baseline 的SVM 模型，此模型Rp 2達(dá)到0.858，RMSEP 為0.120。與PLS 預(yù)測(cè)模型對(duì)比發(fā)現(xiàn)，SVM 模型沒(méi)有達(dá)到理想的預(yù)測(cè)效果，其預(yù)測(cè)效果均弱于PLS 模型的預(yù)測(cè)效果。

2.2.3 PCR 模型預(yù)測(cè)效果 最后利用PCR 建模方法建立Original-PCR、Baseline-PCR、Smoothing-PCR、SNV-PCR、Detrend-PCR、Normalize-PCR、MSC-PCR等7種土壤氮含量預(yù)測(cè)模型。相關(guān)模型結(jié)果如表4 所示，PCR 模型的建模效果與PLS 模型相近，7 種模型校正集Rc2均大于0.8，可以認(rèn)為所建模型成功，用預(yù)測(cè)集驗(yàn)證預(yù)測(cè)模型精度及預(yù)測(cè)效果，其預(yù)測(cè)效果也與PLS 模型相近，分析對(duì)比7 種模型的預(yù)測(cè)效果，發(fā)現(xiàn)最佳的預(yù)測(cè)模型為基于Baseline的PCR 模型，此模型Rp2達(dá)到0.906，RMSEP為0.087。

表4 土壤光譜預(yù)處理后PCR 建模結(jié)果Tab.4 Modeling results of PCR after soil spectroscopy pre-processing

2.3 建模的對(duì)比及評(píng)優(yōu)

在原始數(shù)據(jù)和6 種預(yù)處理方法的基礎(chǔ)上，使用3 種建模方法建立的最佳模型為Smoothing-PLS、Baseline-SVM 和Baseline-PCR，3 種建模方法的預(yù)測(cè)模型Rc2均大于0.8，都可以有效預(yù)測(cè)土壤全氮含量，用驗(yàn)證集驗(yàn)證預(yù)測(cè)效果，Baseline-SVM 預(yù)測(cè)模型為0.850，預(yù)測(cè)效果弱于Smoothing-PLS 和Baseline-PCR 預(yù)測(cè)模型，Smoothing-PLS 和Baseline-PCR 預(yù)測(cè)模型Rp 2均大于0.9，模型精度達(dá)到了優(yōu)秀水平，其中，基于Smoothing 的PLS 預(yù)測(cè)模型效果更好，Rp2為0.907，RMSEP 為0.086，故Smoothing-PLS 為21 種模型中的最佳模型。圖3 和圖4 為80 個(gè)校正集和40 個(gè)預(yù)測(cè)集經(jīng)Smoothing 預(yù)處理后用PLS 建模的預(yù)測(cè)值和實(shí)測(cè)值的回歸圖，由圖可知，樣本點(diǎn)集中于回歸線附近，預(yù)測(cè)值和實(shí)測(cè)值很接近，達(dá)到了良好的擬合效果。

圖3 土壤全氮校正模型預(yù)測(cè)值與實(shí)測(cè)值關(guān)系Fig.3 Relation between prediction value of soil total nitrogen correction model and measured value

圖4 土壤全氮預(yù)測(cè)模型預(yù)測(cè)值與實(shí)測(cè)值關(guān)系Fig.4 Relation between prediction value of soil total nitrogen prediction model and measured value

3 結(jié)論與討論

對(duì)模型的穩(wěn)定性進(jìn)行分析，PLS、SVM 和PCR等3 種建模方法所建立的最佳模型Rc2分別為0.869、0.898、0.862，對(duì)應(yīng)的Rp 2分別為0.907、0.858、0.906，由此可知，3 種模型擬合效果較好，且校正結(jié)果與預(yù)測(cè)結(jié)果接近，模型不存在過(guò)擬合和欠擬合現(xiàn)象；其中，PLS 模型與PCR 模型效果類似，但PLS模型效果稍好，因?yàn)镻LS 模型是在PCR 模型的基礎(chǔ)上發(fā)展而來(lái)，但PLS 建模方法更易于辨識(shí)系統(tǒng)信息與噪聲[22]，綜合比較，Smoothing-PLS 模型最優(yōu)。張娟娟等[23]研究發(fā)現(xiàn)，對(duì)于土壤鮮樣，基于Smoothing的PLS 預(yù)測(cè)模型效果最佳；對(duì)于土壤干樣，基于Smoothing+Normalize+MSC 的PLS 預(yù)測(cè)模型效果最佳，這與本研究結(jié)果類似，但在預(yù)處理方法選擇上有所不同。

土壤的光譜特征受多種因素的影響，不同地區(qū)不同類型的土壤光譜特征不同，所以，利用NIR 建立的預(yù)測(cè)模型往往也不能直接遷移，光譜模型的泛用性問(wèn)題一直都是NIR 應(yīng)用研究領(lǐng)域的難點(diǎn)[19]。針對(duì)這一問(wèn)題，近年來(lái)一些專家學(xué)者也做了一些研究，周鵬等[24]研究了不同土壤粒度對(duì)基于近紅外離散波長(zhǎng)土壤全氮預(yù)測(cè)精度影響，提出了土壤粒度修正法來(lái)解決土壤粒度的干擾，顯著減小了土壤粒度的影響。鄭文瑞等[25]利用遷移成分分析（TCA）提高了模型在另一地區(qū)使用時(shí)的精度，為速效磷光譜模型的廣泛應(yīng)用提供了新思路。關(guān)于光譜模型泛用性問(wèn)題的研究總體上還研究較少，即便是山西玉米地土壤，就有褐土、白漿土、潮土等類型，在光譜特征上也存在差異[20]。本研究土壤類型僅為褐土，未能全面反映山西土壤類型，模型泛用性不強(qiáng)，將來(lái)通過(guò)加大不同地區(qū)不同類型的土壤樣本數(shù)量，共同建立預(yù)測(cè)模型可能會(huì)減小干擾因素和提高泛用性，今后應(yīng)進(jìn)一步研究。

本研究利用可見(jiàn)近紅外光譜檢測(cè)北方玉米地的土壤全氮含量，在原始數(shù)據(jù)的基礎(chǔ)上，結(jié)合6 種預(yù)處理方法和3 種建模方法建立了21 種預(yù)測(cè)模型，最后選出Smoothing-PLS 預(yù)測(cè)模型為最佳模型，利用模型對(duì)未知土壤全氮含量進(jìn)行預(yù)測(cè)，模型預(yù)測(cè)效果良好，說(shuō)明利用可見(jiàn)近紅外光譜對(duì)土壤氮含量進(jìn)行預(yù)測(cè)是可行的。該模型可有效預(yù)測(cè)山西玉米地土壤全氮含量，為利用可見(jiàn)近紅外光譜對(duì)土壤養(yǎng)分分析提供參考。