基于近红外光谱的土壤全氮含量估算模型

第28卷第12期农业工程学报Vol.28No.122012年6月TransactionsoftheChineseSocietyofAgriculturalEngineeringJun.2012183基于近红外光谱的土壤全氮含量估算模型张娟娟1,2，田永超2，姚霞2，曹卫星2，马新明1，朱艳2※（1.河南农业大学信息与管理科学学院，郑州450002；2.南京农业大学国家信息农业工程技术中心，江苏省信息农业高技术研究重点实验室，南京210095）摘要：土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息，建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象，利用近红外光谱仪采集土壤样品的光谱信息，结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段，采用多元散射校正等多种预处理方法组合进行处理，结合偏最小二乘法（PLS）对每个波谱区域进行定标建模。结果表明，利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好，其内部互验证决定系数达到0.90，均方根误差为0.16。经不同类型土壤的观测资料检验，模型验证决定系数为0.91，均方根误差为0.15，相对分析误差RPD为3.40，表明模型具有极好的预测能力。因此，利用近红外光谱可以实现土壤全氮的快速估测，且以合频波段（4000～5500cm-1）为建模区域可以得到更好的预测效果。关键词：土壤，全氮，近红外光谱，模型，偏最小二乘法doi：10.3969/j.issn.1002-6819.2012.12.030中图分类号：S153.6；TN219文献标志码：A文章编号：1002-6819(2012)-12-0183-06张娟娟，田永超，朱艳，等.基于近红外光谱的土壤全氮含量估算模型[J].农业工程学报，2012，28(12)：183－188.ZhangJuanjuan,TianYongchao,YaoXia,etal.Estimatingmodelofsoiltotalnitrogencontentbasedonnear-infraredspectroscopyanalysis[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2012,28(12):183－188.(inChinesewithEnglishabstract)0引言快速准确地获取土壤养分信息是精确农业的关键之一。土壤氮素丰缺状况直接影响作物的生长状况及产量品质形成。Kjeldhl或Bremner法等传统土壤氮测定方法耗时、费工、有污染，且时效性弱[1]，难以满足实时监测土壤全氮含量的需要，开发土壤相关参数测定的精密快速的实时分析仪器显得尤为重要。近红外反射光谱（NIRS）技术具有快速高效监测的特点，已在农业及其它许多领域得到广泛应用[2-4]。通过分析土壤全氮含量与土壤近红外反射光谱间的关系建立监测模型，具有较高的预测精度[5-13]。然而，以往土壤近红外光谱模型研究多以全波段区域的光谱信息建立多变量定标模型，虽可以获得较多的样品成分信息，但同时容易受到冗余无关信息和非线性信息的干扰，建立的模型不稳定，很少在实际生产中推广应用。因此筛选在近红外区域与土壤全氮含量相关性收稿日期：2011-06-22修订日期：2012-05-14基金项目：国家自然科学基金项目（30900868）；国家863计划项目（2010AA10A301）；江苏高校优势学科建设工程资助项目（PAPD）；河南科技攻关项目（112102110030）资助作者简介：张娟娟（1979－），女，河南博爱人，博士，讲师，研究方向为农业遥感监测。郑州河南农业大学信息与管理科学学院，450002。Email：[e-mail].※通信作者：朱艳（1976－），女，江苏南通人，博士，教授，研究方向为信息农业。南京南京农业大学/国家信息农业工程技术中心，210095。Email：[e-mail].较高的波段并构建其估测模型，对于快速获取土壤养分信息，实施作物肥料精确管理尤为重要。部分研究基于近红外光谱和高光谱技术，阐明了土壤有机质与可见光-近红外光谱之间的关系，并利用光谱指数等方法建立了有机质的光谱估测模型[14-16]，同时，基于ASDFieldSpecPro地物高光谱数据[17]，比较了不同建模方法对土壤全氮估测的效果。但利用NIRS对土壤全氮进行预测时，如何结合近红外区域分子振动的特点，基于不同波谱区域结合不同的预处理方法进行土壤全氮近红外建模的研究还鲜有报道。为此，本研究利用傅立叶NIRS技术采集不同类型土壤样品的光谱信息，运用偏最小二乘法结合不同的预处理方法优化选择土壤全氮的建模区域，建立适合5种土壤样本全氮含量的适宜估测模型，从而为土壤养分信息获取和肥料精确管理提供技术支持。1材料与方法1.1土壤光谱采集运用Antaris型傅立叶变换近红外光谱仪[14]进行土壤光谱采集。测试方法参见参考文献[14]。1.2土壤样品与全氮化学分析试验土壤样品采集于我国中、东部地区郑州、滑县、宿州、南京、杭州、大丰和上海等地，共包括5种主要土壤类型：水稻土、潮土、砂浆黑土、盐潮土和盐土。土壤样品分别经过风干、磨碎及过筛处理供光谱分析和化学测试使用。土壤样本基本信息和土壤全氮含量的特农业工程学报2012年184征统计参见文献[15-17]。1.3光谱预处理利用Savitzky-Golay7点平滑[18]结合一阶导数和二阶导数来移除噪音对光谱曲线的影响，此外，较多研究[19-20]表明附加散射校正（multiplicativescattercorrection，MSC）可以消除由于样品颗粒不均匀造成的装样误差和颗粒散射对光谱带来的影响，降低土壤样品的不均匀性带来的光谱差异。本研究通过比较选取最优的方法进行建模，进而确定最优的建模波谱区域。1.4数据分析方法采用偏最小二乘法进行建模，先用校正样品集（建模样本，共331个）建立校正模型,再做交叉检验（采用Leave-one-out方法），最后采用独立的数据对模型进行外部验证（测试样本，共129个），建模和测试样本数据的选取参见文献[17]。具体方法：1）选取近红外区域全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段（如图1），采用偏最小二乘法对每个波段分别建立定标模型；2）为了提高模型精度，对不同预处理下的光谱进行定标建模，进而确定定标效果最好的区域。采用以下指标评定模型效果：内部交互验证决定系数Rcv2及均方根误差RMSECV、外部验证决定系数Rv2、预测均方根误差RMSEV及预测相对分析误差RPD。各指标的评价方法参见[21]。2结果与分析2.1土壤全氮含量与近红外光谱的相关分析图1给出不同类型土壤的光谱特征曲线。不同类型土壤整体表现平缓，在近红外区域的光谱曲线在7142cm-1（1400nm）、5263cm-1（1900nm）和4545cm-1（2200nm）存在有明显的吸收峰，这主要是由于水分的吸收引起的。由于土壤全氮的标志基团N-H基团在近红外谱区的特征吸收波长主要有9800～9430、7000～6370、5100～4360cm-1（参见图1），因此该区域也作为土壤全氮定标建模区域。土壤全氮含量与近红外光谱吸光度之间的相关系数见图2。从图上可以看出，吸光度与全氮含量化学值的相关系数绝对值低于0.32，表明多种类型土壤样本的全氮含量与单波长点的吸光度相关不显著，必须考虑用多个谱区内的光谱数据来建立定标模型。图1不同类型土壤的近红外吸收光谱Fig.1Absorptionspectraofdifferentsoiltypes图2土壤全氮含量与近红外光谱吸光度之间的相关系数Fig.2Correlationcoefficientbetweentotalnitrogencontentandspectrumforabsorbanceofsoilsamples2.2不同区域PLS校正模型从图1土壤样品在仪器测定范围（4000～10000cm-1）内的吸收光谱可知，对不同的区域进行组合共有8个区域：全谱（4000～10000cm-1）、一倍频（5500～7000cm-1）、二倍频（7000～10000cm-1）、合频（4000～5500cm-1）、一倍频+合频（5500～7000cm-1+4000～5500cm-1）、二倍频+合频（7000～10000cm-1+4000～5500cm-1）、一倍频+二倍频（5500～7000cm-1+7000～10000cm-1），另外还有“N-H基团”区域。为提高模型精度，对光谱进行不同的预处理，包括附加散射校正、导数及平滑处理，以确定最优的建模波段。表2为不同预处理方法下8个建模区域的定标及外部验证结果。表2基于偏最小二乘法建立的不同区域及预处理方法的土壤全氮含量的标定模型及检验结果Table2CalibrationandvalidationresultsforspectralmodelsofNdevelopedbyPLSwithdifferentwavebandsandpretreatmentmethods(n=331)标定模型外部验证建模区域波数/cm-1预处理方法主因子个数决定系数均方根误差决定系数均方根误差相对分析误差原始光谱140.90.150.850.182.75SG+FD80.760.270.740.222.27SG+SD40.540.370.560.271.88MSC+LOG120.90.160.90.163.11MSC+SG+FD90.830.230.790.182.734000～10000MSC+SG+SD50.590.360.580.252第12期张娟娟等：基于近红外光谱的土壤全氮含量估算模型185续表标定模型外部验证建模区域波数/cm-1预处理方法主因子个数决定系数均方根误差决定系数均方根误差相对分析误差原始光谱90.780.260.740.242.08SG+FD40.560.370.550.281.8SG+SD40.340.450.260.371.34MSC+LOG90.790.250.780.22.54MSC+SG+FD40.660.320.650.242.1310000～7000MSC+SG+SD40.40.430.220.371.36原始光谱70.790.250.650.281.79SG+FD30.440.420.190.391.27SG+SD20.220.50.040.471.08MSC+LOG70.770.260.620.242.07MSC+SG+FD40.590.350.480.291.737000～5500MSC+SG+SD20.260.480.060.41.24原始光谱120.910.160.820.192.66SG+FD90.850.210.760.222.28SG+SD60.530.380.590.251.98MSC+LOG130.90.160.910.153.4MSC+SG+FD90.880.190.820.182.785500～4000MSC+SG+SD50.580.360.60.242.07原始光谱130.920.160.820.192.69SG+FD80.830.230.760.222.24SG+SD40.510.390.560.271.89MSC+LOG120.910.160.840.163.23MSC+SG+FD90.860.210.790.192.627000～4000MSC+SG+SD50.580.360.60.242.07原始光谱100.850.210.750.232.19SG+FD40.570.360.550.281.82SG+SD40.360.450.260.371.35MSC+