基于OSC的土壤全氮近紅外光譜測定

楊 超，邢艷秋，李俊明

(東北林業(yè)大學森林作業(yè)與環(huán)境研究中心，哈爾濱 150040)

土壤氮素是植物生長所必須的營養(yǎng)元素，直接影響著植物的生產(chǎn)發(fā)育，是土壤肥力的重要指標之一。傳統(tǒng)的土壤全氮含量測定由于耗時、低效、成本高并且時效性差等缺點，難以滿足當前大區(qū)域快速監(jiān)測的需求。而近紅外光譜分析技術的出現(xiàn)和發(fā)展，被證明可以在土壤全氮含量實時快速測定方面具有巨大潛力［1－2］。于飛建［3］等采用一階導數(shù)結(jié)合偏最小二乘法估測土壤全氮含量，模型精度達到0.88。張娟娟［4］等研究了我國不同地區(qū)主要類型土壤全氮含量與近紅外光譜之間的關系，結(jié)果表明，采用Norris濾波平滑后的一階導數(shù)光譜建立估算模型能有效估算土壤全氮含量。黃明祥［5］等對不同濾波器去噪效果進行定量評價，通過對比發(fā)現(xiàn)小波去噪既能達到曲線平滑又能較好地保證波段特征。以上研究表明，采用近紅外光譜技術估測土壤全氮含量是可行的，但是上述研究在進行光譜預處理的時候，并沒有考慮到濃度對光譜的影響，在濾澡過程中同時會損失部分與待測品質(zhì)相關的光譜信息［6］。而正交信號校正 (Orthogonal Signal Correc-tion，OSC)方法在進行光譜與處理時，卻能很好地消除光譜矩陣中一些與待測品質(zhì)無關的噪聲信號，從而達到提高預測模型的需求。

本研究以松嫩平原不同類型土壤全氮含量為研究對象，采用近紅外光譜技術，結(jié)合正交信號校正預處理方法，對土壤全氮進行估測，從而為提高近紅外光譜反演土壤全氮含量精度提供方法支持。

1 材料與方法

1.1 試驗材料

本研究試驗區(qū)為松嫩平原齊齊哈爾和綏化地區(qū)，共采集鹽堿地、農(nóng)田以及林地樣本228個，采樣深度0～20 cm。土壤樣品經(jīng)過風干、研磨后，分別過20目和100目篩，20目篩樣品進行光譜分析，100目篩樣品采用半微量凱氏定氮法進行土壤全氮含量測定。

1.2 光譜測定

本研究使用美國ASD公司生產(chǎn)的FieldSpec3系列野外便攜式地物波譜儀進行光譜測定。光譜范圍為350～2 500 nm，在350 nm到1 050 nm處采樣間隔是1.4 nm，1 000 nm到2 500 nm區(qū)間采樣間隔為2 nm，重采樣間隔1 nm。測定光譜時，光源使用鎢燈，鎢燈與法線成15度角照射土壤樣本，光學纖維探頭以距樣品表面10 cm高處垂直于樣品進行光譜采集。采集時，盡量使土壤樣本表面平整，并旋轉(zhuǎn)樣本，共采集10次，求其平均值。每采集3個樣本光譜，進行反射白板校正1次。

1.3 光譜預處理方法

在采集近紅外光譜信息的過程中，除了樣品本身的光譜性質(zhì)的影響外，導致近紅外光譜基線漂移和光譜不重復的因素中往往還包含一些與待測樣品性質(zhì)無關的因素。為盡可能獲得準確的光譜信息，在進行光譜分析前，對原始光譜進行預處理分析，消除與樣品本身信息無關的噪聲非常必要。本研究擬采用平滑、多元散射校正 (MSC)以及OSC方法對原始光譜進行預處理。其中平滑可以很好的降低隨機噪聲，而MSC可以有效的消除由于樣本表面不均勻等引起的散射影響。基于正交投影的政教信號校正由S．Wold1998年作為一種光譜過濾方法提出［7］。該方法的基本思想是濾除原始光譜矩陣X中與待測品質(zhì)Y不相關的部分信號。以上數(shù)據(jù)分析均在Unscrambler V9.5和matlab7.0中實現(xiàn)。

OSC具體算法如下:

(1)將原始光譜矩陣X與濃度矩陣Y進行標準化。

(2)對于Y正交的主成分t賦值。

(3)計算tnew=(1 －Y(Y′Y) －1Y′)t，特征向量ω=X－tnew。

(4)根據(jù)新計算得到的X、ω計算正交主成分t，t=Xω。

(5)檢驗收斂性，如果‖t－told‖/‖t‖＜10－6，收斂轉(zhuǎn)到 (6)，否則返回 (3)。

(6)計算載荷向量，p′=t′X/(t tnew)。

(7)從X中減去與Y正交的部分，E=X－t p′。

(8)將E作為新的X，計算新的與X正交的主成分，直到合適為止，通常只需兩個正交主成分便可達到良好的精度。

(9)將經(jīng)過正交信號校正的光譜矩陣X作為新矩陣，建立模型。

(10)未知樣品的預測，同樣要經(jīng)過正交信號校正，利用最后得到的殘差向量e，根據(jù)校正模型即可對未知樣品進行預測。

1.4 建模與評價

本研究采用偏最小二乘法建立土壤全氮含量反演模型，利用交叉驗證和外部驗證相結(jié)合對模型進行評價，評價指標為決定系數(shù)R2和均方根誤差RMSEV。其中，228個樣本中隨機抽取150個樣本作為校正集，用于反演模型建立和交叉驗證;其余78個樣本作為外部驗證集對反演模型進行評價。模型的建立與評價研究在matlab7.0中實現(xiàn)。

2 結(jié)果與分析

2.1 數(shù)據(jù)庫的建立

表1為不同類型土壤樣本全氮含量統(tǒng)計值。由表1可以看出，土壤全氮含量在農(nóng)田、林地及鹽堿地中有較大差異，變化幅度較大，有利于模型的建立。其中林地土壤含氮量最好，農(nóng)田次之，鹽堿地土壤全氮含量最低。圖1為不同類型土壤樣本光譜數(shù)據(jù)，可以看出，所有樣本在1 900 nm處均有一個大的水分吸收峰，樣本反射率大小順序依次為鹽堿地＞農(nóng)田＞林地，這主要因為林地土壤含有豐富的腐殖質(zhì)顏色較深，吸光度較大，從而反射率較低，而鹽堿地土壤顏色較淺反射率高。同時，在1 000 nm處產(chǎn)生一個小的階躍，主要是由于光譜儀器自身350～1 000 nm段所使用的探測器與1 000～2 500 nm段使用的探測器類型不同造成的。

表1 土壤全氮測定結(jié)果Tab.1 Measurements of the soil total nitrogen g·kg－1

圖1 不同類型土壤樣本光譜Fig.1 Original near infrared spectra of the different types of soil

2.2 預處理方法的比較

為了比較不同預處理方法的建模效果，本研究對原始光譜分別采用平滑、平滑+MSC、平滑+MSC+OSC等方法進行建模前降噪處理，結(jié)合偏最小二乘法進行建模。結(jié)果見表2。其中以采用平滑+MSC+OSC方法對原始光譜進行預處理，主因子個數(shù)為4時，建模精度最高，決定系數(shù)R2為0.990 1，均方根誤差為0.297 5;直接采用原始光譜進行建模，效果不理想，決定系數(shù)R2為0.672 0，均方根誤差為0.421 5。說明OSC可以有效的去除與濃度陣無關的光譜信息，提高了預測模型的精度。因此，可以看出選擇合適的預處理方法對提高土壤全氮近紅外光譜預測模型的精度非常必要，平滑+MSC+OSC預處理方法可以滿足預測模型的要求。

表2 不同光譜預處理方法的PLS模型內(nèi)部交叉驗證結(jié)果Tab.2 Internal cross-validation results of different pretreatment methods

2.3 OSC因子比較分析

表3為不同OSC因子個數(shù)結(jié)合PLS建模結(jié)果。可以看出，原始光譜建立的PLS模型交叉驗證決定系數(shù)為0.672 0，均方根誤差為0.421 5，外部驗證決定系數(shù)為0.712 6，均方根誤差為0.398 2，建立PLS模型時主因子個數(shù)為13，不僅模型比較復雜精度較低，并且模型不是很穩(wěn)定。當OSC因子個數(shù)為6時建立的PLS模型，模型主因子個數(shù)為4，模型精練，內(nèi)部交叉驗證決定系數(shù)和均方根誤差分別為0.990 1和0.297 5，外部驗證決定系數(shù)和均方根誤差分別為0.926 1和0.283 6，模型精度很高，并具有很高的穩(wěn)定性。對原始光譜進行OSC校正時，隨著OSC因子個數(shù)的增加，預測模型的精度有所提高。

表3 不同OSC因子個數(shù)建模結(jié)果Tab.3 Modeling results for different number of OSC factors

2.4 模型的建立與驗證

偏最小二乘法PLS是進行光譜多元定量校正時最常用的一種方法，在建模過程中集中了典型相關分析、主成分分析和線性回歸分析的工作特點［8－10］。本研究采用偏最小二乘法建立土壤全氮近紅外光譜預測模型。圖2(a)和圖2(b)分別為預測模型內(nèi)部交叉驗證和外部驗證結(jié)果，采用平滑+MSC+OSC方法對光譜進行預處理，OSC因子個數(shù)和PLS主因子個數(shù)分別為6和4，相關系數(shù)R2較大分別為0.990 1和0.926 1，說明光譜陣與濃度陣相關性強，均方根誤差較小分別為0.297 5和0.283 6。這表明通過結(jié)合OSC和PLS法建立土壤全氮近紅外光譜預測模型預測精度較高，穩(wěn)定性強。

圖2 模型交叉驗證結(jié)果Fig.2 Model validation results

3 結(jié)論與討論

土壤的反射光譜包含了極其豐富的土壤信息，是土壤性狀的綜合體現(xiàn)，常用的預處理方法都有一定的局限性，可能導致土壤反射光譜信息冗余或者缺失。本研究采集了松嫩平原不同類型土壤樣本，采用OSC法對土壤近紅外光譜進行預處理，結(jié)合偏最小二乘法建立了土壤全氮含量的估測模型，利用交叉驗證和外部驗證相結(jié)合的方法對模型進行評價分析。結(jié)果顯示，不同的預處理方法對建模結(jié)果影響較大，其中采用平滑+MSC+OSC對光譜進行預處理，建模結(jié)果最優(yōu)，內(nèi)部交叉驗證決定系數(shù)和均方根誤差分別為0.990 1和0.297 5，外部驗證決定系數(shù)和均方根誤差分別為0.926 1和0.283 6。總體看來，OSC可以很好的去除光譜陣中與濃度陣無關的噪聲信號，并且隨著OSC因子個數(shù)的增加，PLS模型的精度有所提高，當OSC因子和PLS主因子個數(shù)分別為6和4時，模型精度最高，穩(wěn)定性最強。因此，不同預處理方法近紅外估測模型的建立影響較大，采用正交信號校正結(jié)合偏最小二乘方法建立土壤全氮近紅外光譜預測模型時可行的，可以簡化PLS模型，并且精度穩(wěn)定性較高。

【參 考 文 獻】

［1］Bendor E，Banin A．Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties［J］．Soil Science Society of America Journal，1995，59:364-372．

［2］徐永明，藺啟忠，黃秀華，等．利用可見光/近紅外反射光譜估算土壤總氮含量的實驗研究［J］．地理與地理信息科學，2005，21(1):19－22．

［3］于飛健，閔順耕，巨曉棠，等．近紅外光譜法分析土壤中的有機質(zhì)和氮素［J］．分析實驗室，2002，1(3):49 －51．

［4］張娟娟，田永超，姚 霞，等．基于高光譜的土壤全氮含量測定［J］．自然資源學報，2011，26(5):881 －890．

［5］黃明祥，王 珂．土壤高光譜噪聲過濾評價研究［J］．光譜學與光譜分析，2009，29(3):722 －755．

［6］趙杰文，張海東，劉木華．簡化蘋果糖度預測模型的近紅外光譜預處理方法［J］．光學學報，2006，26(1):136 －140．

［7］Wold S，Antti H，Lindgren F，et al．Orthogonal signal correction of near-infrared spectra［J］．Chemometrics and Intelligent Laboratory Systems，1998，44(1-2):175-185．

［8］王惠文．偏最小二乘回歸方法及其應用［M］．北京:國防工業(yè)出版社，1999．

［9］高祥斌．森林土壤化學性質(zhì)與土壤酶活性典型相關分析［J］．林業(yè)科技，2007，17(1):11 －13．

［10］周桂香，張文元，胡冬南，等．土壤有機碳影響因素及測定方法探討［J］．江西林業(yè)科技，2011，21(6):31 －34．