施用生物炭后土壤有機碳的近紅外光譜模型研究與應用

朱建偉,劉玉學,吳超凡,靳 佳,呂豪豪,楊生茂,*

1 浙江師范大學地理與環境科學學院, 金華 321000 2 浙江省農業科學院環境資源與土壤肥料研究所, 杭州 310021 3 浙江省生物炭工程技術研究中心, 杭州 310021

土壤是農業生產活動進行的基礎,是極為珍貴的自然資源,而土壤質量的好壞影響著農作物的生長。土壤有機碳(Soil Organic Carbon, SOC)是生態系統中主要的碳源,可以改善土壤團聚體結構、滲透性、微生物活性[1-2],是評價土壤質量的最重要的指標之一。SOC是碳庫的重要組成部分,其變化影響著土壤碳排放,因此,準確評估SOC含量是當前全球碳循環研究的重點內容。生物炭(Biochar)是農作物秸稈、生活廢棄物以及動物糞便等生物質在缺氧或低氧條件下,高溫裂解后產生的富碳黑色固態物質[3- 5]。生物炭由于其碳組分高度芳香化而表現出很強的熱穩定性和生物化學抗分解性。此外,生物炭孔隙結構發達,比表面積大,表明含氧官能團豐富,具有較強的吸附性能,因而常被用作土壤改良劑添加到土壤中,起到增加SOC含量、改善土壤物理結構、持留土壤養分等作用,進而提升作物產量。Backer[6]在加拿大魁北克南部兩種類型土壤中施加生物炭,發現施炭3年后兩種土壤的養分和作物產量對生物炭的響應不同,砂質粘壤土的SOC濃度比對照高67%。另有研究發現,施加生物炭增加了我國南部熱帶和亞熱帶地區紅壤SOC和土壤團聚體的碳氮比[7]。由此可見,SOC含量通常隨著生物炭的添加而提高,且隨著時間的延長而發生動態變化。SOC含量測定方法的快速、高效和準確是開展生物炭對SOC影響研究的關鍵。但是相關研究對SOC的定量檢測主要基于傳統的化學分析方法,該分析方法存在著測定時間長、過程繁瑣、樣品氧化不完全引起結果存在偏差、污染環境等缺點[8-9],因此,探索快速、準確、成本低且無污染的SOC測定方法十分必要[10-11]。

近紅外光譜技術具有快速準確獲取待測樣品屬性數據等優點,被廣泛應用于土壤理化性質的科學預測[12- 14]。目前國內外學者對不同類型、不同區域土壤的SOC預測進行了大量研究[11, 15]。崔霞等[16]以甘南藏族自治州高寒草地土壤為研究對象,通過比較多種光譜變化形式以及3種多元線性回歸方法,建立了針對高寒草地土壤的SOC預測模型。Marijn等[17]評估了PLSR模型在潮沼地土壤中SOC預測性能,表明中紅外PLSR模型可以很好地預測該類型土壤的SOC含量。Liu等[18]比較了不同母質土壤的光譜曲線特征以及對預測模型建立的影響。而在模型的建立中,建模方法的選擇、光譜的預處理以及建模集驗證集的選擇影響著模型的預測性能。劉彥姝等[19]通過對杉木林土壤氮含量的光譜預測研究,比較了不同種光譜預處理的方法,并對最小二乘-支持向量機回歸模型(LS-SVR)和PLSR模型進行評價,結果表明LS-SVR比PLSR具有更好的預測能力。Bushang等[20]結合偏最小二乘法預測土壤中SOC含量,研究結果發現,光譜經過一階導數處理后,模型性能明顯優于原始反射率預測模型。Nawar和Mouazen[21]比較了不同的土壤樣本選擇方法,并且在此基礎上建立PLSR模型來驗證樣本選擇方法的優缺點。

然而,在眾多研究中,對施加生物炭后的土壤SOC模型預測的研究還很少。因此,本文在室內條件測定不同處理后的生物炭土壤光譜,采用3種樣本選擇方法(KS算法、RS算法和SPXY算法)、6種光譜預處理方法及3種建模方法(siPLS模型、GA-SVM模型和RF模型)分別建立含生物炭土壤的SOC預測模型,并對各模型的預測效果進行對比分析,探究生物炭施入土壤后SOC的最適模型,以期為適合含生物炭土壤SOC含量的科學預測提供參考依據。

1 實驗設計和研究方法

1.1 研究區域

研究區位于浙江省農業科學院海寧市許村鎮楊渡科研基地(120°24′23″E, 30°26′07″N),屬于亞熱帶季風氣候區。其特征是暖季氣候濕潤,降水較多;冷季氣候干燥,降水較少。平均年降水量1187 mm,平均氣溫15.9℃。供試土壤為水稻土。

1.2 實驗設計及樣品采集

試驗設置5個處理：CK(無施肥)、BC0(常規施肥)、BC1(常規施肥+7.5 t/hm2生物炭)、BC2(常規施肥+15 t/hm2生物炭)、BC3(常規施肥+22.5 t/hm2生物炭)。每個處理重復3次,采用隨機區組設計。常規施肥用量N：P：K(尿素：過磷酸鈣：氯化鉀)的比例為2∶1∶1.4,供試作物為油菜-水稻輪作。生物炭于2011年油菜季一次性施加,與0—20 cm表層土壤混合均勻。本研究樣品采集時間為：2014年6月6日、2015年12月25日、2016年5月24日、2017年3月1日、2017年11月20日、2018年11月20日。采用“五點采樣法”采集0—20 cm表層土壤樣品,每個樣品混勻后放入保鮮袋帶回實驗室進行自然風干,挑除草根石塊等雜質后進行研磨后過100目篩。然后將每個土壤樣品分為兩份,一份用于傳統化學分析方法,即重鉻酸鉀加熱法,對土壤有機碳含量進行測定;另一部分用于光譜采集。

1.3 光譜采集及處理

光譜測定采用美國ASD公司生產的FieldSpec 4 Hi-Res NG光譜儀,光譜儀的波長范圍為350—2500 nm,光譜分辨率在700 nm為3 nm,在1400 nm/2500 nm為6 nm。光譜掃描時間為100 ms。將土壤樣品放置于培養皿內,并用玻璃片將土壤表面壓平,光譜測定時培養皿內土壤厚度為1.7 cm。光譜測量在暗室環境中進行,視角探頭為25°,每個土壤樣品測定前進行白板校正。每個土壤樣品測定30次(每測量10次將土壤樣品旋轉90°),取30次反射率平均值得到該土壤樣品反射率[22]。

由于在土壤光譜采集過程中,受到周圍環境的影響,測得的光譜常常存在隨機噪聲,從而影響重要信息的提取,進一步影響預測模型的準確性,所以需對采集的土壤光譜進行預處理。本文采用Savitaky-Golay對原始光譜數據進行平滑處理,再通過不同方法進行預處理,包括log(1/R)、Der1、Der2、SNV和MSC。

1.4 樣本選擇方法

校正集和驗證集的劃分,對模型的建立有著重要意義[23]。本研究采用3種算法劃分校正集和驗證集：KS算法,RS算法和SPXY算法。3種算法劃分校正集和驗證集數目比為2：1,校正集樣本數量為56個,用于建立模型;驗證集樣本為28個,用于檢驗模型預測效果。KS算法是通過各樣本值之間的歐式距離,選擇與其他所有樣本中最大距離的樣本,并在此基礎上,選擇離此樣本最遠距離的樣本,重復以上步驟達到初始設定的樣本數后停止[24]。RS算法是隨機選擇所設定數量的樣本組成校正集和驗證集。SPXY方法是KS方法基礎上提出的基于聯合X-Y距離的樣本劃分方法,充分考慮了X和Y的空間可變性[25]。

1.5 模型及驗證

1.5.1siPLS模型

偏最小二乘模型(Partial Least Squares, PLS)是最常用的一種多元統計數據分析方法,它是結合了多元線性回歸分析、相關性分析和主成分分析的優勢而成的一種統計學方法。組合間隔偏最小二乘(siPLS)是將整個光譜波段平均分成n個等間隔區間,然后計算所有的兩個、三個或四個區間模型組合,根據每個可能的模型組合進行PLS建模,當交互驗證均方根誤差值最小時,該組合被認定為最優波段進行建模[26-27]。siPLS模型通過選擇合適的區間來消除無關噪聲,可以提高模型的精度。

1.5.2GA-SVM模型

支持向量機(Support vector machine, SVM)是Vapnik在1992年發明的一種基于統計學理論的機器學習算法,它是一種二分類模型,基本原理是尋找一個最優超平面,使其分開的兩類型具有最大間隔。遺傳算法(Genetic Algorithm, GA)是模擬達爾文生物進化論的一種計算方法,通過模擬自然選擇過程來搜索最優解[28-29]。在SVM模型中,SVM模型性能的好壞取決于懲罰參數c和核函數半徑g的取值,通過使用GA算法進行最優參數搜索,進而提高SVM模型的預測精度[30]。

1.5.3RF模型

隨機森林(Random Forest, RF)模型是一種從分類回歸樹(Classification and Regression Tree, CART)算法發展而來的機器學習方法。RF模型原理是隨機有放回地選取樣本并對其構建多棵決策樹,隨后將多棵決策樹生成森林,然后通過計算各個決策樹預測值求平均作為最終結果[31]。RF模型解決了CART算法的過度擬合問題,提高了模型的預測精度。與大多數的機器學習方法不同,RF只需要設置決策樹數目(Ntree)和節點特征數(Mtry)就可以生成預測模型。

1.5.4模型驗證

本文采用決定系數(Correlation coefficient,R2),校正集均方根誤差(Root Mean Square Error of Cross Validation, RMSECV),驗證集均方根誤差(Root Mean Square Error of Prediction, RMSEP)和相對分析誤差(Residual Predictive Deviation, RPD),對建立的模型進行性能評價。其計算公式如下：

(1)

(2)

(3)

(4)

模型的建立以及驗證等計算程序在MATLAB R2018a中進行,圖標制作與數據統計在Origin和Excel中完成。

2結果與分析

2.1生物炭對土壤有機碳的影響

許多研究表明,農田中施加生物炭可以提高SOC的含量。不同生物炭添加量處理的土壤有機碳含量如圖1所示。與未施加生物炭BC0相比,BC2和BC3顯著地增加了SOC含量,且BC3處理顯著高于BC2處理(2018年11月20日樣品除外)。BC1在各個時間段與BC0并無顯著性差異,這是因為生物炭添加量比較低,不足以引起SOC含量的顯著變化。本研究結果表明,添加生物炭促進土壤中SOC含量的增加,并隨其添加量的增加而增加,可能因為生物炭本身含有很高的碳含量,且具有高度穩定的芳香化結構,施入土壤多年后仍然保持一定的理化和生物穩定性。這與許多研究結果相一致[32-33]。

圖1 不同生物炭添加量處理土壤有機碳含量Fig.1 Soil organic carbon content with different amounts of biocharCK：無施肥,No fertilizer;BC0：施肥,Chemical fertilizer;BC1：施肥+7.5 t/hm2生物炭,Chemical fertilizer+7.5 t/hm2 Biochar;BC2：施肥+15 t/hm2生物炭,Chemical fertilizer+15 t/hm2 Biochar;BC3：施肥+22.5 t/hm2生物炭,Chemical fertilizer+22.5 t/hm2 Biochar

2.2 土壤的光譜特征

圖2 不同處理下土壤光譜曲線Fig.2 Soil spectra at different biochar amounts treatment

通過計算各處理的土壤光譜反射率的平均值,比較各處理下土壤反射率變化。由圖2可知,SOC含量越大,反射率越小,但土壤反射率總體趨勢相似,基本呈上升拋物線型。在400—780 nm的斜率較陡,土壤反射率增加較快;而在780—2120 nm的斜率較緩,土壤反射率增加較慢。2120 nm之后,土壤反射率有略微下降的趨勢。在1410、1920、2200 nm附近存在明顯的吸收谷,這是由于在1410 nm波段和1920 nm波段主要為水分吸收帶,通常認為這與OH—基團和水分子振動有關;2200 nm波段附近存在Al—OH礦物吸收帶,表明高嶺石和其他硅酸鹽存在[34-35]。

2.3 不同光譜預處理方法對模型性能的影響

表1 siPLS模型精度評價

表2 GA-SVM模型精度評價

表3 RF模型精度評價

圖3 siPLS最優模型精度評價Fig.3 Accuracy evaluation of optimal siPLS model

圖4 GA-SVM最優模型精度評價Fig.4 Accuracy evaluation of optimal GA-SVM model

圖5 RF最優模型精度評價Fig.5 Accuracy evaluation of optimal RF model

2.4 不同樣本選擇方法對模型性能的影響

表4 不同樣本選擇方法的SG+MSC方法模型精度評價

3 討論

不同光譜預理方法的選擇影響著模型的預測性能,選擇合適的預處理方法可以消除噪聲、提取有效信息并且提高模型的性能[37],而不合適的方法則會放大噪聲并且使模型性能惡化。本文不同種預測模型的結果中顯示,未經過預處理的光譜模型預測效果普遍較好,可能由于測定土壤光譜時,測定的土壤粒度較小(100目)。前期研究表明土壤粒度對反射率的影響較大,并且對土壤模型的預測精度也有很大影響,土壤粒度較大的模型其預測標準誤差遠高于粒度較小的模型[38]。Kooistra等[39]通過研究萊茵河漫灘土壤預測鋅和鎘濃度,也得到了未經過預處理的模型對鋅和鎘的預測效果最好。而二階導數處理過的光譜模型效果不好的原因可能是二階導數對光譜進行預處理時,放大了噪聲,未能提取較為有效的信息[40]。但也有許多研究表明,二階導數處理改進了SOC預測模型[41-42]。因此,對于含生物炭土壤的SOC模型構建還仍需進一步的研究。

然而,無論使用何種預處理方法,選擇具有代表性的樣本集對于模型構建起著重要作用[43],代表性樣本可以提高模型的預測精度,加快模型的模擬預測并且有助于后期的改進[44]。陳亦云等[45]研究發現,在有機碳的預測過程中,不同的樣本集構建方法對模型的精度有著不同的影響。SPXY方法是對KS方法的改進[25],但是在本研究結果中模型性能并沒有得到提升,可能是由于土壤中影響因素過多,使SOC光譜信息被掩蓋[46]。彭杰等[46]對不同氧化鐵和有機質含量的土壤進行研究時,發現當氧化鐵與有機質的比例大于2.21時,土壤中的氧化鐵會完全遮蓋有機質光譜特征。而由于RS方法選取的樣本具有隨機性,并不能代表整個樣本集,所以構建的模型并不準確。也有學者認為樣本集的大小也起著至關重要的作用——當樣本量較少時,樣本選擇方法起著主要作用;當樣本量較大時,樣本集的大小相較于方法更為關鍵[47]。未來可以對不同比例樣本集進行研究,提升模型的預測精度。

在本研究表明,土壤光譜最優模型能夠較好地預測施用生物炭后土壤SOC含量,但土壤光譜數據是基于實驗室暗室環境中測量獲得的,而在實際野外應用中,影響土壤光譜的環境因素復雜繁多,因此需要考慮各種環境因素對土壤光譜及預測模型的綜合影響。

4 結論