楊 超，邢艷秋，李俊明

(東北林業(yè)大學(xué)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(biāo)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(dāng)前大區(qū)域快速監(jiān)測的需求。而近紅外光譜分析技術(shù)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(dǎo)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(guān)系，結(jié)果表明，采用Norris濾波平滑后的一階導(dǎo)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(shù)估測土壤全氮含量是可行的，但是上述研究在進行光譜預(yù)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(guān)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(guān)的噪聲信號，從而達到提高預(yù)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(shù)，結(jié)合正交信號校正預(yù)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(fēng)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(xué)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(yù)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(dǎo)致近紅外光譜基線漂移和光譜不重復(fù)的因素中往往還包含一些與待測樣品性質(zhì)無關(guān)的因素。為盡可能獲得準(zhǔn)確的光譜信息，在進行光譜分析前，對原始光譜進行預(yù)處理分析，消除與樣品本身信息無關(guān)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(yù)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(guān)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(biāo)準(zhǔn)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(yù)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(yù)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(biāo)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(yù)處理方法的比較

為了比較不同預(yù)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(yù)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(guān)的光譜信息，提高了預(yù)測模型的精度。因此，可以看出選擇合適的預(yù)處理方法對提高土壤全氮近紅外光譜預(yù)測模型的精度非常必要，平滑+MSC+OSC預(yù)處理方法可以滿足預(yù)測模型的要求。

表2 不同光譜預(yù)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?？梢钥闯?，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(fù)雜精度較低，并且模型不是很穩(wěn)定。當(dāng)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(yù)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(guān)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(yù)測模型。圖2(a)和圖2(b)分別為預(yù)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(yù)處理，OSC因子個數(shù)和PLS主因子個數(shù)分別為6和4，相關(guān)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(guān)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(yù)測模型預(yù)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(yù)處理方法都有一定的局限性，可能導(dǎo)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(yù)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(yù)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(yù)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?？傮w看來，OSC可以很好的去除光譜陣中與濃度陣無關(guān)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(dāng)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(yù)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(yù)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(xué)，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(xué)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(xué)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(yù)測模型的近紅外光譜預(yù)處理方法［J］．光學(xué)學(xué)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(yīng)用［M］．北京:國防工業(yè)出版社，1999．

［9］高祥斌．森林土壤化學(xué)性質(zhì)與土壤酶活性典型相關(guān)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．