用多波長和LS-SVM補償土壤溫度的方法研究*

梁秀英，李小昱，2*

(1.華中農業大學工學院，武漢 430070;2.黃土高原土壤侵蝕與旱地農業國家重點實驗室中國科學院水利部水土保持研究所，山西楊凌 712100)

水分是土壤的重要組成部分，快速、準確地測定土壤水分對土壤侵蝕預測預報、農業水土工程管理、實施精準農業、農業試驗、農業氣象、灌溉管理和旱情監測具有重要的意義。

近紅外光譜分析技術具有無前處理、無污染、無破壞性、可在線檢測、測定速度快等優點，在土壤［1－7］、農產品［8－9］、水果［10－12，24－25］等方面得到了廣泛的應用。近紅外區域的信息主要來源于有機分子中含氫基團(O－H、N－H、C－H)的吸收為主，而溫度的變化會改變樣品分子間和分子內的作用力［13－14］，從而引起振動光譜的非線性變化［15］，特別是水分的光譜，當溫度升高時，羥基官能團處的光譜向低波長處移動且變窄。高鵬程等［14］分析了土壤最大有效含水量與溫度的關系，結果表明土壤最大有效含水量隨溫度升高而降低。Wülfert等［15］研究了溫度對乙醇/水/異丙醇混合物短波近紅外光譜的影響，結果表明:當某一特定溫度下的局部模型去預測另一溫度下的樣品時，精度較差。Wülfert等［16］采用線性回歸法補償溫度對近紅外光譜的影響，結果表明:把溫度作為外部變量引入到校正模型中并不能提高模型的預測能力，采用線性回歸法不能補償由溫度引起的非線性影響。Peirs等［17］應用近紅外光譜技術研究了溫度對蘋果果實可溶性固形物含量的影響，結果表明，溫度以非線性的方式影響近紅外光譜，光譜反射率隨著溫度的升高而減小。張軍等［18］研究了環境溫度(4℃ ～29℃)對小麥粉末蛋白質含量近紅外光譜定量分析結果的影響，將溫度作為外部變量采用逐步多元線性回歸建立溫度修正模型，結果表明，預測標準差隨環境溫度與建模時溫度差的增大而增大。

綜上所述，近紅外光譜易受外界環境的影響，溫度是以非線性的方式影響近紅外光譜，用線性回歸法補償溫度的影響效果不顯著或模型很復雜。支持向量機(SVM)是Vapnik等在1995年提出的用于分類與非線性回歸的方法，最小二乘支持向量機(LSSVM)是SVM的一種改進方法，能較好地解決小樣本、非線性、高維數等眾多實際問題［19］。李世勇等［20］采用LS-SVM回歸法和偏最小二乘回歸(PLSR)法分別建立了煙葉總糧含量的NIR預測模型，結果表明:LSSVM回歸法模型的預測準確度比PLSR法的高。Chauchard 等［21］采用 LS-SVM、PLSR、MLR 建立了三種不同種類葡萄酸度的近紅外模型，通過預測表明，LS-SVM回歸法的預測精度高于PLSR和MLR。

論文采用多尺度小波變換和LS-SVM方法研究溫度對近紅外光譜檢測土壤含水率的影響，利用多尺度小波變換提取特征光譜，采用多波長LS-SVM法補償土壤溫度對近紅外光譜分析模型預測結果的影響。

1 材料與方法

1.1 試驗材料

試驗土壤樣品為湖北地區的黃棕壤，土壤經風干、去雜、粉碎、過篩(2 mm)等處理后進行水分配比，實測土壤含水率的范圍為2.467% ～31.485%(濕基)，剔除了3個異常樣品后，獲得47個樣品。土壤樣品光譜采集采用Ocean Optics NIR256－2.5擴展近紅外光譜儀，光譜掃描范圍為900 nm～2 550 nm，采用光纖探頭采集數據，光學分辨率為6.68 nm，視場角為12.5°。土壤樣品含水率(質量百分比)按標準GB 7172—87烘干稱重法測定。

1.2 試驗方法

將經過配水的47個樣品放入培養箱，調整培養箱的溫度分別為5℃、10℃、15℃、20℃、25℃、30℃等6個水平制成不同溫度的樣品，共獲得282個樣品。每次調整培養箱溫度后，土壤樣品在培養箱內放置24 h，以使土壤樣品各部分的溫度均勻，土壤樣品從培養箱中取出后馬上用Ocean Optics NIR256－2.5擴展近紅外光譜儀采集樣品光譜反射率，每份樣品采集3次光譜，取其平均光譜。

1.3 檢測方法

在室溫條件下，近紅外儀預熱1 h后，將裝有土樣的鋁盒置于近紅外光纖探頭正下方2 cm處，此時獲得近紅外光譜反射率值最大。光譜采集范圍為874.04 nm ～2588.56 nm，數據間隔 6.68 nm。由于光譜邊緣存在很大的隨機噪聲，因此建模時選擇光譜范圍為954.23 nm～2498.48 nm的共230個波長點處的光譜反射率數據進行建模和預測，以提高模型的預測能力［6－7］。

2 結果與分析

2.1 小波分解尺度的確定

采用Mallat算法對光譜信號進行多尺度小波分解與重構，多尺度小波分析在Matlab R2007b平臺中編程實現。對原始光譜曲線進行6層“db4”小波分解，分別提取小波低頻系數進行信號重構，重構后的信號與原始光譜信號進行比較，結果表明，當分解尺度小于等于3時，重構后的信號與原信號重合，當分解尺度等于4時，水分的特征吸收峰開始發生偏移，當分解尺度大于4時，重構后信號波形失真，即多尺度小波變換的分解尺度不能太高，否則會引起信號失真。因此論文選取4階小波分解。

2.2 LS-SVM 模型

用多尺度小波變換對原始光譜數據進行4層分解，采用軟閾值法對光譜數據進行消噪及數據壓縮后，運用最小二乘支持向量機(LS-SVM)在光譜范圍954.23 nm～2 498.48 nm建立回歸模型，采用相關系數R作為模型預測能力的評價指標［22－23］。其中LS-SVM采用RBF核函數，參數γ和σ2采用二步格點搜索法和留一法相結合進行選擇，分別為2 936.215 6和441.769 67。為便于模型之間的相互比較，在對6個溫度的光譜集進行建模和預測時，選擇每組光譜集中相同樣品號的15個樣品作為驗證集。

采用4階小波分解尺度LS-SVM回歸方法在每個樣品溫度下以32個校正集樣品建立土壤含水率近紅外光譜定量分析模型，并預測沒有參與建模的15個樣品，結果如表1所示。

表1 在各溫度下模型的預測結果

由表1可知，用各自溫度下建立的模型預測各自溫度下的樣品，精度都較高。為了分析溫度對近紅外光譜預測土壤含水率的影響，用樣品溫度為20℃的土壤樣品校正集建立模型，預測其它各個溫度下的土壤樣品，預測結果如表2所示。

從表2可知，除了樣品溫度20℃以外，其它樣品溫度下的預測均方差都比較大，即樣品溫度不同引起近紅外光譜發生變化，影響近紅外光譜分析模型的預測精度，因此在建模和預測時應補償樣品溫度的影響。

2.3 基于多波長法特征光譜提取

在全譜范圍內建立的模型復雜，且預測時間較長;使用單一波長建模則信息量少且預測結果不穩定，如易受電源電壓不穩定等的影響。通過理論分析和試驗研究，論文選取水分在近紅外區的敏感波長即特征吸收波長1450 nm、1940 nm和不敏感即參考波長1300 nm、1800 nm等4個波長處的光譜數據進行建模分析。

把在不同溫度下測得的光譜曲線進行4層小波分解，分別用每層小波高頻系數進行信號重構，提取重構信號在1450 nm、1940 nm、1300 nm和1800 nm等4個波長處的光譜數據分別與土壤溫度、土壤含水率進行回歸分析，分析結果如表3所示。

分析表3可知，由第1層小波高頻系數重構信號與土壤溫度的決定系數R2為0.6675，與土壤含水率的決定系數R2為0.4601，即第1層小波高頻系數主要由溫度引起。第2、3、4層高頻小波系數重構信號與土壤含水率的決定系數都高于與土壤溫度的決定系數，即這幾層小波系數主要由土壤水分引起。因此，從原始光譜曲線中減去第1層高頻小波系數重構后的信號可剔除溫度對光譜的影響。

表3 小波高頻系數重構信號與土壤溫度、土壤含水率的決定系數R2

2.4 基于特征光譜和LS-SVM的土壤含水率建模

為了消除由于電源電壓波動等外界因素的影響，將提取的特征光譜進行如下變換:

式中R1450，R1940，R1300，R1800分別表示水分敏感波長1450 nm、1940 nm和不敏感波長1300 nm、1800 nm處的反射率;

在各個溫度下，以變換后的32個特征光譜數據建立LS-SVM模型，預測各個溫度下未參加建模的15個樣品，結果如表4所示。

表4 基于多波長法各溫度下模型的預測結果

比較表4和表1可知，采用多波長法建立預測模型的預測均方差都大于在全譜范圍內建立的預測模型，但相差不大;通過試驗表明，基于多波長法和多尺度小波特征光譜提取法建立模型的預測速度比在全譜范圍內預測速度快。

在樣品溫度為15℃下建模，預測其它溫度下的樣品，預測均方差如表5所示。

表5 基于多波長法15℃下模型的預測結果

從表5可知，利用特征光譜提取法可較好地消除樣品溫度對預測結果的影響。15℃模型預測其它溫度下土壤含水率的預測值與測量值的關系如圖1所示，其中圖(a)、(b)、(c)、(d)、(e)、(f)分別為用15℃模型預測溫度為30℃、25℃、20℃、15℃、10℃和5℃下土壤含水率的預測值與測量值的關系圖，預測值和測量值具有較好的線性關系。

圖1 用15℃模型預測其它溫度下土壤含水率的預測值與測量值的關系圖

3 結論

(1)采用4階小波分解尺度，在全譜范圍內，用樣品溫度為20℃的32個樣品建立了基于離散小波軟閾值消噪和LS-SVM回歸方法的土壤含水率近紅外定量分析模型，并用此模型預測樣品溫度為5℃、10℃、15℃、20℃、25℃和30℃的土壤含水率，結果表明:樣品溫度影響近紅外光譜土壤含水率的預測精度。

(2)采用多尺度小波分析提取了近紅外原始光譜數據中對溫度敏感的數據，從原始光譜數據中減掉溫度敏感的數據，應用水分的敏感波長1450 nm、1940 nm和不敏感波長1300 nm、1800 nm等4個波長處的特征光譜數據建立LS-SVM近紅外土壤含水率預測模型，試驗結果表明，應用多尺度小波特征提取和多波長法能較好地消除樣品溫度對預測結果的影響，且預測速度較快，為今后田間在線檢測土壤含水率提供了理論基礎。

［1］肖武，李小昱，李培武，等.基于近紅外光譜土壤水分檢測模型的適應性［J］.農業工程學報，2009，25(3):33－36.

［2］李小昱，肖武，李培武，等.基于近紅外傅里葉特征提取方法的土壤含水率檢測［J］.農業機械學報，2009，40(5):64－67.

［3］孫建英，李民贊，鄭立華，等.基于近紅外光譜的北方潮土土壤參數實時分析［J］.光譜學與光譜分析，2006，26(3):426－429.

［4］Paulo H F，Ronei J P，Joao C de A.Determination of Organic Matter in Soils Using Radial Basis Function Networks and Near Infrared Spectroscopy［J］.Analytica Chimica Acta 2002，453:125－134.

［5］Michael L Wh，Lin L，Susan L U.Predicting Water Content Using Gaussian Model on Soil Spectra［J］.Remote Sensing of Environment，2004，89:535－552.

［6］Mouazen A M，Baerdemaeker J D，Ramon H.Towards Development of on-Line Soil Moisture Content Sensor Using a Fibre-Type NIR Spectrophotometer［J］.Soil＆ Tillage Research，2005，80:171－183.

［7］Mouazen A M，Maleki M R，Baerdemaeker J D，et al.On-Line Measurement of Some Selected Soil Properties Using a VIS-NIR Sensor［J］.Soil＆ Tillage Research，2007，93:13－27.

［8］蔣煥煜，謝麗娟，彭永石，等.溫度對葉片近紅外光譜的影響［J］.光譜學與光譜分析，2008，28(7):1510－1513.

［9］黃康，汪輝君，徐惠榮，等.基于最小二乘支持向量機的番茄汁糖酸度分析研究［J］.光譜學與光譜分析，2009，29(4):931－934.

［10］夏俊芳，李小昱，李培武，等.基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法［J］.農業工程學報，2007，23(6):170－174.

［11］Kawano S，Sato T，Iwamoto M.Determination of Sugars in Satsuma Orange Using NIR Transmittance［C］//Proceedings of the Fourth International Conference on NIR Spectroscopy，by Ed.Murray I，School of Agriculture，Aberdeen，Scotland，1992.

［12］孫通，應義斌，劉魁武，等.梨可溶性固形物含量的在線近紅外光譜檢測［J］.光譜學與光譜分析，2008，28(11):2536－2539.

［13］李民贊.光譜分析技術及其應用［M］.北京:科學出版社，2006:70－71.

［14］高鵬程，張一平，張海，等.溫度對土壤水分性狀的影響［J］.西北林學院學報，2003，8(1):77－79.

［15］Wülfert F，Wim Th K，Age K S.Influence of Temperature on Vibrational Spectra and Consequences for the Predictive Ability of Multivariate Models［J］.Anal.Chem，1998，70:1761－1767.

［16］Wülfert F，Wim Th K，Onno E de N，et al.Linear Techniques to Correct for Temperature-Induced Spectral Variation in Multivariate Calibration［J］.Chemometrics and Intelligent Laboratory System，2000，51:189－200.

［17］Peirs A，Scheerlinck N，Nicolaǐ B M.Temperature Compensation for Near Infrared Reflectance Measurement of Apple Fruit Soluble Solids Contents［J］.Postharvest Biology and Technology，2003，(30):233－248.

［18］張軍，陳華才，陳星旦.近紅外光譜溫度修正定量分析模型的研究［J］.光譜學與光譜分析，2005，25(6)，890－893.

［19］侯振雨，湯長青，姚樹文，等.離散小波變換－支持向量回歸方法及其在谷物分析中的應用［J］.河南農業科學，2006，(8):40－42.

［20］李世勇，王芳，邵學廣.最小二乘支持向量回歸與偏最小二乘回歸建立煙草總糖NIR預測模型比較［J］.煙草科技，2006，(11):45－48.

［21］Chauchard F，Cogdill R，Roussel S，et al.Application of LS-SVM to Non-Linear Phenomena in NIR Spectroscopy:Development of a Robust and Portable SensorforAcidity Prediction in Grapes［J］.Chemometrics and Intelligent Laboratory Systems，2004，71:141－150.

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

［23］徐志龍，趙龍蓮，嚴衍祿.減小樣品溫度對近紅外定量分析數學模型影響的建模方法［J］.現代儀器，2004，(5):29－31.

［24］劉燕德，應義斌.光纖傳感技術在水果內部品質檢測中的應用研究［J］.傳感技術學報，2003，(2):170－174.

［25］劉燕德，應義斌，蔣煥煜.基于光纖傳感的富士蘋果糖度檢測試驗研究［J］.傳感技術學報，2003，(3):328－331.