土壤粒度對基于近紅外離散波長土壤全氮預測精度影響

周 鵬，王煒超，楊 瑋，冀榮華，李民贊

中國農業大學現代精細農業系統集成研究教育部重點實驗室，北京 100083

引 言

智慧農業是現代農業的發展方向，土壤快速檢測是實施智慧農業的基礎。傳統的土壤參數檢測采用實驗室化學分析方法，不僅費時和費力而且成本高昂，同時實驗過程中用到的化學試劑也會對環境造成很大污染[1-2]。近紅外光譜法作為一種高效、成本低和無污染的方法，應用于土壤參數預測至今已有近四十年[3-5]。通常在實驗田進行土壤樣本采集后，在實驗室采用烘干法和研磨過篩處理，處理過的土壤樣本再進行近紅外光譜檢測，最后采用不同的光譜分析算法對土壤全氮進行建模研究[6-8]。

近年來，隨著變量施肥技術、智慧農田管理及農業可持續發展的需求，實時準確的提供農田土壤參數變得越發緊迫。基于此，基于近紅外波段離散波長土壤參數實時快速檢測儀成為當前的研究熱點[9-11]。傳統的實驗室光譜分析儀及早期開發的土壤參數檢測儀都采用分光儀作為核心器件，分光儀不僅價格昂貴而且很不適應農田的惡劣環境[12-13]。而基于近紅外波段離散波長進行土壤參數檢測儀開發，不僅可以有效降低成本而且建立的土壤參數預測模型也都取得了較好的預測結果[14]。

基于近紅外波段離散波長的土壤實時參數檢測儀也存在土壤粒度的嚴重干擾。實驗室的研磨過篩消除土壤粒度干擾的方法不能夠應用于這類土壤實時參數檢測儀，而針對連續近紅外光譜常用的微分方法等也不適用于近紅外波段離散波長建模的情況。

為此，提出了一種新的方法。首先確定土壤粒度的特征波段，并采用SVM建立基于特征波段的土壤粒度分類模型。然后將該模型應用于開發的基于近紅外波段離散波長吸光度的土壤參數實時檢測儀，對吸光度進行修正。最后分別建立基于近紅外波段離散波長的原始吸光度和修正吸光度的土壤全氮預測模型，對提出的土壤粒度修正法進行驗證。

1 實驗部分

1.1 土壤樣本采集

土壤樣本采集自中國農業大學上莊實驗站，實驗站位于北京市海淀區上莊鎮辛立屯村東，占地66.66 hm2。實驗田為一塊常年不施肥的標準田，土壤類型屬于華北地區常見的棕壤土，土壤樣本采集時間為2019年7月15號，表層土壤有大量農作物殘余，因此每個土壤樣本在去除表層土壤(0～5 cm)后進行采樣，采樣深度為5～25 cm(耕作層)。每個采樣點采集2～2.5 kg土壤，裝入雙層牛皮袋進行密封。共計采集土壤樣本24個。

1.2 配置土壤樣本

為了獲得不同全氮濃度的土壤樣本，采樣的土壤首先在烘干箱烘干處理，溫度設定為85 ℃，時間為24 h。烘干后的土壤樣本分為6組，每組4個。利用尿素配置土壤氮素溶液，土壤氮素溶液濃度梯度分為6個等級(g·kg-1)： 0，0.04，0.08，0.12，0.16和0.2。在土壤樣本配置時，模擬上莊實驗站農田耕作層夏季平均土壤含水率(7%)，對土壤樣本進行配置。土壤配置完成后，進行烘干處理，對所有土壤樣本進行過篩，分別為10目篩(2.0 mm)、20目篩(0.9 mm)、40目篩(0.45 mm)和80目篩(0.2 mm)。最終得到4組不同粒徑的土壤樣本，每組包含6個全氮濃度等級，每個全氮濃度等級包含4個土壤樣本。總計獲得96個不同粒徑和不同全氮濃度下的土壤樣本。

1.3 光譜數據檢測

96個土壤樣本，每個土壤樣本分成兩份，一份進行土壤全氮濃度檢測，一份進行近紅外光譜檢測。土壤全氮濃度采用瑞典福斯公司生產的FOSS KjeltecTM 2300型凱氏定氮儀進行檢測，每個土壤樣本研磨后，稱取2.0 g裝入長試管中，同時加入6.2 g催化劑，催化劑為K2SO4∶CuSO4·5H2O按30∶1混合研磨得到。最后在長試管中加入20 mL濃硫酸后進行硝化，硝化爐溫度設定為420 ℃，時間2.5 h。硝化完成后進行冷卻，用凱氏定氮儀對土壤全氮濃度進行檢測。

采用德國布魯克公司生產的MATRIX-Ⅰ型傅里葉變換近紅外光譜分析儀對土壤樣本進行近紅外光譜采集。光譜采集前，需要對分析儀參數進行設置，光譜采集范圍780～2 550 nm、光譜采樣間隔3 nm、掃描次數為64次。將大約20 g土壤樣本裝入直徑50 mm的石英比色皿中，放入分析儀的旋轉樣品池進行光譜檢測。

1.4 光譜數據預處理

近紅外光譜通過式(1)進行轉換

A=log101/R

(1)

式(1)中：R為土壤光譜反射率，A為土壤光譜吸光度。數據采用吸光度形式進行分析。測得的土壤近紅外光譜，由于光譜檢測儀自身的原因會在近紅外起始波段產生噪聲，為了提高近紅外光譜的信噪比，將780～850 nm的光譜去除后進行分析。同時采用S-G卷積平滑算法對近紅外光譜進行去噪處理。

2 結果與討論

2.1 土壤樣本統計分析

表1對配制的96個土壤樣本進行了統計分析。土壤全氮濃度值分布在0.003～0.206 g·kg-1范圍內，以大約0.04 g·kg-1為土壤全氮濃度間隔，分為6個土壤全氮濃度等級，土壤全氮濃度等級梯度分布合理。雖然土壤樣本采集自常年不施肥的標準田，但是土壤樣本中還是殘留有土壤氮素。

表1 土壤樣本統計分析Table 1 Statistics of soil samples

2.2 基于土壤吸光度的土壤粒度分類研究

(1) 土壤粒度對近紅外光譜干擾

圖1為在全氮濃度為0.076 g·kg-1的土壤樣本在不同土壤粒度下的光譜曲線。從圖1可以得到，在同一氮素含量下，土壤光譜受土壤粒度干擾嚴重，土壤光譜隨土壤粒徑的增大，吸光度升高。因此在用近紅外光譜對土壤全氮進行預測時，必須移除土壤粒度的干擾。土壤粒度的在線消除方法必須進一步探索和研究。

圖1 同一氮素含量下不同土壤粒度的光譜曲線Fig.1 Spectral curves of soil with different particle sizes but same soil total nitrogen concentration

(2)土壤粒度特征波段提取

針對4個不同土壤粒度的樣本和全體樣本，分別計算了每個波長處(850～2 500 nm)所有樣本間吸光度的光譜標準偏差，光譜標準偏差曲線如圖2所示。對應于單獨每一條不同土壤粒度的光譜標準偏差曲線，在光譜范圍1 000～2 500 nm范圍內，標準偏差都比850～1 000 nm范圍內要大。因為單獨對應每一條光譜標準差曲線都是在同一粒度下，所以排除土壤粒徑的干擾，而只有土壤全氮濃度不同，因此1 000～2 500 nm范圍為土壤全氮的敏感譜區。同時圖2中黑實線為全部96個土壤樣本的光譜標準偏差曲線，對比分析五條標準偏差曲線可得，總體曲線在1 320～1 390和1 810～1 860 nm波段范圍與其他單一粒度光譜標準差曲線變化趨勢明顯不同，這一變化表明上述兩個譜區是與土壤粒度的變化有很大關聯性，是土攘粒度的敏感譜區。因此本研究選擇兩個譜區的極值點1 361和1 870 nm作為土壤粒度的特征波段。

圖2 標準偏差光譜曲線Fig.2 Standard deviation spectra

(3)土壤粒度分類研究

96個土壤樣品分為兩組，每組48個土壤樣品。每組土壤樣品包括4個土壤粒度類別，每個土壤粒度類別包括6個不同土壤全氮濃度的土壤樣品，每個土壤全氮濃度有兩個土壤樣品。使用標準偏差法確定的兩個土壤粒度敏感波段1 381和1 870 nm對土壤粒度進行分類研究，引入兩個敏感波段吸光度的比值Rp作為單一變量對土壤粒度進行預測，RP通過式(2)計算

Rp=A1 870/A1 381

(2)

式(2)中：A1 870和A1 381分別為土壤在1 870和1 381 nm處的吸光度。利用SVM算法構建土壤分類模型，經過多次嘗試，SVM分類模型懲罰參數c為2，核函數為1時可取得最優分類結果。

圖3為基于SVM的土壤粒度預測結果，四個土壤粒度類別中，土壤粒度為2.0和0.2 mm的分類準確率為100%，土壤粒度為0.90 mm的分類準確率為91.7%。而土壤粒度為0.45 mm的分類準確率為83.3%，四個土壤類別整體分類準確率為93.8%，分類精度較高，可以用于消除土壤樣本粒度對土壤吸光度測量的影響。

圖3 基于SVM的土壤粒度分類預測Fig.3 Prediction of soil particle size classification based on SVM

(4) 基于特征波段吸光度的土壤粒度修正模型

(3)

式(3)中，A1 870和A1 381為校正土壤光譜在1 870和1 361 nm處的吸光度，為作為基準值的0.20 mm土壤在1 870和1 361 nm處的吸光度比值。

通過修正系數校正后的土壤光譜吸光度Ac用式(4)獲得

Ac=A×Pc

(4)

式(4)中：A為校正前的土壤吸光度，Ac為修正后的土壤吸光度。

2.3 土壤全氮分析儀土壤粒度影響消除及全氮預測評價研究

(1) 基于土壤粒度修正模型的土壤吸光度修正

選擇實驗室開發的基于離散近紅外波段(1 070, 1 130, 1 245, 1 375, 1 550, 1 680 nm)的土壤全氮儀作為實驗儀器[15]，通過分析土壤全氮含量預測精度，對提出的土壤粒度修正法進行驗證，以檢驗其實際應用效果。圖4(a)為土壤全氮濃度為0.068 g·kg-1時的單一土壤樣本在六個離散近紅外波長處的吸光度值，包括五條曲線，分別為原始土壤，土壤粒度分別為2.0，0.9，0.45和0.2 mm時的土壤吸光度值。圖4(b)為經過土壤粒度修正后的吸光度。對圖4(a)和圖4(b)進行對比分析，例如在1 245 nm處，原始未經修正的吸光度值與0.2 mm處的吸光度差值分別為0.074 7，0.051 6，0.008 7和0.0637，經過修正后差值分別為0.028 3，0.013 1，-0.000 9和0.024 8，差值在修正后分別降低了62%，74%，111%和61%。結果表明土壤粒度修正系數可以顯著減小土壤粒度的干擾。

圖4 六個波段處的吸光度(a)： 原始吸光度； (b)： 校正后的吸光度Fig.4 Absorbance at six wavebands(a)： Original absorbance； (b)： Corrected absorbance

(2)土壤全氮建模研究

為了進一步對土壤粒度修正法進行評估，對土壤全氮進行了建模研究。土壤樣本同樣采集自中國農業大學上莊實驗站一塊冬小麥和夏玉米輪作實驗田，土壤類型屬于華北地區常見的棕壤土，每個土壤樣本在去除表層土壤(0～5 cm)后進行采樣，采樣深度為5～25 cm(耕作層)。每個采樣點采集2～2.5 kg土壤，裝入雙層牛皮袋進行密封，共計采集土壤樣本80個。

采集的80個土壤樣本在實驗室進行烘干處理(烘箱溫度設定為85 ℃，時間為24 h)。烘干的土壤樣本分為三份，一份用凱氏定氮儀進行土壤全氮濃度檢測，一份進行原始土壤樣本近紅外光譜檢測，第三份用80目篩子(0.2 mm)進行過篩處理后進行近紅外光譜檢測。

根據上述實驗得到的原始及0.2 mm下的土壤光譜，提取六個離散近紅外波段處的吸光度對土壤全氮進行建模研究，選用BP神經網絡作為土壤全氮建模算法，模型結構為6-13-1。圖5(a)，(b)和(c)分別為原始吸光度、修正后的吸光度和0.2 mm下的吸光度建立的土壤全氮模型預測結果。

圖5 基于不同土壤吸光度的土壤全氮模型預測結果(a)： 原始吸光度； (b)： 校正吸光度；(c)： 0.2 mm土壤吸光度>Fig.5 Prediction results of soil total nitrogen concentration based on different soil absorbances(a)： Original absorbance； (b)： Corrected absorbance；(c)： 0.2 mm soil absorbance

從圖5可以看出，0.2 mm粒度下的土壤樣本得到最好的結果，原始的土壤樣本得到最差的結果，而經過土壤粒度修正系數法修正的土壤樣本預測精度較原始吸光度有較大提高，精度提高了25%。表2對基于不同土壤吸光度建立的土壤全氮模型進行了詳細描述。相較于采用原始吸光度建立的模型，修正后的土壤吸光度模型有了較大提高，但是相較于0.2 mm土壤吸光度建立的模型，修正后的土壤吸光度建立的模型在精度上仍有9.3%的精度差異。

表2 基于不同土壤吸光度的BPNN模型準確度統計Table 2 Accuracy statistics of the BPNN models based on different soil absorbances

綜上所述，提出的土壤粒度修正系數可以顯著減小土壤粒度對近紅外光譜預測土壤全氮造成的影響。同時相比于0.2 mm土壤吸光度建立的模型，仍然存在精度的差異。基于此，有必要繼續探索其他的土壤粒度干擾消除方法，以提高應用近紅外光譜對土壤參數進行預測的精度。

3 結 論

(1)提出了一種土壤粒度修正法以減小土壤粒度對基于離散近紅外波段離散波長吸光度的預測模型的干擾。以標準偏差法得到的兩個土壤粒度特征波段1 361和1 870 nm的比值作為土壤粒度特征指標，采用SVM建立土壤粒度分類模型，分類結果表明，四個土壤類別整體分類準確率為93.8%，表明采用Rp對土壤粒度具有良好的分類效果。

(2)選擇開發的土壤全氮儀作為實驗儀器，以粒度0.2 mm的吸光度作為基準值，針對使用的六個近紅外波段(1 070, 1 130, 1 245, 1 375, 1 550, 1 680 nm)的吸光度驗證了本修正法。結果表明修正后粒度為2.0，0.9和0.45 mm的吸光度以及原始吸光度與基準吸光度的差分別降低了62%，74%，111%和61%。表明土壤粒度修正法可以顯著減小土壤粒度的干擾。