探索土壤养分状况快速、准确的光谱诊断方法

     探索土壤养分状况快速、准确的光谱诊断方法                  　　引言　　通过定期监测土壤养分状况而合理调控施肥,是实现作物高产优质且环境友好的重要保证,但土壤养分含量的快速测定一直是农业信息获取领域的难题。最常用的土壤化学检测手段测定过程复杂且所需时间较长,效率较低。可见/近红外光谱技术(VIS/NIRS)具有实时、快速、精确、无损及易于实现原位分析等优点,已在农业、烟草、食品、医药等行业中得到了广泛的应用。　　20世纪80年代,国外学者就利用VIS/NIRS技术对土壤水分、有机碳和总氮含量进行了估测。近年来利用VIS/NIRS技术建立土壤有机质、全氮、全磷和全钾回归估测模型的研究明,可以实现对土壤有机质、全氮、全磷和全钾的快速估测。土壤有效氮、磷、钾含量的快速监测,对优化施肥措施有直接的指导意义。　　Confalonieri等利用VIS/NIRS技术估测不同土壤中可交换钾和速效磷含量,但其结果表明土壤可交换钾和速效磷含量的估测效果不理想。李伟等采用偏最小二乘(PLS)和人工神经网络法分别建立土壤碱解氮、速效磷和速效钾的估测模型,结果表明用NIRS技术估测土壤碱解氮含量是可行的,而速效磷、速效钾估测的可行性还需进一步研究。农田土壤有效氮、磷、钾含量随作物生育期而时空变异明显。当待测养分含量差异显著,且与光谱数据呈非线性关系时,基于线性模型很难获得理想的估测效果。人工神经网络方法对非线性函数可任意逼近,但是神经网络泛化能力较弱,存在过拟合问题。局部回归方法可以较好地处理这种非线性关系,即根据相似性判据选取定标集与估测集性质相近的部分样品作为定标子集建模,从而解决由于样品浓度范围过大或样品间差异过大等原因引起的非线性响应。　　研究从光谱预处理、波段选择、回归方法等各个建模环节,研究用于分析不同生育期、不同施氮水平下植烟土壤有效氮、磷、钾含量的可见/近红外光谱建模方法,探索土壤养分状况快速、准确的诊断方法。　　1、实验部分　　1.1土壤光谱采集和化学分析　　田间实验在云南省玉溪烟草科技示范园赵桅基地进行。土壤类型为水稻土,设计6个施氮水平处理,获取了烟草各生育期共计144个土样。土样自然风干,去杂研磨后过0.25mm孔径筛,充分混匀后等分为两份。分别用于土壤化学分析和土壤光谱采集。　　采用FieldSpec3便携式分光辐射光谱仪(ASD)测量土壤光谱。该仪器的波长范围为350~2500nm,波长采样间隔为1.4nm(350~1050nm)和2nm(1050~2500nm)。将土样装入小培养皿,压实土壤并使之与培养皿边缘持平,用高强度接触式探头直接接触土壤测定光谱反射率。每个土样重复测定3次,每次采集2条光谱。使用ViewSpecPro5.7.2软件进行有效性检查,取平均值后将数据导出。　　土壤有效氮、磷、钾的检测方法分别为碱解扩散法、GB12297-1990(中华人民共和国国家标准,石灰性土壤有效磷测定法)、NY/T889-2004(中华人民共和国农业部农业行业标准,土壤速效钾和缓效钾含量测定法)。　　1.2土壤光谱建模方法　　利用MATLAB神经网络工具箱提供的神经网络设计、训练以及仿真的函数实现BP神经网络建模(表1)。　　　　全局BP神经网络回归建模以预处理和优选波段后的定标集(120╳400)作为输入层。局部BP神经网络回归建模采用交互检验法确定局部建模的定标子集,即采用PLS法提取前两个主成分(累积贡献率N:98.6%,P:97.2%,K:96.4%)构建主成分特征空间;计算每个样品与其余样品在主成分空间的欧氏距离(ED),根据ED将所有样品划分为4组;每组限定ED值为5~40间距为5的8个值,选取8个局部建模的定标子集,以定标子集作为BP神经网络输入层,建立局部模型估测样品,累积估测标准差最小的ED值即为各组优选局部定标子集的ED值(表2)。根据主成分空间的ED值判断每个估测样品所属组分,利用各组选取局部定标子集的ED值选取每个估测样品的建模子集,依次建立局部BP神经网络回归模型。　　建立回归模型之前,采用一阶导数(FD)、二阶导数(SD)、多元散射校正(MSC)和Savitzky-Golay(SG)平滑四种预处理方法单独或组合对土壤光谱进行预处理;分析可见光、近红外和可见-近红外波段与各个测定指标之间的相关性,通过相关分析找出各个测定指标的特征波段;选出最优的光谱预处理方法和特征波段。利用Kennard-Stone法划分定标集(120个)和估测集(24个)。　　2、结果与讨论　　2.1土壤有效氮、磷、钾含量的化学分析结果　　采集的土样化学分析结果表明,土壤有效氮、磷、钾含量的变幅较大(表3)。　　　2.2土壤反射光谱及其预处理　　采集的土样原始光谱反射率见图1(a)。采用MSC可以有效地消除基线漂移[图1(b)],采用FD不仅能有效消除基线漂移,还强化了原始光谱中的吸收峰[图1(c)],SG平滑能有效地提高光谱的信噪比[图1(d)]。比较单一预处理及其组合的BP神经网络建模估测精度,单一预处理建模精度以FD最佳;两种预处理方法组合建模精度以MSC加FD最优;三种预处理方法组合的建模精度均较好。通过综合比较,选择MSC加FD对土样光谱数据进行预处理。　　2.3特征波段的选择　　在可见光、近红外和可见-近红外波段范围建立土壤有效氮、磷、钾的全局BP神经网络模型(表4),比较估测精度,以使用可见-近红外波段范围光谱反射率建模效果最好。在可见-近红外波段统计分析经过MSC加FD预处理的光谱与各个测定指标之间的相关性,逐波段相关分析找出各个测定指标的特征波段。　　　2.4全局和局部　　BP神经网络回归建模比较全局和局部BP神经网络回归建模结果(图2)可知,局部BP神经网络回归模型的估测效果优于全局BP神经网络回归模型。局部BP神经网络回归模型对土壤有效氮、磷、钾含量的估测相关系数r分别为0.90,0.82和0.94,估测标准差RMSEP分别为5.7,29.4和78.1mg·kg-1,与全局BP神经网络回归模型相比,估测精度提高幅度分别为40.63%,28.64%,22.90%。　　3、结论　　采用全局和局部BP神经网络法,建立了土壤有效氮、磷、钾含量的快速估测模型,将BP神经网络法结合局部回归建模应用于土壤光谱定量分析。结果表明,局部建模比全局建模的估测效果更佳,对于土壤养分含量差异较大的土样,对每个估测样品建立专一定量估测模型可有效提高估测精度。　　局部回归建模方法中采用主成分空间的欧氏距离作为相似性判据,采用交叉检验法确定选取定标子集的最优欧式距离。根据交叉检验法及主成分空间的欧氏距离所选择的定标子集可以很好地反映估测集样品和定标集样品之间的相似性,减少了样品间差异性对建模的影响,使局部建模估测结果比全局建模有更高的精确性。　　不同生育期、不同施氮水平下的植烟土壤有效氮、磷、钾含量时空变异明显,土壤光谱反射率与土壤养分含量之间有一定的非线性关系,采用BP神经网络结合局部回归建模能较好地处理这种非线性关系,更好地实现对土壤有效氮、磷、钾含量的估测。　　致谢:李军会副教授在论文撰写中提供了帮助。 -全文完-