基于偏最小二乘法的土壤水分近红外模型

基于偏最小二乘法的土壤水分近红外模型

0土壤水分的测量土壤含水量是土壤的主要组成要素之一，也是反映土壤质量的重要指标。传统的土壤水分检测依靠土壤介电特性、土壤电导率、电磁波、中子法等,但是这些方法易受土壤容重、土壤质地、土壤结构、土壤化学组成以及含盐量等物理化学特性的影响而产生局限性,从而不能满足野外作业的实时、在线以及高精度测量的要求。基于光谱技术的土壤水分测量有着良好的发展。AbdulMounemMouazen等在实验室用306.5~1710.9nm范围内的波长测量土壤含水率为0.5%~26%的土壤,发现光谱在波长为1450nm时有较强的吸收,在1366~1670nm采用PLS方法建立的光谱土壤水分的定量模型相关系数为0.982。孙建英等分析北方潮土水分、有机质和全氮与近红外光谱之间的关系,利用单波长1920nm并采用一元回归法建立了模型,模型相关系数为0.937,但是土壤样品的黏度、颗粒大小、表面质地等发生变化会使预测新样品不适应原来建立的模型。光谱分析过程中受样品的影响很大,土壤样品的质地、颜色、压实度以及采样状态等都会影响反射光谱,土壤样品的颗粒状态在近红外检测土壤信息的过程中会严重干扰吸收光谱,传统的光谱预处理可能会部分消除但并不能全部消除由于样品状态引起的反射光谱的干扰。以湖北地区土壤样品为研究对象,建立了基于近红外光谱土壤水分的预测模型,同时研究了由于土壤样品状态不同而引起模型适应性变差的问题,采用斜率/截距方法来校正由于土壤样品颗粒变化引起的预测误差。1材料和方法1.1粉碎样品的制备试验土壤样品为湖北地区的主要土壤:稻田土、黄棕壤以及潮土。土壤粉碎样品分别经风干、去杂等操作过程。分别对粉碎过2mm筛和未过筛样品进行土壤水分配比(根据不同土壤田间持水量的最大限值,将土壤含水率配比为5%、10%、15%、25%、35%5个水平)。1.2ct333型样品光谱采集采用BRUKERFT-2NIR近红外光谱仪(VECTOR33型),光谱扫描范围为10000~4000cm-1,镀金漫反射体作背景,分辨率为8cm-1,扫描次数为64。样品水分测量采用上海苏进仪器设备厂的HN101-2A数显电热鼓风干燥箱。1.3样品的预处理在室温条件下,近红外仪预热20min后,将铝制样品池放置于石英样品杯中,将等量土壤样品置于样品池,扫描过程中,使用旋转样品器以保证样品扫描漫反射光谱均匀性。土壤含水率(质量百分比)的测取采用烘干法(国家标准GB7172-1987)。1.4土壤水分预测模型建立的方法学模型试验分两组实验,第一组为3种粉碎过筛土壤样品(稻田土-D、黄棕壤-H以及潮土-C),进行人工水分梯度安排,3种土壤各取51个样品,共收集土壤样品153个,土壤含水率范围2.85%~34.85%,样品按土壤名称及含水率编号(如D05-10为含水率5%稻田土10号样品),该组样品用于建立土壤水分预测模型;第二组为3种未过筛处理土壤样品(稻田土、黄棕壤以及潮土),进行人工水分梯度安排,3种土壤各取35个样品,收集土壤样品105个,含水率范围为3.32%~33.37%,该组样品用于模型适应性分析。2结果与分析2.1光谱预处理方法的确定用处理的第一组土壤样品建立定量分析模型(即标准颗粒2mm),153个样品建模过程中剔除异常值,最终建模集包含92个样品,验证集包含53个样品。通过对光谱数据分析建立分析模型,采用仪器配备的OPUS10.0分析软件建立模型,建立模型过程中使用10种光谱预处理方法。分别选择常数偏移消除(constantoffsetelimination,简称COE)、直线差值(straightlinesubtraction,简称SLS)、矢量归一化(vectornormalize-tion,简称VN)、最小最大归一化(min-maxnormalization,简称MMN)、多元散射校正(multiplicationscatteringcorrection,简称MSC)、一阶导数(firstderivative,简称FD)、二阶导数(secondderivative,简称SD)、FD+VN、FD+MSC、FD+SLS等10种光谱预处理方法。由表1可知不同的预处理方法所建立的预测模型效果有差异。其中采用一阶导+矢量归一化预处理后建立的PLS定量校正模型最优,测量值与预测值相关图见图1。建立模型的光谱波段位于5777.7~5449.8cm-1和4601.3~4246.5cm-1。模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%。2.2未处理土壤样品的水分空间分布建立模型样品集的主成分空间大小可大体反映模型预测样品的适应空间。主成份分析(PCA)是通过光谱主成分得分构筑的主成分空间进行样品的簇分布分析,该方法可将复杂的多维空间信息压缩到低维空间进行分析。图2是处理和未处理土壤样品第2、3主成分得分空间分布,由图2可知处理前后的土壤样品在主成分空间占有一定范围,该空间也是模型的适配范围。处理样品的模型适配范围小,而未处理后样品需要很大的模型适配范围,故利用处理过的样品建立的模型不能够全部覆盖处理样品空间,即该模型不能准确地预测未处理土壤样品的含水率。用处理过土壤样品所建立的水分分析模型来预测未处理的土壤样品。图3为样品预测残差图,模型预测值与测量值之间的残差平方平均值为1.84%,其中最大误差为4.45%。2.3土壤水分析模型的修正根据所建立模型对未处理样品预测的结果可看出,模型的稳定性和预测精度均变差。因此要对模型进行修正,模型修正的方法有两种:一种要添加新样品重新建立分析模型,即通过丰富建模的样品集,使原有模型增添与新样品相适配的新信息,并形成新的模型,这种方法增加了建模过程的工作量。另外也可以通过斜率/截距修正法来修正模型,将模型预测值和真值用一条直线拟合,记录直线的斜率和截距作为原有模型的修正系数,分析样品时,将预测数据用上述参数修正后作为真正的预测值。第一种方法是解决待测样品本身的物化信息超出模型范围,由于试验过程中的样品都是由相同的三种土壤组成,所以采用第二种方法即斜率/截距易于操作。在土壤水分分析模型的修正中,选取75个未处理的土壤样品进行含水率的预测,将其预测值与标准值进行直线拟合,得到修正回归方程斜率为1.08和截距为-1.38。用分析模型预测另外12个未处理土壤样品的含水率,再用回归方程对预测结果进行修正,其结果如表2所示。由表2可见,从稻田土、黄棕壤以及潮土3种土壤中选取的12个未处理土壤样品直接用处理过样品建立的模型预测,平均绝对误差为0.79%,而斜率/截距法对模型进行修正后预测未处理土壤样品,其平均绝对误差降为0.38%,可知预测精度有明显的提高。3未处理土壤样品分析1)建立了过筛处理土壤样品吸收光谱建立的水分定量分析模型具有较高的精度,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%,模型具有较高的分析精度。2)由主成分分析可知,未处理土壤样品在主成份PC2和PC3上的得分空间范围要比处理土壤样品广,通过处理样品建立的定量分析模型预测未处理土壤