基于野外viS-NIR高光譜的土壤屬性預(yù)測及田間水分影響去除研究.pdf

1、本研究以浙江省分屬不同市縣的9塊排水疏干后的水稻田為研究區(qū)域，選擇104個采樣點在田間靜態(tài)采集其野外原位vis-NIR光譜，針對土壤有機碳(OC)、有機質(zhì)(OM)、總氮(TN)、速效氮(AN)、速效磷(AP)、速效鉀(AK)和pH這七種重要土壤屬性，研究基于野外原位vis-NIR光譜對其進行預(yù)測的可行性，并通過各種化學(xué)計量學(xué)方法提高其預(yù)測精度，以期為精準農(nóng)業(yè)快速獲取土壤信息提供技術(shù)支撐與輔助決策指導(dǎo)。本論文的主要研究內(nèi)容和結(jié)果可以概括為

2、以下幾個方面:
　　(1)野外原位vis-NIR光譜的主要環(huán)境影響因素分析
　　野外環(huán)境無法進行實驗室中土壤樣品的烘干、研磨、過篩等預(yù)處理過程，土壤中的水分含量、土壤質(zhì)地、土壤微聚體陰影、土壤表面的平整處理、土壤屬性的各向異性、土壤大孔隙、土壤中殘留的植物根系、石塊、垃圾等物質(zhì)以及溫度、環(huán)境雜散光等都會影響野外原位光譜測量的精度。本研究首先在土壤采樣點進行野外原位vis-NIR光譜測量，然后采集土壤樣本帶回實驗室風干研磨并過

3、2mm篩后測量其相應(yīng)的室內(nèi)光譜。在野外原位光譜測量中，高密度接觸式反射探頭的使用能夠在野外環(huán)境中創(chuàng)造人工暗室環(huán)境，有效避免環(huán)境雜散光的影響;而直徑僅為2cm的探頭窗口有利于選擇較為平整的土壤表面并避開土壤大孔隙、作物根系、石塊等對野外原位光譜測量的影響。從光譜特征上研究在野外原位光譜測量過程中的主要環(huán)境影響因素及其對野外原位光譜的影響機理，采用連續(xù)統(tǒng)去除算法放大光譜特征，采用光譜配對wavelengtht檢驗分析野外原位光譜與相應(yīng)室內(nèi)光

4、譜的差別。對原始的和經(jīng)連續(xù)統(tǒng)去除的野外原位光譜和室內(nèi)光譜進行比較后發(fā)現(xiàn)，二者的主要區(qū)別在于代表水分吸收的1450nm和1940nm波段附近，水稻土的野外光譜曲線吸收谷在寬度和深度上都遠遠大于其室內(nèi)光譜曲線，而這主要是因為水稻土長期浸水導(dǎo)致的。
　　(2)基于野外原位vis-NIR光譜的土壤重要屬性預(yù)測研究
　　土壤不同組分分子在vis-NIR光譜波段的倍頻振動與合頻振動，構(gòu)成了利用vis-NIR光譜進行土壤屬性預(yù)測的理論基礎(chǔ)

5、。在野外原位進行土壤光譜測量，由于土壤水分、表面屬性及其他諸多環(huán)境因素的存在，可能會遮蓋或部分遮蓋某些土壤屬性的光譜特征，增加了從野外測量的土壤光譜中提取土壤屬性有效信息的難度。而對于長期處于水淹狀態(tài)的水稻土受到的環(huán)境影響因素，尤其是水分影響，更為明顯。本研究分別采用偏最小二乘回歸(PLSR)算法和最小二乘支持向量機(LS-SVM)算法，對利用野外原位vis-NIR光譜預(yù)測七種重要土壤屬性(OC、OM、TN、AN、AP、AK和pH)進行

6、可行性分析，并與室內(nèi)光譜預(yù)測結(jié)果進行比較。研究結(jié)果發(fā)現(xiàn)，利用野外原位vis-NIR光譜可以對土壤TN、AN、OC、OM和pH進行定量預(yù)測，對AP和AK無法預(yù)測。對TN、 AN、 OC和OM的成功預(yù)測主要歸功于這些成分在vis-NIR光譜波段存在直接的光譜響應(yīng)特征，對AP和AK無法預(yù)測則是因為它們在土壤vis-NIR光譜波段沒有直接的光譜響應(yīng)特征;而對pH的成功預(yù)測可能是由于它與土壤中存在直接響應(yīng)波段的礦物成分相關(guān)的緣故。與室內(nèi)光譜預(yù)測結(jié)

7、果進行比較后發(fā)現(xiàn)，無論采用PLSR還是LS-SVM算法，基于野外原位光譜的土壤屬性預(yù)測精度普遍低于室內(nèi)光譜。
　　(3)線性與非線性多元建模方法對野外原位vis-NIR光譜預(yù)測土壤屬性精度的影響
　　土壤組分分子在vis-NIR波段的倍頻峰和合頻峰通常較為寬泛、相對微弱并且相互重疊，其光譜特征很難被肉眼區(qū)別開來。而且即使對于土壤組分的同一分子基團，所結(jié)合的元素種類發(fā)生變化時，其吸收峰位置也會出現(xiàn)輕微的移動。常規(guī)方法往往難以對

8、土壤的vis-NIR光譜進行解析。隨著化學(xué)計量學(xué)的發(fā)展，越來越多的多元數(shù)據(jù)分析技術(shù)被用于土壤屬性光譜特征波段的提取和土壤組分的光譜預(yù)測建模。本研究利用線性的PLSR算法以及非線性的LS-SVM算法分別對野外原位測量的光譜進行7種重要土壤屬性的預(yù)測研究。與線性的PLSR算法相比，LS-SVM算法對OC、OM、TN和pH的預(yù)測精度有了很大程度的提高，對AN的預(yù)測精度沒有顯著變化，對AP和AK兩種算法都不能進行定量預(yù)測。研究結(jié)果表明，對于vi

9、s-NIR波段光譜可以預(yù)測的土壤屬性，非線性的LS-SVM算法可以提高利用野外原位光譜預(yù)測土壤屬性的精度。
　　(4)野外原位vis-NIR光譜土壤水分影響去除研究
　　從前面的研究結(jié)果可以看出，與基于實驗室測量的土壤屬性高光譜研究相比，直接在野外進行土壤高光譜測量省略了一系列風干、研磨、過篩等土壤樣本的預(yù)處理步驟，節(jié)省了大量的人力物力財力和時間。然而，由于土壤水分及其他諸多環(huán)境因素的存在，增加了從野外測量的土壤光譜中提取土

10、壤屬性特征光譜的難度，降低了利用野外光譜進行土壤屬性預(yù)測的精度。因此，研究野外土壤光譜測量中的影響因素的去除算法非常有意義。迄今為止，對于土壤光譜的野外測量中影響因素的去除算法進行的研究報道為數(shù)不多。本研究使用額外參數(shù)正交化法(External parameter orthognolization，EPO)、光譜直接轉(zhuǎn)換法(DirectStandardization，DS)、光譜分段直接轉(zhuǎn)換法(Piecewise Direct Stan

11、dardization，PDS)三種方法對野外原位光譜中的環(huán)境影響因素進行去除。EPO是將所測的光譜投影到與將要去除的環(huán)境影響因素相正交的空間上，從而達到去除這一影響因素的目的。DS算法通過對野外原位光譜與室內(nèi)光譜的差值光譜進行分析，建立野外原位光譜與室內(nèi)光譜的轉(zhuǎn)換關(guān)系，對野外原位光譜進行轉(zhuǎn)換，實現(xiàn)環(huán)境影響因素的去除。PDS算法與DS算法的基本原理相同。所不同的是，在DS算法中，室內(nèi)光譜中的全波段數(shù)據(jù)都被用來與野外光譜的每一個波段進行關(guān)

12、聯(lián)并建立起線性關(guān)系進行轉(zhuǎn)換。而在PDS算法是將野外光譜中每個波段附近一個窗口內(nèi)的光譜數(shù)據(jù)與室內(nèi)光譜該波段的光譜數(shù)據(jù)進行關(guān)聯(lián)建立轉(zhuǎn)換關(guān)系，通過小窗口的移動，對野外光譜的所有波段進行轉(zhuǎn)換。研究結(jié)果表明，EPO、DS和PDS三種土壤水分影響去除算法都能有效提高基于野外原位光譜預(yù)測土壤有機碳的精度。未經(jīng)三種土壤水分影響去除算法處理的野外原位光譜可以對土壤有機碳進行粗略估測(1.4＜RPD＜2.0)，而經(jīng)過處理后可以進行準確的定量預(yù)測（RPD＞2

13、.0）。但是，三種算法各有優(yōu)劣。三種算法的共同點是都需要從整個樣本集中選擇具有代表性的一小部分樣本帶回實驗室，風干研磨過篩后測量其室內(nèi)光譜，用于建立野外原位光譜與室內(nèi)光譜之間的轉(zhuǎn)換關(guān)系，計算轉(zhuǎn)換系數(shù)。三種算法的不同點是，PDS算法是在移動的“小窗口”內(nèi)建立土壤野外原位光譜與室內(nèi)光譜之間的轉(zhuǎn)換關(guān)系，這一特性決定了PDS算法需要的轉(zhuǎn)換樣本數(shù)遠遠小于另外兩種算法。而轉(zhuǎn)換樣本數(shù)的減少，意味著節(jié)省了采樣以及樣品前處理所需要的時間和人力。但是，在本

14、研究中成功使用PDS算法去除野外光譜中土壤水分及其他環(huán)境影響因素的前提是對光譜進行一階導(dǎo)預(yù)處理;而對于EPO和DS算法則無需進行進行這一光譜預(yù)處理過程。最后，對經(jīng)過三種去除水分算法處理后的野外原位光譜有機碳預(yù)測精度進行比較，結(jié)果發(fā)現(xiàn)DS算法的精度最高。
　　(5)基于中國土壤光譜庫的野外原位vis-NIR光譜預(yù)測土壤有機碳研究
　　中國土壤vis-NIR光譜庫包含有多種類型的土壤樣本，基于中國土壤光譜庫建立的土壤有機碳預(yù)測模

15、型普適性高，可以實現(xiàn)對局部區(qū)域或田塊土壤有機碳的快速測量。然而，這一模型對野外原位采集的光譜并不適用，因為中國光譜庫中的光譜都是基于室內(nèi)測量的。本研究使用EPO、DS和PDS三種算法去除104個野外原位光譜中的水分影響因素后，利用中國土壤光譜庫模型進行野外原位vis-NIR光譜土壤有機碳的預(yù)測。研究結(jié)果表明，經(jīng)三種算法對野外原位光譜處理后，利用已有的中國土壤光譜庫模型對土壤有機碳的預(yù)測精度都有了大幅度的提高，從完全無法預(yù)測(RPD=0.

16、23)提高到可以粗略估計(對于EPO和PDS算法:RPD＞1.40)，甚至可以定量預(yù)測（對于DS算法:RPD=2.06）。使用DS算法處理后的野外原位光譜的預(yù)測精度接近于直接使用室內(nèi)光譜的預(yù)測精度（RPD=2.11）。因此，研究中結(jié)合DS算法給出了基于中國土壤光譜庫的野外原位vis-NIR光譜土壤有機碳快速預(yù)測的實際應(yīng)用方案。
　　本研究的研究對象為水稻土，由于水稻田存在水旱交替這種特殊的耕作形式，基于野外原位vis-NIR光譜測

17、量技術(shù)對于保證在排水疏干的短暫時間內(nèi)完成土壤屬性的快速預(yù)量尤為必要。但是，與旱作土壤相比，其野外原位光譜中所受到的土壤水分及其他諸多環(huán)境因素的影響更為明顯，利用野外原位vis-NIR光譜預(yù)測其屬性的精度低于一般旱作土壤。因此，提高野外原位光譜預(yù)測水稻土屬性的精度，去除水稻土野外原位光譜中的水分影響因素，顯得更加迫切。本研究基本完成研究內(nèi)容，達到了預(yù)期的研究目標，在以下個方面取得了新進展:
　　(1)已有較多研究使用和比較了各種線性