便捷式近紅外光譜儀在土壤養分中的預測研究

衛青　李長昱　許孟操　李明　劉維涓

摘要 采集位于云南省昆明、安寧、彌勒3個地區的350份土壤樣品，利用便攜式近紅外光譜儀進行光譜的掃描并構建全氮、全鉀、全磷和有機質4項養分的近紅外預測模型。結果表明，在950～1 650 nm，不同地區的土壤樣品光譜的輪廓較為接近；全氮、全磷、有機質的最佳預處理方法為一階導數，全鉀的最佳預處理方法為標準正態變量變換（SNV），光譜數據經過預處理后可提高模型的預測能力，并降低模型的復雜度；在土壤養分的PLS預測模型中，全氮、全鉀、全磷和有機質的決定系數（R）分別為0.789 9、0.910 8、0.947 0和0.833 6，RPD值分別為2.108、2.903、3.938和2.238，模型的擬合效果和預測能力均較好，基于便攜式近紅外光譜分析技術能實現對土壤養分含量的預測。

關鍵詞近紅外；全氮；全鉀；全磷；有機質；偏最小二乘法

中圖分類號S126文獻標識碼A

文章編號0517-6611（2023）08-0006-04

doi：10.3969/j.issn.0517-6611.2023.08.002開放科學（資源服務）標識碼（OSID）：

Study on Prediction of Soil Nutrients by Portable Near Infrared Spectrometer

WEI Qing， LI Chang-yu， XU Meng-cao et al（Yunnan Reascend Tobacco Technology（Group）Co.，Ltd.，Kunming，Yunnan 650106）

Abstract350 soil samples were collected from Kunming， Anning and Mile in Yunnan Province， and the spectra were scanned by portable near infrared spectrometer，the near infrared prediction model of total nitrogen， total potassium， total phosphorus and organic matter in soil were established.The results showed that the spectral profiles of soil samples from different regions were close in wavelength bands of 950 -1 650 nm.The best pretreatment method of total nitrogen， total phosphorus and organic matter was the first derivative， and the best pretreatment method of total potassium was SNV.The preprocessed spectra could improve the prediction ability and reduce the complexity of the model.In the PLS prediction model of soil nutrient， the determination coefficients （R） of total nitrogen， total potassium， total phosphorus and organic matter were 0.789 9，0.910 8， 0.947 0 and 0.833 6 respectively， and the RPD values were 2.108， 2.903， 3.938 and 2.238 respectively.The fitting effect and prediction ability of the model were good.The soil nutrient content could be predicted by portable near infrared spectroscopy.

Key wordsNear infrared;Total nitrogen;Total potassium;Total phosphorus;Organic matter;Partial least squares

土壤的成分十分復雜，有機物和無機物互作，動物、植物和微生物共生，固相、液相和氣相共存［1］。氮、磷、鉀和有機質作為土壤中的主要營養成分，其含量的多少對促進農作物的生長、營養的運輸以及提高作物抗旱、抗寒能力等均有極大的影響作用［2］，其中，氮含量指標被廣泛用于土壤養分供應能力、植物養分吸收和利用規律等農化分析中［3］，并對作物生長過程中有機物的形成起到十分關鍵的作用［4-5］；磷作為僅次于全氮的營養成分，對土壤肥力的高低也有較大的影響，且土壤磷的流失也是導致湖泊富營養化的主要因素［6］；鉀可以提高作物的抗逆性，增強其抵抗不良環境侵蝕的能力，進而改善其品質［7］；有機質含有植物生長發育所需要的各種營養元素，還能改良土壤結構并提高土壤的保水保肥能力［8］。如何快速、準確地測定土壤養分含量是提高農作物產量的基礎，同時也是實施精細農業的前提［9-10］。

傳統土壤養分含量的測定方法為化學法，該方法測量結果準確度高，但對測量條件的要求嚴，測量時間長，難以滿足對土壤養分的實時監控要求［11-12］。由于近紅外光譜技術具有綠色、快速、無損等特點，其應用于土壤營養成分的預測已成為國內外學者的研究重點，采用高光譜分析儀、傅里葉變換近紅外光譜分析儀等設備對土壤吸收/反射光譜與養分含量的研究結果顯示，土壤光譜與對應的養分含量之間存在顯著的相關性，通過構建預測模型可實現對土壤中有機質、全氮、全磷、全鉀、速效磷、速效鉀、碳酸鈣、pH等理化指標的預測［13-16］，但由于機載高光譜分析儀受天氣的影響較大，而傅里葉變換近紅外光譜分析儀體積較大，價格昂貴，只適用于實驗室分析，圍繞便攜式近紅外光譜分析儀在土壤養分預測中的應用則研究較少［17］。便攜式近紅外光譜分析儀以其方便、快速的優點在紡織、食品、藥品等領域得到了越來越多的應用，具有廣闊的應用前景［18］。因而，筆者采用便攜式近紅外光譜儀構建土壤中全氮、全鉀、全磷和有機質4項主要養分的近紅外預測模型， 可為土壤養分的實時監控提供新的思路。

1材料與方法

1.1土壤采樣與制備土壤樣品采自云南省的昆明、安寧、彌勒3個地區，土壤所種作物為烤煙、蔬菜和果樹，采樣時先將表層土壤（0～5 cm）去除，采集耕作層（5～25 cm）的土壤進行研究，每個采樣點采集1 kg左右土壤，去除石塊、樹枝等異物后裝入樣品袋中進行密封［19］，共計采集土壤樣品350份。為降低水分和粒徑的干擾，樣品帶回實驗室后先烘干，再研磨后過60目篩，每個樣品分成2份，一份用于測定全氮、全鉀、全磷和有機質的含量，另一份用于光譜數據的采集。

1.2土壤養分含量測定根據《土壤全氮測定法》（NY/T 53—1987）、《土壤全鉀測定法》（NY/T 87—1988）、《土壤全磷測定法》（NY/T 88—1988）、《土壤有機質的測定》（NY/T 1121.6—2006）4項農業行業標準測定樣品中全氮、全鉀、全磷和有機質的含量，表1為4項指標的含量統計。

1.3光譜數據采集與預處理采用由臺灣中強光電子公司生產的近紅外光譜模塊（型號NIR-M-R2）自主開發的手持設備進行光譜數據采集，掃描模式為Column，輸出數據為Absorbance，掃描時為避免土壤對探頭的污染，將樣品裝入透明塑料自封袋中，并以自封袋中的標準白板作為參比，每個樣本采集5條光譜，平均光譜作為該樣品的代表光譜，每測3個樣品就重新用自封袋中的白板進行一次定標。光譜有效波長為950～1 650 nm，波長間隔為3 nm。對光譜數據采用標準正態變量變換（standard normal variate transformation，SNV）、多元散射校正（multiplicative scatter correction，MSC）、Savitzky-Golay卷積求導法消除固體顆粒大小、顆粒分布不均勻、基線變化等對近紅外漫反射光譜的影響［20］，并篩選出與待測化學組分相關性高的變換數據構建土壤養分預測模型。

1.4建模與評價選用偏最小二乘法（partial least squares，PLS）進行建模，采用校正均方根誤差（root mean square error of calibration，RMSEC）、交互驗證均方根誤差（root mean square error of cross validation，RMSECV）、預測均方根誤差（root mean square error of prediction，RMSEP）、決定系數（R）和驗證集標準偏差與預測標準偏差的比值（ratio of standard deviation of the validation set to standard error of prediction，RPD）對模型進行評價。其中，R越大，RMSEC 和RMSECV越小，模型的精度越高；RMSEP越小，RPD越大，模型的預測能力越好。另外，當預測模型 RPD≥2.0 時，表示該模型有較好的估測能力；當 1.4 ＜ RPD ＜ 2.0 時，表示該模型可以對樣品進行粗略估測；當 RPD≤1.4 時，表示該模型預測能力很差，無法對樣品進行估測［21］。

2結果與分析

2.1土壤的光譜特性分析不同地區的土壤樣品在950～1 650 nm 波段，其吸收光譜的輪廓較為接近，并在1 400 nm附近出現一個明顯的吸收峰，這主要是由于土壤中的水分子對近紅外光的吸收引起的。在土壤的原始光譜（圖1a）中，由于樣品受粒度、填充密度和基線漂移等因素的影響，不同樣品的光譜差異較大，需對原始光譜數據進行適當的預處理，以便提高模型的穩健性；經過SNV（圖1b）和MSC（圖1c）處理后的光譜可消除顆粒分布不均勻及顆粒大小產生的散射影響，從光譜圖上看，2種方法處理后的光譜效果相似，主要是由于SNV與MSC是線性相關的，不同之處在于SNV是針對一條光譜進行處理，MSC是基于一組光譜進行處理；經過一階求導處理后的光譜可有效消除基線和其他背景干擾的影響，提高分辨率和靈敏度，但它同時也會引入噪聲，從經過一階求導的光譜圖（圖1d）上看，在950～1 200和1 500～1 650 nm 存在明顯的高頻噪聲。

2.2土壤養分含量的預處理算法選擇采用原始光譜和經過SNV、MSC、一階導數、SNV+一階導數、MSC+一階導數預處理后的光譜數據分別對全氮、全鉀、全磷和有機質4項指標進行PLS建模，選擇交互驗證均方根誤差（RMSECV）最低的作為最佳預處理方法。不同預處理方法對PLS模型交互驗證均方根誤差的影響如表2所示，全氮、全磷、有機質的最佳預處理方法均為一階導數，全鉀的最佳預處理方法為SNV，光譜數據經過預處理后一定程度上可提高模型的預測能力，并降低模型的復雜度（PLS主因子下降），但SNV+一階導數、MSC+一階導數2種組合的預處理方法均不太理想，可能是由于手持近紅外的分辨率較低，選用的預處理方法增加后一定程度上會造成特征信號的丟失，從而降低模型的預測效果。

2.3土壤養分含量與吸收光譜的相關性分析根據每項指標最佳的數據預處理方法，計算預處理后的光譜矩陣中每個波點對應的吸光度向量與待測組分濃度向量的相關系數，得到每個波點變量下的相關系數［22］。在全氮含量與一階導數處理光譜的相關性中（圖2），1 361 nm處的負相關系數最大，為-0.85 6，1 415 nm處的正相關系數最大，為0.842；在全鉀含量與SNV處理光譜的相關性中（圖3），1 379 nm處的負相關系數最大，為-0.669，1 127 nm處的正相關系數最大，為0.602；在全磷含量與一階導數處理光譜的相關性中（圖4），1 412 nm處的負相關系數最大，為-0.714，1 349 nm處的正相關系數最大，為0.661；在有機質含量與一階導數處理光譜的相關性中（圖5），1 394 nm處的負相關系數最大，為-0.854，1 433 nm 處的正相關系數最大，為0.857。

2.4土壤養分含量的PLS預測模型及預測結果分析根據全氮、全鉀、全磷和有機質的最佳預處理方法對光譜數據進行預處理后，采用偏最小二乘法（PLS）構建各項指標的預測模型，建模時將350份樣品采用SPXY算法按照7∶3的比例劃分為校正集和預測集，校正集含245份樣品，預測集含105份樣品。同時，由于一階求導后的光譜數據在前后兩端存在明顯的高頻噪聲，為提高模型的穩健性，建模將高頻噪聲部分剔除，全氮、全磷和有機質3項指標采用1 250～1 470 nm相關性最高且穩定性較強的波段進行建模，全鉀則采用SNV處理后的全譜進行建模。各養分含量模型的評價指標如表3所示，預測值與實際值散點圖如圖6所示。

從表3可以看出，全氮、全鉀、全磷、有機質4項指標中RMSECV和RMSEP略大于RMSEC，但整體較為接近，說明模型不存在明顯的過擬合現象；4項指標的RPD值均在2.0以上，說明4項指標的模型均具有較好的估測能力。從預測值與實際值的散點圖上看（圖6），采用SPXY算法劃分的校正集和預測集的濃度分布較為均勻，代表性較好；全氮、全鉀、全磷、有機質預測模型的決定系數（R）分別為0.789 9、0.910 8、0.947 0、0.833 6，擬合效果較為理想；但樣本中全磷的含量主要集中在0.15%以下，少量在0.25%以上，一定程度上會影響后續的預測效果。

3結論

對云南省3個地區的土壤進行研究，測定了350份土壤中全氮、全鉀、全磷和有機質的含量及其手持近紅外光譜，采用偏最小二乘法（PLS）建立了土壤中4種養分含量的預測模型，得出以下結論：①以RMSECV為評價標準，全氮、全磷、有機質的最佳預處理方法為一階導數，全鉀的最佳預處理方法為SNV，光譜數據經過預處理后可以降低模型的復雜度并提高模型的預測能力；②計算經過最佳預處理算法處理后的光譜矩陣中每個波點對應的吸光度向量與待測組分濃度向量的相關系數，與全氮含量向量正相關和負相關最高的波點分別為1 415和1 361 nm，與全鉀含量向量正相關和負相關最高的波點分別為1 127和1 379 nm，與全磷含量向量正相關和負相關最高的波點分別為1 349和1 412 nm，與有機質含量向量正相關和負相關最高的波點分別為1 433和1 394 nm；③在土壤養分含量的PLS預測模型中，全氮、全鉀、全磷和有機質預測模型的決定系數（R）分別為0.789 9、0.910 8、0.947 0和0.833 6，RPD值分別為2.108、2.903、3.938和2.238，模型的擬合效果和估測能力均較好，說明基于手持近紅外光譜分析技術能實現對土壤中全氮、全鉀、全磷和有機質4項指標的預測。

參考文獻

［1］ 劉燕德，熊松盛，劉德力.近紅外光譜技術在土壤成分檢測中的研究進展［J］.光譜學與光譜分析，2014，34（10）：2639-2644.

［2］ 李雪瑩，范萍萍，侯廣利，等.可見-近紅外光譜的土壤養分快速檢測［J］.光譜學與光譜分析，2017，37（11）：3562-3566.

［3］ 殷彩云，白子金，羅德芳，等.基于高光譜數據的土壤全氮含量估測模型對比研究［J］.中國土壤與肥料，2022（1）：9-15.

［4］ 王煒超，楊瑋，崔玉露，等.基于CatBoost算法與圖譜特征融合的土壤全氮含量預測［J］.農業機械學報，2021，52（S1）：316-322.

［5］ WANG W C，YANG W，ZHOU P，et al.Development and performance test of a vehicle-mounted total nitrogen content prediction system based on the fusion of near-infrared spectroscopy and image information［J/OL］.Computers and electronics in agriculture，2022，192［2022-03-17］.https：//doi.org/10.1016/j.compag.2021.106613.

［6］ 魏丹萍，鄭光輝.高光譜反射率的濱海地區土壤全磷含量反演［J］.光譜學與光譜分析，2022，42（2）：517-523.

［7］ 谷賀賀，李靜，張洋洋，等.鉀肥與我國主要作物品質關系的整合分析［J］.植物營養與肥料學報，2020，26（10）：1749-1757.

［8］ 王麗萍，劉煥軍，鄭樹峰，等.東北農牧交錯帶耕地土壤有機質遙感反演研究［J］.土壤，2022，54（1）：184-190.

［9］ 王文俊，王璨，李志偉，等.基于高光譜技術的褐土土壤總氮含量的預測［J］.山西農業大學學報（自然科學版），2018，38（9）：71-76.

［10］ MIRAN N，SADAGHIANI M H R，FEIZIASL V，et al.Predicting soil nutrient contents using Landsat OLI satellite images in rain-fed agricultural lands， northwest of Iran［J］.Environmental monitoring and assessment，2021，193（9）：607.

［11］ 葛曉雯，王夢，李耀翔.近紅外技術在土壤化學組分預測中的應用研究綜述［J］.森林工程，2013，29（6）：72-76.

［12］ 彭一平，劉振華，王璐，等.華南地區土壤全鉀含量高光譜反演模型研究［J］.西南農業學報，2019，32（10）：2383-2389.

［13］ 玉米提·買明，王雪梅.連續小波變換的土壤有機質含量高光譜估測［J］.光譜學與光譜分析，2022，42（4）：1278-1284.

［14］ 尤承增，楊新源，束安，等.土壤全鉀含量高光譜估測模型［J］.遙感信息，2017，32（4）：92-97.

［15］ 盧艷麗，白由路，王賀，等.利用光譜技術監測土壤主要養分含量潛力分析［J］.土壤通報，2012，43（3）：756-760.

［16］ CAI H T，LIU J，CHEN J Y，et al.Soil nutrient information extraction model based on transfer learning and near infrared spectroscopy［J］.Alexandria engineering journal，2021，60（3）：2741-2746.

［17］ SHI Y B，YU X Y，FENG Q H，et al.Design of portable near infrared soil nutrient measuring instrument［J］.Optik-international journal for light and electron optics，2015，126（2）：230-233.

［18］ 褚小立，史云穎，陳瀑，等.近五年我國近紅外光譜分析技術研究與應用進展［J］.分析測試學報，2019，38（5）：603-611.

［19］ 周鵬，王煒超，楊瑋，等.土壤粒度對基于近紅外離散波長土壤全氮預測精度影響［J］.光譜學與光譜分析，2021，41（12）：3682-3687.

［20］ 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預處理及波長選擇方法進展與應用［J］.化學進展，2004，16（4）：528-542.

［21］ 孫小香，趙小敏，謝文.基于高光譜的山地紅壤全氮含量估測模型對比研究［J］.江蘇農業科學，2018，46（15）：287-291.

［22］ 陳令奕，趙忠蓋，劉飛.基于特征波段的黃酒近紅外光譜檢測模型遞歸更新方法［J］.光譜學與光譜分析，2017，37（11）：3414-3418.