CN102680413B - 全景环带高光谱快速检测野外土壤有机质含量的装置和方法 - Google Patents

Abstract

本发明公开了一种全景环带高光谱快速检测野外土壤有机质含量的装置和方法。支柱垂直固定在底座上，两根横梁的一端孔固定在支柱上，光纤探头连接杆穿过两根横梁的另一端孔，下端安装全景环带光纤探头和微型激光测距仪探头，探头与激光测距仪主机连接，激光测距仪主机和传动系统分别装在上面横梁上，传动系统中的齿轮与环带相机连接杆侧面齿条的相啮合在底座中心孔中移动，相机与计算机相联。将装置移动到待测土壤的垂直圆柱形土洞上方，通过步进电机将全景环带光纤探头垂直下移到圆形土洞中光谱数据测试位置，通过计算机控制光谱仪进行光谱数据采集，利用小波变换方法进行光谱数据去噪预处理，用PLSR-ANN方法建立模型，预测有机质含量。

Description

全景环带高光谱快速检测野外土壤有机质含量的装置和方法

技术领域

本发明涉及一种野外土壤有机质含量快速检测的装置和方法，尤其是涉及一种全景环带高光谱快速检测野外土壤有机质含量的装置和方法。

背景技术

土壤是农业生产的基础，土壤有机质作为土壤的重要组成部分，其含量是土壤持久性肥力的重要标志，获取农田土壤有机质含量及其空间分布信息对指导实施农田精准管理、农田土壤肥力评价等工作具有重要意义。

目前，常规测定土壤有机质含量的化学分析方法通常周期长、成本高，并且很难在田间直接测定，不能满足快速有效监测土壤有机质空间分布和制图的需要。地面高光谱技术监测土壤有机质具有快速、简便、非接触、不破坏等优点，因此获得广泛关注。

基于实验室高光谱测定有机质方法的研究始于上世纪六十年代，发展较为成熟，获得广泛认可。Gunsaulis等（Gunsaulis F R,Kocher M F,Griffis C L.Surfacestructure effects on close-range reflectance as a function of soil organic mattercontent.American Society of Agricultural Engineer,1991,34:641-649）对东阿肯色州三角洲地区的土样进行研究，发现土壤有机质含量与红光波段的反射率具有较强的相关性，决定系数R²达0.609。程街亮（土壤高光谱遥感信息提取与二向反射模型研究.博士论文,杭州:浙江大学,2008）在对浙江省平湖市所采集的77个水稻土样品进行单相关分析后发现，利用568nm处的光谱反射率值建立的一元回归方程对土壤有机质的预测效果较好。但是此方法仍然存在很多不足：一是一系列土壤样品的采集、烘干、研磨及过筛等处理导致了土壤光谱测量的滞后性；二是忽略了土壤空间变异性，从而降低了土壤高光谱反演的精度。

土壤有机质的野外高光谱测量很好解决了上述问题。Ben-Dor等人（Ben-DorE,Heller D,Chudnovsky A.A novel method of classifying soil profiles in the fieldusing optical means.Soil Sci Soc Am J.,2008,72:1113-1123）发明了一种叫做3S-HeD的侵入式光学传感器获取土壤剖面的光谱特性进行土壤分类研究。刘焕军等（黑土有机质含量额外高光谱预测模型.光谱学与光谱分析.第30卷第12期，2010年12月）以田间原状黑土野外实测高光谱反射率为研究对象，分析黑土反射光谱特征，并建立了黑土有机质高光谱预测模型。但是，野外土壤高光谱研究由于采样及获取光谱信息方法的原因导致数据不具有全面性，且高稳定、高精度土壤预测物理模型和统计模型的算法尚不成熟。

传统的美国ASD地面光谱仪所带光纤探头每次只能获取一小块土斑的反射光谱信息，不能反映土层有机质的整体特性，具有一定的局限性。

在上述研究中，关于利用全景环带高光谱技术检测野外测土壤有机质含量的方法和装置的研究尚未见报道。

发明内容

为了克服现有土壤有机质检测费时、费力、周期长的缺陷，本发明的目的在于提供一种全景环带高光谱快速检测野外土壤有机质含量的装置和方法，将全景探头伸入环形洞中，可以一次性获取圆形土洞360°圆周向洞壁土壤的反射光谱信息，同时采用PLSR-ANN结合的模型反演得到精度高且全面的土壤有机质含量和分布状况。

本发明采用的技术方案是：

一、一种全景环带高光谱快速检测野外土壤有机质含量的装置：

在圆形的底座上开有中心孔，支柱垂直固定在底座上，底座下面安装固定螺钉和调节螺钉并为等边三角形布置，玻璃水平泡固定在底座上面，第一横梁和第二横梁的一端孔从下至上分别固定在支柱上，第一横梁和第二横梁的另一端分别开有孔，两孔与底座中心孔同轴，光纤探头连接杆穿过第一横梁和第二横梁的另一端孔，光纤探头连接杆下端安装全景环带光纤探头，全景环带光纤探头外装有朝下的微型激光测距仪探头，微型激光测距仪探头通过电缆与带显示屏微型激光测距仪主机连接，光纤探头连接杆上端开有安装延长杆的凹槽，带显示屏微型激光测距仪主机和传动系统分别装在第二横梁上面，传动系统中的齿轮与光纤探头连接杆侧面齿条的相啮合，使光纤探头连接杆带动全景环带光纤探头在底座中心孔中作垂直方向的上、下移动，全景环带光纤探头通过电缆与计算机相联。

所述的延长杆侧面有齿条，延长杆的一端凸起插入光纤探头连接杆上端的凹槽内锁紧成一体。

所述的传动系统由步进电机、安装在步进电机轴上的齿轮和棘轮棘爪机构组成。

二、一种全景环带高光谱快速检测野外土壤有机质含量的方法，该方法的步骤如下：

1.1）装置定位：将装置移动到待测土壤的垂直圆形土洞上方，将装置底座中心孔与土洞顶端完全对准，调节装置底座两个调节螺钉，使装置底座水平；

1.2）全景环带光纤探头定位：微型激光测距仪读数清零；施放棘轮棘爪制动装置，步进电机通过齿轮齿条传动装置，驱动光纤探头连接杆带动全景环带光纤探头作垂直向下移动，当微型激光测距仪显示的距离读数比全景环带光纤探头机身长度刚好大1cm时，关闭步进电机电源，此时全景环带光纤探头所处位置为光谱数据测试起始位置；从此处开始，根据测试需要，通过施加在步进电机上的脉冲信号自动控制全景环带光纤探头的光谱测试位置；

1.3）获取光谱数据：在每个光谱测试位置，通过计算机控制光谱仪测试光谱，光谱数据存储在计算机硬盘中。

其数据处理的步骤如下：

2.1）高光谱数据预处理：（a）每个光谱测试位置采集10次共10条光谱曲线，算术平均后得到该位置的原始光谱曲线，去除边噪声较大的边缘波段350~399nm和2451~2500nm；（b）采用小波变换对原始光谱进行去噪处理；

2.2）确定不同土壤类型：通过土壤剖面特性判断土壤类型；

2.3）建立预测模型：（a）首先建立偏最小二乘回归模型（PLSR），从原始变量中提取PLSR模型因子T1和U1的线性组合，再建立原始变量对T1的方程，最后建立回归方程；（b）利用PLSR提到的20个主分量作为BP神经网络的训练输入节点，建立了一个含20个输入节点、14个隐含层节点、1个输出节点的20-14-1三层BP神经网络模型；

2.4）偏最小二乘回归-BP神经网络模型精度评价：对模型精度参数预测均根方差（RMSE）、决定系数R²、测定值标准偏差与标准预测误差的比值RPD进行比较评估，评价偏最小二乘回归-BP神经网络模型预测野外土壤有机质含量的精度；

2.5）偏最小二乘回归建模在Unscrambler X10.1中完成，高光谱数据预处理、BP神经网络建模、偏最小二乘回归-BP神经网络模型精度评价通过MatlabR2009a编程实现。

本发明具有的有益效果是：

本发明是利用全景环带高光谱测试技术能一次性采集一个垂直的、直径很小的圆柱形土洞内位于同一高度的360度圆周向洞壁土壤高光谱数据，通过建立预测模型建模，能够快速测试野外土壤有机质含量。

附图说明

图1是本发明的立体结构图。

图2是延长杆立体图。

图3是图1的平面结构图。

图4不同土壤有机质含量水平获得的反射光谱曲线图。

图5采用PLSR建模方法预测土壤有机质的结果精度检验图。

图6采用PLSR-ANN建模方法预测土壤有机质的结果精度检验图。

图中：1、底座，2、主支柱，3、第一横梁，4、传动系统，5、第二横梁，6、紧固螺钉，7、光纤探头主连接杆顶端凹槽，8、底座水平调节螺钉，9、玻璃水平泡，10、全景环带光纤探头定位孔，11、全景环带光纤探头，12、微型激光测距仪探头，13、带显示屏微型激光测距仪主机，14、光纤探头连接杆，15、延长杆、16、固定孔，17、凸起，18、固定螺钉。

具体实施方式

下面结合附图和实例对本发明作进一步说明。

如图1、图2、图3所示，在圆形的底座1上开有中心孔10，支柱2垂直固定在底座1上，底座1下面安装固定螺钉18和调节螺钉8并为等边三角形布置，玻璃水平泡10固定在底座1上面，玻璃水平泡10位于两个调节螺钉8圆心连线的中间位置，第一横梁3和第二横梁5的一端孔从下至上分别固定在支柱2上，第一横梁3和第二横梁5的另一端分别开有孔，两孔与底座1中心孔10同轴，光纤探头连接杆14穿过第一横梁3和第二横梁5的另一端孔，光纤探头连接杆14下端安装全景环带光纤探头11，全景环带光纤探头11外装有朝下的微型激光测距仪探头12，微型激光测距仪探头12通过电缆与带显示屏微型激光测距仪主机13连接，光纤探头连接杆14上端开有安装延长杆15的凹槽7，凹槽7侧面开有三个孔，带显示屏微型激光测距仪主机13和传动系统4分别装在第二横梁5上面，传动系统4中的齿轮与光纤探头连接杆14侧面齿条的相啮合，使光纤探头连接杆14带动全景环带光纤探头11在底座1中心孔10中作垂直方向的上、下移动，全景环带光纤探头11通过电缆与计算机相联。

所述的延长杆15侧面有齿条，延长杆15的一端凸起17，凸起17侧面开有三个固定孔16，延长杆15的一端凸起17插入环带相机连接杆14上端的凹槽7内，用三个紧固螺钉6锁紧成一体。

所述的传动系统4由步进电机、安装在步进电机轴上的齿轮和棘轮棘爪机构组成。

该方法的步骤如下：

1）装置定位：将装置移动到待测土壤的垂直圆形土洞上方，将装置底座圆孔与土洞顶端完全对准，调节装置座两个水平调节螺钉，使装置底座水平；

2）全景环带光纤探头定位：微型激光测距仪读数清零；施放棘轮棘爪制动装置，步进电机通过齿轮齿条传动装置，驱动光纤探头连接杆带动全景环带光纤探头作垂直向下移动，当微型激光测距仪显示的距离读数比全景环带光纤探头机身长度刚好大1cm时，关闭步进电机电源，此时全景环带光纤探头所处位置为光谱数据测试起始位置；从此处开始，根据测试需要，通过施加在步进电机上的脉冲信号自动控制全景环带光纤探头的光谱测试位置。

3）获取光谱数据：在每个光谱测试位置，通过计算机控制光谱仪测试光谱，光谱数据存储在计算机硬盘中。

在进行光谱数据测试时，将带显示屏微型激光测距仪主机13的距离计数清零，将延长杆15的凸起17与光纤探头连接杆14的凹槽7配合，用3个紧固螺钉6通过三个固定孔16将二者紧固在一起。松开传动系统4中的棘爪，松开传动系统的制动装置，给传动系统4的步进电机施加一个反射脉冲，使步进电机运转时，光纤探头连接杆14作垂直向下移动，带动全景环带光纤探头11垂直向下移动，这个过程中，带显示屏微型激光测距仪主机13接收微型激光测距仪探头12传递过来的距离信息，当带显示屏微型激光测距仪主机13上的显示屏读数刚好大于全景环带光纤探头11的长度1cm时，关闭传动系统4步进电机的电源，此时由于重力作用，全景环带光纤探头11、两个光纤探头连接杆14和延长杆15会自由下落，正是由于重力作用，传动系统的棘爪会自动啮合棘轮，产生一个反作用力，阻止全景环带光纤探头11、两个光纤探头连接杆14和延长杆15继续垂直向下移动，此时的位置即进行全景环带摄影的初始位置。

给传到系统4的步进电机施加一个正向电脉冲，使光纤探头连接杆14和延长杆15作垂直向上移动，同时带动全景环带光纤探头11向上作垂直移动，移动的距离由脉冲的大小决定。

全景环带光纤探头11在离土洞底部1cm开始，进行光谱数据的测试，测试位置根据需要而定。全景环带光纤探头11通过光纤与光谱仪相连，光谱仪与计算机通过电缆相连，并由电脑控制完成每一次光谱数据采集，光谱数据存储以电脑硬盘中。

数据处理的步骤如下：

1）光谱数据预处理：

每个测试位置采集10条光谱曲线，取其算术平均值，算术平均后的曲线视为该测试位置的原始光谱曲线，去除边噪声较大的边缘波段350~399nm和2451~2500nm；

采用小波变换方法去噪，具体如下：首先对原始光谱进行小波变换得到高频和低频小波系数，再通过阈值法去除小波系数中被认为是噪声的元素（滤波）或者高频元素（平滑），最后将处理后的小波系数进行逆变换得到滤波后的光谱信号。

处理过程由Matlab R2009a实现。按照有机质含量高低进行分级，然后将每个级别内所有土壤光谱曲线求其平均，得到不同有机质含量下光谱反射曲线（见图4）。

2）确定不同土壤类型：通过土壤剖面特性大致判断土壤类型。

3）PLSR-ANN预测模型计算：

①偏最小二乘回归法（PLSR）：设有m个自变量X₁，X₂，…，X_m，p个因变量Y₁，Y₂，…，Y_p，共i（i=1，…，n）个观测值数据集。T、U分别为从自变量和因变量中提取的因子，称为偏最小二乘因子。从原始变量中提取第一对因子T₁和U₁的线性组合：

T₁=ω_1，1X₁+ω_1，2X₂+…+ω_1，mX_m=ω₁’X；   （1）

U₁=θ_1，1X₁+θ_1，2X₂+…+θ_1，mX_m＝θ₁’X    （2）

其中ω₁’为模型效应权重，θ₁’为因变量权重，为保证两者相关程度最大，因子协方差可由相应的因子得分向量的内积计算，转化为求条件极值问题；

其次建立初始变量对T₁的方程：

$\left\{\begin{array}{c}{X}_0=t_1{\mathrm{\α}}_1^{,}+E_1\\ Y_0=t_1{\mathrm{\β}}_1^{,}+F_1\end{array}\right.---\left(3\right)$

其中t₁同前，α’₁，β’₁为仅有一个自变量t₁时的参数向量，α’₁称为模型效应载荷量，E₁，F₁分别为n×m和n×p残差阵，根据普通最小二乘法可求得参数向量α’₁，β’₁；

最后建立回归方程：若提取的第一因子不能达到精度要求，则利用残差阵E₁，F₁取代X₀，Y₀继续提取因子；

假设最终提取了r个因子，X₀和Y₀对r个因子的回归方程为：

$\left\{\begin{array}{c}{X}_0=t_1{\mathrm{\α}}_1^{,}+\·\·\·+t_r{\mathrm{\α}}_r^{,}+E_r\\ Y_0=t_1{\mathrm{\β}}_1^{,}+\·\·\·+t_r{\mathrm{\β}}_r^{,}+F_r\end{array}\right.---\left(4\right)$

第一步分析所得自变量提取因子T_k(k=1，…,r)的线性组合带入因变量对r个因子的回归方程，得到因变量的回归方程：

Y_j=α_j，1X₁+…+α_j，mX_m    （5）

上述过程分析在Unscrambler X10.1软件中实现。

②利用PLSR提取的20个主分量作为神经网络的训练输入节点，在Matlab中进行人工神经网络（ANN）的训练，输出节点为1即土壤有机质的含量。采用常用的Tansig函数作为隐层传递函数，学习速率设为0.01，最大训练次数为8000次，模型期望误差为0.001，设定隐含层神经元数目为14，从而建立了一个20（输入节点）-14（隐含层节点）-1（输出节点）的三层BP网络模型。

4）模型预测结果精度评价：模型的验证主要选用决定系数(R²)、均方根误差（RMSE）以及测定值标准偏差与标准预测误差的比值RPD为模型评价参数，具体计算分别见公式(6)、(7)、(8)：

$R^2=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\hat{y}}_i-\stackrel{\‾}{y})}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}---\left(6\right)$

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}---\left(7\right)$

RPD=SD/RMSE    (8)

其中，y_i是观测值，

是y_i的预测值，

是y_i的平均值，SD是观测值标准偏差，n为样本数。

通过对比试验，利用Unscrambler X10.1和Matlab R2009a对预测结果的精度参数R²、RMSE、RPD进行比较，分别为0.8315、0.5275、2.45，显著优于PLSR法0.6161、0.7701、2.09，因此本发明采用的PLSR-ANN模型具有较好的预测能力。用PLSR法和PLSR-ANN法得到的预测拟合结果图分别见图5和图6。

5）整个计算，PLSR建模在Unscrambler X10.1中完成，其他计算采用MatlabR2009a编程实现。

Claims (5)

1.一种全景环带高光谱快速检测野外土壤有机质含量的装置，其特征在于：在圆形的底座（1）上开有中心孔（10），支柱（2）垂直固定在底座（1）上，底座（1）下面安装固定螺钉（18）和调节螺钉（8）并为等边三角形布置，玻璃水平泡（10）固定在底座（1）上面，第一横梁（3）和第二横梁（5）的一端孔从下至上分别固定在支柱（2）上，第一横梁（3）和第二横梁（5）的另一端分别开有孔，两孔与底座（1）中心孔（10）同轴，光纤探头连接杆（14）穿过第一横梁（3）和第二横梁（5）的另一端孔，光纤探头连接杆（14）下端安装全景环带光纤探头（11），全景环带光纤探头（11）外装有朝下的微型激光测距仪探头（12），微型激光测距仪探头（12）通过电缆与带显示屏微型激光测距仪主机（13）连接，光纤探头连接杆（14）上端开有安装延长杆（15）的凹槽（7），带显示屏微型激光测距仪主机（13）和传动系统（4）分别装在第二横梁（5）上面，传动系统（4）中的齿轮与光纤探头连接杆（14）侧面齿条的相啮合，使光纤探头连接杆（14）带动全景环带光纤探头（11）在底座（1）中心孔（10）中作垂直方向的上、下移动，全景环带光纤探头（11）通过电缆与计算机相联。

2.根据权利要求1所述的一种全景环带高光谱快速检测野外土壤有机质含量的装置，其特征在于：所述的延长杆（15）侧面有齿条，延长杆（15）的一端凸起（17）插入光纤探头连接杆（14）上端的凹槽（7）内锁紧成一体。

3.根据权利要求1所述的一种全景环带高光谱快速检测野外土壤有机质含量的装置，其特征在于：所述的传动系统（4）由步进电机、安装在步进电机轴上的齿轮和棘轮棘爪机构组成。

4.根据权利要求1所述装置的一种全景环带高光谱快速检测野外土壤有机质含量的方法，其特征在于，该方法的步骤如下：

1.1）装置定位：将装置移动到待测土壤的垂直圆形土洞上方，将装置底座中心孔与土洞顶端完全对准，调节装置底座两个调节螺钉，使装置底座水平；

1.2）全景环带光纤探头定位：微型激光测距仪读数清零；施放棘轮棘爪制动装置，步进电机通过齿轮齿条传动装置，驱动光纤探头连接杆带动全景环带光纤探头作垂直向下移动，当微型激光测距仪显示的距离读数比全景环带光纤探头机身长度刚好大1cm时，关闭步进电机电源，此时全景环带光纤探头所处位置为光谱数据测试起始位置；从此处开始，根据测试需要，通过施加在步进电机上的脉冲信号自动控制全景环带光纤探头的光谱测试位置；

1.3）获取光谱数据：在每个光谱测试位置，通过计算机控制光谱仪测试光谱，光谱数据存储在计算机硬盘中。

5.根据权利要求4所述的一种全景环带高光谱快速检测野外土壤有机质含量的方法，其特征在于，其数据处理的步骤如下：

2.1）高光谱数据预处理：（a）每个光谱测试位置采集10次共10条光谱曲线，算术平均后得到该位置的原始光谱曲线，去除边噪声较大的边缘波段350~399nm和2451~2500nm；（b）采用小波变换对原始光谱进行去噪处理；

2.2）确定不同土壤类型：通过土壤剖面特性判断土壤类型；

2.3）建立预测模型：（a）首先建立偏最小二乘回归模型，从原始变量中提取PLSR模型因子T1和U1的线性组合，再建立原始变量对 T1的方程，最后建立回归方程；（b）利用PLSR提到的20个主分量作为BP神经网络的训练输入节点，建立了一个含20个输入节点、14个隐含层节点、1个输出节点的20-14-1三层BP神经网络模型；

2.4）偏最小二乘回归-BP神经网络模型精度评价：对模型精度参数预测均根方差、决定系数R²、测定值标准偏差与标准预测误差的比值RPD进行比较评估，评价偏最小二乘回归-BP神经网络模型预测野外土壤有机质含量的精度；

2.5）偏最小二乘回归建模在Unscrambler X10.1中完成，高光谱数据预处理、BP神经网络建模、偏最小二乘回归-BP神经网络模型精度评价通过Matlab R2009a编程实现。

Images