CN103134770A - 消除水分对近红外光谱检测土壤全氮含量影响的方法 - Google Patents

Abstract

本发明提供一种消除水分对近红外光谱检测土壤全氮含量影响的方法，该方法包括：对土壤样本集进行光谱扫描，获得预定波长范围内土壤样本集各个土壤样本的近红外吸光度值；设计了归一化水分吸收指数MAI；在对土壤按照MAI的梯度进行分类，提出相应的修正系数；利用修正系数分别对原始吸收光度进行修正，获得土壤修正吸光度数据，并选取若干个波长的修正吸光度数据作为全氮预测因子；利用BP神经网络建立土壤全氮预测模型进行全氮含量预测。通过本发明减少实验预处理过程，消除了土壤水分对近红外光谱检测土壤全氮含量准确性的影响，提高了检测效率。

Description

消除水分对近红外光谱检测土壤全氮含量影响的方法

技术领域

本发明涉及光谱检测技术领域，具体涉及一种消除水分对近红外光谱检测土壤全氮含量影响的方法。

背景技术

土壤全氮含量是最重要的土壤养分之一，许多研究探索了使用近红外光谱技术检测土壤全氮含量的模型，模型精度达到了相当高的水平。

近红外光谱(Near Infrared Reflectance Spectroscopy简称NIRS)分析法可以用来预测土壤中的全氮水平，其基本过程是：首先选取适宜的样本集，光谱扫描，建立土壤氮素的定标模型,也就是建立近红外光谱数据与实验室标准分析测定的土壤样品氮素成分数值的相关回归方程。然后，根据待测样品的光谱特征，利用相应的定标模型对土壤氮素水平进行预测。但是由于土壤水分对近红外光有强烈吸收，土壤水分的存在大大影响了基于近红外光谱的土壤氮素检测精度。

近红外光谱分析主要分为透射光谱分析和漫反射光谱分析。透射光谱分析使用近红外的短波区域（0.8～1.2μm），主要用于对液体状样品或透过率较大的样品进行分析；漫反射光谱分析使用近红外的长波区域（1.4～2.5μm），主要用于对粉末状样品或固体样品进行分析。近红外光谱分析的主要优点是：分析速度快、对于单个光谱可进行多种组分的分析、不消耗样品、没有化学污染等。

发明专利“一种土壤全氮全磷联合测定的方法”包括土壤同步消煮预处理，土壤待测液制备，土壤全氮全磷含量测定三个步骤。发明的优点：避免了土壤重复称样和消煮，简化实验操作流程；土壤消化处理所使用的加速剂改为硫酸钾硫酸铜，避免了硒粉对人体的毒害作用；土壤全氮全磷测定采用连续流动注射分析仪测定，提高了准确性和精密度。但是普通人员无法掌握专业化学的操作流程。

发明专利“基于近红外光谱技术的无损测量土壤养分含量的方法”，采用5种方法建立了预测土壤养分参数的模型，但是需要繁琐的土样预处理过程，并配合ASD光谱仪才能完成养分预测，整个过程都需要在电脑的控制下完成。可见这些研究也存在一些问题，主要表现在土壤水分会对土壤全氮含量预测带来严重干扰，需要繁琐的预处理过程，以消除土壤水分对土壤氮、磷等营养元素含量的预测精度。

发明内容

（一）所要解决的技术问题

本发明通过提供一种近红外光谱分析土壤含氮含量的方法，在不降低检测精度的前提下，减少预处理过程，消除土壤水分对测量的影响。

（二）技术方案

本发明提供了一种消除水分对近红外光谱检测土壤全氮含量影响的方法，该方法包括：

S1、对土壤样本集进行光谱扫描，获得预定波长范围内土壤样本集中各土壤样本的近红外吸光度值

其中，k是土壤样本序号，k=1，...,n，n是土壤样本集中样本的数量，j是波长；

S2、利用波长为1450nm和1940nm处的吸光度值计算归一化水分吸收指数MAI： ${\mathrm{MAI}}^k=\frac{A_{1940}^k-A_{1450}^k}{A_{1940}^k+A_{1450}^k}\×100;$

其中，

和

分别是第k个土壤样本在1940nm和1450nm处的吸光度值；

S3、将所述MAI划分为预设的若干个梯度：≤MAIT₁，(MAIT₁,MAIT₂]，...,(MAIT_i-1,MAIT_i]，...,（MAIT_m-2，MAIT_m-1］，>MAIT_m-1，同时确定不同MAI梯度的土壤吸光度的修正系数λ_i：

其中，i是MAI分类梯度序号，i＝1，...,m；m是预设的MAI梯度的个数；MAIT_i是MAI分类梯度的边界值；λ_i是MAI为第i个梯度的土壤吸光度的修正系数；A_avgs是所述≤MAIT₁梯度的土壤样本平均吸光度值；A_avgi是MAI为第i个梯度的土壤样本的平均吸光度值；

S4、利用修正系数分别对所述吸收光度值

进行修正，获得土壤修正吸光度值

并计算修正吸光度一阶微分光谱，基于相关关系法选取若干个波长的修正吸光度值或修正吸光度一阶微分光谱作为全氮预测因子;

S5、将所述预测因子作为输入层变量，土壤全氮含量作为输出层变量，利用BP神经网络建立土壤全氮预测模型，进行土壤全氮含量预测。

进一步，步骤S1中所述预定波长范围为800-2300nm。

进一步，所述步骤S3中将所述MAI划分为预设的梯度为≤5.3、(5.3,6.0]、(6.0,7.2]、(7.2,8.0]、>8.0共5个梯度，同时确定相应MAI梯度所对应的土壤水分含量为0%~2.0%、2.0%~4.0%、4.0%~8.0%、8.0%~12.0%和>12.0%5个梯度。

进一步，步骤S5中所述选取若干个波长为：选取6个波长，分别为1550nm、1300nm、1200nm、1100nm、1050nm和940nm。

（三）有益效果

通过本发明减少了土样预处理过程：传统土壤全氮检测方法需要繁琐的土样预处理过程，普通人员无法完成，本发明使预处理过程大为减少，普通人员经过简单培训即可完成，提高了检测的效率。

本发明提出使用MAI的预设的梯度对土壤样本进行分类，进而提出了不同土壤水分的修正系数，结果表明修正后的吸光度和土壤全氮含量的相关系数显著提高。通过BP神经网络方法建立了土壤全氮预测模型。为土壤全氮的准确检测提供了可靠保证。

附图说明

图1为本发明方法的步骤流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。

在同一全氮含量水平下，土壤光谱受到土壤水分的影响非常严重。随着土壤水分的增加，土壤的反射率逐渐降低，吸光度逐渐升高。由于近红外光谱对土壤水分的OH键吸收较为明显，掩盖了土壤全氮NH键的吸收信息，导致在光谱曲线上只反映出土壤水分的变化趋势。本发明采用近红外光谱技术检测土壤全氮，首先测量土壤样本在一定波长范围内的近红外吸光度值，提出了一种新的数据处理方法计算修正吸光度值以消除土壤水分对土壤全氮含量预测的影响，提出了用于土壤全氮含量预测的几个特征波长，提出了一套基于所提出的特征波长的土壤全氮含量预测BP神经网络模型的参数。

如图1所示，本发明技术方案所提供方法的具体步骤为：

S1、对土壤样本集进行光谱扫描，获得预定波长范围内土壤样本集中各土壤样本的近红外吸光度值

其中，k是土壤样本序号，k=1，...,n，n是土壤样本集中样本的数量，j是波长；

进一步，预定波长范围可取为800-2300nm；

S2、利用波长为1450nm和1940nm处的吸光度值计算归一化水分吸收指数MAI： ${\mathrm{MAI}}^k=\frac{A_{1940}^k-A_{1450}^k}{A_{1940}^k+A_{1450}^k}\×100;$

其中，

和

分别是第k个土壤样本在1940nm和1450nm处的吸光度值；

S3、将所述MAI划分为预设的若干个梯度：≤MAIT₁，(MAIT₁,MAIT₂],...,(MAIT_i-1,MAIT_i],...,（MAIT_m-2，MAIT_m-1］,>MAIT_m-1，同时确定不同MAI梯度的土壤吸光度的修正系数λ_i：

其中，i是MAI分类梯度序号i＝1，...,m；m是预设的MAI梯度的个数；MAIT_i是MAI分类梯度的边界值；λ_i是MAI为第i个梯度的土壤吸光度的修正系数；A_avgs是所述≤MAIT₁梯度的土壤样本平均吸光度值；A_avgi是MAI为第i个梯度的土壤样本的平均吸光度值；

进一步，本发明m取值为5，即将MAI划分为5个梯度：≤MAIT₁、(MAIT₁,MAIT₂]、(MAIT₂，MAIT₃]、（MAIT₃，MAIT₄］、>MAIT₄，对应的分别为≤5.3、(5.3,6.0]、(6.0,7.2]、(7.2,8.0]、>8.0，同时确定相应MAI梯度的土壤水分含量为0%~2.0%、2.0%~4.0%、4.0%~8.0%、8.0%~12.0%、>12.0%5个梯度。

S4、利用修正系数分别对所述吸收光度值

进行修正，获得土壤修正吸光度值

并计算修正吸光度一阶微分光谱，基于相关关系法选取若干个波长的修正吸光度值或修正吸光度一阶微分光谱作为全氮预测因子;

进一步，可选取6个波段，这6个波段分别是1550nm、1300nm、1200nm、1100nm、1050nm和940nm。

S5、将所述预测因子作为输入层变量，土壤全氮含量作为输出层变量，利用BP神经网络建立土壤全氮预测模型，进行土壤全氮含量预测。

具体的实施步骤：

S1、对土壤样本集进行光谱扫描，获得波长范围为800-2300nm内的土壤样本集各个土壤样本的近红外吸光度值即横坐标为波长，纵坐标为吸光度值的近红外光谱曲线；

其中，k是土壤样本序号，k=1，...,n，n是土壤样本集中样本的数量，这里n可取值范围为几十至上百，j是波长。

S2、利用波长为1450nm和1940nm处的吸光度值计算归一化水分吸收指数MAI： ${\mathrm{MAI}}^{\mathrm{\κ}}=\frac{{A^{\mathrm{\κ}}}_{1940}-{A^{\mathrm{\κ}}}_{1450}}{{A^{\mathrm{\κ}}}_{1940}+{A^{\mathrm{\κ}}}_{1450}}\×100;$

其中，MAI^κ是第k个土壤样本的归一化水分吸收指数，

和

分别是第k个土壤样本在1940nm和1450nm处的吸光度值。

由实验知土壤水分在1450nm和1940nm处具有明显的吸收峰，使用线性方法可以准确预测土壤水分的含量，国内外学者对此进行了研究，预测精度可以达到较高水平，使用1450nm和1940nm处的吸光度能够更好的预测土壤水分含量，预测精度明显好于单独使用一个波段。

S3、将所述MAI划分预设的若干个梯度，同时确定相应MAI梯度的土壤水分含量：具体的，将土壤按照MAI进行分类，然后提出各类MAI梯度的土壤吸光度修正系数。将MAI分为≤5.3、(5.3,6.0]、(6.0,7.2]、(7.2,8.0]和>8.0等5个梯度。确定相应的土壤水分含量为0%~2.0%、2.0%~4.0%、4.0%~8.0%、8.0%~12.0%和>12.0%等5个梯度。

S4、在土壤分类基础上，计算不同MAI梯度（与水分梯度相对应）的土壤吸光度的修正系数λ_i：

其中：i是MAI分类梯度序号，i＝1,2,3,4,5；λ_i是MAI为第i个梯度的修正系数；A_avgs是MAI<5.3的土壤样本平均吸光度值；A_avgi是MAI为第i个梯度的土壤样本的平均吸光度值，表1为MAI分类范围和修正系数表：

表1

如前所述，由于针对风干土壤的全氮预测已经有了丰富的研究经验，研究修正系数的物理意义就是把高水分的土壤光谱修正为接近风干土壤的光谱，然后用于土壤全氮预测。

S5、对于所有的土壤样本，利用修正系数分别对所述吸收光度值

进行修正计算其修正吸光度

和修正后的吸光度一阶微分光谱数据;

其中，

是修正吸光度值；

是原始吸光度值，k是土壤样本序号，j是波长，范围为830~2300nm；λ_i是修正系数。该计算式具体计算为，对于每一个样本有其自己的修正系数，即λ_i，样本中每一波长的修正吸光度值为该波长的原始吸光度值乘以该样本的修正系数λ_i，

表示第k个样本在j波长处修正吸光度值。

修正后的吸光度就消除了土壤水分对土壤样本近红外光谱的影响，可以提高土壤全氮含量的预测精度。

使用修正后的吸光度数据和吸光度一阶微分光谱数据作为原始数据，根据相关关系法，反复地验证分析，选取6个波段的吸光度数据作为土壤全氮含量预测模型预测因子，这6个波段是1550nm、1300nm、1200nm、1100nm、1050nm和940nm。

S6、将6个波段1550nm、1300nm、1200nm、1100nm、1050nm、和940nm修正后的吸光度数据（A_r1550、A_r1300、A_r1200、A_r1100、A_r1050和A_r940）作为输入层变量，土壤全氮含量作为输出层变量，使用6-20-1结构的BP神经网络进行建模。BP神经网络详细参数如表2所示，就可获得高精度的土壤全氮含量预测结果。

表2

本发明的操作简单，详细工作过程和数据处理方法具体包括：

第一步，将土样取回室内粉碎，分成2份，1份使用布鲁克公司生产的MATRIX-I型傅里叶光谱分析仪进行光谱扫描，另一份使用福斯2300凯氏定氮仪进行定氮测量。

第二步，通过本发明提出的修正方法对光谱数据进行修正，并进行相应的Savitzky-Golay卷积平滑滤波获得土壤全氮预测建模所需吸光度数据。

第三步，使用6个波段(940nm、1050nm、1100nm、1200nm、1300nm和1550nm)处修正吸光度数据，通过BP神经网络建立土壤全氮预测模型。

第四步，将验证数据带入标定模型，对土壤全氮含量进行预测。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (4)

1.一种消除水分对近红外光谱检测土壤全氮含量影响的方法，其特征在于，该方法包括：

S1、对土壤样本集进行光谱扫描，获得预定波长范围内土壤样本集中各土壤样本的近红外吸光度值

其中k是土壤样本序号，k=1，...,n，n是土壤样本集中样本的数量，j是波长；

S2、利用波长为1450nm和1940nm处的吸光度值计算归一化水分吸收指数MAI： ${\mathrm{MAI}}^k=\frac{A_{1940}^k-A_{1450}^k}{A_{1940}^k+A_{1450}^k}\&times;100;$

其中，k是土壤样本序号，

和

分别是第k个土壤样本在1940nm和1450nm处的吸光度值；

S3、将所述MAI划分为预设的若干个梯度：≤MAIT₁，(MAIT₁,MAIT₂]，...,(MAIT_i-1,MAIT_i]，...,（MAIT_m-2，MAIT_m-1］，>MAIT_m-1，同时确定不同MAI梯度的土壤吸光度的修正系数λ_i：

其中，i是MAI分类梯度序号，i＝1,2,3…m；m是预设的MAI梯度的个数；MAIT_i是MAI分类梯度的边界值；λ_i是MAI为第i个梯度的土壤吸光度的修正系数；A_avgs是所述≤MAIT₁梯度的土壤样本平均吸光度值；A_avgi是MAI为第i个梯度的土壤样本的平均吸光度值；S4、利用修正系数分别对所述吸收光度值

进行修正，获得土壤修正吸光度值

并计算修正吸光度一阶微分光谱，基于相关关系法选取若干个波长的修正吸光度值或修正吸光度一阶微分光谱作为全氮预测因子;

S5、将所述预测因子作为输入层变量，土壤全氮含量作为输出层变量，利用BP神经网络建立土壤全氮预测模型，进行土壤全氮含量预测。

2.如权利要求1所述方法，其特征在于，步骤S1中所述预定波长范围为800-2300nm。

3.如权利要求1所述方法，其特征在于，所述步骤S3中将所述MAI划分为预设的梯度为≤5.3、(5.3,6.0]、(6.0,7.2]、(7.2,8.0]、>8.0共5个梯度，同时确定相应MAI梯度所对应的土壤水分含量为0%~2.0%、2.0%~4.0%、4.0%~8.0%、8.0%~12.0%和>12.0%5个梯度。

4.如权利要求1所述方法，其特征在于，步骤S5中所述选取若干个波长为：选取6个波长，分别为1550nm、1300nm、1200nm、1100nm、1050nm和940nm。

Images