CN105699314B - 一种利用中红外光谱检测土壤稳定碳同位素比值的方法 - Google Patents
一种利用中红外光谱检测土壤稳定碳同位素比值的方法 Download PDFInfo
- Publication number
- CN105699314B CN105699314B CN201610113353.1A CN201610113353A CN105699314B CN 105699314 B CN105699314 B CN 105699314B CN 201610113353 A CN201610113353 A CN 201610113353A CN 105699314 B CN105699314 B CN 105699314B
- Authority
- CN
- China
- Prior art keywords
- soil
- calibration
- isotope ratio
- spectrogram
- carbon isotope
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000002689 soil Substances 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 74
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 25
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 25
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 25
- 230000006641 stabilisation Effects 0.000 title claims abstract description 6
- 238000011105 stabilization Methods 0.000 title claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 37
- 230000003595 spectral effect Effects 0.000 claims description 34
- 238000001228 spectrum Methods 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002835 absorbance Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 239000002245 particle Substances 0.000 description 8
- 240000008289 Quercus suber Species 0.000 description 6
- 235000016977 Quercus suber Nutrition 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 238000004611 spectroscopical analysis Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 150000002500 ions Chemical class 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000002203 pretreatment Methods 0.000 description 5
- 238000000862 absorption spectrum Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012628 principal component regression Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- SBIBMFFZSBJNJF-UHFFFAOYSA-N selenium;zinc Chemical compound [Se]=[Zn] SBIBMFFZSBJNJF-UHFFFAOYSA-N 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 229910001220 stainless steel Inorganic materials 0.000 description 3
- 239000010935 stainless steel Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 239000011572 manganese Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000012044 organic layer Substances 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000155 isotopic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Abstract
本发明提供一种利用中红外光谱检测土壤稳定碳同位素比值的方法,包括如下步骤:1)测得多个定标土壤样品的稳定碳同位素比值;2)采集定标土壤样品的中红外波段的漫反射谱图,得到原始谱图;3)将原始谱图进行平滑预处理,得到处理后谱图;4)采用偏最小二乘法建立定标土壤样品的处理后谱图与稳定碳同位素比值间的定量关系模型;5)采集待测土壤样品的中红外波段的漫反射谱图,根据定量关系模型计算待测土壤样品的稳定碳同位素比值。通过该方法可以快速、准确、简便、低价的测定土壤δ13C值。
Description
技术领域
本发明涉及生态学领域,特别涉及一种检测土壤的稳定碳同位素比值的方法。
背景技术
稳定碳同位素比值(δ13C)分析方法可被用来表明土壤有机质的来源、研究土壤有机质及其组分的分解程度与周转、重现C3/C4植被的变化历史,在土壤有机质研究和生态学中正日益成为一个强有力的工具。测定土壤δ13C一般采用稳定同位素比例质谱法(IRMS),其工作原理为:土壤通过高温燃烧,其中的有机碳被转变成气态CO2;经色谱柱或吸附柱与其他气体分开后,在离子源中被离子化;离子束经聚焦和加速后,进入质量分析器;在磁场作用下,离子流按一定的荷质比(m/z)发生偏转,由于各种同位素的质量(m)不同,离子流偏转的程度也不一样;每种同位素的离子束按自己的轨道到达离子接收器,经放大后记录每种同位素的离子流强度,测出同位素比值。稳定同位素比例质谱仪价格昂贵,需专人操作,测试周期长,相应的测试成本也高。
红外光谱技术在土壤分析中的应用兴起于上世纪八十年代。目前利用近红外光谱(NIR)和中红外光谱(MIR)技术,结合化学计量学手段,已广泛用于土壤各种理化性质的分析,结果令人满意。如:总碳含量、总氮含量、全磷含量、水分含量、土壤质地、钾(K)、钙(Ga)、铁(Fe)、锰(Mn)、镁(Mg)等金属的含量、微生物碳等。NIR、MIR光谱分析方法是一种间接分析方法,需要先以参考方法对大量代表性土壤样品的理化特性进行测定,通过关联样品光谱和其理化特性构建校正模型;然后运用校正模型预测未知土壤样品的组成和性质。因此,被测的土壤样品要尽可能包括所预测土壤样品的类型和理化特性的范围,并对其每一组分的理化特性进行准确测定。
近红外(NIR)光谱区域是指波长在780~2500nm范围内的电磁波,其光谱信息来源于分子内部振动的倍频与合频,并且主要反映分子中含氢基团(如C-H,N-H,O-H,S-H等)的倍频与合频振动吸收。许多有机物在该光谱区域有特征性吸收,并且不同波段的吸收强度与该物质的分子结构及浓度存在对应关系。中红外(MIR)光谱区域是波长在2500~25000nm范围内的电磁波,物质在此范围的吸收峰为基频、倍频与合频吸收。不同化合物有其特异的红外吸收光谱,其谱带的强度、位置、形状及数目均与化合物及其状态有关。MIR与NIR光谱的区别在于,近红外光谱是物质分子内部振动的倍频与合频的吸收,不同组分和官能团的谱带较易重叠且信息强度较弱,导致谱图解析相对困难,所建模型易受外界因素的影响,稳定性差;而中红外光谱是分子内部振动的基频吸收,其信息强度较强,信息提取相对容易。
中红外采集通常使用的方法是漫反射,其基本原理为:当光照射到疏松的固态样品的表面时,除有一部分被样品表面立即反射出来(称为镜反射光)之外,其余的入射光在样品表面产生漫发射,或在样品微粒之间辗转反射逐渐衰减,或为穿入内层后再折回的散射。这些接触样品微粒表面后被漫反射或散射出来的光具有吸收-衰减特性,这就是漫反射产生光谱的基本原因。漫反射装置的作用就是最大强度地把这些漫射、散射出来的光能收聚起来送入检测器,使得到具有良好信噪比的光谱信号。漫反射光谱技术是近20年来迅速发展的一种检测方法,该方法操作简便、快速,能非破坏地对各种样品进行快速、精确的分析,加之分析仪器的数字化和化学计量学方法的发展,运用化学计量学方法已能很好地解决光谱信息的提取及背景干扰方面的影响,使得其在许多领域中发挥出重要作用,并取得了较好的社会和经济效益。
无论是NIR还是MIR光谱,在采集到的光谱信息中,包含一些会对谱图信号产生干扰的信息,从而影响模型的建立和预测,因此需要进行光谱预处理。常用的光谱预处理方法有数据平滑、基线校正、中心化、多元散射校正、标准化、导数、傅立叶变换以及以上几种方法的联合使用等。另外,谱图压缩及信息提取可提高分析信号中的有效信息率,其主要方法有主成分分析(PCA)、小波分析、模拟退火算法(SAA)、遗传算法(GA)、移动窗口(MWPLS)等。
NIR和MIR光谱分析的核心技术之一是在光谱信息和组分理化特性之间建立函数关系,即建立校正模型。光谱回归分析常用的分析方法有:多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘法回归(PLSR)、人工神经网络(ANN)、支持向量机(SVM)等。MLR、PCR和PLSR多用于解决线性校正问题,ANN和SVM多用于解决非线性校正问题。
目前,国内外分析土壤δ13C基本都采用稳定同位素比例质谱法,未见用中红外光谱检测土壤δ13C的报道。
发明内容
本发明所要解决的技术问题是提供一种快速检测土壤δ13C的方法,所要解决的技术问题是将中红外光谱技术结合偏最小二乘法准确快速预测土壤的δ13C值。
为了解决上述问题,本发明提供一种利用中红外光谱检测土壤稳定碳同位素比值的方法,方法包括如下步骤:
1)测得多个定标土壤样品的稳定碳同位素比值;
2)采集定标土壤样品的中红外波段的漫反射谱图,得到原始谱图;
3)将原始谱图进行平滑预处理,得到处理后谱图;
4)采用偏最小二乘法建立定标土壤样品的处理后谱图与稳定碳同位素比值间的定量关系模型;
5)采集待测土壤样品的中红外波段的漫反射谱图,根据定量关系模型计算待测土壤样品的稳定碳同位素比值。
优选地,在步骤1)中,测得定标土壤样品的稳定碳同位素比值的方法为稳定同位素比例质谱法。
优选地,,在步骤1)中,制备定标土壤样品的具体步骤包括:将土样除水后,磨细,过60目筛。
优选地,在步骤1)中,多个定标土壤样品包括Oe和Oa层土壤的样品。
优选地,在步骤3)中,将原始谱图进行平滑预处理的具体步骤包括:大气背景抑制、吸光度转换、自动基线校正和Norris一阶导数滤波平滑处理。
优选地,在步骤4)中,建立定量关系模型的具体步骤包括:用SPXY法分别将光谱信息和稳定碳同位素比值划分为校正集和验证集;采用偏最小二乘法,在校正集光谱信息中提取主成分,并用20折交互验证法选取最佳主成分数,以校正集的光谱信息为自变量,以校正集稳定碳同位素比值为因变量,建立回归模型;并利用验证集检验回归模型的精度。
优选地,校正集和验证集的样本数的比例为3:1。
优选地,20折交互验证法的具体步骤包括:将主成分数f依次从1取值到20,对于取定的一个主成分数,将校正集分成20个子集,每个子集数据分别做一次验证集,同时其他19个子集数据作为训练集,交叉验证重复20次,平均20次的结果,最终得到一个对应主成分数的交互验证均方根误差。
优选地,用验证集检验校正模型的精度的具体步骤包括:用校正决定系数、交互验证均方根误差和预测相关系数、预测均方根误差四个参数对校正模型进行评价。
优选地,在步骤1)中,制备待测土壤样品的具体步骤包括:将土样除水后,磨细,过60目筛。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
本发明具有如下有益效果:
1、本方法可以快速、准确、简便、低价的测定土壤δ13C值。
2、操作简便,普及性强,应用范围广。
3、有望推广至农田、草地等其他生态系统。
附图说明
图1是样地平谷6个不同深度土壤的中红外吸收谱图。
图2是光谱模型(包含Oe和Oa)交互验证不同主成分数对应的RMSECV值的示意图。
图3是光谱模型(包含Oe和Oa)预测值与真实值相关性的示意图。
图4是光谱模型(不包含Oe和Oa)交互验证不同主成分数对应的RMSECV值的示意图。
图5是光谱模型(不包含Oe和Oa)预测值与真实值相关性的示意图。
具体实施方式
本发明所提供的利用中红外光谱快速检测土壤的稳定碳同位素比值的方法包括如下步骤:
(1)制备待检土样
将矿质层土壤去杂、风干、粉碎,过60目筛,干燥器保存备用;将Oe和Oa层土壤(两种不同程度的未完全分解的凋落叶)于60℃烘48h以除尽水分,粉碎,过60目筛,干燥器保存备用。共200个样品来自于七个不同地区(平谷、洪崖山、白岸、皇藏峪、信阳、黄山、云山)的栓皮栎森林中不同深度(Oe、Oa、0-2、2-5、5-10、10-20cm)的土壤样品。其中Oe表示枯枝落叶等中度分解的有机层,Oa表示枯枝落叶等高度分解的有机层。其中待检土样被分成定标土样和待测土样,定标土样的δ13C值通过稳定同位素比例质谱法准确测得。
制样细节:森林土壤样品是形状不规则的固体颗粒,颗粒的大小、形状和均匀程度都对光谱数据产生很大的影响;通过粉碎过筛,可获得较小土壤颗粒度、增加样品的均匀度,尽可能减小颗粒散射效应对光谱采集造成的影响。
本发明的两个创新点:一、深度,一般土壤测试都不会加入Oe和Oa层,但越来越多的研究表明,Oe和Oa层因包含了大量的土壤有机质,也是森林土壤的重要组成部分;二、采样区域,本发明采集的样品来自于一条纬度梯度上的5个省,从北到南相距1500公里,从北部的暖温带逐渐过渡到南部的亚热带。
(2)利用稳定同位素比例质谱法测得待检土样的δ13C值
(3)光谱采集
在ZnSe窗片上放置一个内径11mm的圆形不锈钢槽,其对底部射上来的红外光无遮挡;将准确称取的200mg土样放置其内,再将一个重量为4g、直径也为11mm的小瓶,轻轻放置在土样上,其可使样品厚度均一、有足够的装样深度、且不会压太紧产生镜面反射。利用本发明自行设计并搭建的样品台,采集中红外波段的漫反射谱图,仪器配置为:傅立叶变换红外光谱仪,附件为中红外积分球,红外光光源,KBr分束器,附件自带的MCT检测器;采集参数为:以金镜为背景,扫描范围4000-650cm-1,分辨率4cm-1,扫描64次。
关于采集装置的创新:一般大规模采集土样都有固定尺寸的自动进样装置,但其会提高仪器价格和测试成本,且使用不够灵活。基于实用的角度,本发明自行设计并搭建了土壤样品漫反射的样品台,其目的主要是保持样品厚度均一、有足够的装样深度、且不会压太紧产生镜面反射。
(4)数据预处理
用仪器自带软件Omnic 8.2将原始谱图全部波段(即4000-650cm-1)进行大气背景抑制,转成吸收光谱,再进行自动基线校正。将光谱数据导入软件matlab7.8后,用Norris(7,7,1)求导平滑法处理,括号中第一个7表示7点平滑,第二个7表示7点差分宽度,1表示一阶导数。Norris求导平滑处理可以消除噪声,尽可能去除无关的信息变量。
土壤样品中红外光谱的预处理,可以有效地减少系统偏差,噪声、颗粒度和波峰过尖等的影响。在一些常见的光谱预处理方法中,基线校正主要是消除基线漂移;平滑处理主要是消除噪声信息;导数处理(一阶求导或二阶求导)能有效消除基线偏移,减少峰与峰之间的重叠,获取更多的有效信息;多元散射校正是为了消除固体颗粒大小、表面散射以及光程变化对固体漫反射光谱的影响。
不同种预处理方法的交叉使用对其相应的预测模型有不同的改进和影响,所以本发明比较了Norris一阶导数滤波平滑和Norris二阶导数滤波平滑的模型效果,也比较了加多元散射校正和不加多元散射校正时Norris一阶导数滤波平滑的模型效果。
(5)采用偏最小二乘法建立土壤中红外光谱与δ13C值间的定量关系
将土壤δ13C值也导入matlab软件中。用SPXY算法将试验样本按3:1的比例分别将光谱信息和δ13C值划分为校正集和验证集,分别用于模型建立和验证。
本发明关于样本划分的创新点:建模时许多研究都围绕如何选取最佳的光谱预处理方法,较少比较校正集和验证集的划分方法,但校正集和验证集样本的选择对光谱多元分析校正至关重要。目前常用样本选择方法主要包括随机法(RS)和K-S(Kennard‐Stone)法和SPXY(sample set partitioning based on joint x-y distance)法。随机法随机性大,并不能保证所选出的样本有足够的代表性;K-S法将光谱差异大的样本选入校正集,其余样本归入验证集,但是对于含量低或者浓度低的范围,样本之间光谱变化很小,往往选出的样本也不具有代表性;SPXY算法是一种基于统计基础的样本集选择方法,用光谱-理化值共生距离作为依据以保证最大程度表征样本分布,以提高模型稳定性。本发明基于Norris一阶导数滤波平滑处理的光谱,比较了SPXY法和K-S法所建模型的效果。
①利用校正集中的单因变量(δ13C值)对多自变量(中红外光谱信息)进行偏最小二乘(partial least squares method,PLS)回归建模,其基本过程为:在光谱信息中提取主成分t1(t1是光谱信息的线性组合),t1应尽可能多地携带光谱数据中的变异信息,且t1和δ13C值的相关程度能够达到最大。在第一个主成分t1被提取后,偏最小二乘回归实施光谱信息对t1的回归,如果回归方程已经达到满意的精度,则算法终止;否则,将利用光谱信息被t1解释后的残余信息以及δ13C值被t1解释后的残余信息进行第二轮的主成分提取。如此往复,直到能达到一个较满意的精度为止。若最终对光谱信息共提取了m个主成分t1,t2,…,tm,偏最小二乘回归将通过实施δ13C值对t1,t2,…,tm的回归,然后再表达成δ13C值关于原变量(即光谱信息)的回归方程。
②在分析过程中,本发明用20折交互验证法选取最佳主成分数(即保证模型较好精度所需的主成分的数量)。“20折法”的参数设置为:对某一主成分数f(依次从1取到20),将校正集分成20组(一般是均分),一个单独的子样本被保留作为验证模型的数据,其他19个样本用来训练。交互验证重复20次,每个子样本验证且只验证一次,平均20次的结果或者使用其它结合方式,最终得到对应这一主成分数的交互验证均方根误差(RMSECV)。RMSECV值越小,说明模型的预测能力越好。一般使用RMSECV值对主成分数目作图的方法确立最佳主成分数,RMSECV最低点对应的主成分数通常为最佳主成分数。
③以校正集中的红外光谱作为自变量,通过偏最小二乘法提取尽可能多包含光谱信息同时又与δ13C值紧密相关的一定数目的主成分(该数目由上述交互验证确定),以δ13C值为因变量,建立土壤中红外光谱与δ13C值间的校正模型。并将独立验证集的光谱信息代入该模型计算δ13C值,通过与验证集实测δ13C值比较,检验模型预测精度。
模型预测能力和稳定性由校正决定系数(R2)、交互验证均方根误差(RMSECV)和预测相关系数(R)、预测均方根误差(RMSEP)4个参数进行评价,好的模型应当具备两个系数高和两个误差低的特点。此外,也可使用预测相对分析误差(Residual predictivedeviation,RPD)对模型进行深入评价;当RPD值大于3时认为模型具有较好的预测能力,可以进行指标的定量控制。模型建立好之后即可将未知、性质相似的土壤的红外信息代入该模型中,计算出其δ13C值。
关于最佳主成分数的确定。并非按照传统方法选取RMSECV的最低点,而是逐一试验,综合考虑4个参数(重点关注RMSEP值)。
本发明采集栓皮栎森林土壤(来自不同地方和深度)的中红外光谱图,对原始数据进行一系列预处理后,结合化学计量学中的PLSR,可准确、快速、简便、低成本地检测各种土壤中的δ13C值。
本发明的优点是:
(1)准确。校正决定系数R2和预测相关系数R均大于0.96,校正均方根误差和预测均方根误差均小于0.90,RPD大于3。
(2)快速。一个样品采集只需3min,一天可采集至少200张红外谱图,后续的数据处理可在1h内完成。
(3)操作简单。样品前处理简单,仪器操作简单。
(4)测试成本低。相比稳定同位素比例质谱仪,红外光谱仪价格便宜。
(5)普及性强,易于推广。仪器操作简单,价格相对便宜。
(6)适用范围广,不仅可用于森林土壤的检测,也可用于农田、草原等其它生态系统。
实施例1包括Oe和Oa在内的土壤
(1)制备待检土样。将矿质层土壤去杂、风干、粉碎,过60目筛,干燥器保存备用;将Oe和Oa层土壤于60℃烘48h以除尽水分,粉碎,过60目筛,干燥器保存备用。共199个样品来自于七个不同地区(平谷、洪崖山、白岸、皇藏峪、信阳、黄山、云山)的栓皮栎森林中不同深度(Oe、Oa、0-2、2-5、5-10、10-20cm)的土壤样品,其中矿质层土壤139个,Oe和Oa层土壤共60个。
由表1采用多元散射校正预处理后光谱模型精度并未得到提高,证明样品制备得较好,尽可能减小了颗粒散射效应对光谱采集造成的影响。
(2)利用稳定同位素比例质谱法测得待检土样的δ13C值。
(3)光谱采集。称取200mg土样,置于11mm圆形不锈钢样品槽内,底部为ZnSe窗片,样品顶部压平。采集中红外波段的漫反射谱图,仪器配置为:傅立叶变换红外光谱仪,附件为中红外积分球,红外光光源,KBr分束器,附件自带的MCT检测器;采集参数为:以金镜为背景,扫描范围4000-650cm-1,分辨率4cm-1,扫描64次。以样地平谷为例,附图1显示了6个土壤深度的中红外谱图。
(4)数据预处理。用仪器自带软件Omnic 8.2将原始谱图全部波段(即4000-650cm-1)进行大气背景抑制,转成吸收光谱,再进行自动基线校正。将199个样本的光谱数据导入软件matlab7.8后,用Norris法进行7点平滑、一阶导数等处理。
该实施例对土壤样品的中红外光谱尝试了4种常见的预处理:①Norris一阶导数滤波平滑+SPXY法划分校正集和验证集、②多元散射校正+Norris一阶导数滤波平滑+SPXY法划分校正集和验证集、③Norris二阶导数滤波平滑+SPXY法划分校正集和验证集、④Norris一阶导数滤波平滑+K-S法划分校正集和验证集,再应用偏最小二乘(PLS)法建立土壤δ13C值的定量估测模型。结果(表1)显示,不同预处理方法对所建土壤δ13C值估测模型的预测精度有一定影响,以本发明所采用的预处理方法(Norris一阶导数滤波平滑+SPXY法划分校正集和验证集)的光谱建模精度最高。
表1本模型预处理方法与偏最小二乘模型常见处理方法预测土壤δ13C(包括Oe和Oa)的精度比较
(5)采用偏最小二乘法建立土壤中红外光谱与δ13C值间的定量关系。将对应的199个土壤δ13C值也导入matlab软件中。用SPXY算法将试验样本按3:1的比例分别将光谱信息和δ13C值划分为校正集和验证集,校正集含150个样本,验证集含49个样本。采用偏最小二乘法,用20折交互验证法选取最佳主成分数为10,RMSECV值对主成分数目作图见附图2。在全波谱范围内用校正集建立土壤中红外光谱与δ13C值间的回归模型,并将独立验证集的光谱信息代入该模型计算δ13C值,通过与验证集实测δ13C值比较,检验模型预测精度。校正决定系数(R2)为0.9575,交互验证均方根误差(RMSECV)为0.8778;预测相关系数(R)为0.9757(附图3),预测均方根误差(RMSEP)为0.5609。预测相对分析误差(RPD)为4.57。
注意:由附图2可见,主成分数为8时,交互验证均方根误差(RMSECV)最小,为0.8687;但相应的预测相关系数(R)为0.9673、预测均方根误差(RMSEP)为0.6482。而本发明经过主成分数从1到20的逐一试验,综合考虑选取10为最佳主成分数,它的RMSECV在所有主成分中排名倒数第二,仅比8大,为0.8778;但相应的R为0.9757,比最大的R仅小0.0044,而RMSEP为0.5609,比最小的RMSEP仅大0.0504。
该结果表明,该方法适合于森林土壤不同深度(Oe、Oa、0-2cm、2-5cm、5-10cm、10-20cm)中δ13C值的检测,可在较短时间内快速检测土壤δ13C值,而且能达到满意的检测精度。不同于普遍使用的近红外波段,本发明通过自制的样品台采集了中红外波段建模,取得了非常好的效果。同时,Norris一阶导数滤波平滑和SPXY法划分数据集等预处理方法以及在PLS建模中如何选取最佳主成分数都对利用中红外漫反射技术无损定量检测土壤δ13C起重要作用。试验模型中的近200个样本来自跨越两个气候带和五个省份的栓皮栎森林土壤,不同的气候条件和土壤性质均会对光谱产生影响。但正是在这样的复杂条件下建立的模型才有更广的适用范围,因此,基于偏最小二乘法的中红外光谱技术是适合土壤δ13C检测的高效检测技术。
实施例2不包括Oe和Oa在内的矿质层土壤
(1)制备待检土样。将矿质层土壤去杂、风干、粉碎,过60目筛,干燥器保存备用。共139个样品来自于七个不同地区(平谷、洪崖山、白岸、皇藏峪、信阳、黄山、云山)的栓皮栎森林中不同深度(0-2、2-5、5-10、10-20cm)的矿质层土壤样品。
由表2采用多元散射校正预处理后光谱模型精度仅得到略微提高,证明样品制备得较好,尽可能减小了颗粒散射效应对光谱采集造成的影响。
(2)利用稳定同位素比例质谱法测得待检土样的δ13C值。
(3)光谱采集。称取200mg土样,置于11mm圆形不锈钢样品槽内,底部为ZnSe窗片,样品顶部压平。采集中红外波段的漫反射谱图,仪器配置为:傅立叶变换红外光谱仪,附件为中红外积分球,红外光光源,KBr分束器,附件自带的MCT检测器;采集参数为:以金镜为背景,扫描范围4000-650cm-1,分辨率4cm-1,扫描64次。以样地平谷为例,附图1显示了6个土壤深度的中红外谱图。
(4)数据预处理。用仪器自带软件Omnic 8.2将原始谱图全部波段(即4000-650cm-1)进行大气背景抑制,转成吸收光谱,再进行自动基线校正。将139个样本的光谱数据导入软件matlab7.8后,用Norris法进行7点平滑、一阶导数等处理。
本发明对土壤样品的中红外光谱尝试了4种常见的预处理:①Norris一阶导数滤波平滑+SPXY法划分校正集和验证集、②多元散射校正+Norris一阶导数滤波平滑+SPXY法划分校正集和验证集、③Norris二阶导数滤波平滑+SPXY法划分校正集和验证集、④Norris一阶导数滤波平滑+K-S法划分校正集和验证集,再应用偏最小二乘(PLS)法建立土壤δ13C值的定量估测模型。结果(表2)显示,不同预处理方法对所建土壤δ13C值估测模型的预测精度有一定影响,本发明所采用的预处理方法(Norris一阶导数滤波平滑+SPXY法划分校正集和验证集)的光谱建模精度很高,仅略低于第②种预处理方法的光谱建模精度。
表2本模型预处理方法与偏最小二乘模型常见处理方法预测土壤δ13C(不包括Oe和Oa)的精度比较
(5)采用偏最小二乘法建立土壤中红外光谱与δ13C值间的定量关系。将对应的139个土壤δ13C值也导入matlab软件中。用SPXY算法将试验样本按3:1的比例分别将光谱信息和δ13C值划分为校正集和验证集,校正集含105个样本,验证集含34个样本。采用偏最小二乘法,用20折交互验证法选取最佳主成分数为10,RMSECV值对主成分数目作图见附图4。在全波谱范围内用校正集建立土壤中红外光谱与δ13C值间的回归模型,并将独立验证集的光谱信息代入该模型计算δ13C值,通过与验证集实测δ13C值比较,检验模型预测精度。校正决定系数(R2)为0.9681,交互验证均方根误差(RMSECV)为0.8869;预测相关系数(R)为0.9697(附图5),预测均方根误差(RMSEP)为0.6554。预测相对分析误差(RPD)为3.91。
由附图4可见,主成分数为7时,互验证均方根误差(RMSECV)最小,为0.8161;但相应的预测相关系数(R)为0.9675、预测均方根误差(RMSEP)为0.6617。而本发明经过主成分数从1到20的逐一试验,综合考虑选取10为最佳主成分数,它的RMSECV在所有主成分中排名倒数第五,为0.8869;但相应的R为0.9697,比最大的R仅小0.0026,而RMSEP为0.6554,在所有主成分中为最小。
该结果表明,该方法适合于不同深度(0-2cm、2-5cm、5-10cm、10-20cm)的森林土壤中δ13C值的检测,可在较短时间内快速检测土壤δ13C值,而且能达到满意的检测精度。不同于普遍使用的近红外波段,本发明通过自制的样品台采集了中红外波段建模,取得了非常好的效果。同时,Norris一阶导数滤波平滑和SPXY法划分数据集等预处理方法以及在PLS建模中如何选取最佳主成分数都对利用中红外漫反射技术无损定量检测土壤δ13C起重要作用。试验模型中的139个样本来自跨越两个气候带和五个省份的栓皮栎森林土壤,不同的气候条件和土壤性质均会对光谱产生影响。但正是在这样的复杂条件下建立的模型才有更广的适用范围,因此,基于偏最小二乘法的中红外光谱技术是适合土壤δ13C检测的高效检测技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种利用中红外光谱检测土壤稳定碳同位素比值的方法,其特征在于,所述方法包括如下步骤:
1)测得多个定标土壤样品的稳定碳同位素比值;
2)采集定标土壤样品的中红外波段的漫反射谱图,得到原始谱图;
3)将原始谱图进行平滑预处理,得到处理后谱图;
4)采用偏最小二乘法建立定标土壤样品的处理后谱图与稳定碳同位素比值间的定量关系模型;
5)采集待测土壤样品的中红外波段的漫反射谱图,根据定量关系模型计算待测土壤样品的稳定碳同位素比值;
其中,步骤4)中,建立所述定量关系模型的具体步骤包括:用SPXY法分别将光谱信息和所述稳定碳同位素比值划分为校正集和验证集;采用偏最小二乘法,在所述校正集光谱信息中提取主成分,并用20折交互验证法选取最佳主成分数,以所述校正集的光谱信息为自变量,以所述校正集的所述稳定碳同位素比值为因变量,建立回归模型;并利用所述验证集检验回归模型的精度;
所述校正集和所述验证集的样本数的比例为3:1;
所述的20折交互验证法的具体步骤包括:将主成分数f依次从1取值到20,对于取定的一个主成分数,将校正集分成20个子集,每个所述子集数据分别用于做一次验证,同时其他19个所述子集数据用于训练,交叉验证重复20次,平均20次的结果,最终得到一个对应所述主成分数的交互验证均方根误差;
用所述验证集检验校正模型的精度的具体步骤包括:用校正决定系数、交互验证均方根误差和预测相关系数、预测均方根误差四个参数对校正模型进行评价。
2.如权利要求1所述的方法,其特征在于,在所述步骤1)中,测得定标土壤样品的稳定碳同位素比值的方法为稳定同位素比例质谱法。
3.如权利要求1所述的方法,其特征在于,在所述步骤1)中,制备定标土壤样品的具体步骤包括:将土样除水后,磨细,过60目筛。
4.如权利要求1所述的方法,其特征在于,在所述步骤1)中,所述的多个定标土壤样品包括Oe和Oa层土壤的样品。
5.如权利要求1所述的方法,其特征在于,在所述步骤3)中,将原始谱图进行平滑预处理的具体步骤包括:大气背景抑制、吸光度转换、自动基线校正和Norris一阶导数滤波平滑处理。
6.如权利要求1所述的方法,其特征在于,在所述步骤1)中,制备待测土壤样品的具体步骤包括:将土样除水后,磨细,过60目筛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610113353.1A CN105699314B (zh) | 2016-02-29 | 2016-02-29 | 一种利用中红外光谱检测土壤稳定碳同位素比值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610113353.1A CN105699314B (zh) | 2016-02-29 | 2016-02-29 | 一种利用中红外光谱检测土壤稳定碳同位素比值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105699314A CN105699314A (zh) | 2016-06-22 |
CN105699314B true CN105699314B (zh) | 2018-10-19 |
Family
ID=56223620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610113353.1A Expired - Fee Related CN105699314B (zh) | 2016-02-29 | 2016-02-29 | 一种利用中红外光谱检测土壤稳定碳同位素比值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105699314B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505280A (zh) * | 2017-08-04 | 2017-12-22 | 上海海洋大学 | 一种中红外光谱快速评定金华火腿品质等级的方法 |
CN107748144A (zh) * | 2017-11-13 | 2018-03-02 | 中国科学院昆明植物研究所 | 快速测定土壤碳氮及其稳定同位素的中红外光谱检测系统 |
CN111595806A (zh) * | 2020-05-25 | 2020-08-28 | 中国农业大学 | 一种利用中红外漫反射光谱监测土壤碳组分的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105366A (zh) * | 2013-01-22 | 2013-05-15 | 中国科学院安徽光学精密机械研究所 | Co2碳同位素红外光谱检测方法及装置 |
CN103728327A (zh) * | 2013-12-18 | 2014-04-16 | 中国原子能科学研究院 | 一种测量单微粒中铀同位素比值的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010138527A1 (en) * | 2009-05-27 | 2010-12-02 | Tolmar, Inc. | Analytical methods for measuring synthetic progesterone |
WO2012162695A2 (en) * | 2011-05-26 | 2012-11-29 | Southwest Sciences Incorporated | Laser based, temperature insensitive, carbon dioxide isotope ratio measurement |
JP5925519B2 (ja) * | 2012-02-23 | 2016-05-25 | シャープ株式会社 | 粒子検出装置 |
-
2016
- 2016-02-29 CN CN201610113353.1A patent/CN105699314B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105366A (zh) * | 2013-01-22 | 2013-05-15 | 中国科学院安徽光学精密机械研究所 | Co2碳同位素红外光谱检测方法及装置 |
CN103728327A (zh) * | 2013-12-18 | 2014-04-16 | 中国原子能科学研究院 | 一种测量单微粒中铀同位素比值的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105699314A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105486663B (zh) | 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法 | |
Askari et al. | Evaluation of soil quality for agricultural production using visible–near-infrared spectroscopy | |
CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
CN1982872B (zh) | 快速检测滴丸剂水分含量的近红外漫反射光谱法 | |
Raphael | Application of FTIR spectroscopy to agricultural soils analysis | |
CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
WO2005111583A1 (ja) | 近赤外線分光法による野菜等の成分の非破壊検査法、及び同装置 | |
Kleinebecker et al. | Prediction of δ13C and δ15N in plant tissues with near‐infrared reflectance spectroscopy | |
CN101413884B (zh) | 近红外光谱分析仪及其分辨率的校正方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN104251839A (zh) | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 | |
CN105699314B (zh) | 一种利用中红外光谱检测土壤稳定碳同位素比值的方法 | |
CN101231274A (zh) | 近红外光谱快速测定山药中尿囊素含量的方法 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN103940767A (zh) | 基于多流形学习的气体浓度反演方法 | |
CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
CN108107019A (zh) | 一种基于近红外光谱法快速检测玉米中杂色曲菌素含量的方法 | |
CN105092513A (zh) | 一种测定混合药物中的药物成分的含量的方法 | |
CN105784629B (zh) | 利用中红外光谱快速检测土壤的稳定碳同位素比值的方法 | |
CN109540832A (zh) | 一种基于融合近-中红外光谱规模化奶牛场粪液中总氮的检测方法 | |
CN102042967B (zh) | 一种基于近红外光谱技术的葡萄糖水溶液快速识别方法 | |
CN103411895A (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181019 Termination date: 20210228 |