CN105784629B - 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 - Google Patents

Abstract

本发明提供一种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)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)采用支持向量机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

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

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。

漫反射是一种常用的中红外采集方法，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。由于光谱仪的状态、测量环境等因素对光谱的影响大多属于非线性，还有一些质量参数和光谱的关系也是非线性。支持向量机(SVM)作为非线性回归下的多元校正方法，能避免其他方法存在的过拟合及局部极小等问题，近年来也得到了广泛应用。支持向量机(SVM)最初由Vapnik于20世纪90年代提出，是一种由统计学习理论发展起来的一种新型的建模方法，它以结构风险最小化原理为理论基础，具有较强的学习泛化能力，较好地解决了非线性、高维数、小样本等问题，开始成为解决“过学习”等传统困难的一种较好的途径，在模式识别、信号处理等领域得到了成功的应用。支持向量机的基本原理是通过内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻找输入变量和输出变量之间的一种关系。

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支持向量机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)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)采用支持向量机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，的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RBF核函数进行支持向量机计算，利用网络搜寻法并通过留多交叉验证法确定最佳核函数参数g和惩罚参数c，用校正集的光谱信息与稳定碳同位素比值建立校正模型，并利用验证集检验校正模型的精度。

优选地，校正集和验证集的样本数的比例为3：1。

优选地，利用网络搜寻法并通过留多交叉验证法确定最佳核函数参数g和惩罚参数c的步骤包括：让惩罚参数c和核函数参数g在2^-10到2¹⁰之间离散取值；对于取定的核函数参数g和惩罚参数c，将校正集作为原始数据并利用5折留多交叉验证选取使校正集验证均方误差最小的核函数参数g和惩罚参数c；当使校正集验证均方误差最小的核函数参数g和惩罚参数c有多组，则选取惩罚参数c最小的一组作为最佳参数；当选取惩罚参数c最小，对应有多组核函数参数g，则选取搜索到的第一组核函数参数g和惩罚参数c作为最佳参数。

优选地，用验证集检验校正模型的精度的具体步骤包括：用预测相关系数、预测均方根误差、预测相对分析误差三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。

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。

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。

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)预测值与真实值相关性示意图。

图3是光谱模型(不包含Oe和Oa)预测值与真实值相关性示意图。

具体实施方式

本发明所述的一种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，待测土样用于通过本发明得到的回归模型结合红外光谱信息待测其稳定碳同位素比值。

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。

我们的两个创新点：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，我们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。基于实用的角度，我们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，本文比较了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)采用支持向量机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。

我们关于样本集划分的创新点：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。我们基于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数据归一化。为防止数据间量纲不一样，一般先将校正集和验证集中的光谱数据和δ¹³C值都进行[-1,1]的归一化处理，待完成校正模型的建立和预测后，再反归一化，计算模型的预测精度。

②寻找最佳参数c和g。对于非线性问题，支持向量机(Supporting vectormachine，SVM)回归方法的主要思想是将原问题通过非线性变换转化为某个高维空间的线性问题，并在高维空间中进行线性求解，我们选择能够减少训练过程中计算复杂性的径向基核函数(Radial basis function，RBF)

K(‖x-x_i‖)＝exp(-‖x-x_i‖²/2g²)

其中x_i为核函数中心,g为函数的宽度参数，控制了函数的径向作用范围

来实现这一过程。影响SVM模型性能的因素通常有两个，即核函数参数g(核宽度)和惩罚参数c(正则化参数)的取值。c控制对样本超出计算误差的惩罚程度，而g则控制函数回归误差，并且直接影响初始的特征值和特征向量。g过小会导致过拟合，相反g过大则模型过于简单，从而影响预测精度。因此，为了提高SVM的学习和泛化能力，需要对核函数参数g和惩罚参数c进行优化。

我们采用5折交互验证法选取最佳惩罚参数c和核函数参数g。其基本过程为，让c和g都在2^-10到2¹⁰之间离散取值(其取值变化为2^-10，2^-9.5，2^-9，…，2⁹，2^9.5，2¹⁰)，对于取定的c和g把校正集作为原始数据集利用5折交互验证(5fold-CV)方法得到在此组c和g下校正集验证均方误差(MSE)，最终取使得校正集验证MSE最小的那组c和g作为最佳参数。如果有多组c和g对应最小的验证均方误差，则选取参数c最小的那组为最佳参数；如果对应最小的c有多组g，就选取搜索到的第一组c和g作为最佳参数。这样做的原因是过高的c会导致学习状态发生，即校正集MSE很低而验证集MSE很高(分类器的泛化能力降低)。

③建立回归模型、数据反归一化、预测。利用网格搜寻法，通过上述的5折交互验证法确定最佳径向基核函数参数c和g后，以校正集中的红外光谱作为自变量，以δ¹³C值为因变量，将二者都映射到高维空间中，建立土壤中红外光谱与δ¹³C值间的支持向量机回归模型。并将独立验证集的光谱信息代入该模型计算δ¹³C值，数据反归一化处理后通过与验证集中实测δ¹³C值比较，检验模型预测精度。以预测相关系数(Correlation coefficient inprediction，R)、预测均方根误差(Root mean square error in prediction，RMSEP)为指标考察模型性能，好的模型应当具备系数高和误差低的特点。此外，使用预测相对分析误差(Residual predictive deviation，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、性质相似的土壤的中红外漫反射信息代入该模型中，计算出其δ¹³C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SVM，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。预测相关系数R大于0.98，预测均方根误差小于0.44，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6000-650cm^-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。

我们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，再应用支持向量机(SVM)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，本专利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1本模型光谱预处理方法与常见预处理方法预测土壤δ¹³C(包括Oe和Oa)的精度比较

(5)采用支持向量机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。数据进行[-1,1]归一化处理后，基于校正集，在留多交互验证过程中利用网格搜寻法选取径向基核函数最佳c为5.7，最佳g为9.77×10^-4。再用选取的最佳c、g在全波谱范围内用校正集建立土壤中红外光谱与δ¹³C值间的校正模型，并用该模型由独立验证集的光谱信息预测δ¹³C值，数据反归一化处理后通过与验证集实测δ¹³C值比较，检验模型预测精度。预测相关系数(R)为0.9860(附图2)，预测均方根误差(RMSEP)为0.4320，预测相对分析误差(RPD)为5.93。

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。在建模时，不同于普遍使用的近红外波段，我们通过自制的样品台采集了中红外波段；在结合化学计量学建立校正模型时，不同于传统的线性校正方法(如PLS)，我们采用一种非线性校正模型SVM，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在利用中红外漫反射技术结合SVM方法无损定量检测土壤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，基于支持向量机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圆形不锈钢槽内，底部为ZnSe窗片，样品顶部压平。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10000-4000cm^-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。

我们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，再应用支持向量机(SVM)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，本专利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2本模型光谱预处理方法与常见预处理方法预测土壤δ¹³C(不包括Oe和Oa)的精度比较

(5)采用支持向量机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。数据进行[-1,1]归一化处理后，基于校正集，在留多交互验证过程中利用网格搜寻法选取径向基核函数最佳c为4，最佳g为9.77×10^-4。再用选取的最佳c、g在全波谱范围内用校正集建立土壤中红外光谱与δ¹³C值间的校正模型，并用该模型由独立验证集的光谱信息预测δ¹³C值，数据反归一化处理后通过与验证集实测δ¹³C值比较，检验模型预测精度。预测相关系数(R)为0.9890(附图3)，预测均方根误差(RMSEP)为0.4299，预测相对分析误差(RPD)为5.96。

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，我们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。在结合化学计量学建立校正模型时，不同于传统的线性校正方法(如PLS)，我们采用一种非线性校正模型SVM，取得非常好的效果。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在利用中红外漫反射技术结合SVM方法无损定量检测土壤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，基于支持向量机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快速检测土壤的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)采用支持向量机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RBF核函数进行支持向量机计算，利用网络搜寻法并通过5折交叉验证法确定最佳的核函数参数g和惩罚参数c，用所述校正集的所述光谱信息为自变量，以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校正模型的精度；

所述校正集和所述验证集的样本数的比例为3：1；

利用所述网络搜寻法并通过留多交叉验证法确定最佳所述核函数参数g和所述惩罚参数c的步骤包括：让所述惩罚参数c和所述核函数参数g在2^-10到2¹⁰之间离散取值；对于取定的所述核函数参数g和所述惩罚参数c，将所述校正集作为原始数据并利用5折留多交叉验证选取使所述校正集验证均方误差最小的所述核函数参数g和所述惩罚参数c；当使所述校正集验证均方误差最小的所述核函数参数g和所述惩罚参数c有多组，则选取所述惩罚参数c最小的一组作为最佳参数；当选取所述惩罚参数c最小，对应有多组核函数参数g，则选取搜索到的第一组所述核函数参数g和所述惩罚参数c作为最佳参数；

用所述验证集检验所述校正模型的精度的具体步骤包括：用预测相关系数、预测均方根误差、预测相对分析误差三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。