采集青岛两个不同类型的土壤样品各60份, 样地1采自青岛浮山山麓, 样地2采自青岛李村河畔, 总计120份, 采集样品深度为0~20 cm。 其中, 样地2属于砂壤土, 土壤全碳、 全氮含量分别为1.06%(0.38%~1.34%), 0.17%(0.07%~0.17%); 样地1属于粉壤土, 土壤全碳、 全氮含量分别为0.34%(0.19%~0.50%), 0.04%(0.02%~0.06%)。 先去除土壤样品中的石块等异物, 再烘干样品。 为最大程度消除水分干扰, 采用50 ℃低温烘干处理, 至恒重后, 过0.45 mm尼龙筛, 将过筛后的土壤样品置入样品袋中, 并标记相应的样品编号。

1.2.1 数据采集

采集土壤光谱的仪器为海洋光学QE65000光谱仪, 光谱采样间隔为1 nm, 积分时间600 ms, 谱区范围200~1 100 nm(光谱范围主要为可见近红外光谱, 包含小部分紫外光谱), 光源为DH-2000-BAL, 光谱仪和光源通过Y型光纤(QR400-7-UV-VIS)连接, Y型光纤探头依靠支架(RPH-1)固定, 探测土壤样品的反射光谱。 取3~5 g土壤样品, 将土壤样品放在自制样品盒(大小、 长度与探头支架一样, 样品盒上有两个球形样品室, 样品室的位置和直径同支架的探头孔重合)中, 轻轻压平, 然后把探头置入支架上的45° 角的孔里, 使探头刚好露出支架, 把支架和样品盒紧贴在一起, 每个土壤样品测定5次光谱反射率, 取平均值作为这个土壤样品的反射光谱。

土壤全氮含量通过元素分析仪测定, 含量情况分别如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 浮山山麓土壤和李村河畔土壤的全氮含量Fig.1 Total N concentrations in soils of Fushan Mountain and Licun River, Qingdao

1.2.2 光谱解译

由于土壤样品反射光谱前段和后段噪声较大, 因此剔除这两段光谱, 保留226~975 nm的光谱数据。 分别针对浮山山麓和李村河畔的这段光谱, 根据K-S算法以3:1划分校准集和预测集, 直接使用偏最小二乘回归(PLSR)建立光谱模型, 模型结果如表1所示。

表1

Table 1

表1(Table 1)

表1 浮山山麓和李村河畔的土壤全氮的光谱模型(无前处理) Table 1 Spectral model of total N concentrations in soils from Fushan Montain and Licun River without the spectrum pretretment 土壤类型 校准集 预测集 r2 RMSEC r2 RMSEP RPD 浮山山麓 0.71 0.03 0.21 0.05 0.73 李村河畔 0.96 0.05 0.91 0.08 2.51

表1 浮山山麓和李村河畔的土壤全氮的光谱模型(无前处理) Table 1 Spectral model of total N concentrations in soils from Fushan Montain and Licun River without the spectrum pretretment

1.2.3 模型转移方法

根据1.2.2的光谱解译结果, 发现李村河畔的土壤样品的光谱模型非常好, 可以用于准确预测。 因此, 选择李村河畔土壤为主样品, 浮山山麓土壤为从样品。 主样品的光谱模型如1.2.2所述方法建立; 从样品通过K-S算法以1:2划分标准集和未知集, 从样品的标准集用于模型转移, 未知集用于验证模型转移效果, 从样品的光谱预处理方法同主样品保持一致, 本文使用了无任何前处理及遗传算法提取特征变量两种前处理类型。

通过多种算法进行模型转移, 包括分段直接矫正结合线性插值(PDS-LI)^[14]、 直接矫正结合线性插值(DS-LI)^[13]、 典型相关性分析结合线性插值(CCA-LI)、 分段直接矫正结合斜率/截距修正法(PDS-S/B)、 直接矫正结合斜率/截距修正法(DS-S/B)^[13]、 典型相关性分析结合斜率/截距修正法(CCA-S/B)等算法。 以上方法中, CCA-LI, CCA-S/B, PDS-S/B是本文新组合的方法。

这些方法中, 前部分方法用于建立主从样品的有效光谱信息关系, 如DS, PDS, CCA等; 后部分用于修正主从样品的养分值之间的差异, 如LI, S/B等。 模型转移思路如下:

第一步, 用DS, PDS和CCA等方法求出转移矩阵;

第二步, 根据转移矩阵, 分别对从样品的标准集和未知集光谱进行转换;

第三步, 用主模型分别对从样品标准集和未知集转化后的光谱矩阵进行预测。

主样品李村河畔土壤在光谱解译过程中无前处理, 经过最小二乘回归(PLSR)建立的光谱模型如表1所示, 相对分析误差(RPD)> 2.5, 具有准确预测土壤全氮的能力, 但限于李村河畔土壤。 如果直接用该光谱模型预测从样品浮山山麓土壤的全氮含量, 则准确度极差(表2)。

表2

Table 2

表2(Table 2)

表2 无任何前处理、 使用多种算法的模型转移结果 Table 2 Results of model transfer by different methods without spectrum pre-treatment 模型转移算法 从样品未知集 RMSEP 平均相对 误差/% 最大相对 误差/% 无 2.53 462.9 561.7 LI 0.16 22.1 112.9 PDS-LI 0.14 9.6 46.3 DS-LI 0.23 18.4 232.5 CCA-LI 1.70 90.7 1 901.3 S/B 0.05 7.1 24.7 PDS-S/B 0.04 6.6 19.0 DS-S/B 0.05 7.6 28.4 CCA-S/B 0.05 7.8 28.1

表2 无任何前处理、 使用多种算法的模型转移结果 Table 2 Results of model transfer by different methods without spectrum pre-treatment

在光谱解译过程中无前处理的条件下建立了主样品的光谱模型(表1), 经任意一种模型转移算法处理后, 均方根误差(RMSEP)、 平均相对误差、 最大相对误差都有大幅度的减小, 均能够提高预测值的准确性(表2)。 其中, S/B相关的算法效果显著优于LI相关的算法, PDS相关的算法也优于其他算法(表2)。 PDS-S/B算法效果最好, RMSEP、 平均相对误差、 最大相对误差均最小, 分别为0.04, 6.6%和19.0%(表2)。

为进一步提高模型转移效果, 本研究对主样品的光谱模型进行了优化处理。 经遗传算法提取特征变量后, 再通过PLSR建立光谱模型, 从模型的预测能力并未有显著提高(表1、 表3)。 但是主模型的预测能力有较大提高。 相比无前处理的李村河畔的光谱模型(表1), RMSEP稍有降低, 从0.08降低到0.07(表3); RPD有较大提高, 从2.51提高到2.84(表3)。

表3

Table 3

表3(Table 3)

表3 浮山山麓和李村河畔土壤的全氮 光谱模型(GA提取特征变量) Table 3 Spectral model of total N concentrations in soils from Fushan Montain and Licun River after the spectrum pretretment of genetic algorithm 土壤类型 校准集 预测集 r2 RMSEC r2 RMSEP RPD 浮山山麓 0.98 0.01 0.04 0.07 0.55 李村河畔 0.92 0.07 0.90 0.07 2.84

表3 浮山山麓和李村河畔土壤的全氮 光谱模型(GA提取特征变量) Table 3 Spectral model of total N concentrations in soils from Fushan Montain and Licun River after the spectrum pretretment of genetic algorithm

主、 从样品的光谱经过GA提取特征光谱后, 再进行模型转移, 结果优于无任何前处理的模型转移(表2、 表4), 尤其是无模型转移算法(直接通过主样品的光谱模型预测从样品的全氮含量)及LI相关的模型转移算法(LI, PDS-LI, DS-LI和CCA-LI), 无论RMSEP还是相对误差(表2、 表4)。 S/B相关的模型转移算法所体现的效果不显著, 但也有不同程度的提高, 主要体现在相对误差上(表2、 表4)。 但是, PDS-S/B的模型转移效果没有提高(表2、 表4), 因为此时的最大相对误差变大了, 从19.1%增加到24.0%。

表4

Table 4

表4(Table 4)

表4 经遗传算法提取特征变量、 使用 多种算法的模型转移结果 Table 4 Results of model transfer by different methods after the spectrum pretreated by genetic algorithm 模型转移算法 从样品未知集 RMSEP 平均相对 误差/% 最大相对 误差/% 无 2.14 386.1 484.3 LI 0.15 18.3 88.2 PDS-LI 0.07 9.7 40.9 DS-LI 0.16 17.6 133.9 CCA-LI 0.64 63.0 510.2 S/B 0.05 6.7 24.2 PDS-S/B 0.04 6.1 24.0 DS-S/B 0.05 7.5 23.3 CCA-S/B 0.05 7.9 24.5

表4 经遗传算法提取特征变量、 使用 多种算法的模型转移结果 Table 4 Results of model transfer by different methods after the spectrum pretreated by genetic algorithm

在经过GA提取特征变量后的模型转移结果内部, 经任意一种模型转移算法处理后, RMSEP、 平均相对误差、 最大相对误差都有大幅度的减小, 均能够提高预测值的准确性(表4)。 综合来看, S/B相关的模型转移算法效果最好, 尤其是PDS-S/B算法, RMSEP、 平均相对误差、 最大相对误差均最小, 分别为0.04, 6.1%和24.0%。 这同前面结果一致(表3), 因此, 推荐PDS-S/B算法用于该从样品地区土壤的样品预测, 可实现不同地区间土壤养分含量预测。

以往研究大多针对相同样品在不同测试条件(仪器、 时间、 温度等)下, 进行土壤养分的模型转移^[13], 解决了光谱仪器的稳定性和准确性校正。 然而, 基于光谱法的土壤养分速测技术并未因此得以推广, 因为光谱仪器的普及并未减少土壤养分测试的工作量, 也并未真正实现土壤养分的速测。 只要土壤采集地点发生变化, 就需要重新建立光谱模型, 仍然摆脱不了繁琐的化学测试。 要实现一台光谱仪器共享一个光谱模型的土壤养分速测目标, 必须解决不同样品在同一光谱仪器上的模型转移问题。

本研究针对不同样品在同一光谱仪器上的模型转移问题, 以土壤全氮为研究对象, 尝试了多种模型转移算法, 初步解决了不同样品间的土壤全氮的模型转移问题。 通过多种模型转移方法的比较, 发现分段直接矫正结合斜率/截距修正法(PDS-S/B)最适合青岛山地土壤的模型转移。 PDS-S/B的优势还在于主、 从模型是否经前处理并不影响该方法的模型转移效果(表2、 表4)。

关于模型转移方法及其效果, 本研究的结果与已有研究相同。 在有标方法中, DS和PDS是最常用、 最有效的方法。 二者原理基本相同, 区别在于DS为全波段校正, 当光谱差异较小时, 容易出现过校正, 而PDS则是选择波长点附近一固定窗口宽度的波段用于校正^{[8, 14]}, 因此, PDS需要的标样数量少, 运算速度快、 精度高^{[8, 14]}。 研究也发现PDS的模型转移效果比DS好(表2、 表4)。

斜率/截距修正(S/B)和线性插值(LI)两种算法, 都是利用线性关系对原有模型进行重新矫正, 二者的区别在于获得校正的线性关系的过程不同^[18]。 S/B是根据已有样品模型预测值和补充样品实测值重新建立线性关系, 而LI是利用补充样品中与未知样品差异最小的两个点建立线性关系^[15]。 由于S/B的线性关系更为合理和可靠, 因此, S/B的模型转移效果优于LI的, 本研究也证实了这一点(表2、 表4)。

研究还发现主样品的光谱模型的预测能力直接影响模型转移效果, 但不同的模型转移方法受前处理的影响程度不同。 经过前处理后的光谱模型, 再进行模型转移时, 使用线性差值(LI)相关的模型转移方法的预测效果有极大提高; 但是, 使用斜率/截距(S/B)相关的模型转移方法的预测效果虽也有提高, 提高的程度却有限。 这表明, 未来研究中进行模型转移前, 是否需要建立一个高预测能力的光谱模型作为主模型, 要根据所选择的模型转移方法进行确定。 下一步将继续研究不同模型转移方法与主模型前处理的关系, 归纳模型转移方法的适用条件。