高光谱图像技术检测土壤全氮含量的研究

在农业生产中，氮素是农作物生长、产量和品质形成所必需的元素，也是最难有效管理的植物营养元素。如果管理不当，其对环境、产品品质以及人类健康将产生诸多不利影响。土壤全氮是表征土壤基础肥力的一个重要指标，若其含量过低，势必影响作物的生长发育，造成粮食产量的下降；若其含量过高，多余的氮素可能流失造成地表水富营养化，也可能在下渗水流的作用下渗透到地下水层，造成地下水污染。为了保证土壤的健康，提高土壤的生产效率，对土壤全氮进行检测就显得很有必要。目前的检测方式主要以化学方法为主，不仅费时、费力，实时性差，内部组织成分的测定需依靠破坏性检测方法而且受人工影响很大，这严重影响了对土壤全氮含量进行无损、准确的检测。那么，寻找一种准确、方便的检测方法显得尤为重要，而集图像和光谱于一身的高光谱图像检测技术无疑是一个很好的选择。

*高光谱图像是一系列光波波长处的光学图像，比多光谱图像的光谱分辨率更高，通常可达2~3nm。其测量光谱范围可在紫外、可见光和近红外区域叫。高光谱图像数据是三维的，有时称为图像块。其中的二维是图像像素的横纵坐标信息(以坐标x和y表示),第三维是波长信息(以λ表示)12。因此，高光谱图像技术结合了光谱技术与计算机图像技术两者的优点。光谱技术能检测待测物物理结构、成分组成等内部品质信息，计算机视觉技术又能全面反映待测物的外在特征，所以高光谱图像能反映待测物的综合品质。近年来，高光谱图像技术已经应用于家禽肉表面污染检测3,猪、牛肉的品质检测451,水果和蔬菜6-10的品质分级研究。该技术在土壤中矿物成分定量鉴别、土壤含水率、土壤有机质等方面也有了一定的研究。但是，基于高光谱图像技术的土壤全氮检测方法在我国鲜有报道。本文提出采用高光谱图像技术检测土壤全氮含量，并比较分析了土壤粒度对模型的影响，可为便携式仪器的开发提供技术支撑。

高光谱图像技术检测土壤全氮含量的研究

本研究应用了400-1000nm的高光谱相机，可采用广东赛斯拜克SineSpec科技有限公司产品SP130M进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。

1 材料与方法

1.1土样采集与处理

试验材料选用湖北潮土，供试土样来源于湖北省农科院试验田。所有土壤样品采样深度均为0~20cm。样品经风干、去杂、研磨后，依次通过5mm、2mm、1mm、

0.5mm、0.25mm标准筛，得到5种不同粒度的土壤样本

(5~2,2~1,1~0.5,0.5~0.25,<0.25mm),每种粒度下有55个样本。采用四分法取样，一式两份，一份用于土壤全氮含量的测定，另一份用于土壤高光谱图像的采集。

1.2高光谱图像采集系统

试验采用高光谱图像采集系统，该系统主要由1台带有电子倍增电荷耦合器件(EMCCD:Andor Technology

Inc.,USA)的成像光谱仪(VNIR Concentric, Headwallphotonics, USA)、1个35mm镜头、1套高光谱自动扫描移动平台、1个25μm狭缝、以及1台计算机等组成。高光谱图像采集系统由基于LabVIEW开发环境的Software Development Kits(SDKs)平台进行控制。该平台能实现成像光谱仪参数的调节、移动平台位置的控制以及高光谱数据的采集。

1.3土壤全氮含量的测定

采用凯式定氮法(GB/T 5009.5-2010)。在有催化剂的条件下，用浓硫酸消化样品将有机氮都转变成无机铵盐，然后在碱性条件下将铵盐转化为氨，随水蒸气馏出并为过量的酸液吸收，再以标准碱滴定，计算出土壤全氮含量。

1.4数据处理

1.4.1图像的标定

由于高光谱图像各波段下的光源强度分布不均匀，以及摄像头中的暗电流的存在和土壤形状不平整，导致光强分布较弱的波段下的图像噪声较大，因此必须对图像进行校正，以消除噪声和暗电流对图像的影响。

1.4.2光谱的提取及预处理

高光谱图像中每一个像素点都对应一条光谱。选取土样感兴趣区域，计算该区域内所有像素点所对应光谱的平均值，作为土壤样品的光谱。

提取出来的原始光谱信号是由散布在一定时间、波长范围或距离(空间)内的一系列数据组成，其不仅包含物质化学结构等相关信息，还包括其它噪声信号，所以必须对土壤光谱进行预处理。本文采用平滑(Smoothing)、正交信号校正(OSC)、标准正态变量变换(SNV)、标准化(Autoscale)、均值中心化(Mean center)、归一化(Normalize)、一阶导数+平滑(1stDer+Smoothing)、标准正态变换变换+去除趋势(SNV +Detrend)等预处理方法对光谱进行预处理。

1.5建模方法及评价

1.5.1 偏最小二乘法(RLS)

偏最小二乘法(PLS)利用主成分分析，将吸光度矩阵和浓度矩阵先分别分解为特征向量和载荷向量，用交互校验法确定最佳主成分数，然后建立吸光度矩阵与浓度矩阵的数学模型，是目前NIRS定量分析中应用最多的一种多元校正方法112-14。

1.5.2 主成分分析支持向量机(RCA SMM

支持向量机(SVM)是一种基于统计学习理论的新型学习机器[15]。其基本思路就是把训练集运用Mercer核展开定理，通过非线性映射到一个高维特征空间(维数可以无限大),然后在此特征空间中应用线性学习机的方法解决空间中的高度非线性分类和回归等问题。此方法在模式识别方面已经广泛应用。

SVM在计算过程中，输入变量之间的线性相关性影响模型的精度和泛化能力。而主成分分析(PCA)特征提取方法能够有效处理变量之间的共线性问题，减少输入变量维数。因此，将PCA提取的主成分作为SVM模型的输入，就可以解决单独使用SVM时模型精度和耗时等问题。这种基于PCA-SVM的软测量建模方法，这样不仅利用了PCA的特征提取能力，还有着SVM的良好的非线性函数逼近能力。

1.5.3 模型的评价

模型预测能力和稳定性由相关系数R2和预测标准差RMSECP2个参数进行评价。好的模型应当具备相关系数高和预测标准差RMSECP低的特点。

2 结果与分析

2.1不同粒度下土壤光谱分析

同一全氮含量下的5个粒度的土样反射光谱如图1所示。从上到下依次为粒度在<0.25mm、5-2mm、2-1mm、

1-0.5mm、0.5-0.25mm下的反射光谱。从图中看出，5种粒度土壤反射光谱形状大致相同，但粒度在<0.25mm下的光谱波动较大，在700-1000nm波段内反射率始终高于其它粒度下光谱反射率，粒度在5-2mm下的光谱次之。这可能是粒度的大小对光程及散射问题造成的影响引起的。从图中还可以看出在500nm以下和900nm以上的光谱曲线噪声明显。因此，在后续的数据处理过程中，选取500-900nm范围内的光谱数据进行分析。

2.2土壤粒度对全氮含量预测的影响

选取粒度为5-2mm、2-1mm、1~0.5mm、

0.5mm~0.25mm、<0.25mm各37个土壤样品作为建模集，18个作为预测集，建立土壤全氮含量预测模型。对5种不同粒度土样光谱分别进行平滑(Smoothing)、正交信号校正(OSC)、标准正态变量变换(SNV)、标准化(Autoscale)、标准正态变换变换+去除趋势(SNV +Detrend)最优预处理，采用偏最小二乘法建立土壤全氮含量预测模型，结果如表1所示。

从表1可以看出不同粒度的土壤样品所建立的预测模型，其预测结果具有一定的差异。相关系数与粒度大小的关系如图2所示。

从表1和图2可以看出，粒度的大小与模型预测结果的相关系数呈梯形，当土壤样品粒度为5~2mm和

<0.25mm时，相关系数R²偏低，预测标准差RMSECP偏高。这说明土壤样品粒度过大或者过小都会影响预测模型的准确性。土壤样品粒度在2~0.25mm范围内时，所得模型预测效果较好，尤其粒度在1~0.5mm范围内时，所建模型预测结果最优，其相关系数R²和RMSECP

分别为0.8445和0.0115。

2.3土壤全氮含量预测模型的建立

为提高模型的适用性，降低土壤粒度对模型精度的影响，将5种不同粒度的土壤共275个样本混在一起建立模型，从5种不同粒度土壤中各抽取18个共90个样本作为预测集。对土壤样品光谱数据进行标准化(Autoscale)预处理，分别采用偏最小二乘法(PLS)和主成分分析支持向量机(PCA-SVM)建立土壤全氮含量预测模型。其模型结果分别如图3和图4所示。

从图3和图4可以看出，采用偏最小二乘法(PLS)所建立模型的相关系数R²为0.7723,预测标准差

RMSECP为0.0126;采用主成分分析支持向量机(PCA-SVM)所建立模型的相关系数R²为0.8149,预测标准差RMSECP为0.0103。 从以上结果得出，对土壤样品光谱进行同样的预处理方法，采用PCA-SVM建立的模型优于PLS所建立的模型。

3 结论与讨论

该文以湖北潮土为研究对象，研究利用高光谱图像技术预测土壤全氮(TN)含量的方法。结论如下：

(1)在土壤样品风干的情况下，利用高光谱图像技

术建立预测模型，粒度不同会对模型结果产生一定的影响。粒度为5~2mm和<0.25mm的土壤样品建立的预测模型相关系数R²分别为0.7738和0.7708,与其他三种粒度相比偏低，预测标准差RMSECP分别为0.0171和

0.0131,与其他三种粒度相比偏高，表明土壤粒度过大或过小都会影响预测模型的准确性。

(2)采用偏最小二乘建立基于高光谱图像技术的土壤全氮含量模型，当土壤粒度在2~0.25mm之间时，模型能很好地预测土壤全氮含量，粒度在1~0.5mm效果最好，其相关系数R²和RMSECP分别为0.8445和0.0115。

(3)对土壤样品光谱进行同样的预处理方法，采用主成分分析支持向量机(PCA-SVM)所建立的模型优于偏最小二乘法(PLS)所建立的模型，其相关系数R²为

0.8149,预测标准差RMSECP为0.0103。

本文仅从湖北部分地区选择了潮土进行分析得出以上结果，在后续的工作中可以考虑从不同地域、不同土壤类型、不同含水率等方面进行更进一步的研究。同时可以考虑利用高光谱图像技术在图像方面的优势，利用图像技术结合光谱技术进一步提高模型的准确性。

研究表明，高光谱图像技术可以用于检测土壤全氮含量，具有准确、快速等优点。这为实现精准农业、提高农业生产效率提供了新的技术手段。然而，实际应用中还需考虑土壤性质、环境因素等影响，因此在实际应用中还需进一步研究和改进。

高光谱图像技术在农业中的应用还涉及诸多其他方面，例如作物病虫害检测、作物生长状态评估等。这项技术有望在精准农业中发挥更大的作用，推动农业生产的现代化发展。