基于NIR及PLS—PCR—SVR预测森林土壤有机碳含量
摘要 森林土壤有机碳含量是表征林地土壤营养状况的重要指标，该文建立了土壤有机碳含量的近红外光谱定标模型，并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及SavitzkyGolay平滑+多元散射校正、SavitzkyGolay平滑+一阶导数、SavitzkyGolay平滑+二阶导数、SavitzkyGolay平滑+多元散射校正+一阶导数、SavitzkyGolay平滑+多元散射校正+二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响，同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm，1 800～1 950 nm，2 050～2 300 nm，光谱数据采用SavitzkyGolay平滑+多元散射校正+一阶导数预处理，采用 PLS 的建模方法，主成分数为8时，建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5；预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此，利用近红外光谱技术可以实现土壤有机碳含量的快速估测，为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。
关键词 近红外光谱技术；森林土壤有机碳含量；波段优选
中图分类号S718.52文献标识码A文章编号0517-6611（2014）15-04702-05
AbstractThe forestry soil organic carbon（SOC）content is one of the main chemical components of soil and has a critical effect on soil properties and utilization. The carbon contents of 120 soil samples were determined with national standard of China， and then the near infrared （NIR） spectroscopy of all samples was collected by LabSpec Pro. The calibration model was built by using partial least squares （PLS）， support vector regression（SVR） and principal component regression （PCR） with different pretreatment methods of unpretreatment， SavitzkyGolay（SG）+Multiplicative Scatter Correction（MSC）， SG+ the first derivative， SG+ the second derivative， SG+ MSC+ the first derivative and SG+ MSC+ the second derivative in different spectral region of 350-2 500 nm and optimal spectral region of 1 380-1 450 nm， 1 800-1 950 nm and 2 050-2 300 nm. The results showed that the best model was built by PLS with pretreatment spectral data of SG+ MSC+ the first derivative and 8 principal components in optimal spectral region. Concerning the prediction accuracy， the correlation coefficient（R）and root mean square error （RMSE） and the standard error of calibration and prediction model were 0.805 2， 0.512 2， 0.512 5 and 0.768 1， 0.514 3， 0.514 6. Thus， application of NIR spectroscopy technology can achieve rapid prediction of SOC content in realtime and large area in forest.
Key wordsNear infrared spectroscopy； Forestry SOC content； Optimum spectral bands
森林土壤碳库是全球土壤碳库的重要组成部分，也是森林生态系统中的最大碳库，约占全球土壤碳储量的73%，森林土壤碳库的微小变化都会对大气CO2浓度及全球变化产生巨大影响[1]。森林土壤碳库分为有机碳和无机碳，其中以有机碳为主，且有机碳含量是表征土壤有机质的重要方式。土壤有机质作为土壤肥力保持的重要因子，在为作物提供养料，改善土壤物理性质，防止土壤侵蚀，实现土壤的可持续利用以及提高森林土壤的涵养水源功能方面发挥重要作用，可以确保植物的生长发育与种群的演替。因此，寻求快速测定土壤有机碳含量的方法在森林土壤理化性质、森林可持续利用及森林生态系统的相关研究中至关重要。
由于不同的有机物含有不同的基团，不同的基团有不同的能级，不同的基团和同一基团在不同物理化学环境中对近红外光的吸收波长都有明显差别，且吸收系数小，发热少，因此近红外光谱可作为获取信息的一种有效的载体[2-3]。近年来，近红外反射光谱分析技术（NIR）是一种快速、环保、无损伤、简便的技术，波长范围介于350～2 500 nm之间，近红外光主要吸收含氢基团X-H（X=C、N、O）振动的倍频和合频，这些基团反映大多数有机物的组成和结构信息[2]。近红外反射光谱分析技术在农业、林业、中药、烟草、食品等行业中都有广泛的应用，并已成为一种快速的例行分析方法[4-6]。目前，关于近红外反射光谱分析技术在木材的物理和化学性质方面研究较多，包括木材的密度、含水率、力学性质，纤维素、木质素和总纤维素等方面[7-9]，并且分析应用领域不断拓宽，用于土壤成分分析的研究日益趋增，其中包括土壤有机质、含水率、全氮和pH等[10-28]。土壤的组成包括矿物质、有机质和微生物等，它们的构成包含丰富的氢基团，而含氢基团是关乎土壤有机碳含量的重要信息，因此，近红外光谱可以有效地反映土壤有机碳含量情况，为快速测定土壤有机碳含量提供了技术可行性。
该研究利用近红外光谱技术建立小兴安岭林区土壤有机碳含量的定量分析模型，可以实现对森林土壤有机碳含量的快速、无损、精准检测，为野外实时、大面积、快速地测定森林土壤有机碳含量提供了技术支持，为林区抚育管理的有效施行提供技术支持和理论依据。
1材料与方法
1.1土壤样品的采集与制备土壤样品采自东北小兴安岭带岭林业局东方红林场，该林场位于46°50′～46°59′ N，128°57′～129°37′ E，海拔650 m。该区属温带季风性气候，夏季温暖多雨，冬季严寒多雪，年均气温1.5 ℃，年平均降水量670 mm，无霜期约114 d[29]。树种以落叶松为主，平均年龄19 a，平均胸径14 cm，平均树高11 m，郁闭度为0.9，林区土壤为暗棕壤。
研究样地以东方红林场林区小班为单位，从中随机选取10个小班，每个小班分别设置对照和抚育2块样地，共有20块，单块面积为50 m×20 m，每块样地沿对角线布置3个取土样方，每个样方分为上下2层，上层为0～10 cm，下层为10～20 cm，每层取1个土壤样本，最终获得120个土壤样本。将土壤样品带回实验室进行风干处理，使用木棒压磨、去除肉眼可见的砂砾和植物残体，然后过40目土壤筛均匀混合。
1.2土壤样品近红外光谱采集与分析土壤样品近红外光谱采集所用的仪器为美国ASD公司制造LabSpec Pro近红外光谱仪，它是一款通用便携式的仪器，配有内置光源（色温为3 000 K）、光纤探头和旋转样品杯，光谱仪的光谱测量范围为28 571～4 000 cm-1（350～2 500 nm），输出的波段为2 151，分辨率为2 cm-1（波数单位），每条土壤近红外光谱取30次扫描的平均值，每10个样品进行一次背景校正[30]。
应用多变量统计分析软件The Unscrambler和仿真软件MATLAB，结合PLS，SVR和PCR 3种方法建立土壤样品有机碳含量的校正模型，并采用完全交互预测方式获得样品预测模型的相关参数。
1.3建模方法
1.3.1偏最小二乘（PLS）建模。将n（120）个土壤样品m（1）个组分的土壤有机碳含量浓度矩阵Y=（yij）n×m和仪器测定n（120）个土壤样品p（2 151）个波长点处吸光度矩阵X=（xij）n×xp分解成特征向量形式：Y=UQ+F ；X=TP+E
其中U和T分别为n行d列（d为抽象组分数）的浓度特征因子矩阵和吸光度特征因子矩阵，Q为d×m阶浓度载荷矩阵，P为d×p阶吸光度载荷矩阵，F和E分别为n×m，n×p阶浓度残差阵和吸光度残差阵。
PLS法是根据特征向量的相关性分解Y和X，建立回归模型：U=TB+Ed，其中Ed为随机误差阵，B为d维对角回归系数矩阵。
待测样品，如果吸光度向量为X，则浓度为：Y=X（UX）′BQ
1.3.2支持向量机回归（SVR）方法。该法可以实现非线性拟合，同时能够防止过拟合现象的出现。主要是用f（x）拟合目标值yk（土壤有机碳含量），构造函数为：f（x）=∑（ai-a*i）K（xi，x），其中ai，a*i都可以由优化方程求得，K（xi，x）是某种核函数（线性核函数、多项式核函数、径向基核函数等），不同的核函数建立的模型的预测效果不同，该文使用线性核函数。
1.3.3主成分回归。该法是设法将原来众多具有一定相关性的自变量，通过线性组合的方式重新组合成一组较少的线性无关的综合指标来代表原来的指标，新变量能反映原变量的绝大部分信息，通过这种方式达到降维的目的。
含量值回归系数分布图可以得出，至少有3段回归系数比较平滑的谱区与土壤有机碳含量有很高的相关性，即1 380～1 450 nm，1 800～1 950 nm，2 050～2 300 nm这3段光谱作为建模谱区（图2），进一步分析确定最佳谱区。对土壤样品的近红外光谱在选定谱区内进行不同的预处理，并分别应用PLS、SVR和PCR 3种方法建立土壤有机碳含量的数学模型。优选谱区，不同的预处理方法，内部完全交互预测获得校正模型和预测模型的相关参数如表8～10。
由表2～7和表8～10可知：经过谱区优选后，无论采用何种预处理方法，应用何种建模方法，所得到的校正和预测模型效果都优于未做谱区优选的模型。由表8～10可知：在优选谱区建立土壤有机碳含量的预测模型，无论应用何种建模方法，S+MSC+d1预处理后建立的模型优于其他预处理后的模型，最佳主成分数各有不同，这一结果也呼应了上面S+MSC+d1预处理方法可以优化模型的作用。采用同一种预处理方法，应用不同的建模方法可知：PLS方法建立的模型优于其他2种方法所得的模型，最佳主成分数各有不同，这一结果也呼应了PLS是3种建模方法中最优的分析结果。
图2土壤近红外光谱吸光度和有机碳含量值
3结论
该研究基于近红外光谱技术，通过不同的预处理方法交叉运用，全波段谱区和优选谱区的选取，不同的建模方法（PLS、SVR、PCR）的应用，建立了小兴安岭次生林土壤有机碳含量的校正模型和预测模型。从森林土壤的光谱可知，吸光度随土壤有机碳含量的增加而增加，并且在波长1 414、1 918、2 207 nm附近出现较强的吸收峰。当光谱区域为优选谱区，光谱数据预处理方法为SavitzkyGolay平滑+多元散射校正+一阶导数，建模方法为PLS，主成分数为8时，建立的校正模型有最佳预测效果。其中校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5；预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6，最佳主成分数为8。结果表明：应用近红外光谱技术结合不同预处理方法、谱区优选、不同建模方法可以寻找有效测定森林土壤有机碳含量的新方法，为大面积、实时、精准测定森林土壤有机碳含量提供了新检测技术，为施行有效的林区抚育管理提供技术和理论依据。
参考文献
[1] 周国模，刘恩斌，佘光辉.森林土壤碳库研究方法进展[J].浙江林学院学报，2006，23（2）：207-216.
[2] 高荣强，范世福.现代近红外光谱分析技术的原理及应用[J].分析仪器，2002，3（9）：12.
[3] 刘旭，陈华才，刘太昂，等.PCASVR联用算法在近红外光谱分析烟草成分中的应用[J].光谱学与光谱分析，2007，27（12）：2460-2463.
[4] 相秉仁，李睿，吴拥军，等.近红外光谱分析技术在药学领域中的应用[J].计算机与应用化学，1999，16（5）：327-328.
[5] 王多加，周向阳，金同铭，等.近红外光谱检测技术在农业和食品分析上的应用[J].光谱学与光谱分析，2004，24（4）：447-450.
[6] ALVES A，SANTOS A，ROZENBERG P，et al.A common near infraredbased partial least squares regression model for the prediction of wood density of Pinus pinaster and Larix× eurolepis[J].Wood Science and Technology，2012，46（1/3）：157-175.
[7] XU Q，QIN M，NI Y，et al.Predictions of wood density and module of elasticity of balsam fir （Abies balsamea） and black spruce （Picea mariana） from near infrared spectral analyses[J].Canadian Journal of Forest Research，2011，41（2）：352-358.
[8] 邹鑫.近红外光谱分析法预测欧美杨材性的研究[D].北京：北京林业大学，2010：63-64.
[9] RINNAN R，RINNAN .Application of near infrared reflectance （NIR） and fluorescence spectroscopy to analysis of microbiological and chemical properties of arctic soil[J].Soil Biology and Biochemistry，2007，39（7）：1664-1673.
[10] BELLONMAUREL V，MCBRATNEY A.Nearinfrared （NIR） and midinfrared （MIR） spectroscopic techniques for assessing the amount of carbon stock in soilscritical review and research perspectives[J].Soil Biology and Biochemistry，2011，43（7）：1398-1410.
[11] 陈鹏飞，刘良云，王纪华，等.近红外光谱技术实时测定土壤中总氮及磷含量的初步研究[J].光谱学与光谱分析，2008，28（2）：295-298.
[12] 黄光群，王晓燕，韩鲁佳.基于支持向量机的有机肥总养分含量 NIRS 分析[J].农业机械学报，2010，41（2）：93-98.
[13] 陈强，吴慕春，薛月菊，等.支持向量机回归的碳通量预测[J].计算机工程与应用，2009，45（21）：235-238.
[14] 杨绍锷，黄元仿.基于支持向量机的土壤水力学参数预测[J].农业工程学报，2007，23（7）：42-47.
[15] 宋海燕，何勇.基于OSC和PLS的土壤有机质近红外光谱测定[J].农业机械学报，2007，38（12）：113-115.
[16] 毕卫红，陈俊刚，白立春.基于近红外光谱技术预测土壤中的全氮含量[J].分析仪器，2006（3）：47-49.
[17] 于飞健，闵顺耕，巨晓棠，等.近红外光谱法分析土壤中的有机质和氮素[J].分析试验室，2002，21（3）：49-51.
[18] 丁海泉，卢启鹏，朴仁官，等.土壤有机质近红外光谱分析组合波长的优选[J].光学精密工程，2007，15（12）：1946-1951.
[19] 纪文君，史舟，周清，等.几种不同类型土壤的VISNIR光谱特性及有机质响应波段[J].红外与毫米波学报，2012，31（3）：277.
[20] 沈掌泉，王珂.用近红外光谱预测土壤碳含量的研究[J].红外与毫米波学报，2010，29（1）：32-37.
下一篇：浅析土壤中氮检测技术研究进展