土壤野外原位测量光谱中去除水分影响因素的方法
【专利摘要】本发明公开了一种土壤野外原位测量光谱中去除水分影响因素的方法。采集研究区内土壤样本的野外原位光谱数据，使用KS算法挑选具有代表性的样本作为转换样本。将转换样本风干研磨过筛后测量其室内光谱数据。利用DS算法分析转换样本的室内光谱与野外原位光谱的差异，计算转换系数。利用转换系数将剩余土壤样本的野外原位光谱数据进行转换，使得水分影响因素得以去除。去除水分影响因素后的野外光谱数据可以用已有的基于室内光谱测量的大样本光谱库预测模型对土壤有机质进行预测。本发明省略了传统室内光谱测量中一系列土壤样本的预处理步骤，避免重新利用野外光谱建立新模型的冗余。能够提高土壤有机质信息田间实时获取的效率。
【专利说明】土壤野外原位测量光谱中去除水分影响因素的方法
【技术领域】
[0001]本发明涉及土壤有机质含量的高光谱测量方法，尤其是涉及一种土壤野外原位测量光谱中去除水分影响因素的方法。
【背景技术】
[0002]与常规的测量土壤有机质含量的化学分析方法相比，基于实验室的土壤属性高光谱特性研究具有无污染，快速，简便，成本低，周期短等诸多优点，已获得越来越多的肯定。然而一系列的土壤预处理过程如土壤样品的采集、烘干、研磨及过筛等，仍然导致了土壤光谱测量的滞后性，不能满足精准农业中快速有效监测土壤有机质含量的需要。近年来，随着仪器硬件的发展，土壤光谱测量得以在野外环境下进行。但是，野外原位测量的土壤光谱会受到一系列环境因素诸如土壤水分、土壤颗粒、质地、微聚体、土块、环境温度、杂散光等因素的影响，增加了在可见近红外波段对土壤属性特征光谱识别的难度。已有的基于室内光谱的大型土壤光谱库所建立的预测模型难以成功进行土壤属性的野外原位光谱预测。因此，研究土壤野外原位测量光谱的影响因素及去除算法非常有必要。
[0003]在诸多环境影响因素中，土壤水分对光谱的影响最大也最受关注。ViscarraRossel等(2009)将实验室条件下风干过筛土样的光谱与野外条件下未经处理土样的光谱进行比较后发现，二者的主要区别在1400nm、1900nm和土壤矿物质的一些非主要的特征波段。Mouazen等(2006)研究表明，利用高光谱预测土壤pH、C、N、P、CEC> Ca、Mg、Na和K含量时，土样烘干去除水分后的预测精度有了略微的提高。
[0004]去除土壤野外测量光谱中水分影响因素的算法还鲜见报道。最新的研究进展是Minasny等(2011)使用额外参数正交化法(External Parameter Orthogonalization, EPO)对土壤光谱中水分这一影响的去除。EPO的思想是将所有的光谱投影到与土壤水分相正交的空间上，从而达到去除这一影响因素的目的，正交化之后的光谱可以成功进行土壤有机碳的预测。
[0005]本发明所采用的光谱标准转换法是一种模型传递的算法(Wang等，1991)。在近红外光谱分析中，在一台仪器上建立的模型由于仪器响应不同而无法应用于另一台仪器。光谱标准转换法最初成功的运用于这种情况下的模型传递，同时也适用于同一仪器由于老化或部件更新导致前后两次测量响应不同(Wang等，1991;Bouveresse和Massart, 1996; Naes等，2002 ;李庆波等，2007;林振兴等，2008)而导致原有模型无法使用的情况。然而，还没有人将这一算法应于去除野外原位光谱测量中水分因素影响的去除。
【发明内容】
[0006]本发明的目的在于提供了一种土壤野外原位测量光谱中去除水分影响因素的方法，经光谱标准转换法(direct standardization,简称DS)转换后的野外光谱可以用已有的基于室内光谱的大样本光谱库预测模型来进行土壤有机质含量的野外速测。
[0007]本发明采用的技术方案的步骤如下:[0008](I)野外原位土壤光谱数据的获取:
[0009]在光谱仪上配备接触式反射探头，在野外将反射探头压在土壤表面，进行可见近红外光谱测量，得到土壤样品野外光谱数据；
[0010](2)转换样本的选取:
[0011]先对土壤样品野外光谱数据的进行主成分分析，根据主成分分析结果，再采用Kennard-Stone算法选择出具有代表性的土样作为转换样本；将所选择的转换样本带回，转换样本经风干、研磨、过筛后用同样的光谱仪测量其对应的室内光谱数据；
[0012](3)计算转换系数:
[0013]根据转换样本的野外光谱与对应的室内光谱数据，计算水分因素对野外光谱造成的影响，建立野外光谱与室内光谱之间的相关关系，计算转换系数；
[0014](4)水分影响因素的去除:
[0015]利用步骤3)中的转换系数，将剩余的野外光谱数据进行转换，转换后的野外光谱中水分因素被去除；
[0016](5) 土壤有机质预测:
[0017]转换后的野外光谱数据由于水分影响因素已经被去除，用已有的基于室内光谱测量的大样本光谱库所建立的预测模型进行土壤有机质的野外可见近红外光谱预测。
[0018]本发明具有的有益效果是:
[0019]本发明利用光谱标准转换法去除了基于野外原位测量的土壤光谱中水分影响因素，使得已存在的基于室内光谱测量的大样本光谱库预测模型可以直接用来预测野外光谱数据，大大节省了利用野外光谱数据重新建模的时间和精力。另外，在光谱标准转换法中，只有一小部分土壤样本需要带回实验室进行室内光谱测量，节省了以往需要对所有土壤样本进行风干研磨过筛的时间和精力，为更加快速的获取土壤有机质含量提供了一种可行的方案。
【专利附图】
【附图说明】
[0020]图1是室内光谱与野外光谱的对比图。
[0021]图2是光谱标准转换法使用前后土壤有机质的预测值与实测值。
【具体实施方式】
[0022]下面结合附图和实施例对本发明作进一步说明。
[0023]在浙江省内不同地区选择9块水稻田作为研究区域，在每个田块随机选择8?16个土壤采样点，本次实验一共选取了 104个土壤采样点。研究区域分布于N29° 03'?N30° IOi，E119° IOi?E122° 4V之间。实验于2011年11月，水稻田收割10天后进行。此时，水稻田中的水已排出并干燥一段时间以确保野外光谱采集实验的进行。
[0024]( I) 土壤野外光谱的测量:
[0025]在每个采样点，用方形土壤采样器进行土壤样品的采集。使用该采样器采集的土壤样品为一个20cm深,横截面为IOcmX IOcm的土壤立方体。在该土样的垂直面上随机选3个位置进行野外原位土壤光谱的采集，每个位置采集10条光谱，30条光谱算术平均后作为该采样点耕层土样的野外原位光谱数据。在采样过程中注意将土壤垂直面小心弄平整，但同时不要涂抹表面以致过于光滑。在野外光谱测量过程中，应注意避开土样中可能存在的石头、作物根系以及其他杂物、大孔隙等。野外土壤光谱的测量采用ASD公司生产的Fieldspec ProFR 便携式野外光谱仪(Analytical Spectral Devices, Boulder, CO, USA)进行。为了进行野外原位光谱测量，本次实验为该仪器配备了接触式反射探头。在每个土壤采样点测量之前对光谱仪进行一次白板校正。土壤有机质含量采用重铬酸钾容量法-外加热法分析。
[0026](2)数据预处理:
[0027]每个土样的光谱曲线去除噪声较大的边缘波段350~399nm和2451~2500nm波段，再以IOnm为间隔将2051个波长压缩简化成206个波长。光谱反射率数据转换成吸收率数据(1glO (I/反射率))，并进行Savitzky-Golay平滑去噪处理。
[0028](3)转换样本的选择:
[0029]对经过预处理后的104个土壤样本的野外光谱数据进行主成分分析；根据主成分分析结果，采用Kennard-Stone (KS)算法选择出具有代表性的10个土壤样本作为转换样本；将所选择的转换样本带回实验室，每个样品经风干、研磨并通过2_孔筛后进行室内光谱测量。10个转换样本均包含有对应的野外原位光谱(灰色)和室内光谱数据(黑色)，如图1所示。
[0030](4)使用DS算法计算转换系数:
[0031]根据10个转换样本的野外原位光谱与室内光谱的差别，计算水分及其他环境因素对野外光谱造成的影响，建立起野外与室内光谱之间的相关关系，计算转换系数；
[0032]DS算法的具体步骤是:
[0033]在转换样本中存在关系
[0034]Xl = XfB+E (1)
[0035]其中，XJmXp)为转换样本的室内光谱数据；XF(mXp)为转换样本的野外光谱数据是转换样本的个数，此处为10，P为波段数，此处为206 ；B(pXp)是“标准化法”的转换矩阵，用以衡量室内土壤光谱\与野外土壤光谱Xf之间的差异；E(mXp)是残差矩阵，用来校正野外不同于室内测量环境下所产生的基线偏移。因此，E可以写成如下形式:
[0036]
【权利要求】
1.一种土壤野外原位测量光谱中去除水分影响因素的方法，其特征在于，该方法的步骤如下: (1)野外原位土壤光谱数据的获取: 在光谱仪上配备接触式反射探头，在野外将反射探头压在土壤表面，进行可见近红外光谱测量，得到土壤样品野外光谱数据； (2)转换样本的选取: 先对土壤样品野外光谱数据的进行主成分分析，根据主成分分析结果，再采用Kennard-Stone算法选择出具有代表性的土样作为转换样本；将所选择的转换样本带回，转换样本经风干、研磨、过筛后用同样的光谱仪测量其对应的室内光谱数据； (3)计算转换系数: 根据转换样本的野外光谱与对应的室内光谱数据，计算水分因素对野外光谱造成的影响，建立野外光谱与室内光谱之间的相关关系，计算转换系数； (4)水分影响因素的去除: 利用步骤3)中的转换系数，将剩余的野外光谱数据进行转换，转换后的野外光谱中水分因素被去除； (5)土壤有机质预测: 转换后的野外光谱数据由于水分影响因素已经被去除，用已有的基于室内光谱测量的大样本光谱库所建立的预测模型进行土壤有机质的野外可见近红外光谱预测。
【文档编号】G01N21/3563GK103712923SQ201310719523
【公开日】2014年4月9日 申请日期:2013年12月23日 优先权日:2013年12月23日
【发明者】纪文君, 史舟, 陈颂超, 李硕 申请人:浙江大学