李学文1,金兰淑1, 李涛3,朴在林2,林国林1※
摘要:测土施肥是栽培优质、高产的农作物中必不可少的一个环节。但是测定土壤中N、P、K的传统化学分析方法既需要时间又污染环境的缺点,而近红外技术具有快速﹑准确﹑无损和同时测定多组分等特点,恰恰可以有效解决上述问题。该技术在测定土壤中水分、有机质、全氮﹑全钾方面的精确性已经得到认可,但在磷素的测定方面一直不能建立较好的预测模型。本研究中利用傅里叶变换近红外透射光谱仪测定129个棕壤土样取得光谱,采用偏最小二乘回归(Partial Least Square Regression,PLSR
近红外(Near infrared, NIR)光谱分析的主要信息来源是含氢基团O-H,N-H,C-H的倍频和组合频,光谱信息丰富,非常适合多组分的同时测定。它具有快速和可以反复测定同一样本的优点,这是其他分析方法不具备的独特优势,其在土壤遥感﹑现代化农业推荐施肥及其在精准农业土壤养分管理方面具有广阔的应用前景和发展潜力。在我国,彭玉魁等首次应用NIRS 对我国黄土区土壤水分、有机质和总氮含量进行近红外光谱分析,结果表明NIRS 预测值与实验室化学分析值间相关性高,误差小,NIRS 预测值均达到了与实验室化学分析值相近的水平,于飞健等应用NIRS 测定土壤中的全氮、有机质和碱解氮,结果表明近红外光谱与三项指标具有良好的相关性,近红外光谱用于测定土壤的全氮、有机质、碱解氮含量是可行的,并有可能应用于土壤的田间快速分析和遥感图象的地面抽样定标。郭立鹤等对土壤中水、有机碳及矿物组成进行了近红外光谱分析,认为近红外光谱技术不仅提高了野外地质调查质量,还减少了室内分析测试工作,起到缩短地质调查周期、降低成本、提高效率的作用,为我国开展国土资源调查和评价提供了一种新的快速、简便、准确的分析手段。但是目前有关土壤的近红外研究报道主要集中在土壤水分﹑有机质﹑总氮等的分析,对于磷素的研究较少,由于磷在土壤中存在的多样性和复杂性,加上近红外区域光谱的重叠,很难建立精确度高的磷素预测模型。曾经,Ryu Kwan Shig等人利用近红外技术来研究估测土壤中的全磷﹑Bray 磷和Olsen磷的测定模型,但精确度不高(土壤有效磷预测结果为:R=0.82 ,SEE(Standard Error of Estimation)=146.4 mg·kg-1,SEP=162.3 mg·kg-1)。上述模型建立时只对光谱进行微分处理,采用了多元线性回归(Multiple Linear Regression,MLR
)方法,但是预测数值远不能满足农田施肥要求。本研究里为了提高土壤有效磷的测定精确度,首先采集有效磷含量范围比较大土壤样本,同时严格进行全磷和有效磷的化学分析,然后与预处理后的光谱进行PLSR回归分析得到了比较好的全磷和有效磷的预测模型。
从冷藏室取出的土样达到室温后测定了土样的近红外光谱,使用仪器为美国Thermo Electron Corporation生产的检测器为InGaAs 的Nicolet Antaris FT-NIR Analyzer分析仪。测定时仪器的设定参数为:光谱每隔4 cm-1测定一个点,扫描次数为:32,分辨率为8 cm-1,光谱扫描范围4000 cm-1~12000 cm-1。
Table1 The calibration and prediction results of models developed by various spectrum treatments and PLSR regression methods
光谱前处理 | 回归方法 | 提取物 | 相关系数R | 主成分 | 建模型结果 | 预测结果 |
吸光度 | PLSR | TP | 0.90 | 9 | 0.093 | 0.069 |
PLSR | AP | 0.96 | 9 | 25.92 | 25.39 | |
标准化处理 | PLSR | TP | 0.92 | 8 | 0.082 | 0.069 |
PLSR | AP | 0.95 | 7 | 26.19 | 30.12 | |
多元散射校正 | PLSR | TP | 0.89 | 6 | 0.095 | 0.084 |
PLSR | AP | 0.96 | 7 | 26.35 | 29.32 | |
平滑处理 | PLSR | TP | 0.91 | 9 | 0.091 | 0.072 |
PLSR | AP | 0.95 | 9 | 29.63 | 25.74 | |
一阶导数 | PLSR | TP | 0.69 | 2 | 0.156 | 0.105 |
PLSR | AP | 0.73 | 2 | 65.95 | 43.22 | |
二阶导数 | PLSR | TP | 0.70 | 3 | 0.153 | 0.152 |
PLSR | AP | 0.83 | 2 | 34.73 | 60.42 |
已知土壤的磷素标准值与近红外预测值之间的散点图; 模型由不同光谱前处理和回归方法建立:(a) 标准化处理和偏最小二乘回归(内部交叉验证法)(b) 吸光度和偏最小二乘回归(内部交叉验证法)
Fig .2 Relationships between the chemical measured and NIR predicted phosphorous content by PLSR for calibration set. Calibration models were developed by different pre-treatments, respectively: (a) Normalization and PLSR (cross validation); (b) Absorbance and PLSR (cross validation);
图3是利用最好模型的预测情况,横坐标是实际值,纵坐标是近红外的预测值。从图中也可看出,全磷的预测误差为0.069 mg·kg-1,有效磷的模型预测误差为25.39 mg·kg-1;从R2和SEP的结果可以看出有效磷的预测结果好于全磷。总体看来预测结果较前人有所提高,但仍不甚理想,主要原因是土壤中磷素在近红外区域吸收峰微弱或没有吸收峰,使得光谱的各种前处理对最后的预测结果提高不大,甚至有些光谱前处理还不可避免的造成负面影响,尤其是光谱经微分处理后建立的预测模型的精确度与未处理相比反而更差一些。
图3 未知土壤的磷标准值与近红外预测值之间的散点图; 模型由不同光谱前处理和回归方法建立:(a) 标准化处理和偏最小二乘回归(内部交叉验证法)(b) 吸光度和偏最小二乘回归(内部交叉验证法)
Fig .3 Relationships between the chemical measured and NIR predicted phosphorous content by PLSR for prediction set. Calibration models were developed by different pre-treatments, respectively: (a) Normalization and PLSR (cross validation); (b) Absorbance and PLSR (cross validation);
按以往经验光谱经微分处理后结果要好于其它前处理,因为微分法可以有效消除光谱背景和基线漂移,但是本研究中所建模型的预测结果跟其它处理相比是最差的。这是因为磷在近红外区域吸收太弱甚至没有吸收,使得微分处理没能发挥其计算优势。同时微分处理过程产生两种不利影响,一是产生高频噪音,二是其平滑作用损失部分有用信息,就是这些不利影响使得模型预测结果变得更差。
由MLR方法可以找出对模型贡献较大的波长(单位:cm-1),分别为:4586,4651(-CONH2),4667(=C=C=),5323(-COOH),6823(-CONH-,-OH),6865(-OH, -CONH2),6915,7066(-CH2),由这些波长所对应几种基团可以得出土壤中的磷是通过测定土壤中的含磷有机化合物(比如植素类﹑核酸类﹑磷酯类等)而间接测定的,其他波长所对应的是在建标过程中对磷含量影响较大的物质,像6915 cm-1则是水的吸收峰。由以上可以看出,磷在近红外区域没有显著吸收峰,只能依靠与其相结合或者相关的一些物质来建立全磷和有效磷的预测模型是造成预测精确度低的主要原因。