文摘

快速、现场测定的土壤状况和质量参数拥有光明的潜力提高食品安全,并减少浪费的过度应用土壤改良剂因此减少环境污染。在这项研究中,一个袖珍短波近红外光谱和多元统计(740 - 1070海里)被用来从不同土地利用类型土壤进行分类,同时预测氮(N)、磷(P),钾(K)、钙(Ca2 +),镁(毫克2 +),在加纳和pH值。不同的算法。线性判别分析(LDA)、支持向量机(SVM)和偏最小二乘算法(FrPLS全程偏最小二乘法;间隔偏最小二乘法,ipl;协同间隔偏最小二乘法,Si-PLS)试图构建一个合适的分类和量化模型。模型评估的分类率,确定系数(Rp2),预测的均方根误差(RMSEP)预测集。共有110个土壤样本从0到15厘米,15 - 30厘米,30到45 cm层收集来自不同领域的土地种植制度。结果表明,支持向量机的分类速度98.61%的土壤耕作制度。Si-PLS优越在预测时N, P, K, Mg2 +、钙2 +,博士Si-PLS模型性能的N, P, K, Mg2 +、钙2 +pH值分别为0.571,0.779,0.910,0.778,0.826和0.904Rp2和0.033%,0.738毫克公斤−10.117 cmol·公斤−10.654 cmol·公斤−13.0219 cmol·公斤−1,分别RMSEP pH值和0.4760单位。结果显示,便携式近红外光谱技术可用于测量土壤状况和一些质量参数。然而,还需要进一步的研究来证实其应用程序。这可能导致改善施肥的产量和节约成本。

1。介绍

土壤质量和土壤肥力管理发挥重要作用在农业生产力和环境污染控制,因此,快速了解土壤的土壤质量状况是至关重要的一步。测量土壤的状态通常是通过分析土壤使用传统的实验室被称为湿化学技术提供有用的信息。湿化学方法带来了许多挑战,比如它是昂贵,耗时,涉及化学品的使用,往往限制较少的样本,或从一个区域的提供样品代表复合材料,促使pedotransfer函数作为替代的使用(1,2]。也会产生不必要的浪费和破坏原始土壤样本(3]。最重要的是,它仅限于实验室并不能用于最需要的地方提供快速和准确的结果,协助促进精准农业。这表明另一种技术是需要面对促进原位决心鼓励精准农业。发展的替代测量方法准确,快速,便宜的是很有价值的4]。

近红外光谱技术是一种先进的分析技术,获得了在各个领域包括农业。它提供了许多有用的优势传统的分析方法。这些优势包括以下:身体、无损、快速的结果,没有化学物质的使用,因此环保和便宜的2]。其他研究人员进行的研究揭示了土壤近红外光谱分析法的潜在有用性和明显的其中包括土壤中重金属的测定(4)、土壤物理、化学和生化属性(5)、土壤碳和氮(6,7],歧视的三个主要土壤类型(8和歧视的土壤中有机质从草地和森林9]。所有这些提到的研究已经证明,近红外光谱分析可以为土壤提供所需的选择分析。然而,所有这些研究涉及大型近红外光谱的使用机器,现场使用的目的。因此,有很少或根本没有尝试使用一个小的近红外光谱仪同时决定土壤健康属性。然而,由于电脑和电子产品的发展,提出了便携式或小近红外光谱学和发展加上最优化。这可以提供一个额外的优势实验室近红外光谱。然而,到目前为止,很少或根本没有研究已经完成在加纳袖珍的使用用户友好的土壤近红外光谱分析法对不同土地利用类型的分类和预测土壤健康质量参数。

因此,本研究旨在调查的可行性应用袖珍近红外光谱技术结合多元统计采用variable-wise选择协议同时分类和检测土壤健康属性告知分段精度土壤改良剂的应用。具体目标是预测不同土地利用类型下土壤的识别和确定N, P, K, pH值,Ca2 +,毫克2 +同时采用协同区间变量选择最佳。

2。材料和方法

2.1。样品收集

共有110个土壤样本收集在不同的深度(0-15、15 - 30、30 - 45厘米)等不同土地利用类型的耕地,本地人,牧场,和其他种植园所描述的10]。身体上,任何粗糙的石头和植物碎片被移除之前土壤样本风干。土壤样本然后分别均匀,通过2毫米已筛筛,然后包在well-labelled聚乙烯袋之前分析。

2.2。样品光谱采集

每个样本获得的光谱反射模式使用袖珍光谱仪(SCIO™)的光谱范围740 nm - 1070 nm 1纳米分辨率光谱数据记录。扫描样品,一个60 g样本涌入一个玻璃容器,如图1和扫描后四次旋转45o。整个过程是在28−31°C和65%相对湿度。原始数据集的110份土壤样本存储在基于云下载使用实验室研究许可新办和导入MATLAB版本9.5.0(美国Mathworks Inc .)。下载的原始数据集被分为两个子集校正集样本(77)呼吁发展模型和预测集样品(33)评估发达的可预测性模型。为了避免偏见的选择成员在每个子集,该Kennard−石头算法用于数据集的分区。


图1
土壤光谱数据采集设置。
2.3。参考方法

土壤的pH值测量在1:2.5 (w / v)的土壤:含水率与酸度计(11]。总氮(N)确定使用微凯氏消化方法(12]。可用Bray-1后测定土壤中的磷酸法(13]。钙、镁、钾测定通过使用醋酸铵萃取方法在pH值7 (14]。所有的分析都是一式三份,测量土壤化学性质进行统计处理的范围(最大最小值),意思是,和标准偏差(SD)见表1。

表1
湿法化学测量土壤健康属性。
2.4。数学信号处理

在这项研究中,五个数学光谱信号预处理(MC,意味着定心;MSC,乘法散射校正;SNV标准正态变量;FD,一阶导数;和SD,二阶导数)是相对用于获得最好的模型。在近红外光谱模型,它已变得非常必要预处理的原始数据集用最好的技术和挑战,然而,有几个。因此,它已经成为一个巨大的任务不能忽略时加上这一事实。光谱预处理是一个有效的方法来减少或消除来自不同粒子的光散射,减少噪音,从而提高了模型的预测精度和鲁棒性(15]。此外,任何干扰引起的光散射、基线转变,和斜率变化引起的颗粒大小是导致不必要的信号被删除(16]。MC使用平均的计算原理;因此,这个数据集的平均光谱计算这个平均减去从每个光谱获得的数据17]。SNV通常是用来去除散射光源的光谱变化数据通过消除乘性干扰和分散16,18]。MSC是一个独特的预处理技术,通常用于散射光的校正和消除光谱峰的不同倾向。有关更多信息,请参考[19]。FD和SD导数光谱预处理用于分离重叠峰及消除基线转移是通过使用Savitzky-Golay算法改进。

2.5。量化模型

偏最小二乘(pls)算法是一个著名的线性多变量算法提出的赫尔曼荒原造型复杂的数据集(20.]。它最近发现用于分析光谱数据与强大的共线,噪音,和冗余的变量。然而,最初的请全谱和涉及到一个更大的样本矩阵通常有用的和不必要的信息。在请模型克服这一瓶颈,其他研究人员采取手动的选择不同的光谱区域估计一些化学成分21,22]。然而,这种方法是缓慢和繁琐和之前需要一个经验丰富的知识独特的光谱选择。解决上述挑战,请相关模型,间隔偏最小二乘法(IPLSs)和协同区间偏最小二乘(Si-PLSs)模型提出了。ipl,它通过分裂谱分解成更小的等距地区和他们开发模型为每个子区间的原始请,而Si-PLS也将数据集分为若干区间,然后计算所有可能的PLS模型的所有可能组合多个区间(两个,三个,四个区间)。ipl的最佳区间和Si-PLS选择基于均方根误差最低的校准(RMSEC)为单一选择间隔和间隔的组合分别为选择最好的结果。模型的结果通常是评估通过三个主要参数,即RMSECV,预测的均方根误差(RMSEP),和确定系数(R2)[23,24]。这些参数计算通过使用以下方程: 在哪里n=样本的数量。y我=参考样品的测量结果我, =样本模型的估计结果我, =的均值参考测量结果中的所有样本数据集。

3所示。结果与讨论

3.1。光谱数据显示

造型的光谱资料获得包含有用的信息。图2(一个)介绍了原始光谱不同土地利用类型的土壤样本,这显示几个吸收。然而,光谱剖面似乎显示相似,没有独特的差异当用肉眼看。此外,光谱资料似乎没有有用的信息,因此,呼吁使用多元算法协助建立定性和定量模型预测有用的参数。此外,波长范围(740 - 1070海里)使用具有独特的官能团,如碳氢键,碳氢键变形,h, h, CH2,CH3可能对应于不同的参数等土壤N, P, K, pH值和其他不同的属性(如表所示1),可以用于区分各种土壤类型,见图2 (b)。湿化学这一研究获得的结果显示广泛的化学性质见表1,这可能是由于研究各种土地利用类型的样本收集。获得的结果也同意其他作者(10]。此外,光谱吸收波长之间的关系和土壤化学成分(吸收碳氢键,地和氮氢键)成为可能感兴趣的具体量化土壤健康参数使用适当的选择的波长区域25),这可以归因于清晰的分离,观察图2 (b)。同时,有机物质存在于样品具有不同的光谱指纹用于近红外光谱区域,因为相对强劲的吸收泛音和组合模式相对于一些官能团(CH:脂肪族,有限公司:羧基,NH:胺和酰胺)通常出现在有机化合物(26]。

(一)
(一)
(b)
(b)
图2
原始光谱剖面(a)和(b)意味着不同土地利用类型的土壤样本。
3.2。主成分分析(PCA)

主成分分析提供了一种无监督模式识别工具在维空间观察任何可能的集群发展趋势。可以降低数据的维数矩阵,将有用的信息转换成可说明的变量称为主成分(pc)。图3(一个)显示了主成分分析的结果也表明,有四个不同的土壤。所有的样品集群沿两个电脑飞机PC1和PC2可以解释方差的92.68%和6.68%,分别给予总累计贡献99.37%的方差在这项研究中使用的110个样本。这意味着前两个主成分(PC1和PC2)覆盖的最大信息和提供的化学成分近红外光谱区域中的信息建模。土壤样本有相当独特的化学性质的差异,按照他们的土地利用类型。由于PCA不是一个分类工具,LDA和SVM多元分类技术被用于建立分类模型。


图3
PCA集群趋势不同土地利用类型的土壤样本。
3.3。分类模型

有几种分类算法和最常选择的使用是一个很大的挑战。在这个实验中,线性判别分析(LDA)和支持向量机(SVM)是比较使用。这是因为每个多元分类模型都有自己的优势和劣势。从表2,它可以观察到,LDA模型有其最佳分类率在98.65%和97.22%的校正集和预测集,分别在FD预处理技术应用于原始数据。这个发现支持上述的已知事实,预处理方法提高造型结果,因为它通常可以消除不必要的信息,减少噪音,提高精度,提高了分类模型的鲁棒性(15]。

表2
不同土地利用类别的识别速度LDA和支持向量机。

另一方面,最好的结果获得的支持向量机的分类速度相对99.32%和98.61%的校准和预测集,分别见表2。在预处理技术,MSC和FD改善原始光谱数据集,因此提高最终的分类速度。它可以解释说,MSC的独特之处在于散射光的校正和消除光谱峰的不同倾向而FD增强光谱分离。在本研究中,MSC-SVM / FD-SVM模型优越的土地利用类型的分类。旨在分析完成,图4显示使用随机选择交叉验证完成光谱测试模型。在图中使用的样本4,这是观察到,只有一个样本被误诊。这个示例是一个牧场的土地利用类型。它可以解释说,支持向量机建立了一个超平面,允许更高的维度特征空间的分离,因为SVM是一个转换工具,将低维输入空间数据转换为高维特征空间(17]。


图4
交叉验证识别FD-SVM率矩阵的不同的土地利用类型。

解释这一现象的准确分类是至关重要的。图5显示的总贡献独特的波长,促成了整洁的分离和土地利用类型的分类。在第一个组件,主峰被发现约900海里,这对应于CH3和CH2在第三个泛音[26)与有机材料,而在第二个和第三个组件,主要山峰被发现在800 - 830海里,850 - 875 nm, 925 - 950 nm和1000 - 1050 nm。这些波长与RNH对应2拱,CH3,CH2,RONH2(26与氮等化学性质相关,pH值,土壤中有机碳,和其他用于这项研究。


图5
特征向量的值不同的土地利用类型三个主要组成部分。
3.4。定量模型

光谱预测的氮、磷、钾、pH值、钙和镁是建模通过使用不同的请和其他波长选择技术(ipl和Si-PLS)。从充分利用PLS算法获得的结果,一阶导数光谱预处理表现得比其他所有土壤质量参数见表3。这种性能可能是由于一阶导数光谱预处理的能力在很大程度上定义的存在和位置隐藏吸收光谱(27]。此外,从表4,参数测量没有任何明确的模式为预处理模型的性能。测量的参数没有任何明确的模式为预处理模型性能。因此,意味着定心(MC)预处理对氮和钙是优越的,而一阶导数和SNV优于他人的磷、pH值和钾。一般来说,使用Si-PLS结果显示所有参数的最优性能研究,见表5。具体来说,FD预处理光谱治疗也增强了结果的质量参数(N, P, K),同时增强MC pH值所需的结果和没有预处理治疗钙和镁。

表3
最优选择使用请模型的预处理技术。
表4
预处理技术利用ipl模型的最优选择。
表5
使用Si-PLS预处理技术的最优选择模型。

比较,从表6ipl表现最不完整请紧随其后,而Si-PLS表现最好的参数(氮、磷、钾、镁2 +、钙2 +和pH值)进行了研究。这些发现可以解释为,每个请类型有其独特的属性。请上执行的完整光谱区土壤样品和包含一些无关紧要的光谱信息,不可避免地降低了PLS模型的性能,而实际上ipl克服请通过选择一个最大的挑战感兴趣的地区请模型校准。然而,只有一个区间选择了忽视其他有用的光谱信息。因此,它可以看到,ipl性能急剧下降。另一方面,其对应(Si-PLS模型)使用不止一个有用的组合选择间隔模型感兴趣的参数作为本研究。因此,Si-PLS显示自己的优势请和ipl,因为它克服了缺点都显示技术(全请和ipl)。

表6
模拟结果对土壤质量参数不同的变量选择模型。

更具体地说,对于氮预测,Si-PLS表现最好,见表6。最优光谱区间选择的是770 - 784,945 - 958,和973 - 986 nm 4请组件,见图6(一)。这些光谱对应于各种土壤中含氮量的吸收带这些范围与RNH相关联2根据其他26]。这些波长也与碳氢键和h第三色彩。磷的最佳选择的波长是768 - 781,894 - 907,973 - 986,和1058−1070海里第三方物流组件,如图6 (b)代表第三泛音地区和对应ArOH CH3和拱。磷的动员起着至关重要的作用在采集、存储,并将太阳的能量转化为生物分子,如三磷酸腺苷(ATP)驱动器生化反应(光合作用)。而对钾、最优光谱范围被发现在846 - 860,876 - 890,921 - 935,和996 - 1010 nm在第二次泛音地区与7请组件,代表拱和CH电磁波见图6 (c)。支持运输和钾通过植物形成糖和淀粉。它在水调节植物也至关重要。总土壤pH值是非常重要的,因为它影响几个影响植物生长的土壤因素如土壤结构、土壤细菌和养分有效性等,被描述为土壤主变量(28]。在这项研究中,选择了最佳光谱工具四个独特的波长pH值是810 - 823,824 - 837,922 - 935,和1019 - 1031 nm 7点请组件,如图6 (d)。这些波长代表碳氢键3,碳氢键2碳氢键,对应地酸度(26]。特别重要的快速确定土壤pH值现场,因为它容易说明许多土壤的土壤条件和预期的方向也可以申请流程和植物营养养分循环和土壤修复(28]。钙和镁的最佳造型(数字6 (e)和6 (f)),Si-PLS方法选择756 - 770,801 - 815,936 - 950,和981 - 995 nm 8点请组件和768 - 781,824 - 836,967 - 979,和1019 - 1030 nm 12请组件,分别。Ca2 +和毫克2 +植物生长所需的微量元素虽然在微量。更具体地说,2 +是一个组件维持植物细胞的细胞壁强度和提高了水果和质量。此外,它有一个积极的影响通过改善土壤结构,使土壤属性固氮细菌在豆科植物的根来捕获大气氮进入土壤。毫克2 +另一方面,叶绿素分子的重要组成部分;因此,它在植物光合作用至关重要。值得注意的是,这2 +和毫克2 +水平和他们的平衡是两个重要的因素影响植物的生长29日]。此外,重金属不吸收近红外光谱;然而,这样的选民不吸收近红外光谱辐射可以预测由于他们的相关性与其他幽灵似地活跃的参数30.,31日]。此外,本研究发现类似的其他研究人员(31日,32]。从表可以看出6,结果意味着模型可以用于筛查和其他“近似”校准和范围0.83 - -0.90可以使用小心对于大多数应用程序,包括研究[33]。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图6
最佳波长范围的选择Si-PLS预测土壤属性:(a)氮、磷(b), (c)钾、pH值(d), (e)钙和镁(f)。

4所示。结论

第一次,这项工作表明,袖珍NIR光谱在740 - 1080纳米的范围可以使用现场区分不同土地利用类型的土壤和N, P, K, Mg2 +、钙2 +同时,pH值。不同的请校准模型的系统比较土壤健康参数的预测显示,有效光谱间隔显示它的优越性在测量N, P, K, Mg2 +、钙2 +,土壤pH值的相关系数从0.699到0.898和0.033和3.02之间的RMSEP预测集。这意味着,对于模型的发展,氮模型可以接受非常粗略的粗糙的筛查,筛查,另也可以接受,其他的“近似”校准,小心和可用性对于大多数应用程序,包括研究[33]。这些发现意味着便携式近红外光谱可以用于土壤状况和质量参数的快速预测同时小心。然而,需要更多的研究来证明结果的鲁棒性,因为它有一个巨大的可能性减少浪费时间的湿化学技术的使用。它还可以帮助实现精确施肥在资源贫乏的地区,特别是在发展中国家。同时,本研究只提供了一个使用便携式检测技术的可行性研究,因此进一步的研究需要在不同的地理位置和广泛的土地利用类型。

数据可用性

使用的数据来支持本研究的发现可以要求从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

欧内斯特Teye发达的概念,提供资源,设计了实验,写了初稿,并提供监督。查尔斯·l . y . Amuah和Kwadwo k Kusi分析了光谱数据和撰写并回顾了初稿。Ransford主机达科进行了实验,分析了土壤化学数据。丽贝卡·奥乌苏,迈克尔•Miyittah Emmanuel Afutu修订手稿起草并提供监督。科菲Atiah监督土壤分析和回顾了初稿。托马斯Abindaw进行土壤分析和分析数据。

确认

提供的支持董事会的研究,创新和咨询公司(显示/ INT /罐/ 2021/101)海岸角大学的高度认可。作者也感谢史蒂夫•Adu先生Osei Agyemang,弗朗西斯先生Padi兰普提的支持在样本收集和实验室分析。