摘要：為了實(shí)現(xiàn)對土壤有機(jī)質(zhì)含量的快速、方便、準(zhǔn)確測量，本文提出了一種基于多傳感器人工嗅覺系統(tǒng)的土壤有機(jī)質(zhì)含量檢測方法。選取10個(gè)不同型號的氧化物半導(dǎo)體式氣體傳感器組成傳感器陣列，并采用不同濃度的硫化氫、氨氣和甲烷等標(biāo)準(zhǔn)氣體對傳感器陣列進(jìn)行了響應(yīng)測試，從響應(yīng)曲線可以看出，傳感器陣列對不同濃度、種類的標(biāo)準(zhǔn)氣體皆有響應(yīng)且響應(yīng)結(jié)果不同，且隨著標(biāo)準(zhǔn)氣體濃度的增大傳感器陣列的響應(yīng)曲線也隨之增大，表明傳感器陣列具有較高的特異性和一定的交叉敏感性。提取每個(gè)傳感器土壤氣體響應(yīng)曲線上的響應(yīng)面積、最大值、平均微分系數(shù)、方差值、平均值和最大梯度值6個(gè)特征構(gòu)建特征人工嗅覺特征空間。采用偏最小二乘法回歸(PLSR)、支持向量機(jī)回歸(SVR)和BP神經(jīng)網(wǎng)絡(luò)(BPNN)算法建立人工嗅覺特征空間與土壤有機(jī)質(zhì)含量關(guān)系的預(yù)測模型，使用決定系數(shù)(2)、均方根誤差(RMSE)和絕對平均誤差(MAE)評估預(yù)測模型的性能。試驗(yàn)結(jié)果表明，PLSR、BPNN、SVR測試集的2分別為0.80878、0.87179和0.91957，RMSE分別為3.6784、3.1614和2.4254，MAE則分別為3.1079、2.4154和2.1389。SVR算法建立的模型2最高，RMSE、MAE最小，比PLSR、BPNN具有更高的預(yù)測性能，可用于土壤有機(jī)質(zhì)含量的測量。

　　關(guān)鍵詞：土壤有機(jī)質(zhì);人工嗅覺系統(tǒng);氣體傳感器陣列;預(yù)測方法;回歸算法

　　引言土壤有機(jī)質(zhì)(Soilorganicmatter，SOM)是指存在土壤中的所有含碳的有機(jī)物質(zhì)，主要包括動(dòng)植物殘?bào)w、土壤微生物及其分解和合成的各種有機(jī)物，是土壤固相部分的重要組成成分[1-2]。土壤有機(jī)質(zhì)的含量僅占土壤組成的5%左右，但對改善土壤的物理性質(zhì)，促進(jìn)土壤中營養(yǎng)元素的分解，提高土壤肥力都有極為重要的作用[3]。掌控土壤有機(jī)質(zhì)含量的動(dòng)態(tài)變化，根據(jù)土壤性狀調(diào)節(jié)作物的施肥量，高效地利用各類農(nóng)業(yè)資源，是實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)和促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展的重要內(nèi)容之一。

　　目前，測量土壤有機(jī)質(zhì)含量的方法主要有灼燒法、濕燒法、重鉻酸鉀容量法等[4-5]。其基本原理都是根據(jù)有機(jī)碳的含量測定有機(jī)質(zhì)，是一種碳成分直接測定法。其中，重鉻酸鉀容量法因技術(shù)原理簡單、測量結(jié)果準(zhǔn)確且成本較低而被廣泛使用[6]。但是該方法需要在化學(xué)實(shí)驗(yàn)室中進(jìn)行處理，且存在耗時(shí)耗力、操作復(fù)雜和造成污染等問題。近年來，隨著近紅外光譜技術(shù)的發(fā)展，光譜測定土壤有機(jī)質(zhì)的方法得到了廣泛的關(guān)注和研究[7]。近紅外光譜有快速、無損和高效等特點(diǎn)，可以實(shí)時(shí)測量大量土壤樣本的參數(shù)，適用于精準(zhǔn)農(nóng)業(yè)[8-10]。

　　然而，土壤有機(jī)質(zhì)的光譜受土壤水分、氧化鐵、質(zhì)地等因素的影響[11-13]。土壤氣體是土壤的組成部分之一，是由土壤中生物活性和氣體轉(zhuǎn)移之間的平衡引起的[14]。土壤中氣體和揮發(fā)性有機(jī)化合物的釋放與微生物活動(dòng)有關(guān)，并會不同程度地影響土壤中生物的生活[15,16]。在微生物的降解過程中，養(yǎng)分和能量的供應(yīng)底物在土壤中產(chǎn)生許多揮發(fā)性有機(jī)化合物和氣體[17-19]。土壤中的揮發(fā)性有機(jī)化合物和氣體與土壤有機(jī)質(zhì)存在相關(guān)性，利用這種相關(guān)性可以通過人工嗅覺技術(shù)檢測土壤氣味從而測算出土壤有機(jī)質(zhì)含量。

　　人工嗅覺技術(shù)是一種綜合性檢測技術(shù)，融合了傳感器技術(shù)、信號處理、計(jì)算機(jī)科學(xué)、模式識別和深度學(xué)習(xí)等，其工作原理是模擬人體嗅覺功能對被測氣體進(jìn)行感知、分析和識別的過程。由多種氣體傳感器融合而成的傳感器陣列和模式識別方法組成的人工嗅覺系統(tǒng)，被認(rèn)為是檢測復(fù)雜氣體的有效手段。人工嗅覺系統(tǒng)不是直接得出監(jiān)測氣體的具體成分或特性，而是生成樣本氣體的“指紋圖譜”，借助合理的模式識別算法，實(shí)現(xiàn)對樣本氣體的準(zhǔn)確分類。目前，人工嗅覺技術(shù)被廣泛應(yīng)用在食品安全、醫(yī)療分析和環(huán)境檢測等領(lǐng)域[20-23]，且在土壤特性和土壤有機(jī)質(zhì)檢測方面也有些研究。

　　例如，ANDRZEJ等[24]采用電子鼻對不同濕度的土壤進(jìn)行了分類，Lavanya等[25]利用電子鼻檢測了土壤中透明質(zhì)酸和游離脂肪酸的含量;朱龍圖等利用單種傳感器陣列的人工嗅覺系統(tǒng)實(shí)現(xiàn)了對土壤有機(jī)質(zhì)含量的檢測[26,27]，由于采用單種傳感器陣列，不能全面反映土壤中氣體的響應(yīng)，土壤有機(jī)質(zhì)含量的檢測精度和響應(yīng)時(shí)間有待提高。針對上述問題，本文提出一種基于人工嗅覺技術(shù)的多傳感器陣列檢測土壤有機(jī)質(zhì)含量的檢測方法。

　　土壤有機(jī)質(zhì)在厭氧環(huán)境中產(chǎn)生氣態(tài)烴、硫化氫、氨和醛類等揮發(fā)性氣體，土壤中的揮發(fā)性氣體與土壤有機(jī)質(zhì)存在相關(guān)性。將土壤樣本放在集氣瓶中密封48h，采用10種不同類型的氧化物半導(dǎo)體式氣體傳感器構(gòu)建傳感器檢測陣列，搭建基于人工嗅覺的土壤有機(jī)質(zhì)檢測系統(tǒng)，以此系統(tǒng)獲取土壤樣本中氣體的響應(yīng)曲線。提取響應(yīng)曲線的響應(yīng)面積、最大值、平均微分系數(shù)、方差值、平均值和最大梯度值等6個(gè)特征構(gòu)建特征人工嗅覺特征空間，采用BP神經(jīng)網(wǎng)絡(luò)算法(Backpropagationneuralnetwork，BPNN)、支持向量機(jī)回歸算法(Supportvectormachineregression，SVR)和偏最小二乘回歸算法(Partialleastsquaresregression，PLSR)依據(jù)人工嗅覺特征空間建立土壤有機(jī)質(zhì)含量的預(yù)測模型，從而利用人工嗅覺技術(shù)實(shí)現(xiàn)對土壤有機(jī)質(zhì)含量的檢測。

　　1材料與方法

　　吉林省位于中緯度歐亞大陸的東側(cè)，屬于溫帶大陸性季風(fēng)氣候，年平均氣溫在-5℃～8.6℃，年平均降雨量為400～600mm。土壤類型以暗棕壤、黑鈣土、白漿土、草甸土、黑土、風(fēng)沙土、新積土和水稻土為主，以水稻、玉米、大豆為主要糧食作物。頻繁的耕作導(dǎo)致土壤退化，施用化肥可有效提高作物產(chǎn)量，成為農(nóng)業(yè)生產(chǎn)不可或缺的選擇。由于土壤的不均一性，使各個(gè)體都存在著一定程度的變異，為了盡可能還原土壤樣本在田間的實(shí)際狀態(tài)，采用對角線布點(diǎn)法進(jìn)行土樣采集，每個(gè)采樣點(diǎn)采集9份土樣，采樣深度為0～20cm。將得到的9份土樣混合，按四分法每個(gè)采樣點(diǎn)保留一份土壤樣品(1kg)。

　　根據(jù)試驗(yàn)的需求，將130份土壤樣品在23℃的溫度下自然風(fēng)干后，將土壤碾碎并過0.25mm的篩網(wǎng)處理。將樣品分為兩份，分別用于化學(xué)氧化法和人工嗅覺系統(tǒng)檢測其土壤有機(jī)質(zhì)含量。化學(xué)氧化法采用重鉻酸鉀法[28]，是標(biāo)準(zhǔn)的土壤有機(jī)質(zhì)測定方法(GB9834-88)[29]，此方法測得土壤有機(jī)質(zhì)的含量為實(shí)際值。人工嗅覺系統(tǒng)所用的土壤樣品通過噴施蒸餾水使各樣品的相對濕度維持在55%，每份土壤樣本稱取80g置于250mL的密閉集氣瓶內(nèi)，最后將集氣瓶存放在黑暗房間里48h。

　　1.1人工嗅覺試驗(yàn)方法

　　試驗(yàn)所采用裝置為基于人工嗅覺的土壤有機(jī)質(zhì)檢測系統(tǒng)。該系統(tǒng)由傳感器陣列(安裝在封閉的反應(yīng)室)、信號處理電路、NI數(shù)據(jù)采集卡和便攜式計(jì)算機(jī)組成。傳感器陣列是整個(gè)系統(tǒng)的核心部件，由10個(gè)不同型號的氧化物半導(dǎo)體式氣體傳感器組成。每個(gè)傳感器的型號和可測量的氣體。

　　信號處理電路主要負(fù)責(zé)傳感器的供電、對傳感器數(shù)據(jù)的處理，傳感器陣列與信號處理電路之間通過FFC軟線連接。數(shù)據(jù)采集卡通過杜邦線與信號處理電路連接，用于對傳感器數(shù)據(jù)的采集，并將采集的數(shù)據(jù)通過USB數(shù)據(jù)線連接在計(jì)算機(jī)上顯示、存儲。

　　2模式識別算法

　　為提高本文檢測方法的檢測精度，采用PLSR、BPNN和SVR3種算法建立人工嗅覺特征空間與土壤有機(jī)質(zhì)含量之間的預(yù)測模型，以找出最優(yōu)的關(guān)系模型。

　　2.1PLSR模型

　　偏最小二乘回歸是一種統(tǒng)計(jì)學(xué)方法，與主成分回歸有關(guān)系，但不是尋找響應(yīng)變量和自變量之間最大方差的超平面，而是通過投影分別將預(yù)測變量和觀測變量投影到一個(gè)新空間，來尋找一個(gè)線性回歸模型。此算法集主成分分析、典型相關(guān)分析和多元線性回歸分析3種分析方法的優(yōu)點(diǎn)于一身，當(dāng)變量之間存在高度線性相關(guān)時(shí)，PLSR可以建立一個(gè)較高精度的預(yù)測模型。本研究使用留一交叉驗(yàn)證法尋找主成分因子，通過交叉驗(yàn)證的均方根誤差驗(yàn)證模型的穩(wěn)健性[31]。

　　2.2BPNN模型

　　BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，在結(jié)構(gòu)上包括輸入層、隱含層和輸出層3部分，每個(gè)部分之間依靠權(quán)值和閾值連接[32]�；�本的BPNN算法是通過信號的前向傳播和誤差的反向傳播2個(gè)過程來反復(fù)修正各單元權(quán)值，以此無限地逼近目標(biāo)值。隱含層神經(jīng)元個(gè)數(shù)對BP神經(jīng)網(wǎng)絡(luò)的性能影響較大。若隱含層神經(jīng)元的個(gè)數(shù)較少，則網(wǎng)絡(luò)不能充分描述輸出和輸入變量之間的關(guān)系;相反，若隱含層神經(jīng)元的個(gè)數(shù)較多，則會導(dǎo)致網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間變長，甚至?xí)�出現(xiàn)過擬合的問題。一般地，確定隱含層神經(jīng)元個(gè)數(shù)的方法是在經(jīng)驗(yàn)公式的基礎(chǔ)上，對比隱含層不同神經(jīng)元個(gè)數(shù)對模型性能的影響，從而進(jìn)行選擇。

　　2.3SVR模型

　　SVR是一種基于支持向量機(jī)(Supportvectormachine，SVM)的回歸技術(shù)，是Vapnik等為了利用SVM解決回歸擬合方面的問題在SVM分類的基礎(chǔ)上引入ε不敏感損失函數(shù)提出的。該模型使用徑向基函數(shù)(Radialbasisfunction，RBF)作為核函數(shù)將數(shù)據(jù)轉(zhuǎn)移到更高維度，然后找到最佳函數(shù)，該函數(shù)與目標(biāo)的偏離不超過ε值。SVR的泛化能力主要受懲罰因子和核參數(shù)(RBF核函數(shù)中的方差)2個(gè)參數(shù)的影響，并且大于零。本文為了優(yōu)化SVR模型，采用網(wǎng)格搜索法和5-折交叉驗(yàn)證法，并結(jié)合交叉驗(yàn)證均方誤差(Meansquareerrorofcross-validation，MSECV)來確定參數(shù)組合的值。MSECV越小，參數(shù)和越適用于該模型。

　　2.4模型評價(jià)指標(biāo)

　　為了評估上述模塊的質(zhì)量和可靠性，采用決定系數(shù)(Coefficientofdetermination，2)、均方根誤差(RootMeanSquareError，RMSE)和絕對平均誤差(AbsoluteMeanError，MAE)作為性能指標(biāo)。2越接近1表明模型的擬合效果越好;RMSE用于表征模型預(yù)測值和測量值之間誤差，MAE為其平均絕對誤差，RMSE和MAE越小，表明模型的預(yù)測精度越高。

　　3結(jié)果與分析

　　3.1傳感器陣列響應(yīng)測試結(jié)果

　　氧化物半導(dǎo)體式氣體傳感器在長時(shí)間未通電時(shí)，不管有沒有對象氣體存在，傳感器電阻在通電數(shù)秒鐘后都會突然急遽下降，然后逐漸上升并達(dá)到一個(gè)穩(wěn)定的水平。在預(yù)熱過程中發(fā)生的這種反應(yīng)被稱之為“初始動(dòng)作”。因此，在測試試驗(yàn)開始前，需要對傳感器陣列進(jìn)行預(yù)熱。

　　3.1.1硫化氫響應(yīng)測試結(jié)果

　　傳感器陣列響應(yīng)測試按照1.3節(jié)的試驗(yàn)方法進(jìn)行。除了傳感器S5，其余傳感器對硫化氫均有響應(yīng)。在低濃度硫化氫中，傳感器S1、S2和S6響應(yīng)非常強(qiáng)烈，S8響應(yīng)也很明顯，其余傳感器響應(yīng)不太明顯;在高濃度硫化氫中，傳感器S1、S2、S6和S8響應(yīng)十分強(qiáng)烈，除了傳感器S5，其余傳感器較低濃度時(shí)響應(yīng)明顯。

　　4結(jié)論

　　(1)采用10種不同類型的氧化物半導(dǎo)體式氣體傳感器構(gòu)建傳感器陣列，實(shí)現(xiàn)了利用人工嗅覺系統(tǒng)對土壤有機(jī)質(zhì)含量的檢測。采用不同濃度的硫化氫、氨氣和甲烷等標(biāo)準(zhǔn)氣體對傳感器陣列進(jìn)行了響應(yīng)測試，從傳感器陣列對不同濃度、種類標(biāo)準(zhǔn)氣體的響應(yīng)曲線可以看出，傳感器S5只對高濃度氨氣響應(yīng)，傳感器S1、S2對甲烷幾乎沒有響應(yīng)，其余傳感器對不同濃度、種類的標(biāo)準(zhǔn)氣體皆有響應(yīng)且響應(yīng)結(jié)果不同，這體現(xiàn)了氣體傳感器陣列較高的特異性和一定的交叉敏感性，且隨著標(biāo)準(zhǔn)氣體濃度的增大傳感器陣列的響應(yīng)曲線也隨之增大。

　　(2)對比分析了PLSR、BPNN和SVR3種算法在基于多傳感器人工嗅覺系統(tǒng)的土壤有機(jī)質(zhì)含量檢測方法的檢測精度。采用此3種算法建立人工嗅覺特征空間與土壤有機(jī)質(zhì)含量之間的關(guān)系模型，以2、RMSE和MAE作為性能指標(biāo)，將3種模型的預(yù)測能力進(jìn)行比較。結(jié)果表明，3種模型對土壤有機(jī)質(zhì)含量均有較好的預(yù)測能力，其中SVR顯示出最大的精度，和最小的RMSE和MAE。這種表現(xiàn)在一定程度上可能是由于土壤有機(jī)質(zhì)含量和人工嗅覺特征空間之間的非線性相關(guān)性，以及支持向量回歸機(jī)較強(qiáng)的學(xué)習(xí)能力。因此，支持向量回歸模型可以作為評估土壤有機(jī)質(zhì)含量的有效工具。

　　(3)試驗(yàn)結(jié)果表明，人工嗅覺系統(tǒng)對測定土壤有機(jī)質(zhì)含量提供了支持，該方法是穩(wěn)健有效的，且為預(yù)測和簡化土壤有機(jī)質(zhì)含量的測定提供了新的依據(jù)。參考文獻(xiàn)

　　[1]于雷,洪永勝,耿雷,等.基于偏最小二乘回歸的土壤有機(jī)質(zhì)含量高光譜估算[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(14):103-109.YULei,HONGYongsheng,GENGLei,etal.Hyperspectralestimationofsoilorganicmattercontentbasedonpartialleastsquaresregression[J].TransactionsoftheCSAE,2015,31(14):103-109.(inChinese)

　　[2]HUANDD,LIUH,ZHUL,etal.SoilorganicmatterdeterminationbasedonartificialolfactorysystemandPLSR-BPNN[J].MeasurementScienceandTechnology,2021,32(3):035801(14pp).

　　[3]關(guān)連珠.普通土壤學(xué)[M].中國農(nóng)業(yè)大學(xué)出版社,2016:42–45.

　　[4]吳才武,夏建新,段崢嶸.土壤有機(jī)質(zhì)測定方法述評與展望[J].土壤,2015,47(3):453-460.WUCaiwu,XIAJianxin,DUANZhengrong.Reviewandprospectofsoilorganicmatterdeterminationmethods[J].Soil,2015,47(3):453-460.(inChinese)

　　[5]劉軍根,汪文俊,羅嬌,等.土壤有機(jī)質(zhì)含量測定方法對比分析研究[J].中國化工貿(mào)易,2017,9(21):212-215.LIUJungen,WANGWenjun,LUOJiao,etal.Comparativeanalysisofsoilorganicmattercontentdeterminationmethods[J].ChinaChemicalTrade,2017,9(21):212-215.(inChinese)

　　作者：李名偉1,2朱慶輝1,2夏曉蒙1,2劉鶴1,2黃東巖1,2