基于多传感器人工嗅觉系统的土壤有机质检测方法

　　摘要：为了实现对土壤有机质含量的快速、方便、准确测量，本文提出了一种基于多传感器人工嗅觉系统的土壤有机质含量检测方法。选取10个不同型号的氧化物半导体式气体传感器组成传感器阵列，并采用不同浓度的硫化氢、氨气和甲烷等标准气体对传感器阵列进行了响应测试，从响应曲线可以看出，传感器阵列对不同浓度、种类的标准气体皆有响应且响应结果不同，且随着标准气体浓度的增大传感器阵列的响应曲线也随之增大，表明传感器阵列具有较高的特异性和一定的交叉敏感性。提取每个传感器土壤气体响应曲线上的响应面积、最大值、平均微分系数、方差值、平均值和最大梯度值6个特征构建特征人工嗅觉特征空间。采用偏最小二乘法回归(PLSR)、支持向量机回归(SVR)和BP神经网络(BPNN)算法建立人工嗅觉特征空间与土壤有机质含量关系的预测模型，使用决定系数(2)、均方根误差(RMSE)和绝对平均误差(MAE)评估预测模型的性能。试验结果表明，PLSR、BPNN、SVR测试集的2分别为0.80878、0.87179和0.91957，RMSE分别为3.6784、3.1614和2.4254，MAE则分别为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具有更高的预测性能，可用于土壤有机质含量的测量。

　　关键词：土壤有机质;人工嗅觉系统;气体传感器阵列;预测方法;回归算法

　　引言土壤有机质(Soilorganicmatter，SOM)是指存在土壤中的所有含碳的有机物质，主要包括动植物残体、土壤微生物及其分解和合成的各种有机物，是土壤固相部分的重要组成成分[1-2]。土壤有机质的含量仅占土壤组成的5%左右，但对改善土壤的物理性质，促进土壤中营养元素的分解，提高土壤肥力都有极为重要的作用[3]。掌控土壤有机质含量的动态变化，根据土壤性状调节作物的施肥量，高效地利用各类农业资源，是实现精准农业和促进农业可持续发展的重要内容之一。

　　目前，测量土壤有机质含量的方法主要有灼烧法、湿烧法、重铬酸钾容量法等[4-5]。其基本原理都是根据有机碳的含量测定有机质，是一种碳成分直接测定法。其中，重铬酸钾容量法因技术原理简单、测量结果准确且成本较低而被广泛使用[6]。但是该方法需要在化学实验室中进行处理，且存在耗时耗力、操作复杂和造成污染等问题。近年来，随着近红外光谱技术的发展，光谱测定土壤有机质的方法得到了广泛的关注和研究[7]。近红外光谱有快速、无损和高效等特点，可以实时测量大量土壤样本的参数，适用于精准农业[8-10]。

　　然而，土壤有机质的光谱受土壤水分、氧化铁、质地等因素的影响[11-13]。土壤气体是土壤的组成部分之一，是由土壤中生物活性和气体转移之间的平衡引起的[14]。土壤中气体和挥发性有机化合物的释放与微生物活动有关，并会不同程度地影响土壤中生物的生活[15,16]。在微生物的降解过程中，养分和能量的供应底物在土壤中产生许多挥发性有机化合物和气体[17-19]。土壤中的挥发性有机化合物和气体与土壤有机质存在相关性，利用这种相关性可以通过人工嗅觉技术检测土壤气味从而测算出土壤有机质含量。

　　人工嗅觉技术是一种综合性检测技术，融合了传感器技术、信号处理、计算机科学、模式识别和深度学习等，其工作原理是模拟人体嗅觉功能对被测气体进行感知、分析和识别的过程。由多种气体传感器融合而成的传感器阵列和模式识别方法组成的人工嗅觉系统，被认为是检测复杂气体的有效手段。人工嗅觉系统不是直接得出监测气体的具体成分或特性，而是生成样本气体的“指纹图谱”，借助合理的模式识别算法，实现对样本气体的准确分类。目前，人工嗅觉技术被广泛应用在食品安全、医疗分析和环境检测等领域[20-23]，且在土壤特性和土壤有机质检测方面也有些研究。

　　例如，ANDRZEJ等[24]采用电子鼻对不同湿度的土壤进行了分类，Lavanya等[25]利用电子鼻检测了土壤中透明质酸和游离脂肪酸的含量;朱龙图等利用单种传感器阵列的人工嗅觉系统实现了对土壤有机质含量的检测[26,27]，由于采用单种传感器阵列，不能全面反映土壤中气体的响应，土壤有机质含量的检测精度和响应时间有待提高。针对上述问题，本文提出一种基于人工嗅觉技术的多传感器阵列检测土壤有机质含量的检测方法。

　　土壤有机质在厌氧环境中产生气态烃、硫化氢、氨和醛类等挥发性气体，土壤中的挥发性气体与土壤有机质存在相关性。将土壤样本放在集气瓶中密封48h，采用10种不同类型的氧化物半导体式气体传感器构建传感器检测阵列，搭建基于人工嗅觉的土壤有机质检测系统，以此系统获取土壤样本中气体的响应曲线。提取响应曲线的响应面积、最大值、平均微分系数、方差值、平均值和最大梯度值等6个特征构建特征人工嗅觉特征空间，采用BP神经网络算法(Backpropagationneuralnetwork，BPNN)、支持向量机回归算法(Supportvectormachineregression，SVR)和偏最小二乘回归算法(Partialleastsquaresregression，PLSR)依据人工嗅觉特征空间建立土壤有机质含量的预测模型，从而利用人工嗅觉技术实现对土壤有机质含量的检测。

　　1材料与方法

　　吉林省位于中纬度欧亚大陆的东侧，属于温带大陆性季风气候，年平均气温在-5℃～8.6℃，年平均降雨量为400～600mm。土壤类型以暗棕壤、黑钙土、白浆土、草甸土、黑土、风沙土、新积土和水稻土为主，以水稻、玉米、大豆为主要粮食作物。频繁的耕作导致土壤退化，施用化肥可有效提高作物产量，成为农业生产不可或缺的选择。由于土壤的不均一性，使各个体都存在着一定程度的变异，为了尽可能还原土壤样本在田间的实际状态，采用对角线布点法进行土样采集，每个采样点采集9份土样，采样深度为0～20cm。将得到的9份土样混合，按四分法每个采样点保留一份土壤样品(1kg)。

　　根据试验的需求，将130份土壤样品在23℃的温度下自然风干后，将土壤碾碎并过0.25mm的筛网处理。将样品分为两份，分别用于化学氧化法和人工嗅觉系统检测其土壤有机质含量。化学氧化法采用重铬酸钾法[28]，是标准的土壤有机质测定方法(GB9834-88)[29]，此方法测得土壤有机质的含量为实际值。人工嗅觉系统所用的土壤样品通过喷施蒸馏水使各样品的相对湿度维持在55%，每份土壤样本称取80g置于250mL的密闭集气瓶内，最后将集气瓶存放在黑暗房间里48h。

　　1.1人工嗅觉试验方法

　　试验所采用装置为基于人工嗅觉的土壤有机质检测系统。该系统由传感器阵列(安装在封闭的反应室)、信号处理电路、NI数据采集卡和便携式计算机组成。传感器阵列是整个系统的核心部件，由10个不同型号的氧化物半导体式气体传感器组成。每个传感器的型号和可测量的气体。

　　信号处理电路主要负责传感器的供电、对传感器数据的处理，传感器阵列与信号处理电路之间通过FFC软线连接。数据采集卡通过杜邦线与信号处理电路连接，用于对传感器数据的采集，并将采集的数据通过USB数据线连接在计算机上显示、存储。

　　2模式识别算法

　　为提高本文检测方法的检测精度，采用PLSR、BPNN和SVR3种算法建立人工嗅觉特征空间与土壤有机质含量之间的预测模型，以找出最优的关系模型。

　　2.1PLSR模型

　　偏最小二乘回归是一种统计学方法，与主成分回归有关系，但不是寻找响应变量和自变量之间最大方差的超平面，而是通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。此算法集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身，当变量之间存在高度线性相关时，PLSR可以建立一个较高精度的预测模型。本研究使用留一交叉验证法寻找主成分因子，通过交叉验证的均方根误差验证模型的稳健性[31]。

　　2.2BPNN模型

　　BP神经网络是一种按误差反向传播训练的多层前馈网络，在结构上包括输入层、隐含层和输出层3部分，每个部分之间依靠权值和阈值连接[32]。基本的BPNN算法是通过信号的前向传播和误差的反向传播2个过程来反复修正各单元权值，以此无限地逼近目标值。隐含层神经元个数对BP神经网络的性能影响较大。若隐含层神经元的个数较少，则网络不能充分描述输出和输入变量之间的关系;相反，若隐含层神经元的个数较多，则会导致网络的学习时间变长，甚至会出现过拟合的问题。一般地，确定隐含层神经元个数的方法是在经验公式的基础上，对比隐含层不同神经元个数对模型性能的影响，从而进行选择。

　　2.3SVR模型

　　SVR是一种基于支持向量机(Supportvectormachine，SVM)的回归技术，是Vapnik等为了利用SVM解决回归拟合方面的问题在SVM分类的基础上引入ε不敏感损失函数提出的。该模型使用径向基函数(Radialbasisfunction，RBF)作为核函数将数据转移到更高维度，然后找到最佳函数，该函数与目标的偏离不超过ε值。SVR的泛化能力主要受惩罚因子和核参数(RBF核函数中的方差)2个参数的影响，并且大于零。本文为了优化SVR模型，采用网格搜索法和5-折交叉验证法，并结合交叉验证均方误差(Meansquareerrorofcross-validation，MSECV)来确定参数组合的值。MSECV越小，参数和越适用于该模型。

　　2.4模型评价指标

　　为了评估上述模块的质量和可靠性，采用决定系数(Coefficientofdetermination，2)、均方根误差(RootMeanSquareError，RMSE)和绝对平均误差(AbsoluteMeanError，MAE)作为性能指标。2越接近1表明模型的拟合效果越好;RMSE用于表征模型预测值和测量值之间误差，MAE为其平均绝对误差，RMSE和MAE越小，表明模型的预测精度越高。

　　3结果与分析

　　3.1传感器阵列响应测试结果

　　氧化物半导体式气体传感器在长时间未通电时，不管有没有对象气体存在，传感器电阻在通电数秒钟后都会突然急遽下降，然后逐渐上升并达到一个稳定的水平。在预热过程中发生的这种反应被称之为“初始动作”。因此，在测试试验开始前，需要对传感器阵列进行预热。

　　3.1.1硫化氢响应测试结果

　　传感器阵列响应测试按照1.3节的试验方法进行。除了传感器S5，其余传感器对硫化氢均有响应。在低浓度硫化氢中，传感器S1、S2和S6响应非常强烈，S8响应也很明显，其余传感器响应不太明显;在高浓度硫化氢中，传感器S1、S2、S6和S8响应十分强烈，除了传感器S5，其余传感器较低浓度时响应明显。

　　4结论

　　(1)采用10种不同类型的氧化物半导体式气体传感器构建传感器阵列，实现了利用人工嗅觉系统对土壤有机质含量的检测。采用不同浓度的硫化氢、氨气和甲烷等标准气体对传感器阵列进行了响应测试，从传感器阵列对不同浓度、种类标准气体的响应曲线可以看出，传感器S5只对高浓度氨气响应，传感器S1、S2对甲烷几乎没有响应，其余传感器对不同浓度、种类的标准气体皆有响应且响应结果不同，这体现了气体传感器阵列较高的特异性和一定的交叉敏感性，且随着标准气体浓度的增大传感器阵列的响应曲线也随之增大。

　　(2)对比分析了PLSR、BPNN和SVR3种算法在基于多传感器人工嗅觉系统的土壤有机质含量检测方法的检测精度。采用此3种算法建立人工嗅觉特征空间与土壤有机质含量之间的关系模型，以2、RMSE和MAE作为性能指标，将3种模型的预测能力进行比较。结果表明，3种模型对土壤有机质含量均有较好的预测能力，其中SVR显示出最大的精度，和最小的RMSE和MAE。这种表现在一定程度上可能是由于土壤有机质含量和人工嗅觉特征空间之间的非线性相关性，以及支持向量回归机较强的学习能力。因此，支持向量回归模型可以作为评估土壤有机质含量的有效工具。

　　(3)试验结果表明，人工嗅觉系统对测定土壤有机质含量提供了支持，该方法是稳健有效的，且为预测和简化土壤有机质含量的测定提供了新的依据。参考文献

　　[1]于雷,洪永胜,耿雷,等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学报,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]关连珠.普通土壤学[M].中国农业大学出版社,2016:42–45.

　　[4]吴才武,夏建新,段峥嵘.土壤有机质测定方法述评与展望[J].土壤,2015,47(3):453-460.WUCaiwu,XIAJianxin,DUANZhengrong.Reviewandprospectofsoilorganicmatterdeterminationmethods[J].Soil,2015,47(3):453-460.(inChinese)

　　[5]刘军根,汪文俊,罗娇,等.土壤有机质含量测定方法对比分析研究[J].中国化工贸易,2017,9(21):212-215.LIUJungen,WANGWenjun,LUOJiao,etal.Comparativeanalysisofsoilorganicmattercontentdeterminationmethods[J].ChinaChemicalTrade,2017,9(21):212-215.(inChinese)

　　作者：李名伟1,2朱庆辉1,2夏晓蒙1,2刘鹤1,2黄东岩1,2