摘要：為了實現對土壤有機質含量的快速、方便、準確測量，本文提出了一種基于多傳感器人工嗅覺系統的土壤有機質含量檢測方法。選取10個不同型號的氧化物半導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、氨氣和甲烷等標準氣體對傳感器陣列進行了響應測試，從響應曲線可以看出，傳感器陣列對不同濃度、種類的標準氣體皆有響應且響應結果不同，且隨著標準氣體濃度的增大傳感器陣列的響應曲線也隨之增大，表明傳感器陣列具有較高的特異性和一定的交叉敏感性。提取每個傳感器土壤氣體響應曲線上的響應面積、最大值、平均微分系數、方差值、平均值和最大梯度值6個特征構建特征人工嗅覺特征空間。采用偏最小二乘法回歸(PLSR)、支持向量機回歸(SVR)和BP神經網絡(BPNN)算法建立人工嗅覺特征空間與土壤有機質含量關系的預測模型，使用決定系數(2)、均方根誤差(RMSE)和絕對平均誤差(MAE)評估預測模型的性能。試驗結果表明，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具有更高的預測性能，可用于土壤有機質含量的測量。

　　關鍵詞：土壤有機質;人工嗅覺系統;氣體傳感器陣列;預測方法;回歸算法

　　引言土壤有機質(Soilorganicmatter，SOM)是指存在土壤中的所有含碳的有機物質，主要包括動植物殘體、土壤微生物及其分解和合成的各種有機物，是土壤固相部分的重要組成成分[1-2]。土壤有機質的含量僅占土壤組成的5%左右，但對改善土壤的物理性質，促進土壤中營養元素的分解，提高土壤肥力都有極為重要的作用[3]。掌控土壤有機質含量的動態變化，根據土壤性狀調節作物的施肥量，高效地利用各類農業資源，是實現精準農業和促進農業可持續發展的重要內容之一。

　　目前，測量土壤有機質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有機碳的含量測定有機質，是一種碳成分直接測定法。其中，重鉻酸鉀容量法因技術原理簡單、測量結果準確且成本較低而被廣泛使用[6]。但是該方法需要在化學實驗室中進行處理，且存在耗時耗力、操作復雜和造成污染等問題。近年來，隨著近紅外光譜技術的發展，光譜測定土壤有機質的方法得到了廣泛的關注和研究[7]。近紅外光譜有快速、無損和高效等特點，可以實時測量大量土壤樣本的參數，適用于精準農業[8-10]。

　　然而，土壤有機質的光譜受土壤水分、氧化鐵、質地等因素的影響[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移之間的平衡引起的[14]。土壤中氣體和揮發性有機化合物的釋放與微生物活動有關，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，養分和能量的供應底物在土壤中產生許多揮發性有機化合物和氣體[17-19]。土壤中的揮發性有機化合物和氣體與土壤有機質存在相關性，利用這種相關性可以通過人工嗅覺技術檢測土壤氣味從而測算出土壤有機質含量。

　　人工嗅覺技術是一種綜合性檢測技術，融合了傳感器技術、信號處理、計算機科學、模式識別和深度學習等，其工作原理是模擬人體嗅覺功能對被測氣體進行感知、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，被認為是檢測復雜氣體的有效手段。人工嗅覺系統不是直接得出監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，實現對樣本氣體的準確分類。目前，人工嗅覺技術被廣泛應用在食品安全、醫療分析和環境檢測等領域[20-23]，且在土壤特性和土壤有機質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行了分類，Lavanya等[25]利用電子鼻檢測了土壤中透明質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實現了對土壤有機質含量的檢測[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，土壤有機質含量的檢測精度和響應時間有待提高。針對上述問題，本文提出一種基于人工嗅覺技術的多傳感器陣列檢測土壤有機質含量的檢測方法。

　　土壤有機質在厭氧環境中產生氣態烴、硫化氫、氨和醛類等揮發性氣體，土壤中的揮發性氣體與土壤有機質存在相關性。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體式氣體傳感器構建傳感器檢測陣列，搭建基于人工嗅覺的土壤有機質檢測系統，以此系統獲取土壤樣本中氣體的響應曲線。提取響應曲線的響應面積、最大值、平均微分系數、方差值、平均值和最大梯度值等6個特征構建特征人工嗅覺特征空間，采用BP神經網絡算法(Backpropagationneuralnetwork，BPNN)、支持向量機回歸算法(Supportvectormachineregression，SVR)和偏最小二乘回歸算法(Partialleastsquaresregression，PLSR)依據人工嗅覺特征空間建立土壤有機質含量的預測模型，從而利用人工嗅覺技術實現對土壤有機質含量的檢測。

　　1材料與方法

　　吉林省位于中緯度歐亞大陸的東側，屬于溫帶大陸性季風氣候，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。頻繁的耕作導致土壤退化，施用化肥可有效提高作物產量，成為農業生產不可或缺的選擇。由于土壤的不均一性，使各個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際狀態，采用對角線布點法進行土樣采集，每個采樣點采集9份土樣，采樣深度為0～20cm。將得到的9份土樣混合，按四分法每個采樣點保留一份土壤樣品(1kg)。

　　根據試驗的需求，將130份土壤樣品在23℃的溫度下自然風干后，將土壤碾碎并過0.25mm的篩網處理。將樣品分為兩份，分別用于化學氧化法和人工嗅覺系統檢測其土壤有機質含量。化學氧化法采用重鉻酸鉀法[28]，是標準的土壤有機質測定方法(GB9834-88)[29]，此方法測得土壤有機質的含量為實際值。人工嗅覺系統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，最后將集氣瓶存放在黑暗房間里48h。

　　1.1人工嗅覺試驗方法

　　試驗所采用裝置為基于人工嗅覺的土壤有機質檢測系統。該系統由傳感器陣列(安裝在封閉的反應室)、信號處理電路、NI數據采集卡和便攜式計算機組成。傳感器陣列是整個系統的核心部件，由10個不同型號的氧化物半導體式氣體傳感器組成。每個傳感器的型號和可測量的氣體。

　　信號處理電路主要負責傳感器的供電、對傳感器數據的處理，傳感器陣列與信號處理電路之間通過FFC軟線連接。數據采集卡通過杜邦線與信號處理電路連接，用于對傳感器數據的采集，并將采集的數據通過USB數據線連接在計算機上顯示、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質含量之間的預測模型，以找出最優的關系模型。

　　2.1PLSR模型

　　偏最小二乘回歸是一種統計學方法，與主成分回歸有關系，但不是尋找響應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測變量和觀測變量投影到一個新空間，來尋找一個線性回歸模型。此算法集主成分分析、典型相關分析和多元線性回歸分析3種分析方法的優點于一身，當變量之間存在高度線性相關時，PLSR可以建立一個較高精度的預測模型。本研究使用留一交叉驗證法尋找主成分因子，通過交叉驗證的均方根誤差驗證模型的穩健性[31]。

　　2.2BPNN模型

　　BP神經網絡是一種按誤差反向傳播訓練的多層前饋網絡，在結構上包括輸入層、隱含層和輸出層3部分，每個部分之間依靠權值和閾值連接[32]。基本的BPNN算法是通過信號的前向傳播和誤差的反向傳播2個過程來反復修正各單元權值，以此無限地逼近目標值。隱含層神經元個數對BP神經網絡的性能影響較大。若隱含層神經元的個數較少，則網絡不能充分描述輸出和輸入變量之間的關系;相反，若隱含層神經元的個數較多，則會導致網絡的學習時間變長，甚至會出現過擬合的問題。一般地，確定隱含層神經元個數的方法是在經驗公式的基礎上，對比隱含層不同神經元個數對模型性能的影響，從而進行選擇。

　　2.3SVR模型

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

　　2.4模型評價指標

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

　　3結果與分析

　　3.1傳感器陣列響應測試結果

　　氧化物半導體式氣體傳感器在長時間未通電時，不管有沒有對象氣體存在，傳感器電阻在通電數秒鐘后都會突然急遽下降，然后逐漸上升并達到一個穩定的水平。在預熱過程中發生的這種反應被稱之為“初始動作”。因此，在測試試驗開始前，需要對傳感器陣列進行預熱。

　　3.1.1硫化氫響應測試結果

　　傳感器陣列響應測試按照1.3節的試驗方法進行。除了傳感器S5，其余傳感器對硫化氫均有響應。在低濃度硫化氫中，傳感器S1、S2和S6響應非常強烈，S8響應也很明顯，其余傳感器響應不太明顯;在高濃度硫化氫中，傳感器S1、S2、S6和S8響應十分強烈，除了傳感器S5，其余傳感器較低濃度時響應明顯。

　　4結論

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

　　(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的土壤有機質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質含量之間的關系模型，以2、RMSE和MAE作為性能指標，將3種模型的預測能力進行比較。結果表明，3種模型對土壤有機質含量均有較好的預測能力，其中SVR顯示出最大的精度，和最小的RMSE和MAE。這種表現在一定程度上可能是由于土壤有機質含量和人工嗅覺特征空間之間的非線性相關性，以及支持向量回歸機較強的學習能力。因此，支持向量回歸模型可以作為評估土壤有機質含量的有效工具。

　　(3)試驗結果表明，人工嗅覺系統對測定土壤有機質含量提供了支持，該方法是穩健有效的，且為預測和簡化土壤有機質含量的測定提供了新的依據。參考文獻

　　[1]于雷,洪永勝,耿雷,等.基于偏最小二乘回歸的土壤有機質含量高光譜估算[J].農業工程學報,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]關連珠.普通土壤學[M].中國農業大學出版社,2016:42–45.

　　[4]吳才武,夏建新,段崢嶸.土壤有機質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.土壤有機質含量測定方法對比分析研究[J].中國化工貿易,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