基于LIBS 技术的土壤分类研究

刘志忠赵 吉周晨阳赵静怡李 倩李业秋

(1.沈阳理工大学 理学院，沈阳 110159；2.吉林省计量测试仪器与技术重点实验室，长春 130103)

土壤分类是土壤科学领域的重要研究内容之一[1]，是土壤资源评价和建立土壤分类系统的基础[2]，土壤分类与保护土壤环境、因地制宜守住耕地红线、加快农业现代化发展密切相关。 我国有土壤系统分类和土壤发生分类两种分类标准[3]，目前应用最广泛的是土壤发生分类，其根据不同类型土壤在形成因素、成土过程和土壤性质而划分。 由于不同类型土壤中元素含量存在差异，这些差异在光谱上表现明显[4]，因此光谱学分析[5－6]在土壤研究领域得到广泛的应用和发展。刘焕军等[7]利用土壤反射光谱进行土壤分类研究；Tüzen[8]采用原子吸收光谱法检测土壤中重金属浓度；张晨芳等[9]采用电感耦合等离子体质谱法测定土壤中的微量与痕量元素；You 等[10]采用氮气微波电感耦合大气压等离子体法(MICAPMS)研究了不同气氛条件下土壤中重金属的含量。

激光诱导击穿光谱(LIBS)[11]是一种崭新的元素分析技术，具有精确度高、检测快速、微损、原位检测和多元素同时检测等优点[12]，其原理是通过高能激光脉冲聚焦于样品表面，瞬间烧蚀气化样品表面，产生高温等离子体，通过分析原子或离子的特征发射谱线，获得样品所含元素及含量信息。

LIBS 技术在土壤重金属和营养元素定量分析领域有着广泛的应用[13－14]。 本文以土壤中常量元素的LIBS 为研究对象，提取土壤元素的特征谱线，结合支持向量机(SVM)算法进行土壤分类方法研究。 探索基于土壤元素LIBS 进行土壤分类的可行性，为实现土壤快速分类、建立土壤分类系统和为国家土壤普查提供理论依据。

1 实验部分

1.1 样品制备

实验土壤样品包括四种国家标准土壤样品GBW07405、GBW07407、GBW07426、GBW07428，以及云南砖红土、安徽褐土、安徽红土、辽宁黑土，共计八种土壤。 土壤经过烘干、粗筛、研磨和细筛(100 目)后，每次称取3.0 g，使用20 MPa 粉末压片机(Shimadzu 公司，SSP-10A 型) 制成直径12.5 mm、厚度4 mm 的土壤薄片。 每种土壤压制出3 个土壤样品薄片，共制作24 个土壤样品。

1.2 实验设备

LIBS 装置如图1 所示，主要包括:Nd∶YAG固体激光器(Beamtech Optronic 公司，nimma-900型)，激发波长1 064 nm，能量90 mJ，频率1 Hz，脉宽8 ns；光谱仪(Andor 公司，SR-750-A-R 型)，光栅刻度为1 800 L•mm－1，光谱范围200 ~900 nm，延时时间3 μs，门宽20 μs；增强电荷耦合器件ICCD(Andor 公司，Istar DH3 型)；光收集器(Andor 公司，ME-OPT-0007 型)；吹扫系统(自制)。

图1 LIBS 装置示意图Fig.1 Diagram of the LIBS unit

1.3 实验方法

激光脉冲通过反射镜，经石英平凸透镜(焦距f＝100 mm)聚焦到土壤样品表面。 土壤样品放置在三维移动平台上，光收集器以45°夹角采集样品表面激发产生的等离子体，等离子体信号经光谱仪分光后，由ICCD 进行信号放大，最后在计算机中光谱仪配套软件(Andor Solis)上显示光谱信息。 吹扫系统设置为匀速，以减少前一激光脉冲烧蚀土壤表面产生的细小土壤颗粒对后续激光脉冲的影响，提高光谱信号的稳定性。

对每个土壤样品中的六种元素(Fe、Si、Ti、Ca、Mg、K)分别采集40 组LIBS 光谱，提取六种元素的特征谱线强度，构建40 ×6 维光谱数据矩阵，24 个土壤样品共组成960 × 6 维光谱数据矩阵。

2 结果与讨论

2.1 谱线的选择

不同种类的土壤由于地域不同，形成过程各有差异，其元素含量也有所差异。 四种标准土壤中样品的元素含量见表1。

表1 四种标准土壤样品的元素含量(质量分数)Table 1 Elemental content of four standard soil samples(mass fraction)%

由表1 可知，四种标准土壤中的同种元素含量各不相同，对应的LIBS 光谱图如图2所示。

图2 四种标准土壤不同波段范围内的LIBS 光谱Fig.2 LIBS spectra of four standard soils in different wavelength ranges

由图2 可见，土壤元素含量不同，其对应特征谱线差异明显，这为激光诱导击穿光谱技术用于土壤分类提供了可能性。 为提高土壤分类精度，通常采集多种土壤中常量元素特征谱线进行多元素谱线交叉分析，但人为分析误差大，且工作量大。 本文使用机器学习算法进行特征谱线差异分析，以降低误差、减少工作量和提高土壤分类精度。

本文选取土壤中含量较高的六种元素(Fe、Si、Ti、Ca、Mg、K)作为土壤分类的特征元素。 由于六种元素的谱线较多，其选择原则[15]如下:

1)谱线清晰强度高、信背比大，减少背景噪声的干扰；

2)特征谱线附近没有其他元素高强度谱线，减小其他元素谱线对特征谱线的影响；

3)特征谱线的激发能级低，确保每次都能被激光脉冲激发，保证再现性。

依据以上原则，土壤中六种特征元素的谱线选择 如 图3 所 示， 分 别 为: Fe 285.18 nm；Si 288.16 nm； Ti 316.85 nm； Ca 317.93 nm；Mg 383.83 nm；K 766.49 nm。

图3 土壤中特征元素LIBS 光谱Fig.3 LIBS spectra of characteristic elements in soils

2.2 支持向量机

SVM 是一种定义在特征空间上的间隔最大的线性分类器。 SVM 算法是基于VC 维理论和结构最小原理的可训练的机器学习算法[16]。 其原理是将不可分的低维数据升维到高维空间，利用超平面实现数据的线性可分[17]。 需要构建对应的决策函数和选择最优的分类超平面[18]，具体过程如下。

输入土壤光谱数据集I为

式中:xi为输入的数据值；yi代表土壤的类别标签；n为数据集的光谱数量。

SVM 分类器可用f(x) ＝ωφ(x) ＋b表示，其中ω为超平面的斜率，φ(x)为映射函数，b为超平面的可变常数项。ωφ(x) ＋b＝0 为最优分类超平面；若ωφ(xi) ＋b>0，说明该数据点属于某一类别；ωφ(xi) ＋b<0，说明该数据点属于另一类。分类超平面的最优化问题为

式中:ξ为松弛变量；C为惩罚因子。

决策函数＝sign[ωφ(x) ＋b]，结合公式(2)、(3)，采用拉格朗日乘子法求解，得到最优分类决策函数为

式中:αi(0≤αi≤C)为拉格朗日乘子；K(xi，x)为核函数，采用径向基函数(RBF)作为核函数，该函数表示为

式中g为RBF 参数。 SVM 的分类性能由C和g共同决定。

2.3 结果分析

本文采用交叉验证的网格寻优法，寻找一组最优的惩罚因子C和RBF 核函数参数g，结果如图4 所示。

图4 C、g 参数网格寻优Fig.4 Grid optimization of C and g parameters

由图4 可得，惩罚因子C和RBF 核函数参数g的最优值分别为512 和0.143 59。 将960 ×6 维光谱数据归一化后，每种土壤随机选择80 个光谱数据作为训练集，剩余40 个光谱数据作为测试集，即640 个训练集和320 个测试集。同种土壤的测试集和训练集光谱数据具有相同的类别标签，每个土壤光谱数据中包含6 个特征数据值(六种土壤中元素谱线的峰值强度)，SVM 算法利用训练集中不同土壤光谱特征数据值差异，建立光谱数据值与土壤类别的模型。 而后通过训练好的模型识别测试集中未知土壤样品的类别，以实现土壤分类。 土壤样品类别编号1 ~ 8 依次为GBW07407、GBW07405、GBW07426、GBW07428、云南砖红土、安徽褐土、安徽红土、辽宁黑土。 通过训练集640 个光谱数据训练SVM 模型，向训练好的SVM 分类模型带入测试集320 个光谱数据预测其所属土壤类别。 预测结果如图5 所示。

图5 SVM 土壤分类结果Fig.5 SVM soil classification results

由图5 可知，测试集320 个光谱数据中仅有14 个光谱预测类别错误。 其中8 个安徽褐土被预测为安徽红土，4 个安徽红土被预测为安徽褐土，1 个GBW07426 标准土壤被预测为安徽红土，1个安徽红土被预测为GBW07428 标准土壤。 可知320 个土壤光谱中正确预测306 个，算术平均分类准确率为95.625%，说明建立的SVM 分类模型对不同土壤实现了很好的识别与分类，分类效果理想。

3 结论

本文将LIBS 技术与SVM 相结合对八种土壤进行土壤分类研究，结论如下。

1)基于土壤多元素谱线强度差异进行分类，建立了SVM 土壤分类模型。

2)利用交叉验证的网格寻优法，寻找SVM 的最优参数，并在最优参数条件下对测试集进行分类识别， 土壤分类准确率的算术平均值为95.625%，分类精度较高。

3)将土壤的LIBS 光谱与SVM 相结合进行多元素谱线的交叉分析，可以减少土壤分类的工作量，降低人为分析误差。 为土壤快速准确分类提供了一种可行方法，为健全国家土壤分类系统提供了理论依据。