摄影网站的实验设计方案,app企业微信下载,wordpress媒体库相册,wordpress is admindoi:https://doi.org/10.1016/j.compag.2024.109801通讯作者#xff1a;曾荣摘要#xff1a;土壤颜色是土壤组成与固有属性的综合表征指标#xff0c;可用于预测土壤相关属性。近地传感技术在土壤颜色识别中的应用效果#xff0c;不仅因测色方法不同而存在差异#xff0c;…doi:https://doi.org/10.1016/j.compag.2024.109801通讯作者曾荣摘要土壤颜色是土壤组成与固有属性的综合表征指标可用于预测土壤相关属性。近地传感技术在土壤颜色识别中的应用效果不仅因测色方法不同而存在差异同一方法内的测量结果也可能有所不同。此外多种色彩空间模型均可用于颜色的定量化表征这也引发了一系列问题不同色彩空间下各类土壤测色方法的测量结果存在何种差异基于不同测色方法的土壤属性预测效果如何测色方法与色彩空间的最优组合是什么为解答上述问题本研究采集了 200 份中国土壤样本其中贵州省 80 份、湖南省 120 份分别采用主观目视估测、智能手机、Nix Pro2 色差仪、ASD 光谱仪四种方法对样本颜色进行测定。以美国国家标准局NBS单位为计量标准量化了 CIELab色彩空间中不同方法间的色差ΔEab同时采用 RGB、HIS、CIELab、CIELch*、CIELuv * 五种色彩空间模型对各方法测得的土壤颜色参数进行定量化表征并将这些参数作为输入变量预测土壤有机质SOM和游离铁FI两种与颜色密切相关的土壤属性。本研究构建了逐步多元线性回归SMLR、反向传播神经网络BPNN、偏最小二乘回归PLSR三种预测模型开展土壤属性预测研究。结果表明Nix Pro2 色差仪与智能手机的测色结果色差最小ΔEab2.66 NBS属于 “可察觉” 级别而 ASD 光谱仪与其他三种方法的测色结果存在显著系统性差异色差为 23.48~25.51 NBS属于 “极显著” 级别。以 ASD 光谱仪测得的可见光光谱为输入的 PLSR 模型作为基准模型其他传感方法结合不同预测模型对土壤有机质的预测性能四分位距比RPIQ为 2.90~3.43对游离铁的预测 RPIQ 为 3.07~3.93。不同测色方法的预测性能差异显著土壤有机质预测性能排序为Nix Pro2 色差仪 智能手机 ASD 光谱仪 主观目视估测模型性能排序为PLSRBPNNSMLR游离铁预测性能排序为智能手机 Nix Pro2 色差仪 ASD 光谱仪 主观目视估测模型性能排序为PLSRSMLRBPNN。本研究建议土壤有机质预测优先选用与亮度相关的颜色参数R、h*、L*游离铁预测优先选用与黄、红色调相关的参数S、b*Nix Pro2 色差仪和智能手机作为便携式、高性价比的仪器可推荐用于近地土壤传感研究。1 引言土壤颜色与多项土壤理化性质密切相关是土壤发生学与分类学研究中的重要指标 (Barron and Torrent, 1986; Schwertmann, 1993)。土壤有机质、氧化铁等部分属性可通过土壤颜色进行预测该方法相比实验室分析更省时、低成本能够实现土壤属性的田间快速测定满足精准农业对大量土壤属性数据的需求。目前土壤颜色的测定方法多样传统方法为通过孟塞尔色卡进行主观目视估测该体系采用色相H、明度V、彩度C三个正交指标对土壤颜色进行定量化表征 (Munsell Color, 1975)。客观测色方法则需借助近地数字传感设备包括色差仪 (Rabenhorst et al., 2015)、光谱仪、数码相机 (Levin et al., 2005) 和智能手机 (Gómez-Robledo et al., 2013) 等。各类数字传感设备的输出数据需通过专属软件处理才能转换为不同色彩空间的颜色参数。已有研究对 Nix 色差传感器的适用性进行了评价 (Stiglitz et al., 2016)该传感器仅能测定少数宽波段的吸光度或透射率而光谱仪可测定包括全可见光波段在内的多个窄波段波长能更细致地表征土壤颜色但这类仪器成本较高、操作要求严苛难以普及应用 (Islam et al., 2004)。智能手机因厂商默认的图像优化功能其测色过程需严格遵循标准化操作目前针对不同测色方法的对比研究仍较为有限仅有 Fan 等 (2017) 对比了智能手机相机与孟塞尔色卡目视估测的土壤颜色测定结果。土壤颜色测定结果易受土壤临时状态尤其是含水量和环境条件光照、观测角度的显著影响 (Gómez-Robledo et al., 2013)。在常规土壤调查中需分别测定田间干燥和湿润状态下的土壤颜色且为保证光照均一常将样本带回实验室在已知光照条件下完成测定。土壤自身属性尤其是颗粒粒径分布也会影响测色结果 (Shields et al., 1968)。主观目视估测具有固有主观性观测者的颜色感知能力、与标准色卡的比对方式存在个体差异均会导致测色结果不同 (Post et al., 2006)。不同仪器的颜色识别系统误差可通过色卡校准修正但校准方法的差异会对结果产生显著影响 (Yang et al., 2024)。为解决上述问题Gómez-Robledo 等 (2013) 在严格控制外部条件的前提下采用智能手机拍摄土壤样本但该方法不适用于田间实际测色Gorthi 等 (2021) 和 Swetha 等 (2020) 利用黑箱装置控制光照条件该装置结构简单、便于携带且操作简便Nix 色差仪的测色原理与黑箱类似均采用内置光源进行测色。土壤颜色可用于快速估测土壤氮、氧化铁、土壤有机质等多项属性 (Mikhailova et al., 2017; Viscarra Rossel et al., 2008)。氧化铁和有机质是影响土壤颜色的两大核心组分 (Krishna Murti and Satyanarayana, 1971; Schulze et al., 1993)因此基于土壤颜色对这两种属性的预测精度高于其他土壤属性 (Viscarra Rossel et al., 2010)。一般而言土壤颜色越深有机质含量越高土壤偏红色调氧化铁含量越高。已有学者将智能手机作为颜色传感器进行土壤颜色识别并基于测得的颜色参数预测土壤有机质含量 (Yang et al., 2021)Swetha 和 Chakraborty (2021) 利用 Nix Pro 色差传感器成功实现了土壤有机碳的预测可见光 - 近红外VNIR光谱技术通过分析土壤表面的可见光 - 近红外反射光谱整合土壤属性的信号特征预测精度更高 (Angelopoulou et al., 2019)Lin 等 (2021) 基于光谱仪提取的可见光波段 RGB 颜色参数构建了土壤有机质预测模型Swetha 等学者通过结合不同测色方法或已知土壤属性如土壤质地提升了土壤有机碳的预测精度 (Swetha and Chakraborty, 2021; Swetha et al., 2022)。色彩空间模型的选择对土壤属性预测结果具有显著影响Viscarra Rossel 等 (2006) 发现 CIELch * 模型的预测效果略优于其他模型Baumann 等 (2016) 则结合多种色彩空间模型开展土壤属性预测研究。上述研究表明色彩空间模型和预测模型的选择均会影响基于土壤颜色的属性预测效果但目前针对不同测色方法、色彩空间、预测模型的综合对比研究以及三者的最优组合探索仍较为缺乏 (Lin et al., 2021; Swetha et al., 2022)。本研究以主观目视估测、智能手机、Nix Pro2 色差仪、ASD 光谱仪四种测色方法为研究对象对比分析其对 200 份不同颜色土壤样本的测定结果并基于测得的颜色参数构建模型预测土壤有机质和游离铁含量。本研究的研究目标为1量化主观目视估测中观测者个体差异对土壤颜色测定结果的影响2对比主观目视估测、智能手机、Nix Pro2 色差仪、ASD 光谱仪四种方法的土壤颜色测定结果3对比基于四种测色方法的土壤有机质、游离铁颜色预测模型效果4分析影响土壤颜色测定结果和预测模型性能的关键因素并针对不同应用场景提出测色方法的选用建议。2 材料与方法2.1 研究区与土壤样本数据集本研究选取 200 份颜色和属性具有代表性的土壤样本其中 120 份采自湖南省土壤剖面 0~120 cm 土层北纬 25°08′~26°34′东经 112°16′~113°51′80 份采自贵州省某 100~200 英亩农田表层土壤北纬 26°50′东经 104°51′(Fig.1)。研究区土地利用类型包括水田和旱地气候类型为亚热带季风气候依据美国农业部USDA土壤质地三角图样本土壤质地涵盖壤土、粉壤土、砂壤土、砂质粘壤土、粘土、粉质粘土、粘壤土。将土壤样本过 60 目筛后均分为两份每份约 100 g一份采用实验室标准方法测定土壤理化性质其中土壤有机质含量通过外热式重铬酸钾氧化比色法测定 (Zhang and Gong, 2012)游离铁含量通过电感耦合等离子体原子发射光谱法ICP-AES测定(Zhang and Gong, 2012)上述方法均为中国土壤属性测定的标准方法对 120 份湖南样本同时测定有机质和游离铁含量对 80 份贵州样本仅测定有机质含量。另一份样本用于土壤颜色测定将其装入直径 90 mm、高度 14 mm 的透明培养皿中保证样本表面平整、均一。采用下述四种方法对土壤样本颜色进行测定。2.2 不同方法的土壤颜色识别2.2.1 基于孟塞尔色卡的主观目视测定5 名观测者观测者 1、观测者 2 等统一接受孟塞尔色卡使用培训孟塞尔色卡售价 299 美元在相同光照条件下独立将 200 份土壤样本与孟塞尔色卡进行比对确定土壤颜色的孟塞尔指标H、V、S。利用 R 语言 “aqp”定量土壤学算法包 v2.1 中的 “munsell2rgb” 函数 (Beaudette et al., 2013)将孟塞尔颜色指标转换为 RGB 色彩空间参数该函数包含常见土壤颜色在两种色彩空间中的对照表。2.2.2 基于 Nix Pro2 色差仪的土壤颜色测定Nix Pro2 色差仪专业颜色传感器加拿大 Nix Sensor 有限公司是一款低成本、快速测色仪器售价 375.49 美元最初设计用于涂料、纺织品、家居装饰产品的颜色匹配可输出 RGB、XYZ、CMYK、CIELab*、CIELch * 等多种土壤色彩空间的参数。将土壤样本平铺、压实于透明培养皿中厚度 1~2 mm将 Nix Pro2 色差仪完全贴合土壤表面避免外界光线进入检测区域通过蓝牙将仪器与安装有 Nix Toolkit 安卓应用的智能手机连接设置仪器参数光源为 D50 标准光源、观测视角 2°、测量几何角度 45/0°即光源与样本表面的入射角度 45°检测器与样本表面的观测角度 0°。该仪器的内置 LED 光源由厂商在工厂完成校准检测前无需重新校准。每份土壤样本重复测定 3 次取 RGB 色彩空间参数的平均值记录。2.2.3 基于 ASD 光谱仪的土壤颜色测定采用 ASD FieldSpec3 Hi-Res 光谱仪2010 年售价 117000 美元测定土壤样本在 350~2500 nm 可见光 - 近红外波段的反射光谱在暗室中以色温 2900 K 的卤素灯为光源完成光谱测定。测定前将光谱仪预热至少 15 min并利用硫酸钡漫反射标准板英国马尔文帕纳科有限公司进行白参考校准。为提高信噪比每份土壤样本手动采集 20 条光谱并取平均值。依据 Viscarra Rossel 等 (2009) 的方法从可见光波段测定结果中提取 RGB 参数分别计算红光600~690 nm、绿光520~600 nm、蓝光450~520 nm波段的平均反射率再乘以 255 得到 RGB 参数。2.2.4 基于智能手机的土壤颜色测定2.2.4.1 图像采集采用荣耀 50 智能手机售价 329 美元在自制黑箱装置19 cm×19 cm×10 cm内完成土壤样本图像采集 (Fig.2)。黑箱内置 LED 灯带保证光照稳定色温 6000 K内部涂黑以减少光线散射光线入射土壤表面的角度约 45°将装有土壤样本的培养皿置于图像中心位置将智能手机固定在黑箱上方镜头与样本表面的距离为 8 cm。相机调至专业模式关闭所有相机内置的图像处理和色彩调整功能设置拍摄参数快门速度 1/30 s、感光度 320、曝光补偿 0、光圈 1.79、焦距 23 mm。拍摄图像为 2928×3904 像素以 JPEG 标准压缩格式保存同时在黑箱内拍摄新孟塞尔色卡 9 个不同色相页面的图像用于后续图像处理中的颜色校正。2.2.4.2 感兴趣区域ROI选取在采集的图像中选取合适的感兴趣区域ROI是土壤颜色提取的关键步骤可避免阴影影响并保证选取区域的均一性 (Fig.3)。感兴趣区域的选取规则为1将土壤样本图像从培养皿中心裁剪为 800×800 像素2将孟塞尔色卡图像从中心裁剪为 200×200 像素 (Fu et al., 2020)。2.2.4.3 颜色提取利用 R 语言 4.3.0 中的 “countcolors” 包 v0.9.1对感兴趣区域内的像素点进行 RGB 坐标三维散点图绘制采用 K 均值聚类法对像素点进行聚类将聚类中心作为图像的颜色坐标。2.2.4.4 基于孟塞尔色卡的颜色校正受相机设置、光照条件等因素影响智能手机拍摄的图像可能无法真实还原土壤样本的颜色利用孟塞尔色卡进行颜色校正可缓解该问题。通过对比孟塞尔色卡的标准颜色与拍摄图像中的色卡颜色校准多元线性模型对 RGB 色彩空间的颜色参数进行校正校正公式如下YXβb(1)式中Y 为校正后的 RGB 颜色参数矩阵m×3m 为色卡页面数X 为输入的 RGB 颜色参数矩阵m×3β 为模型系数矩阵3×3b 为截距项1×3。通过该公式本研究对 200 份土壤样本图像的颜色校正效果良好R²0.95~0.98。2.3 色彩空间转换与色差对比RGB 是应用最广泛的色彩空间模型主要用于电子显示技术和数字摄影领域其他色彩空间模型可提供更丰富的衍生颜色参数。因此将四种测色方法得到的土壤 RGB 参数转换为 HIS、CIELab*、CIELch*、CIELuv * 四种色彩空间参数 (Barron and Torrent, 1986; Viscarra Rossel et al., 2006)最终每份样本得到 13 个颜色空间参数。表 1为五种色彩空间模型的颜色参数说明转换过程通过 Python3.9 依据表 1 中的定义完成。与 RGB 色彩空间相比CIELab色彩空间更贴合人类的视觉颜色感知更适用于色差分级。该色彩空间通过三个参数定义颜色L为明度表征从黑色0到白色100的亮度变化a和 b为色度坐标分别表征红 - 绿a为红色-a为绿色和黄 - 蓝b为黄色-b为蓝色的色彩变化色度坐标的取值范围为 - 127~128。CIELab色彩空间中的色差 ΔEab 为两种颜色坐标间的欧氏距离 (Cheung and Rhodes, 2020)计算公式如下 (Robertson, 1977)ΔEab​(ΔL∗)2(Δa∗)2(Δb∗)2​(2)式中ΔL为明度差Δa为红度差Δb为黄度差。以美国国家标准局NBS单位表征色差 ΔEab依据下述公式将 ΔEab 转换为 NBS 单位 (Nagakura et al., 2018)NBSunitsΔEab​×0.92(3)表 2为 NBS 单位对应的土壤颜色感知差异等级 (Nagakura et al., 2018)。Fang 等 (2000) 对比 NBS 体系与孟塞尔体系的相邻等级色差发现1 个 NBS 单位约等于 0.1 个孟塞尔明度单位、0.15 个孟塞尔彩度单位、2.5 个孟塞尔色相单位彩度为 1 时。因此孟塞尔色卡中相邻颜色的色差约为 10 个 NBS 单位表 2 中 “显著” 级别本研究将该值作为主观目视估测的可接受色差范围。以 7.5YR7/4 为例其与孟塞尔色卡中 7.5YR8/4下方、7.5YR7/2左侧、7.5YR5/4上方、7.5YR7/6右侧的色差 ΔEab 分别为 9.01、11.50、18.51、11.33 NBS。2.4 模型构建与评价基于五种色彩空间模型RGB、HIS、CIELab*、CIELch*、CIELuv*的颜色参数构建逐步多元线性回归SMLR、反向传播神经网络BPNN、偏最小二乘回归PLSR三种模型预测土壤有机质和游离铁含量 (Fig.4)其中颜色参数由四种测色方法获得5 名观测者主观目视估测的平均值、智能手机、Nix Pro2 色差仪、ASD 光谱仪。以可见光波段380~780 nm的光谱数据为输入构建 PLSR 模型作为基准模型。采用 ** 留一交叉验证LOOCV** 方法将样本集划分为训练集和验证集对比模型性能该方法以 N 份样本为研究对象每次选取 1 份作为验证集剩余 N-1 份作为训练集确保每份样本均参与模型验证。2.4.1 逐步多元线性回归SMLR逐步多元线性回归依据统计准则逐次筛选变量构建因变量预测模型本研究通过 R 语言 4.3.0 实现设置变量引入的显著性水平 p0.05、变量剔除的显著性水平 p0.1保留显著性水平在 0.05~0.1 之间的变量。2.4.2 反向传播神经网络BPNN反向传播神经网络通过迭代调整互联节点的权重学习复杂的变量间规律 (Rumelhart et al., 1986)本研究通过 MATLAB R2022a 软件实现。该模型包含输入层、隐藏层、输出层输入层为 13 个神经元对应 13 个颜色空间输入参数输出层为 1 个神经元对应土壤有机质或游离铁单一预测属性。隐藏层的神经元数量通过经验公式确定M(mn)1/2a(4)式中m 为输入层神经元数量n 为输出层神经元数量a 为 0~10 之间的任意常数。采用贝叶斯正则化法通过最小化均方误差MSE确定隐藏层的最优神经元数量隐藏层的传递函数为双曲正切 S 型函数tansig输出层为纯线性函数purelin。土壤有机质和游离铁预测模型的训练参数设置为训练步数 1000、目标误差 0.001、学习率 0.01。2.4.3 偏最小二乘回归PLSR偏最小二乘回归通过识别潜因子捕捉自变量与因变量间的最大协方差适用于高维、多重共线性的数据集 (Wold et al., 2001)本研究通过 R 语言 4.3.0 中的 “pls” 包 v2.8-5 实现。采用留一交叉验证法通过最小化均方根误差RMSE确定最优变量颜色参数预测的变量搜索范围为 13可见光光谱预测的变量搜索范围为 30。2.4.4 模型性能评价采用决定系数R²、均方根误差RMSE、性能四分位距比RPIQ、偏差bias四个指标评价模型性能计算公式如下R21−∑i1n​(yi​−y​)2∑i1n​(yi​−y^​i​)2​(5)RMSEn1​∑i1n​(yi​−y^​i​)2​(6)RPIQRMSEQ3​−Q1​​(7)biasn1​∑i1n​(y^​i​−y​)(8)式中yi​为实测值yi​​为预测值yˉ​为实测值的平均值n 为样本数量Q1​为下四分位数25% 分位数Q3​为上四分位数75% 分位数。R2和 RPIQ 越大、RMSE 越小表明模型的拟合效果越好、预测精度越高。性能四分位距比RPIQ以实测数据的半变异程度四分位距 IQR为分子以预测误差RMSE为分母无需假设数据分布特征为无量纲指标例如RPIQ2 表示模型的均方根误差为四分位距的 1/2。3 结果3.1 土壤属性表 3为土壤有机质和游离铁含量的描述性统计结果两种属性的取值范围广、变异程度大适合作为预测模型的研究对象其中土壤有机质呈负偏态分布游离铁呈轻微正偏态分布。注n 为样本数量SD 为标准差CV 为变异系数%Q1​为下四分位数25% 分位数Q3​为上四分位数75% 分位数。3.2 颜色测量结果200 份土壤样本的孟塞尔色相从偏黄到偏红依次为 2.5Y、10YR、7.5YR、5YR为排水良好土壤的常见色相范围研究样本中无极黄色5Y、极红色2.5YR、10R、7.5YR土壤也无潜育土。智能手机测色的颜色校正模型拟合优度 R² 为 0.95~0.98校正效果良好。图 5为四种测色方法在 CIELab色彩空间中颜色参数的箱线图各参数的取值范围均较广除 b外其余参数的四分位距均较大。所有样本的 a和 b均为正值表明土壤颜色均偏黄、红色调与孟塞尔色相的分析结果一致。各颜色参数的平均值排序为L*主观目视估测 智能手机 Nix Pro2 色差仪 ASD 光谱仪、a*智能手机 Nix Pro2 色差仪 主观目视估测 ASD 光谱仪、b*主观目视估测 Nix Pro2 色差仪 智能手机 ASD 光谱仪。ASD 光谱仪测得的 L值整体较低平均值为 26.05而主观目视估测、智能手机、Nix Pro2 色差仪测得的 L值平均值为 50.90~52.40约为 ASD 光谱仪的 2 倍。ASD 光谱仪的测色结果显示所有土壤样本的颜色均更深L更低、更偏绿a更低、更偏蓝b * 更低这可能与该仪器的专属光源有关。智能手机与 Nix Pro2 色差仪的测色结果无显著差异表明二者的测定结果具有较高的相似性。3.3 色差对比表 4为主观目视估测的观测者个体间色差平均值大部分观测者间的色差 ΔEab 为 6.0~12.0 NBS平均值为 6.85 NBS属于土壤颜色差异的 “显著” 级别对应不超过 1 个孟塞尔色卡单位。不同观测者的测色结果存在不同程度的差异观测者 1 与观测者 2 的差异最大8.68 NBS观测者 2 与观测者 3 的差异最小4.54 NBS。所有观测者间的色差均在可接受范围内ΔEab10 NBS可为后续土壤分析提供可靠的参考数据。表 5为四种测色方法间的色差结果除 ASD 光谱仪外其余方法间的平均色差 ΔEab 为 4.20 NBS。ASD 光谱仪与其他三种方法的测色结果存在显著差异色差最大值为 25.51 NBS、最小值为 23.48 NBS智能手机与 Nix Pro2 色差仪的测色结果最为接近色差最小值为 266 NBS表明二者的匹配度较高。不同测色仪器间的色差标准差为 1.04~1.82小于主观目视估测与各仪器间的色差标准差1.84~2.56也小于不同观测者间的色差标准差4.58~6.11表明仪器间的测色差异更稳定。3.4 颜色参数与土壤有机质、游离铁的相关性图 6为 13 个颜色参数与土壤有机质、游离铁的皮尔逊相关系数不同测色方法的相关关系存在差异。例如主观目视估测、Nix Pro2 色差仪、ASD 光谱仪测得的 H、b*、c * 参数与土壤有机质呈极显著负相关p0.01而智能手机测得的上述参数与土壤有机质无显著相关主观目视估测测得的 G、L 参数与游离铁分别呈极显著p0.01和显著p0.05负相关而智能手机、Nix Pro2 色差仪、ASD 光谱仪测得的上述参数与游离铁无显著相关p0.05。这表明不同测色方法的颜色测定差异会影响颜色参数与土壤有机质、游离铁的相关关系。所有测色方法均显示R、G、B、I、L*、u*、v参数与土壤有机质呈显著负相关B 参数与游离铁呈显著负相关S、a、b*、c*、u*、v参数与游离铁呈显著正相关。其中R、L、I 参数与土壤有机质的皮尔逊相关系数较高最大值分别为 - 0.832、-0.742、-0.706S 参数与游离铁的相关系数最高最大值为 0.817。尽管测色方法会影响部分颜色参数与土壤有机质b*、c*、h*、游离铁R、G、I、L*的相关程度但相关关系的正负性保持一致。值得注意的是智能手机测得的 H、h参数与两种土壤属性的相关关系与其他三种测色方法相反H 和 h均为表征 0°~360° 色相的参数这可能与智能手机的白平衡设置有关其对色相的影响与其他三种方法存在差异。3.5 不同测色方法的预测结果对比基于逐步多元线性回归SMLR、反向传播神经网络BPNN和偏最小二乘回归PLSR构建的土壤有机质SOM和游离铁FI预测模型结果如表 6 和图 7 所示。本研究将以 ASD 光谱仪测得的可见光波段380~780 nm光谱数据为输入的 PLSR 模型作为基准模型对比四种测色方法结合不同预测模型的性能。该基准模型对土壤有机质的预测精度为R20.86、、RPIQ4.14、对游离铁的预测精度为R20.86、、RPIQ4.18、可见该基准模型对土壤属性的方差解释能力和预测精度均处于中等水平。基于颜色参数的土壤有机质预测模型其性能四分位距比RPIQ为 2.90~3.43略低于 Ng 等 (2022, Table 3) 利用中红外光谱预测土壤有机质的结果。其中Nix Pro2 色差仪结合 PLSR 模型的预测效果最优相关指标为R20.79、、RPIQ3.43而主观目视估测结合 SMLR 模型的预测效果最差指标为R20.71、、RPIQ2.90。各方法间的预测精度差异并不显著说明基于不同测色方法获取的颜色参数均能对土壤有机质做出较为合理的预测。不同建模算法对土壤有机质的预测性能排序为PLSR BPNN SMLR。Nix Pro2 色差仪在所有建模算法中均表现最优或效果良好ASD 光谱仪在 BPNN 模型中预测效果最差但在 PLSR 模型中表现较佳。整体而言土壤有机质预测的最优测色方法为 Nix Pro2 色差仪其次为智能手机。基于颜色参数的游离铁预测模型其 RPIQ 为 3.07~3.93约为 Ng 等 (2022, Tables 2 and 7) 利用中红外光谱预测不同形态铁含量结果的两倍即本研究模型的预测效果更优。其中智能手机结合 PLSR 模型、Nix Pro2 色差仪结合 PLSR 模型的预测效果相近且均为最优RPIQ 分别达 3.87 和 3.93而主观目视估测结合 BPNN 模型的预测效果最差指标为R20.73、、RPIQ3.07。不同建模算法对游离铁的预测性能排序为PLSR SMLR BPNN。Nix Pro2 色差仪在 BPNN 模型中表现较差但在 PLSR 模型中预测效果最优主观目视估测在所有建模算法中均表现中等或较差。整体而言游离铁预测的最优测色方法为智能手机其次为 Nix Pro2 色差仪。Nix Pro2 色差仪结合 PLSR 模型是土壤有机质和游离铁预测的最优组合其预测效果与以可见光光谱为输入的基准 PLSR 模型相近这表明 Nix Pro2 色差仪对与颜色相关的土壤属性具有优异的预测能力是一种极具应用前景且操作便捷的测色工具。3.6 土壤有机质和游离铁预测的关键颜色参数为探究土壤有机质和游离铁预测的关键颜色参数本研究对比了逐步多元线性回归SMLR模型中筛选出的输入变量结果发现R 和h∗是土壤有机质预测中最常被选用的参数而 S、b∗、R 和 B 则是游离铁预测的核心参数红度相关参数 R 在两种属性的预测中均发挥重要作用。令人意外的是明度参数 L 并未成为核心预测参数。主观目视估测、智能手机和 Nix Pro2 色差仪构建的土壤有机质 SMLR 模型均将 R 和h∗作为自变量而主观目视估测和智能手机的游离铁 SMLR 模型则均选用b∗、R 和 B 作为核心参数红度参数 R 再次成为关键指标这对于游离铁预测而言符合预期规律。部分颜色参数对土壤属性预测的重要性并不会随测色方法的改变而发生变化。4 讨论4.1 不同方法土壤颜色识别结果的对比分析主观目视估测法的测色结果存在显著的观测者个体差异。除个别情况外如观测者 2 与观测者 3ΔEab​4.54 NBS大部分观测者间的测色差异约为 1 个孟塞尔色卡单位6.0 NBSΔEab​12.0 NBS平均变异系数达 79.3%远高于除 ASD 光谱仪外其他测色方法间的平均变异系数40.2%。该结果与 Sellitto 等 (2007) 的研究结论一致其研究中孟塞尔色卡目视估测结果的变异系数42.5%高于光谱测定结果36.0%。由此可见与其他测色方法相比主观目视估测的结果受人为主观因素影响更为显著。主观目视估测产生的结果差异可归因于三方面原因1观测者的颜色感知能力存在个体差异2受环境自然光条件的影响3孟塞尔色卡的色卡数量有限难以满足高精度土壤颜色测定的需求 (Kirillova et al., 2018; Rabenhorst et al., 2015)。但色卡间的差异已接近人类的颜色感知极限因此增加中间色卡也难以改善这一问题。此外孟塞尔色卡的主观性和不连续性会进一步扩大不同观测者测色结果的离散程度这也是目视估测结果变异系数高于其他测色方法间变异系数的重要原因。表 5 展示了不同测色方法间的色差结果ASD 光谱仪与其他方法的测色结果存在显著差异ΔEab​12.0 NBS这是因为 ASD 光谱仪与其他方法的工作光源和数据处理流程存在明显不同 (Viscarra Rossel et al., 2008)。Viscarra Rossel 等 (2009) 的研究进一步指出利用光谱仪测定土壤颜色时土壤理化性质的微小变化也会导致可见光光谱曲线产生显著差异。其研究中采用孟塞尔色卡与光谱分析两种方法测定同一土壤样本的颜色平均色差ΔEab​达 25.62 NBS与本研究的结果25.52 NBS高度相近这一色差问题的校正方法仍需进一步研究。除 ASD 光谱仪外其他测色方法间的色差均较小ΔEab​6.0 NBS其中智能手机与 Nix Pro2 色差仪的色差最小为 2.66 NBS属于土壤颜色差异的 “可察觉” 级别1.5 NBSΔEab​3.0 NBS。智能手机与 Nix Pro2 色差仪均可用于田间土壤颜色的原位测定且对于多数观测者而言智能手机无需额外购置成本更低。两种方法均能实现测色环境的密闭避免外界光线的干扰但智能手机需要黑箱等辅助设备来消除环境光影响而 Nix Pro2 色差仪则无需辅助设备同时智能手机的测色流程更为复杂且硬件型号的差异也可能影响颜色识别结果。不过 Han 等 (2016) 对比了智能手机、商用相机和光谱仪作为颜色传感器在土壤分类中的应用效果发现三者的结果基本一致。综合来看Nix Pro2 色差仪和智能手机是获取一致性土壤颜色信息的优选方法且成本合理适合推广应用。4.2 基于不同测色方法的土壤有机质和游离铁颜色预测模型分析测色方法和建模算法的选择均对土壤有机质和游离铁的预测精度产生显著影响 (Table 6 and Fig.7)。以可见光光谱为输入的 PLSR 模型为基准其他方法对土壤有机质预测的 RPIQ 为 2.90~3.43对游离铁预测的 RPIQ 为 3.07~3.93。其中主观目视估测的预测效果最差而 Nix Pro2 色差仪和智能手机的预测性能更优这与 Baumann 等 (2016) 的研究结论一致其利用 Nix 颜色传感器结合三种色彩空间模型预测土壤总铁含量R2达 0.79~0.81表现出良好的预测效果。已有学者将 Nix 颜色传感器的测色结果与孟塞尔土壤颜色 (Swetha et al., 2022)、土壤质地 (Swetha and Chakraborty, 2021) 相结合提升了土壤颜色相关属性的预测精度这也证明了该低成本、高效率颜色传感器的综合表征能力。智能手机的测色结果稳定性和土壤属性预测精度均表现良好Yang 等 (2024) 的研究中经校准后的智能手机对土壤有机质的预测模型平均R20.61、本研究的预测效果更优。相较于 Nix Pro2 色差仪智能手机的优势在于普及率高、使用便捷Aitkenhead 等 (2020) 将智能手机与开源开发框架 ODK 开发的程序结合用于土壤属性预测简化了应用开发和数据处理流程实现了低成本、快速的土壤属性测定但该研究仅采用 RGB 颜色参数进行预测模型性能较差。基于本研究结果建议将 Nix Pro2 色差仪用于土壤有机质预测将智能手机用于游离铁预测。本研究分别采用线性模型SMLR、PLSR和非线性模型BPNN基于颜色参数预测土壤有机质和游离铁表 6 和图 7 的结果显示PLSR 模型对两种属性的预测效果均优于 BPNN 和 SMLR 模型这是因为颜色参数间存在较强的多重共线性而 PLSR 模型可通过正交变换有效解决这一问题。本研究的部分土壤样本采自 0~120 cm 的土壤剖面土壤有机质含量的变异性极大范围为(Table 3)而其他相关研究的土壤样本有机质含量多呈强低偏态分布仅有少量样本的有机质含量超过 20 g・kg⁻¹(Swetha et al., 2022; Yang et al., 2023)。本研究的样本数据分布特征更利于构建稳健的机器学习模型因此取得了更优的预测结果。不同测色方法构建的 SMLR 模型其核心预测参数的选择存在差异土壤有机质预测的核心参数在主观目视估测和智能手机模型中保持一致而游离铁预测的核心参数则随测色方法的不同而变化。所有测色方法中R、L*、I 与土壤有机质的相关系数均较高S 与游离铁的相关系数也处于较高水平除 I 外这些参数均被选入 SMLR 模型。这表明对于本研究的土壤属性而言部分核心颜色参数的重要性不受测色方法的影响。这些核心参数的作用机制可得到合理解释R 参数同时影响明度和色度即色相红度和彩度与中性色相比的色彩饱和度L和 I 参数分别代表明度和亮度反映土壤的反射率水平。不同测色方法测得的 I 和 L均与土壤有机质呈显著负相关这是因为土壤有机质含量越高其反射率越低 (Ibáñez-Asensio et al., 2013)该结果与 Viscarra Rossel 等 (2006) 的研究结论一致其发现土壤有机碳SOC与多种色彩空间模型中的明度参数均存在强相关性。氧化铁具有强烈的染色效应使土壤剖面呈现出从棕色到红色、橙色或黄色的不同色调 (Viscarra Rossel et al., 2010)这与本研究中土壤样本的孟塞尔色相10YR、2.5Y、7.5YR、5YR高度吻合。其中赤铁矿使土壤呈现红色调5YR 及更红的色相针铁矿则使土壤呈现黄色调7.5YR~2.5Y(Scheinost and Schwertmann, 1999)因此基于黄、红色调相关指标构建的游离铁预测模型具有良好的有效性。此外Viscarra Rossel 等 (2008) 分别以 CIE v∗单颜色参数和红度指数RI构建土壤有机质和铁的对数预测模型R2达 0.70~0.88这也进一步证明筛选核心参数能够有效提升模型的预测效率。4.3 实际应用考量与研究局限性本研究中土壤样本均经过扰动并过 60 目筛装入容器时保证表面平整、压实且无裂缝严格、统一的样本前处理是必要的。因为土壤粗颗粒和杂质会对 Nix Pro2 色差仪的测色结果产生显著影响且该影响无法通过系统方法校正。但在实际应用中土壤的实际条件复杂多样含水量、压实度和固有杂质的差异均会对土壤颜色识别和属性预测产生显著影响。例如 Fu 等 (2020) 基于智能手机图像预测土壤有机质时发现相较于湿润土壤土壤含水量 10%干燥土壤的预测精度更高。因此如何在少量样本前处理如湿润土壤、过 20 目筛土壤的条件下实现高精度的土壤颜色识别和相关属性预测仍需进一步研究。本研究未采用图像分割、空间分箱等图像处理算法这可能会给结果带来偏差 (Gorthi et al., 2021)。Yang 等 (2023) 量化了不同土壤图像分割方法产生的颜色和纹理特征差异发现图像分割能显著提升土壤有机质的预测精度。同时本研究的土壤图像均以 JPEG 格式保存而非 RAW 格式JPEG 为有损压缩格式能在尽量保证颜色精度和图像整体质量的前提下减小文件体积而 RAW 为无损压缩格式可完整保留原始图像数据。但并非所有智能手机均支持 RAW 格式本研究使用的荣耀 50 手机即不具备该功能JPEG 和 RAW 格式对土壤颜色识别的影响仍需深入探究。不同测色方法之间及方法内部均存在固有差异本研究中的颜色结果差异主要源于光照条件的不一致但该差异对土壤属性预测的影响并不显著。如表 7 所示每种测色方法均有其独特的优势和不足Nix Pro2 色差仪一次测定即可输出多种色彩空间的参数无需进行色彩空间转换但其配套应用程序 Nix Toolkit 未包含土壤颜色描述的传统参考体系 —— 孟塞尔色彩系统智能手机是最便捷的测色方法但其大规模应用需要系统、复杂的数据处理流程 (Aitkenhead et al., 2020)且测色结果受手机型号的影响 (Yang et al., 2021)。值得注意的是大多数配备人工智能相机的智能手机会自动进行图像优化处理因此使用智能手机测色时需格外谨慎。本研究的测色基于原始图像完成而经不同人工智能算法处理的图像其颜色校正方法也必然存在差异且人工智能算法的细节属于厂商专有信息可能会随时更新。土壤颜色源于其对太阳可见光的选择性吸收和漫反射因此利用光谱仪如 ASD进行土壤颜色测定在原理上更具优势对应的颜色识别和属性预测精度也更高但该方法需要进行系统的校准操作。精准农业的发展需要全面的土壤调查以制定适用于不同区域的精细化管理策略 (Petrović et al., 2024)而基于土壤颜色的属性预测方法能为农户提供更快速、便捷的土壤信息获取途径助力田间管理的科学化。在实际应用中对预测精度的要求并非极端严苛例如中国第二次土壤普查中将土壤有机质划分为 6 个等级 (The National Soil Survey Office, 1998)利用便携式设备实现土壤属性的快速预测即可为精准农业提供重要的指导和支撑。对于土壤调查人员建议将 Nix Pro2 色差仪作为传统孟塞尔色卡目视估测法的辅助工具用于土壤颜色识别和属性预测。Nix Pro2 色差仪体积小、重量轻便携性极佳若在其配套应用程序 Nix Toolkit 中加入预测模块即可实现土壤有机质和游离铁的实时预测。对于普通民众而言为智能手机配备专业的测色和预测软件是最优选择 (Sinclair et al., 2024)这不仅有利于土壤科学知识的传播还能推动公民科学在土壤学领域的发展 (Rossiter et al., 2015)。5 结论本研究采用主观目视估测、智能手机、Nix Pro2 色差仪和 ASD 光谱仪四种方法开展土壤颜色识别及土壤有机质SOM、游离铁FI两种相关属性的预测研究得出以下主要结论土壤颜色识别方面主观目视估测的结果存在显著的观测者个体差异Nix Pro2 色差仪与智能手机的测色结果最为接近色差最小ASD 光谱仪与其他三种方法的测色结果存在显著的系统性差异色差极大。土壤属性预测方面基于颜色参数的预测模型中Nix Pro2 色差仪和智能手机的预测性能表现优异是低成本、便捷的近地土壤传感工具适合实际推广应用建模算法的优化能有效提升土壤属性预测精度PLSR 模型对土壤有机质和游离铁的预测效果均优于 BPNN 和 SMLR 模型。本研究构建的方法体系能够有效解答不同色彩空间下测色方法的差异、测色方法对属性预测的影响及二者最优组合的研究问题。研究结果具有一定的指示意义但仍存在局限性本研究仅针对中国贵州、湖南两个区域的土壤样本构建了基于土壤颜色的属性预测模型并开展对比分析土壤样本的范围存在一定限制例如未包含潜育土、盐渍土等具有特殊颜色的土壤类型。不同区域的土壤颜色受属性的影响规律可能存在差异因此需要针对特定区域构建专属预测模型或进一步探索适用于不同区域的通用预测模型。近地土壤传感技术尤其是智能手机具有普及率高、使用便捷的优势为土壤学领域的公民科学发展提供了契机。但要实现智能手机在土壤属性预测中的更好应用还需解决三大问题土壤表面不平整或扰动导致的结果偏差、智能手机镜头不稳定引发的图像畸变、图像处理流程的复杂性。未来基于土壤颜色的属性预测研究应充分考虑土壤的实际条件含水量、颗粒粒径、杂质等并实现不同测色方法结果的均一化以降低系统性误差的影响。主要图表图1展示了本研究的采样区域及采样点位置。这些样品的土地利用类型包括稻田和旱地采集区域属于亚热带季风气候土壤质地涵盖壤土、粉砂壤土、砂质壤土、砂质粘壤土、粘土、粉砂粘土和粘壤土等多种类型根据美国农业部土壤质地三角分类法。图2展示了用于智能手机土壤颜色测量的定制黑箱装置。a黑箱的三维示意图显示其内部结构和组件布局b智能手机在黑箱内拍摄土壤样品的示意图明确了光源、土壤样品和手机的相对位置c实际使用中的黑箱实物图。该黑箱尺寸为 19 cm × 19 cm × 10 cm内部安装 LED 灯带以提供稳定照明色温 6000 K内壁涂成黑色以减少光线散射。光源对土壤表面的入射角约为 45°智能手机固定在黑箱上方 8 cm 处镜头正对样品中心。拍摄时采用专业模式禁用相机内置图像处理功能参数设置为快门速度 1/30 s、ISO 320、曝光值 0、光圈 F1.79、焦距 23 mm确保图像颜色的准确性。图3展示了土壤颜色测量中的感兴趣区域ROI选取过程。a黑箱内拍摄的土壤样品原始照片蓝色线框标记出 800×800 像素的中心区域用于提取土壤颜色信息b黑箱内拍摄的孟塞尔色卡原始照片蓝色线框标记出 200×200 像素的中心区域用于后续颜色校正。ROI 选取的目的是避免阴影干扰并保证区域均匀性。对于土壤样品选取中心区域可减少边缘效应对于色卡选取中心区域确保校正参考的准确性。后续通过 R 软件的 “countcolors” 包对 ROI 内像素进行 RGB 坐标聚类分析以聚类中心作为样品的颜色坐标表1描述了五种颜色空间模型中的颜色参数及其定义这些模型用于量化土壤颜色特征。这些参数为后续土壤属性预测提供了多维度的颜色特征输入。表2定义了基于 NBSNational Bureau of Standard单位的颜色差异感知等级用于评估不同测量方法或个体间的颜色差异程度。该表为研究中不同方法的颜色差异如 Nix Pro2 与智能手机的 ΔE2.66 NBS 属于 “明显” 差异ASD 与其他方法的差异属于 “极大”提供了标准化的评判标准。图4展示了土壤颜色识别与颜色相关属性预测的整体工作流程涵盖从土壤颜色测量到模型构建与评估的完整环节。土壤颜色识别阶段采用四种方法获取土壤颜色数据包括主观视觉估测基于孟塞尔色卡、Nix Pro2 色度计扫描、智能手机拍摄与校正、ASD 光谱仪测量。所有方法的颜色数据均转换为 RGB、HIS、CIEL* a* b* 、CIEL* c* h* 、CIEL* u* v * 五种颜色空间模型的参数共 13 个颜色参数用于后续分析。颜色差异分析阶段计算不同测量方法在 CIELab * 颜色空间中的色差ΔEₐᵦ并转换为 NBS 单位以评估差异程度例如 Nix Pro2 与智能手机的色差最小2.66 NBS属于 “明显差异”而 ASD 与其他方法的色差显著23.48–25.51 NBS属于 “极大差异”。颜色相关属性预测阶段以土壤有机质SOM和游离铁FI为预测目标使用三种模型进行建模逐步多元线性回归SMLR、反向传播神经网络BPNN和偏最小二乘回归PLSR。输入数据为四种测量方法获得的 13 个颜色参数同时以 ASD 可见光谱数据构建的 PLSR 模型作为基准。通过留一法交叉验证LOOCV评估模型性能指标包括决定系数R²、均方根误差RMSE、性能与四分位距比RPIQ和偏差bias。结果优化与推荐阶段对比不同方法和模型的预测效果确定最优组合如 SOM 预测中 Nix Pro2PLSR 表现最佳FI 预测中智能手机 PLSR 表现最佳。表3呈现了研究中土壤样品的基本属性土壤有机质 SOM 和游离铁 FI的描述性统计分析结果。该表通过系统的统计描述验证了所选样品在 SOM 和 FI 属性上的多样性确保了后续颜色参数与土壤属性关联分析及模型构建的可靠性和代表性。注n为样本数SD为标准差CV为变异系数。图5四种不同方法的L、a和b*颜色测量结果箱线图直观呈现了不同方法的测量结果差异。中位数由框内的水平线表示25%和75%的百分位数由框限表示上下25%由框外的须表示。小方框表示平均值。方框顶部的字母是通过单因素方差分析计算的具有显著差异p 0.05均值的组。箱线图显示除 b * 外各参数的四分位距较大说明土壤样品颜色差异显著。智能手机与 Nix Pro2 的结果差异较小而 ASD 与其他方法差异较大。表4、表5表 4 展示了五位观察者通过孟塞尔色卡进行主观视觉估测时的颜色差异。表 5 呈现了四种测量方法间的颜色差异。图6颜色参数与土壤属性SOM 和 FI之间的皮尔逊相关系数图分为两个子图分别展示不同测量方法获取的颜色参数与 SOM、FI 的相关性。该图揭示了颜色参数与土壤属性的内在关联为后续模型变量选择提供了依据。图7通过柱状图对比了不同建模方法SMLR、BPNN、PLSR在土壤有机质SOM和游离铁FI预测中的 RPIQ性能与四分位距比值RPIQ 值越高表明模型预测精度越好。图中清晰显示了不同测量方法与建模算法组合的性能差距。表6从五个维度对四种土壤颜色测量方法进行评分★越多表示表现越好。维度包括价格、便携性、颜色识别便利性、数据处理便利性、预测模型性能。结论本研究评估了四种测量方法主观目测法、智能手机、Nix Pro2色度计和ASD光谱仪在土壤颜色识别及相关性质有机质SOM和游离铁FI预测中的应用效果。在颜色识别方面主观目测法存在个体差异Nix Pro2与智能手机测量结果最为接近而ASD光谱仪则表现出显著的系统性差异。在基于颜色参数的土壤性质预测方面Nix Pro2和智能手机展现出优异的预测性能因此作为低成本、便捷的近感土壤检测设备具有实际应用潜力。模型优选可提升性质预测效果PLSR模型对SOM和FI的预测均优于BPNN和SMLR。本方法框架有效解答了研究提出的科学问题。研究结果具有指示意义但当前仅基于两个地区的土壤样本建立并比较了颜色-性质预测模型体系。受样本范围限制本研究未涵盖潜育土、盐渍土等具有特殊颜色特征的土壤类型。考虑到不同区域土壤颜色与性质的关系可能存在差异未来需建立区域特异性模型或探索普适性预测模型。以智能手机为代表的近感检测技术凭借普及性和易用性优势为公众参与土壤科学研究提供了契机。但为实现智能手机在土壤性质预测中的更好应用仍需解决以下问题a表面不平整或干扰导致的测量偏差b手机镜头不稳定引起的图像畸变c图像处理的复杂性。未来基于土壤颜色的预测研究应考虑土壤湿度、粒径、杂质等状态差异并统一不同方法的颜色测量标准以降低系统误差。