论文部分内容阅读
摘要： 土壤养分作为农业生产的重要指标，含量过少会降低农作物产量，过多则会造成环境污染。因此，快速、准确检测土壤养分对于精准施肥和提高作物产量具有重要意义。基于取样和化学分析的传统方法能够全面准确地检测土壤养分，但检测过程中土壤的取样及预处理过程繁琐、操作复杂、费时费力，不能实现土壤养分的原位快速检测。本研究基于调制近红外光谱，提出了一种土壤养分主动式近场遥测方法，可有效避免土壤反射自然光的干扰。该方法使用波长范围1260～1610 nm的8通道窄带激光二极管作为近红外光源，通过测量8通道激光光束的土壤反射率，建立土壤养分中氮（N）关于土壤反射率的计量模型，实现了N的快速检测。在74组已知N含量的土壤樣品中，选取54组作为训练集，20组作为预测集。基于一般线性模型，对训练集中土壤N含量与土壤反射率的定量化参数进行训练，筛选显著波段后的计量模型R2达到0.97。基于建立的计量模型，预测集中土壤N含量预测值与参考值的决定系数R2达到0.9，结果表明该方法具有土壤养分现场快速检测的能力。
关键词： 土壤氮素;近红外光谱;近场遥测;锁相放大;光电探测
中图分类号： S151.9+5 文献标志码： A 文章编号： 202005-SA003
引文格式：矫雷子， 董大明， 赵贤德， 田宏武. 基于调制近红外反射光谱的土壤养分近场遥测方法研究[J]. 智慧农业（中英文）， 2020， 2 （2）： 59-66.
Citation：JIAO Leizi， DONG Daming， ZHAO Xiande， TIAN Hongwu. Near-field telemetry detection of soil nutrient based on modulated near-infrared reflectance spectrum[J]. Smart Agriculture， 2020， 2 （2）： 59-66.
1 引 言
土壤含有的营养成分对植物生长至关重要。氮素（N）是农田土壤中最重要的元素之一，也是化肥主要养分之一。因为N是形成新细胞和结构中有机化合物所必需的元素，所以N对农产品品质的影响非常大。无论在农场还是自然环境中，土壤中N含量随着空间分布而不同。当土壤中缺少N时，作物往往改变其利用养分的方式和自身形态，从而限制了作物的生长[1]。当土壤中N过剩时，在降雨和灌溉过程中，那些不被植物消耗的大量N被淋溶到地表和地下水中，严重影响饮用水的品质，造成环境污染。为了提高作物的生产力，了解土壤中N含量及其空间分布至关重要。因此，准确探测土壤中N素含量，根据测量结果调整土壤养分，对于保障农作物健康生长及提高产量具有重要的意义[2]。
传统的土壤养分测量方法是采用随机网格采样技术获取土壤芯样，借助昂贵的实验室仪器和额外的萃取剂对土壤进行进一步化学分析，比如凯氏定氮法、杜马斯燃烧法和气相色谱-质谱法[3]。尽管实验室化学分析方法具有很高的准确性，但较长的采样时间、高昂的采样成本，以及复杂多变的农田地形，使得这些方法缺乏对农田土壤养分进行连续、实时分析的能力。随着精准农业的发展，相比于传统实验室分析方法，原位、快速和准确的土壤养分检测方法及设备的需求日益迫切[4]。
近红外反射光谱是一种快速、简便并且无损的分析技术[5-7]，不需要使用化学物质，利用近红外辐射与土壤样品的相互作用，根据土壤在近红外范围内的吸光度或反射率来表征土壤特性[8-10]。近年来关于近红外土壤检测的论文数量呈指数增长，该技术可以用来评估土壤的矿物和有机成分，进行土壤监测、土壤质量和功能推断以及解释其分布[11，12]。
目前土壤养分检测多使用近红外光谱仪，需要配置专用分析软件及操作人员，体积大、成本高，往往用于实验室分析，不适用于现场快速检测[13]。为了简化近红外土壤检测系统，基于单波的LED或激光光源的土壤N检测系统得到了大力发展。研究表明，在近红外区域，2234、2150、1991、1833、1895、1684、1673、1559、1536、1394、1389、1311、1286、1215、1208、1187、1124、1092、1064、1028、984、972、931、923、859和844 nm波段可用于土壤N预测[14-16]。依据这些波长选择窄带LED或激光光源，可用于便携式土壤N检测仪的研制，比如An等[17]使用1550、1300、1200、1100、1050和940 nm波段，建立了土壤总N估算模型，研制了6波段土壤总N检测仪，可对土壤总N进行现场快速评估。然而，这些基于多波段的土壤养分检测设备为了避免太阳光的干扰，往往使用遮光装置或深入土壤内部进行检测，不易操作。
针对这一现状，本研究基于调制近红外和锁相放大技术，提出了8波段近红外光谱土壤养分便携式近场遥测方案，通过测量8通道近红外激光光源的土壤反射率，建立光谱反射率与土壤N的定量化计量模型，实现土壤N的近场快速近场遥测，并避免自然光的干扰。
2 系统设计
近红外土壤养分近场遥测方案如图1所示，主要包括电源系统、光源驱动电路、光路系统、光电探测电路、AD转换电路、数据采集和传输电路，以及智能手机采集系统等，通过近场（20～50 cm）遥测土壤表面反射的8个波段的近红外光谱反射率，建立土壤养分（比如N、磷、钾等）关于不同波段反射率的定量化模型，实现土壤养分含量检测。
2.1 硬件设计
2.1.1 近红外光源及驱动电路
为了覆盖近红外光谱，选择中心波长分别为1270、1310、1350、1410、1450、1510、1550和1610 nm共计8个波段的近红外激光光源作为主动式单波段光源，采用TO56方式封装，功率为20 mW。 在近场遥测过程中，土壤反射的自然光也会随着聚光透镜进入探测系统，对主动光信号探测造成严重干扰。自然光短时间内变化很小，其对应的电信号可认为是直流信号。因此，为避免自然光的干扰，设计激光光源驱动电路时，在直流偏执确保激光二极管正常发光的基础上，叠加微弱的正弦波信号使得激光光源光束按照一定频率进行微弱变化，实现激光光源的调制。通过光电探测电路中的锁相放大模块对土壤反射的激光光源调制光束信号进行解调，仅探测特定频率的交变信号，从而避免自然光的干扰。通过单片机控制CD4051模拟开关进行8路激光光源选择性驱动和切换。
2.1.2 光电探测器及光电转换电路
考虑到方案中采用近场遥测方式探測土壤反射的激光光束，而土壤表面反射的激光信号比较微弱。因此在光信号探测过程中选用高灵敏、低暗电流、大感应面的InGaAs光电二极管探测器，感光区域直径为5 mm，波长响应范围800～1700 nm，封装方式为TO-8，暗电流为10 nA。土壤反射的激光光束通过聚光透镜聚焦到光电探测器感应区域，从而转换成电流信号。光电探测器输出的电流信号经过前置放大电路（跨阻放大器）转换成电压信号，为主动光信号提取做准备。
2.1.3 主动光信号提取电路
光电转换电路输出的电压信号，是自然光对应直流电信号、激光光束对应的直流和交流电信号的叠加。因此，为提取有效的激光光束对应的交流电信号，采用MLT04乘法器，通过输入信号（自然光及激光光束对应的电信号）与参考信号（与激光光束对应的交流信号同频同相）进行相乘，实现锁相放大电路功能。相乘输出的混合信号通过滤波器，提取所需的激光光束对应的交流信号，从而消除自然光对应的直流信号，避免自然光的干扰。提取的激光光束对应的交流信号进入信号调理电路，进行放大和滤波，放大到AD转换电路所需的幅值。
2.1.4 ADC转换电路
ADC转换电路选用MAX11410，该芯片为24位ADC芯片，具有低功耗、多通道、高精度的特点，输入部分包括低噪声可编程增益放大器（Programmable Gain Amplifier，PGA），具有极高输入阻抗及1～128倍可变增益，优化总体动态范围。输入缓冲器提供信号输入与开关电容采样网络之间的隔离，即使高阻抗源也非常容易驱动。ADC10通道输入多路复用器为复杂传感器测量提供了灵活性。单周期模式下，数字滤波器在单个转换周期内保持稳定。提供的FIR数字滤波器允许16 ms内单周期稳定，同时提供90 dB以上的50和60 Hz电源噪声抑制。集成片上振荡器不要求外部元件，简化了高精度传感器的应用。
2.1.5 数据采集/传输及电源电路
数据采集及传输选用STM32F103单片机，完成ADC转换数据的采集和传输，提供正弦波交变信号作为激光光束交变驱动信号和锁相放大参考信号，控制多路模拟开关控制激光光源选择性驱动。为了实现数据上传至智能手机，用单片机控制HM-11串口蓝牙透传模块进行数据发送。
整个系统采用8.4 V锂电池供电，使用LM2940、SP3819和ADR431等电源芯片产生各集成电路所需的5、3.3和2.5 V稳定精确地直流电源，为各个芯片及模块供电。
2.2 软件设计
软件部分包括两个模块：一是基于单片机的下位机嵌入式软件设计;二是基于智能手机的app软件设计，功能分别如下。
（1）基于STM32F103单片机系统的下位机嵌入式软件，包括特定频率的信号发生模块、ADC转换程序模块、模拟开关控制程序模块、串口-蓝牙通信程序模块等，主要完成STM32F103系统运行、激光光束对应的模拟电压采集、光源驱动所需交变激励信号产生、模拟开关通断、8路激光二极管交替驱动、光谱反射率计算以及数据传输等功能。
（2）基于智能手机的app软件主要通过无线通信完成与单片机的交互，控制单片机进行相关操作，并对单片机上传的数据进行采集和保存。
2.3 光路设计
光路系统主要包括激光光束发射和反射激光光束接收系统。完成激光光束的有角度照射和最大限度接收。在20～50 cm遥测距离范围内（即激光光源端面到土壤表面的距离），为了确保8个波段激光光束照射土壤表面区域的一致性，激光光源通过具有一定角度的限位孔固定，并对称均匀分布在聚光透镜周围，确保这些光源相对于反射激光光束接受系统的照射角度、范围一致。考虑到激光照射土壤反射回来的光束信号比较微弱，在反射激光光束接受系统设计过程中，为了使得光电二极管最大接收土壤表面反射的光束，聚焦透镜处于8个波段激光光束所在同心圆的中心位置，确保最大限度地收集反射激光光束信号，把聚集的光信号送到探测器表面，提高探测灵敏度。
3 测试分析
3.1 系统组装与测试
按照硬件电路设计的原理图以及光路系统的结构尺寸，绘制数据采集传输硬件系统、光源驱动硬件系统、光电转换硬件系统、锁相放大及信号调理硬件系统对应的特定形状印制电路板（Printed Circuit Board，PCB），检测绘制PCB板的电气安全，通过后进行PCB板印制。依据器件焊接要求，焊接硬件各个模块所需的电子元器件，并对焊接效果进行电气检查和测试。在确保焊接电路板电气安全情况下，接通电源，通过高精度示波器对电源系统产生的各个电源电压的纹波噪声、幅度进行检测，调整滤波电路器件参数，直至满足系统所需电源纹波要求。8个波段的激光二极管分别固定在光学机械探头的固定孔中，然后使用信号线引出正负引脚，接到光源驱动接口。聚焦透镜放入固定孔中，旋转螺丝转环进行固定。红外光电探测器放入光学探头限位孔，利用机械卡环固定在透镜焦距位置处，并用屏蔽线引出光电流输出引脚到光电转换电路板接口。焊接完成的电路板按照需求固定在光学机械探头上。焊接及调试完成单片机采集/控制/传输系统、激光光源驱动系统、光电转换/锁相放大/信号调理系统及整机组装实物图如图2所示。 利用智能手機中蓝牙采集助手，首先对土壤N近红外遥测仪的系统暗噪声进行分析。在分析过程中，聚光透镜位置贴上遮光胶带，使得透镜无法接收反射回的激光二极管的光信号，阻止激光信号进入光电探测器。这种条件下，系统输出电压值仅与背景噪声有关，与激光光源无关。单独驱动8波段激光二极管中的每一路，记录每路激光光源工作时的系统输出电压值，如图3所示。暗噪声数据记录结果表明，8路激光二极管分别驱动时对应的系统暗噪声电信号随时间变化的趋势基本一致，并在5～6 min时趋于稳定值。造成这一现象的原因，可能是由于近红外激光光源发光特性，在交变信号的驱动下，激光二极管发光强度需要一定的时间进行稳定。因此，仪器开机后需要预设6 min左右才能正常使用。
其次，移走聚光透镜遮光布，仪器开机6 min后，在正常工作状态下，激光二极管发射的激光光束经过距离50 cm的漫反射参考板反射回来，反射的激光光束经过聚光透镜到达光电探测器，对各个波段激光二极管反射光束对应电信号随时间变化的数据进行了记录。每路激光二极管单独驱动时参考板反射的激光光束信号对应系统输出的电信号随时间变化的结果如图4所示。结果表明，仪器工作稳定后，参考板反射回来的8个波段的激光光束光信号对应电信号随时间基本趋于稳定，呈现出比较好的稳定性和重复性，这为精确计算每个波段激光光束的土壤反射率以及精确的土壤养分定量化计量模型提供了保障。
3.2 土壤N含量检测
为了验证近场遥测设备检测土壤养分的可行性，使用完成电气测试的仪器对74组已知N含量的土壤样本（北京市农林科学院内实验田土壤样本）的反射率进行测试。其中54组作为训练集，20组作为预测集。检测过程中，仪器被固定在距离土壤样品一定距离的支架上，照射放置在距离30 cm的土壤样品表面，使用智能手机通过蓝牙控制近红外遥测仪，分别驱动激光光源并采集8个波段激光光束的土壤反射率，用于定量化模型分析。测试过程如图5所示。
利用SPSS软件中的广义线性模型（Generalize Linear Model，GLM），对获取的54组土壤样本的8个波段的反射率进行训练，其中Y是N含量，X1—X8分别对应1270、1310、1350、1410、1450、1510、1550和1610 nm 8个波段激光二极管照射样本的反射率，拟合N含量关于8个波段反射率的数学模型（图6）。SPSS训练结果表明，54组训练集土壤样品N含量关于8个波段反射率的GLM数学模型的决定系数R2值达到了0.97，表明利用训练集建立的N含量关于8个波段反射率的数学模型具有很高的拟合度，很好地表征了N含量与8波段反射率之间的定量化关系。
随后使用预测集中的20组土壤样品对拟合的GLM数学模型的预测性能进行验证，获取的20组N含量预测值与参考值的相关关系曲线如图7所示。结果表明，使用54组训练集获取的GLM模型的预测R2值达到了0.90，验证了近场遥测土壤养分的可行性，为便携式土壤养分红外近场遥测土壤养分提供了理论依据和技术支持。
4 结 论
本研究提出了基于多波段调制近红外光谱的土壤养分近场遥测方案，对系统所需光路、软硬件等模块进行了设计与组装，并使用已知N含量土壤样品对设备性能进行了测试。测试结果表明，训练集拟合的土壤N含量关于反射率的一般线性模型R2值达到了0.97，预测集的土壤N含量预测值与参考值R2达到了0.90，验证了该主动式近场遥测方法的可行性。但测量过程中可能会受到土壤颗粒、水分含量、酸碱度等因素影响，为精确预测土壤养分带来挑战，接下来也将围绕这些影响因素开展工作，对其影响规律及消减方法进行研究，提高检测精度。
参考文献：
[1] SCHACHTMAN D P， SHIN R. Nutrient sensing and signaling： NPKS[J]. Annual Review of Plant Biology， 2007， 58（1）： 47-69.
[2] CHEN Y， CAMPS-ARBESTAIN M， SHEN Q， et al. The long-term role of organic amendments in building soil nutrient fertility： A meta-analysis and review[J]. Nutrient Cycling in Agroecosystems， 2018， 111（2）： 103-125.
[3] BURTONLAMAR， JAYACHANDRAN K， BHANSALI S. Review—The “real-time” revolution for in situ Soil nutrient sensing[J]. Journal of The Electrochemical Society， 2020， 167： ID 037569.
[4] LASKAR S， MUKHERJEE S. Optical sensing methods for assessment of soil macronutrients and other properties for application in precision agriculture： A review[J]. ADBU Journal of Engineering Technology， 2016， 4： 206-210
[5] JACONI A， VOS C， DON A. Near infrared spectroscopy as an easy and precise method to estimate soil texture[J]. Geoderma， 2019， 337： 906-913. [6] NAYAK A K， RAHMAN M M， NAIDU R， et al. Current and emerging methodologies for estimating carbon sequestration in agricultural soils： A review[J]. Science of The Total Environment， 2019， 665： 890-912.
[7] T?MSAVA? Z， TEKIN Y， ULUSOY Y， et al. Prediction and mapping of soil clay and sand contents using visible and near-infrared spectroscopy[J]. Biosystems Engineering， 2019， 177： 90-100.
[8] HONG Y， CHEN S， ZHANG Y， et al. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy： Effects of two-dimensional correlation coefficient and extreme learning machine[J]. Science of The Total Environment， 2018， 644： 1232-1243.
[9] NAWAR S， MOUAZEN A M. Optimal sample selection for measurement of soil organic carbon using on-line vis-NIR spectroscopy[J]. Computers and Electronics in Agriculture， 2018， 151： 469-477.
[10] TEKIN Y， KUANG B， MOUAZEN A. Potential of on-line visible and near infrared spectroscopy for measurement of pH for deriving variable rate lime recommendations[J]. Sensors， 2013， 13（8）： 10177- 10190.
[11] 蔣璐璐， 张瑜， 王艳艳， 等. 基于光谱技术的土壤养分快速测试方法研究[J]. 浙江大学学报（农业与生命科学版）， 2010， 36（4）： 445-450.
JIANG L， ZHANG Y， WANG Y， et al. Fast determination of nutritional parameters in soil based on spectroscopic techniques[J]. Journal of Zhejiang University （Agriculture & Life Sciences）， 2010， 36（4）： 95-100.
[12] 张淑娟， 王凤花， 张海红， 等. 基于近红外光谱技术的土壤养分检测方法[C]// 纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）. 北京， 中国： 中国农业工程学会， 2009： 1003-1008.
ZHANG S， WANG F， ZHANG H， et al. The method of soil nutrients detection based on Near-infrared spectroscopy technology[C]// 2009 Annual Conference of Chinese Society of Agricultural Engineering—To Commemorate the 30th Anniversary of the Establishment of the Chinese Agricultural Engineering Society. Beijing， China： Chinese Society of Agricultural Engineering，2009： 1003-1008.
[13] 李雪莹， 范萍萍， 侯广利， 等. 可见-近红外光谱的土壤养分快速检测[J]. 光谱学与光谱分析， 2017， 37（11）： 3562-3566.
LI X， FAN P， HOU G， et al. Rapid detection of soil nutrients based on visible and near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis， 2017， 37（11）： 3562-3566.
[14] 刘玉萌， 李民赞， 安晓飞， 等. 一种便携式土壤氮素光谱检测仪设计[C]// 中国农业工程学会（CSAE）2011年学术年会. 北京， 中国： 中国农业工程学会， 2011： 1500-1504.
LIU Y， LI M， AN X， et al. A design of portable spectral detector for measuring soil nitrogen[C]// 2011 Annual Conference of Chinese Society of Agricultural Engineering. Beijing， China： Chinese Society of Agricultural Engineering， 2011： 1500-1504. [15] SHI Y， YU X， FENG Q， et al. Design of portable near infrared soil nutrient measuring instrument[J]. Optik， 2015， 126（2）： 230-233.
[16] LI Y F， WANG D C， ZHANG D Y， et al. The detection of soil parameters by portable near infrared spectrometer[J]. Applied Mechanics and Materials， 2011， 128-129： 718-726.
[17] AN X， LI M， ZHENG L， et al. A portable soil nitrogen detector based on NIRS[J]. Precision Agriculture， 2014， 15： 3-16.
Abstract： Proper soil nutrients content plays an important role in agricultural production—undernutrition would reduce crop yield and quality and overnutrition would cause environmental pollution. Though the traditional approaches based on sampling and chemical analysis can comprehensively and accurately measure soil nutrients， but the soil sampling and pretreatment process are cumbersome， complicated， time-consuming， and costly. Therefore， rapid and accurate measurement of soil nutrients is of great significance for precise fertilizer application， which can increase yield， improve crop quality， and alleviate environmental pollution. Toward this objective， a rapid soil nutrients detection method based on modulated near infrared spectroscopy for active near-field telemetry was proposed， which could effectively minimize effect of sunlight during the measuring process. Eight channels narrow-band laser diodes with wavelengths of 1260， 1310， 1350， 1410， 1450， 1510， 1550 and 1610 nm were selected as active lighting sources for measuring the reflectance of soil samples. Eight channels narrow-band laser diodes were symmetrically placed on a concentric circle. A photodetector with a circular photosensitive area of 5 mm in diameter was placed at the center of the concentric circle to maximize the reception of laser beam reflected by soil. A focusing lens was placed in front of the photodetector to collect the laser beam reflected from the soil sample to increase the sensitivity. The sensing area of the photodetector was located at the focus of the lens. seventy four groups of soil samples with known N content were divided into training set （54 groups） and prediction set （20 groups） for data analysis. The spectral reflectance significantly correlated with soil N content was screened by analyzing the training set based on a general linear model and a quantitative measurement model with R2 of 0.97 between the screened spectral reflectance and soil N content was achieve. The predicted soil N content obtained from prediction set based on the established model and the referenced soil N content of the prediction set had a R2 of 0.9， indicating that this method has an ability to quickly， as well as accurately detect soil nutrients.
Key words： soil nutrients; near infrared spectrum; near-field telemetry; lock-in amplifier; photoelectic detection
关键词： 土壤氮素;近红外光谱;近场遥测;锁相放大;光电探测
中图分类号： S151.9+5 文献标志码： A 文章编号： 202005-SA003
引文格式：矫雷子， 董大明， 赵贤德， 田宏武. 基于调制近红外反射光谱的土壤养分近场遥测方法研究[J]. 智慧农业（中英文）， 2020， 2 （2）： 59-66.
Citation：JIAO Leizi， DONG Daming， ZHAO Xiande， TIAN Hongwu. Near-field telemetry detection of soil nutrient based on modulated near-infrared reflectance spectrum[J]. Smart Agriculture， 2020， 2 （2）： 59-66.
1 引 言
土壤含有的营养成分对植物生长至关重要。氮素（N）是农田土壤中最重要的元素之一，也是化肥主要养分之一。因为N是形成新细胞和结构中有机化合物所必需的元素，所以N对农产品品质的影响非常大。无论在农场还是自然环境中，土壤中N含量随着空间分布而不同。当土壤中缺少N时，作物往往改变其利用养分的方式和自身形态，从而限制了作物的生长[1]。当土壤中N过剩时，在降雨和灌溉过程中，那些不被植物消耗的大量N被淋溶到地表和地下水中，严重影响饮用水的品质，造成环境污染。为了提高作物的生产力，了解土壤中N含量及其空间分布至关重要。因此，准确探测土壤中N素含量，根据测量结果调整土壤养分，对于保障农作物健康生长及提高产量具有重要的意义[2]。
传统的土壤养分测量方法是采用随机网格采样技术获取土壤芯样，借助昂贵的实验室仪器和额外的萃取剂对土壤进行进一步化学分析，比如凯氏定氮法、杜马斯燃烧法和气相色谱-质谱法[3]。尽管实验室化学分析方法具有很高的准确性，但较长的采样时间、高昂的采样成本，以及复杂多变的农田地形，使得这些方法缺乏对农田土壤养分进行连续、实时分析的能力。随着精准农业的发展，相比于传统实验室分析方法，原位、快速和准确的土壤养分检测方法及设备的需求日益迫切[4]。
近红外反射光谱是一种快速、简便并且无损的分析技术[5-7]，不需要使用化学物质，利用近红外辐射与土壤样品的相互作用，根据土壤在近红外范围内的吸光度或反射率来表征土壤特性[8-10]。近年来关于近红外土壤检测的论文数量呈指数增长，该技术可以用来评估土壤的矿物和有机成分，进行土壤监测、土壤质量和功能推断以及解释其分布[11，12]。
目前土壤养分检测多使用近红外光谱仪，需要配置专用分析软件及操作人员，体积大、成本高，往往用于实验室分析，不适用于现场快速检测[13]。为了简化近红外土壤检测系统，基于单波的LED或激光光源的土壤N检测系统得到了大力发展。研究表明，在近红外区域，2234、2150、1991、1833、1895、1684、1673、1559、1536、1394、1389、1311、1286、1215、1208、1187、1124、1092、1064、1028、984、972、931、923、859和844 nm波段可用于土壤N预测[14-16]。依据这些波长选择窄带LED或激光光源，可用于便携式土壤N检测仪的研制，比如An等[17]使用1550、1300、1200、1100、1050和940 nm波段，建立了土壤总N估算模型，研制了6波段土壤总N检测仪，可对土壤总N进行现场快速评估。然而，这些基于多波段的土壤养分检测设备为了避免太阳光的干扰，往往使用遮光装置或深入土壤内部进行检测，不易操作。
针对这一现状，本研究基于调制近红外和锁相放大技术，提出了8波段近红外光谱土壤养分便携式近场遥测方案，通过测量8通道近红外激光光源的土壤反射率，建立光谱反射率与土壤N的定量化计量模型，实现土壤N的近场快速近场遥测，并避免自然光的干扰。
2 系统设计
近红外土壤养分近场遥测方案如图1所示，主要包括电源系统、光源驱动电路、光路系统、光电探测电路、AD转换电路、数据采集和传输电路，以及智能手机采集系统等，通过近场（20～50 cm）遥测土壤表面反射的8个波段的近红外光谱反射率，建立土壤养分（比如N、磷、钾等）关于不同波段反射率的定量化模型，实现土壤养分含量检测。
2.1 硬件设计
2.1.1 近红外光源及驱动电路
为了覆盖近红外光谱，选择中心波长分别为1270、1310、1350、1410、1450、1510、1550和1610 nm共计8个波段的近红外激光光源作为主动式单波段光源，采用TO56方式封装，功率为20 mW。 在近场遥测过程中，土壤反射的自然光也会随着聚光透镜进入探测系统，对主动光信号探测造成严重干扰。自然光短时间内变化很小，其对应的电信号可认为是直流信号。因此，为避免自然光的干扰，设计激光光源驱动电路时，在直流偏执确保激光二极管正常发光的基础上，叠加微弱的正弦波信号使得激光光源光束按照一定频率进行微弱变化，实现激光光源的调制。通过光电探测电路中的锁相放大模块对土壤反射的激光光源调制光束信号进行解调，仅探测特定频率的交变信号，从而避免自然光的干扰。通过单片机控制CD4051模拟开关进行8路激光光源选择性驱动和切换。
2.1.2 光电探测器及光电转换电路
考虑到方案中采用近场遥测方式探測土壤反射的激光光束，而土壤表面反射的激光信号比较微弱。因此在光信号探测过程中选用高灵敏、低暗电流、大感应面的InGaAs光电二极管探测器，感光区域直径为5 mm，波长响应范围800～1700 nm，封装方式为TO-8，暗电流为10 nA。土壤反射的激光光束通过聚光透镜聚焦到光电探测器感应区域，从而转换成电流信号。光电探测器输出的电流信号经过前置放大电路（跨阻放大器）转换成电压信号，为主动光信号提取做准备。
2.1.3 主动光信号提取电路
光电转换电路输出的电压信号，是自然光对应直流电信号、激光光束对应的直流和交流电信号的叠加。因此，为提取有效的激光光束对应的交流电信号，采用MLT04乘法器，通过输入信号（自然光及激光光束对应的电信号）与参考信号（与激光光束对应的交流信号同频同相）进行相乘，实现锁相放大电路功能。相乘输出的混合信号通过滤波器，提取所需的激光光束对应的交流信号，从而消除自然光对应的直流信号，避免自然光的干扰。提取的激光光束对应的交流信号进入信号调理电路，进行放大和滤波，放大到AD转换电路所需的幅值。
2.1.4 ADC转换电路
ADC转换电路选用MAX11410，该芯片为24位ADC芯片，具有低功耗、多通道、高精度的特点，输入部分包括低噪声可编程增益放大器（Programmable Gain Amplifier，PGA），具有极高输入阻抗及1～128倍可变增益，优化总体动态范围。输入缓冲器提供信号输入与开关电容采样网络之间的隔离，即使高阻抗源也非常容易驱动。ADC10通道输入多路复用器为复杂传感器测量提供了灵活性。单周期模式下，数字滤波器在单个转换周期内保持稳定。提供的FIR数字滤波器允许16 ms内单周期稳定，同时提供90 dB以上的50和60 Hz电源噪声抑制。集成片上振荡器不要求外部元件，简化了高精度传感器的应用。
2.1.5 数据采集/传输及电源电路
数据采集及传输选用STM32F103单片机，完成ADC转换数据的采集和传输，提供正弦波交变信号作为激光光束交变驱动信号和锁相放大参考信号，控制多路模拟开关控制激光光源选择性驱动。为了实现数据上传至智能手机，用单片机控制HM-11串口蓝牙透传模块进行数据发送。
整个系统采用8.4 V锂电池供电，使用LM2940、SP3819和ADR431等电源芯片产生各集成电路所需的5、3.3和2.5 V稳定精确地直流电源，为各个芯片及模块供电。
2.2 软件设计
软件部分包括两个模块：一是基于单片机的下位机嵌入式软件设计;二是基于智能手机的app软件设计，功能分别如下。
（1）基于STM32F103单片机系统的下位机嵌入式软件，包括特定频率的信号发生模块、ADC转换程序模块、模拟开关控制程序模块、串口-蓝牙通信程序模块等，主要完成STM32F103系统运行、激光光束对应的模拟电压采集、光源驱动所需交变激励信号产生、模拟开关通断、8路激光二极管交替驱动、光谱反射率计算以及数据传输等功能。
（2）基于智能手机的app软件主要通过无线通信完成与单片机的交互，控制单片机进行相关操作，并对单片机上传的数据进行采集和保存。
2.3 光路设计
光路系统主要包括激光光束发射和反射激光光束接收系统。完成激光光束的有角度照射和最大限度接收。在20～50 cm遥测距离范围内（即激光光源端面到土壤表面的距离），为了确保8个波段激光光束照射土壤表面区域的一致性，激光光源通过具有一定角度的限位孔固定，并对称均匀分布在聚光透镜周围，确保这些光源相对于反射激光光束接受系统的照射角度、范围一致。考虑到激光照射土壤反射回来的光束信号比较微弱，在反射激光光束接受系统设计过程中，为了使得光电二极管最大接收土壤表面反射的光束，聚焦透镜处于8个波段激光光束所在同心圆的中心位置，确保最大限度地收集反射激光光束信号，把聚集的光信号送到探测器表面，提高探测灵敏度。
3 测试分析
3.1 系统组装与测试
按照硬件电路设计的原理图以及光路系统的结构尺寸，绘制数据采集传输硬件系统、光源驱动硬件系统、光电转换硬件系统、锁相放大及信号调理硬件系统对应的特定形状印制电路板（Printed Circuit Board，PCB），检测绘制PCB板的电气安全，通过后进行PCB板印制。依据器件焊接要求，焊接硬件各个模块所需的电子元器件，并对焊接效果进行电气检查和测试。在确保焊接电路板电气安全情况下，接通电源，通过高精度示波器对电源系统产生的各个电源电压的纹波噪声、幅度进行检测，调整滤波电路器件参数，直至满足系统所需电源纹波要求。8个波段的激光二极管分别固定在光学机械探头的固定孔中，然后使用信号线引出正负引脚，接到光源驱动接口。聚焦透镜放入固定孔中，旋转螺丝转环进行固定。红外光电探测器放入光学探头限位孔，利用机械卡环固定在透镜焦距位置处，并用屏蔽线引出光电流输出引脚到光电转换电路板接口。焊接完成的电路板按照需求固定在光学机械探头上。焊接及调试完成单片机采集/控制/传输系统、激光光源驱动系统、光电转换/锁相放大/信号调理系统及整机组装实物图如图2所示。 利用智能手機中蓝牙采集助手，首先对土壤N近红外遥测仪的系统暗噪声进行分析。在分析过程中，聚光透镜位置贴上遮光胶带，使得透镜无法接收反射回的激光二极管的光信号，阻止激光信号进入光电探测器。这种条件下，系统输出电压值仅与背景噪声有关，与激光光源无关。单独驱动8波段激光二极管中的每一路，记录每路激光光源工作时的系统输出电压值，如图3所示。暗噪声数据记录结果表明，8路激光二极管分别驱动时对应的系统暗噪声电信号随时间变化的趋势基本一致，并在5～6 min时趋于稳定值。造成这一现象的原因，可能是由于近红外激光光源发光特性，在交变信号的驱动下，激光二极管发光强度需要一定的时间进行稳定。因此，仪器开机后需要预设6 min左右才能正常使用。
其次，移走聚光透镜遮光布，仪器开机6 min后，在正常工作状态下，激光二极管发射的激光光束经过距离50 cm的漫反射参考板反射回来，反射的激光光束经过聚光透镜到达光电探测器，对各个波段激光二极管反射光束对应电信号随时间变化的数据进行了记录。每路激光二极管单独驱动时参考板反射的激光光束信号对应系统输出的电信号随时间变化的结果如图4所示。结果表明，仪器工作稳定后，参考板反射回来的8个波段的激光光束光信号对应电信号随时间基本趋于稳定，呈现出比较好的稳定性和重复性，这为精确计算每个波段激光光束的土壤反射率以及精确的土壤养分定量化计量模型提供了保障。
3.2 土壤N含量检测
为了验证近场遥测设备检测土壤养分的可行性，使用完成电气测试的仪器对74组已知N含量的土壤样本（北京市农林科学院内实验田土壤样本）的反射率进行测试。其中54组作为训练集，20组作为预测集。检测过程中，仪器被固定在距离土壤样品一定距离的支架上，照射放置在距离30 cm的土壤样品表面，使用智能手机通过蓝牙控制近红外遥测仪，分别驱动激光光源并采集8个波段激光光束的土壤反射率，用于定量化模型分析。测试过程如图5所示。
利用SPSS软件中的广义线性模型（Generalize Linear Model，GLM），对获取的54组土壤样本的8个波段的反射率进行训练，其中Y是N含量，X1—X8分别对应1270、1310、1350、1410、1450、1510、1550和1610 nm 8个波段激光二极管照射样本的反射率，拟合N含量关于8个波段反射率的数学模型（图6）。SPSS训练结果表明，54组训练集土壤样品N含量关于8个波段反射率的GLM数学模型的决定系数R2值达到了0.97，表明利用训练集建立的N含量关于8个波段反射率的数学模型具有很高的拟合度，很好地表征了N含量与8波段反射率之间的定量化关系。
随后使用预测集中的20组土壤样品对拟合的GLM数学模型的预测性能进行验证，获取的20组N含量预测值与参考值的相关关系曲线如图7所示。结果表明，使用54组训练集获取的GLM模型的预测R2值达到了0.90，验证了近场遥测土壤养分的可行性，为便携式土壤养分红外近场遥测土壤养分提供了理论依据和技术支持。
4 结 论
本研究提出了基于多波段调制近红外光谱的土壤养分近场遥测方案，对系统所需光路、软硬件等模块进行了设计与组装，并使用已知N含量土壤样品对设备性能进行了测试。测试结果表明，训练集拟合的土壤N含量关于反射率的一般线性模型R2值达到了0.97，预测集的土壤N含量预测值与参考值R2达到了0.90，验证了该主动式近场遥测方法的可行性。但测量过程中可能会受到土壤颗粒、水分含量、酸碱度等因素影响，为精确预测土壤养分带来挑战，接下来也将围绕这些影响因素开展工作，对其影响规律及消减方法进行研究，提高检测精度。
参考文献：
[1] SCHACHTMAN D P， SHIN R. Nutrient sensing and signaling： NPKS[J]. Annual Review of Plant Biology， 2007， 58（1）： 47-69.
[2] CHEN Y， CAMPS-ARBESTAIN M， SHEN Q， et al. The long-term role of organic amendments in building soil nutrient fertility： A meta-analysis and review[J]. Nutrient Cycling in Agroecosystems， 2018， 111（2）： 103-125.
[3] BURTONLAMAR， JAYACHANDRAN K， BHANSALI S. Review—The “real-time” revolution for in situ Soil nutrient sensing[J]. Journal of The Electrochemical Society， 2020， 167： ID 037569.
[4] LASKAR S， MUKHERJEE S. Optical sensing methods for assessment of soil macronutrients and other properties for application in precision agriculture： A review[J]. ADBU Journal of Engineering Technology， 2016， 4： 206-210
[5] JACONI A， VOS C， DON A. Near infrared spectroscopy as an easy and precise method to estimate soil texture[J]. Geoderma， 2019， 337： 906-913. [6] NAYAK A K， RAHMAN M M， NAIDU R， et al. Current and emerging methodologies for estimating carbon sequestration in agricultural soils： A review[J]. Science of The Total Environment， 2019， 665： 890-912.
[7] T?MSAVA? Z， TEKIN Y， ULUSOY Y， et al. Prediction and mapping of soil clay and sand contents using visible and near-infrared spectroscopy[J]. Biosystems Engineering， 2019， 177： 90-100.
[8] HONG Y， CHEN S， ZHANG Y， et al. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy： Effects of two-dimensional correlation coefficient and extreme learning machine[J]. Science of The Total Environment， 2018， 644： 1232-1243.
[9] NAWAR S， MOUAZEN A M. Optimal sample selection for measurement of soil organic carbon using on-line vis-NIR spectroscopy[J]. Computers and Electronics in Agriculture， 2018， 151： 469-477.
[10] TEKIN Y， KUANG B， MOUAZEN A. Potential of on-line visible and near infrared spectroscopy for measurement of pH for deriving variable rate lime recommendations[J]. Sensors， 2013， 13（8）： 10177- 10190.
[11] 蔣璐璐， 张瑜， 王艳艳， 等. 基于光谱技术的土壤养分快速测试方法研究[J]. 浙江大学学报（农业与生命科学版）， 2010， 36（4）： 445-450.
JIANG L， ZHANG Y， WANG Y， et al. Fast determination of nutritional parameters in soil based on spectroscopic techniques[J]. Journal of Zhejiang University （Agriculture & Life Sciences）， 2010， 36（4）： 95-100.
[12] 张淑娟， 王凤花， 张海红， 等. 基于近红外光谱技术的土壤养分检测方法[C]// 纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）. 北京， 中国： 中国农业工程学会， 2009： 1003-1008.
ZHANG S， WANG F， ZHANG H， et al. The method of soil nutrients detection based on Near-infrared spectroscopy technology[C]// 2009 Annual Conference of Chinese Society of Agricultural Engineering—To Commemorate the 30th Anniversary of the Establishment of the Chinese Agricultural Engineering Society. Beijing， China： Chinese Society of Agricultural Engineering，2009： 1003-1008.
[13] 李雪莹， 范萍萍， 侯广利， 等. 可见-近红外光谱的土壤养分快速检测[J]. 光谱学与光谱分析， 2017， 37（11）： 3562-3566.
LI X， FAN P， HOU G， et al. Rapid detection of soil nutrients based on visible and near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis， 2017， 37（11）： 3562-3566.
[14] 刘玉萌， 李民赞， 安晓飞， 等. 一种便携式土壤氮素光谱检测仪设计[C]// 中国农业工程学会（CSAE）2011年学术年会. 北京， 中国： 中国农业工程学会， 2011： 1500-1504.
LIU Y， LI M， AN X， et al. A design of portable spectral detector for measuring soil nitrogen[C]// 2011 Annual Conference of Chinese Society of Agricultural Engineering. Beijing， China： Chinese Society of Agricultural Engineering， 2011： 1500-1504. [15] SHI Y， YU X， FENG Q， et al. Design of portable near infrared soil nutrient measuring instrument[J]. Optik， 2015， 126（2）： 230-233.
[16] LI Y F， WANG D C， ZHANG D Y， et al. The detection of soil parameters by portable near infrared spectrometer[J]. Applied Mechanics and Materials， 2011， 128-129： 718-726.
[17] AN X， LI M， ZHENG L， et al. A portable soil nitrogen detector based on NIRS[J]. Precision Agriculture， 2014， 15： 3-16.
Abstract： Proper soil nutrients content plays an important role in agricultural production—undernutrition would reduce crop yield and quality and overnutrition would cause environmental pollution. Though the traditional approaches based on sampling and chemical analysis can comprehensively and accurately measure soil nutrients， but the soil sampling and pretreatment process are cumbersome， complicated， time-consuming， and costly. Therefore， rapid and accurate measurement of soil nutrients is of great significance for precise fertilizer application， which can increase yield， improve crop quality， and alleviate environmental pollution. Toward this objective， a rapid soil nutrients detection method based on modulated near infrared spectroscopy for active near-field telemetry was proposed， which could effectively minimize effect of sunlight during the measuring process. Eight channels narrow-band laser diodes with wavelengths of 1260， 1310， 1350， 1410， 1450， 1510， 1550 and 1610 nm were selected as active lighting sources for measuring the reflectance of soil samples. Eight channels narrow-band laser diodes were symmetrically placed on a concentric circle. A photodetector with a circular photosensitive area of 5 mm in diameter was placed at the center of the concentric circle to maximize the reception of laser beam reflected by soil. A focusing lens was placed in front of the photodetector to collect the laser beam reflected from the soil sample to increase the sensitivity. The sensing area of the photodetector was located at the focus of the lens. seventy four groups of soil samples with known N content were divided into training set （54 groups） and prediction set （20 groups） for data analysis. The spectral reflectance significantly correlated with soil N content was screened by analyzing the training set based on a general linear model and a quantitative measurement model with R2 of 0.97 between the screened spectral reflectance and soil N content was achieve. The predicted soil N content obtained from prediction set based on the established model and the referenced soil N content of the prediction set had a R2 of 0.9， indicating that this method has an ability to quickly， as well as accurately detect soil nutrients.
Key words： soil nutrients; near infrared spectrum; near-field telemetry; lock-in amplifier; photoelectic detection