本发明涉及波谱分析技术、多传感融合技术，尤其涉及了一种基于多传感器融合的土壤属性预测方法。
背景技术：
：：土壤有机质、ph和全氮是重要的土壤肥力指标，其准确、快速获取，对农田管理、土壤保护等都具有重要意义。传统的测量方法虽然能获取较高精度，但田间土壤取样和实验室化学分析周期长、成本高、过程复杂、实时性差。受实际分析样本数量的限制，很难客观地反映大面积农田的实际土壤养分分布情况。此外，大量的土壤化验分析产生的酸碱废弃物，处理不当也易引起环境污染。而波谱技术监测土壤属性信息具有快速、简便、非接触、不破坏且能同时测量多种土壤属性等优点。各国科学研究人员已经对此进行了大量研究和实验，成果显著。但土壤是一个复杂的综合体，采样区域及采样点的差异都会造成预测模型精度的差异，利用单一传感器建立的预测模型稳定性和普适性低，无法满足土壤复杂性的要求。因此，有学者开始开展利用多传感融合技术进行土壤属性预测研究(wang,d.,chakraborty,s.,weindorf,d.c.2015.synthesizeduseofvisnirdrsandpxrfforsoilcharacterization:totalcarbonandtotalnitrogen.geoderma,243,pp157-167.)(o'rourke,s.m.,stockmann,u.,holden,n.m.2016.anassessmentofmodelaveragingtoimprovepredictivepowerofportablevis-nirandxrfforthedeterminationofagronomicsoilproperties.geoderma,279,pp31-44.)利用多传感融合进行土壤属性预测已有了一定的发展，但研究仅基于两种传感器的融合，利用可见-近红外光谱、中红外光谱、x射线荧光光谱和激光诱导击穿光谱的融合进行土壤属性预测尚未有公开文献报道。技术实现要素：为了解决
背景技术：
：中存在的问题，本发明提供了一种利用多传感器融合技术进行土壤属性预测的方法。本发明提出利用以上四种传感器融合技术来进行多种土壤属性的同时预测分析，先利用偏最小二乘回归算法分别建立四种传感器的预测模型，再利用贝叶斯模型平均方法进行四种传感器预测结果的融合，从而得出最后的预测结果，这种思路和方法尚未见公开报道。首先利用遗传–偏最小二乘算法筛选特征波段，从而减少数据冗余，提高运算效率；然后将筛选出的特征波段作为自变量，利用偏最小二乘回归算法建立各单传感的土壤属性预测模型；最后利用贝叶斯模型平均进行四种传感器的融合，得出最后预测结果。本发明采用的技术方案的步骤如下：步骤(1)土壤光谱数据获取：对采集的土壤样本进行风干、研磨并通过孔筛，然后进行土壤光谱测定四种光谱，分别测定土壤样本的可见-近红外光谱、中红外光谱、x射线荧光光谱和激光诱导击穿光谱；具体实施中，将土壤样本分为两部分，一部分采用传统化学测定方法测量所有土壤样本的ph、有机质和全氮含量。另一部分用来进行土壤四种光谱测定。两部分共同作为训练集和验证集。步骤(2)光谱数据预处理：将步骤(1)中获取的光谱数据采用不同的预处理方法进行分别预处理；具体实施中，用随机方法将步骤(2)中预处理之后的光谱数据划分为训练集和验证集。步骤(3)特征波段选择：将步骤(2)中预处理之后的光谱数据进行特征波段筛选；步骤(4)建立融合的土壤属性预测模型：利用已知土壤属性的土壤样本经过上述步骤(1)～步骤(3)的处理获得特征波段，将特征波段的光谱数据作为模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性各自对应一种光谱数据的单传感器预测模型，单传感器预测模型为一种光谱的特征波段的光谱数据和一种土壤属性的输入输出模型；然后将多种单传感器预测模型的土壤属性预测结果融合共同作为模型的输入，具体是将土壤样本特征波段的光谱数据分别输入到训练后的四种单传感器预测模型获得土壤属性预测结果从中选取至少两种共同作为土壤属性预测模型的输入，以土壤样本的已知土壤属性作为模型的输出，构建训练获得每个土壤属性的融合传感器预测模型，采用融合传感器预测模型和单传感器预测模型共同作为土壤属性预测模型对待测土壤的土壤属性进行预测处理。预测处理时，待测土壤也同样经过步骤(1)～步骤(3)的处理获得特征波段，再输入到土壤属性预测模型中。具体实施中，进一步采用验证集对土壤属性预测模型的预测结果进行精度评价：利用三个模型评价参数对预测模型进行评价，比较各单传感器的预测结果以及融合预测结果。所述步骤(1)中，采用四种近地传感器获取四种不同的土壤光谱数据，分别为可见-近红外光谱、中红外光谱、x射线荧光光谱和激光诱导击穿光谱。所述步骤(1)中，四种不同的光谱采用的过孔筛处理不同，具体为：可见-近红外光谱、中红外光谱、x射线荧光光谱下对土壤样本均通过2mm孔筛，激光诱导击穿光谱下对土壤样本通过0.5mm孔筛并进行压片处理。所述步骤(1)中，每种光谱测定，每个土壤样本均选择三个不同位置的点进行测试，然后取三个点测试的光谱平均值作为最后的光谱数据。所述步骤(2)，具体为：可见-近红外光谱和中红外光谱的预处理均依次采用反射率转换为吸收率、savitzky-golay平滑去噪和重采样，吸收率转换由光谱反射率经过log(1/r)得到，其中r为光谱反射率，将转换后的光谱吸收率利用savitzky-golay算法进行平滑去噪处理，对平滑去噪处理之后的两种光谱进行重采样处理，可见-近红外光谱的重采样设置为10nm，中红外光谱的重采样设置为8cm-1；x射线荧光光谱的预处理采用savitzky-golay平滑去噪；激光诱导击穿光谱的预处理采用重采样为1nm。步骤(2)中针对四种不同光谱采用上述特定不同预处理方式，能减少噪声影响，减少数据冗余。所述步骤(3)中，四种不同光谱特征波段筛选均采用遗传–偏最小二乘算法选择获得，从而减少数据冗余，提高模型精度。所述步骤(4)中，单传感器预测模型采用偏最小二乘回归算法构建并训练；所述单传感器预测模型融合采用贝叶斯模型进行训练，将四种单传感器的预测结果作为自变量。具体公式如下：y＝α+xβ+ξξ～n(0,σ2)其中，y是各土壤属性化学测量值，y为n×1，其中n是土壤样本的数量，α是截距，x是单传感器预测结果的融合矩阵，即自变量矩阵，x为n×m，m是自变量个数，β是各自变量的系数，ξ是iid分布误差项，其方差为σ2。式中各参数根据四种传感器的预测结果(自变量)和各属性的实测值(因变量)利用贝叶斯方法计算。所述的土壤属性分为ph、有机质和全氮含量，针对不同的土壤属性，采用不同数量和不同光谱的单传感器预测模型进行融合：针对土壤属性为ph，采用将可见-近红外光谱、中红外光谱的单传感器预测模型进行融合处理；针对土壤属性为有机质和全氮含量，采用将可见-近红外光谱、中红外光谱、x射线荧光光谱进行融合处理。具体实施中，模型预测精度统一选用决定系数(r2)、均方根误差(rootmeansquareerror,rmse)以及第三四分位数和第一四分位数之差与标准预测误差的比值(ratioofperformancetoiq,rpiq)作为三个评价参数。本发明的有益效果是：本方法与采用单传感器建模方法相比，其模型稳定性和预测精度均大大提高，为多种土壤属性同时预测提供了一种检测精度高、稳定性和普适性强的方法。附图说明图1为本发明方法步骤逻辑框图；图2为遗传—偏最小二乘法筛选变量的数量图；图3为遗传—偏最小二乘法筛选的变量频率分布结果图；图4为ph、有机质和全氮基于单传感器和贝叶斯模型平均的土壤属性预测结果图。图5为有机质基于单传感器和贝叶斯模型平均的预测结果及按有机质含量分段对比结果图。具体实施方式下面结合具体实施例对本发明进一步说明。采用网格法确定采样点，共采集301个土壤表层样本(0-20cm)用于研究。本发明的技术流程如图1所示。(1)土壤化学属性及土壤光谱数据获取：采用传统化学测定方法测量所有土壤样本的ph、有机质和全氮含量。其中，ph采用土壤与水1:1悬浮液测定，土壤样本的有机质含量采用重铬酸钾容量法-外加热法分析，土壤全氮含量采用半微量凯氏定氮法测定。土壤光谱通过四种传感器进行测定，可见-近红外光谱采用美国asd公司的fieldspecprofr型光谱仪并配备含内置光源的高强度接触式探头来获取，其波长范围是350-2500nm；中红外光谱采用美国安捷伦公司的agilent4300手持式光谱仪测定，探测器为dtgs，波谱范围为4000-650cm-1；x射线荧光光谱采用美国赛默飞世尔科技公司的thermofisherscientificnitonanalyzer测定，设置“土壤模式”，每次测试时间设置为90秒；激光诱导击穿光谱采用浙江大学组装的测试平台进行测试。(2)光谱数据预处理：可见-近红外光谱和中红外光谱的预处理均依次采用反射率转换为吸收率、savitzky-golay平滑去噪和重采样，吸收率转换由光谱反射率经过log(1/r)得到，(其中r为光谱反射率)，将转换后的光谱吸收率利用savitzky-golay算法进行平滑去噪处理，对平滑处理之后的两种光谱进行重采样处理，可见-近红外光谱的重采样设置为10nm，中红外光谱的重采样设置为8cm-1；x射线荧光光谱的预处理采用savitzky-golay平滑去噪；激光诱导击穿光谱的预处理采用重采样为1nm。(3)特征波段选择：将数据按随机方法划分为训练集和验证集，二者比例为2:1。用遗传–偏最小二乘算法对训练集进行特征波段的筛选。具体结果如图2和图3所示。图2中，横坐标为筛选波段过程中各约束模型中包含的波段数量，纵坐标为各约束模型的交叉验证的rmse，图中可见经过遗传–偏最小二乘算法筛选的波段数均明显减少，筛选后的波段。图3中，横坐标为四种光谱的波段，纵坐标为各波段筛选的频率，以有机质为例，各光谱筛选波段频率如图3所示。(4)建立各单传感的土壤属性预测模型：根据步骤(3)中筛选的波段，利用偏最小二乘回归算法建立基于四种传感器的预测模型。(5)进行四种传感器的融合：将步骤(4)中建立的四种单传感器预测模型利用贝叶斯模型平均的方法进行融合，得到基于贝叶斯模型平均的预测结果。具体地，针对土壤属性为ph，采用将可见-近红外光谱分别和中红外光谱、x射线荧光光谱以及激光诱导击穿光谱组合的两者单传感器预测模型进行融合处理，再后续进行比较。针对土壤属性为有机质和全氮含量，均采用将可见-近红外光谱分别和中红外光谱、x射线荧光光谱以及激光诱导击穿光谱其中的三者单传感器预测模型或者所有四者单传感器预测模型进行融合处理，再后续进行比较。将单传感器最佳预测结果与融合最佳预测结果做对比，具体结果如图4所示。图4种，横坐标表示各土壤属性的实测值，纵坐标表示各土壤属性的预测值，三角形代表最佳单传感器，圆点代表最佳融合传感器，图4可以看出，基于传感器融合的预测值距1:1线的距离小于基于单传感器的预测值，说明基于传感器融合的预测精度优于单传感器预测精度。以有机质为例，将基于单传感器的预测结果与基于传感器融合的预测结果按有机质含量分三段比较，具体结果如图5所示。图5可以看出，基于传感器融合的预测结果优于单传感器预测结果，特别是有效的减少了高值低估、低值高估的问题。(6)对模型预测结果进行精度评价：选用决定系数(r2)、均方根误差(rmse)以及第三四分位数和第一四分位数之差与标准预测误差的比值rpiq作为评价参数，比较各单传感器的预测结果以及融合预测结果。针对ph、有机质和全氮含量的三种土壤属性，具体结果如表1、表2和表3所示。表1ph下各单传感器及传感器融合结果比较表2有机质下各单传感器及传感器融合结果比较表3全氮含量各单传感器及传感器融合结果比较上述表格中，v代表vis-nir(可见-近红外光谱)，m代表mid-ir(中红外光谱)，x代表xrf(x射线荧光光谱)，l代表libs(激光诱导击穿光谱)，vm代表vis-nir和mid-ir的组合，vx代表vis-nir和xrf的组合，vl代表vis-nir和libs的组合，其他上述同理。由表1，2，3可见，各土壤属性预测具有优异的精度和效果，特别是针对som和tn，利用vis-nir，mid-ir以及libs融合后的土壤属性预测模型的平均预测决定系数r2达到了0.88以上；以及针对ph，利用vis-nir和mid-ir的土壤属性预测模型的均方根误差(rmse)和比值rpiq分别达到了0.44和4.62。本发明具体实施中，建立并比较了三种土壤属性基于四种光谱全波段和特征筛选波段的模型，同时也建立并比较了土壤ph、有机质(som)和全氮含量(tn)基于四种传感器筛选波段的土壤属性预测结果，发现由本发明获得的针对ph、有机质和全氮含量的各自特征波段和土壤属性预测模型能具有优异的预测性能。当前第1页12当前第1页12