土壤粒度对离散近红外波段检测土壤参数影响的消除方法与流程

本发明涉及光谱检测
技术领域：
，具体涉及一种土壤粒度对离散近红外波段检测土壤参数影响的消除方法。
背景技术：
：基于离散近红外波段对土壤参数进行检测，不仅可以有效降低检测成本，而且所建立的土壤参数预测模型也都取得了较好的预测结果。然而，基于离散近红外波段进行土壤参数检测面临着土壤粒度造成的严重干扰。现有技术中，通常采用将土壤研磨后过筛处理来消除土壤粒度干扰，但该方法费时费力，不能够应用于运用离散近红外波段进行在线土壤检测时的土壤粒度干扰消除。此外，针对连续近红外光谱常用的微分方法等也不适用于离散近红外波段。技术实现要素：本发明实施例提供一种土壤粒度对离散近红外波段检测土壤参数影响的消除方法，用以解决现有技术中基于离散近红外波段进行土壤参数检测时面临土壤粒度造成的严重干扰，土壤参数检测精度差的问题。第一方面，本发明实施例提供一种土壤粒度对离散近红外波段检测土壤参数影响的消除方法，包括：确定待检测土壤在近红外光谱扫描下的多个检测波段的原始吸光度；基于所述待检测土壤在特征波段的原始吸光度，确定所述待检测土壤的粒度修正系数；所述特征波段是基于多个土壤粒度下的土壤样本在近红外光谱扫描下的多个预设波段的样本原始吸光度确定的；基于所述待检测土壤的粒度修正系数，对所述待检测土壤的每一检测波段的原始吸光度进行修正，并基于修正结果确定所述待检测土壤的土壤参数。可选地，所述基于所述待检测土壤在特征波段的原始吸光度，确定所述待检测土壤的粒度修正系数，包括：基于所述待检测土壤在特征波段的原始吸光度，确定用于表征所述待检测土壤的土壤粒度的吸光度比值；基于所述待检测土壤的吸光度比值，以及基准土壤粒度的吸光度比值，确定所述待检测土壤的粒度修正系数。可选地，所述基准土壤粒度的吸光度比值是基于所述基准土壤粒度下的土壤样本在近红外光谱扫描下的特征波段的样本原始吸光度确定的。可选地，所述特征波段是基于如下方法得到的：对所述多个土壤粒度下的土壤样本进行近红外光谱扫描，确定所述土壤样本的多个预设波段的样本原始吸光度；基于每一土壤样本的多个预设波段的样本原始吸光度，确定所述土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值；基于所述土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值，确定所述特征波段。可选地，所述基于所述土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值，确定所述特征波段，之后还包括：基于所述土壤样本的特征波段的样本原始吸光度，确定所述土壤样本的样本吸光度比值；基于所述土壤样本的样本吸光度比值和土壤粒度，建立土壤粒度分类模型，以验证所述样本吸光度比值对土壤粒度的表征能力。可选地，所述特征波段为1361nm和1870nm。可选地，所述土壤样本包括4个粒度等级和6个全氮浓度梯度，4个粒度等级为0.2mm、0.45mm、0.9mm和2.0mm，6个全氮浓度等级为0g/kg、0.04g/kg、0.08g/kg、0.12g/kg、0.16g/kg和0.2g/kg。第二方面，本发明实施例提供一种土壤粒度对离散近红外波段检测土壤参数影响的消除装置，包括：吸光度确定单元，用于确定待检测土壤在近红外光谱扫描下的多个检测波段的原始吸光度；系数确定单元，用于基于所述待检测土壤在特征波段的原始吸光度，确定所述待检测土壤的粒度修正系数；所述特征波段是基于多个土壤粒度下的土壤样本在近红外光谱扫描下的多个预设波段的样本原始吸光度确定的；修正检测单元，用于基于所述待检测土壤的粒度修正系数，对所述待检测土壤的每一检测波段的原始吸光度进行修正，并基于修正结果确定所述待检测土壤的土壤参数。第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的土壤粒度对离散近红外波段检测土壤参数影响的消除方法的步骤。第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的土壤粒度对离散近红外波段检测土壤参数影响的消除方法的步骤。本发明实施例提供的土壤粒度对离散近红外波段检测土壤参数影响的消除方法，根据待检测土壤在近红外光谱扫描下的特征波段的原始吸光度，确定待检测土壤的粒度修正系数，对多个检测波段的原始吸光度进行修正，基于修正结果确定待检测土壤的土壤参数，减小了土壤粒度对离散近红外波段的干扰，提高了土壤参数检测精度。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的土壤粒度对离散近红外波段检测土壤参数影响的消除方法的流程示意图；图2为本发明实施例提供的土壤全氮浓度检测方法的流程示意图；图3为本发明实施例提供的标准偏差值与预设波段的关系曲线图；图4为本发明实施例提供的土壤粒度分类模型分类结果示意图；图5为本发明实施例提供的土壤全氮浓度检测样本原始吸光度示意图；图6为本发明实施例提供的土壤全氮浓度检测样本修正吸光度示意图；图7为本发明实施例提供的基于原始吸光度的土壤全氮浓度预测结果示意图；图8为本发明实施例提供的基于修正吸光度的土壤全氮浓度预测结果示意图；图9为本发明实施例提供的基于参照吸光度的土壤全氮浓度预测结果示意图；图10为本发明实施例提供的土壤粒度对离散近红外波段检测土壤参数影响的消除装置的结构示意图；图11为本发明实施例提供的电子设备的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。近年来，随着变量施肥作业、智慧农田管理及农业可持续发展的需求，实时准确地提供农田土壤参数检测值变得越发紧迫。传统的实验室化学方法对土壤参数进行检测不仅费时、成本高而且污染环境。采用光谱技术对土壤参数进行快速无损的检测是一种性价比更好的选择，然而实验室使用的光谱仪及早期开发的基于光谱技术的土壤参数检测仪大多采用分光仪作为元件进行土壤参数检测，分光仪不仅价格昂贵而且很不适应农田的恶劣环境。基于离散近红外波段开发的土壤参数检测仪对土壤参数进行检测成为当前的研究热点，然而，该方法面临土壤粒度造成的严重干扰。针对现有技术的不足，图1为本发明实施例提供的土壤粒度对离散近红外波段检测土壤参数影响的消除方法的流程示意图，如图1所示，该方法包括：步骤110，确定待检测土壤在近红外光谱扫描下的多个检测波段的原始吸光度；具体地，对影响农田土壤环境质量的因素进行检测，可以确定农田环境质量及其变化趋势。土壤检测参数可以包括全氮、全磷、有机质、有效硼等。本发明实施例对土壤检测参数不作具体限定，后文内容以土壤全氮浓度检测为例来进行说明。对待检测土壤扫描时，可以选用基于离散近红外波段的车载式土壤全氮检测仪。运用多个检测波段的近红外光谱对待检测土壤进行扫描，得到待检测土壤在每一检测波段的近红外光谱扫描下的原始吸光度。近红外光谱扫描的多个检测波段可以根据实际测量需求进行选择。例如，对待检测土壤进行全氮浓度检测，近红外光谱的检测波段可以选择1070nm、1130nm、1245nm、1375nm、1550nm、和1680nm。步骤120，基于待检测土壤在特征波段的原始吸光度，确定待检测土壤的粒度修正系数；特征波段是基于多个土壤粒度下的土壤样本在近红外光谱扫描下的多个预设波段的样本原始吸光度确定的；具体地，采用近红外光谱对待检测土壤进行扫描时，土壤粒度会对扫描得到的原始吸光度产生一定程度的干扰。粒度修正系数，是为了尽可能消除因土壤粒度干扰造成的测量偏差，而对近红外光谱扫描得到的原始吸光度进行修正处理的系数。特征波段是多个波段中能够通过对应的原始吸光度反映土壤粒度的波段。特征波段是基于多个土壤粒度下的土壤样本在近红外光谱扫描下的多个预设波段的样本原始吸光度确定的，特征波段的样本原始吸光度即通过近红外光谱对多个土壤粒度下的土壤样本进行扫描时所得的原始吸光度。本发明实施例对于特征波段的数量不作具体限定，优选地，特征波段的数量可以选择两个。根据特征波段的原始吸光度，确定待检测土壤的粒度修正系数，例如，可以根据特征波段1361nm和1870nm的原始吸光度的平均值确定待检测土壤的粒度修正系数，也可以根据特征波段1361nm和1870nm的原始吸光度与其他波段的原始吸光度的差值确定待检测土壤的粒度修正系数。步骤130，基于待检测土壤的粒度修正系数，对待检测土壤的每一检测波段的原始吸光度进行修正，并基于修正结果确定待检测土壤的土壤参数。具体地，根据待检测土壤的粒度修正系数，对待检测土壤的每一检测波段的原始吸光度进行修正，得到修正结果，即待检测土壤的每一检测波段的修正吸光度，基于修正结果确定待检测土壤的土壤参数。例如，根据特征波段1361nm和1870nm的原始吸光度确定了待检测土壤的粒度修正系数p，使用粒度修正系数p对波段1070nm、1130nm、1245nm、1375nm、1550nm和1680nm的原始吸光度分别进行修正，得到每一检测波段的修正吸光度，利用bp神经网络建立土壤全氮预测模型，将每一检测波段的修正吸光度作为参数输入预测模型进行土壤全氮浓度预测。本发明实施例提供的土壤粒度对离散近红外波段检测土壤参数影响的消除方法，根据待检测土壤在近红外光谱扫描下的特征波段的原始吸光度，确定待检测土壤的粒度修正系数，对多个检测波段的原始吸光度进行修正，基于修正结果确定待检测土壤的土壤参数，减小了土壤粒度对离散近红外波段的干扰，提高了土壤参数检测精度。基于上述实施例，步骤120，包括：基于待检测土壤在特征波段的原始吸光度，确定用于表征待检测土壤的土壤粒度的吸光度比值；基于待检测土壤的吸光度比值，以及基准土壤粒度的吸光度比值，确定待检测土壤的粒度修正系数。具体地，特征波段1361nm和1870nm的原始吸光度分别为a1361和a1870，确定表征待检测土壤的土壤粒度的吸光度比值r，用公式表示为：基准土壤粒度的吸光度比值为则可以确定待检测土壤的粒度修正系数p，用公式表示为：基于上述任一实施例，基准土壤粒度的吸光度比值是基于基准土壤粒度下的土壤样本在近红外光谱扫描下的特征波段的样本原始吸光度确定的。具体地，可以选择土壤粒度为0.2mm的土壤作为基准土壤。使用土壤粒度为0.2mm的多个土壤样本，对于每一土壤样本，在特征波段的近红外光谱扫描下得到样本原始吸光度，进一步得到该土壤样本的吸光度比值。将多个土壤样本的吸光度比值的平均值作为基准土壤粒度的吸光度比值。基于上述任一实施例，特征波段是基于如下方法得到的：对多个土壤粒度下的土壤样本进行近红外光谱扫描，确定土壤样本的多个预设波段的样本原始吸光度；基于每一土壤样本的多个预设波段的样本原始吸光度，确定土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值；基于土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值，确定特征波段。具体地，对多个土壤粒度下的土壤样本进行近红外光谱扫描，确定土壤样本的多个预设波段的样本原始吸光度。根据美国材料检测协会(astm)对近红外光谱区的定义，近红外光谱为780nm-2526nm的区域。本发明实施例中，预设波段为近红外光谱850nm-2500nm内的波段。各个预设波段均为等间隔的波段，且各波段起点和终点依次相接，实现对近红外光谱范围的最大覆盖。根据土壤样本的多个预设波段的样本原始吸光度，确定土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值。综合标准偏差值为土壤样本整体的标准偏差值。此处，土壤样本在任一土壤粒度j下的标准偏差值可以通过如下公式得到：式中，i为预设波段的序号，j为土壤粒度等级序号，n为任一土壤粒度下土壤样本数量，w为任一土壤粒度下土壤样本的序号，w＝＝1,2,3…n，为土壤粒度等级为j的土壤样本在预设波段为i的近红外光谱扫描下的样本原始吸光度，为土壤粒度等级为j的n个土壤样本在预设波段为i的近红外光谱扫描下的样本原始吸光度的平均值。根据土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值，确定特征波段。例如，可以绘制土壤样本在每一土壤粒度下的标准偏差值与预设波段的关系曲线，以及综合标准偏差值与预设波段的关系曲线，确定特征波段。基于上述任一实施例，基于土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值，确定特征波段，之后还包括：基于土壤样本的特征波段的样本原始吸光度，确定土壤样本的样本吸光度比值；基于土壤样本的样本吸光度比值和土壤粒度，建立土壤粒度分类模型，以验证样本吸光度比值对土壤粒度的表征能力。具体地，根据土壤样本的特征波段的样本原始吸光度，确定土壤样本的样本吸光度比值。为验证样本吸光度比值对土壤粒度的表征能力，建立土壤粒度分类模型，将土壤样本的样本吸光度比值作为输入变量，得到土壤粒度分类结果，与土壤样本的土壤粒度进行对比。土壤粒度分类模型可以基于svm(supportvectormachine，支持向量机)模型建立，本发明实施例对于土壤粒度分类模型的选取不作具体限定。基于上述任一实施例，特征波段为1361nm和1870nm。具体地，通过使用850nm-2500nm范围内的近红外光谱对不同土壤粒度的土壤样本进行扫描后，运用上述实施例中的方法分析得到特征波段为1361nm和1870nm。基于上述任一实施例，土壤样本包括4个粒度等级和6个全氮浓度梯度，4个粒度等级为0.2mm、0.45mm、0.9mm和2.0mm，6个全氮浓度等级为0g/kg、0.04g/kg、0.08g/kg、0.12g/kg、0.16g/kg和0.2g/kg。下面通过一个土壤全氮浓度检测的实施例对上述方法进行说明。图2为本发明实施例提供的土壤全氮浓度检测方法的流程示意图，如图2所示，土壤全氮浓度检测过程的详细执行步骤如下：第一步，将采样得到的标准土壤(全氮浓度为0g/kg)进行烘干处理，烘干温度为85℃，烘干时间为24h。烘干后的土壤样本分为6组，每组4个。使用尿素制成的氨素溶液对土壤样本进行配置，氨素溶液浓度分为1至6个等级。等级1氨素含量为0g/kg，等级2氮素含量为0.04g/kg,等级3氮素含量为0.08g/kg，等级4氮素含量为0.12g/kg，等级5氮素含量为0.16g/kg，等级6氮素含量为0.2g/kg。在土壤样本配置时，还可以模拟实际农田耕作层夏季平均土壤含水率(7％)，对土壤样本进行配置。土壤配置完成后，进行烘干处理，对所有土壤样本进行过筛，分别为10目筛(2.0mm)、20目筛(0.9mm)、40目筛(0.45mm)和80目筛(0.2mm)。最终得到4组不同粒径的土壤样本，每组包含6个全氮浓度等级，每个全氮浓度等级包含4个土壤样本。总计获得96个不同粒径和全氮浓度下的土壤样本。表1为对土壤样本进行统计分析后得到的数据。表1土壤样本统计分析第二步，对4个土壤粒度梯度和6个全氮浓度等级的96个土壤样本进行近红外光谱扫描，获得850nm-2500nm波段范围内的样本原始吸光度值其中，i为预设波段序号，波段间隔为3nm，则i＝850,853,856…,2500。m为土壤样本序号，m＝1,2,3…,96。第三步，对4个土壤粒度下的土壤样本单独计算标准偏差值并计算所有96个土壤样本的综合标准偏差值j是土壤粒度等级序号，j＝1为0.2mm下全部24个土壤样本，j＝2为0.45mm下全部24个土壤样本，j＝3为0.9mm下全部24个土壤样本，j＝4为2.0mm下全部24个土壤样本。图3为本发明实施例提供的标准偏差值与预设波段的关系曲线图，如图3所示，共5条曲线，分别为土壤样本在4个土壤粒度(soilparticlesize)下的标准偏差值与预设波段的关系曲线，以及综合标准偏差值与预设波段的关系曲线，可以得到土壤粒度的特征波段为1361nm和1870nm。第四步，根据土壤样本在特征波段1361nm和1870nm的样本原始吸光度，确定土壤样本的样本吸光度比值rm，用公式表示为：式中，m为土壤样本序号，为土壤样本在特征波段1870nm的样本原始吸光度，为土壤样本在特征波段1361nm的样本原始吸光度。第五步，基于svm(supportvectormachine，支持向量机)建立土壤粒度分类模型，将样本吸光度比值rm作为单一输入变量，验证比值rm对土壤粒度分类的准确性。图4为本发明实施例提供的土壤粒度分类模型分类结果示意图，如图4所示，将土壤粒度分类模型得到的预测土壤粒度(predictedsoilparticlesize)与实际土壤粒度(measuredsoilparticlesize)相对比，样本吸光度比值rm能够很好地表征对土壤粒度的分类。对土壤粒度分类准确率进行统计，如表2所示：表2土壤粒度分类准确率统计序号土壤粒度分类分类准确率10.20mm100％20.45mm83.3％30.90mm91.7％42.00mm100％由此可知，根据土壤样本在特征波段1361nm和1870nm的样本原始吸光度确定的样本吸光度比值rm对土壤粒度分类的准确性为93.8％，满足实际应用需求。第六步，基于特征波段的原始吸光度，确定土壤样本的粒度修正系数pm，用公式可以表示为：式中，m为土壤样本序号，为土壤样本在特征波段1870nm的样本原始吸光度，为土壤样本在特征波段1361nm的样本原始吸光度，为以0.2mm为基准土壤粒度下土壤样本在1870nm和1361nm处的吸光度比值平均值。第七步，利用粒度修正系数pm，对土壤样本的原始吸光度值进行修正，获得修正后的土壤吸光度值用公式可以表示为：式中，i为预设波段序号，m为土壤样本序号。图5为本发明实施例提供的土壤全氮浓度检测样本原始吸光度示意图，如图5所示，土壤全氮浓度为0.068g/kg时的单一土壤样本在6个离散近红外波段(1070nm、1130nm、1245nm、1375nm、1550nm和1680nm)处的五条曲线，分别为原始土壤样本的吸光度值(originalspectrum)，土壤粒度(soilparticlesize)分别为2.0mm，0.9mm，0.45mm和0.2mm时的土壤样本的原始吸光度值。图6为本发明实施例提供的土壤全氮浓度检测样本修正吸光度示意图，如图6所示，土壤全氮浓度为0.068g/kg时的单一土壤样本在6个离散近红外波段(1070nm、1130nm、1245nm、1375nm、1550nm和1680nm)处的五条曲线，分别为原始土壤样本的吸光度值(originalspectrum)，土壤粒度(soilparticlesize)分别为2.0mm，0.9mm，0.45mm和0.2mm时的土壤样本的样本修正吸光度值。第八步，使用基于离散近红外波段的车载式土壤全氮检测仪，选择波段为1070nm、1130nm、1245nm、1375nm、1550nm和1680nm的近红外光谱对待检测土壤进行扫描，得到待检测土壤的原始吸光度。根据第一步至第七步中的方法，利用特征波段1361nm和1870nm的原始吸光度，确定待检测土壤的粒度修正系数，对待检测土壤的原始吸光度进行修正，得到待检测土壤的修正吸光度。此外，作为对比，将待检测土壤在土壤粒度为0.2mm下的吸光度作为参照吸光度。利用bp神经网络建立土壤全氮浓度预测模型，分别将待检测土壤的原始吸光度、修正吸光度和参照吸光度输入至土壤全氮浓度预测模型，得到各自的全氮浓度预测结果，如表3所示：表3基于不同土壤吸光度的模型准确度统计图7为本发明实施例提供的基于原始吸光度的土壤全氮浓度预测结果示意图，图8为本发明实施例提供的基于修正吸光度的土壤全氮浓度预测结果示意图，图9为本发明实施例提供的基于参照吸光度的土壤全氮浓度预测结果示意图，如图7、图8和图9所示，与基于参照吸光度的土壤全氮浓度预测结果(图9)相比，基于原始吸光度的土壤全氮浓度预测结果(图7)误差较大，基于修正吸光度的土壤全氮浓度预测结果(图8)更接近于实际情况，减小了土壤粒度对离散近红外波段的干扰，提高了土壤参数检测精度。其中，图7、图8和图9中土壤全氮实测值是通过使用凯氏定氮仪对待检测土壤进行测量得到的。基于上述任一实施例，图10为本发明实施例提供的土壤粒度对离散近红外波段检测土壤参数影响的消除装置的结构示意图，如图10所示，该装置包括：吸光度确定单元1010，用于确定待检测土壤在近红外光谱扫描下的多个检测波段的原始吸光度；系数确定单元1020，用于基于待检测土壤在特征波段的原始吸光度，确定待检测土壤的粒度修正系数；特征波段是基于多个土壤粒度下的土壤样本在近红外光谱扫描下的多个预设波段的样本原始吸光度确定的；修正检测单元1030，用于基于待检测土壤的粒度修正系数，对待检测土壤的每一检测波段的原始吸光度进行修正，并基于修正结果确定待检测土壤的土壤参数。具体地，吸光度确定单元1010用于确定待检测土壤在近红外光谱扫描下的多个检测波段的原始吸光度。系数确定单元1020，用于基于待检测土壤在特征波段的原始吸光度，确定待检测土壤的粒度修正系数。修正检测单元1030，用于基于待检测土壤的粒度修正系数，对待检测土壤的每一检测波段的原始吸光度进行修正，并基于修正结果确定待检测土壤的土壤参数。本发明实施例提供的土壤粒度对离散近红外波段检测土壤参数影响的消除装置，根据待检测土壤在近红外光谱扫描下的特征波段的原始吸光度，确定待检测土壤的粒度修正系数，对多个检测波段的原始吸光度进行修正，基于修正结果确定待检测土壤的土壤参数，减小了土壤粒度对离散近红外波段的干扰，提高了土壤参数检测精度。基于上述任一实施例，系数确定单元1020包括：比值确定子单元，用于基于待检测土壤在特征波段的原始吸光度，确定用于表征待检测土壤的土壤粒度的吸光度比值；系数确定子单元，用于基于待检测土壤的吸光度比值，以及基准土壤粒度的吸光度比值，确定待检测土壤的粒度修正系数。基于上述任一实施例，基准土壤粒度的吸光度比值是基于基准土壤粒度下的土壤样本在近红外光谱扫描下的特征波段的样本原始吸光度确定的。基于上述任一实施例，特征波段是基于如下方法得到的：对多个土壤粒度下的土壤样本进行近红外光谱扫描，确定土壤样本的多个预设波段的样本原始吸光度；基于每一土壤样本的多个预设波段的样本原始吸光度，确定土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值；基于土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值，确定特征波段。基于上述任一实施例，基于土壤样本在每一土壤粒度下的标准偏差值，以及综合标准偏差值，确定特征波段，之后还包括：基于土壤样本的特征波段的样本原始吸光度，确定土壤样本的样本吸光度比值；基于土壤样本的样本吸光度比值和土壤粒度，建立土壤粒度分类模型，以验证样本吸光度比值对土壤粒度的表征能力。基于上述任一实施例，特征波段为1361nm和1870nm。基于上述任一实施例，土壤样本包括4个粒度等级和6个全氮浓度梯度，4个粒度等级为0.2mm、0.45mm、0.9mm和2.0mm，6个全氮浓度等级为0g/kg、0.04g/kg、0.08g/kg、0.12g/kg、0.16g/kg和0.2g/kg。图11为本发明实施例提供的电子设备的结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1110、通信接口(communicationsinterface)1120、存储器(memory)1130和通信总线(communicationsbus)1140。其中，处理器1110、通信接口1120和存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑命令，以执行如下方法：确定待检测土壤在近红外光谱扫描下的多个检测波段的原始吸光度；基于待检测土壤在特征波段的原始吸光度，确定待检测土壤的粒度修正系数；特征波段是基于多个土壤粒度下的土壤样本在近红外光谱扫描下的多个预设波段的样本原始吸光度确定的；基于待检测土壤的粒度修正系数，对待检测土壤的每一检测波段的原始吸光度进行修正，并基于修正结果确定待检测土壤的土壤参数。此外，上述的存储器1130中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：确定待检测土壤在近红外光谱扫描下的多个检测波段的原始吸光度；基于待检测土壤在特征波段的原始吸光度，确定待检测土壤的粒度修正系数；特征波段是基于多个土壤粒度下的土壤样本在近红外光谱扫描下的多个预设波段的样本原始吸光度确定的；基于待检测土壤的粒度修正系数，对待检测土壤的每一检测波段的原始吸光度进行修正，并基于修正结果确定待检测土壤的土壤参数。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12