一种土壤全氮含量的原位监测装置的制作方法

本实用新型涉及土壤监测技术领域，具体是指一种土壤全氮含量的原位监测装置。

背景技术：

现代农业，得益于化肥的使用，大大提高了农作物单位面积产量，据统计，化肥对农作物增产的贡献达到了40～60％。然而，人们为了追求高产往往对农作物大量盲目地施肥，导致化肥的利用率低下。其中特别是氮肥的施用，施肥量的增加和利用率的下降，不仅导致经济上的损失，还引起了严重的土壤问题和环境问题，比如土壤的肥力降低、微生物群落的减少、土壤的盐碱化，地表水的富营养化和氮素污染等。因此，获取土壤的全氮含量信息进行合理施肥管理，对我国农业可持续发展具有重要意义。

近几年，我国大规模推广“测土配方施肥技术”，应用化学分析测试技术测得土壤的实际养分情况，根据作物的实际需求合理施用化肥。但是实验化学分析过程复杂、周期长、成本高并且需要专业的技术人员，使得测试样本量受限，同时因为实时性差，很难客观并实时反映农田土壤养分的分布情况。

随着计算机技术和数据处理的迅速发展，近红外光谱技术开始在农业领域得到广泛的研究和应用。相比于传统化学分析方法，近红外光光谱分析技术无需化学预处理，能够无损、快速地进行土壤分析。现阶段，有大量的研究报道基于近红外光谱技术检测土壤全氮含量，并且在实验室阶段获取了较好的预测结果。但是基于实验室昂贵的近红外光谱设备建立的全氮分析模型，受成本限制和户外预测精度降低的影响，很难在实际农业中进行应用推广。故基于近红外光谱技术，采用新方法和新技术开发低成本，高精度的检测设备具有重要意义。

技术实现要素：

针对上述情况，为克服现有技术的缺陷，本实用新型提供一种土壤全氮含量的原位监测装置，通过设计一种管式结构的装置，具有完整的数据采集、数据传输和数据分析系统，无需去现场，能够实时监测土壤全氮含量，并且具有较高的测量精度和较低的设备成本。

本实用新型采取的技术方案如下：本实用新型一种土壤全氮含量的原位监测装置，包括管体外壳、驱动电源、控制面板、驱动系统、数据分析系统和dlp近红外光谱检测模块，所述管体外壳呈柱状管体结构设置，所述驱动电源设于管体外壳中，所述管体外壳上设有多组石英玻璃检测窗口，所述控制面板设于管体外壳中，所述驱动系统设于管体外壳中，所述dlp近红外光谱检测模块设于驱动系统上，所述dlp近红外光谱检测模块与控制面板电连接，所述驱动系统包括步进电机、滚珠丝杆和搭载台，所述步进电机设于管体外壳中，所述滚珠丝杆旋转设于管体外壳中且设于步进电机的输出端，所述搭载台滑动设于管体外壳中且通过螺纹与滚珠丝杆连接，所述dlp近红外光谱检测模块包括微型近红外光谱仪、温度传感器和湿度传感器，所述控制面板中设有信号传输模块，所述信号传输模块与微型近红外光谱仪、温度传感器和湿度传感器连接，所述数据分析系统与信号传输模块连接，dlp近红外光谱检测模块固定在驱动系统的搭载台上，在步进电机的带动下，控制dlp近红外光谱检测模块在滚珠丝杆上移动，当移动到检测窗口后，控制dlp近红外光谱检测模块进行光谱测量，获取土壤的光谱数据，通过传输模块将数据传输至云端的数据分析系统进行数据分析，输出土壤全氮的检测结果。

进一步地，所述管体外壳一端设有电源开关，所述驱动电源与电源开关、控制面板、步进电机和dlp近红外光谱检测模块电连接，驱动电源为电源开关、控制面板、步进电机和dlp近红外光谱检测模块运行提供能源。

进一步地，所述电源开关与控制面板、步进电机和dlp近红外光谱检测模块电连接，控制面板包括各种控制电路及其相关电子元件，完成对电源开关调控、土壤数据采集、数据传输的控制。

本实用新型还公开了一种土壤全氮含量的原位监测方法，包括如下步骤：

步骤一，数据获取：通过dlp近红外光谱检测模块对已知土壤样本进行反射光谱测量，光谱测量范围为900～1700nm，测量模式为hadamard，像素宽设定为10.54，曝光时间0.635ms，3倍采样率，采样点数为228，每次测量的光谱为测量10次的平均值，在每次光谱测量之前，采用标准反射白板进行光谱校正，获取已知土壤的光谱数据和全氮含量，然后选用920～1650nm范围内的光谱数据通过连续投影算法提取全氮特征波长，并将获取的已知土壤的光谱数据和全氮含量随机分为训练集和预测集；

步骤二，建立预测模型：通过对训练集中的全氮特征波长的光谱和全氮含量进行提取，以土壤全氮特征波长的光谱吸光度作为输入自变量，土壤全氮含量作为输入因变量，采用误差反向传播神经网络进行预测模型的训练，神经网络结构包括一个隐含层、3个隐含节点和一个输出层，隐含层使用tansig激活函数作为传递函数，输出层函数为线性函数，采用levenberg-marquardt训练算法训练预测模型，学习率为0.1，迭代次数为1000次；

步骤四，拟合度验证：依据所获取的土壤数据，采用k-重交叉验证的验证方法进行预测模型训练，预测模型中训练集的拟合优度r2为0.962，均方根误差为0.230g/kg；预测集的r2为0.962，rmse为0.217g/kg；

步骤五，待测土壤全氮含量计算：将管体外壳插入待检测的土层中，并启动步进电机带动dlp近红外光谱检测模块移动到检测窗口后，控制dlp近红外光谱检测模块进行光谱测量，获取所在深度的土壤的光谱数据，通过传输模块将数据传输至数据分析系统中的预测模型中进行实时数据分析，输出土壤全氮含量的检测结果。

采用上述结构本实用新型取得的有益效果如下：本方案可以采用步进电机带动dlp近红外光谱检测模块在管体外壳内上下移动，可以检测多深度土壤全氮含量；土壤全氮含量的原位监测装置直接安置于土壤中，通过实时测量土壤光谱数据，数据分析系统中的预测模型中进行实时数据分析，实现远程、实时、可持续的测量土壤全氮含量；采用连续投影算法提取全氮的敏感波长，降低了数据处理的亢余度，精简了模型，并且实现了较高的预测精度；采用dlp近红外光谱模块，大大降低了设备成本，设备设计的便携小巧，便于安装，方便运输，使得大范围的农业推广应用成为可能。

附图说明

附图用来提供对本实用新型的进一步理解，并且构成说明书的一部分，与本实用新型的实施例一起用于解释本实用新型，并不构成对本实用新型的限制。在附图中：

图1为本实用新型一种土壤全氮含量的原位监测装置的整体结构示意图；

图2为本实用新型一种土壤全氮含量的原位监测方法利用反向传播神经网络算法拟合的训练集结果图；

图3为本实用新型一种土壤全氮含量的原位监测方法利用反向传播神经网络算法拟合的预测集结果图。

其中，1、管体外壳，2、驱动电源，3、控制面板，4、驱动系统，5、电源开关，6、dlp近红外光谱检测模块，7、检测窗口，8、进电机，9、滚珠丝杆，10、搭载台。

具体实施方式

下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例；基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。

在本实用新型的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实用新型和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本实用新型的限制。

如图1所示，本实用新型一种土壤全氮含量的原位监测装置，本实用新型一种土壤全氮含量的原位监测装置，包括管体外壳1、驱动电源2、控制面板3、驱动系统4、数据分析系统和dlp近红外光谱检测模块6，所述管体外壳1呈柱状管体结构设置，所述驱动电源2设于管体外壳1中，所述管体外壳1上设有多组石英玻璃检测窗口7，所述控制面板3设于管体外壳1中，所述驱动系统4设于管体外壳1中，所述dlp近红外光谱检测模块6设于驱动系统4上，所述dlp近红外光谱检测模块6与控制面板3电连接，所述驱动系统4包括步进电机8、滚珠丝杆9和搭载台10，所述步进电机8设于管体外壳1中，所述滚珠丝杆9旋转设于管体外壳1中且设于步进电机8的输出端，所述搭载台10滑动设于管体外壳1中且通过螺纹与滚珠丝杆9连接，所述dlp近红外光谱检测模块6包括微型近红外光谱仪、温度传感器和湿度传感器，所述控制面板3中设有信号传输模块，所述信号传输模块与微型近红外光谱仪、温度传感器和湿度传感器连接，所述数据分析系统与信号传输模块连接。

所述管体外壳1一端设有电源开关5，所述驱动电源2与电源开关5、控制面板3、步进电机8和dlp近红外光谱检测模块6电连接。所述电源开关5与控制面板3、步进电机8和dlp近红外光谱检测模块6电连接。

如图2-3所示，本实用新型还公开了一种土壤全氮含量的原位监测方法，包括如下步骤：

步骤一，数据获取：通过dlp近红外光谱检测模块对已知459组干土壤样本进行反射光谱测量，光谱测量范围为900～1700nm，测量模式为hadamard，像素宽设定为10.54，曝光时间0.635ms，3倍采样率，采样点数为228，每次测量的光谱为测量10次的平均值，在每次光谱测量之前，采用标准反射白板进行光谱校正，通过对所有土壤样本进行光谱测量，获取合计459组土壤的光谱数据和全氮含量，删去光谱数据在900～920nm和光谱数据在1650～1700nm范围内的数据，选用920～1650nm范围内的光谱数据，然后通过连续投影算法提取全氮特征波长，并将获取的已知土壤的光谱数据和全氮含量随机按照3：1的比例分为训练集和预测集，采用连续投影算法获取预测均方根误差最小时对应的波长组合，最终筛选出22个氮的特征波长；

步骤二，建立预测模型：通过对训练集中的全氮特征波长的光谱和全氮含量进行提取，以土壤全氮特征波长的光谱吸光度作为输入自变量，土壤全氮含量作为输入因变量，采用误差反向传播神经网络进行预测模型的训练，神经网络结构包括一个隐含层、3个隐含节点和一个输出层，隐含层使用tansig激活函数作为传递函数，输出层函数为线性函数，采用levenberg-marquardt训练算法训练预测模型，学习率为0.1，迭代次数为1000次；

步骤四，拟合度验证：依据所获取的土壤数据，采用k-重交叉验证的验证方法进行预测模型训练，预测模型中训练集的拟合优度r2为0.962，均方根误差为0.230g/kg；预测集的r2为0.962，rmse为0.217g/kg；

步骤五，待测土壤全氮含量计算：将管体外壳插入待检测的土层中，并启动步进电机带动dlp近红外光谱检测模块移动到检测窗口后，控制dlp近红外光谱检测模块进行光谱测量，获取所在深度的土壤的光谱数据，通过传输模块将数据传输至数据分析系统中的预测模型中进行实时数据分析，输出土壤全氮含量的检测结果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上显示和描述了本实用新型的基本原理和主要特征和本实用新型的优点，对于本领域技术人员而言，显然本实用新型不限于上述示范性实施例的细节，而且在不背离本实用新型的精神或基本特征的情况下，能够以其他的具体形式实现本实用新型。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本实用新型的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本实用新型内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。