本发明涉及光谱数据的处理和土壤检测，具体涉及可判定精度的基于光谱特征波长分析土壤养分含量检测法。
背景技术：
：我国是农业大国，土壤是农业发展的基础，土壤养分直接影响着作物的生长。土壤主要养分有氮、磷、钾、碳等，其中氮包含全氮、有效氮等，磷包含全磷、有效磷，钾包含全钾、速效钾、缓效钾等，碳包含全碳等，这些养分对促进作物的生长，营养的运输，提高作物抗旱、抗寒能力均有着极大的影响作用。土壤中各养分含量会随着环境的改变、时间的推移、作物的生长更替等原因有所变化。土壤养分不足将会影响作物的生长，土壤养分因施肥过多而导致养分过剩将会造成环境污染和资源浪费，因此土壤养分的实时、快速检测对保证作物健康生长，合理施肥、环境保护以及农业生产有着重要的意义。传统土壤养分含量值的测定主要采取化学方法，耗时耗力，不能满足对土壤养分有效、实时、快速的检测。目前已有基于光谱技术对土壤营养成分进行研究分析，虽然可以实现对土壤营养成分含量进行预测，但是其中的光谱解译过程是繁琐而又复杂的，而且往往不能得到甚为精确的模型，对于模型是否是优良的、有效的也没有评判过程，就投入未知土壤养分含量的预测过程中，模型如何构建直接影响着土壤养分的建模结果和预测结果。为了得到较好的土壤养分含量模型，节省时间和各种成本，免除人工因素干扰、自动运行土壤养分的光谱解译过程，提供一种简单、精确、有效地获取光谱特征波长的土壤养分含量检测法是很有必要的。技术实现要素：本发明为克服现有技术精度低、模型无检测反馈、耗时等不足，采用以下述技术方案予以实现：可判定精度的基于光谱特征波长分析土壤养分含量检测法，步骤如下：(1)添加土壤样品光谱：采用光谱仪测定土壤样品的光谱数据，输入计算机中；(2)添加土壤样品养分含量值：采用化学方法测定土壤样品养分含量值，输入计算机中；(3)光谱预处理：采用求导和/或S-G平滑和/或多元散射校正(MSC)和/或变量标准化(SNV)的方法对光谱进行预处理；若需清除土壤样品的异常样品采用稳健主成分分析法剔除异常样品。(4)光谱特征波长提取：采用连续投影算法(SPA)和/或无信息变量消除算法(UVE)和/或遗传算法(GA)方法选择特征波段，提取特征波长。便于建立更精确的模型；若需清除土壤样品的异常样品采用稳健主成分分析法剔除异常样品。(5)多元校正：采用Kennard-Stone算法划分用于建立土壤养分含量模型的校正集和检验集，采用偏最小二乘方法(PLS)建立土壤养分含量模型；若需清除土壤样品的异常样品采用稳健主成分分析法剔除异常样品。(6)精度判断：对光谱解译后的土壤养分含量模型进行精度判别，计算决定系数r2及相对分析误差RPD值，判断r2及RPD值，如果满足实验允许范围，进入下一步骤，如果不满足，返回到步骤(1)重新开始，再计算决定系数r2及相对分析误差RPD值，选取最佳模型。实现建模反馈，达到更好的建模效果，实现有效可靠的建模；(7)完成建模；(8)准备预测：输入未知土壤样品光谱数据；(9)预测：通过已建的土壤样品特征光谱及其养分含量的模型和未知土壤样品光谱数据预测其养分含量值；(10)完成预测。本发明可用于多种光谱类型的解译，如可用于土壤样品的紫外可见光谱、可见近红外光谱、近红外光谱等光谱数据建立土壤养分含量模型，可测量全氮、全磷、全钾、全碳、速效钾、缓效钾等土壤养分含量。与现有技术相比，本发明对于任意土壤，已知其养分含量值及光谱数据，在建模模块中，通过自动运行光谱解译过程，建立土壤养分的定量模型，根据计算的决定系数r2及相对分析误差RPD值选取最佳模型，用于预测模块，对未知土壤样品养分含量进行预测。本发明可对多种光谱类型，以及多种土壤养分的光谱自动进行光谱解译，无需人工干扰。本发明无需与土壤样品直接接触，只需通过光谱仪获取土壤样品的光谱，输入到已建好的土壤养分含量模型中即可自动运行光谱解译过程，在短时间内得到未知样品的预测多种养分含量，操作过程简单。附图说明图1：本发明可判定精度的基于光谱特征波长分析土壤养分含量检测法流程图；图2：本发明实施例1土壤样品光谱(可见近红外反射光谱)曲线图；图3：本发明实施例1中土壤养分(全磷)校正集的拟合结果；图4：本发明实施例1中土壤养分(全磷)检验集的拟合结果；图5：本发明实施例2土壤样品光谱(紫外可见反射光谱)曲线图；图6：本发明实施例2中土壤养分(全氮)校正集的拟合结果；图7：本发明实施例2中土壤养分(全氮)验证集的拟合结果；具体实施方式下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。可判定精度的基于光谱特征波长分析土壤养分含量检测法，以基于可见近红外光谱对土壤全磷含量值实现自动光谱解译及预测为例，包括下列步骤：实施例1(1)采集土壤样品采集青岛浮山山麓、青岛枣山耕地、青岛李村河畔土壤样品各60份，总计180份采集样品深度为0-20cm。对土壤样品去除石块等异物，55℃干燥4-8小时后过0.45mm尼龙筛，将过滤后的土壤样本置入样品袋中，并填写相应的样品编号。(2)测定土壤样品养分含量从180份土壤样品中分别取出5-10g，采用钼锑抗比色法测定土壤样品的全磷含量，将其添加至建模模块。(3)测定可见近红外光谱采用海洋光学QE65000光谱仪测定土壤样品的光谱，谱区范围是200-1100nm，选取380-975nm的可见近红外光谱进行后续光谱分析。取3-5g土壤样品，将土壤样品放在样品盒(大小、长度与探头支架相同的样品盒)中，轻轻压平，然后把探头置入支架上的45度角的孔里，使探头刚好露出支架，把支架和样品盒紧贴在一起，每个土壤样品测定5次光谱反射率，取平均值，土壤样品的可见近红外反射光谱的曲线图如图2所示。将原始光谱数据转换成csv格式，将其添加至建模模块。(4)自动运行光谱解译过程土壤全磷含量值自动光谱解译过程采用遗传算法提取特征波长、无光谱预处理、以偏最小二乘法对所有土壤样品的可见近红外全光谱建立定量模型。首先剔除土壤样品中的异常样品，将全磷含量有明显异常的样品剔除掉，最终得到179个土壤样品。然后，采用遗传算法对全部土壤样品光谱重复迭代5次，计算每次提取特征波长后的决定系数r2，并与全光谱计算的决定系数r2进行比较，见下表：迭代序号提取光谱特征波长点(个)决定系数r21870.903021300.911431290.90304820.89495910.8962全光谱5550.8604采用遗传算法对土壤样品的可见近红外全光谱进行特征波长提取后，得到的决定系数r2均比全光谱更加接近于1，建模效果更好，且迭代序号2的相关系数最高，因此选择迭代序号2筛选的光谱特征波长作为建模变量。最后，在运用偏最小二乘法建立模型之前，采用Kennard-Stone算法对土壤样品进行分类，根据2:1的比例选出校正集土壤样品120份，检验集土壤样品59份，标好相应编号。运用偏最小二乘法建立土壤样品校正集可见近红外光谱与其全磷含量的校正模型，得到其决定系数r2，决定系数r2的计算公式如下：其中，n为校正集(或检验集)样品个数，yi为校正集(或检验集)第i个样品的实际值，为校正集(或检验集)第i个样品的预测值，为校正集(或检验集)所有实际值的平均值，r2值越接近1，模型效果越好。图4为具体实施中土壤全磷校正集的拟合结果，其决定系数r2为0.9055，决定系数r2较高，建模效果很好。(5)预测未知土壤样品全磷含量根据建立的土壤全磷含量校正模型对检验集的全磷含量进行估测，得到估测值，再与测定的全磷含量实测值进行比较，计算出决定系数r2和相对分析误差RPD值。相对分析误差RPD值是样品标准偏差SD与预测标准误差RMSEP的比值，其计算公式如下：其中，n为检验集样品个数，yi为检验集第i个样品的实际值，为检验集第i个样品的预测值，为检验集所有实际值的平均值。当1.8<RPD<2.0时，该校正模型为好的模型，具有定量预测的可能；当2.0<RPD<2.5时，该校正模型为很好的模型，可以定量预测；当RPD>2.5时，该校正模型为极好的模型，可以用于极好的预测。图5为具体实施中土壤全磷检验集的拟合结果，其决定系数r2为0.9186，相关系数较高，建模效果很好；相对分析误差RPD值为3.406，当RPD>2.5时，该校正模型为极好的模型，可以定量预测土壤全磷含量。实施例2(1)采集土壤样品采集青岛浮山山麓、青岛枣山耕地、青岛李村河畔土壤样品各60份，总计180份采集样品深度为0-20cm。对土壤样品去除石块等异物，55℃干燥4-8小时后过0.45mm尼龙筛，将过滤后的土壤样本置入样品袋中，并填写相应的样品编号。(2)测定土壤样品养分含量从180份土壤样品中分别取出5-10g，采用碳氮分析仪测定土壤样品的全氮含量，将其添加至建模模块。(3)测定紫外可见光谱采用海洋光学QE65000光谱仪测定土壤样品的光谱，谱区范围是200-1100nm，选取226-780nm的紫外可见光谱进行后续光谱分析。取3-5g土壤样品，将土壤样品放在样品盒(大小、长度与探头支架相同的样品盒)中，轻轻压平，然后把探头置入支架上的45度角的孔里，使探头刚好露出支架，把支架和样品盒紧贴在一起，每个土壤样品测定5次光谱反射率，取平均值，土壤样品的紫外可见光谱的曲线图如图2所示。将原始光谱数据转换成csv格式，将其添加至建模模块。(4)自动运行光谱解译过程土壤全氮含量值自动光谱解译过程采用遗传算法提取特征波长、无光谱预处理、以偏最小二乘法对所有土壤样品的紫外可见全光谱建立定量模型。首先剔除土壤样品中的异常样品，将全氮含量有明显异常的样品剔除掉，最终得到178个土壤样品。然后，采用遗传算法对全部土壤样品光谱重复迭代5次，计算每次提取特征波长后的决定系数r2，并与全光谱计算的决定系数r2进行比较，见下表：迭代序号提取光谱特征波长点(个)决定系数r21860.94542880.941631100.941941380.943251330.9463全光谱5560.9345采用遗传算法对土壤样品的紫外可见全光谱进行特征波长提取后，得到的决定系数r2均比全光谱更加接近于1，建模效果更好，迭代序号5的相关系数最高，因此选择迭代序号5筛选的光谱特征波长作为建模变量。最后，在运用偏最小二乘法建立模型之前，采用Kennard-Stone算法对土壤样品进行分类，根据2:1的比例选出校正集土壤样品120份，检验集土壤样品58份，标好相应编号。运用偏最小二乘法建立土壤样品校正集紫外可见光谱与其全氮含量的校正模型，得到其决定系数r2，图6为具体实施中土壤全氮校正集的拟合结果，其决定系数r2为0.9373，决定系数r2较高，建模效果好。(5)预测未知土壤样品全氮含量根据建立的土壤全氮含量校正模型对检验集的全氮含量进行估测，得到估测值，再与测定的全氮含量实测值进行比较，计算出决定系数r2和相对分析误差RPD值。图7为具体实施中土壤全氮检验集的拟合结果，其决定系数r2为0.9626，相关系数较高，建模效果很好；相对分析误差RPD值为4.768。当2.0<RPD<2.5时，该校正模型为很好的模型，可以较好的定量预测土壤全氮含量。本发明只需通过光谱仪获取土壤样品的光谱以及化学方法测定的土壤养分值，即可自动运行土壤养分的光谱解译过程，无人工干扰，简单、快速、有效地实现土壤养分的光谱解译，且可用于多种光谱类型的解译，以及多种土壤养分的光谱解译。将未知土壤光谱输入到已建好的土壤养分含量模型中，在短时间内得到即可未知样品的养分预测含量，操作过程简单。以上实施例仅用以说明本发明的技术方案，而非对其进行任何限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述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；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。当前第1页1 2 3