本发明涉及光谱数据处理和土壤监测
技术领域：
，具体基于多分类器融合寻找土壤养分光谱特征波长的方法。
背景技术：
：土壤是植物赖以生存的重要组成部分，土壤养分是植物能否健康成长的根本，土壤养分不足，会影响作物的生长，若土壤养分因施肥过多，将会造成环境污染和资源浪费。土壤养分含量会随着环境、时间等因素有所变化，实时监测土壤养分含量，对掌握该地区土壤情况，环境问题有着重要作用，同时也对植物的健康成长、合理施肥、环境保护有着重要意义。目前基于光谱技术快速检测土壤养分含量已有一定进展，通常采集标准土壤样品光谱及其养分含量值，通过一系列化学计量学方法建立模型，从而实现对未知土壤样品养分含量的预测。光谱法虽然可以快速监测土壤养分含量，但是全光谱用于土壤养分模型的建立，一方面会影响预测精度，一方面会增大运行时间。土壤的组成是非常复杂的，土壤光谱中包含了大量的物质信息，这些信息中包含了噪声信息和与检测目标不相关的无用信息，它们的存在会降低模型的预测能力。如何能够准确的找到所需土壤检测目标的特征波长，是一个亟需解决的重要问题。技术实现要素：本发明为解决上述技术问题，提出基于多分类器融合寻找土壤养分光谱特征波长的方法，采用以下技术方案予以实现。基于多分类器融合寻找土壤养分光谱特征波长的方法，步骤如下：(1)获取土壤样品光谱，根据实际需求选择原始光谱数据或预处理后光谱数据。(2)获取土壤样品某养分含量值。(3)将光谱数据运用多种特征波长算法分别计算各算法的特征波长。特征波长算法包括相关系数法(cc)连续投影算法(spa)、无信息变量消除算法(uve)、遗传算法(ga)方法等算法。特征波长算法种类数应大于1。(4)将每一种特征波长算法看做一个单分类器，将多种单分类器融合，根据实际需求选择合适的融合方法将多分类器进行融合，筛选出特征波长。融合方法包括交集法、并集法、投票法和加权投票法。设有n个分类器，xn为第n个分类器的计算特征波长集合n＝1，2，……，n，融合方法为交集法和并集法的特征波长融合结果y1、y2见以下公式y1＝x1∪x2∪…∪xn∪…∪xny2＝x1∩x2∩…∩xn∩…∩xn投票法是对光谱的每一个波长进行统计，每个单分类器(即一种特征波长算法)对全光谱波长的提取都作为给该波长投了一票，然后统计每个波长的投票个数。设有n个分类器，xn为第n个分类器的计算特征波长集合，其中n＝1，2，……，n；全光谱有m个波长点，判断第m个波长点在第n个分类器的投票数为bnm，第m个波长点的投票总数为tm，其中m＝1，2，……，m。根据实际需求选择tm＝k等全部波长点(k＝1，2，……，n)作为光谱特征波长,即为融合结果。加权投票法是在投票法基础之上，对投票数较多的波长点选择更大范围的波长。加权投票选择特征波长分两种形式，一种是全谱邻近波长加权，一种是交集邻近波长加权。设有n个分类器，xn为第n个分类器的计算特征波长集合，其中n＝1，2，……，n；全光谱有m个波长点，判断第m个波长点在第n个分类器的投票数为bnm，第m个波长点的投票总数为tm，其中m＝1，2，……，m。根据实际需求选择tm＝k的全部波长点(k＝1，2，……，n)作为光谱特征波长。tm的大小决定该波长点加权值的大小。设谱区范围为w(w可为全谱范围，也可为交集法多分类器融合后的光谱范围),设投票个数为i，wij为i个投票个数谱区范围中第j个波长，由多到少的波长点依次为mi，…，mi，…，m1,αi为mi的权重，2≤i≤i≤n。m_newi为加权后mi的新的波长集合。m_newi＝{wij∈w}，mi-(αi*m)≤wij≤mi+αi*mα1≤，…，≤αi≤，…，≤ai其中，αi在符合以上条件下，可根据实际需求设置值。m_new_all即为所有提取特征波长。m_new_all＝{m_new1，…，m_newi，…，m_newi}(5)将筛选出的光谱特征波长和其土壤某养分含量值采用一系列化学计量学方法建立光谱反演模型，通过模型评价标准判别分析该养分含量模型预测效果。建模方法包括最小二乘回归(pls)、最小二乘支持向量机(ls-svm)、人工神经网络(bpnn)等算法；评价标准包括绝对系数r2、预测均方根误差rmsep、相对分析误差rpd等标准。本技术方案基于光谱技术，将多分类器融合方法引入光谱特征波长提取领域。多分类器融合是相对于单分类器方法提出来的，能够将多个单分类器的分类信息进行综合分析，针对不同的分类器具有一定的互补性。将每个常规的特征波长算法看作一个分类器，可以充分发挥每个特征波长算法的优势，取长补短，将其有效融合，能够提供最优光谱波长，便于建立更加精确的土壤养分含量模型。附图说明图1：基于多分类器融合寻找土壤养分光谱特征波长的方法流程图。具体实施方式基于多分类器融合寻找土壤养分光谱特征波长的方法，以预测土壤养分总氮(tn)为例，步骤如下：(1)获取土壤样品光谱获取178个土壤样品，采用海洋光学qe65000光谱仪，光谱采样间隔为1nm，积分时间600ms，谱区范围200-1100nm，获取土壤样品可见-近红外光谱，光谱数据采用原始光谱进行后续处理。将178个土壤样品采用kennard-stone算法按照2:1比例分建模集120份、检验集58份。(2)获取土壤样品某养分含量值；采用碳氮分析仪测定土壤总氮(tn)含量。(3)采用多种特征波长算法计算特征波长采用遗传算法(ga)、无信息变量法(uve)、连续投影算法(spa)三种特征波长提取算法分别计算土壤光谱的特征波长，各算法获取的光谱特征波长见下表。(4)多分类器融合分别采用交集法、并集法、投票法、加权投票法四种融合方法对上述计算的四种算法获取的特征波长进行多分类器融合。其中，投票法选择投两票的波长点，加权投票法采用交集邻近波长，即w可为交集法多分类器融合后的光谱范围，设置α1＝0，α2＝0.1，α3＝0.2，四种融合方法提取土壤光谱特征波长见下表。(5)建立土壤总氮(tn)模型并评价模型精度将建模集土壤样品通过四种融合方法提取后光谱特征波长与tn含量采用偏最小二乘回归算法分别建立反演光谱模型，并用检验集土壤样品对模型进行检验，通过绝对系数r2、预测均方根误差rmsep、相对分析误差rpd评价土壤tn含量模型预测效果。由于并集法没有筛选出特征波长，所以以下只讨论三种融合方法的远侧效果，提取波长建立的tn含量模型建模集和检验集绝对系数r2、预测均方根误差rmsep、相对分析误差rpd见下表。融合方法建模集r2检验集r2rmseprpd交集法0.90470.93990.01333.7413投票法0.43780.52440.03251.4201加权投票法0.86060.76240.02402.0299传统的特征波长提取方法建立的tn含量模型建模集和检验集绝对系数r2、预测均方根误差rmsep、相对分析误差rpd见下表特征波长算法建模集r2检验集r2rmseprpd全光谱0.86410.81260.02032.3274spa0.91850.89580.01582.9988uve0.8710.83790.01892.4989ga10.96050.73070.02561.8427由以上两表可看出，经过交集法融合三种特征波长算法的模型效果有明显提高，建模集r2，和检验集r2均在0.9以上，且rmsep明显减小，rpd值具有最高值，3.7413。实施例仅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12