[发明专利]一种基于算法融合的土壤氮素近红外光谱特征波段选取方法

说明书

本发明公开了一种基于算法融合的土壤氮素近红外光谱特征波段选取方法，包括：取黄土、钙土、黑土和红土与不同浓度梯度的尿素溶液混合并搅拌均匀，压成薄片后并烘干；采集四种土壤样品的光谱信息；采用偏最小二乘法建立四种土壤全段光谱数据与土壤氮素含量的预测模型；采用向后区间片最小二乘法选取土壤近红外光谱特征区间，采用竞争自适应权重采样法选取土壤近红外光谱特征变量，融合两种算法的结果确定四种土壤的特征波段；再次用PLS算法建立特征波段光谱与土壤氮素含量的预测模型，比较全光谱与特征波段的建模效果。本发明通过比较特征波段与全光谱建模的模型效果，更贴近在实际环境中实时、在线检测土壤氮素含量的需求。

技术领域

本发明涉及土壤成分检测技术领域，具体涉及一种基于算法融合的土壤氮素近红外光谱特征波段选取方法。

背景技术

土壤是作物养分来源的主要基质，土壤的光谱反射特性是土壤的基本属性之一，与土壤的理化性质具有密切的联系。土壤中的氮元素含量直接影响作物的生长的营养水平，是对作物长势估计的重要参考因素。近红外光谱法是一种分析速度快、样品处理简便、操作简单并且成本较低的分析方法，利用近红外光谱技术准确、快速地估测土壤中的氮素含量与传统方法相对具有更大的优势和更为广泛的应用前景。我国地域辽阔，土壤种类繁多，不同土壤之间有着较大的性质差异，探究不同土壤间近红外光谱的差异以及特征波段的选取对开发一种通用型的检测仪器具有重要价值，满足精准农业快速、准确和实时的要求。

利用近红外光谱技术能够快速检测土壤中的氮元素含量，检测过程快速、准确、无污染。而土壤氮素的近红外光谱特征波段选取受土壤种类、检测手段、挑选方法等多方面因素的影响。卢艳丽等人分析了东北黑土在350-2500nm波段范围的光谱反射率变化，确定了利用由可见光波段550nm和450nm组成的归一化光谱指数预测黑土总氮含量的最佳预测模型。潘涛等人利用移动窗口偏最小二乘法和Savitzky-Golay平滑算法优选出土壤总氮的近红外光谱特征波段为1692至2138nm，其中建模集相关系数为0.931以及预测集相关系数为0.882。张瑶等人组合小波分析和连续消除算法的结果确定了6个敏感波段用于预测土壤总氮含量，结果表明利用敏感波段实时预测土壤总氮含量具有较高的预测精度。

虽然一些研究学者已经采用不同的方法对土壤氮素的近红外光谱特征波段进行了挑选，但由于土壤种类众多，不同土壤具有相似但各不相同的近红外光谱，确定一个具有较高普适性的特征波段选择方法对研发土壤氮素的近红外实时快速检测装置具有重要的参考价值。

发明内容

本发明提供了一种基于算法融合的土壤氮素近红外光谱特征波段选取方法，提高土壤氮素检测的效率。

一种基于算法融合的土壤氮素近红外光谱特征波段选取方法，包括：

步骤1，制备土壤样品，方法如下：

步骤1-1、针对四种土壤(黄土、钙土、黑土和红土)的原始氮素含量，分别配比不同氮浓度梯度的尿素溶液，每次取15ml尿素溶液与100g土壤样品混合均匀，压成薄片后分割成利于检测光谱的大小；

步骤1-2、将所有土壤样品置于80摄氏度的烘箱中烘干24小时；

步骤2，用便携式近红外光谱仪采集所有土壤样品的光谱信息；

步骤3，用偏最小二乘法PLS建立四种土壤全段光谱数据与土壤氮素含量的预测模型；

步骤4，利用将向后区间偏最小二乘法BIPLS与竞争自适应权重采样法CARS融合的方式，分别选择出土壤的近红外光谱特征区间与特征变量，对两种算法的结果进行优化融合后确定该土壤的近红外光谱特征区间。再次用PLS算法建立特征波段光谱与土壤氮素含量之间的预测模型，比较利用全光谱建模与特征波段建模的预测模型效果。