[发明专利]基于堆叠式模型的土壤重金属含量检测方法

说明书

本发明涉及基于堆叠式模型的土壤重金属含量检测方法，包括：采集土壤样品，配置预定重金属浓度范围的土壤样本；获取土壤样本的光谱，形成样本光谱数据集；利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；选出具有代表性的四种特征变量选择方法，分别构建基学习器进行训练、测试；将基学习器集成，构建元学习器，并对元学习器进行训练、测试；将待检测土壤的光谱输入基学习器，依据元学习器得到的波长点判断分析土壤重金属的含量。本发明将多种波长变量选择算法并联、集成，克服了单一特征变量选择方法的缺陷，提高了土壤重金属含量的检测精度，检测结果稳定性好。

技术领域

本发明属于农业环境检测领域，具体涉及一种基于堆叠式模型的土壤重金属含量检测方 法。

背景技术

土壤中的元素多种多样，直接获得的X射线荧光光谱具有高维度、多冗余的特点。此外， 各种元素之间还有着增强吸收效应，因此需要剔除这些无用信息，最大化利用有用信息。目 前流行的区间选择算法主要有变量区间选择法、变量信息选择法、变量优化选择法和变量统 计选择算法。这些算法各有优劣，有的算法侧重于筛选波长区间，有的侧重于筛选波段，均 存在缺陷，效果不理想。

因此，需要进一步研究优化整合这些算法，使其不再针对单个的变量进行选择，在降维 的同时也能考虑到元素之间的增强吸收效应。

发明内容

本发明的技术问题是目前已有的光谱特征变量选择算法大多考虑如何选出有效的波段或 波长区间，并不会对波长点进行优化，影响了根据光谱特征变量预测土壤重金属含量的效率； 现有的以逐步选择算法为代表的光谱波长点的精选算法效果并不理想。

本发明的目的是针对上述问题，提供一种基于堆叠式模型的土壤重金属含量检测方法， 将区间偏最小二乘法(interval partial least squares，iPLS)、变量区间组合优化算法(interval combination optimization，ICO)、萤火虫算法(firefly algorithm，FA)和连续投影算法(successive projections algorithm，SPA)等多种波长变量选择算法并联、集成，采用多个基学习器和元学 习器组成的堆叠式模型，获取土壤样本光谱的波长点，克服单一特征变量选择方法的缺陷； 对并联的多个基学习器进行分组训练，提高训练的效率。

本发明的技术方案是基于堆叠式模型的土壤重金属含量检测方法，包括以下步骤：

步骤1：采集土壤样品，配置预定重金属浓度范围的土壤样本；

步骤2：获取土壤样本的X射线荧光光谱，其中重金属元素的含量值利用化学方法标定，形 成样本光谱数据集，并将样本光谱数据集分成校正集和验证集；

步骤3：利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；

步骤4：分别从变量区间选择算法、变量优化选择算法、变量统计选择算法和变量波段选择 算法中选出具有代表性的四种特征变量选择方法，在强信息变量与弱信息变量的基础上分别 构建基学习器进行训练、测试；

步骤5：将基学习器集成，构建元学习器，元学习器的输入是基学习器的输出，利用基学习 器的输出对元学习器进行训练、测试；

步骤6：将待检测土壤的光谱输入基学习器，依据元学习器得到待检测光谱的波长点，依据 得到的波长点判断分析土壤重金属的含量。

进一步地，变量区间选择算法和变量波段选择算法侧重于选择出对建模更重要的波段， 而且不容易受到无效波长点的干扰，因此将其作为一组进行训练，可提高训练效率，训练效 果比单独训练更好；变量统计选择算法与变量优化选择算法侧重于选择出出现频率更高的波 段，而且容易受到无效区间内波长点的干扰，因此将其作为一组进行训练，可提高训练效率， 训练效果比单独训练更好。