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与流程

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。

技术实现要素：

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。

作为优选，步骤1-1中，不同氮元素浓度由尿素颗粒配制而成，根据土壤中原始氮素含量，配比的尿素溶液浓度梯度分别为：黄土0g/kg至2.0g/kg，钙土0g/kg至2.5g/kg，黑土0g/kg至4.6g/kg以及红土0g/kg至4.5g/kg。

步骤1-1中，尿素水溶液与土壤样本需充分混合均匀，保证氮素在土壤样本中的均匀分布，以利于后续光谱采集结果的准确性。

步骤1-1中，尿素溶液与土壤样本混合后压成薄片后的大小约为100mm×100mm，随后分割成约10mm×10mm的土壤样本块。

作为优选，步骤2中，在进行光谱测定之前，仪器应预热15分钟，并用黑板和白板校正操作。

步骤2中，近红外光谱采集的波段范围为900nm-1700nm，设置每条光谱采集400个点，平均每扫描3次得到一个光谱图像，共测定618个土壤样本。

步骤2中，为了减少实验环境光和日光灯对光谱信息采集的影响，光谱采集在黑暗的环境下进行。

作为优选，步骤4中，向后区间偏最小二乘法bipls用于挑选土壤氮素的近红外光谱特征区间，竞争自适应权重采样法cars用于挑选土壤氮素的近红外光谱特征变量，结合两种算法的挑选结果，分别优选出四种土壤的近红外光谱特征波段。

步骤4中，bipls在逐步剔除光谱区间的过程中，模型的rmsecv的值不断变化，模型中剩余的区间数和变量数不断减少，直至模型的rmsecv达到最小值，从而选出几个特征区间。

步骤4中，cars算法在运行过程中挑选部分样本进行pls回归建模，如此反复进行上百次的迭代建模，在挑选特征变量的过程中仅保留pls回归系数绝对值大的波长变量，用选出的波长变量建立pls回归模型，计算模型的rmsecv值，选择最小rmsecv值对应的变量子集为最优的变量子集。

本发明提供的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，探究一种具有普适性的土壤氮素近红外光谱特征波段挑选方法，采用融合bipls和cars两种算法的方式，针对不同种类的土壤，确立了一种具有普适性的特征波段选择方法。更贴近在实际环境中实时、在线检测土壤氮素含量的需求，使用特征波段代替全光谱建模提高了土壤氮素与近红外光谱预测模型的运行效率。

与现有技术相比，本发明具有以下优点：

(1)算法融合过程简便，对土壤氮素近红外光谱特征波段的挑选方法具有较高的普适性；

(2)利用特征波段替代全光谱建立土壤氮素的预测模型，大大提高了模型的运行效率；

(3)为研发更高效的近红外光谱检测仪器提供理论支持。

附图说明

图1为本发明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的流程图；

图2为本发明的四种土壤的近红外平均光谱曲线图；

图3为本发明的四种土壤的近红外全光谱pls建模效果图；

图4为本发明的四种土壤的特征波段pls建模效果图。

具体实施方式

下面结合附图，对本发明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做详细描述。

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，如图1所示，包括以下步骤：

(1)样本制备

本实施例采用的土壤样本包括黄土、钙土、黑土和红土四种不同类型的土壤分别来自于陕西西安、山东济宁、内蒙古大兴安岭以及浙江丽水。

样本制备的方法，包括以下步骤：

首先，针对四种土壤的原始氮素含量，分别配比不同氮浓度梯度的尿素溶液，分别为：黄土0g/kg至2.0g/kg，钙土0g/kg至2.5g/kg，黑土0g/kg至4.6g/kg以及红土0g/kg至4.5g/kg。每次取15ml尿素溶液与100g土壤样品混合均匀，压成薄片后分割成大约10mm×10mm的土壤样本块；

其次，将所有土壤样品置于80摄氏度的烘箱中烘干24小时。

(2)光谱获取

如图2所示，本实验采用五菱光学的近红外线分光式光谱测量仪器，光谱波段范围、分标率和扫描次数均可自行设定。光谱采集波段范围是900nm-1700nm，可以采集到光的强度，反射度和吸收度；设置每条光谱采集400个点，平均每扫描3次得到一个光谱图像。在进行光谱测定之前，仪器应预热15分钟，并用黑板和白板校正操作，为了减少实验环境光和日光灯对光谱信息采集的影响，光谱采集在黑暗的环境下进行。实验测定选取土壤样本方块光滑的一面，共测定618个土壤样本。

(3)特征波段选取

本文利用bipls选取光谱的特征区间，利用cars选取土壤近红外光谱的特征变量。bipls在逐步剔除光谱区间的过程中，模型的rmsecv的值不断变化，模型中剩余的区间数和变量数不断减少，直至模型的rmsecv达到最小值，从而选出几个特征区间。组合特征变量和特征区间的结果，即可优选出土壤氮素的近红外光谱特征波段。而cars算法在运行过程中挑选部分样本进行pls回归建模，如此反复进行上百次的迭代建模，在挑选特征变量的过程中仅保留pls回归系数绝对值大的波长变量，用选出的波长变量建立pls回归模型，计算模型的rmsecv值，选择最小rmsecv值对应的变量子集为最优的变量子集。以红土为例，挑选过程和结果如下表1和2所示：

表1bipls的特征区间选择过程

表2特征区间与特征变量选择结果

结合两种算法的挑选结果，最终确定的四种土壤的特征波段分别为黄土1152nm-1162nm和1296nm-1309nm，钙土1036nm-1055nm和1129nm-1156nm，黑土1055nm、1281nm、1414nm-1428nm和1472nm-1493nm，红土1250nm、1480nm和1680nm。

(4)模型建立

如图3和图4所示，本发明采用偏最小二乘法(pls)分别建立近红外全光谱数据、特征波段与土壤氮元素含量的预测模型。以基线校正、归一化处理后的全波段光谱数据作为自变量x，全氮含量作为因变量y，建立各烘干时间下的全氮含量预测模型。其中建模集和预测集按照2:1的比例划分。相关系数r反映变量之间的密切程度，均方根误差rmse反映测量的精度。相关系数越接近与1，均方根误差越接近于0，说明预测模型的性能越好，预测模型精度越高。相关系数r的计算公式如下：

均方根误差rmse的计算公式如下：

结果表明：特征波段的预测模型精度总体较好，黄土和黑土的相关系数甚至超过了全波段模型，分别达到了0.9826和0.91；钙土的相关系数为0.9561，与全波段的相关系数相差无几；红土的相关系数为0.9188，尽管稍次于全波段(0.9467)但依旧取到了较高的精度。总的来说，四种土壤的特征波段模型就建模精度而言完全能够替代全光谱，大大提高了预测模型的运行效率。